基于EMD和SVM的传感器故障诊断方法(20字以内)（二号黑体）题目冯志刚1，王祁2，信太克规2（四号楷体）作者名(1.沈阳航空工业学院自动化学院，沈阳110136，fzg1023@yeah.net;2.哈尔滨工业大学自动化测试与控制系，哈尔滨150001)摘要：为了解决自确认压力传感器的故障诊断问题，提出了一种基于经验模式分解（EMD）和支持向量机（SVM）的传感器故障诊断方法，该方法对传感器输出信号进行经验模态分解，将其分解为若干个固有模态函数（IMF），对每个IMF通过一定的削减算法增强故障特征，然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量，以此作为输入来建立支持向量多分类机，判断传感器的故障类型。通过压力传感器的故障诊断结果表明，该方法能有效的应用于传感器的故障诊断中。关键词：经验模态分解；支持向量机；特征提取；传感器故障诊断中图分类号：TH133;TP183SensorfaultdiagnosisbasedonempiricalmodedecompositionandsupportvectormachinesFENGZhi-gang1,WANGQi2,SHIDAKatsunori2(1.DepartmentofAutomation,ShenyangInstituteofAeronauticalengineering,Shenyang110136,China,fzg1023@yeah.net;2.DepartmentofAutomaticMeasurementandControl,HarbinInstituteofTechnology,Harbin150001,China)Abstract:Tosolvethefaultdiagnosisproblemofself-validatingpressuresensor,asensorfaultdiagnosisapproachbasedonempiricalmodedecomposition(EMD)methodandsupportvectormachines(SVM)isproposed.TheEMDmethodisusedtodecomposethesensoroutputsignalintoanumberofintrinsicmodefunction(IMF)componentsandaresiduecomponent.Withsomecuttingalgorithm,theIMFswithfaultcharacterarestrengthened.Afterthat,theenergyofeachIMFandresiduecomponent,andtheaveragecuttingratioofalltheIMFsandresiduecomponentarecalculated,whichareregardedasthefeaturevector.Then,thesupportvectormachinesformulti-classificationusedasfaultclassifiersareestablishedtoidentifytheconditionandfaultpatternofthesensor.Practicalexampleofpressuresensorshowsthattheproposedapproachcanbeappliedtothesensorfaultdiagnosiseffectively.Keywords:Empiricalmodedecomposition;Supportvectormachines;Featureextraction;Sensorfaultdiagnosis此时，传感器输出信号是非平稳的，信号频率成分比较丰富，采用单纯的时域分析或者频域分析都不能有效的检测出信号的故障特征。为此国内外学者将时-频分析方法应用于传感器故障信号的特征提取中，文献[1]对传感器输出信号进行小波变换，在不同的尺度上计算信号发生故障前后能量的变化率来检测压力传感器的各种故障。文献[2]利用小波包分解提取各个节点的能量，然后利用RBF(径向基函数)神经网络进行传感器故障诊断。经验模态分解方法(empiricalmodedecomposition,EMD)[3]是最近提出的一种新的信号时-频分析的方法，该方法基于信号的局部特征时间尺度，可以把信号分解成若干个固有模态函数(intrinsicmodefunction,IMF)之和，分解出的各个IMF分量突出了数据的局部特征，对其分析可以更准确有效的把握传感器信号的故障特征信息，并且EMD分解方法已经成功的应用于机械故障诊断的特征提取中[4,5]。本文利用EMD方法，将传感器输出信号分解为若干个IMF分量，对每个IMF分量通过一定的削减算法增强故障特征，计算每个IMF分量和残余项的能量以及整个信号的削减比作为特征向量，然后利用支持向量多分类机识别传感器故障类型，该方法有效的改善了传统分类方法的缺陷，如文献[2]中神经网络结构的选择、易陷入局部极小点、过学习问题等，具有非常优异的泛化、推广能力，特别是在小样本输入情况下，体现出更大的优势。1经验模态分解与特征提取1.1经验模态分解EMD方法由NordenE.Huang于1998年提出[3]，该方法适用于分析和处理非线性、非平稳随机信号，并且迅速在水波研究、地震学及机械设备故障诊断中得到了应用。该方法可将任意信号分解为若干个本征模态分量和一个残余项，使本征模态分量成为满足以下2个条件的函数或信号：(1)在整个数据序列中，极值点...