[發明專利]一種基于支持向量回歸機各傳感器之間相互故障診斷方法

在審

• 申請號: 201810916808.2
• 申請日: 2018-08-13
• 公開（公告）號: CN108985387A
• 公開（公告）日: 2018-12-11
• 發明（設計）人: 李川;王曉丹;李小紅;喻其炳;敖文剛
• 申請（專利權）人: 重慶工商大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/50;G01D18/00
• 代理公司: 成都天匯致遠知識產權代理事務所(普通合伙) 51264
• 代理人: 韓曉銀

本發明公開了一種基于支持向量回歸機各傳感器之間相互故障診斷方法，包括以下步驟：S1：在N個傳感器中任意選擇一個傳感器作為基礎傳感器；S2：得到預測值；S3：其次，得到實際輸出值；S4：將預測值與實際輸出值做對比，得到其它傳感器的預測值和實際輸出值的差值；S5：選擇另一個待診斷傳感器，重復進行步驟S1和S2，得到每一個傳感器的輸出值；S6：通過支持向量回歸機對其它傳感器得到的差值進行分類，找到故障的傳感器。本發明的方法，可以同時同步的對多個傳感器進行故障診斷，采用支持向量機分類的方式，可以更加容易判斷出來多個傳感器中發生故障的傳感器，實用性很強，非常值得推廣。

技術領域

本發明涉及計算機算法診斷故障技術領域，具體為一種基于支持向量回歸機各傳感器之間相互故障診斷方法。

背景技術

傳感器故障診斷方法主要分為物理冗余與解析冗余兩大類。物理冗余是通過增加傳感器的數量來檢測和排除故障，使系統具有故障容錯能力，雖然此方法可以增強系統的安全性，但是同時增加了系統的成本與故障診斷的復雜度。解析冗余不需要增加傳感器的數量，只需要通過傳感器輸入輸出建立殘差和故障模型，從而實現傳感器故障診斷。

支持向量機(SVM，Support Vector Machine)是建立在統計學理論的VC維理論和結構風險最小化基礎之上的。相比于神經網絡，SVM有效地解決了小樣本、非線性、高維數和局部極小點等問題，其主要應用于模式識別、函數逼近和時間序列預測等問題。最小二乘支持向量機(LS SVM，Least Squares Support Vector Machine)是標準SVM的擴展，它用等式約束代替了標準SVM的不等式約束，將二次規劃問題轉化為線性方程求解問題，降低了計算復雜度，有效地提高了運算速度，如果能夠將最小二乘支持向量機應用于傳感器的輸出預測，則可以快速準確對傳感器的故障進行辨識與診斷。

為了解決上述提出的問題，現有技術中，申請號為“201110137724.7”的一種基于最小二乘支持向量機在線預測的傳感器故障診斷方法。方法建立了一個最小二乘支持向量機在線預測模型，然后在線采集傳感器測量數據作為最小二乘支持向量機在線預測模型的輸入樣本，實現該預測模型一邊在線訓練一邊實時預測出傳感器在下一時刻的輸出值。通過比較傳感器的預測值與實際輸出值產生的殘差來檢測傳感器故障是否發生。在有故障發生時，通過最小二乘方法對殘差序列進行一元線性回歸，實現傳感器偏差與漂移故障的辨識，進而能夠更有效地采取措施對傳感器輸出進行實時補償。能快速準確地實現傳感器在線故障診斷，特別適用于傳感器偏差故障與漂移故障診斷。

但是上述該方法在使用過程中，仍然存在以下較為明顯的缺陷：1、該在線預測的方法只能一個一個檢測傳感器，無法對多個傳感器同時同步的進行故障診斷，非常浪費時間；2、采用支持向量機回歸的方式進行故障診斷，回歸問題的要求是：給定一個新的模式，根據訓練集推斷它所對應的輸出y(實數)是多少，也就是使用y＝g(x)來推斷任一輸入x所對應的輸出值，數值范圍廣，不容易進行故障診斷，十分麻煩。

發明內容

本發明的目的在于提供一種基于支持向量回歸機各傳感器之間相互故障診斷方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：

一種基于支持向量回歸機各傳感器之間相互故障診斷方法，包括以下步驟：

S1：在N個傳感器中任意選擇一個傳感器作為基礎傳感器；

S2：將其它傳感器所得到的輸出值作為輸入值，首先輸入進最小二乘支持向量機在線預測模型f，得到預測值；

S3：其次，將其它傳感器所得到的輸出值作為該基礎傳感器的輸入值，得到實際輸出值；

S4：將預測值與實際輸出值做對比，得到其它傳感器的預測值和實際輸出值的差值；

S5：選擇另一個待診斷傳感器，重復進行步驟S1和S2，得到每一個傳感器的輸出值；