[發明專利]基于無監督學習的傳感器故障檢測方法和裝置

有效

• 申請號: 202110596604.7
• 申請日: 2021-05-31
• 公開（公告）號: CN113255783B
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 陳海濤
• 申請（專利權）人: 湖南安存科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 邱軼

本申請涉及一種基于無監督學習的傳感器故障檢測方法和裝置。所述方法包括：獲取設置在待檢測位置的多個傳感器按時序輸出的時序數據；利用特征提取工具提取時序數據中的時序特征，以及計算時序數據預設統計周期內連續發生跳變的最大次數和最大累計波動量；將時序特征、連續發生跳變的最大次數以及最大累計波動量作為傳感器的特征集；將特征集作為輸入，利用預先設置的無監督學習聚類算法對多個傳感器進行聚類，得到故障傳感器集合和非故障傳感器集合。采用本方法能夠提高傳感器故障檢測的準確性。

技術領域

本申請涉及傳感器故障檢測技術領域，特別是涉及一種基于無監督學習的傳感器故障檢測方法和裝置。

背景技術

目前，傳感器在各類工業場景中均有應用，傳感器主要用于測量各類數據，以對工業場景中的數據進行監測，或者進行故障的實時預警。以溫度傳感器為例，在工況場景下溫度傳感器很容易出現故障，故障的傳感器會造成溫度數據失真，發生跳變等情況。故障的傳感器會對額外增加監盤和運行人員的工作量和壓力，對于一些存在過載保護的傳感器，這種故障傳感器甚至可能會引發非計劃停機等嚴重影響生產的情況。

如何對故障傳感器進行檢測和預判成為了設備安全運行面臨的一個重要課題。當前，為了避免傳感器數值異常、突變造成的設備意外停機，會在控制系統中增加溫度突變保護鎖，這種保護措施一般是通過判斷溫度變化率實現的，如果傳感器前后數據發生巨幅的變化，變化超過設定的閾值，則對傳感器進行鎖定。但是這種傳感器鎖定機制對閾值設置經驗要求較高，且存在較多的誤報和漏報情況。

傳感器數據是一種典型的隨時間變化的動態非線性數據具有海量、高維、非平穩和非線性的特點。時序數據映射著動態系統的變化規律以及潛在特性，通過對時序數據進行分析處理，可挖掘出數據中有價值的潛在信息與知識，并能夠根據學習到的知識對動態系統未來的變化趨勢做出科學估計。傳統處理時序數據信號的方法包括傅里葉變換，小波變換等，但工業傳感器的工況非常復雜，數據波動幅度較大，傅里葉變換無法兼顧時域和頻率特征。在處理時序數據上，小波變換需要預先選擇小波基和分解尺度，缺少自適應性。近年來在時序數據統計和挖掘方面有了較多的技術公開。一方面，傳統技術中提取綜合充電站和公交電站的實際到站充電車輛的時序特征，建立仿真模型，對比分析綜合充電站和公交充電站的電流諧波。另一方面，也出現了以SFPSZ-180000/220型變壓器為研究對象，提出了基于數據挖掘算法的變壓器熱點溫度時序預測方法，其預測結果可為變壓器的動態增容決策提供有效參考。還有針對滾動軸承故障提取軸承運行的時域信號特征，提高了故障識別準確率。

然而，傳統的故障檢測中，對于大量的特征以及傳感器進行故障檢測時，準確性并不高。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提高故障檢測準確性的基于無監督學習的傳感器故障檢測方法和裝置。

一種基于無監督學習的傳感器故障檢測方法，所述方法包括：

獲取設置在待檢測位置的多個傳感器按時序輸出的時序數據；

提取所述時序數據中的時序特征，以及計算所述時序數據預設統計周期內連續發生跳變的最大次數和最大累計波動量；

將所述時序特征、連續發生跳變的最大次數以及最大累計波動量作為傳感器的特征集；

將所述特征集作為輸入，利用預先設置的無監督學習聚類算法對多個傳感器進行聚類，得到故障傳感器集合和非故障傳感器集合。

在其中一個實施例中，還包括：設置跳變閾值；獲取所述時序數據的一階差分數組，將所述一階差分數組與所述跳變閾值進行比對，得到跳變比對結果；提取所述時序數據的連續跳變布爾序列集合，根據所述跳變比對結果和所述連續跳變布爾序列集合，得到預設統計周期內連續發生跳變的最大次數。

在其中一個實施例中，還包括：獲取波動量統計步長；根據所述時序數據的長度和所述波動量統計步長，統計所述時序數據相鄰數據的最大累計波動量。