近日，电子工程学院阮义博士在仪器仪表领域高水平期刊《IEEE Transactions on Instrumentation and Measurement》（中国科学院分区：仪器仪表2区）上发表研究成果《Hierarchical Fault Diagnosis Method for Piezoresistive Pressure Sensor Based on GAF and CNN-SVM》。
压阻式压力传感器应用范围日趋广泛且工作环境复杂，现代社会对其可靠性的要求越来越高。然而，由于其材料特性和工作原理，压阻式压力传感器中不同内部组件退化所导致的故障表现出高度相似性，主要体现在传感器输出灵敏度系数和信号非线性失真的变化上。这给压阻式压力传感器的故障诊断带来了一些挑战，包括如何有效提取能够表征不同故障的特征、如何准确识别故障以及如何判断相应故障的严重程度。为解决上述关键问题，该文提出了一种基于格拉姆角场（GAFs）和卷积神经网络（CNN）融合支持向量机（SVM）的分层故障诊断（HFD）方法。首先，根据功能区域定义压阻式压力传感器的故障类型。其次，采用GAF对传感器的原始输出信号进行编码，解决原始信号中故障特征较弱的问题。然后使用CNN提取由GAF转换得到的格拉姆角求和场（GASF）图像的特征。此外，将SVM作为与CNN展平层相连的分类器。最后，提出了一种HFD架构来实现故障识别和故障严重程度判断。实验结果表明，提出的方法能够有效提取特征，准确识别压力传感器的不同故障，并判断故障的严重程度。故障识别准确率达到99.34%，严重程度判断最高准确率达到98%。
该研究工作得到了国家自然科学青年基金、安徽省教育厅高校重点科研项目的支持。（文、图/阮义 初审/许明坤 终审/叶松 发布/崔苏如）
论文链接：https://ieeexplore.ieee.org/document/11048665
