本文選題：傳感器　切入點(diǎn)：狀態(tài)分類　出處：《西安科技大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：傳感器作為自動化測試與控制系統(tǒng)的基礎(chǔ)設(shè)備,為系統(tǒng)采集和提供數(shù)據(jù),其輸出結(jié)果對于后續(xù)的數(shù)據(jù)分析、數(shù)據(jù)處理、系統(tǒng)運(yùn)行等很多方面的監(jiān)控與決策都有著舉足輕重的影響。并且一旦傳感器發(fā)生了異常,輕則會使系統(tǒng)喪失監(jiān)控能力,重則會造成難以估計(jì)的損失。因此,傳感器故障與否,其輸入輸出特性是否發(fā)生變化,對于整個(gè)系統(tǒng)而言至關(guān)重要。本文針對傳感器使用過程中可能產(chǎn)生的異常狀況開展了以下研究:首先,搭建實(shí)驗(yàn)平臺。以水廠的水泵系統(tǒng)為應(yīng)用背景,選取電動機(jī)常用的壓電式三軸振動傳感器作為研究對象,采集復(fù)雜環(huán)境下多組有代表性的振動加速度信號。并對其進(jìn)行清洗、采樣、整合處理,存入數(shù)據(jù)庫以備查詢和后續(xù)分析。其次,建立傳感器狀態(tài)分類模型。本文根據(jù)傳感器可能出現(xiàn)的異常,提出將傳感器狀態(tài)歸納分類為安全狀態(tài)、干擾狀態(tài)、沖擊狀態(tài)和偏差狀態(tài)四種情況,直觀地描述和反應(yīng)傳感器狀態(tài);采用小波包分解的特征提取方法進(jìn)行三層分解,在時(shí)域和頻域上將振動信號以能量特征的形式進(jìn)行描述。然后,利用支持向量機(jī)、極限學(xué)習(xí)機(jī)和在線序貫極限學(xué)習(xí)機(jī)算法分別建立了振動傳感器狀態(tài)分類模型。針對支持向量機(jī)“過擬合”現(xiàn)象,結(jié)合交叉驗(yàn)證法,改善其泛化能力;對比極限學(xué)習(xí)機(jī)算法隱含層神經(jīng)元個(gè)數(shù)和激活函數(shù)的不同選擇對分類準(zhǔn)確率的影響,尋找模型最優(yōu)參數(shù);從貼近實(shí)際工程使用角度出發(fā),建立了改進(jìn)的在線序貫極限學(xué)習(xí)機(jī)分類模型。并分別對三種分類模型進(jìn)行實(shí)驗(yàn)驗(yàn)證,對比分析表明,構(gòu)造的在線序貫極限學(xué)習(xí)機(jī)模型分類結(jié)果優(yōu)于前兩種。最后,設(shè)計(jì)實(shí)現(xiàn)振動傳感器在線監(jiān)測系統(tǒng)。將虛擬儀器LabVIEW與DAQmx、MATLAB軟件相結(jié)合,實(shí)現(xiàn)了數(shù)據(jù)實(shí)時(shí)采集與存儲、傳感器當(dāng)前狀態(tài)顯示、異常狀態(tài)預(yù)警和歷史數(shù)據(jù)查詢功能。結(jié)果表明,本文所設(shè)計(jì)的振動傳感器狀態(tài)分類模型及在線監(jiān)測系統(tǒng)為傳感器實(shí)時(shí)監(jiān)測、日常維護(hù)和管理提供理論參考及設(shè)計(jì)指導(dǎo),具有深遠(yuǎn)的應(yīng)用推廣價(jià)值。
[Abstract]:As the basic equipment of the automatic test and control system, the sensor collects and provides the data for the system. Monitoring and decision-making in many aspects, such as system operation, play an important role. And once the sensor is abnormal, the light will make the system lose the monitoring ability, and the heavy will cause incalculable losses. Therefore, the sensor failure or not, It is very important for the whole system whether the input and output characteristics change. In this paper, the following researches have been carried out on the abnormal conditions that may occur during the use of the sensor: first of all, Taking the water pump system as the application background, the piezoelectric three-axis vibration sensor, which is commonly used in the motor, is selected as the research object, and many representative vibration acceleration signals are collected under the complex environment, and the vibration acceleration signals are cleaned. Sampling, integrating processing, storing in database for query and subsequent analysis. Secondly, the sensor state classification model is established. According to the possible anomalies of sensor, the sensor state is classified into security state and interference state. The state of sensor is described and reacted intuitively under the four conditions of shock state and deviation state. The feature extraction method of wavelet packet decomposition is used to decompose the vibration signal into three layers, and the vibration signal is described in the form of energy feature in time domain and frequency domain. The state classification model of vibration sensor is established by using support vector machine (SVM), extreme learning machine (LLM) and online sequential LLM algorithm. The overfitting phenomenon of SVM is combined with cross verification method to improve its generalization ability. Comparing the influence of the number of hidden layer neurons and the activation function of the LLM algorithm on the classification accuracy, the optimal parameters of the model are found. An improved online sequential extreme learning machine classification model is established, and three classification models are verified by experiments. The comparison and analysis show that the classification results of the online sequential limit learning machine model are better than those of the first two models. The on-line monitoring system of vibration sensor is designed and implemented. The virtual instrument LabVIEW and DAQmxX MATLAB software are combined to realize real-time data acquisition and storage, sensor current state display, abnormal state warning and historical data query function. The vibration sensor state classification model and on-line monitoring system designed in this paper provide theoretical reference and design guidance for sensor real-time monitoring, daily maintenance and management, and have far-reaching application and popularization value.
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP212;TP274

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張美蘭;金煒東;孫永奎;王江麗;;基于多重分形去趨勢波動分析的高速列車運(yùn)行狀態(tài)識別方法[J];計(jì)算機(jī)應(yīng)用研究;2015年10期

2 龍瀅;裘曉峰;;基于滑動窗口的單傳感器數(shù)據(jù)異常檢測[J];軟件;2014年12期

3 孫毅剛;劉靜雅;趙珍;;加權(quán)在線貫序極限學(xué)習(xí)機(jī)算法及其應(yīng)用[J];計(jì)算機(jī)工程與設(shè)計(jì);2014年10期

4 孫毅剛;劉靜雅;趙珍;;基于極限學(xué)習(xí)機(jī)的航空發(fā)動機(jī)傳感器故障診斷[J];傳感器與微系統(tǒng);2014年08期

5 馬宏偉;王增強(qiáng);陶美華;毛清華;張旭輝;;軸承振動信號特征提取及故障診斷研究[J];煤礦機(jī)械;2014年07期

6 謝曉明;;HUMS在某型直升機(jī)上的應(yīng)用[J];中國科技信息;2013年14期

7 周東華;魏慕恒;司小勝;;工業(yè)過程異常檢測、壽命預(yù)測與維修決策的研究進(jìn)展[J];自動化學(xué)報(bào);2013年06期

8 奇云;;美國“航天飛機(jī)時(shí)代”畫上句號[J];科技潮;2012年06期

9 朱海龍;劉鵬;劉家鋒;唐降龍;;人群異常狀態(tài)檢測的圖分析方法[J];自動化學(xué)報(bào);2012年05期

10 楊晶晶;;在線極限學(xué)習(xí)機(jī)及其在圖像識別中的應(yīng)用[J];電子產(chǎn)品世界;2012年04期

相關(guān)博士學(xué)位論文 前3條

1 李棟;基于免疫系統(tǒng)的小樣本在線學(xué)習(xí)異常檢測與故障診斷方法[D];上海大學(xué);2014年

2 宋凱;金屬氧化物半導(dǎo)體氣體傳感器氣體檢測關(guān)鍵問題研究[D];哈爾濱工業(yè)大學(xué);2011年

3 張冀;基于多源信息融合的傳感器故障診斷方法研究[D];華北電力大學(xué)（河北）;2008年

相關(guān)碩士學(xué)位論文 前7條

1 牛廣行;基于振動信號分析的工況監(jiān)測系統(tǒng)研制[D];哈爾濱工業(yè)大學(xué);2016年

2 韓寶珠;基于小波分析和在線極限學(xué)習(xí)機(jī)的滾動軸承故障診斷方法研究[D];北京交通大學(xué);2016年

3 劉靜雅;基于極限學(xué)習(xí)機(jī)的航空發(fā)動機(jī)傳感器故障診斷研究[D];中國民航大學(xué);2015年

4 徐鵬;自確認(rèn)傳感器故障診斷及數(shù)據(jù)恢復(fù)方法研究[D];哈爾濱工業(yè)大學(xué);2014年

5 朱虹;基于核密度估計(jì)的環(huán)境傳感器數(shù)據(jù)流異常檢測方法[D];浙江農(nóng)林大學(xué);2014年

6 劉京;實(shí)時(shí)狀態(tài)監(jiān)測系統(tǒng)的開發(fā)與研究[D];華中科技大學(xué);2007年

7 蔣玲莉;多功能集成式振動信號采集與分析系統(tǒng)設(shè)計(jì)[D];湖南科技大學(xué);2007年

，

本文編號：1634215