一种基于ICA与kNN的多源传感器故障检测方法技术

一种基于ICA与kNN的多源传感器故障检测方法，属于传感器检测领域。现有的传感器故障检测实时性差的问题。基于ICA与kNN的多源传感器故障检测方法，多源传感器收集多组正常的训练样本数据并进行预处理；之后进行ICA分解，得到独立成分分量和分离矩阵；把负熵值大于非高斯度阈值的独立成分分量作为主部，将主部作为新的训练样本数据集并计算统计量；计算统计量的控制线；对待检测实时数据进行中心化和标准化的数据预处理；计算待检测实时数据所对应的独立成分分量；计算待检测实时数据的统计量；当实时数据的统计量大于显著度水平的控制线时，则确定多源传感器存在故障；否则传感器正常工作。本发明专利技术能够显著提高多源传感器故障检测的实时性。

A Fault Detection Method for Multi-source Sensors Based on ICA and kNN

A multi-source sensor fault detection method based on ICA and kNN belongs to the field of sensor detection. The existing sensor fault detection has poor real-time performance. Multi-source sensor fault detection method based on ICA and kNN, multi-source sensors collect and pre-process multi-group normal training sample data; then ICA decomposition is carried out to obtain independent component and separation matrix; independent component whose negative entropy value is greater than non-Gaussian threshold is taken as the main part, and the main part is taken as the new training sample data set and the statistics are calculated; Control line; Centralized and standardized data preprocessing for real-time data; Calculating the independent component components corresponding to real-time data to be detected; Calculating the statistics of real-time data to be detected; When the statistics of real-time data are greater than the control line at the saliency level, it is determined that the multi-source sensor has fault; otherwise, the sensor will work normally. The invention can significantly improve the real-time performance of multi-source sensor fault detection.

【技术实现步骤摘要】
一种基于ICA与kNN的多源传感器故障检测方法
本专利技术涉及一种传感器故障检测方法，特别涉及一种基于ICA与kNN的多源传感器故障检测方法。
技术介绍
在工业领域，传感器作为信息获取的源头，其所输出数据的准确性和可靠性极为关键，具有较高准确性和可靠性的输出值是在线监测和控制工业生产过程的必需条件。多源传感器将多种不同类型的敏感单元集成或复合在一起，用于测量多个被测量。与传统的单源传感器相比，具有更小体积小、且功能较全的多源传感器得到更快的发展和更广泛的应用。由于多源传感器内部包含的敏感元件数目的增多和复杂信号调理电路的存在，发生故障的概率相对较高。一旦传感器发生故障，其所输出的数据将无法正确反映实际测量结果。若该错误数据用于控制和决策，将影响系统的正常运行，有时甚至会发生灾难。因此，在努力提高传感器可靠性的同时，也希望能及时检测传感器的故障状态，以便尽快修复或更换传感器，尽快恢复系统的正常运行。传统多源信号故障检测包括基于主成分分析(PCA)和基于核主成分分析(KPCA)等方法。PCA方法假设数据符合线性和高斯分布特征，但是实际传感器工作过程中所输出的数据往往不满足上述特征，容易导本文档来自技高网...

【技术保护点】
1.一种基于ICA与kNN的多源传感器故障检测方法，其特征在于：所述的方法包括以下步骤：步骤一、在正常工作状态下，通过多源传感器收集多组训练样本数据；步骤二、对训练样本数据进行中心化和标准化的数据预处理；步骤三、采用FastICA算法对经过数据预处理后得到的训练样本进行ICA分解，得到独立成分分量、合成矩阵和分离矩阵；步骤四、按照各个独立成分分量的负熵值由大至小的顺序进行排序，把负熵值大于非高斯度阈值的独立成分分量作为主部，并确定对应主部的分离矩阵；步骤五、将作为独立成分分量的主部作为新的训练样本数据集；步骤六、计算新的训练样本数据的统计量；步骤七、通过卡方分布计算步骤六的统计量的控制线；步骤...

【技术特征摘要】
1.一种基于ICA与kNN的多源传感器故障检测方法，其特征在于：所述的方法包括以下步骤：步骤一、在正常工作状态下，通过多源传感器收集多组训练样本数据；步骤二、对训练样本数据进行中心化和标准化的数据预处理；步骤三、采用FastICA算法对经过数据预处理后得到的训练样本进行ICA分解，得到独立成分分量、合成矩阵和分离矩阵；步骤四、按照各个独立成分分量的负熵值由大至小的顺序进行排序，把负熵值大于非高斯度阈值的独立成分分量作为主部，并确定对应主部的分离矩阵；步骤五、将作为独立成分分量的主部作为新的训练样本数据集；步骤六、计算新的训练样本数据的统计量；步骤七、通过卡方分布计算步骤六的统计量的控制线；步骤八、对获得的待检测实时数据进行中心化和标准化的数据预处理；步骤九、计算待检测实时数据所对应的独立成分分量；步骤十、计算待检测实时数据的统计量；步骤十一、判断步骤十得到的实时数据的统计量与步骤七确定的显著度水平的控制线的大小关系，若为大于关系，则确定多源传感器存在故障；否则传感器正常工作。2.根据权利要求1所述的一种基于ICA与kNN的多源传感器故障检测方法，其特征在于：所述步骤一中通过多源传感器收集多组训练样本数据的过程为：对于具有m个敏感单元的多源传感器，正常工作状态下收集的n组训练样本数据为：3.根据权利要求2所述的一种基于ICA与kNN的多源传感器故障检测方法，其特征在于：所述步骤二中对训练样本数据进行中心化和标准化的数据预处理的过程为：通过式(2)进行中心化处理：式中，m表示敏感单元个数；xij表示第i组收集的训练样本中第j个敏感单元的数据；i表示训练样本的序号；j表示敏感单元的序号；表示第j个敏感单元的训练样本数据的均值；之后，再通过式(3)进行标准化处理：式中，σj表示第j个敏感单元的训练样本数据的标准差。4.根据权利要求3所述的一种基于ICA与kNN的多源传感器故障检测方法，其特征在于：所述步骤四中按照各个独立成分分量的负熵值由大至小的顺序进行排序，把负熵值大于非高斯度阈值的独立成分分量作为主部，并确定对应主部的分离矩阵过程为：按照各个独立成分分量的负熵值按照由大至小的顺序进行排序，把负熵值大于非高斯度阈值σmin的独立成分分量作为主部Sd，对应主部分离矩阵为Wd。5.根据权利要求4...

【专利技术属性】
技术研发人员：杨京礼，林连雷，姜守达，
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