CN107101662A - 故障检测方法及系统 - Google Patents

Abstract

本申请涉及一种故障检测方法及系统，所述方法包括：获取传感器阵列中每个传感器的合成权值、传感器阵列的合成信号的第一信噪比以及每个传感器的传感器因子；根据每个传感器的传感器因子，从传感器阵列中选择目标传感器，并将目标传感器的合成权值更新为第一修正值；根据目标传感器的第一修正值和除目标传感器外，传感器阵列中其他传感器的合成权值，计算合成信号的第二信噪比；判断第二信噪比是否大于第一信噪；当第二信噪比大于第一信噪比时，确定目标传感器为故障传感器，其中，第一修正值成为所述目标传感器的合成权值。该方法能有效检测传感器故障，同时修正故障传感器的合成权值，减少合成损失。

Description

故障检测方法及系统

技术领域

本发明涉及信号处理领域，尤其涉及一种故障检测方法及系统。

背景技术

传感器阵列的信号合成技术，即利用多个传感器接收同一信号，根据信号的相干性和噪声的不相干性，将信号进行加权合成，从而提高接收信号信噪比。该传感器阵列的信号合成技术可以有效提高传感器阵列的接收性能，给某些极低信噪比信号的接收提供了途径，可以应用在环境检测、雷达接收、通信导航或深空探测等领域。

D.H.Rogstad等人发表的文章《The SUMPLE Algorithm for Aligning Arrays ofReceiving Radio Antennas:Coherence Achieved with Less Hardware and LowerCombining Loss》中提出一种SUMPLE算法。

但是，该算法没有考虑传感器阵列的故障。在实际应用中，某些传感器可能在使用过程中会发生故障。由于故障传感器所接收到的是噪声，虽然故障传感器的合成权值小于非故障传感器的合成权值，但是故障传感器的合成权值不为零，故引入的噪声会增加传感器阵列的合成损失。因此有必要检测并判断传感器阵列是否发生故障，并对故障传感器的合成权值进行修正，通过降低故障传感器的合成权值来减少合成损失。

沈彩耀等人发表的文章《天线组阵中基于SUMPLE算法的故障天线分析》中提出一种增加α权值修正系数的SUMPLE(α-SUMPLE)方法，权值修正系数的功能是通过提高无故障传感器的合成权值来增强其作用，同时通过降低故障传感器的合成权值来减小其影响，进而降低故障发生时的合成损失。

上述两种算法存在的问题是：SUMPLE算法没有分析故障发生时的合成权值的估计问题。

α-SUMPLE算法的缺点为：(1)当传感器阵列没有发生故障时，权值修正系数使得合成权值信噪比下降，从而增加额外的合成损失；(2)当传感器阵列发生故障时，如果信号的信噪比较低，权值修正系数会使得权值误差进一步增大，从而导致更大的合成损失。

发明内容

针对上述技术问题，本发明提供了一种传感器阵列中的故障检测方法，能有效检测传感器故障，同时修正故障传感器的合成权值，减少合成损失。

第一方面，提供了一种故障检测方法，所述方法包括：获取传感器阵列中每个传感器的合成权值、传感器阵列的合成信号的第一信噪比以及每个传感器的传感器因子；根据所述每个传感器的传感器因子，从所述传感器阵列中选择目标传感器，并将所述目标传感器的合成权值更新为第一修正值；根据所述目标传感器的第一修正值和除所述目标传感器外，所述传感器阵列中其他传感器的合成权值，计算合成信号的第二信噪比；判断所述第二信噪比是否大于所述第一信噪；当所述第二信噪比大于所述第一信噪比时，确定所述目标传感器为故障传感器，其中，所述第一修正值成为所述目标传感器的合成权值。

在一种可能的实现方式中，所述获取传感器阵列中每个传感器的合成权值，包括：根据公式计算传感器阵列中每个传感器的合成权值；其中，ncor为时间间隔，为接收信号，为除第i个传感器外，传感器阵列接收信号的合成信号作为第i个传感器接收信号的参考信号，R_K+1为归一化系数，

在一种可能的实现方式中，根据公式计算传感器阵列的合成信号的第一信噪比和第二信噪比；

其中，为传感器阵列在ncor的时间间隔内信号的平均功率，为传感器阵列在ncor的时间间隔内噪声的平均功率。

在一种可能的实现方式中，所述获取传每个传感器的传感器因子，包括：根据公式确定每个传感器的传感器因子；其中，为第i个传感器在第K+1段的合成权值功率，为除第i个传感器外，传感器阵列在第K+1段的合成权值功率。

第二方面，提供了一种故障检测系统，所述系统包括：获取模块，选择模块，计算模块，比较模块和确定模块；所述获取模块，用于获取传感器阵列中每个传感器的合成权值、传感器阵列的合成信号的第一信噪比以及每个传感器的传感器因子；所述选择模块，用于根据所述每个传感器的传感器因子，从所述传感器阵列中选择目标传感器，并将所述目标传感器的合成权值更新为第一修正值；所述计算模块，用于根据所述目标传感器的第一修正值和除所述目标传感器外，所述传感器阵列中其他传感器的合成权值，计算合成信号的第二信噪比；所述比较模块，用于将所述第一信噪比与所述第二信噪比进行比较；所述确定模块，用于当所述第二信噪比大于所述第一信噪比时，确定所述目标传感器为故障传感器，其中，所述第一修正值成为所述目标传感器的合成权值。

在一种可能的实现方式中，所述获取模块具体用于：根据公式计算传感器阵列中每个传感器的合成权值；其中，ncor为时间间隔，为接收信号，为除第i个传感器外，传感器阵列接收信号的合成信号作为第i个传感器接收信号的参考信号，R_K+1为归一化系数，

在一种可能的实现方式中，所述获取模块具体用于：根据公式计算传感器阵列的合成信号的第一信噪比和第二信噪比；其中，为传感器阵列在ncor的时间间隔内信号的平均功率，为传感器阵列在ncor的时间间隔内噪声的平均功率。

在一种可能的实现方式中，所述获取模块具体用于：根据公式确定每个传感器的传感器因子；其中，为第i个传感器在第K+1段的合成权值功率，为除第i个传感器外，传感器阵列在第K+1段的合成权值功率。

附图说明

图1为时间变量(K和k)的关系示意图。

图2为本发明实施例提供的故障检测方法流程示意图；

图3为当传感器阵列中不存在传感器故障时，不同算法对信号合成性能损失对比示意图；

图4为当传感器阵列中存在一个传感器故障时，不同算法对信号合成性能损失对比图；

图5为不同算法在迭代过程中信号合成性能损失对比图；

图6为传感器因子γ_wi在故障发生前后的变化对比图；

图7为本发明实施例提供的故障检测系统结构示意图。

具体实施方式

本申请提出的故障检测方法，可以用于检测传感器阵列、多个接收天线或者声多个声纳中的故障。本申请仅以故障检测方法应用于传感器阵列进行说明，可以理解的是，当该方法应用于检测多个接收天线或者多个声纳中的故障时，其检测步骤和传感器阵列中传感器故障的检测方法一致，下文不再赘述。

以传感器阵列为例，在进行故障检测之前，需要对接收信号建模，将接收信号建模为：

其中，表示第i个传感器在第k时刻接收到的信号，i＝1,2,…,N，N为传感器总个数，k为采样点时间变量；表示第i个传感器在第k时刻接收到的源信号，为第i个传感器在第k时刻接收到的噪声，上标s表示与存在对应关系，上三角标号^表示该变量为复数。

将信号的合成权值表示为：

其中，表示第i个传感器在第K段相关时间间隔接收的信号的合成权值；表示第i个传感器在第K段相关时间间隔接收的源信号的理想合成权值，可称为信号权值；表示第i个传感器在第K段相关时间间隔由噪声引起的权值估计误差，可称为噪声权值。图1为时间变量(K和k)的关系示意图，如图1所示，ncor为相关时间间隔，K为以相关时间间隔ncor为单位的时间变量。

根据公式(1)和(2)，合成信号可以表示为：

其中，符号*表示复数共轭运算，合成信号的信号项和噪声项分别为：

假设各个传感器接收性能相同，各个接收信号已经对齐，且各传感器信号的权值均互不相关时，根据公式(4)可以计算合成后信号项的平均功率

其中，表示合成前信号项的平均功率，表示合成噪声权值的平均功率。

根据公式(5)可以计算合成后噪声项的平均功率

其中，表示合成前噪声项的平均功率，表示合成信号权值的平均功率。

因此根据公式(6)和公式(7)，合成信号的信噪比为SNR：

假设各个传感器输入信号的信噪比为合成权值的信噪比为则上式可以化简为：

其中ρ等于：

由于假设各个传感器接收性能相同，因此ρ≈1。据此，建立合成信号的目标函数为：

当合成权值的信噪比ρ_w＞＞1时，根据公式(11)，则合成信号的信噪比基本能够达到理论最佳性能SNR_opt：

SNR_opt＝Nρ_s (12)

实际上，由于合成噪声权值的影响，合成性能无法达到理论最佳性能。因此可以定义合成权值估计误差造成的合成信噪比损失因子ΔSNR(ρ_w)：

根据公式(13)，公式(11)可以改写为：

SNR＝SNR_optΔSNR(ρ_w) (14)

根据公式(13)可知，合成后的信噪比损失因子ΔSNR(ρ_w)与合成权值信噪比ρ_w密切相关，且合成权值信噪比越大，损失因子趋近于1，合成信号的信噪比趋近于理论最佳性能值，合成损失越小。

建立合成权值的迭代公式，即根据推导出第i个传感器在第K+1段的权值

其中P_i,K等于：

公式(15)中，表示除第i个传感器之外所有传感器接收信号的合成信号作为第i个传感器接收信号的参考信号，R_K+1是归一化系数，其作用在于保证各传感器的合成权值平方和等于传感器个数，如公式(18)所示，以防止合成权值幅度因连续累加变得不稳定。

实际上，在大型传感器阵列中，某些传感器可能在使用过程中会发生故障。由于故障传感器所接收到的是噪声，而且故障传感器的合成权值不为零，故障传感器的噪声会增加传感器阵列的合成损失。因此有必要检测并判断传感器阵列是否发生故障，并对故障传感器的合成权值进行修正，通过降低故障传感器的合成权值来减少合成损失。

α-SUMPLE作为一种递推迭代的算法，建立合成权值的迭代公式，即根据推导出第i个传感器在第K+1段的合成权值

其中，是权值修正系数，

通过提高无故障传感器的合成权值来增强其作用，同时通过降低故障传感器的合成权值来减小其影响，进而降低故障发生时的合成损失。

但是，当传感器阵列没有发生故障时，权值修正系数使得合成权值信噪比下降，从而增加额外的合成损失。因此，有必要先确定传感器阵列中发生故障的传感器，从而降低合成损失。

为了方便分析，假设在N个传感器阵列中，某传感器发生故障，其接收信号的信噪比远低于其他传感器，而其他传感器接收信号的信噪比相同。不失一般性，假设第1个传感器发生故障，即没有源信号，只存在噪声。传感器阵列的合成信号表示为：

其中，和分别表示合成后的信号项与噪声项。

假设积分时间内，信号和噪声功率基本保持不变，且信号和噪声是相对独立的，经过积分后，公式(22)可以表示为：

其中，表示经过积分后合成前的信号分量，表示经过积分后合成后的信号分量，而表示经过积分后合成前的噪声分量，表示经过积分后合成后的噪声分量。由于假设噪声功率保持不变，因此可以用K＝0的噪声代替。

结合公式(2)将合成权值分成信号分量和噪声分量，则第i(i≠1)个传感器合成权值的信号分量和噪声分量分别为：

由于假设各个传感器接收性能相同，而且接收信号功率保持不变，因此第K段时间间隔的平均功率可以由第0段代替，即此时信号分量平均功率为：

而噪声分量的平均功率为：

又因为合成权值的信噪比为则可以表示为：

将公式(27)和公式(28)代入合成权值信噪比公式：

因此存在一个故障传感器的合成权值信噪比为：

令因子γ_wi等于：

则公式(30)可以整理得：

由于假设各个传感器接收性能相同，若合成权值的信噪比较高，在算法稳定收敛后，第i(i≠1)个传感器权值的功率为常数，则：

且故障传感器(i＝1)的合成权值功率与非故障传感器(i≠1)的合成权值功率之比β等于：

则公式(31)可以化简为

结合公式(11)、(32)和(35)，可以看出故障传感器会降低非故障传感器的合成权值信噪比，而且β值越大，则γ_wi值越大，合成权值信噪比ρ_wi越小，合成损失就越大；由于γ_wi≥N-2，仅当时等号才成立。从另外一个角度考虑，由于第1个传感器所接收到的是噪声，因此理论上的合成权值应该为0，这样才不会对信号合成产生影响。而在SUMPLE和α-SUMPLE算法中，虽然故障传感器的合成权值会减小，但是合成权值却不等于0因此增加了合成损失。

为了计算实际的合成信号的信噪比SNR_practical：

结合公式(12)和(36)，计算合成损失SNR_loss：

SNR_loss＝SNR_opt-SNR_practical (37)

因此，基于上述分析，可以以传感器因子作为判据，检测出传感器阵列中发生故障的传感器。图2为本发明实施例提供的故障检测方法流程示意图。如图2所示，所述方法包括以下步骤：

步骤210，获取传感器阵列中每个传感器的合成权值、传感器阵列的合成信号的第一信噪比以及每个传感器的传感器因子。

具体的，可以通过公式(15)获取传感器阵列中每个传感器的合成权值。

可以通过公式(36)获取传感器阵列的合成信号的第一信噪比。

可以通过公式(31)获取传感器阵列中每个传感器的传感器因子。

步骤220，根据所述每个传感器的传感器因子，从传感器阵列中选择目标传感器，并将目标传感器的合成权值更新为第一修正值。

具体的，可以对每个传感器的传感器因子进行排序。比如，可以按照从大到小的顺序，对传感器因子进行排序，也可以按照从小到大的顺序，对传感器因子进行排序。根据排序结果，确定传感器因子排在首位或者排在末位的传感器为目标传感器。

第一修正值可以为0。

由于故障传感器的合成权值小于非故障传感器的合成权值，因此故障传感器的因子大于非故障传感器的因子，因此，可以通过传感器因子的大小，反推出传感器阵列中是否存在传感器故障。

需要说明的是，也可以根据β值的排序结果，确定传感器阵列中是否存在传感器故障，并确定出发生故障的传感器。

步骤230，根据目标传感器的第一修正值和除目标传感器外，传感器阵列中其他传感器的合成权值，计算合成信号的第二信噪比。

具体的，可以根据公式(36)，计算合成信号的第二信噪比。

步骤240，判断第二信噪比是否大于第一信噪比。如果第二信噪比大于第一信噪比，跳转至步骤250；如果第二信噪比不大于第一信噪比，跳转至步骤260。

步骤250，当第二信噪比大于所述第一信噪比时，确定目标传感器为故障传感器，其中，第一修正值成为目标传感器的合成权值。

具体的，当确定目标传感器为故障传感器之后，继续执行步骤220-步骤250，直到确定出传感器阵列中的全部故障传感器。

步骤260，当第二信噪比不大于第一信噪比时，目标传感器的合成权值保持不变。

步骤270，故障检测结束。

上述故障检测方法，可以称为最大功率比-SUMPLE(maximum power ratioSUMPLE，MPR-SUMPLE)算法。应用本发明提供的故障检测方法，能有效检测传感器故障，同时修正故障传感器的合成权值，减少合成损失。

图3为当传感器阵列中不存在传感器故障时，不同算法对信号合成性能损失对比示意图。

如图3所示，将SUMPLE算法、α-SUMPLE(α＝0.3)算法、α-SUMPLE(α＝0.6)算法和本申请的MPR-SUMPLE算法进行仿真比较，源信号为正交相移键控(Quadrature Phase ShiftKeyin，QPSK)，噪声均设为不相关零均值高斯白噪声，参数N＝4，ncor＝1024，输入信号的信噪比范围取-10dB～0dB，进行2000次独立测试。

由于α-SUMPLE算法降低了合成权值信噪比，因此随着输入信号信噪比的降低，其信号合成性能不断下降。而MPR-SUMPLE算法与SUMPLE算法的合成性能基本相同，均优α-SUMPLE算法，不会增加额外的合成损失。

图4为当传感器阵列中存在一个传感器故障时，不同算法对信号合成性能损失对比图。与SUMPLE算法相比，在输入信号信噪比较高时，α-SUMPLE算法可以一定程度上减小传感器阵列的合成损失。而随着输入信号信噪比的降低，α-SUMPLE算法的信号合成性能开始降低。而本申请的MPR-SUMPLE算法的合成性能优于SUMPLE和α-SUMPLE算法。

图5为不同算法在迭代过程中信号合成性能损失对比图。在图5中，源信号为QPSK，噪声均设为不相关零均值高斯白噪声，参数N＝10，ncor＝1024，输入信号的信噪比-15dB，K＝40，其中第4个传感器在K＝20时发生故障，进行500次独立测试。

从图5可以看出，在故障发生前MPR-SUMPLE算法与SUMPLE算法的合成性能基本相同，均优α-SUMPLE算法，不会增加额外的合成损失。而在故障发生后MPR-SUMPLE算法的合成性能优于SUMPLE和α-SUMPLE算法。

图6为传感器因子γ_wi在故障发生前后的变化对比图。从图6可以明显看出，在故障发生后，γ_w4明显变大。因此，本申请的故障检测方法不但能够降低故障传感器对合成性能的影响，而且可以有效检测和判断传感器故障，这在传感器阵列中具有重要作用。

图7为本发明实施例提供的故障检测系统结构示意图。如图7所示，该故障检测系统700包括：获取模块710，选择模块720，计算模块730，比较模块740和确定模块750。

获取模块710，用于获取传感器阵列中每个传感器的合成权值、传感器阵列的合成信号的第一信噪比以及每个传感器的传感器因子。

选择模块720，用于根据所述每个传感器的传感器因子，从所述传感器阵列中选择目标传感器，并将所述目标传感器的合成权值更新为第一修正值。

计算模块730，用于根据所述目标传感器的第一修正值和除所述目标传感器外，所述传感器阵列中其他传感器的合成权值，计算合成信号的第二信噪比。

比较模块740，用于将所述第一信噪比与所述第二信噪比进行比较。

确定模块750，用于当所述第二信噪比大于所述第一信噪比时，确定所述目标传感器为故障传感器，其中，所述第一修正值成为所述目标传感器的合成权值。

进一步地，获取模块710具体用于：根据公式计算传感器阵列中每个传感器的合成权值；其中，ncor为时间间隔，为接收信号，为除第i个传感器外，传感器阵列接收信号的合成信号作为第i个传感器接收信号的参考信号，R_K+1为归一化系数，

进一步地，获取模块710具体用于，根据公式计算传感器阵列的合成信号的第一信噪比；

其中，为传感器阵列在ncor的时间间隔内信号的平均功率，为传感器阵列在ncor的时间间隔内噪声的平均功率。

进一步地，获取模块710，具体用于根据公式确定每个传感器的传感器因子；

其中，为第i个传感器在第K+1段的合成权值功率，为除第i个传感器外，传感器阵列在第K+1段的合成权值功率。

应用本发明提供的故障检测系统，能有效检测传感器故障，同时修正故障传感器的合成权值，减少合成损失。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (8)

1.一种故障检测方法，其特征在于，所述方法包括：

获取传感器阵列中每个传感器的合成权值、传感器阵列的合成信号的第一信噪比以及每个传感器的传感器因子；

根据所述每个传感器的传感器因子，从所述传感器阵列中选择目标传感器，并将所述目标传感器的合成权值更新为第一修正值；

根据所述目标传感器的第一修正值和除所述目标传感器外，所述传感器阵列中其他传感器的合成权值，计算合成信号的第二信噪比；

判断所述第二信噪比是否大于所述第一信噪比；

当所述第二信噪比大于所述第一信噪比时，确定所述目标传感器为故障传感器，其中，所述第一修正值成为所述目标传感器的合成权值。

2.根据权利要求1所述的方法，其特征在于，所述获取传感器阵列中每个传感器的合成权值，包括：

根据公式计算传感器阵列中每个传感器的合成权值；

其中，ncor为时间间隔，为接收信号，为除第i个传感器外，传感器阵列接收信号的合成信号作为第i个传感器接收信号的参考信号，R_K+1为归一化系数，

3.根据权利要求1所述的方法，其特征在于，

根据公式计算传感器阵列的合成信号的第一信噪比和第二信噪比；

其中，为传感器阵列在ncor的时间间隔内信号的平均功率，为传感器阵列在ncor的时间间隔内噪声的平均功率。

4.根据权利要求1所述的方法，其特征在于，所述获取传每个传感器的传感器因子，包括：

根据公式确定每个传感器的传感器因子；

其中，为第i个传感器在第K+1段的合成权值功率，为除第i个传感器外，传感器阵列在第K+1段的合成权值功率。

5.一致故障检测系统，其特征在于，所述系统包括：获取模块，选择模块，计算模块，比较模块和确定模块；

所述获取模块，用于获取传感器阵列中每个传感器的合成权值、传感器阵列的合成信号的第一信噪比以及每个传感器的传感器因子；

所述选择模块，用于根据所述每个传感器的传感器因子，从所述传感器阵列中选择目标传感器，并将所述目标传感器的合成权值更新为第一修正值；

所述计算模块，用于根据所述目标传感器的第一修正值和除所述目标传感器外，所述传感器阵列中其他传感器的合成权值，计算合成信号的第二信噪比；

所述比较模块，用于将所述第一信噪比与所述第二信噪比进行比较；

所述确定模块，用于当所述第二信噪比大于所述第一信噪比时，确定所述目标传感器为故障传感器，其中，所述第一修正值成为所述目标传感器的合成权值。

6.根据权利要求5所述的系统，其特征在于，所述获取模块具体用于：

根据公式计算传感器阵列中每个传感器的合成权值；

其中，ncor为时间间隔，为接收信号，为除第i个传感器外，传感器阵列接收信号的合成信号作为第i个传感器接收信号的参考信号，R_K+1为归一化系数，

7.根据权利要求5所述的系统，其特征在于，所述获取模块具体用于：

根据公式计算传感器阵列的合成信号的第一信噪比和第二信噪比；

其中，为传感器阵列在ncor的时间间隔内信号的平均功率，为传感器阵列在ncor的时间间隔内噪声的平均功率。

8.根据权利要求5所述的系统，其特征在于，所述获取模块具体用于：

根据公式确定每个传感器的传感器因子；

其中，为第i个传感器在第K+1段的合成权值功率，为除第i个传感器外，传感器阵列在第K+1段的合成权值功率。