威尼斯人棋牌-威尼斯欢乐娱人城-首页

基于自适应滑动窗口算法与区间折半算法的故障检测方法

文档序号:10725731
基于自适应滑动窗口算法与区间折半算法的故障检测方法
【专利摘要】本发明公开了基于自适应滑动窗口算法与区间折半算法的故障检测方法,该方法采用区间折半法提取识别趋势,并在提取过程中不断根据具体情况改变区间窗口的初始点以及结束点,自适应改变区间大小,以获得更高的提取精度,然后通过模糊趋势匹配算法将实时趋势与规则常识库中的各种典型故障的特征趋势相匹配,实时诊断系统故障;本发明能够提高传感器故障辨识的准确性和实时性。
【专利说明】
基于自适应滑动窗口算法与区间折半算法的故障检测方法
技术领域
[0001] 本发明属于智能信息处理的技术领域,具体涉及一种基于自适应滑动窗口算法与 区间折半算法的故障检测方法。
【背景技术】
[0002] 传感器(英文名称:transducer/sensor)是一种检测装置,能感受到被测量的信 息,并能将感受到的信息,按一定规律变换成为电信号或其他所需形式的信息输出,以满足 信息的传输、处理、存储、显示、记录和控制等要求,广泛应用于各种控制系统中。而作为了 解系统过程状态的窗口,其测量结果的准确性直接影响系统的运行。同时大多数传感器的 工作环境都比较恶劣,因此它们在使用过程中不可避免的经常会因为种种原因发生故障。 一旦传感器故障被系统检测出,需要针对不同故障类型进行一定的在线或离线的故障补 偿,因此,对传感器故障进行辨识就显得尤为重要。
[0003] 对传感器进行故障辨识属于模式识别问题,其中主要包括特征提取和模式分类两 个部分。特征的选择与提取是模式分类的基础,特征信息的提取效率则直接影响了后续学 习和识别结果的准确率。由于非线性系统具有复杂性及建模方法的局限性等特点,因此对 于非线性系统故障诊断的研究结果非常有限,现有的一些方法主要借助于智能控制法和线 性化方法。这些方法大部分都是基于已知的数学模型。而现代控制系统通常具有高维、非线 性、强耦合、随机噪声和输入时延等特点,很难建立精确的数学模型,甚至根本就不可能用 解析方程来描述。
[0004] 目前,常见的不依赖于数学模型的方法主要有几类代表性的:基于小波变换的方 法、基于神经网络的方法、基于模糊逻辑的方法、基于统计分析模型的方法、基于专家系统 的方法、基于故障树的方法、基于定性模型的方法等。作为不依赖于数学模型的故障检测方 法之一,定性趋势分析就是一种基于数据驱动的分析方法,具有只要求有过程数据就可实 现对过程的监测的优点。这一特点在实际应用中有着非常重要的意义,因为在某些工业过 程中,唯一可利用的信息就是过程数据。此外,不依赖于过程数学模型的方法还很容易利用 操作经验、工艺常识、理事故障记录等信息,而这些信息的正确利用往往会起到事半功倍的 作用。然而传统的定性趋势分析方法依然存在不少问题,如提取的片段宽度难以自适应、算 法复杂、依赖人为设置阈值等。

【发明内容】

[0005] 有鉴于此,本发明提供了一种基于自适应滑动窗口算法与区间折半算法的故障检 测方法,能够提高传感器故障辨识的准确性和实时性。
[0006] 实现本发明的技术方案如下:
[0007] -种基于自适应滑动窗口算法与区间折半算法的故障检测方法,包括以下步骤:
[0008] 步骤一、对一段待检测的传感器数据从数据起始点开始利用区间折半算法提取原 语,并判断其原语是否为原语中的"A",若否,则从原语不为"A"的数据段起始位置开始判定 为故障发生点,从故障发生点直至待检测数据段的结束点为故障数据段;若待检测数据段 原语为"A",则进行下一段待检测数据的检测;
[0009]步骤二、从故障发生点开始,以待检测数据长度的1/10作为默认滑动窗口大小,对 第一个滑动窗口区间内的数据进行离线区间折半拟合使所述数据转换为拟合多项式序列, 根据多项式的导数符号将多项式序列转换为基元序列;
[0010]步骤三、确定下一个滑动窗口的起始点以及窗口长度:判断上一个滑动窗口最后 一个基元是否为线性基元,若是则判断其长度是否大于预设的线性原语长度临界值,若大 于则下一个窗口的起始点为上一个窗口的结束点,否则将最后一个基元所对应的数据归入 下一个窗口;若最后一个基元为非线性基元,则判断其长度是否大于预设的最短原语长度 值,若大于则下一个窗口的起始点为上一个窗口的结束点,否则将最后一个基元所对应的 数据归入下一个窗口;若上一个窗口最后一个基元所对应的数据归入下一个窗口,则窗口 长度=最后一个基元长度+默认滑动窗口大小;否则,窗口长度=默认滑动窗口大小;
[0011] 步骤四、将已确定的滑动窗口内的数据转换为基元序列;
[0012] 步骤五、重复步骤三和步骤四直至故障数据段的数据全部转换为基元序列,将所 述基元序列与规则常识库中的多个故障特征基元序列进行模糊逻辑匹配,分别得出相似度 SI;
[0013] 步骤六、找出步骤五中所得的最高相似度SImax,并将其与预设的决策临界值进行 比较,若SImax大于决策临界值,则待检测数据的故障类型为SI max所对应的故障类型;若SImax 小于等于决策临界值,则认定待检测数据的故障类型为新的故障。
[0014] 进一步地,线性原语长度临界值大于最短原语长度值。
[0015] 有益效果:
[0016] 1、本发明提供了一种基于滑动窗口算法与区间折半算法相结合的在线故障检测 方法,能够将传感器正常模式与故障模式区分出来。
[0017] 2、本发明方法与传统的离线区间折半算法相比,趋势提取的效率以及准确性都得 到了提升,并且可以根据样本的大小来灵活选择滑动窗口的大小,灵活性较高,推广性较 好。
【附图说明】
[0018] 图1是本发明传感器故障诊断框架流程图。
[0019] 图2是基元示意图。
[0020] 图3是滑动窗口大小为75的拟合效果图。
[0021 ]图4是滑动窗口大小为180的拟合效果图。
[0022] 图5是本发明自适应滑动窗口算法流程图。
[0023] 图6是本发明基于定性趋势分析的故障诊断构架。
【具体实施方式】
[0024]下面结合附图并举实施例,对本发明进行详细描述。
[0025]本发明提供了一种基于自适应滑动窗口算法与区间折半算法的故障检测方法,该 方法采用区间折半法提取识别趋势,并在提取过程中不断根据具体情况改变区间窗口的初 始点以及结束点,自适应改变区间大小,以获得更高的提取精度,然后通过模糊趋势匹配算 法将实时趋势与规则常识库中的各种典型故障的特征趋势相匹配,实时诊断系统故障。这 里采用的是田纳西-伊斯曼化学过程中的部分数据,田纳西-伊斯曼过程(TEP)是美国田纳 西州一家名为伊斯曼的化学品企业的两位专家根据真实的化学工业生产过程创建的一个 基于多变量技术的化学工业过程仿真平台。TEP仿真系统数据包括一种正常的状态数据和 21种故障状态数据,其中15个为已知故障,16-21为未知故障,每种状态下的数据包括训练 集和测试集部分,其中训练集有480组数据,测试集有960组数据,整个TEP系统包括有52个 变量,由于大家研究的是单个传感器数据的趋势提取,因此这里采取其中部分已知发生了 故障的变量进行数据分析。
[0026]选取5种不同故障状态下的传感器输出数据各480组,即Xu(i = l,2,...,5;j = l, 2,...,480),为使提取的信号特征不受幅值的影响,首先对信号进行标准化处理:
[0028] 其中:Xij表不不同模式的传感器输出信号,E(Xij)为Xij的均值,\为Xij的标准差。
[0029] 如图1所示,本发明包括以下步骤:
[0030] 步骤一、对一段待检测的传感器数据从数据起始点开始利用区间折半算法提取原 语,并判断其原语是否为"A",若否,则从原语不为"A"的数据段起始位置开始判定为故障发 生点,从故障发生点直至待检测数据段的结束点为故障数据段;若待检测数据段原语为A, 则进行下一段待检测数据的检测;
[0031] 原语基本概念先容:
[0032] 在定性趋势描述语言里,定义了用一阶导数和二阶导数符号表示的七种基元(即 基元),如图2所示。图中括号内分别表示一阶导数和二阶导数。
[0033] 在对于任意一组代表着趋势的数据进行区间折半(对于区间折半算法具体步骤这 里就不再做过多先容)后,会得到一个阶数最高为二阶的趋势片段。(1)若该片段为一阶,则 对之进行求一阶导数后很容易根据图2得到其对应的基元;(2)若该片段为二阶,则先求其 两端点处的一阶导数,如果两端点处的一阶导数同号,将其与零进行比较后很容易根据图2 得到对应的基元;(3)如果两端点处的一阶导数异号,说明该区间不是单峰区间,需要再次 进行分割,找到该片段一阶导数为零的点将该区间再次分段,取其前半段重复进行(2)中的 步骤得到基元。剩下的数据重复上述过程。最后得到由多个基元组成的原语,或者叫做原语 序列。
[0034] 步骤二、从故障发生点开始,以待检测数据段长度的1/10作为默认滑动窗口大小, 对第一个滑动窗口区间内的数据进行离线区间折半拟合使其转换为拟合多项式序列,即将 故障数据段分为若干个单峰区间,用二次多项式拟合单峰区间,则将故障数据段转换为拟 合多项式序列:
[0035] y(t) = {yi,y2,. . .yN}^y(t)^{Qi(t),Q2(t),. . .Θν(?)}
[0036] 其中,y(t) = {yi,y2, . . .yN}为一系列等周期采样数据点,t为采样时间,yi,y2, ..^分别为若干个单峰区间对应的数据,(),川=允+办+办 2#[^4]为第1^个单峰区 间的二次拟合多项式。Κ=1,2,···,Ν;根据最小二乘法可求出Qk(t)的回归系数/?.允.戌。 tki,tkf分别为第k个单峰区间的起始点与结束点;
[0037] 根据多项式的导数符号将多项式序列转换为基元序列;即:
[0038] y(t)~{Qi(t),Q2(t),· · .QN(t)}-tr = {Ρι,Ρ2, · · ·Ρν}
[0039] 其中,Pi,P2, . . .Pn分别为各个多项式对应的基元。
[0040] 图3和图4展示了对于同一段数据的不同滑动窗口大小的部分拟合效果,显然,从 图中可以看出滑动窗口的长度对于拟合精度是有影响的,图3中窗口长度为75,拟合出来的 原语为C,图4中窗口长度为180,拟合出来的原语为A,显然,后者的精度要比前者的精 度高,因此可以得出结论:滑动窗口大小不能太小,否则会影响拟合准确度,在保证效率的 前提上,应该尽可能的设定将窗口调大。在多次测试后得出,默认滑动窗口大小在待检测数 据段长度的1/10左右较为适宜,这里默认滑动窗口大小选为100。
[0041 ]步骤三、确定下一个滑动窗口的起始点以及窗口长度:判断上一个滑动窗口最后 一个基元是否为线性基元,若是则判断其长度是否大于预设的线性基元长度临界值,若大 于则下一个窗口的起始点为上一个窗口的结束点,否则将最后一个基元所对应的数据归入 下一个窗口,即下一个窗口的起始点为上一个窗口最后一个基元的起始点;若最后一个基 元为非线性基元,则判断其长度是否大于预设的最短基元长度值,若大于则下一个窗口的 起始点为上一个窗口的结束点,否则将最后一个基元所对应的数据归入下一个窗口,即下 一个窗口的起始点为上一个窗口最后一个基元的起始点;若上一个窗口最后一个基元所对 应的数据归入下一个窗口,则窗口长度=最后一个基元长度+默认滑动窗口大小;否则,窗 口长度=默认滑动窗口大小;
[0042] 当确定起始点以及窗口长度后,滑动窗口即确定;
[0043] 线性基元长度临界值大于最短基元长度值。
[0044] 大家通过分析最后一个基元PN的信息,包括基元长度,基元的类型以及基元的起 始点,来决定下一个滑动窗口的起点。显然,若该基元Pn长度太小,小于大家规定的最短基 元长度值(minNLP_len),则可能由于数据长度太短,数据信息不足,导致真实基元被分割, 以至于出现较大误差,因此将该基元的起始点作为下一个滑动窗口的起点,在下一个滑动 窗口内重新与新的数据再一次拟合;而如果最后一个基元是线性基元(A,C或者F)并且长度 小于线性基元长度临界值(maxCFlen),因为线性基元对于长度更加敏感,一个较长的基元 的局部都可能被拟合成线性基元,也可能会带来较大误差,因此也将之归到下一个窗口内 进行再一次新的拟合;否则下一个窗口的起始点则正常的从上一个窗口的结束点开始计 算,然后不断推进窗口重复上述过程直至整个故障样本数据均转换为原语序列。其中通过 设定初始的参数值,调整参数值可以改变该算法的效率和准确度。具体原理见附图5的流程 图。
[0045] 步骤四、将已确定的滑动窗口内的数据转换为基元序列;
[0046] 步骤五、重复步骤三和步骤四直至故障数据段的数据全部转换为基元序列,将所 述基元序列与规则常识库中的多个故障特征基元序列进行模糊逻辑匹配,分别得出相似度 SI;
[0047] 采用上述趋势提取、识别算法将传感器数据转换成基元序列后,需要将传感器的 实时趋势与常识库中系统正常状态下的特征趋势相匹配,检测系统是否发生故障;若检测 出系统发生故障,则将实时趋势与常识库中各种典型故障下的特征趋势相匹配,实时诊断 故障。此模糊推理算法是一个多变量推理算法,一般包含以下三个步骤:基元匹配;趋势匹 配;过程状态匹配。这里由于是单个传感器,因此只讨论前两个匹配步骤。
[0048]基元匹配:趋势是由基元序列组成的,首先要考虑基元间的相似度。其相似度见下 表:
[0050]趋势匹配:每一组传感器数据经区间半分法提取识别趋势后,都可转换成由Μ个基 元组成的趋势,趋势匹配就是将实时趋势与常识库趋势进行比较,求出他们之间的相似度。 令实时趋势为:
[0051 ] =
[0052]其中,Tr为整段待检测数据的基元序列人,.为基元Ρ,的采样时间;分别为Pi 对应的数据区间的起始点与结束点;
[0053] 常识库趋势为:
[0054] Tr sft; ,.r;l
[0055] 其中,Tf为常识库中故障的基元序列Λ;为基元Pf的采样时间;K分别为碎对 应的数据区间的起始点与结束点;
[0056] -般情况下,Μ辛S。需把Tr和Tr*放在同一个时间轴tu上,ti、i丨把时间轴tu划分成R 个区间,第i个区间为[tnW]。第i个区间长度为可从两个方面估计趋势 的相似度:基元的顺序;基元的持续时间。通过模糊趋势匹配方法,计算得到Tr和Tr#的相似 度SI。
[0057] 步骤六、如图6,找出步骤五中所得的最高相似度SImax,并将其与预设的决策临界 值进行比较,若SI max大于决策临界值,则故障数据段的故障类型为SImax所对应的故障类型; 则将其在规则常识库中对应的故障类型返回给操作员,并给出响应故障类型对应的行为警 告和提示;若SI max小于等于决策临界值,则认定故障数据段的故障类型为新的故障;更新规 则常识库,并通过手册诊断后添加规则常识库中其对应的故障码。
[0058]在实验中,大家通过在TEP化学过程中的仿真数据中选择了5组较为明显的故障样 本数据,并以此建立了一个小型的规则常识库,下面大家通过将每一个样本的实时趋势与 规则常识库内的特征原语以此进行比较,来验证该算法的故障诊断率。
[0059]故障诊断结果如下表所示:
[0062] 从表中可以看出,对于上述的每一种故障,都能在相应的相似度匹配中得到较高 的SI,而不同故障间的相似度匹配结果明显较小。
[0063] 综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。 凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的 保护范围之内。
【主权项】
1. 基于自适应滑动窗口算法与区间折半算法的故障检测方法,其特征在于,包括以下 步骤: 步骤一、对一段待检测的传感器数据从数据起始点开始利用区间折半算法提取原语, 并判断其原语是否为原语中的"A",若否,则从原语不为"A"的数据段起始位置开始判定为 故障发生点,从故障发生点直至待检测数据段的结束点为故障数据段;若待检测数据段原 语为"A",则进行下一段待检测数据的检测; 步骤二、从故障发生点开始,以待检测数据长度的1/10作为默认滑动窗口大小,对第一 个滑动窗口区间内的数据进行离线区间折半拟合使所述数据转换为拟合多项式序列,根据 多项式的导数符号将多项式序列转换为基元序列; 步骤三、确定下一个滑动窗口的起始点以及窗口长度:判断上一个滑动窗口最后一个 基元是否为线性基元,若是则判断其长度是否大于预设的线性原语长度临界值,若大于则 下一个窗口的起始点为上一个窗口的结束点,否则将最后一个基元所对应的数据归入下一 个窗口;若最后一个基元为非线性基元,则判断其长度是否大于预设的最短原语长度值,若 大于则下一个窗口的起始点为上一个窗口的结束点,否则将最后一个基元所对应的数据归 入下一个窗口;若上一个窗口最后一个基元所对应的数据归入下一个窗口,则窗口长度= 最后一个基元长度+默认滑动窗口大小;否则,窗口长度=默认滑动窗口大小; 步骤四、将已确定的滑动窗口内的数据转换为基元序列; 步骤五、重复步骤三和步骤四直至故障数据段的数据全部转换为基元序列,将所述基 元序列与规则常识库中的多个故障特征基元序列进行模糊逻辑匹配,分别得出相似度SI; 步骤六、找出步骤五中所得的最高相似度SImax,并将其与预设的决策临界值进行比较, 若SImax大于决策临界值,则待检测数据的故障类型为SImax所对应的故障类型;若SI max小于 等于决策临界值,则认定待检测数据的故障类型为新的故障。2. 如权利要求1所述的基于自适应滑动窗口算法与区间折半算法的故障检测方法,其 特征在于,线性原语长度临界值大于最短原语长度值。
【文档编号】G06K9/62GK106096634SQ201610392752
【公开日】2016年11月9日
【申请日】2016年6月6日 公开号201610392752.6, CN 106096634 A, CN 106096634A, CN 201610392752, CN-A-106096634, CN106096634 A, CN106096634A, CN201610392752, CN201610392752.6
【发明人】邓方, 刘畅, 顾晓丹, 孙健, 陈杰
【申请人】北京理工大学
再多了解一些
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1

威尼斯人棋牌|威尼斯欢乐娱人城

XML 地图 | Sitemap 地图