自动化生产线中异常控制信号的检测方法研究与仿真

李 丽

（天津工程职业技术学院，天津 300280）

自动化生产线中异常控制信号的检测方法研究与仿真

李 丽

（天津工程职业技术学院，天津 300280）

本文提出一种基于haar小波-SVM的自动化生产中异常控制信号的检测方法。对自动化生产线中控制信号样本进行分帧处理，利用haar小波对控制信号样本进行变换，利用SVM对控制信号中的异常控制信号进行准确分类，从而实现了异常控制信号的检测。进行仿真实验，实验结果令人满意。

自动化生产线 控制信号 检测

引言

随着工业技术的不断发展，自动化生产线更新换代的速度也越来越快，网络化、智能化和复杂度也越来越高，对自动化生产线的控制也提出了更高的要求[1]。自动化生产线中的控制信号一旦发生异常，将会降低工业产品的质量，给人们造成重大的经济损失。因此，如何对自动化生产线中异常控制信号进行及时检测和调整，已经成为当前工控领域中的一个研究热点[2]。传统的异常控制信号检测方法具体检测周期长、成本高，且需要停机检测。为此，提出一种基于haar小波-SVM的自动化生产中异常控制信号的检测方法。

1 自动化生产线中异常控制信号的检测原理

在自动化生产线中，异常控制信号与正常控制信号之间的频域会表现出很大不同，这种不同主要体现在频域的能量分布方面。因此，可以将频域中能量分布的差异性特征作为自动化生产线中异常控制信号的分类依据，从而实现异常控制信号的检测。文中自动化生产线中异常控制信号的检测过程分为三步：第一步，采集自动化生产线中的控制信号作为检测样本，对样本信号进行分帧处理；第二步，利用haar小波的方法对每一帧控制信号进行变换处理，控制信号在频域上的向量表现形式，并将其作为控制信号分类器的输入量；第三步，利用控制信号的分类器对样本信号进行实时分类。

1.1 控制信号的分帧处理

在自动化生产线中，有些异常控制信号持续的时间会很短，因此需要通过合适的窗对信号样本进行分帧处理。假设窗设置的过大，将会增加运算量，降低检测的效率。本文中，以2s长的矩形窗对信号样本进行分帧处理，设置样本信号的采样率为32000Hz，则在此采样率下每帧信号中的采样点的数目为65536个，信号帧之间会存在部分重叠。

1.2 利用haar小波对控制信号样本进行变换

Haar小波能够对控制信号进行多尺度分析。在不同尺度下，控制信号能够反映不同频率区间的信息。控制信号在频域中能量分布的不同能够用小波系数表示，因此可将小波系数作为异常控制信号分类的依据。文中利用双滤波器的方法对控制信号进行小波变换。样本信号经过高、低通滤波器后，能够得到信号的高频分量的细节系数（用CD表示）和低频信号的整体系数（用CA表示）。

Haar小波变换的分解公式为：

其中，h为控制信号样本s长度的1/2。式中的前半段能够描述控制信号的总体情况，后半段能够描述控制信号的细节。此外，可以以迭代的方式对控制信号进行分解。

设置某一帧控制信号中共包含65536个采样点，利用haar小波对其进行分解，分解的层数为10层，分解后的结果为CAi,CDi(i=1:10)。接着，对前7层中的整体系数CDi(i=1:7)进行细分，得到整体系数CDia(i=1:7)和细节系数CDib(i=1:7)。利用下述公式分别对CA10，CDia,CDib(i=1:7)和CDi(i=8:10)的均方根进行计算：

最后，得到的此控制信号帧的向量形式x为：

1.3 异常控制信号的分类与检测

SVM算法能够描述控制信号特征空间的非线性特征，因此可以用SVM算法构建自动化生产线中异常控制信号的分类器。自动化生产线中，异常控制信号的分类的本质是一个优化问题，其公式为：

其中，l为控制信号样本的数目，c为控制信号特征在特征空间的中心，v∈[0,1]为可调系数。v的值越小，超球体中的采样点就越多；v的值越大，超球体的体积R2就越小，超球体内采样点的数目就越少。选择合适的核函数K，能够对控制信号进行非线性变换φ。文中采用的核函数为高斯函数，形式为：K(x,x1)=exp(-||x-x1||2/δ2)。其中，x和δ分别为核函数的中心和宽度。

利用lagrangian（拉格朗日）算子法能够对异常信号的分类问题转换为对偶问题：

利用此公式求解出αi，对每帧控制信号进行Haar小波变换，能够得到此控制信号样本的特征，从而实现自动化生产线中异常控制信号的准确分类与检测。

分类器的表达形式为：

2 仿真实验

在matlab7.1平台上构建仿真实验环境，对本文方法进行实验。实验数据来源于汽车轮胎自动生产线中的控制信号。为了验证本文方法的优越性，利用传统的SVM算法进行了对比。实验结果表明，利用本文方法进行异常控制信号的检测，获得的检测准确率为98.7%，利用传统方法进行异常控制信号的检测，获得的检测准确率为87.3%。可见，本文方法比传统方法提高了11个百分点，取得了令人满意的结果。

3 结束语

本文提出一种基于基于haar小波-SVM的自动化生产中异常控制信号的检测方法。通过仿真实验能看出，利用本文方法能够对自动化生产线中异常控制信号进行准确检测，具有一定的参考价值。

[1]朱小刚，陈大可.强震动冲击环境下的网络异常信号检测仿真[J].计算机仿真，2015，（1）：344-348.

[2]李炜，黄倩.基于小波时频分析的心音异常信号检测[J].电子设计工程，2015，（6）：41-43.

Research and Simulation on Detection Method of Abnormal Control Signal in Automatic Production Line

LI Li
(Tianjin Engi neering Technical Institute, Tianjin 300280)

In this paper, a method based on Haar wavelet -SVM is proposed for the detection of abnormal control signals in automatic production. The signal sample control sub frame processing in the automatic production line, to transform the control signal samples using Haar wavelet, the accurate classification of abnormal signal in the signal control control using SVM, so as to realize the detection of abnormal control signal. Simulation experiment is carried out, and the results are satisfactory.

automatic production line, control signal, detection