CN108416309A - 一种智能传感器多故障传感信号重构方法 - Google Patents

一种智能传感器多故障传感信号重构方法 Download PDF

Info

Publication number
CN108416309A
CN108416309A CN201810209063.6A CN201810209063A CN108416309A CN 108416309 A CN108416309 A CN 108416309A CN 201810209063 A CN201810209063 A CN 201810209063A CN 108416309 A CN108416309 A CN 108416309A
Authority
CN
China
Prior art keywords
sse
failure
transducing signal
value
preliminary
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.)
Granted
Application number
CN201810209063.6A
Other languages
English (en)
Other versions
CN108416309B (zh
Inventor
陈耿新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JIEYANG VOCATIONAL TECHNOLOGY COLLEGE
Original Assignee
JIEYANG VOCATIONAL TECHNOLOGY COLLEGE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by JIEYANG VOCATIONAL TECHNOLOGY COLLEGE filed Critical JIEYANG VOCATIONAL TECHNOLOGY COLLEGE
Priority to CN201810209063.6A priority Critical patent/CN108416309B/zh
Publication of CN108416309A publication Critical patent/CN108416309A/zh
Application granted granted Critical
Publication of CN108416309B publication Critical patent/CN108416309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/22—Source localisation; Inverse modelling
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本发明公开了一种智能传感器多故障传感信号重构方法，包括：建立自联想神经网络，并训练；将包含故障传感信号的所有传感信号构成输入向量输入自联想神经网络，并确定各个故障传感信号的初步重构范围；重复求解故障传感信号重构范围上限值、下限值的算术平均值，逐步逼近各个故障传感信号重构值，直至成功重构所有故障传感信号。所述方法面向多个传感通道具有相关性的智能传感器，该方法不需要求解各个传感通道之间的互相关函数，而是利用自联想神经网络学习各个传感通道之间的相关性，再通过确定重构范围、逐步逼近传感信号重构值的方式重构故障传感信号。该方法具有重构速度快、简便、准确性高的特点，且适应性强。

Description

一种智能传感器多故障传感信号重构方法
技术领域
本发明涉及智能传感器多故障传感信号重构技术领域，尤其涉及一种针对传感通道具有相关性的智能传感器多个故障传感信号重构方法。
背景技术
智能传感器可以有多路传感通道，不同的传感通道连接不同的传感元件，可以获取目标对象多个方面的信息或者提高信息的冗余性。各路传感通道获取的信息传输至智能传感器的微控制单元(Microcontroller Unit,MCU)进行处理，各路传感通道获取的传感信息之间往往具有相关性。
智能传感器在使用过程中，由于外界干扰、供电不稳定等原因，可能导致一路或者多路传感通道的传感元件发生故障，这些传感通道称为故障传感通道。在某些应用场合，故障传感通道需在极短时间内发现、处理，否则故障传感信号可能导致整个系统性能下降、误差积累、误操作甚至瘫痪。故障传感信号重构是其中的一种处理方法，故障传感信号重构后可让整个系统在故障发生后继续运行一小段时间，在系统不停止运转的情况下排除故障或者使系统逐步平稳停止运转。目前故障传感信号重构方法存在算法复杂、速度慢、准确性不高、适应范围受限等问题。
发明内容
为解决上述技术问题，本发明的目的是提供一种智能传感器多故障传感信号重构方法。
本发明的目的通过以下的技术方案来实现：
一种智能传感器多故障传感信号重构方法，包括：
步骤A、建立自联想神经网络，并训练；
步骤B、将包含故障传感信号的所有传感信号构成输入向量输入自联想神经网络，并确定各个故障传感信号的初步重构范围；
步骤C、重复求解故障传感信号重构范围上限值、下限值的算术平均值，逐步逼近各个故障传感信号重构值，直至成功重构所有故障传感信号。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
不需要求解各个传感通道之间的互相关函数，而是利用自联想神经网络学习各个传感通道之间的相关性，再通过确定重构范围、逐步逼近传感信号重构值的方式重构故障传感信号。该方法具有重构速度快、简便、准确性高的特点，且适应性强。
附图说明
图1是智能传感器多故障传感信号重构方法的流程图；
图2是建立的自联想神经网络的结构示意图；
图3是具有十路传感通道的IEEE 1451智能传感器框架图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示，为智能传感器多故障传感信号重构方法的流程，包括以下步骤：
步骤10建立自联想神经网络，并训练；
步骤20将包含故障传感信号的所有传感信号构成输入向量输入自联想神经网络，并确定各个故障传感信号的初步重构范围；
步骤30重复求解故障传感信号重构范围上限值、下限值的算术平均值，逐步逼近各个故障传感信号重构值，直至成功重构所有故障传感信号。
上述步骤10具体包括：
根据智能传感器传感通道数量m建立自联想神经网络，所述自联想神经网络的输入层神经元数量、输出层神经元数量均与所述传感通道数量m相同，如图2所示。
获取一定数量的无故障传感信号作为训练样本，利用所述训练样本作为输入向量X＝[x1,x2,…,xi,…,xm]T输入所述自联想神经网络，对所述自联想神经网络进行训练。所述自联想神经网络通过所述训练学习智能传感器各路传感通道的相关性，使得所述自联想神经网络的输出向量Y＝[y1,y2,…,yi,…,ym]T与所述输入向量X之间的误差平方和小于设定的小阈值SSEth。其中i为传感通道编号，i＝1,2,…,m。
上述步骤20具体包括：
各路故障传感通道j[p]的故障传感信号xj[p]的初步重构范围大于等于初步下限值、小于等于初步上限值。其中，j[p]为故障传感通道对应的传感通道编号i；总共n路故障传感通道，n为一路或者多路；p表示第p路故障传感信号，p＝1,2,…,n。所述初步下限值是在尝试初步重构范围中SSE随传感信号增加而减小的第一个传感信号值；所述初步上限值是在尝试初步重构范围中SSE随传感信号增加而增加的第一个传感信号值。
为了易于判断SSE随传感信号增加而减少或者增加，本实施例通过以下简易方式判断：各个故障传感信号xj[p]分别改变(减少或增加)对应传感通道j[p]的传感元件的分辨力大小Δxj[p]后，将改变前的信号值和改变后的信号值分别代入输入向量X，输入自联想神经网络，比较改变前和改变后的SSE，进而判断SSE随传感信号增加而减少还是增加。
确定故障传感通道的初步重构范围的初步上限值、初步下限值的具体步骤如下：
所述输入向量X中全部n路故障传感信号xj[p]分别改变(减少或增加)对应传感通道j[p]的分辨力大小Δxj[p]，改变后的传感信号为x′j[p]＝(xj[p]-Δxj[p])(改变为减少时)或x′j[p]＝(xj[p]+Δxj[p])(改变为增加时)。xj[p](1)、xj[p](2)分别表示所述改变后的传感信号x′j[p]与改变前的传感信号xj[p]中较小者、较大者，所述xj[p](1)、xj[p](2)是故障传感通道j[p]的试探性信号。
将每一路故障传感通道的试探性信号xj[p](1)、xj[p](2)分别代替所述输入向量X中相应的故障传感信号xj[p]，变成2个试探性输入向量X′j[p](1)＝[x1,x2,…,xj[p](1),…,xm]T、X′j[p](2)＝[x1,x2,…,xj[p](2),…,xm]T。n路故障传感通道总共有2n个故障传感器试探性输入向量。
将每一路故障传感通道的所述2个试探性输入向量X′j[p](1)、X′j[p](2)分别输入所述自联想神经网络，再分别计算所述自联想神经网络的输出向量Y与所述故障传感器的试探性输入向量X′j[p](1)、X′j[p](2)之间的误差平方和SSE′j[p](1)、SSE′j[p](2)。找出每一路故障传感通道对应的所述误差平方和SSE′j[p](1)、SSE′j[p](2)中较小者SSE′j[p]-min。如果所述误差平方和较小者SSE′j[p]-min＝SSEj′[p](1)，则对应的第j[p]路传感通道(也是第p路故障传感信号)的初步重构范围的初步上限值是xj[p]；如果所述误差平方和较小者SSE′j[p]-min＝SSE′j[p](2)，则对应的第j[p]路传感通道的初步重构范围的初步下限值是xj[p]。
找出某一路故障传感通道的初步重构范围的初步上限值(初步下限值)后，继续找出初步下限值(初步上限值)。每一路故障传感通道均按下述步骤找出该路故障传感通道的重构范围的初步下限值(初步上限值)。
I、计算故障传感通道的步长sj[p]。获取故障传感通道的故障传感元件的量程上限Uj[p]、量程下限Lj[p]，取参数a+b＝4，则SSE′j[p]-min/SSEth>10a时，寻找初步下限值时减少的步长sj[p]＝(xj[p]-Lj[p])÷10b，寻找初步上限值时增加的步长sj[p]＝(Uj[p]-xj[p])÷10b。
II、如果要找出初步下限值(初步上限值)，则对故障传感通道的试探性信号xj[p](1)、xj[p](2)分别逐步减少(增加)wj[p]次步长sj[p]，变为xj[p](1)+wj[p]sj[p]、xj[p](2)+wj[p]sj[p]。其中，wj[p]表示逐步减少(增加)步长sj[p]的次数，wj[p]＝±1,±2,±3,…，增加时wj[p]为正值，减少时wj[p]为负值。故障传感通道每一次减少(增加)后的值xj[p](1)+wj[p]sj[p]、xj[p](2)+wj[p]sj[p]分别代替所述输入向量X中相应的故障传感信号xj[p]，变成两个输入向量X″j[p](1)＝[x1,x2,…,xj[p](1)+wj[p]sj[p],…,xm]、X″j[p](2)＝[x1,x2,…,xj[p](2)+wj[p]sj[p],…,xm]，将所述输入向量X″j[p](1)、X″j[p](2)分别输入所述自联想神经网络，再分别计算、比较所述自联想神经网络的输出向量Y与所述输入向量X″j[p](1)、X″j[p](2)之间的误差平方和SSE″j[p](1)、SSE″j[p](2)。重复上述步骤II，直至满足以下两个条件之一：
条件1：如果要找出初步下限值，则需满足SSE″j[p](1)>SSE″j[p](2)，此时所述故障传感通道j[p]的初始下限值为xj[p](2)+wj[p]sj[p]，其中wj[p]为负值。
条件2：如果要找出初步上限值，则需满足SSE″j[p](2)>SSE″j[p](1)，此时所述故障传感通道j[p]的初始上限值为xj[p](1)+wj[p]sj[p]，其中wj[p]为正值。
上述步骤30具体包括：
I、所述各路故障传感通道j[p]的初步上限值、初步下限值分别作为重构范围的上限值xj[p]-upper、下限值xj[p]-lower的初始值。
II、计算各个故障传感信号xj[p]的所述重构范围的下限值xj[p]-lower和上限值xj[p]-upper的算术平均值将每一路故障传感通道的三个尝试值xj[p]-lower、xj[p]-upper分别与其余n-1路故障传感通道的三个尝试值xj[q]-lower、xj[q]-upper(q的意义与p相同，但q≠p)按照下标j[p]的顺序进行n个元素全组合，组成3n个(n≥2时)或者1个(n＝1时)尝试组合Cd＝{cj[1],cj[2],…,cj[p],…,cj[n]}，其中，d＝1,2,3,…,3n(n≥2时)或者d＝1(n＝1时)，cj[p]为xj[p]-lower、xj[p]-upper中的一个。
III、将所述每个尝试组合Cd中的n个元素cj[p]根据下标j[p]代替所述输入向量X对应的n个故障传感信号xj[p]，变为输入向量Xc＝[x1,x2,…,xj[p]-1,cj[p],xj[p]+1,…,xm]T，共有3n个(n≥2时)Xc或者1个(n＝1时)Xc。将各个Xc分别输入所述自联想神经网络，再分别计算所述自联想神经网络的输出向量Y与输入向量Xc之间的误差平方和SSEc。比较各个SSEc，找出其中最小者SSEmin。SSEmin有两种情况：①SSEmin<SSEth，则SSEmin对应的输入向量Xc对应的尝试组合的元素cj[p]为对应故障传感通道j[p]的重构值。②SSEmin≥SSEth，此时SSEmin对应的输入向量Xc中不同的故障传感通道j[p]的处理方法是：(a)某一路故障传感通道j[p]在所述输入向量Xc中的值为xj[p]-lower或者xj[p]-upper，则xj[p]-lower或者xj[p]-upper为对应的故障传感通道j[p]的重构值，该传感通道j[p]变为无故障传感通道并从故障传感通道中剔除。在后续的重构步骤中，输入向量Xc中该传感通道j[p]的传感信号一直使用所述重构值xj[p]-lower或者xj[p]-upper。(b)某一路故障传感通道j[p]在所述输入向量Xc中的值为根据随着增加时SSE减少或者增加，代替xj[p]-lower或者xj[p]-upper。经过处理方法(a)和(b)处理后，重复步骤II和步骤III，直至SSEmin≤SSEth。
所述处理方法(b)中判断随着增加时SSE减少或者增加，具体步骤是：使和将SSEmin对应的输入向量Xc中的(也即)替换为替换后的Xc变为X′c，将X′c输入所述自联想神经网络，计算所述自联想神经网络的输出向量Y与所述X′c之间的误差平方和SSE′c。如果SSE′c<SSEmin，则xj[p]的重构范围下限值为如果SSE′c>SSEmin，则xj[p]的重构范围上限值为
下面以一种IEEE 1451智能传感器为例，对本发明实施方式作进一步地详细描述：
IEEE 1451智能传感器由变换器接口模块(Transducer Interface Module,TIM)和网络适配处理器模块(Network Capable Application Processor,NCAP)组成，两者通过IEEE 1451.x标准接口通信，x代表编号2至7。TIM拥有一个或者多个传感通道，TIM还包含变换器电子数据表格(Transducers Electronic Data Sheet,TEDS)，TEDS包括传感通道数量、量程下限值、量程上限值等传感元件的相关信息。本实施例中IEEE 1451智能传感器有10路传感通道，分别连接某反应釜的5个温度传感元件、2个压力传感元件、3个流量传感元件，如图3所示。其中，5个温度传感元件用于检测高位温度、中位温度、低位温度、冷盐温度和反应气体温度，对应的传感通道i为1、2、3、4、5；2个压力传感元件用于检测釜顶压力和釜底压力，对应的传感通道i为6、7；3个流量传感元件用于检测进料流量、盐接收速率和冷却水速率，对应的传感通道i为8、9、10。这些传感元件检测的目标信息具有一定的相关性。其中，传感通道i为2、7、10的传感元件有故障，分别为第p＝1、2、3路故障传感信号。
本实施例对智能传感器多个故障传感信号重构方法的实现过程作进一步说明，其过程如下：
步骤10建立自联想神经网络，并训练。
具体包括：
根据IEEE 1451智能传感器的传感通道数量m＝10，建立输入层、映射层、瓶颈层、解映射层、输出层神经元数量分别为10个、13个、5个、13个、10个的自联想神经网络。
获取一定数量的无故障传感信号作为训练样本，利用所述训练样本作为输入向量X＝[x1,x2,…,xi,…,x10]T输入所述自联想神经网络，对所述自联想神经网络进行训练。所述自联想神经网络通过所述训练学习智能传感器各路传感通道的相关性，使得所述自联想神经网络的输出向量Y＝[y1,y2,…,yi,…,y10]T与所述输入向量X之间的误差平方和小于设定的小阈值SSEth，本实施例中SSEth设定为0.0001。
步骤20将包含故障传感信号的所有传感信号构成输入向量输入自联想神经网络，并确定各个故障传感信号的初步重构范围。
具体包括：
所述输入向量X中3路故障传感信号x2、x7、x10分别增加对应的分辨力大小Δx2、Δx7、Δx10，改变后的传感信号分别为x′2＝(x2+Δx2)、x′7＝(x7+Δx7)、x′10＝(x10+Δx10)。试探性信号为x2(1)＝x2、x2(2)＝x′2、x7(1)＝x7、x7(2)＝x′7、x10(1)＝x10、x10(2)＝x′10。
将3路故障传感通道的试探性信号x2(1)、x2(2)、x7(1)、x7(2)、x10(1)、x10(2)分别代替所述输入向量X中相应的故障传感信号x2、x7、x10，变成试探性输入向量。3路故障传感通道总共有6个故障传感器试探性输入向量，如下：
X′2(1)＝[x1,x2(1),x3,x4,x5,x6,x7,x8x9,x10]T
X′2(2)＝[x1,x2(2),x3,x4,x5,x6,x7,x8x9,x10]T
X′7(1)＝[x1,x2,x3,x4,x5,x6,x7(1),x8x9,x10]T
X′7(2)＝[x1,x2,x3,x4,x5,x6,x7(2),x8x9,x10]T
X′10(1)＝[x1,x2,x3,x4,x5,x6,x7,x8x9,x10(1)]T
X′10(2)＝[x1,x2,x3,x4,x5,x6,x7,x8x9,x10(2)]T
将每一路故障传感通道的所述2个试探性输入向量X′j[p](1)、X′j[p](2)(j[p]＝2、7、10)分别输入所述自联想神经网络，再分别计算所述自联想神经网络的输出向量Y与所述故障传感器试探性输入向量X′j[p](1)、X′j[p](2)之间的误差平方和SSE′j[p](1)、SSE′j[p](2)。找出每一路故障传感器对应所述误差平方和SSE′j[p](1)、SSE′j[p](2)中较小者SSE′j[p]-min。SSE′2-min＝SSE′2(1)，则对应的第2路传感通道的初步重构范围的初步上限值是x2；SSE′7-min＝SSE′7(2)和SSE′10-min＝SSE′10(2)，则对应的第7、10路传感通道的初步重构范围的初步下限值分别是x7是x10。
继续找出第2路故障传感通道的初步重构范围的初步下限值以及第7、10路故障传感通道的初步重构范围的初步上限值。
I、计算步长s2、s7、s10。首先获取第2路故障传感通道的传感元件的量程下限L2和第7、10路故障传感通道的传感元件的量程上限U7、U10，取a+b＝4。SSE′2-min/SSEth>103，则第2路传感通道减少的步长s2＝(x2-L2)÷10；SSE′7-min/SSEth>10，则第7路传感通道增加的步长s7＝(U7-x7)÷103；SSE′10-min/SSEth>102，则第10路传感通道增加的步长s10＝(U10-x10)÷102。
II、对第2路故障传感通道的试探性信号xj[p](1)、xj[p](2)分别逐步减少w2次步长s2，变为x2(1)+w2s2、x2(2)+w2s2，w2为负值；对第7、10路故障传感通道的试探性信号xj[p](1)、xj[p](2)分别逐步增加w7次步长s7、w10次步长s10，分别变为x7(1)+w7s7、x7(2)+w7s7和x10(1)+w10s10、x10(2)+w10s10，w7、w10为正值。每一路故障传感通道每一次减少后或者增加后的值xj[p](1)+wj[p]sj[p]、xj[p](2)+wj[p]sj[p]分别代替所述输入向量X中对应的故障传感信号xj[p]。3路故障传感通道有对应的6个输入向量，如下：
X″2(1)＝[x1,x2(1)+w2s2,x3,x4,x5,x6,x7,x8x9,x10]T
X″2(2)＝[x1,x2(2)+w2s2,x3,x4,x5,x6,x7,x8x9,x10]T
X″7(1)＝[x1,x2,x3,x4,x5,x6,x7(1)+w7s7,x8x9,x10]T
X″7(2)＝[x1,x2,x3,x4,x5,x6,x7(2)+w7s7,x8x9,x10]T
X″10(1)＝[x1,x2,x3,x4,x5,x6,x7,x8x9,x10(1)+w10s10]T
X″10(2)＝[x1,x2,x3,x4,x5,x6,x7,x8x9,x10(2)+w10s10]T
将所述输入向量X″j[p](1)、X″j[p](2)分别输入所述自联想神经网络，再分别计算、比较所述自联想神经网络的输出向量Y与所述X″j[p](1)、X″j[p](2)之间的误差平方和SSE″j[p](1)、SSE″j[p](2)，直至不同的故障传感通道满足各自的条件：第2路故障传感通道满足SSE″2(1)>SSE″2(2)，其初始下限值为满足条件时的x2(2)+w2s2；第7路故障传感通道满足SSE″7(2)>SSE″7(1)，其初始上限值为满足条件时的x7(1)+w7s7；第10路故障传感通道满足SSE″7(2)>SSE″7(1)，其初始上限值为满足条件时的x10(1)+w10s10。
步骤30重复求解故障传感信号重构范围上限值、下限值的算术平均值，逐步逼近各个故障传感信号重构值，直至成功重构所有故障传感信号。
具体包括：
I、第j[p]＝2、7、10路传感通道的初步上限值、初步下限值分别作为对应传感通道j[p]的重构范围的上限值xj[p]-upper、下限值xj[p]-lower的初始值。
II、计算各个故障传感信号xj的所述重构范围的下限值xj[p]-lower和上限值xj[p]-upper的算术平均值将每一路故障传感通道的三个尝试值xj[p]-lower、xj[p]-upper分别与其余2路故障传感通道的三个尝试值xj[q]-lower、xj[q]-upper(q的意义与p相同，但q≠p)按照先后顺序进行3个元素全组合，组成27个尝试组合Cd＝{c2,c7,c10}，其中c2为x2-lower、x2-upper中的一个，c7和c10与c2类似。尝试组合如：C1＝{x2-lower,x7-lower,x10-lower}、 C3＝{x2-upper,x7-lower,x10-lower}、…、C27＝{x2-upper,x7-upper,x10-upper}。
III、将所述每个尝试组合Cd中3个元素c2、c7、c10分别代替所述输入向量X中对应的各个故障传感信号x2、x7、x10，变为输入向量Xc＝[x1,c2,x3,x4,x5,x6,c7,x8x9,c10]T，共有27个Xc。将各个Xc分别输入所述自联想神经网络，再分别计算所述自联想神经网络的输出向量Y与输入向量Xc之间的误差平方和SSEc。比较各个SSEc，找出其中最小者SSEmin。SSEmin有两种情况：①SSEmin<SSEth，则SSEmin对应的输入向量Xc中各个代入值cj[p]为对应故障传感通道j[p]的重构值。②SSEmin≥SSEth，此时SSEmin对应的输入向量Xc中不同故障传感通道j[p]的处理方法是：(a)某路故障传感通道j[p]在所述输入向量X中的值为xj[p]-lower或者xj[p]-upper，则xj-lower或者xj-upper为对应故障传感通道j[p]的重构值，该传感通道变为无故障传感通道并从故障传感通道中剔除。在后续的步骤中，输入向量Xc中第j[p]个传感信号一直使用所述重构值xj[p]-lower或者xj[p]-upper。(b)某路故障传感通道j[p]在所述输入向量Xc中的值为根据随着增加时SSE减少或者增加，代替xj[p]-lower或者xj[p]-upper。方法(a)和(b)处理后重复步骤II和步骤III，直至SSEmin≤SSEth。
所述方法(b)中判断随着增加时SSE减少或者增加，具体步骤是：将SSEmin对应的Xc中(也即)替换为替换后的Xc变为X′c，将X′c输入所述自联想神经网络，计算所述自联想神经网络的输出向量Y与所述X′c之间的误差平方和SSE′c。如果SSE′c<SSEmin，则xj[p]的重构范围下限值为如果SSE′c>SSEmin，则xj[p]的重构范围上限值为
重复步骤II和步骤III。
在重复步骤II和步骤III第1至11次时，尝试组合(其中，和为第k次求得的第2、7、10路故障传感通道的算术平均值)对应的SSEc均为SSEmin，且SSEmin≥SSEth。在重复步骤II和步骤III第12次时，尝试组合(其中，x7-upper为第12次求得的第7路故障传感通道的上限值)对应的SSEc为SSEmin，虽然SSEmin≥SSEth，但此时的x7-upper是第7路故障传感通道的重构值，将第7路故障传感通道从故障传感通道中剔除，此时变为9个尝试组合Cd＝{c2,c10}。
利用9个尝试组合Cd＝{c2,c10}继续重复步骤II和步骤III第1至5次时，尝试组合对应的SSEc均为SSEmin，且SSEmin≥SSEth。继续重复步骤II和步骤III第6次时，尝试组合(其中，x10-lower为第18次求得的第10路故障传感通道的下限值)对应的SSEc为SSEmin，虽然SSEmin≥SSEth，但此时的x10-lower是第10路故障传感通道的重构值，将第10路故障传感通道从故障传感通道中剔除，此时变为1个尝试组合
利用1个尝试组合继续重复步骤II和步骤III第1至2次时，尝试组合对应的SSEc即SSEmin，且SSEmin≥SSEth。继续重复步骤II和步骤III第3次时，尝试组合对应的SSEc＝SSEmin<SSEth，此时的是第2路故障传感通道的重构值，至此3个故障传感通道全部成功获得重构值。
虽然本发明所揭露的实施方式如上，但所述的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。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，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)

1.一种智能传感器多故障传感信号重构方法，其特征在于，所述方法包括如下步骤：
步骤A、建立自联想神经网络，并训练；
步骤B、将包含故障传感信号的所有传感信号构成输入向量输入自联想神经网络，并确定各个故障传感信号的初步重构范围；
步骤C、重复求解故障传感信号重构范围上限值、下限值的算术平均值，逐步逼近各个故障传感信号重构值，直至成功重构所有故障传感信号。
2.如权利要求1所述的智能传感器多故障传感信号重构方法，其特征在于，所述步骤A具体包括：
根据智能传感器的传感通道数量m建立自联想神经网络；
获取一定数量的无故障传感信号作为训练样本，利用所述训练样本作为输入向量X＝[x1,x2,…,xi,…,xm]T输入所述自联想神经网络，对所述自联想神经网络进行训练；
所述自联想神经网络通过所述训练学习智能传感器各路传感通道的相关性，使得所述自联想神经网络的输出向量Y＝[y1,y2,…,yi,…,ym]T与所述输入向量X之间的误差平方和小于设定的小阈值SSEth；其中i为传感通道编号，i＝1,2,…,m。
3.如权利要求1所述的智能传感器多故障传感信号重构方法，其特征在于，自联想神经网络的输入层神经元数量、输出层神经元数量均与所述传感通道数量m相同。
4.如权利要求1所述的智能传感器多故障传感信号重构方法，其特征在于，所述步骤B中各路故障传感通道j的故障传感信号的初步重构范围大于等于初步下限值、小于等于初步上限值；
所述初步下限值是在尝试初步重构范围中SSE随传感信号增加而减小的第一个传感信号值；
所述初步上限值是在尝试初步重构范围中SSE随传感信号增加而增加的第一个传感信号值；
故障传感通道总数n为一路或者多路。
5.如权利要求4所述的智能传感器多故障传感信号重构方法，其特征在于，所述故障传感信号的初步下限值、初步上限值通过尝试初步重构范围获取；
所述尝试初步重构范围包括：判断故障传感信号xj是否可以作为初步下限值或初步上限值；如果xj可以作为初步下限值，则对xj逐步增加尝试步长sj，然后代入输入向量X并输入自联想神经网络，直至找到初步上限值；如果xj可以作为初步上限值，则对xj逐步减小尝试步长sj，然后代入输入向量X并输入自联想神经网络，直至找到初步下限值。
6.如权利要求4或5所述的智能传感器多故障传感信号重构方法，其特征在于，所述尝试步长sj的大小与故障传感信号xj对应的SSEj与SSEth的比值SSEj/SSEth以及故障传感通道j的量程上限Uj、量程上限Lj相关，如果SSEj/SSEth>10a，求解初步下限值时sj＝(xj-Lj)÷10b，求解初步上限值时sj＝(Uj-xj)÷10b，其中a、b为设定的非负整数，且a与b的和等于设定的整数。
7.如权利要求1所述的智能传感器多故障传感信号重构方法，其特征在于，所述步骤C具体包括：
(1)各路故障传感器通道j的初步上限值、初步下限值分别作为重构范围的上限值xj-upper、下限值xj-lower的初始值；
(2)计算各个故障传感信号xj的所述重构范围的下限值xj-lower和上限值xj-upper的算术平均值
将每一路故障传感通道的三个尝试值xj-lower、xj-upper分别与其余n-1路故障传感通道的三个尝试值进行n个元素的全组合，在n≥2时组成3n个或者在n＝1时仅构成1个尝试组合；
(3)将所有所述尝试组合中各个元素代入所述输入向量X，并输入所述自联想神经网络、计算SSE；比较各个SSE，找出其中最小者SSEmin。
8.如权利要求7所述的智能传感器多故障传感信号重构方法，其特征在于，SSEmin有两种情况：
①SSEmin<SSEth，则SSEmin对应的输入向量X对应的尝试组合的元素为对应的故障传感通道j的重构值；
②SSEmin≥SSEth，此时SSEmin对应的输入向量X中不同的故障传感通道j的处理方法是：
(a)某路故障传感通道j在所述输入向量X中的值为xj-lower或者xj-upper，则xj-lower或者xj-upper为对应的故障传感通道j的重构值，该传感通道j变为无故障传感通道并从故障传感通道中剔除；
(b)某路故障传感通道j在所述输入向量X中的值为根据随着增加时SSE减少或者增加，代替xj-lower或者xj-upper；
(a)和(b)处理后重复权利要求7所述的步骤(2)和(3)，直至SSEmin≤SSEth。
9.如权利要求1-8任意一项所述的智能传感器多故障传感信号重构方法，其特征在于，所述方法是针对传感通道具有相关性的智能传感器多个故障传感信号重构方法。
CN201810209063.6A 2018-03-14 2018-03-14 一种智能传感器多故障传感信号重构方法 Active CN108416309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810209063.6A CN108416309B (zh) 2018-03-14 2018-03-14 一种智能传感器多故障传感信号重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810209063.6A CN108416309B (zh) 2018-03-14 2018-03-14 一种智能传感器多故障传感信号重构方法

Publications (2)

Publication Number Publication Date
CN108416309A true CN108416309A (zh) 2018-08-17
CN108416309B CN108416309B (zh) 2022-02-18

Family

ID=63131349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810209063.6A Active CN108416309B (zh) 2018-03-14 2018-03-14 一种智能传感器多故障传感信号重构方法

Country Status (1)

Country Link
CN (1) CN108416309B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111506049A (zh) * 2020-04-27 2020-08-07 西北工业大学 基于aann网络系统的航空发动机控制系统多重故障诊断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5680409A (en) * 1995-08-11 1997-10-21 Fisher-Rosemount Systems, Inc. Method and apparatus for detecting and identifying faulty sensors in a process
CN101763034A (zh) * 2009-12-01 2010-06-30 深圳市科陆电子科技股份有限公司 在配网终端实现自适应网络恢复重构的方法
CN102169555A (zh) * 2011-03-30 2011-08-31 华南理工大学 关联性传感信号多传感元件故障定位及传感信号自恢复方法
CN104142680A (zh) * 2014-05-09 2014-11-12 东南大学 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法
CN104880217A (zh) * 2015-06-17 2015-09-02 卢伟 一种基于测量值关联度的故障传感器信息重构方法
CN107273924A (zh) * 2017-06-06 2017-10-20 上海电力学院 基于模糊聚类分析的多数据融合的电厂故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5680409A (en) * 1995-08-11 1997-10-21 Fisher-Rosemount Systems, Inc. Method and apparatus for detecting and identifying faulty sensors in a process
CN101763034A (zh) * 2009-12-01 2010-06-30 深圳市科陆电子科技股份有限公司 在配网终端实现自适应网络恢复重构的方法
CN102169555A (zh) * 2011-03-30 2011-08-31 华南理工大学 关联性传感信号多传感元件故障定位及传感信号自恢复方法
CN104142680A (zh) * 2014-05-09 2014-11-12 东南大学 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法
CN104880217A (zh) * 2015-06-17 2015-09-02 卢伟 一种基于测量值关联度的故障传感器信息重构方法
CN107273924A (zh) * 2017-06-06 2017-10-20 上海电力学院 基于模糊聚类分析的多数据融合的电厂故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许跃等: "基于自联想神经网络的传感器故障诊断", 《传感器与微系统》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111506049A (zh) * 2020-04-27 2020-08-07 西北工业大学 基于aann网络系统的航空发动机控制系统多重故障诊断方法
CN111506049B (zh) * 2020-04-27 2022-03-22 西北工业大学 基于aann网络系统的航空发动机控制系统多重故障诊断方法

Also Published As

Publication number Publication date
CN108416309B (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN109766921B (zh) 一种基于深度领域自适应的振动数据故障分类方法
CN107392025B (zh) 基于深度学习的恶意安卓应用程序检测方法
US20200211706A1 (en) Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system
CN107271925A (zh) 基于深度卷积网络的模块化五电平换流器故障定位方法
CN110647918A (zh) 面向深度学习模型对抗攻击的拟态防御方法
CN108197014A (zh) 故障诊断方法、装置及计算机设备
Rawat et al. Application of multi layer artificial neural network in the diagnosis system: A systematic review
CN108181562A (zh) 基于模糊小脑模型神经网络的绝缘子故障诊断装置及方法
CN103234553A (zh) 一种陀螺测量系统的故障诊断方法
CN113283529B (zh) 一种面向多模态图像能见度检测的神经网络构建方法
CN102670190A (zh) 基于心率变异性非线性特性的充盈性心衰自动诊断方法
CN112215279B (zh) 一种基于免疫rbf神经网络的电网故障诊断方法
CN109864739A (zh) 一种从10秒心电图中识别二度房室传导阻滞的方法
CN108416309A (zh) 一种智能传感器多故障传感信号重构方法
CN109444604A (zh) 一种基于卷积神经网络的dc/dc变换器故障诊断方法
CN108107086A (zh) 一种基于阵列气体传感器的气体检测方法及气体传感器
CN110033105B (zh) 一种复杂工况下非平衡数据集的悬浮系统故障检测方法
CN110841143B (zh) 一种用于预测输液管路状态的方法及系统
US20030065633A1 (en) Configuration of interconnected arithmetic elements, and method for the computer-aided determination of a second state of a system in a first state space from a first state of the system in the first state space
CN107886093A (zh) 一种字符检测方法、系统、设备及计算机存储介质
CN115630296A (zh) 基于lstm的特高压多端混合直流输电线路故障检测方法
CN108548669B (zh) 一种工程装备传动系统故障诊断方法及系统
CN106355247A (zh) 数据处理方法和装置、芯片和电子设备
CN110470481A (zh) 基于bp神经网络的发动机故障诊断方法
CN110126846A (zh) 驾驶场景的表示方法、装置、系统和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant