CN110147648B - 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 - Google Patents

Abstract

本发明公开了一种基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法。该方法首先使用独立成分分析获得过程数据中的非高斯信息，得到独立成分分量，使用稀疏去噪自编码器提取主要独立成分计算I²指标；在残差空间使用稀疏去噪自编码器获得运行数据的高斯信息计算H²指标。最后使用故障误报率（FAR）和误检率(MDR)指标分析故障检测效果。相比于其他方法，本发明通过将独立成分分析和稀疏降噪自编码器结合，在非高斯部分使用稀疏去噪自编码器提取主元，去除不必要信号的干扰；在残差空间使用稀疏去噪自编码器提取数据中的高斯信息，提高过程监控系统的鲁棒性，增强对非线性数据的处理能力，提高故障诊断的准确率。

Description

基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检 测方法

技术领域

本发明属于汽车过程控制领域，特别涉及一种基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法。

背景技术

随着科技的不断发展，汽车也在不断的更新迭代，行驶速度变得越来越快，乘坐越来越舒适。汽车中各个传感器的应用使得汽车功能越来越完备，设备精度和效率进一步提高，但系统也越来越复杂。汽车在行驶过程中不可避免地会发生故障，虽然通过传统的拆解汽车零部件检查汽车各零部件之间的损坏程度和耦合度进而进行故障定位和故障修复维修效果好，但与此同时对维修人员的要求也特别高，特别是当遇到结构复杂，拆解困难的汽车部件时，这种维修方法势必会增加维修成本和维修时间。汽车发生故障时，如果不及时进行诊断修复有可能会产生整个汽车内设备的链式反应，带来一定的经济损失，严重的更会危及生命，造成重大伤亡。因此在汽车运行过程中的在线监控和故障诊断就变得越来越重要，不仅仅为了汽车的正常运行，更是为了驾驶者的安全。

汽车运行过程中不可避免的会产生大量数据，基于此采用多元统计分析方法进行故障诊断，避免了汽车系统内部复杂的机理，过程监控相对简单高效。但是目前基于汽车的故障检测技术的应用并不多，更别说采用多变量统计方法了。传统的多元统计分析方法有诸多限制，比如PCA是工作在过程数据是高斯分布的这个假设下，同时受限于数据是线性可分的；ICA利用高阶统计量可以获得更多的信息，得到过程数据的非高斯信息，但是针对其中的高斯型信息却无能为力。

发明内容

本发明的目的是针对汽车故障检测技术的缺乏以及多元统计分析方法的不足，提供一种基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法。

本发明解决其技术问题所采用的技术方案是：

(1)利用汽车运行过程正常工况的数据组成建模用的训练数据集：X＝[x₁；x₂；…；x_n]。其中X∈R^n×m,n为训练样本数，m为过程变量数，R为实数集，R^n×m表示X满足n×m的二维分布。将这些数据存入历史数据库。

(2)对数据集X进行预处理和归一化，使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集为

采用以下过程来完成：

1)计算均值：

2)计算方差：

3)标准化：

(3)使用独立成分分析针对新的数据集

提取非高斯信息，获得独立成分S，使用稀疏去噪自编码器降维，提取主要独立元成分，计算I²统计量，使用99％置信度的核密度估计得到相应的检测统计限

(4)使用稀疏去噪自编码器提取残差空间中的高斯信息G，计算H²统计量，使用99％置信度的核密度估计得到相应的检测统计限

(5)将建模数据

和模型参数存入历史数据库备用。

(6)收集新的汽车运行过程数据，并对其进行预处理和归一化。采用独立成分分析和稀疏去噪自编码器模型对其进行检测，即计算I²和H²统计量，那么结合(3)和(4)分别计算得到的

和

阈值，就可以针对当前的监测数据样本得到一个正常或者故障的决策。

(7)针对每一个正常和故障的决策和真实情况进行对比，计算相应的故障误报率(FAR)和误检率(MDR)。

本发明的有益效果是：针对ICA无法确定主元数量的问题，本发明在利用ICA提取过程数据的非高斯信息的基础上使用稀疏去噪自编码器降维，提取独立成分中的主要独立元，去除无关信号的干扰；在残差空间使用稀疏去噪自编码器获得过程数据中的高斯信息，增强了故障检测系统的鲁棒性，适用于非线性的数据集，由于过程数据中信息的利用更为充分，因此提高了故障检测的准确率。

附图说明

图1是Matlab汽车仿真模型；

图2是ICA-SDAE模型对故障6的检测结果图；

图3是ICA-PCA模型对故障6的检测结果图。

具体实施方式

下面结合附图对本发明作进一步说明。

本发明针对汽车过程的故障检测问题，首先利用车辆数据采集系统收集正常工作状态下的数据作为训练数据集，然后利用FastICA算法提取数据集中的非高斯信息计算I²统计量并得到检测统计限

利用稀疏去噪自编码器提取残差空间中的高斯信息计算H²统计量并得到检测统计限

把所有的过程模型参数存入数据库备用。对新的在线过程数据进行检测时，同样使用FastICA和稀疏去噪自编码器得到相应的检测结果。

本发明的基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法的主要步骤分别如下：

第一步、利用车辆数据采集系统收集汽车处于正常运行状态下的数据组成建模用的训练样本集：X＝[x₁；x₂；…；x_n]。其中X∈R^n×m，n为样本总数，m为过程变量数，将这些数据存入历史数据库。

第二步、对数据集X进行预处理和归一化，使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集为

采用以下过程来完成：

1)计算均值：

2)计算方差：

3)标准化：

在历史数据集中对训练样本数据进行预处理，剔除野值点和明显的粗糙误差数据，使得训练样本数据的尺度不会影响到监测的结果，对不同过程变量数据分别进行归一化处理，即各个变量的均值为零，方差为1。这样，不同过程变量数据就处在相同的尺度之下，既而不会影响到后续的监控效果。

第三步、使用FastICA算法针对新的数据集

提取非高斯信息，获得独立成分S，使用稀疏去噪自编码器降维，提取主要独立元成分，计算I²统计量，使用99％置信度的核密度估计得到相应的检测统计限

采用以下步骤实现：

(1)计算

的协方差阵，记为Σ_x。

(2)对Σ_x进行特征值分解，得到特征根λ₁,λ₂,…,λ_p,其中λ₁≥λ₂≥…≥λ_p,对应的特征向量矩阵为U，特征值的对角矩阵为Λ＝diag(λ₁,λ₂,…,λ_p)。

(3)获得白化矩阵为Q＝Λ^-1/2U^T,则白化处理后的数据为Z＝Λ^-1/2U^TX＝QX＝QAS,令B＝QA，则Z＝BS。

(4)由Z＝BS可知，

(5)利用以下公式作为优化函数通过迭代计算得到正交矩阵B：

b_i(k+1)＝E{Zg(b_i(k)^TZ)}-E{g′(b_i(k)^TZ)}b_i(k)

其中，b_i(k)是正交矩阵B的第i列，g函数是

的导数。在迭代计算前还需将b_i(0)进行归一化处理。

(6)设定迭代的精度ε，若某一次迭代后满足：

‖b_i(k+1)-b_i(k)‖<ε

则说明迭代达到指定的精度，此时，停止迭代，记录b_i(k+1)的值，进行下一分量的迭代。

(7)为了防止收敛到同一个极值，需要在每次迭代后对

进行去相关操作，即：

(8)解混矩阵W＝B^TQ，则重构的源信号为

即为非高斯信息。

(9)使用稀疏去噪自编码器将非高斯信息降维，构造I²统计量，并利用核密度估计方法给出其相应的监测统计限

其中S_d为自编码器降维之后的数据矩阵。

第四步、使用稀疏去噪自编码器提取残差空间中的高斯信息G，计算H²统计量，使用99％置信度的核密度估计得到相应的检测统计限

采用以下步骤实现：

(1)由独立成分分析获得数据集中的非高斯信息

后，则残差空间

为了叙述的方便，将残差空间中的数据称为X。

(2)将自编码器网络的权重W初始化为满足0均值，同时方差为

的均匀分布，其中n_in是输入节点的数量，n_out是输出节点的数量。

(3)自编码器的编码网络：

h＝f(x)＝s_f(Wx+b)

s_f＝log(1+e^x)

其中s_f为非线性激活函数,此处是一个relu函数s_f＝max(0，x)，W是D×d的权重矩阵，b∈R^d是一个偏差向量。

(4)自编码器的解码网络：

z＝g(h)＝s_g(W′h+b′)

其中s_g为非线性激活函数，同编码网络一致为relu函数，W′是d×D的权重矩阵，W′＝W^T为绑定权重，b′为偏差向量。

(5)稀疏去噪自编码器的损失函数为：

其中x_i为输入的第i个样本，n为样本总数，

为加入噪声损坏后的第i个样本，β用于控制系数惩罚的相对重要性，s为隐藏层神经元数量，ρ是稀疏性参数，

为隐藏神经元的活跃度。

(6)优化算法使用Adam优化算法。

(7)稀疏去噪自编码器从残差空间提取的高斯信息为F，则H²＝F^TF，利用99％置信度的核密度估计方法给出其相应的监测统计限

第五步、将建模数据

和模型参数存入历史数据库备用。

第六步、收集新的汽车运行过程数据，并对其进行预处理和归一化。采用独立成分分析和稀疏去噪自编码器模型对其进行检测，即计算I²和H²统计量，那么结合(3)和(4)分别计算得到

和

阈值，就可以针对当前的监测数据样本得到一个正常或者故障的决策。

第七步针对每一个正常和故障的决策和真实情况进行对比，计算相应的故障虚警率(FAR)和误检率(MDR)。

其中，J_UCL为正常运行过程统计量阈值，J为运行过程中的统计量实时监测值。

如图1所示，以下结合MathWorks公司在Matlab2018b版本中提供的“Double LaneChange Reference Application”模型的例子来说明本发明的有效性。该模型的车身使用十四自由度构造，由6个模块构成：车道变更生成器模块、预测驱动模块、环境模块、控制器模块、乘用车辆主体模块和可视化模块。车道变更生成器模块为可视化模块提供信号，为预测驱动模块生成轨迹信号；预测驱动模块生成跟踪参考轨迹的标准化转向、加速和制动命令；环境模块实现汽车周围风力和地面情况的仿真；控制器实现发动机控制单元(ECU)、变速箱和制动器；乘用车辆主体模块实现发动机、传动系统、制动器、车身、悬架和车轮等车辆主体构造模型的搭建；可视化模块是提供车辆的运行轨迹、车辆响应和3D可视化。6个模块各负责部分功能，共同构成一个整体，实现车辆的仿真实现，首先加速直到汽车达到某一特定速率，松开油门踏板减速，转动方向盘进入左侧车道，越过障碍物之后回到右侧车道。

在汽车模型中可视化模块采集了包括角度传感器、角速度传感器、速度传感器、距离传感器以及执行器等51个信号数据，如表1所示。模型的仿真时间是25s，故障在汽车模型运行过程中第10s加入，分别对汽车纵向轮速传感器和航向角传感器故障如表2所示。故障1-6是汽车纵向传感器的阶跃或斜坡故障有关，故障7-9与汽车航向角传感器的阶跃或斜坡故障有关。接下来结合该具体过程对本发明的实施步骤进行详细的阐述：

1、采集正常过程数据作为训练样本数据，进行数据预处理和归一化

2、针对预处理和归一化后的训练样本数据，使用FastICA算法提取数据集中的非高斯信息并确定相应统计量的置信限

经过剔除野值点和粗糙误差点以及归一化后的数据集为

对新的数据矩阵进行模型建立：

进行FastICA分析和建模，选取独立成分个数和数据集中变量数一致，即51个独立成分，得到详细的FastICA模型。使用稀疏去噪自编码器将51个独立成分降维至10个独立成分，获得更加有用的独立成分，去除无关信号的干扰。构造I²统计量并用99％置信度的核密度估计确定相应的检测统计限。其中训练次数为100，批处理样本数为100，Adam算法的自适应学习率设置为0.0001，加在输入样本上噪声的比例为0.0001，稀疏惩罚项参数为1，稀疏性参数为0.05.

3、针对FastICA提取非高斯信息之后的残差空间，使用稀疏去噪自编码器中稀疏性的特点将提取数据集中的高斯信息升至500维，得到更加完备的故障信息。构造H²统计量并用99％置信度的核密度估计确定相应的统计限。相关参数设置同上。

4、在线过程监测，统计计算本发明的监测效果。

为了测试新方法的有效性，分别对9个故障数据进行测试。首先对当前监测数据进行预处理和归一化，然后分别使用FastICA-SDAE计算I²和H²统计量，并和之前计算的I²和H²统计限的阈值进行比较确定汽车当前运行状态。以故障6为例将ICA-SDAE的检测结果与ICA-PCA检测结果进行比较如图2和图3所示。针对本发明方法的故障监测结果和系统真实状态对比获得故障监控过程中的虚警率(FAR)和误检率(MDR)并和ICA-PCA模型对比分别如表3和表4所示。

从表3和表4可以看出，ICA-PCA模型中针对残差空间的检测效果很不理想，相反ICA-SDAE模型针对残差空间的检测效果可以达到独立主元空间检测效果的程度甚至准确率更高；同样针对独立成分空间中检测效果ICA-SDAE的准确率比ICA-PCA高，说明稀疏去噪自编码器在这个过程中确实提取了更为重要的主元，去除无关信号的扰动。

表1：监控变量

序号	变量	故障类型
			1	xdot	0.1step
2	xdot	0.2step
			3	xdot	0.3step
4	xdot	0.5step
			5	xdot	0.1ramp
6	xdot	0.05ramp
			7	psi	0.3step
8	psi	0.5step
			9	psi	0.05ramp

表2：故障类型说明

表3：本发明方法和ICA-PCA方法对汽车故障数据集虚警率(FAR)统计结果

表4：本发明方法和ICA-PCA方法对汽车故障数据集误检率(MDR)的统计结果。

Claims (4)

1.一种基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法，其特征在于，包括以下步骤：

(1)利用汽车运行过程正常工况的数据组成建模用的训练数据集：X＝[x₁；x₂；...；x_n]，其中X∈R^n×m，n为训练样本数，m为过程变量数，R为实数集，R^n×m表示X满足n×m的二维分布，将这些数据存入历史数据库；

(2)对数据集X进行预处理和归一化，使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集为

采用以下过程来完成：

1)计算均值：

2)计算方差：

3)标准化：

(3)使用独立成分分析针对新的数据集

提取非高斯信息，获得独立成分S；使用稀疏去噪自编码器降维，提取主要独立元成分，计算I²统计量，使用99％置信度的核密度估计得到相应的检测统计限

(4)使用稀疏去噪自编码器提取残差空间E中的高斯信息，计算H²统计量，使用99％置信度的核密度估计得到相应的检测统计限

(5)将建模数据

和模型参数存入历史数据库备用；

(6)收集新的汽车运行过程数据，并对其进行预处理和归一化，采用独立成分分析和稀疏去噪自编码器模型对其进行监测，即计算I²和H²统计量，结合步骤(3)、(4)分别计算得到的

和

阈值，针对当前的监测数据样本得到正常或者故障结果

(7)将每一个正常和故障的决策和真实情况进行对比，计算相应的故障误报率(FAR)和误检率(MDR)。

2.如权利要求1所述的基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法，其特征在于，所述步骤(3)具体如下：

(1)计算

的协方差阵，记为∑_x；

(2)对∑_x进行特征值分解，得到特征根λ₁，λ₂，...，λ_p，其中λ₁≥λ₂≥…≥λ_p，对应的特征向量矩阵为U，特征值的对角矩阵为Λ＝diag(λ₁，λ₂，...，λ_p)；

(3)获得白化矩阵为Q＝Λ^-1/2U^T，则白化处理后的数据为Z＝Λ^-1/2U^TX＝QX＝QAS，令B＝QA，则Z＝BS；

(4)由Z＝BS可知，

(5)利用以下公式作为优化函数通过迭代计算得到正交矩阵B：

b_i(k+1)＝E{Zg(b_i(k)^TZ)}-E{g′(b_i(k)^TZ)}b_i(k)

其中，b_i(k)是正交矩阵B的第i列，g函数是

的导数， 在迭代计算前还需将b_i(0)进行归一化处理；

(6)设定迭代的精度ε，若某一次迭代后满足：

||b_i(k+1)-b_i(k)||＜ε

则说明迭代达到指定的精度，此时，停止迭代，记录b_i(k+1)的值，进行下一分量的迭代；

(7)为了防止收敛到同一个极值，在每次迭代后对

进行去相关操作，即：

(8)解混矩阵W＝B^TQ，则重构的源信号为

即为非高斯信息；

(9)使用稀疏去噪自编码器将非高斯信息降维，提取主要独立元分量，构造I²统计量，并利用核密度估计方法给出其相应的监测统计限

其中S_d为自编码器降维之后的数据矩阵。

3.如权利要求1所述的基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法，其特征在于，所述步骤(4)具体如下：

(1)由独立成分分析获得数据集中的非高斯信息

后，则残差空间

为了和指数e进行区别，将残差空间中的数据称为X；

(2)将自编码器网络的权重W初始化为满足0均值，同时方差为

的均匀分布，其中n_in是输入节点的数量，n_out是输出节点的数量；

(3)自编码器的编码网络：

h＝f(x)＝s_f(Wx+b)

其中s_f为非线性激活函数，此处是一个relu函数s_f＝max(0，x)，W是D×d的权重矩阵，b∈R^d是一个偏差向量；

(4)自编码器的解码网络：

z＝g(h)＝s_g(W′h+b′)

其中s_g为非线性激活函数，也是一个relu函数，W′是d×D的权重矩阵，W′＝W^T为绑定权重，b′为偏差向量；

(5)稀疏去噪自编码器的损失函数为：

其中x_i为输入的第i个样本，n为样本总数，

为加入噪声损坏后的第i个样本，β用于控制系数惩罚的相对重要性，s为隐藏层神经元数量，ρ是稀疏性参数，

为隐藏神经元的活跃度；

(6)优化算法使用Adam优化算法；

(7)稀疏去噪自编码器从残差空间提取的高斯信息，即隐藏层输出为F，则H²＝F^TF，利用99％置信度的核密度估计方法给出其相应的监测统计限

4.如权利要求1所述的基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法，其特征在于，所述步骤(7)具体为：

根据ICA-SDAE模型的故障检测结果计算不同故障下评价指标的值，

误报率(FAR)：

误检率(MDR)：

其中，J_UCL为正常运行过程统计量阈值，J为运行过程中的统计量实时监测值。

Images