哈佛大学毕业论文格式模板
基于EMD和SVM的传感器故障诊断方法
20字以内(2号黑体)冯志刚1、满意大炮、信太克规2(4号楷体) )。
1 .沈阳航空工业学院自动化学院，沈阳110136，fzg1023@yeah.net；
2 .哈尔滨工业大学自动化测试与控制系，哈尔滨150001
摘要：为了解决自确认压力传感器的故障诊断问题，提出了一种基于经验模态分解(EMD )和支持向量机(SVM )的传感器故障诊断方法。 该方法对传感器输出信号进行经验模态分解，并将其分解为几个本征模态函数(IMF ) )，对各IMF用一定的缩减算法增强故障特征，然后以各IMF和剩余项能量与信号总体缩减比作为特征向量计算的压力传感器故障诊断结果
关键词：经验模式分解； 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，在自动智能化系统中起着重要的作用。 其测量结果直接影响系统的运行，影响分析决策的准确性，尤其是在化工、航天测试系统中，一旦传感器发生故障，后果不堪设想，因此检测和诊断传感器故障非常重要。 当传感器发生故障时，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、漂移和输出定值。 此时，传感器输出信号是非平稳的，信号的频率分量比较丰富，单纯的时域分析和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]对传感器输出信号进行小波变换，在不同尺度下计算信号故障前后的能量变化率来检测压力传感器的各种故障。 文献[2]利用小波包分解提取各节点能量，然后利用RBF径向基函数神经网络对传感器进行故障诊断。 经验模态分解方法empirical mode decomposition，EMD [3]是最近提出的一种新的时频分析方法，该方法基于信号的局部特征时间尺度，将信号转换为几个本征模态函数分解后的各IMF分量增强了数据的局部特征，对其分析能够更准确有效地掌握传感器信号的故障特征信息，并且EMD分解方法已经成功地进行了机械故障诊断的特征提取[ 4，5 ]。 本文利用EMD方法，将传感器输出信号分解为若干IMF分量，对各IMF分量通过一定的缩减算法增强故障特征，计算各IMF分量与剩余项能量和信号整体缩减比作为特征向量，并利用支持向量多分类机对传感器故障数据进行分类该方法有效地改善了传统分类方法的缺点，如文献[2]的神经网络结构选择、容易陷入局部极小点、过度学习问题等
1经验模态分解与特征提取
1.1经验性模式分解
EMD方法由Norden E. Huang于1998年提出[3]。 该方法适用于非线性、非平稳随机信号的分析与处理，并迅速应用于水波研究、地震学及机械设备故障诊断。 该方法可以将任何信号分解为几个本征模分量和一个剩余项，使本征模分量成为满足以下两个条件的函数或信号：
在整个1个数据序列中，极值点的数量和过零点的数量必须相等，或者最多相差1个。
2在任何一点上，由数据序列局部极大值点决定的上包络线和由局部极小值点决定的下包络线的平均值都为零，即信号相对于时间轴局部对称.
EMD降解的本质是筛选过程，具体步骤请参考文献[3-4]。 分解后，原始信号可以表示为：
即，EMD能够将任意一个信号分解为基本模式分量与剩馀项之和，如果各个分量包含信号的从高频带到低频带的分量，则表示信号的中心倾向。
1.2特征提取
以传感器失效时输出信号的6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和输出定值stuck。 具体的信号表现形式如图1所示。
图1传感器故障时输出信号的六种典型表现形式
当传感器失效时，输出信号会产生瞬变，在频域内会出现某种或几种频率分量的能量变化，因此可以将EMD分解后各IMF分量的能量作为特征提取出来。 图2是具有偏差故障的传感器信号被EMD分解后的各IMF成分和残留项的波形图。 发现偏置信号的特征反映在各IMF成分中，为了强调特征，削减了分解后的各IMF成分和残差项。 图3是图1的削减结果，可知通过各IMF成分强调了偏置信号的特征。
在进行EMD分解之前对信号进行了标准化，以使提取出的特征不受传感器输出信号的振幅的影响。 具体的特征提取步骤如下。
1标准化传感器信号：
这里，表示传感器输出信号