CN1514239A - 一种气体传感器漂移抑制的方法 - Google Patents

Abstract

本发明公开了一种实现气体传感器漂移检测和修正的方法，该方法通过综合利用主元分析和小波变换技术，提高了传感器漂移检测的灵敏度和准确度。对检测出的漂移传感器，采用基于自适应传感器漂移模型的漂移修正方法，对漂移传感器输出进行在线修正。为适应随着工作时间的加长，传感器漂移特性的变化，漂移模型可进行在线更新，从而达到正确补偿漂移传感器输出，提高传感器系统可靠性，延长系统使用寿命的目的。

Description

一种气体传感器漂移抑制的方法

一、所属技术领域

本发明属于现代信号处理技术、故障诊断等技术、智能传感器领域，涉及主元分析技术在提取多传感器之间关联关系以及小波技术在传感器输出信号漂移特征提取方面的应用，特别涉及一种气体传感器漂移抑制的方法。

二、背景技术

1.主元分析技术

主元分析(PCA)是一种多变量统计方法，可用于对含有噪声的高度相关的测量数据进行分析。其基本思想是把高维信息投影到低维子空间，并保留主要过程信息的方法。PCA最早是由Pearson于1901年提出来的。目前被广泛地应用于数据压缩、故障检测、过程监测等领域。

2.小波分析技术

小波分析技术是一种信号的时间—尺度(时间—频率)分析方法，目前已经广泛地应用于信号分析、图像处理、地震勘测、语音识别和合成、机械故障诊断与监控等领域。它具有多分辨分析的特点，而且在时频两域都具有表征信号局部特征的能力，很适合于展示被测信号中的各种“成分”，所以被誉为分析信号的显微镜。

三、发明内容

本发明的目的在于，提供一种基于主元分析和小波技术的一种气体传感器漂移抑制的方法。

实现上述发明目的的技术解决方案是：

1.基于主元分析和小波技术的传感器漂移检测方法

该方法的基本思想是：利用PCA技术捕获各个传感器输出数据间的潜在的关联关系。当某传感器发生漂移故障时，这种关联就会被破坏，从而导致主元分析(PCA)模型超限报警，由此检测出传感器阵列中已有某个传感器发生漂移故障。再通过分析各传感器对总体平方预测误差(SPE)的贡献，可检测出哪个传感器发生了漂移。为适应被监测量的平均值和方差随时间变化的特性，降低由此导致的误报警，PCA模型应当为自适应的。这里的自适应是指参数自适应，即归一化参数：尺度系数的平均值和方差，在投射到PCA模型之前必须进行更新和重新计算。

结合使用小波技术，将传感器输出噪声和对输入正常响应特征与传感器漂移故障特征进行分离。提高所建PCA模型对传感器漂移故障的灵敏性，从而提高了传感器漂移故障检测的灵敏度。

2.基于自适应传感器漂移模型的漂移修正方法

对漂移传感器建立漂移模型，并利用该模型对其漂移输出进行修正。随着工作时间的延长，传感器的漂移特性可能发生变化，此时原有漂移模型失效。对失效的漂移模型，系统可进行在线更新，以适应该传感器新的漂移特征，从而达到正确补偿漂移传感器输出的目的。

本发明综合使用了主元分析和小波技术，大为提高了传感器漂移检测的灵敏度和准确度。对检测出的传感器建立自适应漂移模型，利用该模型对其漂移输出进行修正，所建模型可进行在线更新，以适应传感器变化的漂移特征，从而可达到长期正确、有效地补偿漂移传感器输出的目的，提高了传感器系统的可靠性，延长了系统的使用寿命。

四、附图说明

图1是气体定量检测装置图；

图2是多传感器漂移检测及修正结果图；其中图2-1是对四个气体传感器在浓度为300ppm的氢气环境下输出的长期监测波形(4个月)；图2-2是由PCA模型计算出的SPE值；图2-3是漂移修正前后传感器输出曲线对比；图2-4是传感器漂移修正前后计算出的氢气浓度与实际浓度对比；

图3是漂移传感器修正前后输出曲线的局部放大图。

五、具体实施方式

以下结合附图和发明人依上述技术方案完成的具体实施例对本发明作进一步的详细描述。

1.传感器漂移检测和修正步骤：

(1)建立自适应PCA模型

1)收集在N个不同气体浓度下，所有传感器输出值。

2)设定移动窗的窗长为L，采用小波在线算法，对每个传感器的输出值进行小波变换。共可获得N-L+1组尺度系数。

3)对由2)获得的各传感器的尺度系数按下式进行归—化处理：

$\frac{x_i-\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}}{\mathrm{std}\left(x_i\right)\×\sqrt{n-1}}--(i=\mathrm{1,2}\·\·\·m)$

式中：n＝N-L+1，std(x_i)为第i个传感器数据的均方差。

4)利用由3)归一化后的数据建立数据阵X^n×m，并建立自适应型PCA模型。

(2).各传感器开始工作，对各传感器输出进行漂移的在线检测及修正，其过程如下：

1)保持移动窗的窗长不变，移动位置，纳入各传感器最新采样点。

2)对窗内数据利用本文提出的在线小波分解算法进行分解。

3)将由1)得到的每个传感器输出对应的尺度系数代入各自的漂移模型中进行修正。

4)利用自适应型PCA模型进行漂移检测。

5)若无传感器发生漂移(SPE未超限)，则返回1)，否则，则继续。

6)计算各传感器对SPE值的贡献，找出漂移传感器。

7)建立或更新所检测出的漂移传感器的漂移模型，返回1)。

2.传感器漂移的检测与修正结果

参见图2，其中：图2是传感器输出检测曲线，其中图2-1是对四个气体传感器在浓度为300ppm的氢气环境下输出的长期监测波形(4个月)，按由下至上的顺序，依次为传感器1、2、3、4的长期监测输出波形。

观察图2-1可以发现，传感器4从第80个采样点附近开始发生漂移。该漂移故障导致PCA模型的SPE值超出警戒限(见图2-2“由PCA模型计算出的SPE值”)，通过对漂移传感器4建立漂移模型，其输出漂移量得到了补偿(见图2-3“漂移修正前后传感器输出曲线对比”)，从而使得SPE值重新恢复正常值范围内(低于警戒限)。

随着工作时间的延续，由图2-1可以发现，传感器3在220点附近发生漂移。该漂移故障再次导致PCA模型的SPE值超限(见图2-2)。同样通过对该传感器建立漂移模型，其输出漂移量得到了补偿(见图2-3)，从而使得SPE值又重新恢复正常值范围内。

观察图2-1可以发现，随着工作时间的延续，传感器4在410点附近，其漂移特性发生了改变。其原先建立的漂移模型不再能够反映其真实的漂移特性，此时若利用原有模型对传感器4进行修正就会发生过补偿或欠补偿现象，这将导致SPE再次超限。由图2-2可以看到在410点附近PCA模型的SPE值再次超限。此时应当采取相同的步骤对传感器5重新建模(在线更新模型)。经过新的模型修正后，传感器4的漂移输出得到补偿(图2-3)。SPE值重新恢复到正常值。

图2-3显示出各传感器输出波形。其中传感器3、4经过漂移补偿后恢复到正常值，传感器1、2未发生漂移故障，处于正常工作状态。

图2-4是传感器漂移修正前后计算出的氢气浓度与实际浓度对比图，为利用漂移修正前后，由传感器输出值检测出的氢气浓度值与实际输入氢气浓度的对比图。由图可以看出，传感器输出漂移给氢气浓度的检测结果带来很大的误差，而经过漂移修正后，检测出的氢气浓度值接近实际值。

附图3为传感器4漂移修正前后输出曲线的局部放大图。图中实线曲线表示漂移修正前传感器输出，虚线曲线表示经漂移修正后传感器的输出，d为SPE超限时刻传感器输出与经漂移修正后输出(可看作传感器的正确输出值)之差，当传感器漂移量累积到约0.1伏，即相对满量程1％(满量程为10伏)时，可触发所建立起的PCA模型发出漂移报警，并开始修正发生漂移传感器的输入输出特性模型。

Claims (1)

1.一种气体传感器漂移抑制的方法，包括传感器漂移检测和修正，其特征在于，包括以下步骤：

1)首先建立自适应主元分析模型

(1)收集在N个不同气体浓度下，所有传感器的输出值；

(2)设定移动窗的窗长为L，采用小波在线算法，对每个传感器的输出值进行小波变换，共可获得N-L+1组尺度系数；

(3)对由(2)获得的各传感器的尺度系数按下式进行归一化处理：

$\frac{x_i-\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}}{\mathrm{std}\left(x_i\right)\×\sqrt{n-1}}--(i=\mathrm{1,2}\·\·\·m)$

式中：n＝N-L+1，std(x_i)为第i个传感器数据的均方差；

(4)利用由(3)归一化后的数据建立数据阵X^n×m，并建立自适应型主元分析模型；

2)各传感器开始工作，对各传感器输出进行漂移的在线检测及修正，其过程如下：

(1)保持移动窗的窗长不变，移动位置，纳入各传感器最新采样点；

(2)对窗内数据利用本文提出的在线小波分解算法进行分解；

(3)将由(1)得到的每个传感器输出对应的尺度系数代入各自的漂移模型中进行修正；

(4)利用自适应型主元分析模型进行漂移检测；

(5)若无传感器发生漂移(SPE未超限)，则返回(1)，否则，则继续；

(6)计算各传感器对总体平方预测误差(SPE)的贡献，找出漂移传感器；

(7)建立或更新所检测出的漂移传感器的漂移模型，返回(1)。

Images