基于小波变换和DBN的地磅传感器故障诊断

称重传感器作为动态地磅的核心部件，一旦发生故障将会对动态称重系统造成严重影响。为了准确地对称重传感器进行故障诊断，提出了一种基于小波变换和深度信念网络( DBN) 的故障诊断方法。该方法不仅可以有效地判断出传感器信号是正常波动还是故障，还可以通过将 DBN 模型的预测值代替实测故障值，保证动态称重系统输出的准确性。通过仿真实验证明: 该方法能够对故障传感器进行判别与估计，有效提高了动态称重系统的精度。
0引言
称重传感器作为动态地磅的重要组成部分,其工作的准确性和稳定性直接关系到整个动态称重系统的可靠运行。由于动态地磅每天要经受成千上万次的不均冲击,并且称重传感器的使用环境不密封,易受外界环境因素影响,容易造成传感器的形变和损坏,使传感器的性能出现退化或者故障,因此,定期对传感器进行检测和校准非常有必要。但由于人工检测和校准存在操作上的难度,众多学者将各种智能算法应用到地磅传感器的故障诊断中。文献分别将专家系统和径向基函数神经网络引入地磅传感器故障诊断中,能够较准确地判定传感器的好坏并预测异常信号的正常值。但是动态称重传感器的输出信号出现异常并不一定都是由于传感器故障造成,也有可能是系统的正常波动造成的,以上算法并不能对两种情况作出准确的判断。
文献指出小波变换后信号的局部极大值对应系统中的突变点,并对如何求取小波变换分解层数和阈值选择进行了深入研究。基于此,本文将动态称重传感器的信号进行小波变换,通过高频信号的局部极大值得到信号的突变点。用深度信念网络(deep belief network,DBN)建立起传感器的输入输出模型，，通过选择合适的故障阈值，判别突变点对应的传感器是故障还是系统波动，并且通过其他传感器的信号值预测出正常情况下故障传感器的输出，实现了动态地磅的容错控制，保证了称重系统的准确性和稳定性。
1.动态地磅
动态地磅主要由称重传感器、秤体、接线盒和电子称重仪表等构成，与车辆分离器、轮轴识别器和计重柜共同构成称重系统。根据设计的称量量程，动态汽车衡称重传感器数量一般为 8 ～ 20 只，一般选用桥式称重传感器，这些传感器按一定的拓扑结构分布在动态地磅秤台台面的下方。现在以 18 m 长整车式动态地磅为例，共包含 16 只称重传感器，具体分布如图 1 所示。

整车式动态地磅秤体由上秤台、中间秤台和下秤台构成，上秤台、中间秤台和下秤台分别由 4 只、10 只和 2 只称重传感器支撑，传感器的摆放位置为 1# ～ 16#。
整车式动态地磅工作流程如图 2，当车辆经过动态地磅时，车辆分离器、轮轴识别器和多组称重传感器采集信号，将采集到的信号经由数字接线盒传到电子称重仪表，电子称重仪表将信号上传给计算机，计算机通过小波变换和 DBN 对故障的传感器进行判断并预测出正常情况下信号的估计值，取代故障值，从而为动态称重系统提供较准确的输出。

2.故障诊断系统

2． 1 小波变换

小波变换源于 Fourier 变换，是一种具有多分辨率分析的时间—频率分析方法，通过取不同宽度的基函数，实现对原始信号在时域、频域的分解。小波变换具体公式为

由式( 5) 可以得到，其局部极大值对应着 f × θ 函数中增长最快的部分，亦即对应着传感器输出信号的突变值。对于动态称重系统中的任意传感器 i，取其小波变换后的信号为 Si ，阈值为 λi ，当 Si ＞ λi 时，便认为传感器 i 的信号发生了突变。但造成突变的原因并不能确定，是系统的正常波动还是称重传感器故障造成的，需要进一步的进行分析。

2． 2 DBN

考虑到整车式地磅是由 16 只动态称重传感器构成，并且各个称重传感器状态之间拥有固定的函数关系，所以，可以利用 DBN 来模拟各传感器之间的关系。DBN 可以看作是带有已训练的初始权值的神经网络，由若干个受限玻耳兹曼机( ＲBM) 组合而成的，图 3 是由 2 个ＲBM 构成的DBN，其下层的ＲBM 的输出层是上层ＲBM 的输入层。

ＲBM 可以采用对比散度法实现逐层训练，以达到理想的训练精度。
利用 DBN 实现传感器故障诊断时，只考虑有 1 只称重传感器出现故障的情况。具体故障诊断过程如下:

1) 利用 16 只称重传感器在正常工作状态下的数据作为训练集对 DBN 进行训练。以其中 1 只传感器的信号为输出，其他 15 只传感器的信号为输入，这样就可以得到16 只称重传感器的 DBN 网络训练模型。

2) 将小波变换鉴别出的可能出现问题的称重传感器 i作为待检测的传感器。将其他 15 只传感器的信号作为输入得到第 i 个 DBN 模型的输出，估计第 i 只传感器正常工作时的输出值据 yp_i 。

3) 根据实际经验，人工设定传感器 i 的故障阈值 wi 。

通过比较传感器的实际输出 yr_i 与预测输出 yp_i 的差值与故
障阈值 wi 的关系来判定传感器 i 是否发生故障。若 | yr_i －

yp_i | ＞ wi ，则认为传感器发生故障; 反之，认为传感器没有发生故障，只是正常的系统波动。

4) 为了保证动态称重系统的正常运行，若传感器发生故障，用故障传感器 i 的预测值 yp_i 代替此时的实际输出yr_i 。
利用此方法进行整车式地磅故障诊断，不仅能够有效地区分传感器故障和传感器正常波动，还能通过 DBN 训练模型预测的故障传感器的输出代替故障值，保证地磅的正常使用。
3 .实验测试

4.结论
为了有效实现对动态地磅称重传感器的故障诊断，本文提出了一种基于小波变换和 DBN 的称重传感器故障诊断方法。首先将传感器信号进行小波变换，通过高频信号中的突变值找到对应传感器。然后通过 DBN 预测模型计算出该传感器的预测值，通过实测值与预测值的对比，判断传感器信号是正常的系统波动还是发生故障，如果是传感器故障，则用预测值代替实测值，保证称重系统运作的精确性。测试证明: 该方法具有较高的故障诊断准确率，实现了动态地磅的容错控制。

上一篇：浅谈数字地磅故障分析与处理下一篇：汽车衡加载状态与检定结果研究

精品推荐

更多…