CN102169555A - 关联性传感信号多传感元件故障定位及传感信号自恢复方法 - Google Patents

Abstract

本发明公开了一种关联性传感信号多传感元件故障定位及传感信号自恢复方法，该方法包括：获取训练样本；建立符合多路传感元件信号关联性的神经网络，并学习传感信号之间的关联性；利用学习的各信号关联性关系，将含故障传感元件的传感信号输入神经网络，根据网络输出信号与输入信号之间的差值，对输入信号进行故障判断；定位出多路故障传感元件；恢复多路故障传感信号。该方法针对传感信号之间具有关联性的情况，并不需要求解关联函数，而是通过自动调节神经网络隐含层节点函数的权重，从而学习并利用其关联性，方法具有简便性、快捷性。

Description

关联性传感信号多传感元件故障定位及传感信号自恢复方法

技术领域

本发明涉及多传感元件故障定位及传感信号自恢复方法，尤其涉及一种针对传感信号之间具有关联性的多传感元件故障定位及传感信号自恢复方法。

背景技术

客观世界中的许多复杂过程，需要能够同时处理来自多路传感信号的传感器***，这推动可连接多传感元件的集成智能传感器模式的出现。这些新型集成传感器连接的每路传感元件均可并行提取各自检测对象的相关特征信息，并将信息传递到传感器中。典型的多传感元件传感器有基于IEEE1451标准的网络化智能传感器，它最多可同时连接255路传感元件进行测量，具有标准化、集成度高的特点。

同时连接多路传感元件给多传感信号源的检测带来了便利，但同时也带来了一些问题：如、连接的传感元件(一路或多路)出现故障，检测信号不跟随被测量时，难以定位故障元件；某些场合下，传感***各传感信号具有关联性，每一路传感信号都会对其它路传感信号造成影响，尚未能利用各路传感信号之间具有的关联性，重构故障传感元件信号值，使得传感信号自恢复。

发明内容

为解决上述中存在的问题与缺陷，本发明提供了一种关联性传感信号多传感元件故障定位及传感信号自恢复方法。所述技术方案如下：

关联性传感信号多传感元件故障定位及传感信号自恢复方法，包括：

A、获取训练样本；

B、建立符合多路传感元件信号关联性的神经网络，并学习传感信号之间的关联性；

C、利用学习的各信号关联性关系，将含故障传感元件的传感信号输入神经网络，根据网络输出信号与输入信号之间的差值，对输入信号进行故障判断；

D、定位出多路故障传感元件；

E、恢复多路故障传感信号。

本发明提供的技术方案的有益效果是：

突破了必须求解出传感信号之间关联性关系才能进行故障定位的思维定势，革新地利用其关联性，通过在一定范围内试探性改变多路传感信号的值，从而实现多路故障传感元件的定位和信号自恢复。

附图说明

图1是多路传感元件故障定位及传感信号自恢复方法的流程图；

图2是构造的神经网络的结构示意图；

图3是并行9叉树故障定位算法流程图；

图4是扩展9叉树信号重构算法流程图；

图5是一种邻苯二甲酸酐反应釜测控方案图；

图6是神经网络训练过程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述：

本实施例提供了一种关联性传感信号多传感元件故障定位及传感信号自恢复方法。

参见图1，该方法包括以下步骤：

步骤10获取训练样本；

上述获取的训练样本包括足够多的训练样本。

步骤20建立神经网络，学习传感信号之间的关联性；

上述建立的神经网络是符合多路传感元件信号关联性的神经网络。

步骤30含故障传感元件的传感信号输入神经网络；

上述将含故障传感元件的传感信号输入神经网络，可根据网络输出信号与输入信号之间的差值，对输入信号进行故障判断。

步骤40多路故障传感元件定位；

上述是在固定范围内改变多路传感元件信号的值，使其符合所有各路传感信号x_i之间的关联性关系，其中i＝1，2，...，n，并根据网络输出信号与输入信号的差值变动情况定位出多路故障传感元件。

步骤50恢复多路故障传感信号；

根据传感信号关联性关系，继续改变已定位故障传感元件的信号，使得神经网络的输出信号与输入信号差值小于设定阈值，从而自动恢复故障传感信号。

上述步骤10与步骤20具体包括：如图2所示，针对邻苯二甲酸酐反应釜的10路关联性传感信号，构建一个10-13-5-13-10结构的神经网络。将足够多的正常工作状态下10路传感信号构成神经网络的输入层，训练处正常生产条件下10路传感信号之间关联性关系。由于噪声的存在，网络训练结束的条件不是SSE最小化，而是当其收敛到一个设定的阈值Δ_SSE就停止训练，否则网络将试图对噪声进行学习，从而降低神经网络泛化能力。在此网络中，Δ_SSE设定为0.0001，经过1.793秒，网络训练成功，其图6为神经网络训练过程图。

上述步骤30具体包括：获取多路传感元件的测量信号{x_i|i＝1，2，...，10}，将传感信号X＝[x₁，x₂，...，x₁₀]^T输入神经网络中，观察网络输出Y＝[y₁，y₂，...，y₁₀]^T与输入信号之间的SSE，判断传感元件是否存在故障，若SSE≤Δ_SSE，传感元件无故障；若SSE＞Δ_SSE，一路或多路传感元件无故障，需要进入步骤40和50进行故障定位与信号自恢复。

上述步骤40和步骤50具体包括：对判断出存在故障传感元件的信号，在一定范围内对各路信号进行并行树状故障搜寻，得出SSE减小最明显的一组，从而定位出故障传感元件；定位出故障传感元件后，继续进行扩展的树状信号重构算法，使得SSE≤Δ_SSE，从而实现传感信号自恢复。

本实施例的技术核心在于：构建一个具有对称拓扑结构的前馈型传递神经网络，该神经网络独特之处在于具有单位增益，即，正常情况下其输入向量x_i(i＝1，2，...，n)等于输出向量y_i(i＝1，2，...，n)。图2所示为构造的神经网络的结构图，包括一个输入层、三个隐含层及一个输出层。隐含层第一层为映射层，节点维数p在整个网络中最大，用于提取输入信息中关联性部分，其节点传递函数可以是Sigmoid函数(f(x)＝1/(1+e^-x))或其他类似的非线性函数，该层节点函数的权重为w_c-j(j＝1，2，...，p，p＞n)；隐含层最后一层为解映射层，节点维数与映射层相等，用于对信息进行关联性还原，其节点为非线性传递函数，该层节点函数的权重为w_d-j(j＝1，2，...，p，p＞n)。

上述神经网络可用误差反向传播(BP)算法来进行训练。训练样本为无故障状态下的各组传感元件的测量数据，借助足够训练样本，神经网络可通过自动调整隐含层(包括映射层、瓶颈层和解映射层)各个节点传递函数的权重w，使得x₁＝f_in-1(x₂，x₃，...，x_n)＝f_out-1(y₂，y₃，...y_n)＝y₁，x₂＝f_in-2(x₁，x₃，...，x_n)＝f_out-2(y₂，y₃，...，y_n)＝y₂，……，x_n＝f_in-n(x₁，x₂，...，x_n-1)＝f_out-n(y₁，y₂，...，y_n-1)＝y₂，从而学***方和SSE，其公式如下：

$\mathrm{SSE}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-x_i)}^2---\left(1\right)$

指标作为传感元件故障评判因子。

若连接的各路传感元件均处于无故障理想状态，显然SSE＝0；因为神经网络各节点传递函数权重w已在网络训练阶段，由各路传感信号的关联特性确定，若输入向量X_i中一路或多路传感元件发生故障，输出向量Y_i将全部发生变化。那么多路故障传感元件搜寻方法的思路则是基于传感信号的关联特性，通过在一定范围内试探性改变(增大、减小或不变)各路故障元件信号，使得这时的输出向量Y_i与输入向量X_i趋于一致。该方法存在的难点在于：①究竟有多少路传感元件发生故障？又具体是哪几路？②各路发生传感元件故障信号的重构值是多少？才能保证输出向量Y_i与输入向量X_i趋于一致。解决这两个问题，一个将实现故障传感元件的定位；另外一个是实现传感信号的自恢复。

下面以一个连接了10路信号有关联传感元件的IEEE 1451智能传感器为例，对本实施例如何解决以上问题的实施方式作进一步地详细描述：设智能传感器的10路传感信号为{x_i|i＝1，2，...，10}，则可利用各传感信号X＝[x₁，x₂，...，x₁₀]^T为神经网络的输入节点，当存在一路或多路传感元件故障时，显然SSE≠0。

假设仅有一路传感元件故障时，可在一定范围内试探性依次给各路传感元件信号改变一个较小值δ_S，再将改变后的数值X’₁＝[x₁+δ_S，x₂，...，x₁₀]^T、X’₂＝[x₁，x₂+δ_S，...，x₁₀]^T......X’_n＝[x₁，x₂，...，x₁₀+δ_S]^T输入神经网络，观察此时SSE的变化。

从公式4-公式8可知，如果某组改变后的输入信号能使SSE显著变小，说明改变后的传感信号X’符合训练信号的关联关系，从而判断该路传感元件发生故障；定位故障传感元件后，继续改变该路信号值，使得SSE小于设定阈值Δ_SSE，则可恢复该路传感信号。

若在一定范围内试探性改变一路传感元件信号，SSE无法取得显著减小，说明不止一路传感元件故障，需要考虑同时改变多路传感信号，下面重点详述下10路传感信号中同时有两路故障传感元件定位的情况。此时，可能存在故障的传感元件组合有

种，表1列出了所有两路传感元件同时故障的组合，这些组合进行排序分别为{1，2}、{1，3}、…、{9，10}。

在一定范围内试探性依次给各组合中的传感元件信号改变一个较小值，如果测试中的传感元件组合是故障组合，根据传感信号关联关系，在一定范围内改变该两路传感元件的输入数值，相应的SSE将会减小；反之如果测试组合是无故障的，从上述公式(1)可以看出，改变它们的值只会导致SSE进一步扩大，因此通过改变每组合的输入数值，取得SSE减小最显著的一个组合可定位受损传感元件。

假设j(j≤10)号和k(k≤10，k≠j)号传感元件故障，则人为给它们各改变一个微值δ_j和δ_k，此时神经网络输入节点将变为(参见公式2)：

X＝[x₁，x₂，...，x_j+δ₁，...，x_k+δ_k，...，x₁₀]^T    (2)

考虑到一个故障传感元件的信号可能有三种不同变化{+δ_i，-δ_i，0}(其中“0”变化为传感元件无故障的情况)，为了估算测试组合的信号偏移量则需要进行3²＝9个调整步骤，如下：

步骤1-3第一个传感信号保持不变，另一传感信号进行三种变化{+δ₂，-δ₂，0}；

步骤4-6第一个传感信号+δ₁，另一传感信号进行三种变化{+δ₂，-δ₂，0}；

步骤7-9第一个传感信号-δ₁，另一传感信号进行三种变化{+δ₂，-δ₂，0}。

下面为一种类似于树状路径搜寻的并行故障传感元件搜寻方法，针对估算每个故障组合的9个步骤，每个节点需要进行9次分解，因此将该算法形象地命名为并行9叉树算法(如图3)。算法第一层并行有m个节点，每个结点按9个调整步骤进行一次9叉树计算，并定义一个SSE矩阵用于定位故障传感元件，参见公式3：

$\mathrm{SSE}=\left[\begin{array}{cccccc}{\mathrm{SSE}}_{\left(\mathrm{1,1}\right)}& \mathrm{SS}{E}_{\left(\mathrm{1,2}\right)}& .& .& .& {\mathrm{SSE}}_{\left(\mathrm{1,9}\right)}\\ {\mathrm{SSE}}_{\left(\mathrm{2,1}\right)}& {\mathrm{SSE}}_{\left(\mathrm{2,2}\right)}& .& .& .& {\mathrm{SSE}}_{\left(\mathrm{2,9}\right)}\\ .& .& & & & .\\ .& .& & & & .\\ .& .& & & & .\\ {\mathrm{SSE}}_{(m,1)}& {\mathrm{SSE}}_{(m,1)}& .& .& .& {\mathrm{SSE}}_{(m,9)}\end{array}\right]---\left(3\right)$

其中m为故障组合的数目，每个数据的行、列值分别代表故障组合的序数(1～m)和调整方式(1～9)。

将每组测试样本输入网络，按并行的9叉树算法对m个可能的故障组合各进行9次信号偏移操作，计算结果依次输入矩阵(公式3)中，获取min(SSE_(i，j))，(i≤m，j≤9)，则根据该值对应的行列位置值(i，j)可快速定位故障传感元件组合。

如果10路信号中同时有三路传感元件发生故障，则可能存在

种故障信号情况，估算偏移量的步骤至少3³＝27个；若10路信号中同时有a路传感元件发生故障，故障信号组合数目为种，估算偏移量的步骤至少3^a个，相应计算量会呈几何级数增加，故改进算法提高故障定位速度是非常关键的工作。

推广到一个连接了n个信号有关联性传感元件的IEEE 1451智能传感器，若其中a(a＜n)个元件存在故障，则所有可能故障传感元件数目

估算偏移量的步骤为至少3^a个。

上述操作实现了多路故障传感元件的定位，下面继续以连接了10路传感元件(其中存在两路故障)的智能传感器为例，详述故障传感元件信号的自恢复方法。

根据神经网络掌握的传感信号内部关联，定位出故障传感元件后，9叉树算法进一步扩展，可用于恢复故障传感值。选取子结点层中SSE最小的一个结点作为下一层的父结点，改变偏移量步长δ，继续进行9叉树展开(如图4)。重复该步骤，直到SSE小于设定阈值Δ_SSE为止，通过读取此时的各传感值X_R，可实现传感信号的重构，则自恢复的传感信号为：

X_R＝[x₁，x₂，...，x_j+δ_j，...，x_k+δ_k，...，x₁₀](4)

对于连接了10路传感元件(同时有三路或更多路传感元件故障)的情况，其传感信号自恢复过程也是采用类似扩展9叉树的方式，通过选取子结点层中SSE最小的一个结点作为下一层的父结点，改变偏移量步长δ，继续进行树状展开。重复上述步骤，直到SSE小于Δ_SSE为止，通过读取此时重构的传感值X_R，实现传感信号自恢复。

推广到一个连接了n路信号有关联传感元件，若其中a(a＜n)路元件存在故障的IEEE 1451智能传感器，在定位故障传感元件后，其信号自恢复过程也是按3^a个信号调整步骤，继续进行扩展的树状展开。当SSE小于Δ_SSE，实现多路故障传感元件信号的自恢复。

本实施例中，获得某组传感数据的SSE矩阵如以下公式：

min(SSE_{(i，j)_1})＝SSE_{(16，4)_1}＝0.95231，其行数i等于16，表示第16种排列组合，查传感故障组合排序参见下表1，可定位相应故障传感元件组合为{x₂，x₉}；列数j等于4，表示第4种补偿方式，即{x₂+δ₁，x₉+δ₂}，因此，可继续更换步长δ，利用扩展9叉树算法对其进行重构计算。当扩展深度为5时，SSE_{(16，4)_5}＝0.00003＜0.0001＝Δ_SSE，可认为此时信号重构成功，总响应时间为1.154秒。

表1

下面以一个传感信号关联密切的邻苯二甲酸酐(Phthalic Anhydride，C₈H₄O₃)反应釜模型为例，对本发明实施方式作进一步地详细描述：

邻苯二甲酸酐的主要生产原料是邻二甲苯(Ortho-xylene)，其生产工艺是在反应釜内使用空气进行固定床催化氧化连续生产。要获得稳定的产品质量，必须严格控制反应釜的进料速度、温度及压力等反应参数。图5是基于神经网络的邻苯二甲酸酐反应釜传感及控制方案图，该方案中，涉及到3路的反应釜温度量，包括：高位温度T_H、中位温度T_M及低位温度T_L；2路反应釜压力量，包括釜顶压力P_H和釜底压力P_L；3路物料流量，包括进料流量F_I、盐接收速率F_C和冷却水速率F_L；1路冷盐温度量T_C及1路反应气体温度量T_O等信息量，这些量具有一定关联性，适合应用本发明提出的多路传感元件故障定位及信号恢复方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.关联性传感信号多传感元件故障定位及传感信号自恢复方法，其特征在于，所述方法包括：

A、获取训练样本；

B、建立符合多路传感元件信号关联性的神经网络，并学习传感信号之间的关联性；

C、利用学习的各信号关联性关系，将含故障传感元件的传感信号输入神经网络，根据网络输出信号与输入信号之间的差值，对输入信号进行故障判断；

D、定位出多路故障传感元件；

E、恢复多路故障传感信号。

2.根据权利要求1所述的关联性传感信号多传感元件故障定位及传感信号自恢复方法，其特征在于，所述D具体包括：在固定范围内改变多路传感元件信号的值，使其符合所有各路传感信号x_i之间的关联性关系，其中i＝1，2，...，n，并根据网络输出信号与输入信号的差值变动情况定位出多路故障传感元件。

3.根据权利要求1所述的关联性传感信号多传感元件故障定位及传感信号自恢复方法，其特征在于，所述E具体包括：根据传感信号关联性关系，继续改变已定位故障传感元件的信号，使得神经网络的输出信号与输入信号差值小于设定阈值，从而自动恢复故障传感信号。

4.根据权利要求1所述的关联性传感信号多传感元件故障定位及传感信号自恢复方法，其特征在于，多路传感元件信号关联性的神经网络算法是利用一种对称拓扑结构神经网络算法，并通过训练样本学习所述关联性。

5.根据权利要求4所述的关联性传感信号多传感元件故障定位及传感信号自恢复方法，其特征在于，所述建立的对称拓扑结构神经网络具有单位增益性，其输入向量x_i等于输出向量y_i，其中i＝1，2，…，n。

6.根据权利要求1、2、或4所述的关联性传感信号多传感元件故障定位及传感信号自恢复方法，其特征在于，在建立对称拓扑结构神经网络后，通过定义神经网络输出向量y_i与输入向量x_i之间的误差平方和指标作为多路传感元件故障评判因子。

7.根据权利要求1-6任一项所述的关联性传感信号多传感元件故障定位及传感信号自恢复方法，其特征在于，所述方法是：在各路传感信号x_i之间具有关联性，且每一路传感信号都会对其它路传感信号造成影响下适用的，其中i＝1，2，...，n，用数学模型表示为：x₁＝f₁(x₂，x₃，...，x_n)，x₂＝f₂(x₁，x₃，...，x_n)，......，x_n＝f_n(x₁，x₂，...，x_n-1)。

Images