CN115265609A - 一种诊断结构健康监测系统中传感器状态的方法 - Google Patents
一种诊断结构健康监测系统中传感器状态的方法 Download PDFInfo
- Publication number
- CN115265609A CN115265609A CN202210803033.4A CN202210803033A CN115265609A CN 115265609 A CN115265609 A CN 115265609A CN 202210803033 A CN202210803033 A CN 202210803033A CN 115265609 A CN115265609 A CN 115265609A
- Authority
- CN
- China
- Prior art keywords
- sensor
- data
- state
- value
- characteristic data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 230000036541 health Effects 0.000 title claims abstract description 27
- 230000005856 abnormality Effects 0.000 claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 239000002131 composite material Substances 0.000 claims abstract description 19
- 230000009471 action Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000002776 aggregation Effects 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 19
- 239000000835 fiber Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
- G01D5/268—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light using optical fibres
-
- 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
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
- G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
- G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
- G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种诊断结构健康监测系统中传感器状态的方法，所述方法包括：获取在监测结构中布设的多个传感器在同一时间段内的原始输出信号；基于每个传感器的原始输出信号，提取反映每个传感器的运行状态的特征数据；基于每个传感器的特征数据，确定每个传感器的综合异常指数；根据已知的判据和每个传感器的综合异常指数，诊断每个传感器的异常状态；反映传感器的运行状态的所述特征数据，至少包括反映传感器所在的测点主要载荷的作用周期的频域主成分周期数据应用。本发明，可以简单有效易实现的方式实现传感器异常状态诊断的准确性。
Description
本申请是申请号为202110272056.2、申请日为2021年3月12日、发明名称为《结构健康监测系统中光纤光栅传感器异常诊断方法》的分案申请。
技术领域
本发明属于测量技术领域，具体地说，涉及传感器技术，更具体地说，是涉及一种诊断结构健康监测系统中传感器状态的方法。
背景技术
光纤光栅传感器(Fiber Grating Sensor)属于光纤传感器的一种，基于光纤光栅的传感过程是通过外界物理参量对光纤布拉格(Bragg)波长的调制来获取传感信息，是一种波长调制型光纤传感器。在大型空间结构健康监测系统中，光纤光栅应变传感器常被用于监测结构应力，用以实现对结构应力状态的实时评估。在索网结构(如大型体育场)、大型射电望远镜(如FAST500米口径球面射电望远镜)等结构中均有大量应用实例。在实际应用中，结构健康监测系统中所布设的光纤光栅传感器数量多，工作环境复杂，受外界干扰、外力破坏、自然老化、安装失效、线路故障等原因，容易发生故障，导致其测点数据的不可靠，进而影响健康监测系统的性能。因此，在结构健康监测系统中，必须对传感器的异常状态进行诊断，及时地对故障测点进行维护。
现有技术中，传统的光纤光栅传感器异常诊断，多是根据传感器输出信号阈值判别来实现，将输出偏差离估计值较大的测点进行剔除或插值修复。或通过人工观察的方式，逐个观察传感器的历史输出数据轨迹，并判别其状态是否良好，并配合人工现场巡查的方式对传感器状态进一步检查。还可以基于模式识别的方法，进行系统建模，对各种异常进行模拟，获得异常数据，从而训练算法，得到适用于异常诊断的模式识别方法。
结构健康监测系统中尤其是大型空间结构中所布设的光纤光栅传感器，通常数量较多，往往达到数百个，采样数据量大，采样周期为1s时，单个测点的数据每月可达250多万条，数据量庞大，分析困难。且在工作时，根据被测对象的工况需求，采集系统可能会不定时关闭，导致数据的不连续性。同时，受外界干扰较多时，会出现离群异常值。因此，单一的阈值跳变判别不足以准确判别传感器的工作状态是否正常。另一方面，人工观察虽然有较准确的判别结果，但针对数量较多的测点，其工作量过大，难以及时有效的完成。而基于模式识别的方法，需要大量的模拟实验及训练样本和先验知识，实现困难。
发明内容
本发明的目的是提供一种诊断结构健康监测系统中传感器状态的方法，基于对传感器输出信号的特征提取确定传感器综合异常指数，利用综合异常指数识别传感器的异常状态，以简单有效易实现的方式实现传感器异常状态诊断的准确性。
为实现上述发明目的，本发明采用下述技术方案予以实现：
一种诊断结构健康监测系统中传感器状态的方法，所述方法包括：
获取在监测结构中布设的多个传感器在同一时间段内的原始输出信号；
基于每个传感器的原始输出信号，提取反映每个传感器的运行状态的特征数据；
基于每个传感器的特征数据，确定每个传感器的综合异常指数；
根据已知的判据和每个传感器的综合异常指数，诊断每个传感器的异常状态；
反映传感器的运行状态的所述特征数据，至少包括反映传感器所在的测点主要载荷的作用周期的频域主成分周期数据；基于每个传感器的原始输出信号，提取该传感器的所述频域主成分周期数据，具体包括：
对传感器的所述原始输出信号执行压缩处理，获得数据量减少的压缩数据；
对所述压缩数据执行傅里叶变换，获得信号的频谱函数：
式中
l2为压缩数据的长度，x(a)为所述压缩数据中的数据值；
遍历所述频谱函数，寻找最大值max(X(k))，确定为频率主成分，并获取该最大值所对应的频率kmax；
根据下述公式换算所述频率主成分对应的周期T，确定为所述频域主成分周期数据：
本申请的一些实施例中，反映传感器的运行状态的所述特征数据，还包括反映传感器信号输出波动强度的时域能量值数据；基于每个传感器的原始输出信号，提取该传感器的所述时域能量值数据，具体包括：
对传感器的所述原始输出信号执行压缩处理，获得数据量减少的压缩数据；
计算所述压缩数据的平均值
计算所述压缩数据去均值化的数据值x'(n)：
n＝1,2,…,l1，l1为所述压缩数据的长度，x*(n)为所述压缩数据中的数据值；
根据时域能量值计算公式计算时域能量值数据E：
本申请的一些实施例中，反映传感器的运行状态的所述特征数据，还包括信号长度、信号标准差、信号幅值、信号方差、信号峰值指标中的一种或多种。
本申请的一些实施例中，对传感器的所述原始输出信号执行压缩处理，获得数据量减少的压缩数据，具体包括：
提取所述原始输出信号中的波长值数据；
按照设定采样周期采集所述波长值数据，获得采样后数据；
采用低通滤波器对所述采样后数据进行低通滤波，获得所述压缩数据。
本申请的一些实施例中，所述基于每个传感器的特征数据，确定每个传感器的综合异常指数，具体包括：
将每个传感器的所有特征数据作为矩阵的行，将所有传感器的同类型的特征数据作为矩阵的列，形成特征矩阵；
确定所述特征矩阵中每一列的一维特征聚合中心Yi1(center)；i1＝1,2,…,p；p为所述特征数据的个数；
计算所述特征矩阵中每一列的特征标准差
m为所有传感器的总数量，i2＝1,2,…,m，Yi1(i2)为第i1列第i2行的特征数据值，
为第i1列所有特征数据值的平均值，Yi1为第i1个特征数据；
确定每个传感器的综合异常指数d(i2)：
本申请的一些实施例中，采用循环迭代搜寻最靠近聚合中心的点作为聚合中心点的方式确定所述特征矩阵中每一列的所述一维特征聚合中心Yi1(center)。
本申请的一些实施例中，所述根据已知的判据和每个传感器的综合异常指数，诊断每个传感器的异常状态，具体包括：
根据所有传感器的所述综合异常指数d(i2)确定异常指数均值
若第i2个传感器的所述综合异常指数d(i2)满足：
判定该第i2个传感器为故障状态；
若第i2个传感器的所述综合异常指数d(i2)满足：
判定该第i2个传感器为异常状态；
若第i2个传感器的所述综合异常指数d(i2)满足：
判定该第i2个传感器为正常状态；
其中，判别系数k1、k2均为大于1的正数，且k1>k2。
本申请的一些实施例中，所述方法还包括：
获取多个所述传感器的目标特征数据的平均值以及处于所述故障状态的传感器的所述目标特征数据值，比较处于所述故障状态的传感器的所述目标特征数据值与所述目标特征数据的平均值的大小，获得比较结果；
根据所述比较结果和已知的故障类型与比较结果的对应关系确定处于所述故障状态的传感器的故障类型。
与现有技术相比，本发明的优点和积极效果是：本发明提供的诊断结构健康监测系统中传感器状态的方法，从传感器的原始输出信号中提取反映传感器的运行状态的特征数据，根据特征数据确定传感器的综合异常指数，根据综合异常指数诊断传感器的异常状态；在该诊断方法中，基于传感器输出的信号数据的本身特性进行处理，无需使用训练样本和先验知识，即可自动进行传感器的异常诊断，以简单易实现的方式完成异常自动诊断，解决了人工检查工作量大的问题，提高了传感器异常诊断工作效率。
结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明诊断结构健康监测系统中传感器状态的方法一个实施例的流程图；
图2是本发明诊断传感器状态的方法另一个具体实例中原始输出信号波形图；
图3是图2原始输出信号波形图采样后数据波形图；
图4是图3采样后数据波形图滤波后的压缩数据波形图；
图5是图4压缩数据波形图的频域特性图；
图6是本发明诊断传感器状态的方法一个具体实例的传感器综合异常指数示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。
首先，对本发明的技术思路作一简要阐述：
在结构健康监测系统中，用于监测测点应变值的光纤光栅传感器的输出信号与被测应变值存在线性对应。由于光纤光栅传感器本身易受温度影响的特性，正常传感器应变监测输出的波长值，与环境温度有较大的相关性，存在周期变化的规律。且同一空间结构中，由于结构的一体性，其结构应力变化也呈现相关性。所以，对于同一监测结构布设的光纤光栅传感器来说，其输出数据在统计上是存在相似规律的。而且异常点往往是少数点，其数据在统计上的多种指标常属于离群数据。根据该特性，本发明从传感器的原始输出信号中提取与传感器运行状态相关的特征数据，基于特征数据确定传感器的综合异常指数，用以诊断传感器的异常状态，是可行的，也是易于实现的。
图1所示为本发明诊断结构健康监测系统中传感器状态的方法一个实施例的流程图。如图1所示，该实施例采用下述方法执行传感器异常状态的诊断：
步骤11：获取在监测结构中布设的多个传感器在同一时间段内的原始输出信号。
在该实施例中，基于对同一监测结构的多个传感器的输出信号在统计上具有相似规律，因此，传感器异常诊断也是针对同一监测结构中布设的多个传感器进行。此外，考虑到在结构健康监测系统中，系统记录数据存储于数据库中，数据量庞大，为便于分析传感器状态，设定一时间段，譬如，设定历史中某一个月或者某几个，然后，获取同一监测结构中布设的多个传感器在该同一时间段内的原始输出信号。
读取原始输出信号时，可以对照传感器编号列表，循环读取数据库，进行分割，抽出单个传感器在该设定时间段内的数据。若查询不到列表中的传感器的数据，说明该传感器所对应的测点通道被关闭，记录并输出通道关闭的传感器编号，以便与监控软件进行校对。
步骤12：基于每个传感器的原始输出信号，提取反映每个传感器的运行状态的特征数据。
反映传感器运行状态的特征数据是预设置的，且其提取方法也是已知的。在该实施例中，并不对特征数据的类型及数量作具体限定，只要是从传感器的原始输出信号中能够提取出来的、且能够反映传感器运行状态的所有特征数据均属于该实施例的保护范围。
步骤13：基于每个传感器的特征数据，确定每个传感器的综合异常指数。
步骤14：根据已知的判据和每个传感器的综合异常指数，诊断每个传感器的异常状态。
如上所述，由于同一监测结构的多个传感器的输出数据在统计上具有规律性，那么，基于反映传感器运行状态的特征数据所确定的传感器的综合异常指数，也具有明显的集中性，而偏离中心的离群数据，将是异常数据，所对应的传感器将会是异常传感器。通过设置判据，可以识别出综合异常指数中的离群数据，进而能够诊断出传感器的异常状态。
采用上述方法对结构健康监测系统中的光纤光栅传感器进行异常诊断，基于传感器输出的信号数据的本身特性进行处理，无需使用训练样本和先验知识，即可自动进行传感器的异常诊断，以简单易实现的方式完成异常自动诊断，解决了人工检查工作量大的问题，提高了传感器异常诊断工作效率。
在其他一些实施例中，由于传感器的原始输出信号包含大量数据，为便于后续数据的分析和处理，对获取的原始输出信号进行预处理，具体来说是执行压缩处理，以获得数据量减少的压缩数据。作为一种优选实施方式，对原始输出信号作压缩处理的具体实现过程如下：
首先，剔除数据中与异常诊断无关的数据，仅保留原始输出信号中的传感器波长值数据。
然后，按照设定采样周期采集波长值数据，获得采样后数据。
为降低数据规模，以降低计算数据量，设定一个采样周期，该采样周期可根据传感器有效信号周期确定。譬如，设定采样周期为1000s，则可将原始输出信号数据规模缩小为1000倍。
图2示出了一个具体实例中某个传感器的原始输出信号波形图，图2中，横坐标为采样序号，纵坐标为波长值。图3所示为图2原始输出信号波形图按照1000s的采样周期采样后的数据波形图，其中，横坐标为采样序号，纵坐标为波长值。
然后，采用低通滤波器对采样后数据进行低通滤波，获得压缩数据。
低通滤波器可以采用现有技术中的结构实现，譬如，采用三阶低通滤波器对采样后数据执行低通滤波，滤波后的数据作为数据量减少后的压缩数据。
图4所示为对图3采样后数据波形图滤波后的压缩数据波形图。图4中，横坐标为采样序号，纵坐标为波长值。从图4波形图可明显看出，数据量大大减少。
在其中一些实施例中，反映传感器的运行状态的特征数据，至少包括反映传感器信号输出波动强度的时域能量值数据和反映传感器所在的测点主要载荷的作用周期的频域主成分周期数据。在另外一些实施例中，特征数据还包括信号长度、信号标准差、信号幅值、信号方差、信号峰值指标中的一种或多种。
综合考虑诊断准确性、诊断处理及时性及特征数据的表征功效，作为一种优选实施方式，采用信号长度、信号标准差、时域能量值和频域主成分周期这四个信号特征作为反映传感器运行状态的特征，用于对传感器的异常与否进行诊断。下面对这四个信号对应的特征数据的获取方法作逐一阐述。
在大多结构健康监测系统中，光纤光栅传感器的数据记录与存储常会设置阈值检测，超出阈值的异常值将不被记入数据库，或因为通道错误、软件错误等原因，数据库未能详细记录每条采样信息。在按照设定时间段提取传感器数据时，针对不同传感器，其最终在数据库中提取得到的数据样本长度极为可能并不一致，且几乎是必然不一致的。所以，每个传感器最终提取得到的原始输出信号的长度是判断传感器是否正常的重要依据之一。原始输出信号的信号长度用符号L表示，可以采用现有技术来获取信号的长度，如统计信号时序序列长度，获得信号序列内所包含数据点个数。
标准差可以反映传感器测量的数据值的离散程度，可作为传感器信号稳定的依据。对于一个长度为N的原始输出信号，其标准差φ可采用下述公式计算得到：
公式中，n＝1,2,…,N，x(n)为原始输出信号中的数据值，也即为波长值数据，
为原始输出信号中所有数据值的平均值。
时域能量值可以反映信号输出波动强度，针对输出无明显变化的异常传感器有较好指示作用。为避免异常跳变的数据造成的影响，此处使用传感器的原始输出信号经过压缩处理后的压缩数据作为计算时域能量值的数据。此外，为减小数据量级，先对数据去均值化，再计算该时域能量值。
具体的，对传感器的原始输出信号执行压缩处理，获得数据量减少的压缩数据。优选的，是采用获得图4的压缩数据的方式，先从原始数据信号中提取出传感器波长值数据，然后按照设定采样周期采集波长值数据，获得采样后数据，最后再对采样后数据进行低通滤波，获得压缩数据。
然后，计算压缩数据的平均值
也即，
为压缩数据中所有数据值的平均值。
再然后，计算压缩数据去均值化的数据值x'(n)：
n＝1,2,…,l1，l1为压缩数据的长度，x*(n)为压缩数据中的数据值。
最后，根据时域能量值计算公式计算时域能量值数据E：
频域主成分周期反映传感器对应测点主要载荷的作用周期。正常工作的光纤光栅传感器所反映的主要载荷为环境温度载荷，且常以一天左右的时间为周期变化。为避免异常跳变的数据造成的影响，此处使用传感器的原始输出信号经过压缩处理后的压缩数据作为计算频域主成分周期的数据。获得压缩数据的方法可采用计算时域能量值数据时获得压缩数据的方法。
然后，对压缩数据执行傅里叶变换，获得信号的频谱函数：
式中
l2为压缩数据的长度，x(a)为压缩数据中的数据值。此过程中，为了降低计算量，选用快速傅里叶变换获得频谱，并进行归一化。图5示出了对图4的压缩数据波形图进行傅里叶变换后获得的频域特性图。图5中，横坐标为周期，纵坐标为振幅值。
然后，遍历频谱函数，寻找最大值max(X(k))，确定为频率主成分，并获取该最大值所对应的频率kmax。
根据下述公式换算所述频率主成分对应的周期T，确定为频域主成分周期数据：
其中，周期单位为小时。
在其他一些实施例中，为避免直流信号的干扰，先对压缩数据进行去均值化，然后再进行傅里叶变换。去均值化的方法可参考计算时域能量值数据时的数据去均值化处理方式。
实际处理过程中，对于多个传感器的情况，在获得一个传感器的四个特征数据后，保存至特征列表中。然后，再提取下一个传感器的特征数据并保存，直至提取完所有传感器的特征数据并存储。
获得每个传感器的特征数据后，确定每个传感器的综合异常指数。作为一种优选实施方式，根据传感器的特征数据确定传感器的综合异常指数，具体包括：
将每个传感器的所有特征数据作为矩阵的行，将所有传感器的同类型的特征数据作为矩阵的列，形成特征矩阵。
确定特征矩阵中每一列的一维特征聚合中心Yi1(center)；i1＝1,2,…,p；p为特征数据的个数。
计算特征矩阵中每一列的特征标准差
m为所有传感器的总数量，i2＝1,2,…,m，Yi1(i2)为第i1列第i2行的特征数据值，
为第i1列所有特征数据值的平均值，Yi1为第i1个特征数据。在计算特征标准差时，为使得每种特征偏离指数具有共同权值，将偏离距离除以该特征的标准差进行处理。
确定每个传感器的综合异常指数d(i2)：
以采用信号长度L、信号标准差φ、时域能量值E和频域主成分周期T这四个信号特征作为反映传感器运行状态的特征为例，进一步阐述确定传感器的综合异常指数的过程。
对于四个特征数据的具体实例，特征数据的个数为4，也即，p＝4。若所有传感器的总数量为m，将每个传感器的所有特征数据作为矩阵的行，将所有传感器的同类型的特征数据作为矩阵的列，形成m行4列的特征矩阵：
在实际应用中，绝大多数传感器处于正常工作情况，其状态列表在空间分布上呈聚合状态。少数传感器异常，其状态特征往往体现出偏离特征聚合中心，偏离越严重，意味着传感器损伤越严重。为避免偏差过大的值对数据中心造成影响，优选采用循环迭代搜寻最靠近聚合中心的点作为聚合中心点的方式确定特征矩阵中每一列的一维特征聚合中心Yi1(center)。
下面以确定特征矩阵第一列关于信号长度特征聚合中心Y1(center)为例，阐述确定过程：
首先，定于该类特征的收敛系数：
式中，b为收敛系数倍数，可通过调节b的大小调节判断靠近聚合点的距离。b取值范围可为(0.5,1.5)。
为特征矩阵第一列中所有m个信号长度特征值的平均值。
然后，计算两点之间的欧式距离，计算公式为：D(i,j)＝|L(i)-L(j)|。i,j∈(1,2,…m)。
若D(i,j)<S(L)，则认为第i个值聚拢在第j个值附近。
循环迭代，计算特征矩阵第一列中每个值附近聚拢数值，进而可得到每个点L(i)附近聚拢点的数量，标记为num[L(i)]。寻找num[L(i)]的最大数值，即附近聚拢点数量最多的点，标记为max[L(i)]。将该点max[L(i)]所对应的信号长度数据值L(max[L(i)])定义为特征L的一维特征聚合中心。即，Y1(center)＝L(max[L(i)])。
若最大数值的点具有多个，则取多个点所对应的信号长度数据值的平均值，作为一维特征聚合中心。
采用同样的处理方式，可以获得其他三个特征数据的一维特征聚合中心，分别为：信号标准差特征φ的一维特征聚合中心Y2(center)、时域能量值特征E的一维特征聚合中心Y3(center)、频域主成分周期特征T的一维特征聚合中心Y4(center)。
计算出特征矩阵中每一列的特征标准差，然后根据综合异常指数公式确定出具有四个特征数据的每个传感器的异常指数。
在其他一些实施例中，考虑当传感器发生卡死时，数据恒为某一值，此时提取主成分周期结果将为空值。对于主成分周期为空的传感器，需将空值替换为0，并作为故障进行标记；同时，将其综合异常指数+3。
在确定了每个传感器的综合异常指数后，将根据已知的判决进行传感器是否异常在诊断。在其他一些优选实施例中，根据已知的判据和每个传感器的综合异常指数，诊断每个传感器的异常状态，具体包括：
根据所有传感器的综合异常指数d(i2)确定异常指数均值
若第i2个传感器的综合异常指数d(i2)满足：
则判定该第i2个传感器为故障状态。
若第i2个传感器的综合异常指数d(i2)满足：
则判定该第i2个传感器为异常状态。
若第i2个传感器的综合异常指数d(i2)满足：
则判定该第i2个传感器为正常状态。
其中，判别系数k1、k2均为大于1的正数，且k1>k2。k1、k2的具体取值，可以根据实际应用进行调整。
在一个具体实例中，对某结构健康监测系统中416的光纤光栅传感器进行分析，采用的特征数据为上述四个特征数据，确定出每个传感器的综合异常指数示意图见图6所示。图6中，横坐标为传感器编号，纵坐标为综合异常指数。图6中，还以不同符号标注出了故障点和异常点。
若识别出传感器为故障状态或者异常状态，则可有明确针对性的对故障状态和/或异常状态的传感器进行现场检查。
在其他一些优选实施例中，若识别出传感器为故障状态，还可以通过分析故障状态的传感器的特征数据，初步判断传感器的故障类型。
具体的，获取多个传感器的目标特征数据的平均值以及处于故障状态的传感器的该目标特征数据值。譬如，目标特征数据为时域能量值数据，则获取所有传感器的时域能量值数据的平均值以及处于故障状态的传感器的时域能量值数据。
然后，比较处于故障状态的传感器的目标特征数据值与目标特征数据的平均值的大小，获得比较结果。
再根据比较结果和已知的故障类型与比较结果的对应关系确定处于故障状态的传感器的故障类型。
在一个具体实例中，比较结果以过小和过大表示，采用信号长度L、信号标准差φ、时域能量值E和频域主成分周期T这四个信号数据作为特征数据时，故障类型与比较结果的对应关系如下表所示。
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (8)
1.一种诊断结构健康监测系统中传感器状态的方法，其特征在于，所述方法包括：
获取在监测结构中布设的多个传感器在同一时间段内的原始输出信号；
基于每个传感器的原始输出信号，提取反映每个传感器的运行状态的特征数据；
基于每个传感器的特征数据，确定每个传感器的综合异常指数；
根据已知的判据和每个传感器的综合异常指数，诊断每个传感器的异常状态；
反映传感器的运行状态的所述特征数据，至少包括反映传感器所在的测点主要载荷的作用周期的频域主成分周期数据；基于每个传感器的原始输出信号，提取该传感器的所述频域主成分周期数据，具体包括：
对传感器的所述原始输出信号执行压缩处理，获得数据量减少的压缩数据；
对所述压缩数据执行傅里叶变换，获得信号的频谱函数：
式中
l2为压缩数据的长度，x(a)为所述压缩数据中的数据值；
遍历所述频谱函数，寻找最大值max(X(k))，确定为频率主成分，并获取该最大值所对应的频率kmax；
根据下述公式换算所述频率主成分对应的周期T，确定为所述频域主成分周期数据：
2.根据权利要求1所述的诊断结构健康监测系统中传感器状态的方法，其特征在于，反映传感器的运行状态的所述特征数据，还包括反映传感器信号输出波动强度的时域能量值数据；基于每个传感器的原始输出信号，提取该传感器的所述时域能量值数据，具体包括：
对传感器的所述原始输出信号执行压缩处理，获得数据量减少的压缩数据；
计算所述压缩数据的平均值
计算所述压缩数据去均值化的数据值x'(n)：
n＝1,2,…,l1，l1为所述压缩数据的长度，x*(n)为所述压缩数据中的数据值；
根据时域能量值计算公式计算时域能量值数据E：
3.根据权利要求1所述的诊断结构健康监测系统中传感器状态的方法，其特征在于，反映传感器的运行状态的所述特征数据，还包括信号长度、信号标准差、信号幅值、信号方差、信号峰值指标中的一种或多种。
4.根据权利要求1或2所述的诊断结构健康监测系统中传感器状态的方法，其特征在于，对传感器的所述原始输出信号执行压缩处理，获得数据量减少的压缩数据，具体包括：
提取所述原始输出信号中的波长值数据；
按照设定采样周期采集所述波长值数据，获得采样后数据；
采用低通滤波器对所述采样后数据进行低通滤波，获得所述压缩数据。
5.根据权利要求1至3中任一项所述的诊断结构健康监测系统中传感器状态的方法，其特征在于，所述基于每个传感器的特征数据，确定每个传感器的综合异常指数，具体包括：
将每个传感器的所有特征数据作为矩阵的行，将所有传感器的同类型的特征数据作为矩阵的列，形成特征矩阵；
确定所述特征矩阵中每一列的一维特征聚合中心Yi1(center)；i1＝1,2,…,p；p为所述特征数据的个数；
计算所述特征矩阵中每一列的特征标准差
m为所有传感器的总数量，i2＝1,2,…,m，Yi1(i2)为第i1列第i2行的特征数据值，
为第i1列所有特征数据值的平均值，Yi1为第i1个特征数据；
确定每个传感器的综合异常指数d(i2)：
6.根据权利要求5所述的诊断结构健康监测系统中传感器状态的方法，其特征在于，采用循环迭代搜寻最靠近聚合中心的点作为聚合中心点的方式确定所述特征矩阵中每一列的所述一维特征聚合中心Yi1(center)。
7.根据权利要求5所述的诊断结构健康监测系统中传感器状态的方法，其特征在于，所述根据已知的判据和每个传感器的综合异常指数，诊断每个传感器的异常状态，具体包括：
根据所有传感器的所述综合异常指数d(i2)确定异常指数均值
若第i2个传感器的所述综合异常指数d(i2)满足：
判定该第i2个传感器为故障状态；
若第i2个传感器的所述综合异常指数d(i2)满足：
判定该第i2个传感器为异常状态；
若第i2个传感器的所述综合异常指数d(i2)满足：
判定该第i2个传感器为正常状态；
其中，判别系数k1、k2均为大于1的正数，且k1>k2。
8.根据权利要求7所述的诊断结构健康监测系统中传感器状态的方法，其特征在于，所述方法还包括：
获取多个所述传感器的目标特征数据的平均值以及处于所述故障状态的传感器的所述目标特征数据值，比较处于所述故障状态的传感器的所述目标特征数据值与所述目标特征数据的平均值的大小，获得比较结果；
根据所述比较结果和已知的故障类型与比较结果的对应关系确定处于所述故障状态的传感器的故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210803033.4A CN115265609A (zh) | 2021-03-12 | 2021-03-12 | 一种诊断结构健康监测系统中传感器状态的方法 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110272056.2A CN113029242B (zh) | 2021-03-12 | 2021-03-12 | 结构健康监测系统中光纤光栅传感器异常诊断方法 |
| CN202210803033.4A CN115265609A (zh) | 2021-03-12 | 2021-03-12 | 一种诊断结构健康监测系统中传感器状态的方法 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110272056.2A Division CN113029242B (zh) | 2021-03-12 | 2021-03-12 | 结构健康监测系统中光纤光栅传感器异常诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115265609A true CN115265609A (zh) | 2022-11-01 |
Family
ID=76470432
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210803033.4A Pending CN115265609A (zh) | 2021-03-12 | 2021-03-12 | 一种诊断结构健康监测系统中传感器状态的方法 |
| CN202110272056.2A Active CN113029242B (zh) | 2021-03-12 | 2021-03-12 | 结构健康监测系统中光纤光栅传感器异常诊断方法 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110272056.2A Active CN113029242B (zh) | 2021-03-12 | 2021-03-12 | 结构健康监测系统中光纤光栅传感器异常诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN115265609A (zh) |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102238604B (zh) * | 2011-08-18 | 2014-01-15 | 无锡儒安科技有限公司 | 无线传感器网络故障诊断方法 |
| CN106569160B (zh) * | 2016-09-26 | 2019-11-12 | 株洲中车时代电气股份有限公司 | 辅助变流器输出电压传感器故障诊断方法及容错控制方法 |
| KR20180046746A (ko) * | 2016-10-28 | 2018-05-09 | 삼성에스디에스 주식회사 | 이상 감지 방법 및 장치 |
| 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 |
| CN109871000A (zh) * | 2019-02-25 | 2019-06-11 | 山东科技大学 | 一种数据驱动的闭环工业过程传感器故障诊断方法 |
| CN110119397B (zh) * | 2019-04-18 | 2023-06-30 | 东南大学 | 一种同时实现数据异常检测及数据压缩的深度学习方法 |
| CN110243497A (zh) * | 2019-05-29 | 2019-09-17 | 北京暖云科技有限公司 | 一种基于主成分分析的传感器故障诊断方法及系统 |
| CN110319957B (zh) * | 2019-06-25 | 2020-12-22 | 哈尔滨工程大学 | 船体结构应力监测系统传感器无规律异常值故障诊断方法 |
| CN111474475B (zh) * | 2020-03-22 | 2021-06-08 | 华南理工大学 | 一种电机故障诊断系统及方法 |
| CN112098600A (zh) * | 2020-09-14 | 2020-12-18 | 哈尔滨工业大学 | 一种化学传感器阵列的故障检测及诊断方法 |
| CN112414446B (zh) * | 2020-11-02 | 2023-01-17 | 南昌智能新能源汽车研究院 | 一种数据驱动的变速器传感器故障诊断方法 |
| CN112213640B (zh) * | 2020-11-17 | 2024-01-26 | 润电能源科学技术有限公司 | 一种电机故障诊断方法及其相关设备 |
-
2021
- 2021-03-12 CN CN202210803033.4A patent/CN115265609A/zh active Pending
- 2021-03-12 CN CN202110272056.2A patent/CN113029242B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113029242A (zh) | 2021-06-25 |
| CN113029242B (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108388860B (zh) | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 | |
| CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
| CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
| CN116756595B (zh) | 一种导电滑环故障数据采集监测方法 | |
| CN114781467B (zh) | 一种基于振动相似度的故障检测方法 | |
| CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| CN111861272A (zh) | 一种基于多源数据的复杂机电系统异常状态检测方法 | |
| CN111316075B (zh) | 植物生长控制系统和植物生长分析方法 | |
| CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
| CN115935286A (zh) | 铁路轴承状态监测数据的异常点检测方法、装置及终端 | |
| CN109299201B (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
| CN117421616B (zh) | 一种矿山竖井井筒检测系统及方法 | |
| CN116660761B (zh) | 一种锂离子电池检测方法及系统 | |
| CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
| CN113029242B (zh) | 结构健康监测系统中光纤光栅传感器异常诊断方法 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| CN109522657B (zh) | 一种基于相关性网络和svdd的燃气轮机异常检测方法 | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
| CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
| CN206656749U (zh) | 火电厂传感器故障诊断系统 | |
| CN112526558B (zh) | 一种局部数据缺失条件下的系统运行工况识别与切割方法 | |
| CN117172139B (zh) | 通信用铜包铝合金电缆的性能测试方法及系统 | |
| CN114638039B (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 | |
| CN117783792B (zh) | 基于多参数实时监测的阀侧套管绝缘状态检测方法及系统 | |
| CN117592967A (zh) | 基于大数据的开关柜故障智能排查系统 |
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 |