[发明专利]基于纠错编码与支持向量机相结合的传感器故障辨识方法

说明书

技术领域

本发明涉及一种传感器的故障辨识方法，特别是一种基于纠错编码与支持向量机相结合的传感器故障辨识方法，属于智能信息处理领域。 

背景技术

传感器是测量仪器、智能化仪表及计算机信息输入装置中的敏感元件，广泛应用于各种控制系统中，作为了解系统过程状态的窗口，其测量结果的准确性直接影响系统的运行。传感器的工作环境通常比较恶劣，它们在使用过程中经常会因为种种原因发生故障。当传感器发生故障时，其输出信号主要表现为以下几种形式：偏差、漂移、冲击、周期性干扰、短路、开路。当检测到故障发生以后，需要针对不同的传感器故障类型进行一定的在线或离线故障补偿，因此，对传感器故障进行辨识就显得尤为重要。 

对传感器进行故障辨识属于模式识别问题。其中最为关键的两个步骤为特征提取与模式分类。特征的选择与提取是模式分类的基础，直接影响分类结果的准确性。传感器出现的故障与故障原因之间具有非线性关系，复杂性、随机性和模糊性使得很难用精确的数学模型表示，要提取这种规律，则需要采用一定的非线性变换使特征具有较高的可分性。 

近年来，神经网络和支持向量机（SVM，Support Vector Machine）作为非线性分类器的代表，被广泛应用于模式分类中。基于神经网络的方法大都依赖于样本充分情况下的统计特性，而传感器故障辨识是一种典型的小样本学习问题，支持向量机在解决小样本数据分类问题方面，具有全局最优、结构简单、 推广能力强等特点。与神经网络相比，SVM避免了局部最优解问题，有效地克服了“维数灾难”的问题。 

目前，常见的支持向量机多类分类算法主要有：一对一支持向量机多类分类方法、一对多支持向量机多类分类方法、二叉树支持向量机多类分类方法和纠错编码支持向量机分类方法。一对一支持向量机分类算法训练速度较快，但当类别数增多时，分类速度会变慢。一对多支持向量机分类算法原理简单，但是分类准确率不高，且每次训练时都要使用所有训练样本，训练速度会下降。二叉树支持向量机多类分类算法分类速度快，但训练速度较慢，存在错分累积的现象。纠错编码支持向量机分类方法的推广性较好，且分类速度快。 

如果能够跟据传感器故障辨识的具体问题构建符合条件的纠错编码，将纠错编码支持向量机分类方法用于此问题，则可以快速准确的对故障进行辨识。 

发明内容

为了提高传感器故障辨识的准确性和实时性，本发明提供了一种基于纠错编码与支持向量机相结合的传感器故障辨识方法,该方法中针对传感器7种不同模式的信号，分别选取时域和频域特征向量作为初始特征，从而将不同的故障模式区分出来。 

基于纠错编码与支持向量机相结合的传感器故障辨识方法,包括以下步骤： 

步骤一、生成纠错编码：采用具有纠错能力的编码对类别进行编码，将SVM作为分类器，根据预设规则，由Hadamard矩阵得到符合条件的纠错编码； 

步骤二、初始特征提取：提取传感器输出信号的时域和频域信息，选取6个时域特征参量和3个频域特征参量作为原始特征； 

步骤三、特征提取；由步骤一得到的纠错编码的每一列构造一个SVM两类 分类器，将具有初始特征的样本输入各个SVM中分别进行训练，得到每个分类器的决策函数，对决策函数进行Sigmoid变换，得到变换空间中新的特征； 

步骤四、故障模式分类：根据步骤三编码矩阵的每一列构造一个SVM两类分类器，将具有新特征参数的训练样本输入到每个SVM中进行训练，测试样本输入到训练好的SVM中，各个分类器分别对样本进行判别；分类器的输出组成一个二元序列λ={λ₁，λ₂，…，λ_n}，计算此序列和类别码字间的汉明距离，最小距离对应的码字所代表的类即为最终的判别结果。 

步骤1所述的编码中编码矩阵的行之间不相关，列之间不相关且不互补。 

本发明的有益效果：本发明能够将传感器正常模式与偏差、漂移、冲击、周期性干扰、短路、开路6种典型的故障模式区分出来；实时性和分类正确率都得到了保证，且推广性较好，特别是在小样本输入情况下体现出较大的优势。 

附图说明

图1是传感器故障辨识方法原理示意图； 

图2是传感器故障辨识方法流程图。 

具体实施方式

参照附图1对本发明作进一步说明，本发明具体实现步骤如下： 

第一步：信号预处理