基于t-SNE降維和KNN算法的波浪傳感器故障診斷方法

摘要：針對波浪傳感器故障診斷困難、故障類型無法識(shí)別、診斷耗時(shí)長的問題，提出一種基于小波包分解、降維與k-近鄰算法（k-nearest neighbor algorithm，KNN）分類網(wǎng)絡(luò)的波浪傳感器故障診斷方法。首先將原始信號(hào)進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化處理，然后對標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行小波包3層分解，將分解后的第3層8個(gè)頻帶上的數(shù)據(jù)進(jìn)行歸一化處理，作為提取的特征向量，采用t-SNE降維算法對特征數(shù)據(jù)進(jìn)行降維，最后將降維后的特征數(shù)據(jù)輸入到KNN分類網(wǎng)絡(luò)中進(jìn)行故障分類檢測。實(shí)驗(yàn)結(jié)果表明，該方法能夠提高波浪傳感器故障診斷的準(zhǔn)確度和診斷速度，對正常狀態(tài)和6種故障狀態(tài)的診斷準(zhǔn)確率能夠達(dá)到93.55%。

關(guān)鍵詞：波浪傳感器；小波包分解；t-SNE非線性降維算法；k-近鄰算法；故障診斷

中圖分類號(hào)：TP83 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1002-4026（2023）04-0001-09

開放科學(xué)（資源服務(wù)）標(biāo)志碼（OSID）：

Wave sensor fault diagnosis method based on t-SNE reduction and KNN algorithm

TAI Peng^a，b， SONG Miaomiao^a，b*，WANG Bo^a，b， CHEN Shizhe^a，b， FU Xiao^a，b， HU Wei^a，b，

GAO Saiyu^a，b， CHENG Kaiyu^a，b， ZHENG Shanshan^a，b， JIAO Zixuan^a，b， WANG Longfei^a，b

（a. College of Marine Technology and Science； b. Institute of Marine Instrumentation， Qilu University of Technology （Shandong Academy of Sciences）， Qingdao 266300， China）

Abstract∶This study proposes an efficient wave sensor fault diagnosis method based on wavelet packet decomposition， dimension reduction， and k-nearest neighbor algorithm（KNN） classification network to address the difficulty of wave sensor fault diagnosis， unidentifiable fault types， and time-consuming diagnosis. First， the standard deviation of the original signal is normalized. The normalized data is then subjected to a three-layer wavelet packet decomposition. The extracted feature vectors represent normalized data from the eight bands on layer 3. The second step involves using the t-distributed stochastic neighbor embedding （t-SNE） algorithm to reduce the dimension of the feature data. Finally， the dimension-reduced feature data is input into the KNN classification network for fault classification and detection. Experimental results show that the proposed method can improve the accuracy and diagnosis speed of the wave sensor fault diagnosis， with a diagnosis accuracy of up to 93.55% for normal and six faulty conditions.

Key words∶wave sensor; wavelet packet decomposition; t-SNE dimension reduction; k-nearest neighbor algorithm; fault diagnosis

隨著海洋觀測技術(shù)的不斷發(fā)展，利用先進(jìn)的海洋監(jiān)測儀器可以監(jiān)測到準(zhǔn)確的水文氣象數(shù)據(jù)。波浪是一種重要海洋環(huán)境要素，其數(shù)據(jù)質(zhì)量取決于波浪傳感器的穩(wěn)定性和可靠性。傳感器發(fā)生故障會(huì)影響監(jiān)測數(shù)據(jù)的完整性和準(zhǔn)確性^［1］，當(dāng)監(jiān)測位置處于重要海域時(shí)，還將關(guān)系到軍事及國防安全。因此，通過波浪傳感器的觀測數(shù)據(jù)對其進(jìn)行故障診斷，及時(shí)發(fā)現(xiàn)傳感器存在的問題，對于重要海域浮標(biāo)上波浪傳感器的維護(hù)具有重要意義。

波浪傳感器輸出的信號(hào)是不平穩(wěn)的，信號(hào)的頻率成分較為豐富，單純采用時(shí)域或頻域分析法均不能準(zhǔn)確高效地檢測出信號(hào)的故障特征^［2］。為此，國內(nèi)外學(xué)者將時(shí)-頻分析法應(yīng)用于傳感器故障信號(hào)的特征提取。馮志剛等^［3］利用小波包分解提取各個(gè)節(jié)點(diǎn)的能量，利用徑向基神經(jīng)網(wǎng)絡(luò)，進(jìn)行傳感器故障診斷，但只研究了偏差、漂移和周期性干擾三種故障，沒有考慮脈沖、開路和短路等故障類型。He等^［4］采用短時(shí)傅里葉變換分析軸承信號(hào)，但其窗長設(shè)定的自適應(yīng)性不強(qiáng)，只能粗略分析信號(hào)的結(jié)構(gòu)。Zhang等^［5］同樣對傳感器的輸出信號(hào)進(jìn)行小波變換，在不同尺度上計(jì)算了信號(hào)發(fā)生故障前后的能量變化率，進(jìn)而監(jiān)測壓力傳感器的各種故障，但準(zhǔn)確率較低且速度較慢。

在波浪傳感器故障診斷方面，傳統(tǒng)的基于統(tǒng)計(jì)學(xué)方法的故障診斷模型具有計(jì)算量大、準(zhǔn)確度低等問題，而基于人工智能的神經(jīng)網(wǎng)絡(luò)模型雖然具有較高的準(zhǔn)確度，但其可解釋性較差，難以解釋故障原因。因此，如何結(jié)合二者的優(yōu)點(diǎn)，建立準(zhǔn)確度高、可解釋性強(qiáng)的故障診斷模型是目前需要解決的問題^［6］。本文采用小波包分解的方法提取故障特征，將提取后的故障特征進(jìn)行降維，再輸入到k-近鄰算法（k-nearest neighbor algorithm，KNN）分類網(wǎng)絡(luò)中，實(shí)現(xiàn)了將傳感器高維的故障特征數(shù)據(jù)降維至三維的空間數(shù)據(jù)，減少了故障診斷的時(shí)間，保證了故障診斷的準(zhǔn)確率。同時(shí)，將復(fù)雜的波浪傳感器故障類型之間的關(guān)系轉(zhuǎn)換為直觀的空間近鄰關(guān)系，提高了故障診斷的效率。

1 波浪傳感器的故障類型及特征提取

1.1 傳感器的故障類型

受海洋環(huán)境影響以及電磁干擾，波浪傳感器會(huì)通常會(huì)出現(xiàn)6種常見故障：

（1）漂移偏差。當(dāng)此種故障出現(xiàn)時(shí)，隨著觀測時(shí)間的推移，傳感器的測量值與真實(shí)值之間的偏差將會(huì)越來越大。其故障模型為：

式中x為觀測的正常信號(hào)，Δm為傳感器測量值與真實(shí)值偏差，t_start為初始時(shí)刻，x_e為故障信號(hào)。

（2）固定偏差。當(dāng)出現(xiàn)此類故障時(shí)，傳感器的測量值和真實(shí)值之間存在著一個(gè)恒定常數(shù)的偏移或誤差。

（3）開路故障。當(dāng)發(fā)生此類故障時(shí)，傳感器會(huì)在正常監(jiān)測狀態(tài)下突然失效，導(dǎo)致其無法正常監(jiān)測，監(jiān)測的數(shù)據(jù)始終為一個(gè)常數(shù)，這里用測量范圍的最大值來模擬開路故障的故障數(shù)據(jù)。其故障模型為：

式中m₂為測量范圍的最大值。

（4）脈沖故障。當(dāng)出現(xiàn)此類故障時(shí)，傳感器觀測到的數(shù)據(jù)會(huì)出現(xiàn)間隔性、短時(shí)性的野值。

（5）短路故障。當(dāng)出現(xiàn)污染引起的橋路腐蝕，或者發(fā)生線路短接時(shí)，則可能發(fā)生短路故障，與開路故障類似，傳感器采集到的數(shù)據(jù)始終為一常數(shù)，這里用測量范圍的最小值來模擬短路故障的故障數(shù)據(jù)。其故障模型為：

式中m₃為測量范圍的最小值。

（6）周期性干擾。周期性干擾主要是由于波浪傳感器受到了浮標(biāo)平臺(tái)搭載的其他設(shè)備的干擾。傳感器的測量信號(hào)和真實(shí)信號(hào)之間始終存在著一定范圍內(nèi)的擾動(dòng)。

1.2 故障特征提取

本文利用小波包對原始故障數(shù)據(jù)進(jìn)行3層小波包分解，得到8個(gè)頻率成分的信號(hào)特征，分解在各個(gè)頻帶上的信號(hào)都具有一定的能量，不同的信號(hào)在經(jīng)過分解后具有不同的能量特征^［7］，因此可以將分解后的能量作為故障的特征，對分解后的數(shù)據(jù)進(jìn)行系數(shù)重構(gòu)，計(jì)算分解在各頻帶上的能量，并利用分解在各頻帶上的能量構(gòu)造特征向量^［8］，將特征向量進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化處理后輸入到故障分類網(wǎng)絡(luò)中進(jìn)行故障分類。小波分解的步驟如圖1所示。

（1）采用標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化方法對7種狀態(tài)下的波浪傳感器信號(hào)進(jìn)行標(biāo)準(zhǔn)化處理，避免所提取的特征受到傳感器輸出信號(hào)幅值的影響。為標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化處理見公式（4）。

式中S表示傳感器輸出信號(hào)的序列，E（S）是S的均值，D_σ是S的標(biāo)準(zhǔn)差。

將標(biāo)準(zhǔn)化后的信號(hào)S～進(jìn)行3層小波包分解，圖2是周期性干擾故障經(jīng)小波包3層分解后8個(gè)頻帶分解系數(shù)變化曲線。周期性干擾故障原始信號(hào)的采樣頻率為1 Hz，采樣時(shí)間為2 000 s。

（2）對分解在各個(gè)頻帶上的信號(hào)能量進(jìn)行重構(gòu)，設(shè)S_ij為重構(gòu)后第i層的第j個(gè)信號(hào)。

（3）計(jì)算重構(gòu)信號(hào)S_ij的能量E_ij，計(jì)算方法如公式（5）所示。

式中x_jn為E_ij各個(gè)離散點(diǎn)的幅度，N為重構(gòu)信號(hào)的離散點(diǎn)個(gè)數(shù)，n為第i層第j個(gè)頻帶的離散點(diǎn)。

（4）計(jì)算信號(hào)的總能量E=∑⁷_j=0E_ij，根據(jù)計(jì)算出的各頻帶能量構(gòu)造出故障信號(hào)的特征向量，并對特征向量進(jìn)行歸一化標(biāo)準(zhǔn)化處理。特征向量的形式如公式（6）所示。

T=［E₃₀，E₃₁，E₃₂，E₃₃，E₃₄，E₃₅，E₃₆，E₃₇］/E。（6）

圖3顯示了傳感器正常和6種故障狀態(tài)下傳感器采集的信號(hào)數(shù)據(jù)的表現(xiàn)形式及其對應(yīng)的能量分布圖。

基于小波包分析的方法，通過對故障信號(hào)進(jìn)行分解，可以得到原始信號(hào)在不同頻帶上的能量分布。此方法可以將故障信號(hào)在指定的尺度上進(jìn)行分解，并得到信號(hào)的能量分布，進(jìn)而達(dá)到提取信號(hào)特征的目的。信號(hào)在經(jīng)過分解后也折射出了原始故障信號(hào)能量分布的整體特征，信號(hào)在經(jīng)過j層小波分解后，總能量也被分解到了2j個(gè)不重疊的頻率區(qū)間內(nèi)。然后利用不同的頻率區(qū)間內(nèi)信號(hào)能量不同的特點(diǎn)，可以將不同頻率區(qū)間內(nèi)的能量作為原始信號(hào)的特征向量來進(jìn)行故障分類。

2 t-SNE降維及KNN分類

2.1 t-SNE降維

t-SNE（t-distributed stochastic neighbor embedding）降維算法是一種非線性降維的機(jī)器學(xué)習(xí)算法，能夠降低向量維度的同時(shí)很好地捕捉到原始數(shù)據(jù)的復(fù)雜流形結(jié)構(gòu)^［9-12］。首先將數(shù)據(jù)點(diǎn)間的高維歐氏距離轉(zhuǎn)換為代表著相似度的條件概率，然后假設(shè)數(shù)據(jù)點(diǎn)x_i到數(shù)據(jù)點(diǎn)x_j的相似度用條件概率p_ji來表示，p_ji的值越大表明x_i和x_j的相似度越高，p_ji采用公式（7）計(jì)算。

式中σ_i是以x_i為中心點(diǎn)的高斯分布的方差。

將各小波包3層分解后的各頻帶能量進(jìn)行標(biāo)準(zhǔn)化處理后，然后將標(biāo)準(zhǔn)化后的故障特征數(shù)據(jù)，利用t-SNE降維方法，將小波包分解８個(gè)頻帶上的標(biāo)準(zhǔn)化特征向量降維至3維，圖3是利用t-SNE降維的流程。t-SNE更注重全局結(jié)構(gòu)而非局部結(jié)構(gòu)，當(dāng)在高維空間中兩個(gè)點(diǎn)相似度很小，映射到低維空間中相似度卻變得很大，這時(shí)相應(yīng)的懲罰力度卻很小，與實(shí)際情況不符。t-SNE在降維的過程中，在經(jīng)過t分布的處理后，同一類數(shù)據(jù)在空間上也會(huì)更加集中，而不同種類的數(shù)據(jù)在降維后的空間上則顯得更加稀疏。使得分類的效果更加顯著，由自由度為1的t分布重新定義的q_ij形式如公式（8）所示。

相應(yīng)的梯度形式如公式（9）所示：

2.2 KNN算法

k-近鄰算法（KNN）是對最近鄰算法的推廣，屬于基于先驗(yàn)知識(shí)的分類學(xué)習(xí)算法，其基本思想是：在特征空間中，如果一個(gè)樣本的k個(gè)近鄰中大多數(shù)屬于某一個(gè)類別，則將該樣本判斷為此種類別，并具有這種類別的特性^［13］。該方法雖然思想較為簡單，但在很多故障分類算法中得到了運(yùn)用。下面以分類樣本x_m為例對KNN算法的計(jì)算步驟進(jìn)行描述：假設(shè)訓(xùn)練樣本的數(shù)據(jù)集為U={（x_i，c_i）|i=1，…，N}，假定C={c_j|j=1，…，M}，其中訓(xùn)練集樣本中x_i為p維列向量，c_i為x_i所對應(yīng)的類別標(biāo)簽。KNN算法的流程簡述如下。

（1）根據(jù)上面的假設(shè)，將歐式距離作為衡量標(biāo)準(zhǔn)，計(jì)算出待分類樣本x_m和其他樣本間的歐氏距離。計(jì)算公式為：

（2）確定最近鄰參數(shù)k，找出距離待分類樣本最近的k個(gè)近鄰，假設(shè)集合D_m={（x_mt，c_mt）|t=1，…，k}，其中x_mt表示待分類樣本x_m的第t（1≤t≤k）個(gè)最近鄰樣本，c_mt為x_mt所對應(yīng)的類別。

（3）根據(jù)D_m集合中計(jì)算得到的k個(gè)最鄰近樣本的類別來進(jìn)投票，假設(shè)投票結(jié)果為v=［v₁，…，v_i，…，v_m］，最終將投票結(jié)果按照少數(shù)服從多數(shù)的原則進(jìn)行決策，決策規(guī)則為：

將降維后的特征數(shù)據(jù)作為KNN網(wǎng)絡(luò)模型的輸入，輸出結(jié)果為診斷故障的類型，KNN算法對經(jīng)過t-SNE降維后的故障特征從空間緊鄰關(guān)系上進(jìn)行分類，將小波包分解后各故障信號(hào)在各個(gè)頻帶上不同的能量分布特征轉(zhuǎn)換為空間的近鄰，將８個(gè)頻帶上的數(shù)據(jù)降維到三維空間上，能夠提升故障診斷的效率。圖5是對故障特征降維后的可視化圖形，從圖形中可以看出，幾種故障類型具有空間上的近鄰關(guān)系，將各個(gè)故障類型繪制同一個(gè)三維坐標(biāo)系下，能夠很明顯地觀察出各個(gè)故障類型具有很好的聚類結(jié)果，因此，可以將KNN算法來完成對故障的診斷和分類。改變k值大小，故障分類的準(zhǔn)確率也會(huì)隨之變化，通過調(diào)節(jié)KNN分類模型的k值來確定模型的最優(yōu)結(jié)果。

3 故障診斷模型的構(gòu)建與實(shí)現(xiàn)

本文對波浪傳感器采集到的青島小麥島附近海域的正常波浪數(shù)據(jù)和部分故障數(shù)據(jù)進(jìn)行故障模擬處理，根據(jù)波浪傳感器各類故障的特征，首先將正常數(shù)據(jù)加入模擬的噪聲數(shù)據(jù)，如當(dāng)傳感器發(fā)生漂移偏差時(shí)，測量的結(jié)果相較于正常數(shù)據(jù)會(huì)出現(xiàn)偏大或者偏小的情況；周期性干擾主要是指波浪傳感器受到了50 Hz電源或浮標(biāo)平臺(tái)搭載的其他設(shè)備的干擾。傳感器的測量信號(hào)和真實(shí)信號(hào)之間始終存在著一定范圍內(nèi)的擾動(dòng)；開路故障則用波浪傳感器測量范圍的最大值來描述；短路故障因?yàn)闆]有測量值，這里用最小值零來表示。其次根據(jù)傳感器的采樣頻率，對800～1 000條采樣結(jié)果進(jìn)行3層小波包分解，將分解后的各個(gè)頻帶上的能量進(jìn)行標(biāo)準(zhǔn)化處理，然后將得到的8維故障特征通過t-SNE降維處理，將得到的8維特征數(shù)據(jù)降維至3維，最后將得到的三維數(shù)據(jù)劃分為訓(xùn)練集和測試集，輸入到最近鄰網(wǎng)絡(luò)中通過空間的近鄰關(guān)系進(jìn)行故障的分類。

本文采用k折交叉驗(yàn)證的方法對訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)進(jìn)行劃分，將訓(xùn)練數(shù)據(jù)中的數(shù)據(jù)分出一部分作為驗(yàn)證數(shù)據(jù)，用來評估模型的訓(xùn)練效果，即將原始數(shù)據(jù)分成k組，將每個(gè)子集的數(shù)據(jù)都循環(huán)地做一次驗(yàn)證集，其余（k－1）組數(shù)據(jù)做訓(xùn)練集。這樣就會(huì)得到k個(gè)模型，在計(jì)算總體誤差時(shí)，就是對每一個(gè)模型的均方誤差求加權(quán)和。選用交叉驗(yàn)證的方法來劃分訓(xùn)練集和驗(yàn)證集有效地利用了有限的數(shù)據(jù)，并且評估結(jié)果也能夠更接近模型在測試集上的分類結(jié)果，可以作為模型優(yōu)化的指標(biāo)來進(jìn)行使用。圖6是故障診斷的模型圖。

4 仿真實(shí)驗(yàn)與分析

本文通過對波浪傳感器進(jìn)行故障診斷來驗(yàn)證該方法的有效性。從模擬的故障信號(hào)中共提取出189組故障特征數(shù)據(jù)，其中每種狀態(tài)下的特征數(shù)據(jù)27組，利用k折交叉驗(yàn)證對數(shù)據(jù)進(jìn)行測試集和驗(yàn)證集的劃分。

4.1 故障診斷準(zhǔn)確率對比

當(dāng)最近鄰數(shù)目k=5、6時(shí)，在使用t-SNE降維和不使用t-SNE降維的情況下k折數(shù)取不同值時(shí)分類得準(zhǔn)確率對比。

從圖7對比實(shí)驗(yàn)中可以發(fā)現(xiàn)，降維之后再利用KNN網(wǎng)絡(luò)進(jìn)行分類，能夠很好地保證數(shù)據(jù)分類的準(zhǔn)確性，隨著k折數(shù)的增加，降維后的準(zhǔn)確率能夠達(dá)到降維前。

圖8是波浪傳感器7中狀態(tài)識(shí)別結(jié)果的混淆矩陣，其中每種狀態(tài)有27 組樣本數(shù)據(jù)。從圖9中可以觀察到，正常狀態(tài)下的27組數(shù)據(jù)，有一組數(shù)據(jù)被判斷為開路故障，兩組數(shù)據(jù)被判斷為周期性干擾故障，6種故障的診斷結(jié)果也可直觀地從圖中分辨出來。該模型對于脈沖故障、短路故障和周期性干擾故障的診斷效果較好。對周期性干擾的診斷相對于其他故障類型較差，容易將正常狀態(tài)下的數(shù)據(jù)判斷為周期性干擾，因?yàn)橹芷谛愿蓴_在較弱的情況下，對于波浪數(shù)據(jù)而言很難分辨和檢測。總體上，當(dāng)在5折交叉驗(yàn)證下，KNN分類網(wǎng)絡(luò)的k近鄰數(shù)目為6時(shí)，分類的準(zhǔn)確率達(dá)到了91.89%。當(dāng)在6折交叉驗(yàn)證下，KNN分類網(wǎng)絡(luò)的最近鄰數(shù)目為6時(shí)，分類的準(zhǔn)確率達(dá)到了93.55%。

4.2 故障診斷模型時(shí)間效率對比

本文除了從降維之后對故障分類的準(zhǔn)確率角度進(jìn)行研究之外，還對降維之后程序的運(yùn)行時(shí)間進(jìn)行了對比，經(jīng)過對比實(shí)驗(yàn)發(fā)現(xiàn)，降維之后程序的運(yùn)行時(shí)間明顯低于降維之前，并且當(dāng)數(shù)據(jù)量越大時(shí)，降維后運(yùn)行低于降維前運(yùn)行時(shí)間的現(xiàn)象就越明顯。由于海洋環(huán)境復(fù)雜，傳感器的故障類型也在隨著檢測環(huán)境的變化而改變，對傳感器的故障類型的診斷時(shí)間太長，可能會(huì)導(dǎo)致傳感器同時(shí)存在兩種或多種故障類型，很難具體確定故障的種類，導(dǎo)致對傳感器的維護(hù)成本上升。圖9是當(dāng)k近鄰數(shù)取5交叉驗(yàn)證的k折數(shù)取不同值時(shí)，程序運(yùn)行時(shí)間的對比情況。

經(jīng)過從時(shí)間和準(zhǔn)確率這兩個(gè)方面的對比，發(fā)現(xiàn)降維之后再利用KNN網(wǎng)絡(luò)進(jìn)行分類時(shí)，不僅能夠保持降維之前的準(zhǔn)確率，而且降維之后程序的運(yùn)行時(shí)間也相對縮短，特別是當(dāng)數(shù)據(jù)量較大時(shí)，程序運(yùn)行時(shí)間縮短的現(xiàn)象也會(huì)更加明顯。通過將復(fù)雜的訓(xùn)練過程轉(zhuǎn)換為空間上的近鄰關(guān)系來判斷故障的類型，減少了復(fù)雜的計(jì)算過程。同時(shí)通過對高維數(shù)據(jù)進(jìn)行降維處理，減少了故障診斷的時(shí)間，提高了對故障的檢測速度，能夠更及時(shí)地發(fā)現(xiàn)傳感器出現(xiàn)的故障類型，為傳感器的維修和更換提供有力參考。

5 結(jié)論

本文主要研究了將t-SNE算法用于故障特征數(shù)據(jù)的降維，對降維后的數(shù)據(jù)再利用KNN分類網(wǎng)絡(luò)進(jìn)行故障分類，發(fā)現(xiàn)降維后的數(shù)據(jù)除了能保持分類的準(zhǔn)確性之外，相對于降維前，還能夠縮短程序運(yùn)行的時(shí)間。特別是當(dāng)數(shù)據(jù)量較大時(shí)，所花費(fèi)的時(shí)間成本明顯低于降維之前的高維數(shù)據(jù)。KNN算法雖然原理簡單，但在分類任務(wù)中有著很好的表現(xiàn)，加之t-SNE降維使得相似的樣本能夠聚集在一起，而差異大的樣本能夠有效地分開，避免了其他降維方法樣本分布擁擠、邊界不明顯的缺點(diǎn)。本文提出一種基于小波包分解、降維與k-近鄰算法分類網(wǎng)絡(luò)的波浪傳感器故障診斷方法。首先將原始信號(hào)進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化處理，然后對標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行小波包3層分解得到8個(gè)頻帶上的特征值，歸一化處理后將其作為特征向量，采用t-SNE算法對特征數(shù)據(jù)進(jìn)行降維，最后將降維后的特征數(shù)據(jù)輸入到KNN分類網(wǎng)絡(luò)中進(jìn)行故障分類檢測。相較于其他故障診斷方法，本文采用小波包具有更好的特征提取能力，并且通過對故障特征降維后的空間近鄰關(guān)系來進(jìn)行故障診斷和分類，一定程度上解決了現(xiàn)有傳感器故障診斷方法診斷的時(shí)間跨度長，準(zhǔn)確率較低且自適應(yīng)能力弱的問題。本文采用的數(shù)據(jù)來自波浪騎士浮標(biāo)上搭載的加速度式波浪傳感器，根據(jù)其觀測到的正常信號(hào)對故障信號(hào)進(jìn)行模擬，并采用模擬的故障數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，本文提出的方法能夠提高波浪傳感器故障診斷的準(zhǔn)確度和診斷速度，對正常狀態(tài)和6種故障狀態(tài)下的診斷準(zhǔn)確率達(dá)到了93.55%。

本研究的不足之處在于，當(dāng)傳感器同時(shí)存在兩種或兩種以上的故障時(shí)，無法通過此算法完全診斷出所有故障，只能根據(jù)預(yù)測值判斷其最接近的真實(shí)值，劃分為集中同時(shí)出現(xiàn)的故障中的一種故障類型。但可以通過縮短提取故障特征的時(shí)間跨度，通過一段時(shí)間的診斷結(jié)果，判斷該傳感器可能出現(xiàn)的多種故障。

參考文獻(xiàn)：

［1］葉小芬， 王起梁， 祝敏， 等. 基于小波包能量和層次熵的D-S證據(jù)理論的軸承故障診斷技術(shù)［J］. 失效分析與預(yù)防， 2021， 16（3）：209-214. DOI： 10.3969/j.issn.1673-6214.2021.03.010.

［2］黃芝玲， 陳金峰， 曾永華， 等. 基于小波包模糊熵與RBF神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷［J］. 廣東石油化工學(xué)院學(xué)報(bào)， 2021， 31（3）：26-29. DOI： 10.3969/j.issn.2095-2562.2021.03.007.

［3］馮志剛， 王祁， 徐濤， 等. 基于小波包和支持向量機(jī)的傳感器故障診斷方法［J］. 南京理工大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2008，32（5）： 609-614. DOI： 10.14177/j.cnki.32-1397n.2008.05.006.

［4］HE B， ZHANG J， CHEN T， et al. Penalized reconstruction-based multivariate contribution analysis for fault isolation［J］. Industrial amp; Engineering Chemistry Research， 2013， 52（23）： 7784-7794. DOI： 10.1021/ie303225a.

［5］ZHANG H Q， YAN Y. A wavelet-based approach to abrupt fault detection and diagnosis of sensors［J］. IEEE Transactions on Instrumentation and Measurement， 2001， 50（5）： 1389-1396. DOI： 10.1109/19.963215.

［6］錢昭勇， 曹裕華， 張雷， 等. 基于雙樹復(fù)小波包及SVM的齒輪故障診斷［J］. 指揮與控制學(xué)報(bào)， 2021， 7（4）：415-423. DOI： 10.3969/j.issn.2096-0204.2021.04.0415.

［7］朱興統(tǒng). 基于小波包分解和K最近鄰算法的軸承故障診斷方法［J］. 裝備制造技術(shù)， 2020（2）：24-27.

［8］郭偉超， 趙懷山， 李成， 等. 基于小波包能量譜與主成分分析的軸承故障特征增強(qiáng)診斷方法［J］. 兵工學(xué)報(bào)， 2019， 40（11）： 2370-2377. DOI： 10.3969/j.issn.1000-1093.2019.11.022.

［9］姚雪曼. 基于流形學(xué)習(xí)的降維技術(shù)的研究與實(shí)現(xiàn)［D］.北京： 北京郵電大學(xué)， 2017.

［10］劉衛(wèi)芳. 面向高維復(fù)雜數(shù)據(jù)的降維算法研究［D］.西安： 西安電子科技大學(xué)， 2014.

［11］安煌， 趙榮珍. 轉(zhuǎn)子故障數(shù)據(jù)集降維的CKLPMDP算法研究［J］. 振動(dòng)與沖擊， 2021， 40（9）： 37-42. DOI： 10.13465/j.cnki.jvs.2021.09.005.

［12］邊榮正， 張鑒， 周亮， 等. 面向復(fù)雜多流形高維數(shù)據(jù)的t-SNE降維方法［J］. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)， 2021， 33（11）： 1746-1754.

［13］丁丹鳳. 空氣檢測設(shè)備中KNN算法的研究與實(shí)現(xiàn)［D］.上海： 上海應(yīng)用技術(shù)大學(xué)， 2020.