关 闭

新闻中心

EEPW首页 > 工控自动化 > 设计应用 > 振动加速度检测中传感器连接状态的自动识别

振动加速度检测中传感器连接状态的自动识别

作者:时间:2012-08-07来源:网络收藏

摘要:在中,如果系统不能对加以自动区分,将正常下的数据和异常下的数据全部存入数据库,则必然会给数据库增加不必要的负担,造成数据污染;另外,为了检修的便利,也有必要的连接状态。对四种连接状态的方法进行了研究:定义了表征不同连接状态的信号数字特征,结合基于LDA的特征降维和最近邻分类器来实现。实验显示,提出的加速度传感器四种连接状态的自动识别方法是有效的。
关键词:振动加速度;传感器连接状态;自动识别;特征提取;近邻法

0 引言
在公路桥梁等大型结构健康监测、机器状态监测等工作中,经常需要检测振动加速度信号。一个典型的振动加速度在线监测系统包括:加速度传感器、振动加速度采集卡、工控机、数据库服务器等,如图1所示。监测系统在传感器正常安装和连接后,有时可能会由于施工等原因造成传感器松脱、传感器导线中断等异常连接状态;监测系统在调试阶段,传感器往往尚未连接至导线或采集板卡,也会表现为一种异常连接状态。如果监测系统不对传感器连接状态加以区分,将正常连接下的数据和异常连接下的数据全部存入数据库,则必然会给数据库增加不必要的负担,造成数据污染。另外,为了方便传感器的检修,也有必要自动识别传感器的连接状态。
本文考虑振动加速度传感器以下四种连接状态的区分:正常安装连接状态;传感器安装松脱状态;远端(图1中A点)处传感器未连接上导线;近端(图1中B点)处导线未连接上采集卡。

本文引用地址:http://www.eepw.com.cn/article/160154.htm

的特征值分解,确定K-L变换的本征向量U’和本征值Λ’,取d个最大本征值对应的本征向量为W,即W=[u1,u2,…,ud],后文取d=3。
(5)求特征变换降维后的最终样本Y1。令Y1=W’Y则得到降维后的样本。
2.2 分类识别
基于降维后的学习样本,可以设计分类器,以对传感器四种连接状态进行分类识别。本文采用简单有效而被广泛采用的近邻法(Nearest Neighbor Classification)来进行分类。即将降维后的学习样本作为标准样本,将每次新获得的8维原始样本通过预先确定的降维矩阵B和W降维为待检样本;然后,在标准样本中找出与待检样本距离最近的样本,将其类别确定为待检样本的类别。

3 实验与结果
实验是用一ICP加速度传感器检测工控机开机时上表面的振动,采集卡采用的是NI公司的4474卡,见图1。实验中模拟的加速度传感器的四种连接状态的具体形式是:
(1)传感器吸在工控机上表面并与4474正常连接;
(2)传感器松放在工控机上表面并与4474正常连接;
(3)传感器端与导线的接头断开;
(4)4474端与导线的接头断开。每种状态下共采集50组数据,采样率均为10 kHz,采样长度为100 000个点。
f.JPG
用四种状态下的前30组数据进行学习。按第1节的方法计算这些数据的原始特征,形成8维的原始特征向量。按第2节的方法分别求出白化变换矩阵B、本征向量U’和本征值Λ’;从式(6)中的最后三个特征值很大可知,降维后的维数应取d=3。降维后的最终学习样本集Y1(3×120矩阵)见图3。由图3可知,四类连接状态的学习样本在降维之后能完全分开。

g.JPG


用四种状态下的后20组数据进行分类测试。首先计算每组数据的8个原始特征,基于学习阶段确定的降维矩阵对每个样本进行降维,这里降为3维;然后,与标准样本——学习样本进行一一比对。结果显示,方法对四种状态下的每个测试样本都能正确分类识别,测试正确率为100%。

4 结论
本文定义了表征振动加速度传感器连接状态的8个特征,并结合基于可分性判据的特征降维和近邻法分类,形成了识别振动加速度传感器四种连接状态(正常连接、松脱、远端导线断开、近端导线断开)的一种方法或者说途径。实验显示所提方法切实有效。相信该方法在结构健康监测、机器状态监测等中大有可为,通过自动识别振动加速度传感器的连接状态,可避免系统调试及使用过程中出现的异常连接数据进入数据库,造成数据污染、增加数据库负担;同时,该方法也可为传感器的检修提供参考。



评论


相关推荐

技术专区

关闭