SVR结合小波变换的SUH传感器故障诊断

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (20): 221-224.

SVR结合小波变换的SUH传感器故障诊断

吴康，韩波，李平

浙江大学工业控制技术研究所，杭州 310027

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-07-11 发布日期:2011-07-11

Fault detection and isolation for sensors on SUH based on SVR and wavelet transform

WU Kang，HAN Bo，LI Ping

Institute of Industrial Process Control，Zhejiang University，Hangzhou 310027，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-07-11 Published:2011-07-11

摘要/Abstract

摘要： 针对微小型无人直升机故障多、采样难且精确建模难度大的特点，将回归型支持向量机（SVR）引入到微小型无人直升机机载传感器的故障诊断中，提出了一种将SVR与离散小波变换（DWT）相结合的微小型无人直升机传感器故障检测与分离方法。利用回归型支持向量机（SVR）具有自学习和非线性映射能力强的特点，建立基于SVR的残差生成器并利用残差检测故障。在此基础上，利用小波变换实现对故障的隔离与定位。实验结果表明，将SVR与DWT相结合进行微小型无人直升机机载传感器的故障诊断是行之有效的。

关键词: 微小型无人直升机, 回归型支持向量机, 小波变换, 故障诊断

Abstract: In order to cope with the difficulties in multiple kinds of faults，data collection and precise modeling，Support Vector Regression（SVR） is introduced into the fault diagnosis of sensors on Small Unmanned Helicopters（SUH），and a new fault detection and isolation method based on Support Vector Regression（SVR） combined with Discrete Wavelet Transform（DWT） method is presented in this paper.With its strong capabilities in self learning and nonlinear mapping，SVR is used to build a residual generator to detect faults.Then，DWT is used to isolate the faulty sensor.The experiment result shows that the method is feasible and effective in the sensors fault detection and isolation.

Key words: Small Unmanned Helicopter（SUH）, Support Vector Regression（SVR）, Discrete Wavelet Transform（DWT）, fault detection and isolation

吴康，韩波，李平. SVR结合小波变换的SUH传感器故障诊断[J]. 计算机工程与应用, 2011, 47(20): 221-224.

WU Kang，HAN Bo，LI Ping. Fault detection and isolation for sensors on SUH based on SVR and wavelet transform[J]. Computer Engineering and Applications, 2011, 47(20): 221-224.

[1]	林荣来，汤冰影，陈明. 适用于轴承故障诊断的数据增强算法[J]. 计算机工程与应用, 2021, 57(7): 269-278.
[2]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[3]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[4]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[5]	钱文博，熊建斌，岑健，王颀，余得正，吴润杰. 建筑电气系统故障诊断综述[J]. 计算机工程与应用, 2021, 57(16): 27-39.
[6]	唐登平，蔡文嘉，邹立，胡翔，丁黎，王雪. 改进卷积神经网络在互感器故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(11): 239-247.
[7]	衷路生，刘东东. 多级神经网络的轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(7): 193-199.
[8]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[9]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[10]	余萍，曹洁. 深度学习在故障诊断与预测中的应用[J]. 计算机工程与应用, 2020, 56(3): 1-18.
[11]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[12]	毛彪，杨松，李英顺. 改进动态因果图与模糊推理融合故障诊断方法[J]. 计算机工程与应用, 2020, 56(3): 259-265.
[13]	唐魏，郑源，潘虹，徐晶珺. 引入动态调节学习率的SAE轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(20): 264-269.
[14]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[15]	王卉，李英顺. 改进型证据更新规则的动态故障诊断算法[J]. 计算机工程与应用, 2020, 56(2): 261-265.