基于小波變換和DBN的汽車衡傳感器故障診斷

王春香， 李麗宏， 張　帝

(1.太原理工大學 信息工程學院，山西 太原 030024；2.國家電網(wǎng) 莘縣供電公司，山東 聊城 252000)

基于小波變換和DBN的汽車衡傳感器故障診斷

王春香1， 李麗宏1， 張帝2

(1.太原理工大學 信息工程學院，山西 太原 030024；2.國家電網(wǎng) 莘縣供電公司，山東 聊城 252000)

摘要:稱重傳感器作為動態(tài)汽車衡的核心部件，一旦發(fā)生故障將會對動態(tài)稱重系統(tǒng)造成嚴重影響。為了準確地對稱重傳感器進行故障診斷，提出了一種基于小波變換和深度信念網(wǎng)絡(DBN)的故障診斷方法。該方法不僅可以有效地判斷出傳感器信號是正常波動還是故障，還可以通過將DBN模型的預測值代替實測故障值，保證動態(tài)稱重系統(tǒng)輸出的準確性。通過仿真實驗證明：該方法能夠?qū)收蟼鞲衅鬟M行判別與估計，有效提高了動態(tài)稱重系統(tǒng)的精度。

關鍵詞:動態(tài)汽車衡； 傳感器故障診斷； 小波變換； 深度信念網(wǎng)絡

0引言

稱重傳感器作為動態(tài)汽車衡的重要組成部分，其工作的準確性和穩(wěn)定性直接關系到整個動態(tài)稱重系統(tǒng)的可靠運行。由于動態(tài)汽車衡每天要經(jīng)受成千上萬次的不均沖擊，并且稱重傳感器的使用環(huán)境不密封，易受外界環(huán)境因素影響，容易造成傳感器的形變和損壞，使傳感器的性能出現(xiàn)退化或者故障，因此,定期對傳感器進行檢測和校準非常有必要。但由于人工檢測和校準存在操作上的難度，眾多學者將各種智能算法應用到汽車衡傳感器的故障診斷中。文獻[1,2]分別將專家系統(tǒng)和徑向基函數(shù)神經(jīng)網(wǎng)絡引入汽車衡傳感器故障診斷中，能夠較準確地判定傳感器的好壞并預測異常信號的正常值。但是動態(tài)稱重傳感器的輸出信號出現(xiàn)異常并不一定都是由于傳感器故障造成，也有可能是系統(tǒng)的正常波動造成的，以上算法并不能對兩種情況作出準確的判斷。

文獻[3～5]指出小波變換后信號的局部極大值對應系統(tǒng)中的突變點，并對如何求取小波變換分解層數(shù)和閾值選擇進行了深入研究。基于此，本文將動態(tài)稱重傳感器的信號進行小波變換，通過高頻信號的局部極大值得到信號的突變點。用深度信念網(wǎng)絡(deepbeliefnetwork,DBN)建立起傳感器的輸入輸出模型，通過選擇合適的故障閾值，判別突變點對應的傳感器是故障還是系統(tǒng)波動，并且通過其他傳感器的信號值預測出正常情況下故障傳感器的輸出，實現(xiàn)了動態(tài)汽車衡的容錯控制，保證了稱重系統(tǒng)的準確性和穩(wěn)定性。

1動態(tài)汽車衡

動態(tài)汽車衡主要由稱重傳感器、秤體、接線盒和電子稱重儀表等構(gòu)成，與車輛分離器、輪軸識別器和計重柜共同構(gòu)成稱重系統(tǒng)。根據(jù)設計的稱量量程，動態(tài)汽車衡稱重傳感器數(shù)量一般為8～20只，一般選用橋式稱重傳感器，這些傳感器按一定的拓撲結(jié)構(gòu)分布在動態(tài)汽車衡秤臺臺面的下方。現(xiàn)在以18m長整車式動態(tài)汽車衡為例，共包含16只稱重傳感器，具體分布如圖1所示。

圖1　稱重傳感器分布圖Fig 1　Distribution of weighing sensors

整車式動態(tài)汽車衡秤體由上秤臺、中間秤臺和下秤臺構(gòu)成，上秤臺、中間秤臺和下秤臺分別由4只、10只和2只稱重傳感器支撐，傳感器的擺放位置為1#～16#。

整車式動態(tài)汽車衡工作流程如圖2，當車輛經(jīng)過動態(tài)汽車衡時，車輛分離器、輪軸識別器和多組稱重傳感器采集信號，將采集到的信號經(jīng)由數(shù)字接線盒傳到電子稱重儀表，電子稱重儀表將信號上傳給計算機，計算機通過小波變換和DBN對故障的傳感器進行判斷并預測出正常情況下信號的估計值，取代故障值，從而為動態(tài)稱重系統(tǒng)提供較準確的輸出。

圖2　汽車衡工作過程Fig 2　Working process of truck scale

2故障診斷系統(tǒng)

2.1小波變換

小波變換源于Fourier變換，是一種具有多分辨率分析的時間—頻率分析方法，通過取不同寬度的基函數(shù)，實現(xiàn)對原始信號在時域、頻域的分解[6]。小波變換具體公式為

(1)

其基函數(shù)就是小波函數(shù)，形如

(2)

式(2)的基函數(shù)需要滿足

(3)

設稱重傳感器的輸出信號為y=f[x(t)]。選取函數(shù)Ω(x)，使其導數(shù)為傳感器信號的小波基函數(shù)，即

(4)

(5)

由式(5)可以得到，其局部極大值對應著f×θ函數(shù)中增長最快的部分，亦即對應著傳感器輸出信號的突變值。對于動態(tài)稱重系統(tǒng)中的任意傳感器i，取其小波變換后的信號為Si，閾值為λi，當Si>λi時，便認為傳感器i的信號發(fā)生了突變。但造成突變的原因并不能確定，是系統(tǒng)的正常波動還是稱重傳感器故障造成的，需要進一步的進行分析。

2.2DBN

考慮到整車式汽車衡是由16只動態(tài)稱重傳感器構(gòu)成，并且各個稱重傳感器狀態(tài)之間擁有固定的函數(shù)關系，所以，可以利用DBN來模擬各傳感器之間的關系。DBN可以看作是帶有已訓練的初始權(quán)值的神經(jīng)網(wǎng)絡，由若干個受限玻耳茲曼機(RBM)組合而成的，圖3是由2個RBM構(gòu)成的DBN，其下層的RBM的輸出層是上層RBM的輸入層。RBM可以采用對比散度法實現(xiàn)逐層訓練，以達到理想的訓練精度。

圖3　DBN的結(jié)構(gòu)Fig 3　Structure of DBN

利用DBN實現(xiàn)傳感器故障診斷時，只考慮有1只稱重傳感器出現(xiàn)故障的情況。具體故障診斷過程如下：

1)利用16只稱重傳感器在正常工作狀態(tài)下的數(shù)據(jù)作為訓練集對DBN進行訓練。以其中1只傳感器的信號為輸出，其他15只傳感器的信號為輸入，這樣就可以得到16只稱重傳感器的DBN網(wǎng)絡訓練模型。

2)將小波變換鑒別出的可能出現(xiàn)問題的稱重傳感器i作為待檢測的傳感器。將其他15只傳感器的信號作為輸入得到第i個DBN模型的輸出，估計第i只傳感器正常工作時的輸出值據(jù)yp_i。

3)根據(jù)實際經(jīng)驗，人工設定傳感器i的故障閾值wi。通過比較傳感器的實際輸出yr_i與預測輸出yp_i的差值與故障閾值wi的關系來判定傳感器i是否發(fā)生故障。若|yr_i-yp_i|>wi，則認為傳感器發(fā)生故障；反之，認為傳感器沒有發(fā)生故障，只是正常的系統(tǒng)波動。

4)為了保證動態(tài)稱重系統(tǒng)的正常運行，若傳感器發(fā)生故障，用故障傳感器i的預測值yp_i代替此時的實際輸出yr_i。

利用此方法進行整車式汽車衡故障診斷，不僅能夠有效地區(qū)分傳感器故障和傳感器正常波動，還能通過DBN訓練模型預測的故障傳感器的輸出代替故障值，保證汽車衡的正常使用。

3實驗測試

以某高速路口測試數(shù)據(jù)為例，某車載重為4t，以30km/h的速度通過汽車衡，在4#傳感器動作過程中信號采樣如圖4，取18～25這8個有效樣點時刻4#傳感器正常稱重的重量內(nèi)碼，如表1，其中預測值是通過DBN模型得到的。

圖4　4#傳感器正常稱重采樣值Fig 4　Normal sampling value of sensor 4#

樣點12345678測量值39504050413442604115423443134084預測值39954050403440624015403440134054

經(jīng)過小波變換之后,4#傳感器在第5個采樣點時刻信號出現(xiàn)劇烈波動，如圖5，有可能是由于傳感器故障造成的。此時就需要將DBN模型輸出的預測值yp_4=4 005與實際測量值yr_4=6 115進行對比。根據(jù)實際經(jīng)驗取故障閾值w4=500，|yr_4-yp_4|=2 110>w4，因此,判定4#傳感器出現(xiàn)故障，為了保證動態(tài)汽車衡的精確性，用預測值代替此時的故障值。4#傳感器的預測值曲線如圖6。表2為故障沖擊/異常稱重傳感器的重量內(nèi)碼。

圖5　4#傳感器故障沖擊采樣值Fig 5　Fault impact sampling value of sensor 4#

圖6　4#傳感器的預測值Fig 6　Predicted value of sensor 4#

樣點12345678測量值39504050413442606115423443134084預測值39904045402341624005413444134354

大量測試證明：該方法對于故障傳感器的鑒別準確率大于94 %，能夠簡單有效地對動態(tài)汽車衡進行故障診斷。

4結(jié)論

為了有效實現(xiàn)對動態(tài)汽車衡稱重傳感器的故障診斷，本文提出了一種基于小波變換和DBN的稱重傳感器故障診斷方法。首先將傳感器信號進行小波變換，通過高頻信號中的突變值找到對應傳感器。然后通過DBN預測模型計算出該傳感器的預測值，通過實測值與預測值的對比，判斷傳感器信號是正常的系統(tǒng)波動還是發(fā)生故障，如果是傳感器故障,則用預測值代替實測值，保證稱重系統(tǒng)運作的精確性。測試證明:該方法具有較高的故障診斷準確率，實現(xiàn)了動態(tài)汽車衡的容錯控制。

參考文獻:

[1]楊靜,李麗宏.基于專家系統(tǒng)的汽車衡故障傳感器判別[J].傳感器與微系統(tǒng),2014,33(11):34-36.

[2]林海軍,滕召勝,遲海,等.基于信息融合的汽車衡稱重傳感器故障診斷[J].控制理論與應用,2010,27(1):25-31.

[3]Mallat S,Hwang W L.Singularity detection and processing with wavelets[J].IEEE Transactions on Information Theory,1992,38(2):617-643.

[4]Kozionov A,Kalinkin M,Natekin A,et al.Wavelet-based sensor validation: Differentiating abrupt sensor faults from system dynamics[C]∥IEEE International Symposium on Intelligent Signal Processing,IEEE,2011:1-5.

[5]Jayabharata Reddy M,Mohanta D K.A wavelet-fuzzy combined approach for classification and location of transmission line faults[J].International Journal of Electrical Power & Energy Systems,2007,29:669-678.

[6]鄭治真.小波變換及其Matlab工具的應用[M].北京：地震出版社，2001.

FaultdiagnosisoftruckscalesensorbasedonwavelettransformandDBN

WANGChun-xiang1,LILi-hong1,ZHANGDi2

(1.CollegeofInformationEngineering,TaiyuanUniversityofTechnology,Taiyuan030024,China；2.ShenxianElectricPowerSupplyCompany,StateGrid，Liaocheng252000,China)

Abstract:Weighing sensor is the key component of dynamic truck scale,once the sensor is failed in work,it will cause serious impact on dynamic weighing system.In order to diagnose fault of weighing sensor accurately,a fault diagnosis method is proposed based on wavelet transform and deep belief network(DBN).The method can not only judge whether the sensor signal is abnormal signal,but also can ensure output accuracy of dynamic weighing system by replacing value of fault by predicted value of DBN model.Simulation results show that this method can identify and estimate fault sensor and effectively improve precision of dynamic weighing system.

Key words:dynamic truck scale; fault diagnosis of sensor; wavelet transform; deep belief network(DBN)

DOI:10.13873/J.1000—9787(2016)04—0022—03

收稿日期：2015—08—11

中圖分類號:TP 274

文獻標識碼:A

文章編號:1000—9787(2016)04—0022—03

作者簡介:

王春香(1990-)，女，山東聊城人，碩士研究生，研究方向為傳感器檢測技術(shù)等方面。