一种多特征融合的加注泵异常工况检测方法技术

该发明专利技术提供了一种多特征融合的加注泵异常工况检测方法。包括以下步骤：S1：利用压力传感器、液位传感器和电位器等传感器获取加注泵出(入)口压力、流量、出(入)口温度以及电流等多种监测数据；S2：采用自适应滤波方法，对数据进行平滑预处理；S3：采用多核学习方法，将多种异构监测数据映射至高维线性空间，融合加注泵多种监测数据的不同特征分量；S4：比较融合结果与自适应动态阈值，识别加注泵异常工况。本发明专利技术突破加注泵多种监测数据的异构性限制，有效利用加注泵监测数据的不同特征信息，融合多种特征分量检测异常工况，解决单一信号阈值判别方式下加注泵异常工况检测准确度较低的问题，提高加注泵异常工况检测的准确率。

【技术实现步骤摘要】

本专利技术属于自动化检测
，涉及一种多特征融合的加注泵异常工况检测方法。
技术介绍
推进剂加注系统是发射场的关键设备之一，主要实现推进剂贮存、运输、转注等功能。加注泵是火箭加注系统中的关键部件，系统加注时，加注泵抽吸储罐中的推进剂，经由管路、阀门、流量计和过滤器等注入火箭贮箱。作为加注系统的动力来源，一旦加注泵运行工况出现异常，异常状况则会迅速扩展演化，严重威胁加注系统的安全，导致加注任务的推迟甚至失败。因此，依靠现代信息技术，在加注泵工作过程中采取有效的监测措施，及时获取加注泵的工作状态并分析识别运行工况，对异常工况及时预警，对于保障液体火箭加注系统的安全可靠运行，具有重要的研究意义和应用价值。目前，针对加注泵异常工况监测主要采用阈值监测的方式，即对某一类型单源信号进行简单的上下限判别，查看待监测信号是否超限。加注泵包含阀门、轴承等多种类型部件，各组成部件间具有复杂、耦合的非线性关系。加注泵在执行加注任务时主要监测泵出(入)口压力信息、泵流量信息、泵出(入)口温度信息以及泵电流信息等多种信息，各监测数据来源于不同空间位置或不同时间节点的同一类型或不同类型传感器，监测信号间可能存在耦合关联，可提供加注泵运行工况不同层面的特征信息。采用单一信号阈值判别方式进行加注泵异常工况检测时使得检测的准确度较低，一旦发生“虚警”、“漏警”现象，则可能引发严重后果。要实现高精度和高准确度的加注泵异常工况检测，往往需要充分利用加注泵多种监测数据不同特征信息，融合多种监测数据的不同特征分量，开展基于信息融合的加注泵异常工况检测技术研究。因此，需要一种可以有效利用加注泵监测数据不同特征信息的异常工况检测方法，融合加注泵的多种监测数据的不同特征分量，解决单一信号阈值判别方式下加注泵异常工况检测准确度较低的问题，提高加注泵异常工况检测的准确率。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种多特征融合的加注泵异常工况检测方法，突破加注泵多种监测数据异构性的限制，有效利用加注泵监测数据的不同特征信息，融合多种特征分量检测异常工况，提高加注泵异常工况识别的准确率。为达到上述目的，本专利技术提供以下技术方案：本专利技术提供一种多特征融合的加注泵异常工况检测方法，包括如下步骤：S1：利用红外光耦、接近传感器、压力传感器、液位传感器和电位器等传感器获取加注泵出(入)口压力、流量、出(入)口温度以及电流等多种监测数据；S2：采用自适应滤波方法，对数据进行平滑预处理；S3：采用多核学习方法，将多种异构监测数据映射至高维线性空间，融合加注泵多种监测数据的不同特征分量；S4：比较高维空间融合结果与自适应动态阈值，识别加注泵异常工况。进一步，所述步骤S2中的自适应滤波方法，其特征在于，所述平滑预处理方法采用的是自动调整窗口大小的自适应中值滤波算法。进一步，所述步骤S3中的多核学习方法，将多种异构监测数据映射至高维空间，融合监测数据的不同特征分量，其特征在于，具体过程如下：S31：采用线性组合方法组合多个特征分量对应的核函数；S32：采用简单多核学习方法优化核组合的权值系数；进一步，所述步骤S4中比较高维空间融合结果与自适应动态阈值，识别加注泵异常工况的具体步骤是指：S41：采用自适应算法，动态调整加注泵异常工况检测阈值；S42：若融合结果高于(低于)动态阈值的上限(下限)，则判定加注泵出现异常工况；本专利技术的有益效果在于：利用压力传感器、液位传感器和电位器等多种传感器获取加注泵出(入)口压力、流量、出(入)口温度以及电流等多种监测数据，在数据平滑的基础上，利用多核学习方法，将压力、流量、温度、电流等多种异构监测数据映射至高维线性空间，融合加注泵多种监测数据的不同特征分量；并通过自适应算法动态调节加注泵异常工况检测阈值。本专利技术突破加注泵多种监测数据的异构性限制，并融合多种特征分量检测异常工况，能提高加注泵异常工况识别的正确率和精度。附图说明为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步的详细描述，其中：图1为多特征融合的加注泵异常工况检测方法框架图；图2为基于多核学习方法融合不同特征分量算法流程图。具体实施方式下面将结合附图，对本专利技术的优选实施例进行详细的描述。图1为基于多特征融合的加注泵异常工况检测方法框架图，本方法包括以下步骤：S1：利用红外光耦、接近传感器、压力传感器、液位传感器和电位器等传感器获取加注泵出(入)口压力、流量、出(入)口温度以及电流等多种监测数据；S2：采用自动调整窗口大小的自适应中值滤波方法，对数据进行平滑预处理，具体包括以下步骤：S21：设窗口长度为L，最大窗口长度为Lmax，fmin是窗口中数据最小值，fmax是窗口中数据最大值，fmed是窗口中的中值，favg是窗口数据的均值，fi为窗口当前要处理的数据值。计算T1＝fmed-fmin，T2＝fmed-fmax；S22：如果T1＞0且T2＜0，转至S24，否则转至S23；S23：若fi＝fmed，输出favg；否则增加窗口长度，若L＜Lmax，重复步骤S21，S22，否则输出fi；S24：计算G1＝fi-fmin，G2＝fi-fmax；S25：如果G1＞0且G2＜0，则输出fi，否则输出fmed。S3：采用多核学习方法，将多种异构监测数据映射至高维线性空间，融合加注泵多种监测数据的不同特征分量，具体包括以下步骤：S31：不同特征分量分别选取不同的常用的核函数，并采用线性组合法组合多个特征分量对应的核函数，其模型定义如下： K ( x , y ) = Σ m = 1 M d m K i ( x , y ) ]]>其中，K(x,y)是最终组合后的核矩阵，Ki(x,y)是不同特征分量对应的核矩阵，dm是各个核矩阵对应的权值系数，M是参与线性组合的核矩阵的个数。S32：采用简单多核学习算法，优化核组合的权值系数dm。S4：比较高维空间融合结果与自适应动态阈值，识别加注泵异常工况的具体步骤是指：S41：采用自适应方法，动态调整异常工况检测的阈值。N+1时刻高维空间融合结果f的正常阈值区间式中，和分别表示f在N时刻的均值估计和标准差估计。其自适应表达式分别为： X ‾ N f = X ‾ N - 1 f + 1 N ( f N - X ‾ 本文档来自技高网...

【技术保护点】
一种多特征融合的加注泵异常工况检测方法，其特征在于包括下述步骤：S1：利用红外光耦、接近传感器、压力传感器、液位传感器和电位器等传感器获取加注泵出(入)口压力、流量、出(入)口温度以及电流等多种监测数据；S2：采用自适应滤波方法，对数据进行平滑预处理；S3：采用多核学习方法，将多种异构监测数据映射至高维线性空间，融合加注泵多种监测数据的不同特征分量；S4：比较高维空间融合结果与自适应动态阈值，识别加注泵异常工况。

【技术特征摘要】
1.一种多特征融合的加注泵异常工况检测方法，其特征在于包括下述步骤：S1：利用红外光耦、接近传感器、压力传感器、液位传感器和电位器等传感器获取加注泵出(入)口压力、流量、出(入)口温度以及电流等多种监测数据；S2：采用自适应滤波方法，对数据进行平滑预处理；S3：采用多核学习方法，将多种异构监测数据映射至高维线性空间，融合加注泵多种监测数据的不同特征分量；S4：比较高维空间融合结果与自适应动态阈值，识别加注泵异常工况。2.根据权利要求1所述的一种多特征融合的加注泵异常工况检测方法，其特征在于：在所述步骤S1中，红外光耦监测加注工序，接近传感器监测各工序下的阀门状态，压力传感器监测加注泵入口压力和出口压力，液位传感器监测加注泵贮箱液位，电位传感器监测加...

【专利技术属性】
技术研发人员：柴毅，尹宏鹏，魏善碧，屈剑锋，李艳霞，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50