CN109472317A - 多维信号的实时故障检测与实时故障隔离方法 - Google Patents

Abstract

多维信号的实时故障检测与实时故障隔离方法，属于传感器检测领域，本发明为解决装备或仪器中传感器多维信号的故障检测与隔离的实时性问题。本发明所述多维信号的实时故障检测方法，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型，核主成分分析故障检测模型检测到故障时，采用基于重构的贡献方法检测所有故障气体传感器的位置。多维信号的实时故障隔离方法，采用基于重构的贡献方法，构建前时刻故障信息的故障方向候选集，对当前时刻的故障进行隔离。本发明用于确定传感器多维信号的准确性和可靠性。

Description

多维信号的实时故障检测与实时故障隔离方法

技术领域

本发明涉及一种多变量实时故障检测与实时故障隔离方法，属于传感器检测领域。

背景技术

现代化的设备和仪器可以同时测量多个参数，被广泛应用到越来越多的化学过程中。作为数据获取的设备，如果在系统决策中使用不正确的信息，将导致严重的事故发生，因此，传感器多维信号的准确性与可靠性对于整个系统尤为重要。

现代化的装备或仪器都是根据传感器的测量值进行决策，而传感器作为信息获取单元，大量存在于装备或仪器中。对于一些工作条件恶劣(高温、高压、高湿度、高盐度)的装备或仪器，传感器的故障在所难免，而且故障的频率较高，这将大大降低装备或仪器的工作效率，增加维护费用和相应的人力资源。

大多数故障算法都是基于多变量统计理论。特别地，主成分分析(PCA)方法把观察空间分成一个残余子空间(RS)和一个主成分子空间(PCS)。在一个测试样本到来的时候，它会被分别在RS和PCS分解。随后，平方预测误差(SPE，即Q统计量)和HotellingsT2统计量将被计算。如果上述两个统计量的任一个超过其限制，系统被当作在故障模式下运行。Shen和Chen利用PCA分别去解决多功能传感器以及气体传感器阵列故障检测问题。

PCA假设数据样本从线性过程中获得。然而，许多化学过程具有非线性特征。为了解决这个问题，提出了核主成分分析(KPCA)法。KPCA通过非线性投影把数据投影到高维特征空间，并在此特征空间中执行线性PCA。相比于PCA，KPCA在提取非线性特征时候更灵活，但也会导致效率降低，由于其在计算核函数的时候耗时较长。基于此问题，提出了一个K邻近(KNN)聚类规则用来提高气体传感阵列的可靠性。该方法可以处理可能的非线性数据通过用KNN准则与地标谱聚类(LSC)算法来降低故障检测的计算负担。然而，其只能确定是否整个系统运行正常，不能提供进一步分析故障原因的信息。

为了定位故障传感器，提出了一种故障隔离算法。作为现有方法，贡献图通过计数各个变量的贡献来完成，广泛应用于故障检测。Cho等核函数求导，将贡献图拓展到KPCA模型中。但是，Westerhuis等提出，贡献图方法具有拖尾效应，故障变量影响正常变量的贡献。为了解决这个问题，一种基于重构的贡献(RBC)方法由Alcala等人提出，该方法能够识别对故障贡献最大的变量。为了识别非线性过程中的故障，Alcala等人将RBC方法扩展到KPCA模型。然而，RBC的效率较低，主要是因为该方法需要检查大量的候选故障方向以寻找故障的最大贡献。

发明内容

本发明目的是为了解决装备或仪器中传感器多维信号的故障检测与隔离的实时性问题，提供了一种多维信号的实时故障检测与实时故障隔离方法。

本发明所述多维信号的实时故障检测方法，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型，核主成分分析故障检测模型检测到故障时，采用基于重构的贡献方法检测所有故障气体传感器的位置。

优选的，提取正常训练集的近似基是用最少数量的训练样本表示整个训练样本集的特征。

本发明所述多维信号的实时故障隔离方法，采用基于重构的贡献方法，构建前时刻故障信息的故障方向候选集，对当前时刻的故障进行隔离。

本发明的优点：

本发明提出的多维信号的实时故障检测与实时故障隔离方法，可以表现整个训练样本集最大信息的近似基被用于构建KPCA故障探测模型，为了故障探测而用于计算核矩阵上的时间损耗被减少。提出了基于重构的贡献方法，通过减少故障方向集的候补元素来加速故障隔离的过程。通过本发明提出的多维信号的实时故障检测与实时故障隔离方法，解决了多维信号的的实时故障检测，能够解决气体传感器阵列的实时故障检测和实时故障隔离。

附图说明

图1是本发明所述多维信号的实时故障检测与实时故障隔离方法的原理图；

图2是用于实现本发明所述多维信号的实时故障检测与实时故障隔离方法的装置结构示意图；

图3是偏差故障的测试结果示意图，横坐标表示样本探测时间，纵坐标表示电压值，细线条曲线表示正常状态下传感器，粗线条曲线表示故障传感器，；

图4是冲击故障的测试结果示意图，横坐标表示样本探测时间，纵坐标表示电压值，细线条曲线表示正常状态下传感器，粗线条曲线表示故障传感器，；

图5是图3的偏差故障采用基本核主成分分析方法的故障检测结果示意图；

图6是图3的偏差故障采用实时核主成分分析方法的故障检测结果示意图；

图7是图4的冲击故障采用基本核主成分分析方法的故障检测结果示意图；

图8是图4的冲击故障采用实时核主成分分析方法的故障检测结果示意图；

图9是气体传感器在偏差故障时的输出信号示意图，曲线1表示第11个传感器，曲线2表示第6个传感器，曲线3表示第3个传感器，曲线4表示第10个传感器，曲线5表示正常状态下传感器；

图10是采用本发明提出的基于重构的贡献方法在t＝27s时故障方向集候补元素的贡献；

图11是采用本发明提出的基于重构的贡献方法在t＝43s时故障方向集候补元素的贡献；

图12是采用本发明提出的基于重构的贡献方法在t＝58s时故障方向集候补元素的贡献；

图13是采用本发明提出的基于重构的贡献方法在t＝69s时故障方向集候补元素的贡献。

具体实施方式

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述多维信号的实时故障检测方法，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型，核主成分分析故障检测模型检测到故障时，采用基于重构的贡献方法检测所有故障气体传感器的位置。

本实施方式中，核主成分分析(KPCA)方法是从数据原始空间投影到高维空间F中，并在F中执行主成分分析(PCA)方法。

具体实施方式二：本实施方式对实施方式一作进一步说明，提取正常训练集的近似基是用最少数量的训练样本表示整个训练样本集的特征。

具体实施方式三：本实施方式对实施方式一或二作进一步说明，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型的具体过程为：

X＝{x_n}(n＝1,2,…,N)表示核主成分分析的整个训练样本集，其中，N表示训练样本的数量；

是整个训练样本集X＝{x_n}(n＝1,2,…,N)的近似基，其中p(p＜＜N)表示近似基X_B的样本数量；

表示近似基X_B在高维空间F中的投影向量；

每个样本x_n的投影向量的近似值表示为：其中θ_n＝(θ₁,θ₂,…,θ_p)；θ_p表示第p个训练样本在高维空间F中的映射值；投影向量和近似值之间的关系为：

则，θ_n表示为：其中，K_bn＝(k_bn)_1≤b≤p，且 和K_bn表示核矩阵K的不同子集；k_nn表示核矩阵K中角标为n,n的元素；采用近似基X_B的概率F(X_B)表示整个训练样本集：

其中，f(X_B,x_n)为：f(X_B,x_n)是近似基X_B表示样本x_n的概率；

f(X_B,x_n)和F(X_B)在(0,1]之间；

近似基X_B的选择是一个迭代过程，每个迭代选择得到f(X_B,x_n)最小值的样本x_n；

迭代过程在F(X_B)的值达到阈值δ时停止。

本实施方式中，δ(x_n)越小，X_B可以表示x_n的可能性越高。X_B的多样性随着样本x_n容量而增加。

具体实施方式四：下面结合图1说明本实施方式，本实施方式所述多维信号的实时故障隔离方法，采用基于重构的贡献方法，构建前时刻故障信息的故障方向候选集，对当前时刻的故障进行隔离。

具体实施方式五：本实施方式对实施方式四作进一步说明，采用基于重构的贡献方法，构建前时刻故障信息的故障方向候选集，对当前时刻的故障进行隔离的具体过程为：

当前时刻t的故障方向集E^t和前时刻t-1的故障方向集E^t-1之间的关系为：

当有R个故障在t-1时刻发生，故障方向集为：其中，表示故障方向；

采用基于重构的贡献方法检查故障方向集候补元素的三种情况：

当E^t＝E^t-1时，只有一个故障方向集候补元素应被检查；

当1≤u_v≤D，时，D-R个故障方向集候补元素应被检查；其中，D表示传感器数量；

当 时，R个故障方向集候补元素应被检查；

故障隔离完成。

本实施方式中，当故障的数量R已知，最有可能的故障方向集应该有对故障信号具有最大的贡献。

当有R个故障在t时刻发生，气体传感器阵列的输出信号表示为x_t，x_t和正常信号的关系为：其中，表示故障方向，表示故障信号在故障方向中的幅值；故障方向集为故障幅值集合为

故障方向集E_i对故障信号的贡献定义为：

其中，是在故障方向集E_i中重建信号的Q统计量；

依次验证W＝f_W(D,R)在故障方向集E_i的候选集{E₁,E₂,…E_W}，其中，f_W为排列函数，D表示传感器的数量；验证后找到对故障有最大贡献的方向；

以T(E_i)作为故障方向集E_i的标签，T(E_i)为：

采用基于重构的贡献方法的迭代过程，将故障传感器的数量初始化为1，在核主成分分析故障检测模型中，重构信号的Q统计量低于统计量下限时停止；

因此，在故障隔离过程中，故障方向候选集中所有元素都应该被验证，因此，基于重构的贡献方法非常耗时，尤其是在多重故障情况下；

气体传感器的故障包括偏置故障、冲击故障、恒定输出故障和断路故障；

一个气体传感器的多重故障在长时间观测中经常连续地发现或消失；

因此，现有的数据方向集能够用于当前时刻鉴别故障的输入条件，这样可以减少故障隔离过程中候选集中故障方向的数量。

本发明中，采用图2所示的装置实现。

如图2所示，包括气体传感阵列、数据采集卡、能源提供装置和计算电路，气体传感阵列包括16个气体传感器。气体传感阵列放置在气体腔中，样本气体为CH₄，将样本气体注入气腔中，样本气体CH₄的浓度为500ppm到1000ppm，数据采集卡采集数据，计算电路用于将物理参数转换成模拟信号。

用于建立KPCA模型的训练样本以20个不同浓度等级被采集，每个等级依次递增50ppm，每个浓度等级的采集时间持续100秒。在KPCA模型中，主成分的数量通过CPV以99％的值而确定。Q统计量的UCL以置信率99％被确定。核函数的参数ρ表示传感器数量，var(X)表示训练样本的方差。测试KPCA模型不同ρ值的表现，当ρ＝0.5时最适合系统的故障探测。

在实时KPCA故障探测方法中，对于近似基选择，最重要的参数是阈值δ，如表1所示：

表1

当2000个训练样本被采用时，每个样本的探测时间均为94321.6ms，最耗时的操作是计算核矩阵K。如表1，故障诊断速率在δ＞0.95时不会明显上升，因此，δ的选择应该考虑探测精读和探测消耗，根据表1的结果，合理的阈值是δ＝0.95，因此，在近似基中样本的数量是233，探测时间是208.1ms。

如图3所示，为偏差故障的测试结果，横坐标表示样本时间，纵坐标表示电压值(V)，细线条曲线表示正常状态下传感器，粗线条曲线表示故障传感器，一个偏差故障在64s左右，由添加一个连续值(大约平均值的0.5％)而激励形成。和图4所示，横坐标表示样本时间，纵坐标表示电压值(V)，细线条曲线表示正常状态下传感器，粗线条曲线表示故障传感器，为冲击故障的测试结果，一个冲击故障在42s左右，通过添加一个11大小的数据(大约平均值的1％)而激励形成。

如图5-图8所示，实时KPCA方法像基本KPCA方法一样，可以探测所有故障。原因是在近似基中，通过上述样本选择方法，在δ＝0.95时，233个样本能表现出2000个训练样本的最多的信息。

如图9所示，第11个传感器中第一个偏差故障在27秒处被一个连续值所激励(大约平均值的10％)。在42秒处，第6个传感器的一个连续输出偏差通过在输出端设置一个连续值(大约9平均值的5％)所激励。接下来，第三个传感器的第二个偏差故障在58秒处被一个连续值所激励(大约平均值的10％)。最后，第十个传感器的一个冲击故障在68秒处通过添加一个11大小的数据(大约平均值的1％)而激励形成。

用作故障隔离的故障方向集的候补元素的数量如表2所示：

表2

基本RBC方法必须检查个故障方向集的候补元素，如表2第二列所示，本发明提出的实时RBC方法只需要检查D+1个故障方向集的候补元素，如表2第三列所示。例如：真正的故障方向集在t＝57秒时发生，为为了隔离在t＝58秒发生故障的所有传感器，需要通过所提出的实时RBC方法来检查的故障方向集的候补元素为：

(1)、和

(2)、

(3)、

因此，所提出的实时RBC方法只需要检查在t＝58秒处的17(2+1+14)个故障方向集的候补元素。而基本RBC方法必须检查696(16+120+560)个故障方向集的候补元素。在不同故障数量下的计算量如表3所示：

表3

当4个故障在气体传感器阵列中发生时，所提出的RBC方法的速度(217。9ms)比基本RBC方法(63223.2ms)快290倍。因为SMO传感器的输出不是一个高频信号，因此我们实验的采样速率设置为1Hz。当故障探测阶段的阈值设置为δ＝0.95时，所提出的故障探测和隔离方法可以满足系统的实时运作要求，即使在四个故障同时发生的情况下，也能够满足。

图10-图13是采用本发明提出的基于重构的贡献方法在不同时刻故障方向集候补元素的贡献，其中x轴表示故障方向集中的标签，y轴表示故障方向集的贡献度，如图10所示，有最大贡献度的故障方向集的标签是11，因为传感器11是在27s唯一一个故障传感器。在69s，传感器3、6、10和11发生故障，根据图13所示，有最大贡献度的故障方向集的标签是965。因此，本发明提出的实时RBC方法可以准确的隔离所有故障。

Claims (5)

1.多维信号的实时故障检测方法，其特征在于，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型，核主成分分析故障检测模型检测到故障时，采用基于重构的贡献方法检测所有故障气体传感器的位置。

2.根据权利要求1所述的多维信号的实时故障检测方法，其特征在于，提取正常训练集的近似基是用最少数量的训练样本表示整个训练样本集的特征。

3.根据权利要求1或2所述的多维信号的实时故障检测方法，其特征在于，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型的具体过程为：

X＝{x_n}(n＝1,2,…,N)表示核主成分分析的整个训练样本集，其中，N表示训练样本的数量；

是整个训练样本集X＝{x_n}(n＝1,2,…,N)的近似基，其中p(p＜＜N)表示近似基X_B的样本数量；

表示近似基X_B在高维空间F中的投影向量；

每个样本x_n的投影向量的近似值表示为：其中θ_n＝(θ₁,θ₂,…,θ_p)；θ_p表示第p个训练样本在高维空间F中的映射值；投影向量和近似值之间的关系为：

则，θ_n表示为：其中，K_bn＝(k_bn)_1≤b≤p，且 和K_bn表示核矩阵K的不同子集；k_nn表示核矩阵K中角标为n,n的元素；采用近似基X_B的概率F(X_B)表示整个训练样本集：

其中，f(X_B,x_n)为：f(X_B,x_n)是近似基X_B表示样本x_n的概率；

f(X_B,x_n)和F(X_B)在(0,1]之间；

近似基X_B的选择是一个迭代过程，每个迭代选择得到f(X_B,x_n)最小值的样本x_n；

迭代过程在F(X_B)的值达到阈值δ时停止。

4.多维信号的实时故障隔离方法，其特征在于，采用基于重构的贡献方法，构建前时刻故障信息的故障方向候选集，对当前时刻的故障进行隔离。

5.根据权利要求4所述的多维信号的实时故障隔离方法，其特征在于，采用基于重构的贡献方法，构建前时刻故障信息的故障方向候选集，对当前时刻的故障进行隔离的具体过程为：

当前时刻t的故障方向集E^t和前时刻t-1的故障方向集E^t-1之间的关系为：

当有R个故障在t-1时刻发生，故障方向集为：其中，表示故障方向；

采用基于重构的贡献方法检查故障方向集候补元素的三种情况：

当E^t＝E^t-1时，只有一个故障方向集候补元素应被检查；

当1≤u_v≤D，时，D-R个故障方向集候补元素应被检查；其中，D表示传感器数量；

当时，R个故障方向集候补元素应被检查；

故障隔离完成。