[發明專利]多維信號的實時故障檢測與實時故障隔離方法

在審

• 申請號: 201811399264.3
• 申請日: 2018-11-22
• 公開（公告）號: CN109472317A
• 公開（公告）日: 2019-03-15
• 發明（設計）人: 楊京禮;陳寅生;孫震;劉曉東
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 畢雅鳳

多維信號的實時故障檢測與實時故障隔離方法，屬于傳感器檢測領域，本發明為解決裝備或儀器中傳感器多維信號的故障檢測與隔離的實時性問題。本發明所述多維信號的實時故障檢測方法，提取正常訓練集的近似基，形成正常狀態下的訓練樣本的近似基，采用正常狀態下的訓練樣本的近似基構建核主成分分析故障檢測模型，核主成分分析故障檢測模型檢測到故障時，采用基于重構的貢獻方法檢測所有故障氣體傳感器的位置。多維信號的實時故障隔離方法，采用基于重構的貢獻方法，構建前時刻故障信息的故障方向候選集，對當前時刻的故障進行隔離。本發明用于確定傳感器多維信號的準確性和可靠性。

技術領域

本發明涉及一種多變量實時故障檢測與實時故障隔離方法，屬于傳感器檢測領域。

背景技術

現代化的設備和儀器可以同時測量多個參數，被廣泛應用到越來越多的化學過程中。作為數據獲取的設備，如果在系統決策中使用不正確的信息，將導致嚴重的事故發生，因此，傳感器多維信號的準確性與可靠性對于整個系統尤為重要。

現代化的裝備或儀器都是根據傳感器的測量值進行決策，而傳感器作為信息獲取單元，大量存在于裝備或儀器中。對于一些工作條件惡劣(高溫、高壓、高濕度、高鹽度)的裝備或儀器，傳感器的故障在所難免，而且故障的頻率較高，這將大大降低裝備或儀器的工作效率，增加維護費用和相應的人力資源。

大多數故障算法都是基于多變量統計理論。特別地，主成分分析(PCA)方法把觀察空間分成一個殘余子空間(RS)和一個主成分子空間(PCS)。在一個測試樣本到來的時候，它會被分別在RS和PCS分解。隨后，平方預測誤差(SPE，即Q統計量)和HotellingsT2統計量將被計算。如果上述兩個統計量的任一個超過其限制，系統被當作在故障模式下運行。Shen和Chen利用PCA分別去解決多功能傳感器以及氣體傳感器陣列故障檢測問題。

PCA假設數據樣本從線性過程中獲得。然而，許多化學過程具有非線性特征。為了解決這個問題，提出了核主成分分析(KPCA)法。KPCA通過非線性投影把數據投影到高維特征空間，并在此特征空間中執行線性PCA。相比于PCA，KPCA在提取非線性特征時候更靈活，但也會導致效率降低，由于其在計算核函數的時候耗時較長。基于此問題，提出了一個K鄰近(KNN)聚類規則用來提高氣體傳感陣列的可靠性。該方法可以處理可能的非線性數據通過用KNN準則與地標譜聚類(LSC)算法來降低故障檢測的計算負擔。然而，其只能確定是否整個系統運行正常，不能提供進一步分析故障原因的信息。

為了定位故障傳感器，提出了一種故障隔離算法。作為現有方法，貢獻圖通過計數各個變量的貢獻來完成，廣泛應用于故障檢測。Cho等核函數求導，將貢獻圖拓展到KPCA模型中。但是，Westerhuis等提出，貢獻圖方法具有拖尾效應，故障變量影響正常變量的貢獻。為了解決這個問題，一種基于重構的貢獻(RBC)方法由Alcala等人提出，該方法能夠識別對故障貢獻最大的變量。為了識別非線性過程中的故障，Alcala等人將RBC方法擴展到KPCA模型。然而，RBC的效率較低，主要是因為該方法需要檢查大量的候選故障方向以尋找故障的最大貢獻。

發明內容

本發明目的是為了解決裝備或儀器中傳感器多維信號的故障檢測與隔離的實時性問題，提供了一種多維信號的實時故障檢測與實時故障隔離方法。

本發明所述多維信號的實時故障檢測方法，提取正常訓練集的近似基，形成正常狀態下的訓練樣本的近似基，采用正常狀態下的訓練樣本的近似基構建核主成分分析故障檢測模型，核主成分分析故障檢測模型檢測到故障時，采用基于重構的貢獻方法檢測所有故障氣體傳感器的位置。

優選的，提取正常訓練集的近似基是用最少數量的訓練樣本表示整個訓練樣本集的特征。

本發明所述多維信號的實時故障隔離方法，采用基于重構的貢獻方法，構建前時刻故障信息的故障方向候選集，對當前時刻的故障進行隔離。

本發明的優點：