振動加速度檢測中傳感器連接狀態的自動識別

摘要：在振動加速度檢測中，如果系統不能對傳感器連接狀態加以自動區分，將正常連接狀態下的數據和異常連接狀態下的數據全部存入數據庫，則必然會給數據庫增加不必要的負擔，造成數據污染；另外，為了傳感器檢修的便利，也有必要自動識別傳感器的連接狀態。對振動加速度檢測中傳感器四種連接狀態的自動識別方法進行了研究：定義了表征不同傳感器連接狀態的加速度信號數字特征，結合基于LDA的特征降維和最近鄰分類器來實現自動識別。實驗顯示，提出的振動加速度傳感器四種連接狀態的自動識別方法是有效的。
關鍵詞：振動加速度檢測；傳感器連接狀態；自動識別；特征提取；近鄰法

0 引言
在公路橋梁等大型結構健康監測、機器狀態監測等工作中，經常需要檢測振動加速度信號。一個典型的振動加速度在線監測系統包括：加速度傳感器、振動加速度采集卡、工控機、數據庫服務器等，如圖1所示。監測系統在傳感器正常安裝和連接后，有時可能會由于施工等原因造成傳感器松脫、傳感器導線中斷等異常連接狀態；監測系統在調試階段，傳感器往往尚未連接至導線或采集板卡，也會表現為一種異常連接狀態。如果監測系統不對傳感器連接狀態加以區分，將正常連接下的數據和異常連接下的數據全部存入數據庫，則必然會給數據庫增加不必要的負擔，造成數據污染。另外，為了方便傳感器的檢修，也有必要自動識別傳感器的連接狀態。
本文考慮振動加速度傳感器以下四種連接狀態的區分：正常安裝連接狀態；傳感器安裝松脫狀態；遠端(圖1中A點)處傳感器未連接上導線；近端(圖1中B點)處導線未連接上采集卡。

的特征值分解，確定K-L變換的本征向量U’和本征值Λ’，取d個最大本征值對應的本征向量為W，即W=[u1，u2，…，ud]，后文取d=3。
(5)求特征變換降維后的最終樣本Y1。令Y1=W’Y則得到降維后的樣本。
2．2 分類識別
基于降維后的學習樣本，可以設計分類器，以對傳感器四種連接狀態進行分類識別。本文采用簡單有效而被廣泛采用的近鄰法(Nearest Neighbor Classification)來進行分類。即將降維后的學習樣本作為標準樣本，將每次新獲得的8維原始樣本通過預先確定的降維矩陣B和W降維為待檢樣本；然后，在標準樣本中找出與待檢樣本距離最近的樣本，將其類別確定為待檢樣本的類別。

3 實驗與結果
實驗是用一ICP加速度傳感器檢測工控機開機時上表面的振動，采集卡采用的是NI公司的4474卡，見圖1。實驗中模擬的加速度傳感器的四種連接狀態的具體形式是：
(1)傳感器吸在工控機上表面并與4474正常連接；
(2)傳感器松放在工控機上表面并與4474正常連接；
(3)傳感器端與導線的接頭斷開；
(4)4474端與導線的接頭斷開。每種狀態下共采集50組數據，采樣率均為10 kHz，采樣長度為100 000個點。

用四種狀態下的前30組數據進行學習。按第1節的方法計算這些數據的原始特征，形成8維的原始特征向量。按第2節的方法分別求出白化變換矩陣B、本征向量U’和本征值Λ’；從式(6)中的最后三個特征值很大可知，降維后的維數應取d=3。降維后的最終學習樣本集Y1(3×120矩陣)見圖3。由圖3可知，四類連接狀態的學習樣本在降維之后能完全分開。

用四種狀態下的后20組數據進行分類測試。首先計算每組數據的8個原始特征，基于學習階段確定的降維矩陣對每個樣本進行降維，這里降為3維；然后，與標準樣本——學習樣本進行一一比對。結果顯示，方法對四種狀態下的每個測試樣本都能正確分類識別，測試正確率為100％。

4 結論
本文定義了表征振動加速度傳感器連接狀態的8個特征，并結合基于可分性判據的特征降維和近鄰法分類，形成了識別振動加速度傳感器四種連接狀態(正常連接、松脫、遠端導線斷開、近端導線斷開)的一種方法或者說途徑。實驗顯示所提方法切實有效。相信該方法在結構健康監測、機器狀態監測等中大有可為，通過自動識別振動加速度傳感器的連接狀態，可避免系統調試及使用過程中出現的異常連接數據進入數據庫，造成數據污染、增加數據庫負擔；同時，該方法也可為傳感器的檢修提供參考。