[发明专利]一种基于不同纠错编码交叉使用的传感器故障辨识方法

摘要

本发明公开了一种基于不同纠错编码交叉使用的传感器故障辨识方法。使用本发明能够跟据传感器故障辨识的具体问题和特点，通过将不同种类的纠错编码分别用于其特征提取与故障辨识过程中，则可以快速准确的对故障进行辨识。该方法通过交叉使用纠错编码的方式，使得与在故障特征提取与中使用单一纠错编码的方法相比，有更高的分类精度，可以综合互补不同种类纠错编码的优势以达到更好的效果。

主权项

一种基于不同纠错编码交叉使用的传感器故障辨识方法，其中，所述传感器包括I种故障模式和1种正常模式；纠错编码包括K种；其特征在于，该辨识方法包括如下步骤：步骤一、信号采样和预处理：根据传感器的I+1种模式，分别在每种模式下采样J组传感器输出信号，每种模式下的每组传感器输出信号均作为一组样本数据，记为X_ij(i＝1,2,...,I+1,j＝1,2...,J)，根据对样本数据标准化，获得标准化样本数据E(X_ij)为所有样本数据X_ij的均值，为X_ij的标准差；步骤二、初始特征提取：通过分析每种模式下的每组样本数据，获得每组样本数据的峰值指标、均方根值、峭度指标、偏态指标、波形指标、裕度指标、重心频率、均方频率和频率方差共9种特征参数，并组成相应组样本数据的原始特征向量，记为λ_t＝{λ_t1,λ_t2,…,λ_t9}，其中，t为样本数据的组号，t＝1,2,…,((I+1)×J)；λ_t1,λ_t2,…,λ_t9表示第t组样本数据中的9个特征向量；步骤三、从K种纠错编码中选取其中一种，根据传感器模式数量构建行数为I+1的纠错编码矩阵，称为第一纠错编码矩阵；第一纠错编码矩阵中每行分别代表一种模式；步骤四、利用第一纠错编码矩阵进行特征提取：利用步骤二中获得的(I+1)×J组原始特征向量构建集合样本特征向量，记为χ＝{(λ₁,c₁),(λ₂,c₂),…,(λ_(I+1)×J,c_(I+1)×J)}，其中，c_t表示第t组样本数据在步骤一采样时所处的采集环境属于哪种模式，c_t∈{1,2,…,I+1}；将步骤三得到的第一纠错编码矩阵中的每一列作为一个SVM两类分类器，每个SVM两类分类器对所述集合样本特征向量χ进行训练，即：根据c_t的不同将(λ_t,c_t)代入c_t模式对应的矩阵行中，选择本SVM两类分类器对应的行数进行训练；获得决策函数的参数α_p和b_q，进而获得每个SVM两类分类器相应的分类决策函数$f_q\left({\mathrm{\λ}}_t\right)=\underset{p=1}{\overset{N_{\mathrm{sv}}}{\mathrm{\Σ}}}{\mathrm{\α}}_p{c}_{p}k({\mathrm{\λ}}_p,{\mathrm{\λ}}_t)+b_q,$q＝1,2,…,l，其中，l为第一纠错编码矩阵的列数；其中，k(λ_p,λ_t)为核函数；N_SV为(I+1)×J组样本数据中离分类超平面最近的支持向量个数；根据公式将得到的决策函数转化为先验概率，其中，a＝1,m＝0，进而得到特征变换空间新的特征向量${\tilde{Z}}_t=\{Z_{t1},Z_{t2},...,Z_{\mathrm{tl}}\};$步骤五、从K种纠错编码中选取一种不同于步骤三的纠错编码，根据传感器模式数量构建行数为I+1的纠错编码矩阵，称为第二纠错编码矩阵；第二纠错编码矩阵中每行分别代表一种模式；步骤六、利用第二纠错编码矩阵进行训练：根据步骤四中获得的新的特征，获得新集合样本特征向量将步骤五得到的第二纠错编码矩阵中的每一列作为一个SVM两类分类器，每个SVM两类分类器对所述集合样本特征向量χ进行训练，获得决策函数的参数α'_p和b_n，进而获得每个SVM两类分类器相应的决策函数${f^{\′}}_n=\left({\tilde{Z}}_t\right)=\mathrm{sgn}\{\underset{p=1}{\overset{{N^{\′}}_{\mathrm{sv}}}{\mathrm{\Σ}}}{{\mathrm{\α}}^{\′}}_p{c}_{p}k({\tilde{Z}}_t,{\tilde{Z}}_p)+b_n\},$其中，n＝1,2,…,l'，l'为第二纠错编码矩阵的列数；N'_SV为(I+1)×J组样本数据中离分类超平面最近的支持向量个数；步骤七、故障判别：根据步骤六中获得的各个SVM两类分类器，对测试样本进行测试，获得l'个SVM两类分类器的输出值，从而获得一个输出向量s＝{s₁,s₂,…,s_l'}；计算此向量和第二编码矩阵每一个行向量之间的汉明距离，将最小距离对应的行所代表的模式作为最终的判别结果。