CN113111933A - 一种基于最优门限分析的故障检测门限评估方法 - Google Patents
一种基于最优门限分析的故障检测门限评估方法 Download PDFInfo
- Publication number
- CN113111933A CN113111933A CN202110370535.8A CN202110370535A CN113111933A CN 113111933 A CN113111933 A CN 113111933A CN 202110370535 A CN202110370535 A CN 202110370535A CN 113111933 A CN113111933 A CN 113111933A
- Authority
- CN
- China
- Prior art keywords
- threshold
- fault detection
- fault
- samples
- standard deviation
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及一种基于最优门限分析的故障检测门限评估方法,属于故障诊断与安全控制领域。首先在无故障和有故障两种情况下分别采样故障检测变量,计算无故障检测量样本的平均值和标准差,计算有故障检测量样本的平均值和标准差;之后根据漏报率和虚警率计算最优门限下的综合指标,将门限评估指标设计为最优门限下的综合指标与待评估门限对应的综合指标之比,观察门限评估指标,越接近1则表示门限越好。该方法克服了传统方法依赖系统模型的局限,能够在工程测试中进行故障检测门限评估,并且有效指导故障检测门限设置。
Description
技术领域
本发明涉及故障诊断领域的故障检测门限的评估方法,具体涉及一种基于最优门限分析的故障检测门限评估方法,属于故障诊断与安全控制领域。
背景技术
故障检测和安全控制广泛应用于飞行器控制、电力电子等领域,越来越引起人们的关注。采用不同的故障检测门限其性能必然各异,检测能力也有差异,应该对故障检测门限做出定量或定性的评估。从哪些方面对故障检测门限进行评估,评估的标准是什么,是在研究故障检测和系统可靠性分析问题时应该给予足够重视的问题。这不仅可以对不同的故障检测方法做出比较,还可以帮助设计出性能更好的故障检测方法,是故障检测和系统设计研究的一个重要方向。但是在实际中门限很难求取,往往根据经验选取,缺乏一定的定量依据。而门限直接影响到故障检测的虚警漏报等性能,因此,有必要开展动态系统的故障检测门限评估方法研究,从而达到故障检测方法有效评估的目的。
《机电作动系统故障检测方法评估》(贾海文,化工工程与制造,2021,45(01):118-122.)一文中提到了一种针对故障检测的评估方法。但是该方法仅能进行故障检测效果评估,并不能直接给出门限设置的指导性意见,并且该方法依赖于系统模型,而工业系统中模型往往较难得到,这给故障检测门限设置的工程化应用带来了难题。
发明内容
要解决的技术问题
面向故障检测工程应用中门限设置的评估问题,本发明设计了一种基于最优门限分析的故障检测门限评估方法,该方法克服了传统方法依赖系统模型的局限,能够在工程测试中进行故障检测门限评估,并且有效指导故障检测门限设置。
技术方案
一种基于最优门限分析的故障检测门限评估方法,其特殊之处在于步骤如下:
步骤1:在无故障和有故障两种情况下分别采样故障检测变量,计算无故障检测量样本的平均值μ1和标准差σ1,计算有故障检测量样本的平均值μ2和标准差σ2;
步骤2:定义故障检测门限综合指标为
K=θ+ξ
其中θ为误报率,ξ为漏报率;
Γ为门限,n为样本数;
最优门限下的综合指标为:
待评估门限为Γ,待评估门限对应的综合指标为:
门限评估指标为
由于g(Γ)≤1,则当给出门限Γ后,g(Γ)越接近1,则代表门限越好。
本发明进一步的技术方案为:所述的无故障检测量样本的平均值和标准差的计算公式:
μ1=(x1+x2+…+xn)/n
其中X={x1,x2,…,xn}为采集的无故障样本数。
本发明进一步的技术方案为:所述的有故障检测量样本的平均值和标准差的计算公式:
μ2=(y1+y2+…+yn)/n
其中Y={y1,y2,…,yn}为采集的有故障样本数。
本发明进一步的技术方案为:所述的样本数n大于等于100。
一种计算机系统,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现上述的方法。
一种计算机程序,其特征在于包括计算机可执行指令,所述指令在被执行时用于实现上述的方法。
有益效果
本发明提出的一种基于最优门限分析的故障检测门限评估方法,有益效果如下:
(1)本发明针对动态系统的故障检测门限问题,提出了一种基于最优门限的故障检测门限评估方法,通过待评估门限指标与最优门限的指标对比,量化出故障检测门限效果;
(2)本发明的故障检测门限评估策略不依赖于模型,突破了以往评估方法的限制,更好地应用于工程实践。
附图说明
图1本发明方法流程图
具体实施方式
基于最优门限分析的故障检测门限评估方法,通过以下步骤实现:
步骤一:无故障时故障检测量进行采样,注入故障后再进行故障检测量采样。
在无故障时,针对测试系统的故障检测变量,进行采样,获得n个样本X={x1,x2,…,xn}。
对系统注入故障,采样故障检测变量,获得n个样本Y={y1,y2,…,yn}。
计算无故障检测量样本的平均值:
μ1=(x1+x2+…+xn)/n
计算无故障检测量样本的标准差
计算注入故障后检测量样本的平均值:
μ2=(y1+y2+…+yn)/n
计算注入故障后检测量样本的标准差:
步骤二:构造拟合的概率密度函数,计算待评估门限下的漏报率和虚警率。
事实上,该参数无故障时和有故障时的分布函数表达式是很难得到的,所以用该测量值分布函数来替代。假设系统无故障时的测量值服从正态分布N(μ1,σ1 2),有故障时的测量值服从正态分布N(μ2,σ2 2),Γ为门限,n为测量样本数量,无故障时则有概率密度函数如下:
注入故障则有概率密度函数如下:
在故障检测系统中,门限直接关系到故障检测的成败。如果门限Γ设置过低,则会出现非故障的错误报警,如果门限Γ设置过高,则会出现故障漏诊的而未报警。用误报率θ来表示非故障的错误报警,以漏报率ξ来表示故障的漏诊,则门限设定是否合理直接影响误报率θ和漏报率ξ。
由正态分布概率密度函数相关性质,对于门限Γ,则有误报率:
漏报率:
θ、ξ的取值相互影响,若降低误报率θ,则漏报率ξ增大;若增加误报率θ,则漏报率ξ减小。因此存在一个最优门限,使误报率θ和漏报率ξ之和最小且该门限最佳。
步骤三:结合最优门限综合指标进行门限评估
定义故障检测门限综合指标为
K=θ+ξ
最优门限下的综合指标为:
待评估门限为Γ,待评估门限对应的综合指标为
门限评估指标为
由于g(Γ)≤1,则当给出门限Γ后,g(Γ)越接近1,则代表门限越好。
现结合实施例、附图对本发明作进一步描述:
如图1所述,下面结合运载火箭某子系统的电压故障检测门限评估方法阐述本发明的具体实施方式:
执行步骤一:对该子系统无故障时故障检测量进行采样,注入故障后再进行故障检测量采样。
在无故障时,针对测试系统的电压故障检测变量,进行采样,获得100个样本X={x1,x2,…,xn}。
对系统注入故障,采样电压故障检测变量,获得100个样本Y={y1,y2,…,yn}。
计算无故障检测量样本的平均值:
μ1=(x1+x2+…+xn)/n
计算无故障检测量样本的标准差
计算注入故障后检测量样本的平均值:
μ2=(y1+y2+…+yn)/n
计算注入故障后检测量样本的标准差:
步骤二:构造拟合的概率密度函数,计算待评估门限下的漏报率和虚警率。
假设系统无故障时的测量值服从正态分布N(μ1,σ1 2),有故障时的测量值服从正态分布N(μ2,σ2 2),Γ为门限,n为测量样本数量,无故障时则有概率密度函数如下:
注入故障则有概率密度函数如下:
用误报率θ来表示非故障的错误报警,以漏报率ξ来表示故障的漏诊,则门限设定是否合理直接影响误报率θ和漏报率ξ。
由正态分布概率密度函数相关性质,则有误报率:
漏报率:
θ、ξ的取值相互影响,若降低误报率θ,则漏报率ξ增大;若误报率θ,则漏报率ξ减小。因此存在一个最优门限,使误报率θ和漏报率ξ之和最小且该门限最佳。
步骤三:结合最优门限综合指标进行门限评估
定义故障检测门限综合指标为
K=θ+ξ
最优门限下的综合指标为:
待评估门限为Γ=2.5,待评估门限对应的综合指标为
门限评估指标为
由于g(Γ)≤1,则当给出门限Γ后,g(Γ)越接近1,则代表门限越好。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明公开的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (7)
4.据权利要求1所述的一种基于最优门限分析的故障检测门限评估方法,其特征在于所述的样本数n大于等于100。
5.一种计算机系统,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1-4任一项所述的方法。
6.一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现权利要求1-4任一项所述的方法。
7.一种计算机程序,其特征在于包括计算机可执行指令,所述指令在被执行时用于实现权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370535.8A CN113111933B (zh) | 2021-04-07 | 2021-04-07 | 一种基于最优门限分析的故障检测门限评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370535.8A CN113111933B (zh) | 2021-04-07 | 2021-04-07 | 一种基于最优门限分析的故障检测门限评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111933A true CN113111933A (zh) | 2021-07-13 |
CN113111933B CN113111933B (zh) | 2024-05-03 |
Family
ID=76714405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110370535.8A Active CN113111933B (zh) | 2021-04-07 | 2021-04-07 | 一种基于最优门限分析的故障检测门限评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111933B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023155107A1 (zh) * | 2022-02-17 | 2023-08-24 | 西门子股份公司 | 预告警方法、装置、包括其的过程仪表以及计算设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5293323A (en) * | 1991-10-24 | 1994-03-08 | General Electric Company | Method for fault diagnosis by assessment of confidence measure |
CN102970698A (zh) * | 2012-11-02 | 2013-03-13 | 北京邮电大学 | 无线传感器网络故障检测方法 |
US20170167993A1 (en) * | 2015-12-15 | 2017-06-15 | Palo Alto Research Center Incorporated | Device health estimation by combining contextual information with sensor data |
CN111505668A (zh) * | 2020-03-21 | 2020-08-07 | 哈尔滨工程大学 | 动对动平台局域增强gnss卫星b类星历故障完好性监测方法 |
-
2021
- 2021-04-07 CN CN202110370535.8A patent/CN113111933B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5293323A (en) * | 1991-10-24 | 1994-03-08 | General Electric Company | Method for fault diagnosis by assessment of confidence measure |
CN102970698A (zh) * | 2012-11-02 | 2013-03-13 | 北京邮电大学 | 无线传感器网络故障检测方法 |
US20170167993A1 (en) * | 2015-12-15 | 2017-06-15 | Palo Alto Research Center Incorporated | Device health estimation by combining contextual information with sensor data |
CN111505668A (zh) * | 2020-03-21 | 2020-08-07 | 哈尔滨工程大学 | 动对动平台局域增强gnss卫星b类星历故障完好性监测方法 |
Non-Patent Citations (4)
Title |
---|
WEIXIN HAN ET AL.: ""Interval Estimation for Uncertain Systems via Polynomial Chaos Expansions"", 《IEEE TRANSACTIONS ON AUTOMATIC CONTROL》, vol. 66, no. 1, 31 January 2021 (2021-01-31) * |
王格芳, 吴国庆, 沙晓光, 冯锡智: "基于门限设置的电路故障诊断方法研究", 仪器仪表学报, vol. 26, no. 8 * |
赵大炜等: ""一种确定最优故障检测门限的方法"", 《控制与决策》, vol. 18, no. 1, pages 1 - 4 * |
陈婷等: ""能量检测中的BPSK信号最优检测门限"", 空军工程大学学报(自然科学版), vol. 17, no. 4 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023155107A1 (zh) * | 2022-02-17 | 2023-08-24 | 西门子股份公司 | 预告警方法、装置、包括其的过程仪表以及计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113111933B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111123188A (zh) | 基于改进最小二乘法的电能表综合检定方法及系统 | |
CN109062189B (zh) | 一种用于复杂故障的工业过程故障诊断方法 | |
Platzer | Stochastic differential dynamic logic for stochastic hybrid programs | |
CN110245085B (zh) | 利用在线模型检验的嵌入式实时操作系统验证方法及系统 | |
CN112101554B (zh) | 异常检测方法及装置、设备、计算机可读存储介质 | |
CN112685910B (zh) | 一种基于混合预测模型的复杂装备电源组故障预测方法 | |
CN109978055B (zh) | 多传感器系统的信息融合方法及系统、计算机设备及介质 | |
CN112560269B (zh) | 基于Rhapsody状态机的高容错电子系统任务可靠性仿真分析方法 | |
CN113111933A (zh) | 一种基于最优门限分析的故障检测门限评估方法 | |
CN105375449A (zh) | 直流线路行波保护电压变化率判据的整定方法和系统 | |
Zhao | A new approach for software testability analysis | |
CN113112123B (zh) | 一种基于关联矩阵的飞机航电系统故障诊断评估方法 | |
CN114384424A (zh) | 基于数据驱动的电池组早期故障实时诊断方法及系统 | |
CN116743637B (zh) | 一种异常流量的检测方法、装置、电子设备及存储介质 | |
Zhang et al. | Hierarchical hybrid testability modeling and evaluation method based on information fusion | |
CN111878231A (zh) | 前氧传感器故障诊断方法、装置、设备及存储介质 | |
Zhang | Reliability analysis of high voltage electric system of pure electric passenger car based on polymorphic fuzzy fault tree | |
CN115358294A (zh) | 一种高速列车牵引系统的微小故障检测方法 | |
Höfig | Failure-dependent timing analysis-a new methodology for probabilistic worst-case execution time analysis | |
Pulcini | A model-driven approach for the failure data analysis of multiple repairable systems without information on individual sequences | |
CN112039438A (zh) | 一种光伏方阵串内的故障趋势精准定位方法及其系统 | |
Yu et al. | On Line Monitoring of Sensor Failure in Nuclear Power Plant Based on Sequential Probability Ratio Test | |
Liu et al. | A Fault Diagnosis Method Based on Signed Directed Graph and Correlation Analysis for Nuclear Power Plants | |
CN113376534B (zh) | 动力电池早期故障相平面诊断方法及超前预警系统 | |
Li et al. | Sequential probability ratio test based fault detection method for actuators in gnc system |
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 |