[發明專利]基于粒子群優化算法的傳感器故障診斷閾值確定方法

有效

• 申請號: 201910754193.2
• 申請日: 2019-08-15
• 公開（公告）號: CN110472335B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 胡春艷;徐含靈;李偉;韓博;李垚;高猛
• 申請（專利權）人: 中國科學院工程熱物理研究所
• 主分類號: G06F30/27
• 分類號: G06F30/27;G01D18/00;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于粒子群優化算法的傳感器故障診斷閾值確定方法，其特征在于，所述方法包括以下步驟：

SS1.采集無故障狀態下傳感器的實際測量數據y(t)，對所述實際測量數據y(t)進行信號處理后得到估計數據根據所述估計數據獲得其概率分布特性值，所述概率分布特性值包括信號幅值μ及測量噪聲方差σ²，之后基于所述概率分布特性值構建無故障狀態下信號殘差z的概率分布密度函數f(z)以及存在故障偏差B時信號殘差z的概率分布密度函數f(z/B)；

SS2.引入傳感器失效概率P_f，折衷考慮故障診斷漏檢率P_e1及虛警率P_e2，構造關于故障診斷閾值h的代價函數C(h)：虛警率P_e2(h)為傳感器在沒有發生故障時的故障指示函數大于故障診斷閾值h的概率，而漏檢率P_e1(h)為傳感器在發生故障后的故障指示函數小于故障診斷閾值h的概率，則構造的關于故障診斷閾值h的代價函數C(h)為C(h)＝P_fP_e1(h)+(1-P_f)P_e2(h)，其中漏檢率P_e1(h)、虛警率P_e2(h)分別為其中

SS3.將代價函數C(h)作為粒子群優化算法中的適應度目標函數Fit，初始化種群規模S并設置最大迭代次數k_max、線性遞減的局部學習因子c₁、線性遞增的全局學習因子c₂、動態變化的自適應慣性權重w(k)，設定初始種群中各粒子的運動速度V_i⁰和狀態位置

SS4.調取步驟SS3構建的適應度目標函數Fit，初始化個體最優參數P_i^k和全局最優參數通過動態權值自適應粒子群優化算法迭代優化目標參數，不斷更新種群中各粒子的運動速度V_i⁰和狀態位置以產生新種群，并不斷更新個體最優參數P_i^k和全局最優參數直到達到最大迭代次數k_max后，求取最佳故障診斷閾值h_best。

2.根據權利要求1所述的基于粒子群優化算法的傳感器故障診斷閾值確定方法，其特征在于，在步驟SS1中，無故障狀態下，所述實際測量數據y(t)為傳感器的未經信號處理的原始測量數據，所述估計數據為所述原始測量數據經信號處理后的測量數據，所述實際測量數據y(t)與估計數據具有相同的概率分布密度函數f(y)，并具有相同的信號幅值μ及測量噪聲方差σ²，所述信號殘差z為所述實際測量數據y(t)與估計數據的差值，滿足所述信號殘差z服從均值為0，方差為2σ²的正態分布，其概率分布密度函數為f(z)；故障狀態下，故障偏差為B時，所述實際測量數據y(t)及估計數據的信號幅值為μ+B，測量噪聲方差為σ²，信號殘差z的均值為0，方差為2σ²。

3.根據權利要求1所述的基于粒子群優化算法的傳感器故障診斷閾值確定方法，其特征在于，在步驟SS1中，無故障狀態下，所述實際測量數據y(t)、估計數據的概率分布密度函數f(y)滿足所述信號殘差z的概率分布密度函數f(z)滿足故障狀態下，所述信號殘差z的概率分布密度函數f(z/B)滿足

4.根據權利要求1所述的基于粒子群優化算法的傳感器故障診斷閾值確定方法，其特征在于，在步驟SS3中，所述局部學習因子c₁滿足所述全局學習因子c₂滿足所述自適應慣性權重w(k)滿足其中，c_1max為局部學習因子最大值，c_1min為局部學習因子最小值，c_2max為全局學習因子最大值，c_2min為全局學習因子最小值，k為粒子群優化算法的迭代次數，k_max為最大迭代次數，w_stat為自適應慣性權重的初始值，n為非線性變化規律控制冪指數。