基于 EEMD 样本熵和 SRC 的自确认气体传感器故障诊断方法

• 作者: 刘晓东 姜守达 杨京礼 王祁 陈寅生
• 来源期刊: 系统工程与电子技术
• 学科: 工学
• 关键词: 自确认气体传感器 故障诊断 集合经验模态分解 样本熵 稀疏表示分类
• 年，卷（期）: 2016,（5）
• 所属期刊栏目: 可靠性
• 页码范围: 1215-1220
• 页数: 6页
• 分类号: TP206+.3
• 字数: 5222字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-506X.2016.05.37

摘要

针对非线性、非平稳情况下自确认气体传感器的故障诊断问题，提出了对传感器不同故障模式信号进行特征提取和智能识别的在线故障诊断方法。首先，该方法根据传感器信号的变化进行集合经验模态分解（ensem-ble empirical mode decomposition，EEMD），自适应地获得一组固有模态函数（intrinsic mode functions，IMFs），对每个IMF 及残余分量进行样本熵分析，提取传感器输出信号的完备特征；然后，利用稀疏表示分类（sparse representation-based classification，SRC）将各故障模式下训练样本的特征向量构成超完备字典。为了提高故障诊断方法的自适应能力，对 SRC 分类器进行在线更新。通过求解最小1范数约束问题，获得测试样本的稀疏表示系数，再由不同故障类型的重构误差确定测试样本归属，进行传感器故障类型识别。实验结果表明，与目前其他传感器故障诊断方法比较，本文提出的方法能够更显著地提取传感器故障信号特征，故障识别率提高4％以上，达到97．14％。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王祁	哈尔滨工业大学电气工程与自动化学院	135	1746	24.0	33.0
2	姜守达	哈尔滨工业大学电气工程与自动化学院	60	508	12.0	20.0
3	刘晓东	哈尔滨工业大学电气工程与自动化学院	24	176	9.0	12.0
4	陈寅生	哈尔滨工业大学电气工程与自动化学院	3	21	2.0	3.0
5	杨京礼	哈尔滨工业大学电气工程与自动化学院	14	57	5.0	6.0