哈哈工业大学毕业论文格式模板
基于EMD和SVM传感器故障诊断方法
20字以内 (二号黑体) 冯志刚1，王 祁2，信太克规2(4号楷体)
1.沈阳航空工业学院 沈阳110136自动化学院，fzg1023@yeah.net;
2.哈尔滨工业大学 哈尔滨150001
摘 为了解决压力传感器自确认的故障诊断问题，提出了基于经验模式的分解(EMD)支持向量机(SVM)该方法分解了传感器输出信号的经验模态，并将其分解为几个固有模态函数(IMF)，对每个IMF故障特征通过一定的削减算法增强，然后计算每个IMF以残余能量和整个信号的减少比为特征向量，建立支持向量多分类机作为输入，判断传感器的故障类型。压力传感器的故障诊断结果表明，该方法可以有效地应用于传感器的故障诊断。
关键词：经验模态分解；支持向量机；特征提取；传感器故障诊断；
传感器作为信息获取的来源，在自动化、智能化的系统中发挥着重要作用。其测量结果直接影响系统的运行、分析和决策的正确性，特别是在化工和航天测试系统中，一旦传感器出现故障，后果将难以想象。因此，检测和诊断传感器故障非常重要。当传感器出现故障时，传感器输出信号主要表现为偏差、冲击、周期性干扰、噪声干扰、漂移和输出恒定值。此时，传感器输出信号不稳定，信号频率成分丰富。简单的时域分析或频域分析无法有效检测信号的故障特征。为此，国内外学者将时频分析方法应用于传感器故障信号的特征提取，文献[1]小波转换传感器输出信号，计算不同尺度信号故障前后的能量变化率，检测压力传感器的各种故障。文献[2]利用小波包分解提取每个节点的能量RBF 径向基函数 神经网络诊断传感器故障。经验模态分解方法 empirical mode decomposition, EMD [3]是最近提出的一种新的信号时-频分析的方法，该方法基于信号的局部特征时间尺度，可以把信号分解成若干个固有模态函数 intrinsic mode function, IMF 之和，分解的每一个IMF重量突出了数据的局部特征，其分析可以更准确掌握传感器信号的故障特征信息，EMD分解方法已成功应用于机械故障诊断特征提取[4,5]。本文利用EMD该方法将传感器输出信号分解成几个IMF重量，对每一个IMF通过一定的减少算法增强故障特征，计算每个重量IMF该方法有效地改善了传统分类方法的缺陷，传感器故障类型，有效改善了传统分类方法的缺陷，如文献[2]中神经网络结构的选择，容易陷入局部极小点，学习问题等，具有优异的泛化和推广能力，特别是在小样本输入的情况下，反映了更大的优势。
1 经验模态分解和特征提取
1.1 经验模态分解
EMD方法由Norden E. Huang 该方法适用于分析和处理非线性、不稳定的随机信号，并迅速应用于水波研究、地震学和机械设备故障诊断。该方法可将任何信号分解为多个模态重量和残余项，使模态重量成为满足以下两个条件的函数或信号：
1 在整个数据序列中，极值点的数量必须等于或多于零点。
2 在任何一点上，由数据序列的局部极大值确定的上包线和由局部极小值确定的下包线的平均值为零，即时间轴上的局部对称信号。
EMD分解的本质是一个筛选过程，具体的步骤见文献[3-4]。经过分解后，原始信号可表示为：
即EMD任何信号都可以分解为基本模态重量和残余项之和。重量包含信号从高到低不同频率段的组成部分，表示信号的中心趋势。
1.2 特征提取
本文以传感器故障时，输出信号的六种典型形式为例进行研究，包括：偏差 bias ，冲击 spike ，周期性干扰 cyclic ，噪声干扰 erratic ，漂移 drift 输出恒定值 stuck 。如图1所示。
图1 传感器故障时输出信号的六种典型表现形式
当传感器出现故障时，输出信号会产生一些瞬态，表现为频域中某种或多种频率成分能量的变化，因此可以提取EMD分解后各个IMF能量作为重量的特征。图2是通过偏差故障的传感器信号EMD分解后各个IMF分量和残余波形图。偏差信号的特征可以看到IMF它反映在重量上。为了增强特性，分解后的每一个IMF减少了重量和残余项。图3是图1的减少结果。可以看出，偏差信号的特征在于每个IMF体重增加了。
为了使提取的特性不受传感器输出信号振幅值的影响EMD信号在分解准化信号。具体特征提取步骤如下:
1 标准化传感器信号：
其中，表示传感器输出信号