传感器作为自动化测试与控制系统的基础设备,为系统采集和提供数据,其输出结果对于后续的数据分析、数据处理、系统运行等很多方面的监控与决策都有着举足轻重的影响。并且一旦传感器发生了异常,轻则会使系统丧失监控能力,重则会造成难以估计的损失。因此,传感器故障与否,其输入输出特性是否发生变化,对于整个系统而言至关重要。本文针对传感器使用过程中可能产生的异常状况开展了以下研究:首先,搭建实验平台。以水厂的水泵系统为应用背景,选取电动机常用的压电式三轴振动传感器作为研究对象,采集复杂环境下多组有代表性的振动加速度信号。并对其进行清洗、采样、整合处理,存入数据库以备查询和后续分析。其次,建立传感器状态分类模型。本文根据传感器可能出现的异常,提出将传感器状态归纳分类为安全状态、干扰状态、冲击状态和偏差状态四种情况,直观地描述和反应传感器状态;采用小波包分解的特征提取方法进行三层分解,在时域和频域上将振动信号以能量特征的形式进行描述。然后,利用支持向量机、极限学习机和在线序贯极限学习机算法分别建立了振动传感器状态分类模型。针对支持向量机“过拟合”现象,结合交叉验证法,改善其泛化能力;对比极限学习机算法隐含层神经元个数和激活函数的不同选择对分类准确率的影响,寻找模型最优参数;从贴近实际工程使用角度出发,建立了改进的在线序贯极限学习机分类模型。并分别对三种分类模型进行实验验证,对比分析表明,构造的在线序贯极限学习机模型分类结果优于前两种。最后,设计实现振动传感器在线监测系统。将虚拟仪器LabVIEW与DAQmx、MATLAB软件相结合,实现了数据实时采集与存储、传感器当前状态显示、异常状态预警和历史数据查询功能。结果表明,本文所设计的振动传感器状态分类模型及在线监测系统为传感器实时监测、日常维护和管理提供理论参考及设计指导,具有深远的应用推广价值。