CN110411497B - 一种基于传感器的监测系统及方法 - Google Patents

一种基于传感器的监测系统及方法 Download PDF

Info

Publication number
CN110411497B
CN110411497B CN201910609537.0A CN201910609537A CN110411497B CN 110411497 B CN110411497 B CN 110411497B CN 201910609537 A CN201910609537 A CN 201910609537A CN 110411497 B CN110411497 B CN 110411497B
Authority
CN
China
Prior art keywords
sensor
signal
signals
analysis unit
signal point
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
Application number
CN201910609537.0A
Other languages
English (en)
Other versions
CN110411497A (zh
Inventor
陈鲤文
郑日晶
周瑶
张文吉
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.)
Fujian University of Technology
Original Assignee
Fujian University of Technology
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 Fujian University of Technology filed Critical Fujian University of Technology
Priority to CN201910609537.0A priority Critical patent/CN110411497B/zh
Publication of CN110411497A publication Critical patent/CN110411497A/zh
Application granted granted Critical
Publication of CN110411497B publication Critical patent/CN110411497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于传感器的监测系统及方法，一种基于传感器的监测系统，包括传感器单元、分析单元、辅助电源、用户终端；传感器单元，用于为被测对象输入特征信号，并输出与被测量有确定关系的物理量信号；分析单元，用于对输出的物理量信号进行分类，提取传感器的特征信号并在不同尺度下计算信号发生异常前后的变化；辅助电源分别于传感器单元、分析单元，用于为传感器单元、分析单元提供电力；用户终端通过网络与分析模块连接通信，用于显示分析单元分析的结果。本发明融合的不平衡分类和信号分析，可靠性高，实用性强。

Description

一种基于传感器的监测系统及方法
技术领域
本发明属于传感器信息采集技术领域，具体涉及一种基于传感器的监测系统及方法。
背景技术
传感器在使用的过程中，会出现完全失效故障、固定偏差故障、漂移误差故障和精度下降故障，其中失效故障指测量值一直为某一常数，偏差故障指测量值与真实值相差某一恒定常数，漂移故障指测量值与偏差值的差值随时间发生恒定变化，精度下降指传感器测量能力变差等等，传感器本身的故障会引起数值的变化从而影响实验数据的判断。因此，通过监测传感器的工作状况来解决这一实际问题。例如，在水质监测的过程中，某时段温度一直处在某一数值而为发生变化，此时应该要考虑到是否传感器本身出现故障从而增加实验数据的说服力。
传感器因为功能强大智能便捷在很多领域都有使用，更多是用于采集数据等，因此监测传感器自身的工作状况对传感器的使用有很大的实际意义，并且用户可以在手机或pc端便可以观察到传感器的状况，便捷实用。
发明内容
为了使传感器采集的数据更具有说服力，参考价值更大，本发明提出了一种基于传感器的监测系统及方法，有效的提取传感器的特征信号进行解析从而监测传感器的工作状况是否异常，并通过物联网用户终端对异常现象进行震动提醒。
本发明的系统所采用的技术方案是：一种基于传感器的监测系统，其特征在于：包括传感器单元、分析单元、辅助电源、用户终端；
所述传感器单元，用于采集被测对象输入特征信号，并输出与被测量有确定关系的物理量信号；
所述分析单元，用于对输出的物理量信号进行分类，提取传感器的特征信号并在不同尺度下计算信号发生异常前后的变化；
所述辅助电源分别与所述传感器单元、分析单元连接，用于为所述传感器单元、分析单元提供电力；
所述用户终端通过网络与所述分析单元连接通信，用于显示所述分析单元分析的结果。
本发明的系统所采用的技术方案是：一种基于传感器的监测方法，其特征在于，包括以下步骤：
步骤1：传感器采集被测对象输入特征信号，输出与被测量有确定关系的物理量信号；
步骤2：所述分析单元根据输出的信号进行分类，然后利用小波包特征值提取分析，在不同尺度上计算信号前后能量的变化；
步骤3：变化通过网络传到用户终端，根据设定正常工作的阈值，与实时的输入值进行对比，如果对比发现异常则发出提醒，此时就能判断是由于传感器故障而引起的数值问题。
本发明结合不平衡数据分类，消除了传感器采集的海量数据影响判断，同时利用小波包分解，对两类信号进行更精确的分析，从而进行对比判断出传感器的工作状况，将结果发送到用户终端进行实时监控，可以通过在线看是否是由于传感器故障而导致数据有异常。因此本发明融合的不平衡分类和信号分析，可靠性高，实用性强。
附图说明
图1：本发明实施例的方法流程图；
图2：本发明实施例中传感器原理图。
图3：本发明实施例中信号分类图；
图4：本发明实施例中信号分解流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本实施例提供的一种基于传感器的监测系统，包括传感器单元、分析单元、辅助电源、用户终端；
传感器单元，用于采集被测对象输入特征信号，如图2传感器原理图中，向传感器提供电源，向敏感元件两端施加固定电压释放出电子，把采集的物理信号转换为电信号，输出与被测量有确定关系的物理量信号；
分析单元，用于对输出的物理量信号进行分类，提取传感器的特征信号并在不同尺度下计算信号发生异常前后的变化；
辅助电源分别与传感器单元、分析单元连接，用于为传感器单元、分析单元提供电力；
用户终端通过网络与分析单元连接通信，用于显示分析单元分析的结果。
请见图1，本实施例提供的一种基于传感器的监测方法，包括以下步骤：
步骤1：传感器采集被测对象输入特征信号，输出与被测量有确定关系的物理量信号；
本实施例中，把每一个信号记作一个信号点，在图3中给出采集到的信号分布不均匀的示意图；
其中出现次数少于阈值的信号点Xmin＝{(x1,1),(x2,1),...,(xnMin,1)}；
出现次数大于等于阈值信号点XMaj＝{(xnMin+1,0),(xnMin+2,0),...,(xnMin+nMaj,0)}，信号点参差不齐，如图3.
其中，nMaj和nMin分别代表多数类和少数类样本的数量；
因此，整个输入信号总量表示为：nAll＝nMin+nMaj。
步骤2：分析单元根据输出的信号进行分类，然后利用小波包特征值提取分析，在不同尺度上计算信号前后能量的变化；
本实施例中，根据输出的信号进行第一次分类形成新的局部集合Xcandi；
首先计算截断距离R：
Figure GDA0002933050940000031
其中，R为截断距离，代表查询实时输入的信号点y的局部密度，为信号点的集合XAll的固定半径；欧式距离d(xp,xq)＝||xp-xq||，xp、xq分别表示选取的信号点；
筛选出异常的信号点d(y,xp)＜R；
一旦R确定之后，就通过KNN来选择样本形成新的局部集合Xcandi。
根据输出的信号进行第二次分类，输出分类结果ci，ci∈[1,0]是对应于信号样本xi的类标签，1代表少数类，0代表多数类；
在对信号点进行分类时，设定一个阈值W1＝0.7×IR，其中信号点的不平衡率
Figure GDA0002933050940000041
计算每一个信号点的分值：
Figure GDA0002933050940000042
其中，等级Rxp表示等级越低，离查询样本越近，与ci有关；
定义一个信号分矩阵RG，包含每一个信号点对应的分值：
Figure GDA0002933050940000043
RG(i,1)＝GMaj(i)
RG(i,0)＝GMin(i)
这些过程都在信号点进入之前已经完成的，所以将每一个信号点对应的分值存入参考矩阵；
每一个信号点累计求分值和，分值和的绝对值与阈值W1进行比较，当分值和的绝对值大于W1时，根据输出的符号做出决策：若分值和为正，则信号点被标记为少数类样本，若分值和为负，则信号点被标记为多数类样本；
每一个信号点进行分类之后，多数类样本为正常工作时传感器的情况，少数类样本为传感器异常工作时的浮动。
步骤3：变化通过网络传到用户终端，根据设定正常工作的阈值，与实时的输入值进行对比，如果对比发现异常则进行振动提醒，此时就能判断是由于传感器故障而引起的数值问题。
请见图4，对信号集不平衡分类之后要对这两类数据进行分解，分析信号异常前后的变化，传感器发生故障导致输出的信号分析发生非线性行为。再把输入的信号点与两类信号的分析结果进行对比，若是输入信号点符合出现次数大于阈值的信号点的特征，则无故障；若是输入信号点不符合，则该发生频率故障。
设有信号xt，根据递推公式：
Figure GDA0002933050940000044
期中，
Figure GDA0002933050940000051
是信号的共轭函数，t表示时间，a表示尺度因子，b表示平移因子，WTf(a,b)是变换系数。
Figure GDA0002933050940000052
其中
Figure GDA0002933050940000053
f(t)是信号点xt的能量分量，
Figure GDA0002933050940000054
是常量。
本发明能够及时地监测传感器设备的实际工作状况，在传感器设备工作存在故障的情况下，能够发出预警。另外，还能够科学地预测传感器设备的故障问题,从而确保传感器设备工作的安全和稳定；
本发明是将相应的服务提供给应用传感器设备的工作者、传感器设备专家等人，关键作用在于引导管理工作者有效管理传感器设备的工作情况。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (3)

1.一种基于传感器的监测方法，采用基于传感器的监测系统；
其特征在于：所述系统包括传感器单元、分析单元、辅助电源、用户终端；
所述传感器单元，用于采集被测对象输入特征信号，并输出与被测量有确定关系的物理量信号；
所述分析单元，用于对输出的物理量信号进行分类，提取传感器的特征信号并在不同尺度下计算信号发生异常前后的变化；
所述辅助电源分别与所述传感器单元、分析单元连接，用于为所述传感器单元、分析单元提供电力；
所述用户终端通过网络与所述分析单元连接通信，用于显示所述分析单元分析的结果；
所述方法包括以下步骤：
步骤1：传感器采集被测对象输入特征信号，输出与被测量有确定关系的物理量信号；
步骤1中，把每一个信号记作一个信号点；
其中出现次数少于阈值的信号点Xmin＝{(x1,1),(x2,1),...,(xnMin,1)}；
出现次数大于等于阈值信号点XMaj＝{(xnMin+1,0),(xnMin+2,0),...,(xnMin+nMaj,0)}
其中，nMaj和nMin分别代表多数类和少数类样本的数量；
因此，整个输入信号总量表示为：nAll＝nMin+nMaj；
步骤2：所述分析单元根据输出的信号进行分类，然后利用小波包特征值提取分析，在不同尺度上计算信号前后能量的变化；
步骤2中，根据输出的信号进行第一次分类形成新的局部集合Xcandi；
首先计算截断距离R：
Figure FDA0002933050930000011
其中，R为截断距离，代表查询实时输入的信号点y的局部密度，为信号点的集合XAll的固定半径；欧式距离d(xp,xq)＝||xp-xq||，xp、xq分别表示选取的信号点；
筛选出异常的信号点d(y,xp)＜R；
一旦R确定之后，就通过KNN来选择样本形成新的局部集合Xcandi；
步骤2中，根据输出的信号进行第二次分类，输出分类结果ci，ci∈[1,0]是对应于信号样本xi的类标签，1代表少数类，0代表多数类；
在对信号点进行分类时，设定一个阈值W1＝0.7×IR，其中信号点的不平衡率
Figure FDA0002933050930000021
计算每一个信号点的分值：
Figure FDA0002933050930000022
其中，等级Rxp表示等级越低，离查询样本越近，与ci有关；
定义一个信号分矩阵RG，包含每一个信号点对应的分值：
Figure FDA0002933050930000023
RG(i,1)＝GMaj(i)
RG(i,0)＝GMin(i)
这些过程都在信号点进入之前已经完成的，所以将每一个信号点对应的分值存入参考矩阵；
每一个信号点累计求分值和，分值和的绝对值与阈值W1进行比较，当分值和的绝对值大于W1时，根据输出的符号做出决策：若分值和为正，则信号点被标记为少数类样本，若分值和为负，则信号点被标记为多数类样本；
每一个信号点进行分类之后，多数类样本为正常工作时传感器的情况，少数类样本为传感器异常工作时的浮动；
步骤3：变化通过网络传到用户终端，根据设定正常工作的阈值，与实时的输入值进行对比，如果对比发现异常则发出提醒，此时就能判断是由于传感器故障而引起的数值问题。
2.根据权利要求1所述的基于传感器的监测方法，其特征在于：步骤2中，对多数类信号、少数类信号分别进行小波分析；
设有信号xt，根据递推公式：
Figure FDA0002933050930000031
期中，
Figure FDA0002933050930000032
是信号的共轭函数，t表示时间，a表示尺度因子，b表示平移因子，WTf(a,b)是变换系数。
3.根据权利要求1-2任意一项所述的基于传感器的监测方法，其特征在于：步骤3中，用户通过设定值与实时的信号点对比，若是比较结果不符则震动提醒。
CN201910609537.0A 2019-07-08 2019-07-08 一种基于传感器的监测系统及方法 Active CN110411497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910609537.0A CN110411497B (zh) 2019-07-08 2019-07-08 一种基于传感器的监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910609537.0A CN110411497B (zh) 2019-07-08 2019-07-08 一种基于传感器的监测系统及方法

Publications (2)

Publication Number Publication Date
CN110411497A CN110411497A (zh) 2019-11-05
CN110411497B true CN110411497B (zh) 2021-04-02

Family

ID=68360646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910609537.0A Active CN110411497B (zh) 2019-07-08 2019-07-08 一种基于传感器的监测系统及方法

Country Status (1)

Country Link
CN (1) CN110411497B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0624274B1 (en) * 1992-01-28 1998-04-15 Noise Cancellation Technologies, Inc. Active noise cancellation
JP2008058030A (ja) * 2006-08-29 2008-03-13 Matsushita Electric Works Ltd 異常監視装置、異常監視方法
CN102680017A (zh) * 2012-05-31 2012-09-19 潍柴动力股份有限公司 一种传感器故障诊断方法及诊断装置
CN106067032A (zh) * 2016-05-26 2016-11-02 哈尔滨工业大学 用于数据异常监测的传感器选择方法的评价方法
CN106792883A (zh) * 2017-01-20 2017-05-31 哈尔滨工业大学（威海） 传感器网络异常数据检测方法与系统
CN108507117A (zh) * 2017-10-13 2018-09-07 上海智容睿盛智能科技有限公司 一种基于小波神经网络的空调系统传感器故障诊断方法
CN108544303A (zh) * 2018-03-30 2018-09-18 上海交通大学 一种数控机床主轴故障诊断方法及系统
CN108566306A (zh) * 2018-04-28 2018-09-21 广东电网有限责任公司 一种基于数据均衡技术的网络安全实时异常检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0624274B1 (en) * 1992-01-28 1998-04-15 Noise Cancellation Technologies, Inc. Active noise cancellation
JP2008058030A (ja) * 2006-08-29 2008-03-13 Matsushita Electric Works Ltd 異常監視装置、異常監視方法
CN102680017A (zh) * 2012-05-31 2012-09-19 潍柴动力股份有限公司 一种传感器故障诊断方法及诊断装置
CN106067032A (zh) * 2016-05-26 2016-11-02 哈尔滨工业大学 用于数据异常监测的传感器选择方法的评价方法
CN106792883A (zh) * 2017-01-20 2017-05-31 哈尔滨工业大学（威海） 传感器网络异常数据检测方法与系统
CN108507117A (zh) * 2017-10-13 2018-09-07 上海智容睿盛智能科技有限公司 一种基于小波神经网络的空调系统传感器故障诊断方法
CN108544303A (zh) * 2018-03-30 2018-09-18 上海交通大学 一种数控机床主轴故障诊断方法及系统
CN108566306A (zh) * 2018-04-28 2018-09-21 广东电网有限责任公司 一种基于数据均衡技术的网络安全实时异常检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Knowledge Discovery Method from Abnormal Monitoring Data;ShiSong Zhu et.al;《2011 Seventh International Conference on Computational Intelligence and Security》;20111231;第1150-1153页 *
基于小波分析的MSMA振动传感器信号处理与故障检测;鲁军等;《电工技术学报》;20150531;第30卷(第10期);第354-360页 *
基于小波包BP_AdaBoost算法的机载燃油泵;焦晓璇等;《仪器仪表学报》;20160930;第37卷(第9期);第1978-1988页 *

Also Published As

Publication number Publication date
CN110411497A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
WO2022151819A1 (zh) 一种基于聚类分析的电池系统在线故障诊断方法和系统
US7373283B2 (en) Monitoring and fault detection system and method using improved empirical model for range extrema
WO2011034805A1 (en) Supervised fault learning using rule-generated samples for machine condition monitoring
CN103103570B (zh) 基于主元相似性测度的铝电解槽况诊断方法
CN112485747A (zh) 一种电容式电压互感器误差状态评估方法
CN106153179A (zh) 中速磨煤机振动故障诊断方法
CN115409131B (zh) 基于spc过程管控系统的生产线异常检测方法
CN109061387A (zh) 一种基于圆环定理的电网异常状态判别方法
CN114185760A (zh) 系统风险评估方法及装置、充电设备运维检测方法
CN112734977B (zh) 一种基于物联网的设备风险预警系统及算法
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN114705432B (zh) 防爆电机轴承健康状态评估方法及系统
CN110411497B (zh) 一种基于传感器的监测系统及方法
CN111784537A (zh) 一种配电网状态参数监测方法、装置及电子设备
CN112132226A (zh) 一种±1100kV复合绝缘子缺陷诊断方法
CN108919041B (zh) 一种基于聚类分析的变压器绕组状态在线监测方法
CN116595353A (zh) 一种调相机远程故障诊断及智能决策系统
CN114371677B (zh) 基于谱半径-区间主成分分析的工业过程状态监测方法
WO2023029382A1 (zh) 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法
CN117675230A (zh) 基于知识图谱的油井数据完整性识别方法
CN114598627A (zh) 一种基于知识图谱的异常网络信息检测方法
CN111539096A (zh) 一种基于实时测试参数的电驱动系统可靠度评估方法
CN114637793B (zh) 一种基于大数据分析的装备故障频发区域定位方法
CN117560300B (zh) 一种智能物联网流量预测与优化系统
Xiao et al. Fault state identification of rolling bearings based on deep transfer convolutional autoencoder and a new health indicator

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