摘要：为快速识别数字传感器故障，保证称重设备正常的工作状态，针对钢卷秤四个数字传感器的输出码值进行研究，通过采集不同状态下4个传感器的输出码值，然后使用统计学分析方法中判别分析和聚类分析建立传感器故障识别模型。结果表明，通过该两种方法可以很好地识别传感器的4种工作状态，为传感器的故障识别提供可靠的一种技术支撑。
关键词：数字称重传感器；判别分析；聚类分析；故障识别
数字式传感器是各种衡器重要组成部分，由于它的抗干扰能力强有较好的偏载、温度漂移、蠕变、非线性等特性，它所组成的衡器将被广泛应用于各种工业及贸易场合冶金行业制造的称重设备，必须具备超准确的计量结果，否则将出现计量异议。因此，对于整个称重系统而言，能够及时准确地识别传感器的故障势在必行。多元统计分析是一种综合分析方法，它能够在多个对象和多个指标互相关联的情况下分析它们的统计规律，主要内容包括多元正态分布及其抽样分布、多元正态总体的均值向量和协方差阵的假设检验、多元方差分析、直线回归与相关、主成分分析与因子分析、判别分析与聚类分析等[1-2]。本文采用统计学分析方法中判别分析和聚类分析建立传感器故障识别模型，为识别数字传感器输出是否发生故障提供一种有效方法。
1实验方法
本实验是以电子钢卷秤为例进行的，主要通过因特网接口连接方式将仪表连接到现场三级交换机，再连接到电脑终端，采用单点登录方式访问网址，采集电子钢卷秤中4只传感器的输出码值数据来确认传感器的工作状态是否正常。该实验中正常工作状态下每只传感器的输出码值均为14000+400，正常情况下4只传感器任意2只传感器码值输出差异在400码值范围内，超出此范围可以预判传感器发生故障或者秤体发生倾斜造成的。下面对不同种工作状态下传感器进行定义，四只传感器输出码值差异均在400码值范围之内定义为正常，其中一只传感器与正常工作状态下传感器输出码值偏差超400码值范围定义为异常2，其中2只传感器与正常工作状态下传感器输出码值偏差超400码值范围定义为异常3，其中3只传感器与正常工作状态下传感器输出码值超出400码值范围被定义为异常4。具体实验数据如表1所示。
2实验结果分析
2.1聚类分析
聚类分析是一种根据一批实验数据或变量数据其各种特征，按照其性质的亲疏程度在未先验知识的情况下进行自动分类，产生多个分类结果[3-4]。本方法采用聚类分析中的系统聚类对4种状态下传感器的输出码值进行分类分析，其中度量标准采用区间里的Euclidean距离，类间距离采用平均组间链锁距离，聚类数设定为4类，最终生成了4种工作状态下聚类分析结果图如图1所示。从分析结果来看，使用聚类分析方法可以将4种工作状态下的传感器输出值能够很好的聚类到一起，不同状态之间区分十分明显，因此，聚类分析方法是一种检验传感器输出值是否正常的一种方法。
2.2判别分析
判别分析是一种可根据已有数据确定类别变量与判别变量之间的数量关系，建立判别函数，并通过判别函数实现对新数据未知类别的判定和预测[5]。下面采用Fisher判别对传感器输出数据进行分析，检验的方法主要是通过计算数据集的Fisher典型判别函数得分情况和系统判别函数的系数，特征值占总体特征值的比例越大，也即正则相关性值越大，说明典型函数的判别能力越强，显著性值越小，说明该典型函数在分组时的差异更显著。根据以上计算思想，获得结果如表2、3所示。由表2的结果可以看出，分组需要3个判别函数，且该3个判别函数可以解释整体方差的100%，说明该3个函数可以很好地对传感器输出数据集进行分组，即该数据集可以通过Fisher判别方法进行传感器故障判别。通过表3分类结果显示，经判别分析建立的识别模型能够准确的识别传感器故障结果，识别准确率达到100%。
3结论
本文使用统计学分析软件中的聚类分析和判别分析法，设计了一种出传感器故障识别模型。相比于其他常用识别分析模型，本模型应用聚类分析和Fisher判别分析思想，简单应用，且分类效果较为良好，该模型可以对100%以上的数据样本进行正确分类。该方法为检验衡器中传感器故障提供一种便利、准确性高的方法，并且可在其他领域进一步推广。
参考文献
[1]于秀林，任雪松.多元统计分析.北京：中国统计出版社，1999.
[2]薛薇.SPSS统计分析方法及应用（第3版）.电子工业出版社，2013.1.
[3]朱兴动，章思宇，范加利.基于Fisher判别法的飞发故障分系统预测模型研究[J].指挥控制与仿真.2019，46（3）：71~75.
[4]刘飞，唐雅娟，刘瑶.K-means聚类算法中聚类个数的方法研究[J].电子设计工程，2017，25（15）：9~13.
[5]赵丽娜.Fisher判别法的研究及应用[D].哈尔滨：东北林业大学，2013.
作者：刘秀华 单位：首钢京唐钢铁联合有限责任公司
返回统计论文列表