CN104639398B - 基于压缩测量数据检测系统故障的方法及系统 - Google Patents
基于压缩测量数据检测系统故障的方法及系统 Download PDFInfo
- Publication number
- CN104639398B CN104639398B CN201510032994.XA CN201510032994A CN104639398B CN 104639398 B CN104639398 B CN 104639398B CN 201510032994 A CN201510032994 A CN 201510032994A CN 104639398 B CN104639398 B CN 104639398B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mover
- msup
- msub
- residual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 62
- 238000012360 testing method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007906 compression Methods 0.000 title claims abstract description 21
- 230000006835 compression Effects 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000009466 transformation Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 14
- 238000012804 iterative process Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000006837 decompression Effects 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于压缩测量数据检测系统故障的方法及系统，包括：接收被测系统控制输入信号和被测系统发送的压缩测量数据集；基于控制输入信号、压缩测量数据集和被测系统模型生成残差生成器；基于残差生成器生成残差信号序列，并基于残差信号序列判断被测系统是否发生故障。本发明无需使用解压装置，可直接利用被测系统传送的压缩测量数据进行故障检测，同时，本发明减少了压缩测量数据的传输带宽、降低了系统能耗、缩减了计算量，有效保障了故障检测的实时性、快速性等实际应用要求。
Description
技术领域
本发明涉及数据故障检测技术领域，具体地说，涉及一种基于压缩数据的远程无线故障检测方法及系统。
背景技术
远程无线遥控系统在交通、气象、军事等领域中的应用越来越广泛。虽然远程无线遥控系统可以实现局部自主控制，但为了保障其安全运行，还需要故障诊断系统对其进行实时的故障诊断。
远程无线遥控系统通常在搭载GPS、摄像及无线通信等设备之后，所剩的有效载荷和功率有限，无法继续搭载复杂的故障诊断系统。所以，通常由远程无线遥控系统通过无线网络实时的向检测站中的故障诊断系统直接传输传感器测量数据，供故障诊断系统进行故障诊断。但是，在实际应用中，由于测量数据传输量大、信道容量有限、传输距离远等因素，直接传输测量数据的故障检测方法的应用范围受到了限制。因此，为了满足传输、存储、计算与应用等诸多方面的要求，需要对远程无线遥控系统测量数据压缩后再通过无线网络向故障诊断系统进行传输。
发明内容
为解决以上问题，本发明提供了一种基于压缩测量数据检测系统故障的方法及系统，用以直接利用压缩数据对远程无线遥控系统进行故障检测。
根据本发明的一个方面，提供了一种基于压缩测量数据检测系统故障的方法，包括：
接收被测系统控制输入信号和被测系统发送的压缩测量数据集；
基于所述控制输入信号、所述压缩测量数据集和被测系统模型生成残差生成器；
基于所述残差生成器生成残差信号序列，并基于所述残差信号序列判断被测系统是否发生故障。
根据本发明的一个实施例，生成所述残差生成器的步骤进一步包括，
建立带有被测系统的执行器故障信号、过程故障信号和传感器故障信号的第一远程无线遥控系统模型：
通过压缩变换矩阵和坐标变换重构所述第一远程无线遥控系统模型以获取第二远程无线遥控系统模型；
基于所述第二远程无线遥控系统模型，通过递归方法计算估计误差协方差矩阵，并基于所述估计误差协方差矩阵得到残差生成器。
根据本发明的一个实施例，所述第一远程无线遥控系统模型表示如下：
x(k+1)＝Ax(k)+Bu(k)+Eff(k)+w(k),
y(k)＝Cx(k)+Du(k)+Fff(k)+v(k).
其中，k表示压缩测量数据采集时刻，k＝1,2,…；为系统状态变量；为控制输入信号；为测量输出； 和为系统参数矩阵，为故障信号，fA(k)、fP(k)和fS(k)分别表示执行器故障信号、过程故障信号和传感器故障信号；为系统过程噪声，为系统测量噪声，并且假设满足下列条件：
其中，E[]表示均值。
根据本发明的一个实施例，所述第二远程无线遥控系统模型为：
x(k+1)＝Ax(k)+Bu(k)+w(k),
其中，Φ为压缩变换矩阵，
根据本发明的一个实施例，通过递归方法获取所述残差生成器的步骤进一步包括：
通过以下递归方程计算估计误差协方差矩阵
其中，表示初始估计误差协方差矩阵；
由估计误差协方差矩阵得到残差信号：
当迭代过程稳定时，且满足下列条件：
由残差信号得到稳态下的残差生成器：其中，为一常数矩阵。
根据本发明的一个实施例，所述压缩变换矩阵与被测系统生成所述压缩测量数据集时采用的压缩变换矩阵相同。
根据本发明的一个实施例，判断被测系统是否发生故障包括：
设定滑动时间窗口长度和第一显著性水平α1；
基于所述残差生成器生成在滑动时间窗口长度内的压缩测量数据的残差信号序列
对所述残差信号序列进行正态检验并基于检测统计量和显著性水平α1判断被测系统是否发生故障。
根据本发明的一个实施例，所述正态检验包括：
计算滑动时间窗口内的压缩测量数据的样本偏度G1和样本峰度G2；
基于样本偏度G1和样本峰度G2计算Jarque-Bera统计量；
基于所述统计量判断被测系统在该滑动时间窗口内是否发生故障，当所述统计量大于阈值时，系统故障，当统计量小于等于阈值时，基于所述统计量的均值和协方差矩阵进行检验。
根据本发明的一个实施例，基于所述统计量的均值和协方差矩阵进行检验的步骤进一步包括：
计算统计量其中，μ0＝0，Σ0＝I，为矩阵的行均值，p＝trΣ0 -1H/my，对于第k个滑动时间窗，给定第二显著性水平α2，如果s大于阈值则系统故障，如果s小于等于阈值则系统正常。
根据本发明的另一个方面，还提供了一种基于压缩测量数据检测系统故障的系统，包括：
故障检测模块，该模块包括：
接收单元，其用于接收被测系统控制输入信号和被测系统发送的压缩测量数据集；
残差生成器单元，其基于所述控制输入信号、所述压缩测量数据集和被测系统模型生成残差生成器；
判断单元，其基于所述残差生成器单元生成残差信号，并基于所述残差信号判断被测系统是否发生故障。
本发明带来了以下有益效果：
本发明无需使用解压装置，可直接利用被测系统传送的压缩测量数据进行故障检测。本发明减少了压缩测量数据的传输带宽、降低了系统能耗、缩减了计算量，有效保障了故障检测的实时性、快速性等实际应用要求。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要的附图做简单的介绍：
图1是根据本发明的一个实施例的方法流程图；
图2是图1中步骤S120的分步骤示意图；
图3是图1中步骤S130的分步骤示意图；
图4是根据本发明的一个实施例的采用故障诊断系统对被测系统进行故障检测的示意图；
图5是根据本发明的一个实施例的故障诊断系统中的故障检测模块内部结构示意图；以及
图6是根据本发明的一个实施例的故障检测结果示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示为根据本发明的一个实施例的基于压缩测量数据检测系统故障的方法流程图。以下参考图1来对本发明所述的方法进行详细说明。在以下的说明中，以接收远程无线设备的压缩测量数据集为例来进行说明，但本发明不限于接收远程无线设备的压缩测量数据。
如图1所示，首先，在步骤S110中，接收被测系统传送的压缩测量数据集。接收的压缩测量数据集表示为：其中，表示第k个采集时刻获取的压缩测量数据。
压缩测量数据集由被测系统生成。为节省数据的传输带宽和能量，被测系统将k时刻、各个传感器获取的测量数据直接进行压缩采集。其中，表示被测系统的各个传感器在k时刻获得的测量数据。则被测系统进行测量数据压缩采集的过程可以由下式表示：
其中，my＜ny，表示被测系统在k时刻、各个传感器获取的测量数据y(k)的维数ny大于该测量数据在压缩后的维数my；Φ为压缩变换矩阵，为k时刻的压缩测量数据。
根据压缩感知理论，压缩变换矩阵中的参数矩阵φ是一随机矩阵，其中φ的每个元素φij满足下列任一条件：
按以上方式在被测系统中生成压缩测量数据集后，通过有线或远程无线方式传送出去。在本发明的实施例中，以远程无线方式传输为例来进行说明。
通过步骤S110获取多个采集时刻的压缩测量数据集后，进入到步骤S120中。在该步骤中，根据压缩变换得到的压缩域，基于获取的被测系统控制输入信号、压缩测量数据集和被测系统模型设计被测系统的残差生成器。
在步骤S120中，被测系统的残差生成器可以通过以下步骤实现，如图2所示。首先，在步骤S1201中，建立带有执行器故障，过程故障和传感器故障的统一增广描述的第一远程无线遥控系统模型，该系统模型如下：
其中，k表示压缩测量数据采集时刻；为系统状态变量；为控制输入；为测量输出； 和为系统参数矩阵，EP为不同于Ef的矩阵、FP为不同于Ff的矩阵，EP和FP的取值与被测系统有关；为故障信号，它的三个分块向量fA(k)，fP(k)和fS(k)分别表示执行器故障信号、过程故障信号和传感器故障信号；为系统过程噪声，为系统测量噪声，满足下列条件：
其中，E[]表示均值，i、j为整数。
通过步骤S1201建立第一远程无线遥控系统模型后，接下来，在步骤S1202中，基于被测系统在获取压缩测量数据时采用的压缩变换矩阵，采用坐标变换技术重构压缩域下的第二远程无线遥控系统模型。在该步骤中，在被测系统无故障状态下，重构后的第二无故障远程无线遥控系统模型为：
其中，和为坐标变换矩阵。
获取重构的无故障远程无线遥控系统模型后，在步骤S1203中，基于第二远程无线遥控系统模型通过递归方法计算估计误差协方差矩阵，并基于估计误差协方差矩阵得到残差生成器。首先，估计误差协方差矩阵根据下列递归方程计算：
则可以得到残差信号：
其中，为P0的初始估计误差协方差矩阵。
基于式(8)进行迭代计算，当迭代过程达到稳定状态时， 且满足系列条件：
即满足下列代数黎卡提方程：
因此，通过式(10)可以离线计算和从而减少残差信号的计算量，进而得到稳态下的残差信号生成器：
其中，为一常数矩阵，代表一步状态预测值。
接下来，在步骤S130中，基于残差生成器生成残差信号来判断被测系统是否发生故障。在该步骤中，通过对残差信号进行正态检验及均值和协方差矩阵检验来判断系统是否发生故障，其具体实现包括如下的步骤。如图3所示，首先，在步骤S1301中，设定滑动时间窗口长度和第一显著性水平α1。其中，滑动时间窗口长度与需选择处理的数据数量有关，一般选择500-1000。
接下来，在步骤S1302中，基于残差生成器生成残差信号序列
接下来，在步骤S1303中，对残差信号序列进行正态检验，具体的检验过程包括，先计算样本偏度G1和样本峰度G2，计算过程如下所示：
其中，为向量中元素的均值，j＝1:my。然后，计算Jarque-Bera统计量：
对于第k个滑动时间窗口，如果JBk(j)大于阈值时，系统故障。如果JBk(j)小于等于阈值时，无法判断系统是否有故障，需要进一步对残差信号序列进行均值和协方差矩阵检验，即通过步骤S1304来判断系统是否发生故障。
步骤S1304，对残差信号序列进行均值和协方差矩阵检验，具体的检验方式如下：
考虑下面的假设：
H0:μ＝μ0andΣ＝Σ0,
H1:μ≠μ0orΣ≠Σ0.
其中，H0表示原假设，H1表示被择假设，μ表示残差信号序列均值，μ0表示残差信号序列均值基准，Σ表示残差信号协方差矩阵，Σ0表示残差信号协方差矩阵基准。原假设H0的涵义：残差信号的均值等于μ0且协方差矩阵等于Σ0。被择假设H1的涵义：残差信号的均值不等于μ0或者协方差矩阵不等于Σ0。
则有极大似然值：
计算统计量s：
其中，μ0＝0，Σ0＝I，为矩阵的行均值，
对于第k个滑动时间窗，如果s大于阈值时，系统故障。如果s小于等于阈值时，系统正常，其中，α2为第二显著性水平。
根据本发明的一个实施例，本发明还提供了一种基于压缩测量数据检测被测系统故障的系统，如图4所示。该故障诊断系统通过远程无线方式与被测系统进行通信，其接收被测系统控制输入信号和被测系统发送的压缩测量数据集。被测系统接收控制输入信号来对其运行过程进行控制。在被测系统运行过程中，由于执行器故障、过程故障和传感器故障信号，以及过程噪声和测量噪声等都对测量数据产生影响。这些测量数据经设置在被测系统上的数据压缩装置压缩为压缩测量数据集后通过无线传输方式传送给故障诊断系统。
故障诊断系统包括故障检测模块，该故障检测模块包括接收单元、残差生成器单元和判断单元，如图5所示。
其中，接收单元用于接收被测系统控制输入信号和被测系统发送的压缩测量数据集；
残差生成器单元用于基于所述控制输入信号、所述压缩测量数据集、被测系统模型生成残差生成器；
判断单元基于残差生成器单元生成的残差信号，并基于该残差信号判断被测系统是否发生故障。
下面以无人机的传感器发生故障为例来对本发明的故障检测方法进行说明，未压缩测量数据集和压缩测量数据的压缩比设定为50％，其具体故障形式可表示如下：
其中，此仿真实例表示传感器故障信号f的第5维分量，该故障信号先后取值0.6，0.4，0.2。其对应的故障检测结果如图6所示，其中，f5代表故障信号f的第5维分量，fo表示故障检测结果。如图所示，本发明所述的方法可以及时检测出被测系统发生故障。
虽然本发明所揭露的实施方式如上，但所述内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (9)
1.一种基于压缩测量数据检测系统故障的方法，包括：
接收被测系统控制输入信号和被测系统发送的压缩测量数据集；
基于所述控制输入信号、所述压缩测量数据集和被测系统模型生成残差生成器；
基于所述残差生成器生成残差信号序列，并基于所述残差信号序列判断被测系统是否发生故障，
其中，生成所述残差生成器的步骤进一步包括，
建立带有被测系统的执行器故障信号、过程故障信号和传感器故障信号的第一远程无线遥控系统模型：
通过压缩变换矩阵和坐标变换重构所述第一远程无线遥控系统模型以获取第二远程无线遥控系统模型；
基于所述第二远程无线遥控系统模型，通过递归方法计算估计误差协方差矩阵，并基于所述估计误差协方差矩阵得到残差生成器。
2.根据权利要求1所述的方法，其特征在于，所述第一远程无线遥控系统模型表示如下：
x(k+1)＝Ax(k)+Bu(k)+Eff(k)+w(k),
y(k)＝Cx(k)+Du(k)+Fff(k)+v(k),
其中，k表示压缩测量数据采集时刻，k＝1,2,···；为系统状态变量；为控制输入信号；为测量输出； 和为系统参数矩阵，为故障信号，fA(k)、fP(k)和fS(k)分别表示执行器故障信号、过程故障信号和传感器故障信号；为系统过程噪声，为系统测量噪声，并且假设满足下列条件：
其中，E[]表示均值。
3.根据权利要求2所述的方法，其特征在于，所述第二远程无线遥控系统模型为：
x(k+1)＝Ax(k)+Bu(k)+w(k),
<mrow>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>C</mi>
<mo>~</mo>
</mover>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mover>
<mi>D</mi>
<mo>~</mo>
</mover>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mover>
<mi>v</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中，Φ为压缩变换矩阵，
4.根据权利要求3所述的方法，其特征在于，通过递归方法获取所述残差生成器的步骤进一步包括：
通过以下递归方程计算估计误差协方差矩阵
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>|</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mn>0</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>A</mi>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msup>
<mi>A</mi>
<mi>T</mi>
</msup>
<mo>+</mo>
<msub>
<mi>&Sigma;</mi>
<mi>w</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<mi>K</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msup>
<mover>
<mi>C</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&Phi;&Sigma;</mi>
<mi>v</mi>
</msub>
<msup>
<mi>&Phi;</mi>
<mi>T</mi>
</msup>
<mo>+</mo>
<mover>
<mi>C</mi>
<mo>~</mo>
</mover>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<msup>
<mover>
<mi>C</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>-</mo>
<mover>
<mi>K</mi>
<mo>~</mo>
</mover>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mover>
<mi>C</mi>
<mo>~</mo>
</mover>
<mo>)</mo>
</mrow>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，表示初始估计误差协方差矩阵；
由估计误差协方差矩阵得到残差信号：
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&Phi;&Sigma;</mi>
<mi>v</mi>
</msub>
<msup>
<mi>&Phi;</mi>
<mi>T</mi>
</msup>
<mo>+</mo>
<mover>
<mi>C</mi>
<mo>~</mo>
</mover>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<msup>
<mover>
<mi>C</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<mover>
<mi>C</mi>
<mo>~</mo>
</mover>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mover>
<mi>D</mi>
<mo>~</mo>
</mover>
<mi>u</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
当迭代过程稳定时，且满足下列条件：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mo>=</mo>
<mi>A</mi>
<msub>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>s</mi>
<mn>2</mn>
</mrow>
</msub>
<msup>
<mi>A</mi>
<mi>T</mi>
</msup>
<mo>+</mo>
<msub>
<mi>&Sigma;</mi>
<mi>w</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>s</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>-</mo>
<msub>
<mover>
<mi>K</mi>
<mo>~</mo>
</mover>
<mi>s</mi>
</msub>
<mover>
<mi>C</mi>
<mo>~</mo>
</mover>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>s</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>K</mi>
<mo>~</mo>
</mover>
<mi>s</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>s</mi>
<mn>1</mn>
</mrow>
</msub>
<msup>
<mover>
<mi>C</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&Phi;&Sigma;</mi>
<mi>v</mi>
</msub>
<msup>
<mi>&Phi;</mi>
<mi>T</mi>
</msup>
<mo>+</mo>
<mover>
<mi>C</mi>
<mo>~</mo>
</mover>
<msub>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>s</mi>
<mn>1</mn>
</mrow>
</msub>
<msup>
<mover>
<mi>C</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
由残差信号得到稳态下的残差生成器：其中，为一常数矩阵。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述压缩变换矩阵与被测系统生成所述压缩测量数据集时采用的压缩变换矩阵相同。
6.根据权利要求5所述的方法，其特征在于，判断被测系统是否发生故障包括：
设定滑动时间窗口长度和第一显著性水平α1；
基于所述残差生成器生成在滑动时间窗口长度内的压缩测量数据的残差信号序列
对所述残差信号序列进行正态检验并基于检测统计量和显著性水平α1判断被测系统是否发生故障。
7.根据权利要求6所述的方法，其特征在于，所述正态检验包括：
计算滑动时间窗口内的压缩测量数据的样本偏度G1和样本峰度G2；
基于样本偏度G1和样本峰度G2计算Jarque-Bera统计量；
基于所述统计量判断被测系统在该滑动时间窗口内是否发生故障，当所述统计量大于阈值时，系统故障，当统计量小于等于阈值时，基于所述统计量的均值和协方差矩阵进行检验。
8.根据权利要求7所述的方法，其特征在于，基于所述统计量的均值和协方差矩阵进行检验的步骤进一步包括：
计算统计量其中，μ0＝0，Σ0＝I，为矩阵的行均值，p＝trΣ0 -1H/my，对于第k个滑动时间窗，给定第二显著性水平α2，如果s大于阈值则系统故障，如果s小于等于阈值则系统正常。
9.一种基于压缩测量数据检测系统故障的系统，包括：
故障检测模块，该模块包括：
接收单元，其用于接收被测系统控制输入信号和被测系统发送的压缩测量数据集；
残差生成器单元，其基于所述控制输入信号、所述压缩测量数据集和被测系统模型生成残差生成器；
判断单元，其基于所述残差生成器单元生成残差信号，并基于所述残差信号判断被测系统是否发生故障，
其中，所述残差生成器单元通过以下方式生成所述残差生成器：
建立带有被测系统的执行器故障信号、过程故障信号和传感器故障信号的第一远程无线遥控系统模型：
通过压缩变换矩阵和坐标变换重构所述第一远程无线遥控系统模型以获取第二远程无线遥控系统模型；
基于所述第二远程无线遥控系统模型，通过递归方法计算估计误差协方差矩阵，并基于所述估计误差协方差矩阵得到残差生成器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510032994.XA CN104639398B (zh) | 2015-01-22 | 2015-01-22 | 基于压缩测量数据检测系统故障的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510032994.XA CN104639398B (zh) | 2015-01-22 | 2015-01-22 | 基于压缩测量数据检测系统故障的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104639398A CN104639398A (zh) | 2015-05-20 |
| CN104639398B true CN104639398B (zh) | 2018-01-16 |
Family
ID=53217741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510032994.XA Active CN104639398B (zh) | 2015-01-22 | 2015-01-22 | 基于压缩测量数据检测系统故障的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104639398B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105068529B (zh) * | 2015-08-05 | 2018-02-09 | 清华大学 | 一种基于加权残差分量比较的故障分离方法及系统 |
| FR3044437B1 (fr) * | 2015-11-27 | 2018-09-21 | Bull Sas | Procede et systeme d'aide a la maintenance et a l'optimisation d'un supercalculateur |
| US10728124B2 (en) * | 2018-03-07 | 2020-07-28 | Aptiv Technologies Limited | Efficient time series data communication |
| CN111722614B (zh) * | 2020-06-15 | 2021-07-09 | 南京航空航天大学 | 一种基于广义观测器的四旋翼无人机故障估计方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5398069A (en) * | 1993-03-26 | 1995-03-14 | Scientific Atlanta | Adaptive multi-stage vector quantization |
| CN101477375A (zh) * | 2009-01-05 | 2009-07-08 | 东南大学 | 基于矩阵奇异值关联规则挖掘的传感器数据校验方法 |
| CN102253663A (zh) * | 2011-03-25 | 2011-11-23 | 清华大学 | 一种网络化三容水箱系统的泄漏故障诊断方法及系统 |
| CN102324034A (zh) * | 2011-05-25 | 2012-01-18 | 北京理工大学 | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 |
| US8233552B2 (en) * | 2005-11-07 | 2012-07-31 | Broadcom Corporation | Method and system for utilizing givens rotation expressions for asymmetric beamforming matrices in explicit feedback information |
| CN103346797A (zh) * | 2013-05-30 | 2013-10-09 | 重庆大学 | 一种用于齿轮故障信号的实时压缩方法 |
| CN103825576A (zh) * | 2014-03-14 | 2014-05-28 | 清华大学 | 非线性系统的多项式滤波故障检测方法 |
-
2015
- 2015-01-22 CN CN201510032994.XA patent/CN104639398B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5398069A (en) * | 1993-03-26 | 1995-03-14 | Scientific Atlanta | Adaptive multi-stage vector quantization |
| US8233552B2 (en) * | 2005-11-07 | 2012-07-31 | Broadcom Corporation | Method and system for utilizing givens rotation expressions for asymmetric beamforming matrices in explicit feedback information |
| CN101477375A (zh) * | 2009-01-05 | 2009-07-08 | 东南大学 | 基于矩阵奇异值关联规则挖掘的传感器数据校验方法 |
| CN102253663A (zh) * | 2011-03-25 | 2011-11-23 | 清华大学 | 一种网络化三容水箱系统的泄漏故障诊断方法及系统 |
| CN102324034A (zh) * | 2011-05-25 | 2012-01-18 | 北京理工大学 | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 |
| CN103346797A (zh) * | 2013-05-30 | 2013-10-09 | 重庆大学 | 一种用于齿轮故障信号的实时压缩方法 |
| CN103825576A (zh) * | 2014-03-14 | 2014-05-28 | 清华大学 | 非线性系统的多项式滤波故障检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 动态系统的故障诊断技术;周东华，胡艳艳;《自动化学报》;20090630;第35卷(第6期);2.1节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104639398A (zh) | 2015-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104639398B (zh) | 基于压缩测量数据检测系统故障的方法及系统 | |
| Yu et al. | A wavelet packet transform-based deep feature transfer learning method for bearing fault diagnosis under different working conditions | |
| CN103873170B (zh) | 一种在盲稀疏条件下压缩感知的频谱检测方法 | |
| US20160123943A1 (en) | Gas recognition method based on compressive sensing theory | |
| US20240010100A1 (en) | Processing of status data of a battery for aging estimation | |
| CN103929649B (zh) | 一种视频压缩感知的重建方法 | |
| CN105827250A (zh) | 一种基于自适应字典学习的电能质量数据压缩重构方法 | |
| CN108445759B (zh) | 一种传感器饱和约束下网络化系统的随机故障检测方法 | |
| CN110319995B (zh) | 火工冲击响应数据时频谱图分析方法 | |
| CN102882530A (zh) | 一种压缩感知信号重构方法 | |
| CN104780008A (zh) | 一种基于自适应压缩感知的宽带频谱感知方法 | |
| CN103036574B (zh) | 基于压缩传感的一种自校验稀疏度自适应匹配追踪算法 | |
| CN104914846B (zh) | 基于自适应滑模观测器的电连接器间歇性失效检测方法 | |
| CN108038149B (zh) | 一种温度场数据重构方法 | |
| CN106209703A (zh) | 一种跳频信号参数盲估计方法及装置 | |
| CN108462993B (zh) | 无线传感器网络中基于rss的多目标定位方法与系统 | |
| CN108167090B (zh) | 一种固体火箭发动机试验三维燃面退移测试系统与方法 | |
| TWI754921B (zh) | 處理集合函數訊號的壓縮感知裝置、系統與方法 | |
| Thiruppathirajan et al. | Sparsity order estimation for compressed sensing system using sparse binary sensing matrix | |
| CN114204680B (zh) | 多类型自动化检测设备融合远程诊断系统及方法 | |
| CN102075970A (zh) | 利用循环重构对无线传感器网络稀疏事件进行检测的方法 | |
| Xiao et al. | Image reconstruction based on fused features and perceptual loss encoder-decoder residual network for space optical remote sensing images compressive sensing | |
| CN105068529B (zh) | 一种基于加权残差分量比较的故障分离方法及系统 | |
| Yue et al. | A improved CoSaMP algorithm based on correlation coefficient for compressed sensing image reconstruction | |
| CN104980238B (zh) | 一种基于群稀疏的协作频谱感知方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |