基于糾錯編碼與支持向量機相結(jié)合的傳感器故障辨識方法
【專利摘要】本發(fā)明提供了一種基于糾錯編碼與支持向量機相結(jié)合的傳感器故障辨識方法。步驟一、生成糾錯編碼：采用具有糾錯能力的編碼對類別進行編碼，將SVM作為分類器；步驟二、初始特征提?。禾崛鞲衅鬏敵鲂盘柕臅r域和頻域信息，選取6個時域特征參量和3個頻域特征參量作為原始特征；步驟三、特征提??；由步驟一得到的糾錯編碼的每一列構(gòu)造一個SVM兩類分類器，將具有初始特征的樣本輸入各個SVM中分別進行訓練，得到每個分類器的決策函數(shù)，對決策函數(shù)進行Sigmoid變換，得到變換空間中新的特征；步驟四、故障模式分類。
【專利說明】基于糾錯編碼與支持向量機相結(jié)合的傳感器故障辨識方法
【技術領域】
[0001]本發(fā)明涉及一種傳感器的故障辨識方法，特別是一種基于糾錯編碼與支持向量機相結(jié)合的傳感器故障辨識方法，屬于智能信息處理領域。
【背景技術】
[0002]傳感器是測量儀器、智能化儀表及計算機信息輸入裝置中的敏感元件，廣泛應用于各種控制系統(tǒng)中，作為了解系統(tǒng)過程狀態(tài)的窗口，其測量結(jié)果的準確性直接影響系統(tǒng)的運行。傳感器的工作環(huán)境通常比較惡劣，它們在使用過程中經(jīng)常會因為種種原因發(fā)生故障。當傳感器發(fā)生故障時，其輸出信號主要表現(xiàn)為以下幾種形式:偏差、漂移、沖擊、周期性干擾、短路、開路。當檢測到故障發(fā)生以后，需要針對不同的傳感器故障類型進行一定的在線或離線故障補償，因此，對傳感器故障進行辨識就顯得尤為重要。
[0003]對傳感器進行故障辨識屬于模式識別問題。其中最為關鍵的兩個步驟為特征提取與模式分類。特征的選擇與提取是模式分類的基礎，直接影響分類結(jié)果的準確性。傳感器出現(xiàn)的故障與故障原因之間具有非線性關系，復雜性、隨機性和模糊性使得很難用精確的數(shù)學模型表示，要提取這種規(guī)律，則需要采用一定的非線性變換使特征具有較高的可分性。
[0004]近年來,神經(jīng)網(wǎng)絡和支持向量機(SVM,Support Vector Machine)作為非線性分類器的代表，被廣泛應用于模式分類中?；谏窠?jīng)網(wǎng)絡的方法大都依賴于樣本充分情況下的統(tǒng)計特性，而傳感器故障辨識是一種典型的小樣本學習問題，支持向量機在解決小樣本數(shù)據(jù)分類問題方面，具有全局最優(yōu)、結(jié)構(gòu)簡單、推廣能力強等特點。與神經(jīng)網(wǎng)絡相比，SVM避免了局部最優(yōu)解問題，有效地克服了 “維數(shù)災難”的問題。
[0005]目前,常見的支持向量機多類分類算法主要有:一對一支持向量機多類分類方法、一對多支持向量機多類分類方法、二叉樹支持向量機多類分類方法和糾錯編碼支持向量機分類方法。一對一支持向量機分類算法訓練速度較快，但當類別數(shù)增多時，分類速度會變慢。一對多支持向量機分類算法原理簡單，但是分類準確率不高，且每次訓練時都要使用所有訓練樣本，訓練速度會下降。二叉樹支持向量機多類分類算法分類速度快，但訓練速度較慢，存在錯分累積的現(xiàn)象。糾錯編碼支持向量機分類方法的推廣性較好，且分類速度快。
[0006]如果能夠跟據(jù)傳感器故障辨識的具體問題構(gòu)建符合條件的糾錯編碼，將糾錯編碼支持向量機分類方法用于此問題，則可以快速準確的對故障進行辨識。

【發(fā)明內(nèi)容】

[0007]為了提高傳感器故障辨識的準確性和實時性，本發(fā)明提供了一種基于糾錯編碼與支持向量機相結(jié)合的傳感器故障辨識方法，該方法中針對傳感器7種不同模式的信號，分別選取時域和頻域特征向量作為初始特征，從而將不同的故障模式區(qū)分出來。
[0008]基于糾錯編碼與支持向量機相結(jié)合的傳感器故障辨識方法，包括以下步驟:
[0009]步驟一、生成糾錯編碼:采用具有糾錯能力的編碼對類別進行編碼，將SVM作為分類器，根據(jù)預設規(guī)則，由Hadamard矩陣得到符合條件的糾錯編碼；[0010]步驟二、初始特征提取:提取傳感器輸出信號的時域和頻域信息，選取6個時域特征參量和3個頻域特征參量作為原始特征；
[0011]步驟三、特征提?。挥刹襟E一得到的糾錯編碼的每一列構(gòu)造一個SVM兩類分類器，將具有初始特征的樣本輸入各個SVM中分別進行訓練，得到每個分類器的決策函數(shù)，對決策函數(shù)進行Sigmoid變換，得到變換空間中新的特征；
[0012]步驟四、故障模式分類:根據(jù)步驟三編碼矩陣的每一列構(gòu)造一個SVM兩類分類器，將具有新特征參數(shù)的訓練樣本輸入到每個SVM中進行訓練，測試樣本輸入到訓練好的SVM中，各個分類器分別對樣本進行判別；分類器的輸出組成一個二元序列λΗλρ λ2，…，λ J，計算此序列和類別碼字間的漢明距離，最小距離對應的碼字所代表的類即為最終的判別結(jié)果。
[0013]步驟I所述的編碼中編碼矩陣的行之間不相關，列之間不相關且不互補。
[0014]本發(fā)明的有益效果:本發(fā)明能夠?qū)鞲衅髡ＤＪ脚c偏差、漂移、沖擊、周期性干擾、短路、開路6種典型的故障模式區(qū)分出來；實時性和分類正確率都得到了保證，且推廣性較好，特別是在小樣本輸入情況下體現(xiàn)出較大的優(yōu)勢。
【專利附圖】

【附圖說明】
[0015]圖1是傳感器故障辨識方法原理示意圖；
[0016]圖2是傳感器故障辨識方法流程圖。
【具體實施方式】
[0017]參照附圖1對本發(fā)明作進一步說明，本發(fā)明具體實現(xiàn)步驟如下:
[0018]第一步:信號預處理
[0019]采集7種狀態(tài)下的傳感器輸出數(shù)據(jù)各50組Xij (i = 1，2，…，7j=l，2，...，50)，為使提取的信號特征不受幅值的影響，首先對信號進行標準化處理:
[0020]
【權利要求】
1.基于糾錯編碼與支持向量機相結(jié)合的傳感器故障辨識方法，其特征在于，包括以下步驟: 步驟一、生成糾錯編碼:采用具有糾錯能力的編碼對類別進行編碼，將SVM作為分類器，根據(jù)預設規(guī)則，由Hadamard矩陣得到符合條件的糾錯編碼； 步驟二、初始特征提取:提取傳感器輸出信號的時域和頻域信息，選取6個時域特征參量和3個頻域特征參量作為原始特征； 步驟三、特征提取；由步驟一得到的糾錯編碼的每一列構(gòu)造一個SVM兩類分類器，將具有初始特征的樣本輸入各個SVM中分別進行訓練，得到每個分類器的決策函數(shù)，對決策函數(shù)進行Sigmoid變換,得到變換空間中新的特征； 步驟四、故障模式分類:根據(jù)步驟三編碼矩陣的每一列構(gòu)造一個SVM兩類分類器，將具有新特征參數(shù)的訓練樣本輸入到每個SVM中進行訓練，測試樣本輸入到訓練好的SVM中，各個分類器分別對樣本進行判別；分類器的輸出組成一個二元序列λ ={ λ P λ 2，…，λ η}，計算此序列和類別碼字間的漢明距離，最小距離對應的碼字所代表的類即為最終的判別結(jié)果O
2.如權利要求1所述的基于糾錯編碼與支持向量機相結(jié)合的傳感器故障辨識方法，其特征在于，步驟I所述的編碼中編碼矩陣的行之間不相關，列之間不相關且不互補。
【文檔編號】G06K9/62GK103514458SQ201310454681
【公開日】2014年1月15日 申請日期:2013年9月29日 優(yōu)先權日:2013年9月29日
【發(fā)明者】鄧方, 郭素, 顧曉丹, 孫健, 陳杰, 竇麗華, 陳文頡, 李鳳梅 申請人:北京理工大學