为了提高传感器故障诊断的准确性，提出了一种基于局部平均分解和载波矢量机融合的传感器故障诊断算法。先，局部均值分解方法将传感器输出信号分解为通过将包络信号与纯FM信号相乘得到的一系列PF分量，然后使用支持向量机。后，通过Matlab编程进行仿真实验。验结果表明，该方法可以更好地识别传感器故障，提高传感器故障诊断的稳定性和准确性。解当地平均值;支持向量机;传感器故障诊断;故障识别中图分类号：TN911.7？ 34; TP911文件代码：A货号：1004？ 373X（2017）03？ 0110？与支持向量机WU QinghaiAbstract 04Diagnostic分解传感器：为了提高传感器的故障时，基于所述局部平均的熔融分解的传感器故障诊断算法的诊断的准确性和支持向量机是用于将传感器输出信号的在一系列通过由纯FM信号的包络信号乘以PF组分的分解的局部平均proposé.La分解方法。持向量机（SVM）用于识别传感器故障。Matlab编程用于执行模拟比较实验。方法可以更好地识别传感器故障，提高传感器故障诊断的稳定性和准确性。
键词：局部均值分解，载波矢量机，传感器故障诊断.Gnosis：故障排除检测节点随机部署在目标视野中，以获得目标温度，光强度，噪声和压力，用于信息获取和目标监测。能家居，仓库控制和其他领域的领域已经证明了应用的良好价值。感器节点受到诸如物理环境和可能导致故障的通信中断等因素的影响。]。感器故障诊断原理是通过特征提取和故障信号分析进行故障类别识别，典型方法有：域分析和诊断方法，专家系统诊断方法，检测方法。频特性，自适应盲分离和故障节点定位。于识别人工神经网络的方法和方法[4]，但是当受到大的电磁杂波和串扰时，这些算法的检测精度受到限制[5-6]。了提高传感器的故障诊断的准确性，传感器故障诊断算法基于局部平均的分解和熔接机支撑是proposé.Les实验结果表明，该方法允许更好地识别传感器故障，提高诊断的稳定性和准确性。了进行传感器的智能故障诊断，首先收集传感器的故障信号，这是由目标监测区内传感器节点的信号异常引起的，如温度，压力等。音等传感器故障信号的物理特性的转换允许信号的转换，例如温度，压力和噪声[7]。用时域和频域分析方法构造传感器故障信号的采集模型，传感器故障信号的采集过程受到交叉项的严重干扰，不应存在的频率能量。置无线传感器网络结构模型如图1所示。据信道测量模型，通信节点覆盖区域[G]中的无线传感器网络信号传输模式是：[xs = WTsy]（1）其中[xs =xη1，xη2，…，xηNT，]表示收集的样本集。位区域内无线传感器节点的通信覆盖半径相同，从而可以在最大跳跃位置构建无线传感器网络的特征信号传输状态方程集群头节点：[X（K 1）=Φ（K）×（K） J（k）的M（k）的 W（K）]（2）其中：[（K）= [A （K）-J（k）的H（K）] W（K）=Γ（k）的W（K）-J（K）V（K）.J（K）=（K）B（k）的R-1 （k）]（3）此时，传感器网络信息融合[w（方差为k）]的检验统计量为：[Q（k）= E [w（k）wT（ K）] =（K）[Q（K）-B（K）R -1（k）的BT（K）]γT（K）]（4）根据传感器，所述协方差的最大值和最小值的要求[瓦特（k）]和[V（k）]等于[E [w（k）VT（k）] = 0，无线传感器故障信号的采样合并的方差满足：[E [ V（k）VT（k）] = R1v（k）D12（k）…… D1N（k）D21（k）R2v（k）… D2N（k）??? DN1（k）DN2（k）… RNv（k）：= RV（k）]（5）传感器故障信号的采集模型如下：[z（t）= x（t） IY（T）= A（t）的eiθ（T）]（6）其中：[α（T）= X2（t）的 Y 2（t）的，θ（T）= arctany（T）X（t）] （7）：[a（t）]和[θ（t）]是故障信号的包络和相位幅度信息，[a（t）]和[θ（t）]是串联的时间样本，即：[ZIK = HIK（XK，UK） VIK，I = 1，2，…，M]（8）其中：[HIK（XK，UK）]是脉冲响应函数; [vik]是噪声扰乱的术语。障信号具有噪声干扰项，并且需要滤波处理以提高信号的纯度。阶网络陷波滤波器用于信号滤波[8]。阶网络门的框图如图2所示。感器网络故障信号[x（k）]是一组具有不同频率能量分量的干扰信号， [y（k）]输出。据经验方法分解，滤波器频率点落在频率范围内的[X（k）时，可以有效地执行聚焦故障信号的能量和所述MFI获得分量由噪声取消;通过自适应自适应从输入[x（k）]中减去输出信号[y（k）]。[y（k）]可以得到残差信号的幅度[rn]; [x1（n）]是自适应级联滤波器的状态参数。置自适应级联滤波器[L]的抽头数[0 <μ<2LSmax] [Smax的]是由希尔伯特的MFI分量的滤波器系数变换，恒温阀芯使得自适应权重[W0 = 0 ，]接收故障信号。过滤的迭代模型如下：[θ1（K 1）=θ1（k）的-μRe[Y（K）*φ（K）]]（9）其中：[μ]为收敛的控制参数线性系统随时间变化; φ（k）]是故障信号的等待。用[Y（K）]和[θ1k用于自适应加权，提高了信号的滤波器传递函数如下：[HB（Z）=（1 sinθ2）cosθ2cosθ1（k）的cosθ2z-11 SINθ1 （k）的（1 sinθ2）Z-1 sinθ2z-2G（Z）〕（10）其中：[G（Z）= 1-sinθ221-Z-21 SINθ1（k）的（1 sinθ2）Z-1 sinθ2z-2]（11）输入传感器网络[u（k）]的故障信号由二阶陷波滤波器滤波，使故障信号之间的对应程度输出传感器和所述预期响应是最大的，所以[d（K）]表示经滤波的输出的误差信号的均方误差为获得如下：ε（K）= d（k）的-y（ K）= d（K）= 1 -i MWI（KI）]（12）考虑式（12）的两侧的数学期望的故障信号的网络上得到的抗干扰滤波器处理传感器，以最小化均方误差并改善能够分析故障信号。感器故障诊断算法的设计和故障信号局部平均分解的实现。感器的故障信号由局部均值分解形式表示[z（t） ]是卷积[X（t）的]和[1吨]，这是：[WDX（T，F）= XT τ2x*叔τ2e-j2πftdτ]（13）联合的时域和频域传感器故障信号并建立瞬时频率[9-11]的不变性，以反映信号中固有的故障信号。合时频峰分布[P（T，F）]进行局部平均时间轴为[N]个本地平均信号[x的分解组件的分解（t）的]：[r1-c2 = r2？ RN-1-CN = RN]（14）获取组件缺陷信号的振幅MFI [CN]或残留[RN]传感器阵列的并连续提取在滑动窗口中的误差信号的时间 – 频率特性。取的结果是：[x（t）= i = 1nci rn]（15）其中：[ci]表示局部均值分解的FMI分量; [rn]表示局部均值分解的残差函数。故障信号[x（t）]执行分数傅里叶变换，其形式为：[STFT（t，f）= – x（τ）h？ （Τ-t）e-j2πfτdτ]（16）其中：[τ]是局部极值窗口的函数; [f]是频率; [t]是当地时间尺度。部平均分解方法用于将传感器输出信号分解为通过将包络信号与纯FM信号相乘得到的一系列PF分量，表示为：[y（t） =1πPx（τ）t-τdτ= x（t）*1πt]（17）其中：[P]表示频率调制的Cauchy值; [X（τ）]表示在每个时期的IMF功能和平均值包络的固有图形的特点是：[SD = 0Th1 T =（K-1）（t）的-h1k（t）的2:21（K- 1）（t）]（18）因此提取故障信号的分量特性信息PF，并且提取的PF分量特性被认为是故障。断和故障分类识别的属性特征参数。佳分类是用于故障诊断的支持向量机，其具有支持向量机的分类，其自适应地对从传感器故障信号提取的分量特征PF进行分组。
持向量机的模型被描述为如下：[HJ（T）= HJ-1（t）的-mj-1（t）的]的故障信号在所述PF组分（19）输入的特性支持向量机模型并检查[hj-1（t）]和[hj（t）]。果满足确定误差的结束条件，即[SD = t = 0Th1（k-1）（t）-h1k（t）2h21（k-1）（t） ≤0，3]，如果满足，恒温阀芯由传感器节点所产生的信号具有显著差异指示所述传感器节点是有缺陷的节点和[CI（T）= HJ（T）]是纳阶段。过结合局部平均值和载波矢量机的分解，将复杂的传感器故障信号分解为多个包络信号和纯FM信号，并使用自适应分类故障特征。波矢量机用于故障的智能识别和诊断。3中描述了改进算法的实现流程。果的经验和分析无线传感器网络的大小是[A = 300 m×300 m]，传感器节点的总数是[N =] 4000并且无线传感器网络节点的辐射半径是[R = 20]。m，故障信号的采样频率为60 kHz，载波频率为3 kHz，故障信号分解的时间宽度为[Tp =] 0.2 s，起始频率为[F1 =] 150赫兹和终止频率为[F2 =] 250赫兹。
滤器参数设置为[σ2w= 1] [R = 0.8] [θ=]0.4π。个传感器错误条件的采样信号为40，总共2，000个样本。据不同的仿真环境和上述结构中，传感器故障诊断的仿真分析进行：首先，所述故障信号被收集，发送和接收的，并且被呈现在产生的信号的时域模型在图1中4.上述传感器传输的故障信号用作试验驱动器，进行故障诊断分析，过滤故障信号，滤波后的输出信号模型如下：在图5中可以看出，信号矢量用于有效地去除干扰矢量并提高输出信号的纯度。部平均分解方法用于将传感器输出信号分解为通过将包络信号与纯FM信号相乘而获得的一系列PF分量。络信号和纯FM信号在图6中示出。感器输出信号的局部平均分解函数由载波矢量机器支持以用于故障定位。
们可以在图7中看到，故障检测用的信号的此document.The PF组分的算法能精确定位故障的频率标度/时间进行，准确地提取故障特征传感器输出信号并定位故障节点。了定量比较算法的性能，采用算法和传统方法，将故障检测的准确性作为定量分析指标。较结果如表1所示。1中的结果表明了这一点。着信噪比的增加，故障诊断的准确性得到提高，一般来说，故障检测算法的准确性大于传统算法的准确性。论在提取特征和分析传感器传输信号的基础上，进行了故障分类。
出了一种基于局部平均分解和机器支持融合的传感器故障诊断算法。果表明，该算法具有较高的准确性和可靠性。好。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com