[發(fā)明專利]一種診斷故障傳感器的方法與裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110368569.3
• 申請(qǐng)日: 2021-04-06
• 公開（公告）號(hào): CN113091872B
• 公開（公告）日: 2023-06-16
• 發(fā)明（設(shè)計(jì)）人: 苗少光;劉陽(yáng);蘇永青
• 申請(qǐng)（專利權(quán)）人: 深圳市漢德網(wǎng)絡(luò)科技有限公司
• 主分類號(hào): G01G23/01
• 分類號(hào): G01G23/01
• 代理公司: 北京超凡宏宇專利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 何明倫

本公開提供了一種診斷故障傳感器的方法、裝置和系統(tǒng)，其中方法包括：獲取傳感器采集的數(shù)據(jù)，提取第一特征向量，輸入第一故障診斷模型，得到關(guān)于傳感器的第一故障診斷結(jié)果；對(duì)第一故障診斷結(jié)果中待定的傳感器，提取第二特征向量，并輸入第二故障診斷模型，得到關(guān)于待定傳感器的第二故障診斷結(jié)果；其中，第一故障診斷模型和第二故障診斷模型是由傳感器采集的數(shù)據(jù)為樣本數(shù)據(jù)，以及預(yù)先確定的診斷結(jié)果為樣本標(biāo)簽，經(jīng)過訓(xùn)練后得到的。

技術(shù)領(lǐng)域

本公開涉及傳感器自動(dòng)檢測(cè)領(lǐng)域，特別涉及一種診斷故障傳感器的方法、裝置、系統(tǒng)、電子設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

眾所周知，通過在公路上設(shè)立檢查站，利用地磅稱車輛的載重，可以治理車輛超載。但是，被檢測(cè)車輛相對(duì)集中，檢測(cè)效率較低，容易造成交通堵塞，且車輛容易繞行逃避檢查。另一種車載稱重技術(shù)，能實(shí)時(shí)顯示所裝貨物的重量，有效防止超載，其主要利用傳感器測(cè)量重量，傳感器必須保證在惡劣環(huán)境下也能長(zhǎng)期穩(wěn)定的正常工作。

因此，急需一種對(duì)傳感器進(jìn)行故障檢測(cè)的方法，及時(shí)檢測(cè)到已損壞的傳感器，才能保證車載稱重系統(tǒng)的正常運(yùn)行。

發(fā)明內(nèi)容

有鑒于此，本公開實(shí)施例的目的在于提供一種診斷故障傳感器的方法，可以及時(shí)的、自動(dòng)的發(fā)現(xiàn)存在故障的傳感器，通知維修，及時(shí)停用出現(xiàn)故障的傳感器，提高稱重系統(tǒng)的抗干擾能力，提高了稱重的精確性。

根據(jù)本公開的第一方面，提供了一種診斷故障傳感器的方法，包括：

獲取傳感器采集的數(shù)據(jù)，提取第一特征向量，輸入第一故障診斷模型，得到關(guān)于傳感器的第一故障診斷結(jié)果；

對(duì)于第一故障診斷結(jié)果中待定的傳感器，提取第二特征向量，并輸入第二故障診斷模型，得到關(guān)于待定傳感器的第二故障診斷結(jié)果；

其中，第一故障診斷模型和第二故障診斷模型是由傳感器采集的數(shù)據(jù)為樣本數(shù)據(jù)，以及預(yù)先確定的診斷結(jié)果為樣本標(biāo)簽，經(jīng)過訓(xùn)練后得到的。

在一個(gè)可能的實(shí)施例中，其中，所述第一特征向量包括：原始數(shù)據(jù)特征向量、濾波數(shù)據(jù)特征向量、差分?jǐn)?shù)據(jù)特征向量、跑車漂移特征向量、靜止抖動(dòng)特征向量。

在一個(gè)可能的實(shí)施例中，其中，所述第二特征向量包括：原始數(shù)據(jù)特征向量、濾波數(shù)據(jù)特征向量、上貨特征向量、卸貨特征向量。

在一個(gè)可能的實(shí)施例中，其中，第一故障診斷模型是多分類梯度提升決策樹模型；第二故障診斷模型是二分類梯度提升決策樹模型，包括多個(gè)強(qiáng)學(xué)習(xí)器。

在一個(gè)可能的實(shí)施例中，其中，當(dāng)所述多個(gè)強(qiáng)學(xué)習(xí)器的診斷結(jié)果不一致時(shí)，最終診斷結(jié)果以多數(shù)結(jié)果確定；對(duì)于在同一設(shè)備上安裝有多個(gè)傳感器的情況，若有診斷結(jié)果為異常，則將該異常傳感器屏蔽并發(fā)出維修指令。

在一個(gè)可能的實(shí)施例中，其中，所述多分類梯度提升決策樹模型的基底包括CART回歸樹，建立所述CART回歸樹的過程為：針對(duì)訓(xùn)練集中的不同特征，選擇切分點(diǎn)；計(jì)算不同切分點(diǎn)對(duì)應(yīng)的均值；合理選擇屬性值的切分點(diǎn)，使得目標(biāo)函數(shù)值最小，以該屬性值切分點(diǎn)劃分；從而選取最優(yōu)特征和最優(yōu)切分點(diǎn)。

根據(jù)本公開的第二方面，提供一種建立兩層故障診斷模型的方法，所述方法包括：

采集傳感器數(shù)據(jù)，選取采樣周期，得到多個(gè)數(shù)據(jù)序列；

對(duì)得到的數(shù)據(jù)序列進(jìn)行數(shù)據(jù)清洗，對(duì)傳感器的狀態(tài)進(jìn)行人工標(biāo)注，建立樣本集，所述樣本集分為異常、正常、待定；

利用多分類梯度提升決策樹模型訓(xùn)練第一故障診斷模型，調(diào)整第一故障診斷模型的參數(shù)，使得損失函數(shù)數(shù)值較小，得到訓(xùn)練完成的第一故障診斷模型；

將第一故障診斷模型分類為待定的輸入序列，加入上貨情況、卸貨情況的相關(guān)統(tǒng)計(jì)量，得到第二故障診斷模型的輸入數(shù)據(jù)集，用二分類梯度提升決策樹模型訓(xùn)練第二故障診斷模型；