CN110826024A - 一种传感器数据异常的抽样判别方法 - Google Patents

Abstract

本发明公开了一种传感器数据异常的抽样判别方法，属于检测技术领域。该方法能够从传感器信号本身中，发现信号消失、保持不变或超出上下限等规则判别不出的无法测量被测目标的故障，以得到真实监测数据，该方法从全局角度计算控制范围，数据样本周期长，受新数据不稳定性的影响较小，因而所得结果更加稳健准确。本方法利用SPC方法成熟的技术和工具，不需要依赖其它参考标准，从而能够及时、有效地判别出传感器故障并报警，进行设备停机、传感器维修或更换，保证被测目标的受控、安全等需求，避免因故障所造成的生产失控、设备故障等损失。

Description

一种传感器数据异常的抽样判别方法

技术领域

本发明属于检测技术领域，具体涉及一种传感器数据异常的抽样判别方法。

背景技术

在工业文明社会，人类生活、工业生产、社会运行等都离不开检测、传感装置，尤其是制造、通信、电力、交通、物流等行业设备设施的正常运转，都非常依赖传感器对相应设备状态的检测、监控。如果传感器发生故障，则会影响到对设备状态的监测、控制，甚至发生安全事故。如生产加工输入传感器故障可造成工艺不达标、产品不合格等损失，如冶金生产原料配比不准确，则生产的塔筒达不到要求，会造成产品退货或报废；反馈控制传感器故障可造成控制失控，如风机风速风向测量不准确，则控制不到位，发电量降低；安全监控传感器故障可造成因素超限，进而发生故障损坏或安全事故，如发电机温度监测不报警，则会过温烧毁机器或起火***；指标传感器故障，则会造成决策失误，如电量统计传感器故障，会造成经济核算损失或者调试失误等。

传感器故障类型多样，一般情况下如信号消失、保持不变或超出上下限等表现，可较容易判别，但是当监测数值在正常范围内略有波动时，较难与正常测量状态信号区分开。同时，现有的判别手段都需要有一个参考标准，如：预测值与测量值的对比、监测数值与另一检测量的关系、多个位置传感器的相似性变化等，适用范围较小，无法满足现代工业的需求。

发明内容

为了解决上述问题，本发明的目的在于提供一种传感器数据异常的抽样判别方法，能够从传感器信号本身中，发现信号消失、保持不变或超出上下限等规则判别不出的无法测量被测目标的故障，以得到真实监测数据，保证被测目标的受控、安全等需求。

本发明是通过以下技术方案来实现：

一种传感器数据异常的抽样判别方法，包括以下步骤：

1)从传感器的记录数据中抽取若干批包含若干个样本数的数据；

2)根据统计过程控制法，选取控制图，计算每批数据的统计值；

3)求出控制图的中心线和上下限控制界限；

4)根据统计过程判异标准，确定该批数据中非受控状态的数据，其余为受控状态的数据；

5)计算传感器的故障指数；

6)将传感器的故障指数与传感器报警阈值进行比较，当传感器的故障指数＞传感器报警阈值，则报警，完成本次判别，转步骤1)；当传感器的故障指数≤传感器报警阈值，则不报警，完成本次判别，转步骤1)。

优选地，步骤1)中，在抽取数据前，先判定是否为可抽样状态，然后在可抽样状态下进行数据的抽取。

优选地，步骤1)中，抽取是按时间顺序定期抽取。

优选地，若干批数据之间的时间间隔相等，每批数据中若干个数据的时间间隔相等。

优选地，步骤2)中，控制图为均值-标准差控制图，每批数据的统计值包括每批数据的均值和标准差。

进一步优选地，均值和标准差为最后一次的抽样数据的计算结果。

优选地，步骤4)中，当0＜受控状态的数据数量＜该批数据的总数量时，传感器的故障指数＝受控状态的数据数量/该批数据的总数量。

与现有技术相比，本发明具有以下有益的技术效果：

本发明公开的传感器数据异常的抽样判别方法，能够从传感器信号本身中，发现信号消失、保持不变或超出上下限等规则判别不出的无法测量被测目标的故障，以得到真实监测数据，该方法从全局角度计算控制范围，数据样本周期长，受新数据不稳定性的影响较小，因而所得结果更加稳健准确。本方法利用SPC方法成熟的技术和工具，不需要依赖其它参考标准，从而能够及时、有效地判别出传感器故障并报警，进行设备停机、传感器维修或更换，保证被测目标的受控、安全等需求，避免因故障所造成的生产失控、设备故障等损失。

进一步地，在抽取数据前，先判定是否为可抽样状态，避免传感器测量数据无波动被判定为故障，如设备停机时不可进行抽样。

进一步地，按时间顺序定期抽取，因为传感器状态会随时间变化，且通常在安装时无故障，而在使用一段时间有故障，所以要间隔一段时间进行一次数据抽取及后序分析。

进一步地，若干批数据之间的时间间隔相等，每批数据中若干个数据的时间间隔相等，能够使数据一致，保证计算时的参数一致性。

进一步地，控制图选用均值-标准差控制图，采用每批数据的均值和标准差作为统计值，操作简单，能够为下一步的判别提供量化数据。

更进一步地，当传感器失效时，均值和标准差为最后一次的抽样数据的计算结果，因为在生产控制时如果工况稳定，其均值和标准差理论上是一直不变的，否则说明生产发生异常了。而传感器测量数据则相反，其均值和标准差理论上是一直变化的，否则说明被测对象一直不变(一般也不可能，如测量的风速、气温、油压等)或者传感器异常了。所以作为判断标准的均值和标准差等的选取也要动态更新，即以最后一次抽样数据计算结果为准。

进一步地，0＜受控状态的数据数量＜该批数据的总数量，当受控状态的数据数量＝0时，说明所有受控状态的数据均为传感器的正常测量数据；当受控状态的数据数量＝该批数据的总数量时，有可能是因为待测量目标量表现如此。当介于上述两种之间时，采用受控状态的数据占比作为传感器的故障指数，简单有效。

附图说明

图1为本发明的抽样判别方法的流程图。

具体实施方式

下面以附图和具体实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

如图1，为本发明的传感器数据异常的抽样判别方法的流程图，分为以下步骤：

1)当判定传感器为可抽样状态时，从传感器24小时的记录数据中，每隔1小时抽取1次数据，每次抽取1分钟，取样间隔为1秒，得到24批数据，每批数据的样本容量为60。

2)根据统计过程控制法，选取均值-标准差控制图，计算每批数据的统计值：均值

和标准差s_i，(i＝1,2,……24)；也可选取其它控制图，如中值-极差、单值-移动极差等，按相应要求计算所需统计值。

3)求出控制图的中心线：上下限控制界限：

分区：A区(-3σ～-2σ，3σ～2σ)，B区(-2σ～-σ，2σ～σ)，C区(-σ～σ)。由于

而其中σ未知，用其无偏估计代替，则均值-标准差控制图的上下限控制界限为

式中，

为

的均值，

是s_i的均值，C₄、A₃是计算控制线的系数，可查GB-T4091-2001常规控制图中的表2计量控制图计算控制线的系数表确定。

4)根据SPC统计过程判异标准，确定该批数据中非受控状态的数据，其余为受控状态的数据；按GB-T4091-2001的八个模式检验，也可取其中几条或用其它模型检验，并根据传感器特点优化，标记相应的失控点为非受控状态的数据(非随机波动点)。

5)计算传感器的故障指数；如果全部判定非受控状态的数据(非随机波动点)，则说明均为传感器正常测量数据；如果全部判定受控状态的数据(随机波动)，则可能为传感器发生故障，不绝对排除待测量目标量表现如此。介于此间，可用一个指数表示(0～100％)，如点数据占比，即当0＜受控状态的数据数量＜该批数据的总数量时，传感器的故障指数＝受控状态的数据数量/该批数据的总数量。也可按时间远近加权，距最后一次抽样近权重大，远则权重小(增加失效后权重，减少早期正常权重，尽早发现失效)。

6)将传感器的故障指数与设定的传感器报警阈值进行比较，当传感器的故障指数＞传感器报警阈值，则报警，完成本次判别，进行设备停机、传感器维修或更换后转步骤1)，开始下一次的判别；当传感器的故障指数≤传感器报警阈值，则不报警，完成本次判别，转步骤1)，开始下一次的判别。

Claims (7)

1.一种传感器数据异常的抽样判别方法，其特征在于，包括以下步骤：

1)从传感器的记录数据中抽取若干批包含若干个样本数的数据；

2)根据统计过程控制法，选取控制图，计算每批数据的统计值；

3)求出控制图的中心线和上下限控制界限；

4)根据统计过程判异标准，确定该批数据中非受控状态的数据，其余为受控状态的数据；

5)计算传感器的故障指数；

6)将传感器的故障指数与传感器报警阈值进行比较，当传感器的故障指数＞传感器报警阈值，则报警，完成本次判别，转步骤1)；当传感器的故障指数≤传感器报警阈值，则不报警，完成本次判别，转步骤1)。

2.如权利要求1所述的传感器数据异常的抽样判别方法，其特征在于，步骤1)中，在抽取数据前，先判定是否为可抽样状态，然后在可抽样状态下进行数据的抽取。

3.如权利要求1所述的传感器数据异常的抽样判别方法，其特征在于，步骤1)中，抽取是按时间顺序定期抽取。

4.如权利要求1所述的传感器数据异常的抽样判别方法，其特征在于，若干批数据之间的时间间隔相等，每批数据中若干个数据的时间间隔相等。

5.如权利要求1所述的传感器数据异常的抽样判别方法，其特征在于，步骤2)中，控制图为均值-标准差控制图，每批数据的统计值包括每批数据的均值和标准差。

6.如权利要求5所述的传感器数据异常的抽样判别方法，其特征在于，均值和标准差为最后一次的抽样数据的计算结果。

7.如权利要求1所述的传感器数据异常的抽样判别方法，其特征在于，步骤4)中，当0＜受控状态的数据数量＜该批数据的总数量时，传感器的故障指数＝受控状态的数据数量/该批数据的总数量。

Images