基于小波变换和DBN的汽车衡传感器故障诊断

王春香， 李丽宏， 张　帝

(1.太原理工大学 信息工程学院，山西 太原 030024；2.国家电网 莘县供电公司，山东 聊城 252000)

基于小波变换和DBN的汽车衡传感器故障诊断

王春香1， 李丽宏1， 张帝2

(1.太原理工大学 信息工程学院，山西 太原 030024；2.国家电网 莘县供电公司，山东 聊城 252000)

摘要:称重传感器作为动态汽车衡的核心部件，一旦发生故障将会对动态称重系统造成严重影响。为了准确地对称重传感器进行故障诊断，提出了一种基于小波变换和深度信念网络(DBN)的故障诊断方法。该方法不仅可以有效地判断出传感器信号是正常波动还是故障，还可以通过将DBN模型的预测值代替实测故障值，保证动态称重系统输出的准确性。通过仿真实验证明：该方法能够对故障传感器进行判别与估计，有效提高了动态称重系统的精度。

关键词:动态汽车衡； 传感器故障诊断； 小波变换； 深度信念网络

0引言

称重传感器作为动态汽车衡的重要组成部分，其工作的准确性和稳定性直接关系到整个动态称重系统的可靠运行。由于动态汽车衡每天要经受成千上万次的不均冲击，并且称重传感器的使用环境不密封，易受外界环境因素影响，容易造成传感器的形变和损坏，使传感器的性能出现退化或者故障，因此,定期对传感器进行检测和校准非常有必要。但由于人工检测和校准存在操作上的难度，众多学者将各种智能算法应用到汽车衡传感器的故障诊断中。文献[1,2]分别将专家系统和径向基函数神经网络引入汽车衡传感器故障诊断中，能够较准确地判定传感器的好坏并预测异常信号的正常值。但是动态称重传感器的输出信号出现异常并不一定都是由于传感器故障造成，也有可能是系统的正常波动造成的，以上算法并不能对两种情况作出准确的判断。

文献[3～5]指出小波变换后信号的局部极大值对应系统中的突变点，并对如何求取小波变换分解层数和阈值选择进行了深入研究。基于此，本文将动态称重传感器的信号进行小波变换，通过高频信号的局部极大值得到信号的突变点。用深度信念网络(deepbeliefnetwork,DBN)建立起传感器的输入输出模型，通过选择合适的故障阈值，判别突变点对应的传感器是故障还是系统波动，并且通过其他传感器的信号值预测出正常情况下故障传感器的输出，实现了动态汽车衡的容错控制，保证了称重系统的准确性和稳定性。

1动态汽车衡

动态汽车衡主要由称重传感器、秤体、接线盒和电子称重仪表等构成，与车辆分离器、轮轴识别器和计重柜共同构成称重系统。根据设计的称量量程，动态汽车衡称重传感器数量一般为8～20只，一般选用桥式称重传感器，这些传感器按一定的拓扑结构分布在动态汽车衡秤台台面的下方。现在以18m长整车式动态汽车衡为例，共包含16只称重传感器，具体分布如图1所示。

图1　称重传感器分布图Fig 1　Distribution of weighing sensors

整车式动态汽车衡秤体由上秤台、中间秤台和下秤台构成，上秤台、中间秤台和下秤台分别由4只、10只和2只称重传感器支撑，传感器的摆放位置为1#～16#。

整车式动态汽车衡工作流程如图2，当车辆经过动态汽车衡时，车辆分离器、轮轴识别器和多组称重传感器采集信号，将采集到的信号经由数字接线盒传到电子称重仪表，电子称重仪表将信号上传给计算机，计算机通过小波变换和DBN对故障的传感器进行判断并预测出正常情况下信号的估计值，取代故障值，从而为动态称重系统提供较准确的输出。

图2　汽车衡工作过程Fig 2　Working process of truck scale

2故障诊断系统

2.1小波变换

小波变换源于Fourier变换，是一种具有多分辨率分析的时间—频率分析方法，通过取不同宽度的基函数，实现对原始信号在时域、频域的分解[6]。小波变换具体公式为

(1)

其基函数就是小波函数，形如

(2)

式(2)的基函数需要满足

(3)

设称重传感器的输出信号为y=f[x(t)]。选取函数Ω(x)，使其导数为传感器信号的小波基函数，即

(4)

(5)

由式(5)可以得到，其局部极大值对应着f×θ函数中增长最快的部分，亦即对应着传感器输出信号的突变值。对于动态称重系统中的任意传感器i，取其小波变换后的信号为Si，阈值为λi，当Si>λi时，便认为传感器i的信号发生了突变。但造成突变的原因并不能确定，是系统的正常波动还是称重传感器故障造成的，需要进一步的进行分析。

2.2DBN

考虑到整车式汽车衡是由16只动态称重传感器构成，并且各个称重传感器状态之间拥有固定的函数关系，所以，可以利用DBN来模拟各传感器之间的关系。DBN可以看作是带有已训练的初始权值的神经网络，由若干个受限玻耳兹曼机(RBM)组合而成的，图3是由2个RBM构成的DBN，其下层的RBM的输出层是上层RBM的输入层。RBM可以采用对比散度法实现逐层训练，以达到理想的训练精度。

图3　DBN的结构Fig 3　Structure of DBN

利用DBN实现传感器故障诊断时，只考虑有1只称重传感器出现故障的情况。具体故障诊断过程如下：

1)利用16只称重传感器在正常工作状态下的数据作为训练集对DBN进行训练。以其中1只传感器的信号为输出，其他15只传感器的信号为输入，这样就可以得到16只称重传感器的DBN网络训练模型。

2)将小波变换鉴别出的可能出现问题的称重传感器i作为待检测的传感器。将其他15只传感器的信号作为输入得到第i个DBN模型的输出，估计第i只传感器正常工作时的输出值据yp_i。

3)根据实际经验，人工设定传感器i的故障阈值wi。通过比较传感器的实际输出yr_i与预测输出yp_i的差值与故障阈值wi的关系来判定传感器i是否发生故障。若|yr_i-yp_i|>wi，则认为传感器发生故障；反之，认为传感器没有发生故障，只是正常的系统波动。

4)为了保证动态称重系统的正常运行，若传感器发生故障，用故障传感器i的预测值yp_i代替此时的实际输出yr_i。

利用此方法进行整车式汽车衡故障诊断，不仅能够有效地区分传感器故障和传感器正常波动，还能通过DBN训练模型预测的故障传感器的输出代替故障值，保证汽车衡的正常使用。

3实验测试

以某高速路口测试数据为例，某车载重为4t，以30km/h的速度通过汽车衡，在4#传感器动作过程中信号采样如图4，取18～25这8个有效样点时刻4#传感器正常称重的重量内码，如表1，其中预测值是通过DBN模型得到的。

图4　4#传感器正常称重采样值Fig 4　Normal sampling value of sensor 4#

样点12345678测量值39504050413442604115423443134084预测值39954050403440624015403440134054

经过小波变换之后,4#传感器在第5个采样点时刻信号出现剧烈波动，如图5，有可能是由于传感器故障造成的。此时就需要将DBN模型输出的预测值yp_4=4 005与实际测量值yr_4=6 115进行对比。根据实际经验取故障阈值w4=500，|yr_4-yp_4|=2 110>w4，因此,判定4#传感器出现故障，为了保证动态汽车衡的精确性，用预测值代替此时的故障值。4#传感器的预测值曲线如图6。表2为故障冲击/异常称重传感器的重量内码。

图5　4#传感器故障冲击采样值Fig 5　Fault impact sampling value of sensor 4#

图6　4#传感器的预测值Fig 6　Predicted value of sensor 4#

样点12345678测量值39504050413442606115423443134084预测值39904045402341624005413444134354

大量测试证明：该方法对于故障传感器的鉴别准确率大于94 %，能够简单有效地对动态汽车衡进行故障诊断。

4结论

为了有效实现对动态汽车衡称重传感器的故障诊断，本文提出了一种基于小波变换和DBN的称重传感器故障诊断方法。首先将传感器信号进行小波变换，通过高频信号中的突变值找到对应传感器。然后通过DBN预测模型计算出该传感器的预测值，通过实测值与预测值的对比，判断传感器信号是正常的系统波动还是发生故障，如果是传感器故障,则用预测值代替实测值，保证称重系统运作的精确性。测试证明:该方法具有较高的故障诊断准确率，实现了动态汽车衡的容错控制。

参考文献:

[1]杨静,李丽宏.基于专家系统的汽车衡故障传感器判别[J].传感器与微系统,2014,33(11):34-36.

[2]林海军,滕召胜,迟海,等.基于信息融合的汽车衡称重传感器故障诊断[J].控制理论与应用,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]郑治真.小波变换及其Matlab工具的应用[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

中图分类号:TP 274

文献标识码:A

文章编号:1000—9787(2016)04—0022—03

作者简介:

王春香(1990-)，女，山东聊城人，硕士研究生，研究方向为传感器检测技术等方面。