CN101382439A - 多参数自确认传感器及其状态自确认方法 - Google Patents

Abstract

多参数自确认传感器及其状态自确认方法，它涉及传感器领域，它解决了现有多参数传感器不能够对自身状态进行评估的问题，以及发生故障时，不能判断故障类型、不能得到正确数据的缺点。本发明是将多个被测物理量经敏感元件和传统的分析处理单元得到原始数据，这些原始测量数据经故障诊断单元后，再经输出数据生成单元得到更加丰富的输出信息。多参数传感器比单一参数传感器输出更多的物理量测量值，其中一些物理量之间通常存在着相关性，这些相关性是故障诊断和状态确认的重要条件。本发明能够在线评估工作状态和输出数据不确定度，使系统能清晰了解传感器的在线工作状态和输出数据的可信度，并在发生故障时，能够诊断出故障类型，实现数据重构。

Description

多参数自确认传感器及其状态自确认方法

技术领域

本发明涉及传感器领域，具体涉及多参数自确认传感器及其状态自确认方法。

背景技术

现在各种工业场合和设备中使用的传感器数量和种类越来越多，传感器作为信息获取的源头，其测量数据的准确性对系统有至关重要的影响。

在很多应用场合，往往需要同时检测多个物理量，例如在矿井中经常需要同时监测温度、湿度和甲烷等，防止发生危险，在潜艇等密闭环境中常需要监测温度、湿度、风速、一氧化碳等，保证工作环境安全。

随着技术的进步，传感器逐渐向多参数传感器方向发展。将几个敏感元件集成在一起或在同一材料上制造几个敏感元件，使一个传感器可以同时检测多个物理量。随着多参数传感器测量的物理量的增加，传感器的结构也越来越复杂，多参数传感器较单一参数传感器发生故障的概率更大，因此更对多参数传感器的自身状态进行评估，给出测量值的不确定度，并在发生故障时，判断故障类型进而实现数据重构势在必行。

但目前绝大部分系统缺乏对多参数传感器本身的检测，一般都认为传感器输出数据是正确的。可是一旦多参数传感器发生故障，将会影响系统正常运行甚至产生重大损失，因此实时地了解多参数传感器的工作状态及数据的可信度非常重要。

发明内容

本发明为了解决现有多参数传感器不能够对自身状态进行评估的问题，以及发生故障时，不能判断故障类型、不能得到正确数据的缺点，而提出了一种多参数自确认传感器及其状态自确认方法。

本发明的多参数自确认传感器由敏感单元、传统分析处理单元、故障诊断单元和生成输出数据单元组成；敏感单元测量多个被测物理量，敏感单元的输出端分别连接传统分析处理单元的输入端和故障诊断单元的一个输入端，故障诊断单元的另两个输入端分别接收传统分析处理单元和其他相关信息的信号数据，故障诊断单元的输出端连接生成输出数据单元的输入端，生成输出数据单元的输出端输出多种数据。

本发明的多参数自确认传感器的状态自确认方法步骤如下所示：

步骤一：通过其他相关信息通道向故障诊断单元输入已知敏感单元工作状态的历史数据，利用偏最小二乘法提取主成分，得到各种敏感单元的各种工作状态特征矩阵；

步骤二：利用步骤一提取的各种敏感单元的各种工作状态特征矩阵，训练支持向量分类机，得到支持向量分类机的参数；

步骤三：通过传统分析处理单元再向故障诊断单元输入实测数据，再利用偏最小二乘法提取实测工作状态特征矩阵，然后输入步骤二中训练好的支持向量分类机进行故障诊断，确认敏感单元的状态；如果敏感单元无故障，输出正常状态；如果敏感单元发生故障，需要在故障诊断单元进行数据重构，进入步骤A；

步骤A：通过其他相关信息通道向故障诊断单元输入敏感单元正常工作状态下的数据，通过偏最小二乘方法进行主成分提取和交叉有效性分析，建立回归模型；

步骤B：利用发生故障前的敏感单元输出数据，以及故障后敏感单元正常部分的输出数据，通过步骤A建立的回归分析模型，预测敏感单元故障部分的输出；

步骤C：利用步骤B的预测数据，代替敏感单元故障部分的输出，输出确认后的测量值。

多参数传感器比单一参数传感器输出更多的物理量测量值，其中一些物理量之间通常存在着相关性，这些相关性是故障诊断和状态确认的重要条件。本发明的目的在于解决多个传感器的工作状态和输出数据不确定度在线评估问题，使系统能清晰了解传感器的在线工作状态和输出数据的可信度，并在传感器发生故障时，能够诊断出故障类型，实现数据重构。

附图说明

图1本发明的多参数自确认传感器结构示意图；图2是本发明方法的流程框图；图3是利用偏最小二乘法提取特征的原始训练集数据分布示意图；图4是偏最小二乘法提取的数据特征数据分布示意图；图5是故障诊断测试输入数据集合数据分布示意图；图6是故障诊断结果数据分布示意图；图3至图6中+为正常数据，○为开路数据，☆为短路数据；图7是偏最小二乘回归分析对比曲线图；图8是偏最小二乘回归分析相对误差曲线图；图9是甲烷敏感元件加热丝开路故障偏最小二乘回归分析重构曲线；图10是甲烷敏感元件加热丝短路故障偏最小二乘回归分析重构曲线。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式由敏感单元1、传统分析处理单元2、故障诊断单元3和生成输出数据单元4组成；敏感单元1测量多个被测物理量，敏感单元1的输出端分别连接传统分析处理单元2的输入端和故障诊断单元3的一个输入端，故障诊断单元3的另两个输入端分别接收传统分析处理单元2和其他相关信息的信号数据，故障诊断单元3的输出端连接生成输出数据单元4的输入端，生成输出数据单元4的输出端输出多种数据。

敏感单元1是将测量多个参数的敏感元件封装在一个传感器中，可以同时感应这多个物理量的变化的测量单元。

传统分析处理单元2主要是对敏感元件输出的信号进行放大、滤波等初步的处理。

故障诊断单元3是根据敏感单元1给出的多个输出，以及他们之间的相关关系对敏感单元1的状态进行评估，确认敏感单元1的工作状态，故障诊断方法采用偏最小二乘法和支持向量机方法。

生成输出数据单元4输出故障诊断单元的结果，进一步对多参数传感器的输出进行处理，得到确认的测量值、测量值不确定度、测量值状态、原始数据和故障类型这几种输出信息，其中不确定度是对当前传感器输出值准确度的一个定量的表征，目前在故障状态下，确认的不确定度一般是在传感器正常输出信号的基础上，根据经验增加一个加性不确定度来实现。如果敏感单元1发生故障，需要进行数据重构，在发生故障后代替故障输出，数据重构的方法采用偏最小二乘回归分析方法。

故障诊断单元3和生成输出数据单元4为采用北京合众达电子技术有限责任公司研制的基于TMS320F28335的高性能电机控制嵌入式DSP开发板中的模块。

具体实施方式二：结合图2说明本实施方式，本实施方式的步骤如下：

步骤一：通过其他相关信息通道向故障诊断单元3输入已知敏感单元1工作状态的历史数据，利用偏最小二乘法提取主成分，得到各种敏感单元1的各种工作状态特征矩阵；

步骤二：利用步骤一提取的各种敏感单元1的各种工作状态特征矩阵，训练支持向量分类机，得到支持向量分类机的参数；

步骤三：通过传统分析处理单元2再向故障诊断单元3输入实测数据，再利用偏最小二乘法提取实测工作状态特征矩阵，然后输入步骤二中训练好的支持向量分类机进行故障诊断，确认敏感单元1的状态；如果敏感单元1无故障，输出正常状态；如果敏感单元1发生故障，需要在故障诊断单元3进行数据重构，进入步骤A；

步骤A：通过其他相关信息通道向故障诊断单元3输入敏感单元1正常工作状态下的数据，通过偏最小二乘方法进行主成分提取和交叉有效性分析，建立回归模型；

步骤B：利用发生故障前的敏感单元1输出数据，以及故障后敏感单元1正常部分的输出数据，通过步骤A建立的回归分析模型，预测敏感单元1故障部分的输出；

步骤C：利用步骤B的预测数据，代替敏感单元1故障部分的输出，输出确认后的测量值。

具体实施方式三：本实施方式与具体实施方式一不同点在于步骤一，首先，将第1参数和第q参数数据定义为自变量集X_n×q，将第q+1参数和第m参数数据定义为数据集Y_n×(m-q)，n为样本点数，对X_n×2和Y_n×1利用下公式(1)进行标准化处理，得到相应的X_n×q数据集E₀和相应的Y_n×(m-q)数据集F₀：(i＝1，2，...，n；j＝1，2，...，m)

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j}{s_j}---\left(1\right)$

即每一列数据都剪去该列的均值，然后除以该列的方差，使该列的数据均值为零，方差为1，消除量纲对数据的影响；

根据公式(2)计算数据集E₀的第一主成分t₁：

t₁＝E₀ω₁           (2)

其中ω₁是对应于矩阵最大特征值的单位特征向量；

根据公式(3)计算数据集F₀的第一主成分u₁：

u₁＝F₀c₁                        (3)

其中c₁是对应于矩阵

最大特征值的单位特征向量；

将u₁与t₁合并得到特征矩阵M₁，作为表示该状态的特征矩阵；

分别对多种状态下的数据集重复上述过程，得到敏感单元1各种工作状态特征矩阵M₁、M₂…M_m。其它步骤与具体实施方式一相同。

具体实施方式四：本实施方式与具体实施方式一不同点在于步骤二，利用支持向量分类机进行的多分类问题，由于支持向量机是针对二分类问题提出的，因此步骤二将多分类问题转化为二分类问题，二分类决策函数如下：

$f\left(x\right)=\mathrm{sign}[\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x_i,x_j)+b^{*}]---\left(4\right)$

其中，α_i为拉格朗日乘子，K(x_i，x_j)为核函数，sign为符号函数，l为支持向量数目，b^*为分类阈值。核函数的选择直接关系到分类的效果，本发明中选择高斯径向基核函数(RBF，Radial BasisFunction)，无论是低维、高维、小样本、大样本等情况，RBF核函数均适用，具有较宽的收敛域，是较为理想的分类依据函数：

K(x，x_k)＝exp(-‖x-x_k‖²/2σ²)          (5)

支持向量分类机的训练样本采用的是步骤一得到的特征矩阵M₁、M₂…M_m，得到支持向量分类机的参数。其它步骤与具体实施方式一相同。

本发明内容不仅限于上述各实施方式的内容，其中一个或几个具体实施方式的组合同样也可以实现发明的目的。

具体实施方式五：结合图3至图10说明本实施方式，本实施方式以测量温度、湿度和甲烷浓度三种参数为例介绍故障诊断过程，测量一密闭容器中的温度、湿度、和甲烷气体浓度。

由于温度和湿度敏感元件稳定性好，不易发生故障，测量甲烷的敏感元件容易发生故障，且常见是由于气敏元件工作在高温状态，加热丝断裂，引起电路的开路、短路(加热丝脱落在加热电极)，在很多环境中，甲烷气体都是一种很危险的气体，因此对它的故障诊断和数据重构具有重要意义。

本实施方式就以测量甲烷的敏感元件发生开路或短路故障，其他敏感元件正常为例，介绍自确认故障诊断的过程。

实验环境温度范围20℃-40℃，相对湿度范围10％-60％。实验时测量3个参数(物理量)，即温度、湿度、和甲烷气体浓度，得到实验数据，对进行故障诊断和数据重构，具体的步骤如下：

步骤一：输入已知敏感单元1工作状态的历史数据，利用偏最小二乘法提取主成分，首先，将温度和湿度数据定义为自变量集X_n×2，将甲烷气体数据定义为数据集Y_n×1，甲烷气体信号采用电压表示，n为样本点数，对X_n×2和Y_n×1利用下公式(1)进行标准化处理，得到变量集X_n×2相应的数据集E₀和变量集Y_n×1相应的数据集F₀：(i＝1，2，...，n；j＝1，2)

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j}{s_j}---\left(1\right)$

即每一列数据都剪去该列的均值，然后除以该列的方差，使该列的数据均值为零，方差为1，消除量纲对数据的影响。

根据公式(2)计算E₀的第一主成分t₁：

t₁＝E₀ω₁               (2)

其中ω₁是对应于矩阵最大特征值的单位特征向量。

根据公式(3)计算F₀的第一主成分u₁：

u₁＝F₀c₁                  (3)

其中c₁是对应于矩阵

最大特征值的单位特征向量。

将u₁与t₁合并得到特征矩阵M₁，作为表示该状态的特征矩阵。

分别对甲烷敏感元件加热丝正常、甲烷敏感元件加热丝开路、甲烷敏感元件加热丝短路三种状态下的数据集重复上述过程，得到特征矩阵M₁、M₂和M₃。实验结果表明，利用第一主成分矩阵就可以得到良好的分类结果，因此，没有进行第二主成分的提取。图3为利用偏最小二乘法提取特征的原始训练集，图4为偏最小二乘法提取的数据特征，正常状态特征编码为1，开路状态特征编码为2，短路状态特征编码为3；

步骤二：利用步骤一提取的状态特征矩阵M₁、M₂和M₃，训练支持向量分类机进行的二分类问题，决策函数如下：

$f\left(x\right)=\mathrm{sign}[\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x_i,x_j)+b^{*}]---\left(4\right)$

其中，α_i为拉格朗日乘子，sign为符号函数，l为支持向量数目，b^*为分类阈值，K(x_i，x_j)为核函数：

K(x，x_k)＝exp(-‖x-x_k‖²/2σ²)       (5)

本实施方式中的三分类问题是先将甲烷敏感元件加热丝正常作为一类，甲烷敏感元件加热丝开路、甲烷敏感元件加热丝短路作为一类首先进行二分类，然后再对甲烷敏感元件加热丝开路、甲烷敏感元件加热丝短路两种状态进行二分类，最终将三分类问题转化为二分类问题的。支持向量分类机的训练样本采用的是步骤一得到的敏感单元1各种工作状态特征矩阵M₁、M₂和M₃，其对应的特征编码为1，2，3，即支持向量分类机的训练目标集是[m₁₁Lm_1n，m₂₁Lm_2n，m₃₁Lm_3n]_1×3n，其中m₁₁Lm_1n的值全为1，m₂₁Lm_2n的值全为2，m₃₁Lm_3n的值全为3；图5为敏感单元1故障诊断测试输入数据集合，测试集合中共有正常、开路和短路三种数据；图6为测试数据经故障特征提取和支持向量分类机分类后的结果；图6表明，多参数自确认传感器故障诊断结果为100％；

步骤三：输入放大、滤波后的实测数据信号，在利用偏最小二乘法提取敏感单元1各种实测工作状态特征矩阵，然后输入步骤二中训练得到的支持向量分类机，对敏感单元1进行故障诊断，确认敏感单元1的状态，如果敏感单元1发生故障，需要进行数据重构，在发生故障后代替故障输出，数据重构的方法采用偏最小二乘回归分析方法，其特征在于数据重构方法步骤如下：

当测量甲烷气体的敏感元件发生故障时，利用偏最小二乘法回归分析方法进行数据重构，具体步骤如下：

步骤A：首先，输入正常工作状态下的数据，将温度和湿度数据定义为自变量集J_n×2，n为样本点数，将甲烷气体数据定义为数据集L_n×1，甲烷气体采用差分电导表示： $y=\frac{g_s-g_0}{g_0},$ 其中g_s为甲烷敏感元件在甲烷气体中的电导，g₀为甲烷敏感元件在空气中的电导。对J和L利用下公式(1)进行标准化处理，得到相应的数据集M₀和S₀，由于此处是对单变量的偏最小二乘回归，S₀(S₀∈Rⁿ) 只是一维变量，v₁＝S₀b₁，又‖b₁‖＝1且b₁是标量，所以b₁＝1，即有S₀第一主成分：

v₁＝S₀                      (6)

此时：

$d_1=\frac{M_0^T{S}_0}{\left|\right|M_0^T{S}_0\left|\right|}---\left(7\right)$

E₀的第一主成分：

z₁＝M₀d₁                   (8)

则E₀在t₁上的回归以及F₀在t₁上的回归：

$M_0=z_1{q}_1^T+M_1---\left(9\right)$

S₀＝z₁e₁+S₁                  (10)

式中：q₁和e₁为回归系数， $q_1=\frac{M_0^T{z}_1}{{\left|\right|z_1\left|\right|}^2},$ $e_1=\frac{S_0^T{z}_1}{{\left|\right|z_1\left|\right|}^2},$ M₁和S₁为残差矩阵

$M_1=M_0-z_1{q}_1^T---\left(11\right)$

S₁＝S₀-z₁e₁                       (12)

然后，进行偏最小二乘回归的第二遍，以M₁取代M₀，以S₁取代S₀，用同样的方法重复第一遍的工作，依次类推偏最小二乘回归的第三遍，……，达到规定次数，最后，可以利用交叉有效性分析确定迭代次数，也可以根据回归相对误差来确定迭代次数，建立完成回归模型；从图7可以看出，偏最小二乘法回归分析在两次迭代后，相对误差在3％以下；

步骤B：利用发生故障前的敏感单元1输出数据，以及故障后敏感单元1正常部分的输出数据，通过步骤A建立的回归分析模型，预测敏感单元1故障部分的输出；

步骤C：利用步骤B的预测数据，代替敏感单元1故障部分的输出，输出确认后的测量值，实现数据重构功能。图9和图10所示。

本实施方式实现了测量温度、湿度和甲烷气体浓度三种物理量的敏感单元1参数，实验表明在包括敏感单元1故障时刻在内的每个测量时刻，它不仅能够输出测量值，同时能够对该测量值的准确度给出定量的评价，输出更加丰富的可供决策参考的信息，包括确认的测量值，各测量值的不确定度，测量值状态，原始数据和故障类型，丰富了敏感单元1的输出信息，提高了敏感单元1的可靠性。

Claims (4)

1、多参数自确认传感器，其特征在于它由敏感单元(1)、传统分析处理单元(2)、故障诊断单元(3)和生成输出数据单元(4)组成；敏感单元(1)测量多个被测物理量，敏感单元(1)的输出端分别连接传统分析处理单元(2)的输入端和故障诊断单元(3)的一个输入端，故障诊断单元(3)的另两个输入端分别接收传统分析处理单元(2)和其他相关信息的信号数据，故障诊断单元(3)的输出端连接生成输出数据单元(4)的输入端，生成输出数据单元(4)的输出端输出多种数据。

2、多参数自确认传感器的状态自确认方法，其特征在于它的步骤如下：

步骤一：通过其他相关信息通道向故障诊断单元(3)输入已知敏感单元(1)工作状态的历史数据，利用偏最小二乘法提取主成分，得到各种敏感单元(1)的各种工作状态特征矩阵；

步骤二：利用步骤一提取的各种敏感单元(1)的各种工作状态特征矩阵，训练支持向量分类机，得到支持向量分类机的参数；

步骤三：通过传统分析处理单元(2)再向故障诊断单元(3)输入实测数据，再利用偏最小二乘法提取实测工作状态特征矩阵，然后输入步骤二中训练好的支持向量分类机进行故障诊断，确认敏感单元(1)的状态；如果敏感单元(1)无故障，输出正常状态；如果敏感单元(1)发生故障，需要在故障诊断单元(3)进行数据重构，进入步骤A；

步骤A：通过其他相关信息通道向故障诊断单元(3)输入敏感单元(1)正常工作状态下的数据，通过偏最小二乘方法进行主成分提取和交叉有效性分析，建立回归模型；

步骤B：利用发生故障前的敏感单元(1)输出数据，以及故障后敏感单元(1)正常部分的输出数据，通过步骤A建立的回归分析模型，预测敏感单元(1)故障部分的输出；

步骤C：利用步骤B的预测数据，代替敏感单元(1)故障部分的输出，输出确认后的测量值。

3、根据权利要求2所述的多参数自确认传感器的状态自确认方法，其特征在于步骤一，首先，将第1参数和第q参数数据定义为自变量集X_n×q，将第q+1参数和第m参数数据定义为数据集Y_n×(m-q)，n为样本点数，对X_n×2和Y_n×1利用下公式(1)进行标准化处理，得到相应的X_n×q数据集E₀和相应的Y_n×(m-q)数据集F₀：(i＝1，2，...，n；j＝1，2，...，m)

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j}{s_j}---\left(1\right)$

即每一列数据都剪去该列的均值，然后除以该列的方差，使该列的数据均值为零，方差为1，消除量纲对数据的影响；

根据公式(2)计算数据集E₀的第一主成分t₁：

t₁＝E₀ω₁                (2)

其中ω₁是对应于

矩阵最大特征值的单位特征向量；

根据公式(3)计算数据集F₀的第一主成分u₁：

u₁＝F₀c₁                (3)

其中c₁是对应于矩阵最大特征值的单位特征向量；

将u₁与t₁合并得到特征矩阵M₁，作为表示该状态的特征矩阵；

分别对多种状态下的数据集重复上述过程，得到敏感单元(1)各种工作状态特征矩阵M₁、M₂…M_m。

4、根据权利要求2所述的多参数自确认传感器的状态自确认方法，其特征在于步骤二，利用支持向量分类机进行的多分类问题，由于支持向量机是针对二分类问题提出的，因此步骤二将多分类问题转化为二分类问题，二分类决策函数如下：

$f\left(x\right)=\mathrm{sign}[\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i(x_i,y_j)+b^{*}]---\left(4\right)$

其中，α_i为拉格朗日乘子，K(x_i，x_j)为核函数，sign为符号函数，l为支持向量数目，b^*为分类阈值。核函数的选择直接关系到分类的效果，本发明中选择高斯径向基核函数(RBF，Radial BasisFunction)，无论是低维、高维、小样本、大样本等情况，RBF核函数均适用，具有较宽的收敛域，是较为理想的分类依据函数：

K(x，x_k)＝exp(-||x-x_k||²/2σ²)          (5)

支持向量分类机的训练样本采用的是步骤一得到的特征矩阵M₁、M₂…M_m，得到支持向量分类机的参数。

Images