摘要：在振動加速度檢測中，如果系統(tǒng)不能對傳感器連接狀態(tài)加以自動區(qū)分，將正常連接狀態(tài)下的數(shù)據(jù)和異常連接狀態(tài)下的數(shù)據(jù)全部存入數(shù)據(jù)庫，則必然會給數(shù)據(jù)庫增加不必要的負擔，造成數(shù)據(jù)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(tài)。對振動加速度檢測中傳感器四種連接狀態(tài)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(tài)的加速度信號數(shù)字特征，結合基于LDA的特征降維和最近鄰分類器來實現(xiàn)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(tài)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(tài)；自動識別；特征提?。唤彿?br />
0 引言
    在公路橋梁等大型結構健康監(jiān)測、機器狀態(tài)監(jiān)測等工作中，經(jīng)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(jiān)測系統(tǒng)包括：加速度傳感器、振動加速度采集卡、工控機、數(shù)據(jù)庫服務器等，如圖1所示。監(jiān)測系統(tǒng)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(tài)；監(jiān)測系統(tǒng)在調(diào)試階段，傳感器往往尚未連接至導線或采集板卡，也會表現(xiàn)為一種異常連接狀態(tài)。如果監(jiān)測系統(tǒng)不對傳感器連接狀態(tài)加以區(qū)分，將正常連接下的數(shù)據(jù)和異常連接下的數(shù)據(jù)全部存入數(shù)據(jù)庫，則必然會給數(shù)據(jù)庫增加不必要的負擔，造成數(shù)據(jù)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(tài)。
    本文考慮振動加速度傳感器以下四種連接狀態(tài)的區(qū)分：正常安裝連接狀態(tài)；傳感器安裝松脫狀態(tài)；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。

    文獻對傳感器自身是否存在故障的兩類分類問題進行討論。文獻對位移傳感器的線圈斷裂、短路等完全失效性故障和松動、線圈老化等部分失效性故障兩種情況的識別問題進行討論。文獻對振動傳感器的偏置、沖擊、短路、開路等硬故障和漂移、50 Hz周期干擾等軟故障兩種情況的識別問題進行討論。文獻對傳感器漂移、沖擊、干擾、短路、斷線等具體故障進行分類識別。目前，國內(nèi)外尚未發(fā)現(xiàn)對上面提到的振動加速度傳感器四種連接狀態(tài)進行自動識別問題進行討論的文獻。

1 加速度信號特征參數(shù)的定義
    文獻利用小波包分解提取各頻段的能量作為特征。本文通過觀察采集的大量振動加速度傳感器四種連接狀態(tài)下的信號的頻譜，提出了自己的一組參數(shù)作為識別的原始特征集。

    圖2為四種傳感器連接狀態(tài)下采集的加速度信號頻譜的示例。從圖中可看出，傳感器遠端斷開情況，由于線路較長，50Hz工頻干擾最大，見圖2(c)；對采集卡處斷開情況，沒有太突出的50 Hz工頻干擾，各種干擾和噪聲成分最為豐富和復雜，見圖2(d)；傳感器正常連接和傳感器松脫情況下的頻譜最相似，見圖2(a)和圖2(b)，相對而言，松脫狀態(tài)下的高頻稍弱一點。綜合考慮，定義了如下8個特征參數(shù)作為原始特征：
    (1)特征1、特征2、特征3分別為：0～45 Hz頻段能量，50 Hz能量，大于55 Hz頻段能量。
    (2)特征4、特征5、特征6分別為：0～45 Hz頻段能量在以上三個頻段總能量中的占比，50 Hz能量在三個頻段能量中的占比，大于55Hz頻段能量在三個頻段能量中的占比。
    (3)特征7：熵指標。將信號頻域譜線i的幅值Ai除以頻域所有譜線的幅值之和得到該譜線的廣義“概率”值pi，定義頻譜熵指標。此熵指標反映了頻域信號能量的集中和分散程度，頻譜能量分布越分散，則熵越大；圖1(d)昕示情況下的熵指標應最大。
    (4)特征8：重心頻率。在信號頻域定義譜重心頻率。此指標為整體上反映信號頻率高低的一個指標。

2 加速度特征參數(shù)的降維與連接狀態(tài)的分類識別
2．1 降維
    第1節(jié)定義的8個特征參數(shù)肯定有一定相關性，可通過特征變換來進一步降維，以提高分類識別的效率和推廣性。本文采用基于可分性判據(jù)的方法來進行特征變換降維，具體方法如下：
    (1)對獲得的四類連接狀態(tài)的8維用于學習的特征樣本，求樣本類內(nèi)離散度矩陣Si、總類內(nèi)離散度矩陣Sw、樣本類間離散度矩陣Sb。
    
    式中：Xi為第i類的樣本子集；mi為第i類的樣本子集的均值向量；Si為第i類樣本的類內(nèi)離散度矩陣；Pi為第i類樣本個數(shù)占總樣本個數(shù)的比例；Sw為總類內(nèi)離散度矩陣；D為類別數(shù)，這里為4；m為總均值向量；Sb為類間離散度矩陣。
    (2)求白化變換矩陣B及白化變換后樣本Y。基于Sw的特征值分解，確定消除原分量相關性的K-L變換矩陣U=(u1，u2，…，uD)和歸一化矩陣(Λ是Sw的本征值對角矩陣)，則有：
    
    (3)求白化變換后樣本的類問離散度矩陣。
    (4)基于的特征值分解，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(tài)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(tài)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(tài)下共采集50組數(shù)據(jù)，采樣率均為10 kHz，采樣長度為100 000個點。
    
    用四種狀態(tài)下的前30組數(shù)據(jù)進行學習。按第1節(jié)的方法計算這些數(shù)據(jù)的原始特征，形成8維的原始特征向量。按第2節(jié)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(shù)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(tài)的學習樣本在降維之后能完全分開。

    用四種狀態(tài)下的后20組數(shù)據(jù)進行分類測試。首先計算每組數(shù)據(jù)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(tài)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(tài)的8個特征，并結合基于可分性判據(jù)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(tài)(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(jiān)測、機器狀態(tài)監(jiān)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(tài)，可避免系統(tǒng)調(diào)試及使用過程中出現(xiàn)的異常連接數(shù)據(jù)進入數(shù)據(jù)庫，造成數(shù)據(jù)污染、增加數(shù)據(jù)庫負擔；同時，該方法也可為傳感器的檢修提供參考。