小波分析故障论文..docVIP

小波分析对传感器的故障诊断检测 摘要：小波变换作为信号处理的一种手段，逐渐被越来越多领域的理论工作者和工程技术人员所重视和应用，并在许多应用中取得了显著的效果。同传统的处理方法相比，小波变换产生了质的飞跃，在信号处理方面具有更大优势。比如小波分析可以用于电力负载信号的分析与处理，小波变换可以用于语言信号的分析、变换和综合，还可以检测噪声中未知瞬态信号等。由于传感器内部元部件参数的突变,导致传感器输出信号的突变,会造成传感器突发型故障。输出响应突变信号的频带较宽,包含低频分量和高频分量,本文采用小波将故障传感器输出响应突变信号进行多层分解,进行信号检测,获得信号的突变点对应于其小波的极大值,从而判断出传感器有无突发型故障。采用MATLAB仿真,结果表明了传感器突发型故障小波检测技术的有效。传感器是获取信息信号的重要工具，在控制系统中，传感器的输出信号受多种因素的影响，常发生突变，信号的突变时刻被称为信号的奇异点。这些奇异点数值包含有重要的故障信息，因此，对突变信号进行检测和处理，是传感器故障诊断的关键load leleccum; （%装载采集的信号leleccum.mat） index=2200:3600; （%将信号中第2200到3600个采样点赋给s） s=leleccum(index); figure(1); （%画出原始信号） plot(index,s); xlabel(样本序号 n); ylabel(幅值 A); [c,l]=wavedec(s,5, db3); （%用db3小波进行5层分析） d5=wrcoef(d,c,l, db3,5); （%构造第1—5层细节系数） d4=wrcoef(d,c,l, db3,4); d3=wrcoef(d,c,l, db3,3); d2=wrcoef(d,c,l, db3,2); d1=wrcoef(d,c,l, db3,1); figure(2) （%显示细节系数） subplot(3,1,1); plot(index,d3, LineWidth,2); ylabel(d3); subplot(3,1,2); plot(index,d2, LineWidth,2); ylabel(d2); subplot(3,1,3); plot(index,d1, LineWidth,2); ylabel(d1); xlabel(样本序号 n); 将程序输入matlab环境中，然后输出电力伏在信号波形及小波分解后高频波形（如图1和图2）。 根据图1和图2分析，采集的电力负载信号波形图如图1所示，从图中可以看出在两个黑圆圈之间的信号出现异常，这是由于传感器故障造成的，为了更清楚的揭示这种故障，利用db3小波对其进行5层分析，得到的第1层到第3层细节信号如图2所示。可以看出：每个细节信号都显示了在t=2400和t=3600之间的信号由于传感器故障而引入了传感器误差噪声。 从所得结果来看，仿真故障检测效果良好，小波分析对传感器的故障诊断方法简单、快速、效果显著、精度高、对系统要求低，有很强的研究价值。由Matlab仿真结果可以看出，结合小波分析和神经网络对传感器故障进行诊断，效果更加显著，相信会是今后这一领域的一个重要发展方向。 总而言之，小波分析方法作为现代信号检测的强大工具之一，它在传感器故障诊断领域具有极佳的推广价值。 图1：采集的电力负载信号波形 图2：小波分解后的高频波形 总结：目前，关于小波理论在传感器故障诊断领域的研究是一项值得关注和研究的技术。第一，传感器故障及其在工业生产中的危害以及对它进行故障诊断的必要性；第二，小波分析理论在故障诊断领域的应用很重要；第三，基于小波分析及其与神经网络相结合在传感器故障诊断方法的优势很大。该方法应用到机械设备故障的诊断中，快速实现故障的正确诊断，对于提高机械设备工作的稳定性具有十分重要的意义。