多维信号的实时故障检测与实时故障隔离方法技术

多维信号的实时故障检测与实时故障隔离方法，属于传感器检测领域，本发明专利技术为解决装备或仪器中传感器多维信号的故障检测与隔离的实时性问题。本发明专利技术所述多维信号的实时故障检测方法，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型，核主成分分析故障检测模型检测到故障时，采用基于重构的贡献方法检测所有故障气体传感器的位置。多维信号的实时故障隔离方法，采用基于重构的贡献方法，构建前时刻故障信息的故障方向候选集，对当前时刻的故障进行隔离。本发明专利技术用于确定传感器多维信号的准确性和可靠性。

【技术实现步骤摘要】
多维信号的实时故障检测与实时故障隔离方法
本专利技术涉及一种多变量实时故障检测与实时故障隔离方法，属于传感器检测领域。
技术介绍
现代化的设备和仪器可以同时测量多个参数，被广泛应用到越来越多的化学过程中。作为数据获取的设备，如果在系统决策中使用不正确的信息，将导致严重的事故发生，因此，传感器多维信号的准确性与可靠性对于整个系统尤为重要。现代化的装备或仪器都是根据传感器的测量值进行决策，而传感器作为信息获取单元，大量存在于装备或仪器中。对于一些工作条件恶劣(高温、高压、高湿度、高盐度)的装备或仪器，传感器的故障在所难免，而且故障的频率较高，这将大大降低装备或仪器的工作效率，增加维护费用和相应的人力资源。大多数故障算法都是基于多变量统计理论。特别地，主成分分析(PCA)方法把观察空间分成一个残余子空间(RS)和一个主成分子空间(PCS)。在一个测试样本到来的时候，它会被分别在RS和PCS分解。随后，平方预测误差(SPE，即Q统计量)和HotellingsT2统计量将被计算。如果上述两个统计量的任一个超过其限制，系统被当作在故障模式下运行。Shen和Chen利用PCA分别去解决多功能传感器以及气体传感器阵列故障检测问题。PCA假设数据样本从线性过程中获得。然而，许多化学过程具有非线性特征。为了解决这个问题，提出了核主成分分析(KPCA)法。KPCA通过非线性投影把数据投影到高维特征空间，并在此特征空间中执行线性PCA。相比于PCA，KPCA在提取非线性特征时候更灵活，但也会导致效率降低，由于其在计算核函数的时候耗时较长。基于此问题，提出了一个K邻近(KNN)聚类规则用来提高气体传感阵列的可靠性。该方法可以处理可能的非线性数据通过用KNN准则与地标谱聚类(LSC)算法来降低故障检测的计算负担。然而，其只能确定是否整个系统运行正常，不能提供进一步分析故障原因的信息。为了定位故障传感器，提出了一种故障隔离算法。作为现有方法，贡献图通过计数各个变量的贡献来完成，广泛应用于故障检测。Cho等核函数求导，将贡献图拓展到KPCA模型中。但是，Westerhuis等提出，贡献图方法具有拖尾效应，故障变量影响正常变量的贡献。为了解决这个问题，一种基于重构的贡献(RBC)方法由Alcala等人提出，该方法能够识别对故障贡献最大的变量。为了识别非线性过程中的故障，Alcala等人将RBC方法扩展到KPCA模型。然而，RBC的效率较低，主要是因为该方法需要检查大量的候选故障方向以寻找故障的最大贡献。
技术实现思路
本专利技术目的是为了解决装备或仪器中传感器多维信号的故障检测与隔离的实时性问题，提供了一种多维信号的实时故障检测与实时故障隔离方法。本专利技术所述多维信号的实时故障检测方法，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型，核主成分分析故障检测模型检测到故障时，采用基于重构的贡献方法检测所有故障气体传感器的位置。优选的，提取正常训练集的近似基是用最少数量的训练样本表示整个训练样本集的特征。本专利技术所述多维信号的实时故障隔离方法，采用基于重构的贡献方法，构建前时刻故障信息的故障方向候选集，对当前时刻的故障进行隔离。本专利技术的优点：本专利技术提出的多维信号的实时故障检测与实时故障隔离方法，可以表现整个训练样本集最大信息的近似基被用于构建KPCA故障探测模型，为了故障探测而用于计算核矩阵上的时间损耗被减少。提出了基于重构的贡献方法，通过减少故障方向集的候补元素来加速故障隔离的过程。通过本专利技术提出的多维信号的实时故障检测与实时故障隔离方法，解决了多维信号的的实时故障检测，能够解决气体传感器阵列的实时故障检测和实时故障隔离。附图说明图1是本专利技术所述多维信号的实时故障检测与实时故障隔离方法的原理图；图2是用于实现本专利技术所述多维信号的实时故障检测与实时故障隔离方法的装置结构示意图；图3是偏差故障的测试结果示意图，横坐标表示样本探测时间，纵坐标表示电压值，细线条曲线表示正常状态下传感器，粗线条曲线表示故障传感器，；图4是冲击故障的测试结果示意图，横坐标表示样本探测时间，纵坐标表示电压值，细线条曲线表示正常状态下传感器，粗线条曲线表示故障传感器，；图5是图3的偏差故障采用基本核主成分分析方法的故障检测结果示意图；图6是图3的偏差故障采用实时核主成分分析方法的故障检测结果示意图；图7是图4的冲击故障采用基本核主成分分析方法的故障检测结果示意图；图8是图4的冲击故障采用实时核主成分分析方法的故障检测结果示意图；图9是气体传感器在偏差故障时的输出信号示意图，曲线1表示第11个传感器，曲线2表示第6个传感器，曲线3表示第3个传感器，曲线4表示第10个传感器，曲线5表示正常状态下传感器；图10是采用本专利技术提出的基于重构的贡献方法在t＝27s时故障方向集候补元素的贡献；图11是采用本专利技术提出的基于重构的贡献方法在t＝43s时故障方向集候补元素的贡献；图12是采用本专利技术提出的基于重构的贡献方法在t＝58s时故障方向集候补元素的贡献；图13是采用本专利技术提出的基于重构的贡献方法在t＝69s时故障方向集候补元素的贡献。具体实施方式具体实施方式一：下面结合图1说明本实施方式，本实施方式所述多维信号的实时故障检测方法，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型，核主成分分析故障检测模型检测到故障时，采用基于重构的贡献方法检测所有故障气体传感器的位置。本实施方式中，核主成分分析(KPCA)方法是从数据原始空间投影到高维空间F中，并在F中执行主成分分析(PCA)方法。具体实施方式二：本实施方式对实施方式一作进一步说明，提取正常训练集的近似基是用最少数量的训练样本表示整个训练样本集的特征。具体实施方式三：本实施方式对实施方式一或二作进一步说明，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型的具体过程为：X＝{xn}(n＝1,2,…,N)表示核主成分分析的整个训练样本集，其中，N表示训练样本的数量；是整个训练样本集X＝{xn}(n＝1,2,…,N)的近似基，其中p(p＜＜N)表示近似基XB的样本数量；表示近似基XB在高维空间F中的投影向量；每个样本xn的投影向量的近似值表示为：其中θn＝(θ1,θ2,…,θp)；θp表示第p个训练样本在高维空间F中的映射值；投影向量和近似值之间的关系为：则，θn表示为：其中，Kbn＝(kbn)1≤b≤p，且和Kbn表示核矩阵K的不同子集；knn表示核矩阵K中角标为n,n的元素；采用近似基XB的概率F(XB)表示整个训练样本集：其中，f(XB,xn)为：f(XB,xn)是近似基XB表示样本xn的概率；f(XB,xn)和F(XB)在(0,1]之间；近似基XB的选择是一个迭代过程，每个迭代选择得到f(XB,xn)最小值的样本xn；迭代过程在F(XB)的值达到阈值δ时停止。本实施方式中，δ(xn)越小，XB可以表示xn的可能性越高。XB的多样性随着样本xn容量而增加。具体实施方式四：下面结合图1说明本实施方式，本实施方式所述多维信号的实时故本文档来自技高网...

【技术保护点】
1.多维信号的实时故障检测方法，其特征在于，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型，核主成分分析故障检测模型检测到故障时，采用基于重构的贡献方法检测所有故障气体传感器的位置。

【技术特征摘要】
1.多维信号的实时故障检测方法，其特征在于，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型，核主成分分析故障检测模型检测到故障时，采用基于重构的贡献方法检测所有故障气体传感器的位置。2.根据权利要求1所述的多维信号的实时故障检测方法，其特征在于，提取正常训练集的近似基是用最少数量的训练样本表示整个训练样本集的特征。3.根据权利要求1或2所述的多维信号的实时故障检测方法，其特征在于，提取正常训练集的近似基，形成正常状态下的训练样本的近似基，采用正常状态下的训练样本的近似基构建核主成分分析故障检测模型的具体过程为：X＝{xn}(n＝1,2,…,N)表示核主成分分析的整个训练样本集，其中，N表示训练样本的数量；是整个训练样本集X＝{xn}(n＝1,2,…,N)的近似基，其中p(p＜＜N)表示近似基XB的样本数量；表示近似基XB在高维空间F中的投影向量；每个样本xn的投影向量的近似值表示为：其中θn＝(θ1,θ2,…,θp)；θp表示第p个训练样本在高维空间F中的映射值；投影向量和近似值之间的关系为：则，θn表示为：其中，Kbn＝(kbn)1≤b≤p，且和K...

【专利技术属性】
技术研发人员：杨京礼，陈寅生，孙震，刘晓东，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23