CN112113595A - 传感器故障检测方法、装置和计算机可读介质 - Google Patents
传感器故障检测方法、装置和计算机可读介质 Download PDFInfo
- Publication number
- CN112113595A CN112113595A CN202011020843.XA CN202011020843A CN112113595A CN 112113595 A CN112113595 A CN 112113595A CN 202011020843 A CN202011020843 A CN 202011020843A CN 112113595 A CN112113595 A CN 112113595A
- Authority
- CN
- China
- Prior art keywords
- sensor
- sensors
- characterizing
- correlation coefficient
- correlation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000005315 distribution function Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 7
- 238000013499 data model Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 240000004760 Pimpinella anisum Species 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了传感器故障检测方法、装置和计算机可读介质,该传感器故障检测方法包括:获取目标自动化控制***中每一个传感器的历史读数;根据获取到的各历史读数分别确定每一个传感器的最大支持组,其中最大支持组包括有与相应传感器存在相关性的至少一个传感器;获取每一个传感器在当前时间窗内的至少两个当前读数,其中,当前时间窗是终点时间为当前时间且时间跨度等于预设的时间长度的时间段;针对每一个传感器,根据当前时间窗内该传感器及其最大支持组中各传感器的当前读数,计算该传感器的总体相似度;如果一个传感器的总体相似度小于预设的相似度阈值,则确定该传感器发生故障。本方案能够适用于各种自动化控制***进行传感器故障检测。
Description
技术领域
本发明涉及故障检测分析技术领域,尤其涉及传感器故障检测方法、装置和计算机可读介质。
背景技术
传感器是自动化控制***中不可或缺的部件,各类传感器采集相应信息发送给控制器,控制器根据各传感器所采集到的信息向被控设备发送控制指令实现自动化控制,因此传感器所采集信息的准确性直接影响自动化控制的可靠性。为了避免传感器发生故障而影响自动化控制***对被控设备进行自动化控制的可靠性,需要对自动化控制***中的传感器进行故障检测,以及时发现并修复发生故障的传感器。
目前通常采用构建数据模型的方式对传感器进行故障检测,即构建针对自动化控制***的数据模型,将自动化控制***中各传感器所采集到的信息输入所构建的数据模型中,根据数据模型输出的结果判断传感器是否发生故障。
一些复杂的自动化控制***所包括传感器的种类和数量均较多,而且存在大量的冗余传感器,比如火车上的供热通风与空气调节(Heating Ventilation and AirConditioning,HVAC)***包括有大量温度传感器、湿度传感器和有害气体浓度传感器等,而且针对同一类型的传感器还设置有多个冗余传感器。对于目前采用构建数据模型对传感器进行故障检测的方法,当自动化控制***包括传感器的类型和数量以及冗余传感器的数量较多时,由于难以构建准确的数据模型而无法检测传感器是否发生故障,因此现有传感器故障检测方法的适用性较差。
发明内容
有鉴于此,本发明提供的传感器故障检测方法、装置和计算机可读介质,能够适用于各种自动化控制***进行传感器故障检测。
第一方面,本发明实施例提供了一种传感器故障检测方法,包括:
获取目标自动化控制***中每一个传感器的历史读数,其中,所述目标自动化控制***包括有至少两个传感器;
针对每一个所述传感器,根据获取到的各所述历史读数确定该传感器的最大支持组,其中,所述最大支持组包括有与该传感器存在相关性的至少一个所述传感器;
获取每一个传感器在当前时间窗内的至少两个当前读数,其中,所述当前时间窗的终点时间为当前时间,且所述当前时间窗的时间跨度等于预设的时间长度;
针对每一个所述传感器,根据所述当前时间窗内该传感器和该传感器的所述最大支持组中各所述传感器的所述当前读数,计算该传感器的总体相似度;
针对每一个所述传感器,如果该传感器的所述总体相似度小于预设的相似度阈值,则确定该传感器发生故障。
在第一种可能的实现方式中,结合上述第一方面,针对目标自动化控制***中的每一个传感器,该传感器的最大支持组所包括的各传感器与该传感器为同类传感器。
在第二种可能的实现方式中,结合上述第一方面,所述针对每一个所述传感器,根据获取到的各所述历史读数确定该传感器的最大支持组,包括:
针对所述自动化控制***所包括的至少两个传感器中的任意两个传感器,根据该两个传感器的所述历史读数之间的相似性,计算用于表征该两个传感器之间相关性的第一相关系数;
针对每一个所述传感器,均执行:
按照卡方分布对该传感器与其他所述传感器之间的所述第一相关系数进行拟合,获得相关性分布函数;
从所述相关性分布函数上确定与预设置信概率阈值相对应的相关系数阈值;
将与该传感器之间的所述第一相关系数大于所述相关系数阈值的所述传感器确定为该传感器的支持传感器;
将由各所述支持传感器组成的集合确定为该传感器的所述最大支持组。
在第三种可能的实现方式中,结合上述第一种可能的实现方式,所述针对所述自动化控制***所包括的至少两个传感器中的任意两个传感器,根据该两个传感器的所述历史读数之间的相似性,计算用于表征该两个传感器之间相关性的第一相关系数,包括:
所述第一公式组包括:
其中,所述用于表征所述第个传感器和所述第个传感器之间的所述第一相关系数,所述用于表征在第个历史时刻所述第个传感器的所述历史读数,用于表征在第个历史时刻所述第个传感器的所述历史读数,所述用于表征预先设定的历史时刻的总个数,且所述为大于1的整数。
在第四种可能的实现方式中,结合上述第一方面以及第一方面的第一种可能的实现方式和第二种可能的实现方式中的任意一个,所述针对每一个所述传感器,根据所述当前时间窗内该传感器和该传感器的所述最大支持组中各所述传感器的所述当前读数,计算该传感器的总体相似度,包括:
针对每一个所述传感器,均执行:
针对位于该传感器的所述最大支持组中的每一个支持传感器,根据该支持传感器和该传感器的所述当前读数之间的相似性,计算用于表征该支持传感器和该传感器之间相关性的第二相关系数;
根据该传感器的所述最大支持组中各所述支持传感器与该传感器之间的所述第二相关系数,通过如下公式计算该传感器的所述总体相似度;
其中,所述用于表征第个所述传感器的所述总体相似度,所述用于表征第个所述传感器的所述最大支持组中的第个所述支持传感器与第个所述传感器之间的所述第二相关系数,所述用于表征第个所述传感器的所述最大支持组中所述支持传感器的数量。
在第五种可能的实现方式中,结合上述第三种可能的实现方式,所述针对位于该传感器的所述最大支持组中的每一个支持传感器,根据该支持传感器和该传感器的所述当前读数之间的相似性,计算用于表征该支持传感器和该传感器之间相关性的第二相关系数,包括:
针对位于该传感器的所述最大支持组中的每一个支持传感器,通过如下第二公式组计算该支持传感器与该传感器之间的所述第二相关系数;
所述第二公式组包括:
其中,所述用于表征第个所述传感器在所述当前时间窗内的第个采集时刻的所述当前读数,用于表征第个所述传感器的所述最大支持组中的第个所述支持传感器在所述第个采集时刻的所述当前读数,所述用于表征所述当前时间窗内所包括的采集时刻的数量,且所述为大于1的整数。
第二方面,本发明实施例还提供了一种传感器故障检测装置,包括:
一个历史读数获取模块,用于获取目标自动化控制***中每一个传感器的历史读数,其中,所述目标自动化控制***包括有至少两个传感器;
一个支持组确定模块,用于针对每一个所述传感器,根据所述历史读数获取模块获取到的各所述历史读数确定该传感器的最大支持组,其中,所述最大支持组包括有与该传感器存在相关性的至少一个所述传感器;
一个当前读数获取模块,用于获取每一个传感器在当前时间窗内的至少两个当前读数,其中,所述当前时间窗的终点时间为当前时间,且所述当前时间窗的时间跨度等于预设的时间长度;
一个相似度计算模块,用于针对每一个所述传感器,根据所述当前读数获取模块获取到的在所述当前时间窗内该传感器以及由所述支持组确定模块确定出的该传感器的所述最大支持组中各所述传感器的所述当前读数,计算该传感器的总体相似度;
一个故障识别模块,用于针对每一个所述传感器,在所述相似度计算模块确定该传感器的所述总体相似度小于预设的相似度阈值时,则确定该传感器发生故障。
在第一种可能的实现方式中,结合上述第二方面,针对目标自动化控制***中的每一个传感器,该传感器的最大支持组所包括的各传感器与该传感器为同类传感器。
在第二种可能的实现方式中,结合上述第二方面,所述支持组确定模块包括:
一个第一系数计算子模块,用于针对所述自动化控制***所包括的至少两个传感器中的任意两个传感器,根据该两个传感器的所述历史读数之间的相似性,计算用于表征该两个传感器之间相关性的第一相关系数;
一个函数拟合子模块,用于针对每一个所述传感器,按照卡方分布对所述第一系数计算子模块计算出的该传感器与其他所述传感器之间的所述第一相关系数进行拟合,获得相关性分布函数;
一个阈值确定子模块,用于从所述函数拟合子模块拟合出的所述相关性分布函数上确定与预设置信概率阈值相对应的相关系数阈值;
一个传感器筛选子模块,用于根据所述阈值确定子模块确定出的所述相关系数阈值,将与相应所述传感器之间的所述第一相关系数大于所述相关系数阈值的所述传感器确定为该传感器的支持传感器;
一个支持组生成子模块,用于将由所述传感器筛选子模块确定出的各所述支持传感器组成的集合确定为该传感器的所述最大支持组。
在第三种可能的实现方式中,结合上述第一种可能的实现方式,
所述第一公式组包括:
其中,所述用于表征所述第个传感器和所述第个传感器之间的所述第一相关系数,所述用于表征在第个历史时刻所述第个传感器的所述历史读数,用于表征在第个历史时刻所述第个传感器的所述历史读数,所述用于表征预先设定的历史时刻的总个数,且所述为大于1的整数。
在第四种可能的实现方式中,结合上述第二方面以及第二方面的第一种可能的实现方式和第二种可能的实现方式中的任意一个,所述相似度计算模块包括:
一个第二系数计算子模块,用于针对任意一个所述传感器和位于该传感器的所述最大支持组中的每一个支持传感器,根据该支持传感器和该传感器的所述当前读数之间的相似性,计算用于表征该支持传感器和该传感器之间相关性的第二相关系数;
一个相似度计算子模块,用于针对每一个传感器,根据所述第二系数计算子模块计算出的该传感器的所述最大支持组中各所述支持传感器与该传感器之间的所述第二相关系数,通过如下公式计算该传感器的所述总体相似度;
其中,所述用于表征第个所述传感器的所述总体相似度,所述用于表征第个所述传感器的所述最大支持组中的第个所述支持传感器与第个所述传感器之间的所述第二相关系数,所述用于表征第个所述传感器的所述最大支持组中所述支持传感器的数量。
在第五种可能的实现方式中,结合上述第三种可能的实现方式,
所述第二系数计算子模块,用于针对任意一个所述传感器和位于该传感器的所述最大支持组中的每一个支持传感器,通过如下第二公式组计算该支持传感器与该传感器之间的所述第二相关系数;
所述第二公式组包括:
其中,所述用于表征第个所述传感器在所述当前时间窗内的第个采集时刻的所述当前读数,用于表征第个所述传感器的所述最大支持组中的第个所述支持传感器在所述第个采集时刻的所述当前读数,所述用于表征所述当前时间窗内所包括的采集时刻的数量,且所述为大于1的整数。
第三方面,本发明实施例还提供了另一种传感器故障检测装置,包括:包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行上述第一方面及第一方面的任一可能的实现方式所提供的方法。
第四方面,本发明实施例还提供了一种计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行上述第一方面及第一方面的任一可能的实现方式所提供的方法。
由上述技术方案可知,根据目标自动化控制***中各传感器的历史读数可以分别确定每一个传感器所对应的最大支持组,使得每一个传感器的最大支持组中包括有与该传感器存在相关性的传感器,当一个传感器发生故障时该传感器的读数与其最大支持组中各传感器的读数会产生明显非同步的差异,在获取到每一个传感器在当前时间窗内的至少两个当前读数后,分别根据每一个传感器及其最大支持组中各传感器的当前读数来计算该传感器的总体相似度,而计算出的总体相似度表征了相应传感器及其最大支持组中各传感器之间读取的相似性,进而根据所计算出的总体相似度可以确定相应传感器是否发生故障。由此可见,根据自动化控制***中各传感器的历史读取分别确定每一个传感器的最大支持组,之后分别根据每一个传感器及其最大支持组中各传感器最近一段时间内的读数来计算该传感器的总体相似度,进而可以根据总体相似度确定相应传感器是否发生故障,因此不需要构建自动化控制***的数据模型便可以实现自动化控制***中传感器的故障检测,对于简单和复杂的自动化控制***均能够实现传感器故障检测,从而能够提高该传感器故障检测方法的适用性。
附图说明
图1是本发明一个实施例提供的一种传感器故障检测方法的流程图;
图2是本发明一个实施例提供的一种最大支持组确定方法的流程图;
图3是本发明一个实施例提供的一种总体相似度计算方法的流程图;
图4是本发明一个实施例提供的一种传感器故障检测装置的示意图;
图5是本发明一个实施例提供的另一种传感器故障检测装置的示意图;
图6是本发明一个实施例提供的又一种传感器故障检测装置的示意图;
图7是本发明一个实施例提供的再一种传感器故障检测装置的示意图。
附图标记列表:
具体实施方式
如前所述,目前在对自动化控制***中的传感器进行故障检测时,需要预先构成针对自动化控制***的数据模型,之后在自动化控制***运行过程中将传感器采集到的信息输入所构建的数据模型中,根据数据模型输出的结果来判断自动化控制***中的传感器是否发生故障。对于所包括传感器类型和数量均较少的自动化控制***,可以方便地构建自动化控制***所对应的数据模型,进而利用所构建的数据模型来判断传感器是否发生故障,但是对于所包括传感器种类和数量较高的自动化控制***,比如火车上的供热通风与空气调节***包括有大量的冗余传感器,由于难以构建与自动化控制***相对应的数据模型,从而无法实现利用数据模型对自动化控制***中的传感器进行故障检测。
本发明实施例中,对于包括大量冗余传感器的自动化控制***,自动化控制***中不同传感器之间存在相关性,每一个传感器都可以根据各传感器的历史读数确定与该传感器存在相关性的支持传感器,当一个传感器发生故障时该传感器的读数和其各支持传感器的读数不再同步,从而可以根据该传感器和其各支持传感器的读数来计算总体相似度,通过总体相似度表征该传感器与其支持传感器之间读数的相似性,进而可以根据总体相似度来判断相应传感器是否发生故障。由此可见,根据自动化控制***中各传感器的历史读数可以确定每一个传感器的支持传感器,针对每一个传感器可以根据该传感器及其支持传感器的读数计算该传感器的总体相似度,进而根据所计算出的总体相似度来确定传感器是否发生故障,从而不需要构建自动化控制***的数据模型便可以实现传感器的故障检测,能够适用于各种自动化控制***进行传感器故障检测。
下面结合附图对本发明实施例提供的传感器故障检测方法和装置进行详细说明。
如图1所示,本发明实施例提供了一种传感器故障检测方法10,该方法可以包括如下步骤:
步骤11:获取目标自动化控制***中每一个传感器的历史读数,其中,目标自动化控制***包括有至少两个传感器;
步骤12:针对每一个传感器,根据获取到的各历史读数确定该传感器的最大支持组,其中,最大支持组包括有与该传感器存在相关性的至少一个传感器;
步骤13:获取每一个传感器在当前时间窗内的至少两个当前读数,其中,当前时间窗的终点时间为当前时间,且当前时间窗的时间跨度等于预设的时间长度;
步骤14:针对每一个传感器,根据当前时间窗内该传感器和该传感器的最大支持组中各传感器的当前读数,计算该传感器的总体相似度;
步骤15:针对每一个传感器,如果该传感器的总体相似度小于预设的相似度阈值,则确定该传感器发生故障。
在本发明实施例中,根据目标自动化控制***中各传感器的历史读数可以分别确定每一个传感器所对应的最大支持组,使得每一个传感器的最大支持组中包括有与该传感器存在相关性的传感器,也就是说该最大支持组中的各传感器与该传感器存在相关性。当一个传感器发生故障时该传感器的读数与其最大支持组中各传感器的读数会产生明显非同步的差异,在获取到每一个传感器在当前时间窗内的至少两个当前读数后,分别根据每一个传感器及其最大支持组中各传感器的当前读数来计算该传感器的总体相似度,而计算出的总体相似度表征了相应传感器及其最大支持组中各传感器之间读取的相似性,进而根据所计算出的总体相似度可以确定相应传感器是否发生故障。由此可见,根据自动化控制***中各传感器的历史读取分别确定每一个传感器的最大支持组,之后分别根据每一个传感器及其最大支持组中各传感器最近一段时间内的读数来计算该传感器的总体相似度,进而可以根据总体相似度确定相应传感器是否发生故障,因此不需要构建自动化控制***的数据模型便可以实现自动化控制***中传感器的故障检测,对于简单和复杂的自动化控制***均能够实现传感器故障检测,从而能够提高该传感器故障检测方法的适用性。
在本发明实施例中,步骤11和步骤12用于分别确定目标自动化控制***中每一个传感器的最大支持组,由于自动化控制***中不同传感器之间读数的相关性通常不会发生改变,因此在确定出各传感器的最大支持组后便可以根据所确定出的最大支持组对各传感器进行多次故障检测,并不需要在每一次对传感器进行故障检测时均重新确定最大支持组,从而能够快速实现传感器的故障检测。
当目标自动化控制***中新增传感器、减少传感器、改变传感器布设位置或对全部或部分传感器进行重新标定后,可以重新执行步骤11和步骤12,以更新目标自动化控制***中各传感器的最大支持组,保证每一个传感器与其最大支持组中各传感器的读数具有较强的相关性。
与步骤11和步骤12所不同的是,步骤13至步骤15是周期性重复进行的,比如可以预先设定传感器故障检测周期,每经过一个所设定的传感器故障检测周期顺序执行一次步骤13至步骤15,以确定目标自动化控制***中各个传感器是否发生故障。
在本发明实施例中,针对目标自动化控制***中的每一个传感器,该传感器的最大支持组中包括有至少一个与该传感器存在相关性的其他传感器,此处的相关性具体是指该传感器与其最大支持组中各传感器的读数存在相关性。由于最大支持组中包括有至少一个传感器,当一个传感器的最大支持组中包括有两个或更多个传感器时,可以根据该传感器及其最大支持组中各传感器在最近一段时间内的读数来确定该传感器的总体相似度,这样根据该传感器与至少两个其他传感器的读数来确定该传感器是否发生故障,可以保证对该传感器进行故障识别的准确性。
在本发明实施例中,步骤11获取目标自动化控制***中各传感器的历史读数时,可以将指定时间段内各传感器的读数作为历史读数,还可以将各传感器最近的N(N为正整数)个读数作为历史读数。具体地,可以指定一个历史时间窗,进而从历史数据库中获取自动化控制***中各传感器在所指定历史时间窗内的读数作为历史读数,还可以指定样本数量,将目标自动化控制***中每一个传感器最近的样本数量个读数作为历史读数。比如,在对HVAC***中的传感器进行故障检测时,可以将过去第一时刻至过去第二时刻之间HVAC***中每一个传感器的至少一个读数确定为历史读数,或者还可以将HVAC***中每一个传感器的最近20000个读取作为历史读数。根据传感器的类型不同,传感器的历史读数和当前读数所表征的意义也不同,比如温度传感器的历史读数和当前读数均为温度值,压力传感器的历史读数和当前读数均为压力值,湿度传感器的历史读数和当前读数均为湿度值,有害气体浓度传感器的历史读数和当前读数均为有害气体浓度。
需要说明的是,在获取目标自动化控制***中各传感器的历史读数时,需要保证目标自动化控制***中各个传感器均处于正常工作状态,以保证根据所获取到的历史读数能够准确地确定每一个传感器的最大支持组。
在本发明实施例中,为了计算每一个传感器的总体相似度,可以获取目标自动化控制***中每一个传感器在当前时间窗内的至少两个当前读数,进而可以分别根据每一个传感器及其最大支持组中各传感器的当前读数来计算该传感器的总体相似度。当前时间窗是指时间跨度等于预设的时间长度且终点时间为当前时间的时间段,即当前时间窗是最近的一段时间,因此随时时间的推移当前时间窗是动态变化的。当前时间窗的时间跨度可以根据各传感器采集数据的频率进行确定,各传感器采集数据的频率较高时可以采用具有较小时间跨度的当前时间窗,各传感器采集数据的频率较小时则可以采用具有较大时间跨度的当前时间窗。
在本发明实施例中,针对每一个传感器,在计算该传感器的总体相似度时,分别获取该传感器及其最大支持组中各传感器的至少两个当前读数,进而根据该传感器的至少两个当前读数和该传感器的最大支持组内每个传感器的至少两个当前读数来计算该传感器的总体相似度。由此可见,通过至少两个时刻各传感器的读数来计算每个传感器的总体相似度,以避免传感器由于单次偶然因素出现读数波动而影响传感器故障检测的结果,保证了对传感器故障进行检测的准确性。
在本发明实施例中,针对每一个传感器分别预先设置有相对应的相似度阈值,在计算出一个传感器的总体相似度后,将所计算出的总体相似度与该传感器的相似度阈值进行比较,如果该传感器的总体相似度小于该传感器的相似度阈值,说明该传感器与其最大支持组中各传感器的读数出现了较大的非同步偏差,而正常情况下该传感器与其最大支持组中各传感器的读数应当是同步变化的,因此可以确定给传感器发生了故障。
需要说明的是,由于不同传感器所检测的参数不同,而且不同传感器的布设位置也不同,因此需要分别针对每一个传感器预先设定相似度阈值,从而导致不同传感器所对应的相似度阈值可能不同。而相似度阈值可以由相关领域专家人工指定,也可以通过机器学习算法对传感器的历史读数进行分析而获得。
可选地,在图1所示传感器故障检测方法10的基础上,步骤12分别确定每一个传感器所对应的最大支持组,使得每个传感器与其最大支持组中各传感器存在相关性,更进一步地,任一传感器与其最大支持组中各传感器可以是相同类型的传感器。
在本发明实施例中,对于包括有大量冗余传感器的自动化控制***,通过多个相同类型的传感器检测同一参数信息,根据各传感器采集到的参数信息进行自动化控制,避免某一传感器出现故障而影响自动化控制过程,保证自动化控制***的可靠性。针对每一个传感器,将与该传感器具有相同类型且存在相关性的多个传感器的集合作为该传感器的最大支持组,由于该传感器与其最大支持组中各传感器为相同类型的传感器,因此该传感器与其最大支持组中各传感器的读数反映相同的参数,使得该传感器与其最大支持组中各传感器之间的相关性更加紧密和明显,保证后续计算出的总体相似度能够准确反映该传感器的读数与其最大支持组中各传感器的读数是否发生了非同步变化,从而可以提高对传感器进行故障检测的准确性。
例如,目标自动化控制***中包括有温度传感器和湿度传感器,每个温度传感器对应的最大支持组中包括有与该温度传感器存在相关性的一个或多个温度传感器,每个湿度传感器对应的最大支持组中包括有与该湿度传感器存在相关性的一个或多个湿度传感器。进一步地,HVAC***中温度传感器A、温度传感器B和温度传感器C设置在同一列车车厢内顶部的邻近区域,正常情况下列车车厢内温度变化时这三个温度传感器的读数同步变化,因此这三个温度传感器彼此之间存在相关性,则温度传感器A的最大支持组中包括温度传感器B和温度传感器C,温度传感器B的最大支持组中包括温度传感器A和温度传感器C,温度传感器C的最大支持组中包括温度传感器A和温度传感器B。
可选地,在图1所示传感器故障检测方法10的基础上,步骤12确定每个传感器的最大支持组时,针对每一个传感器,可以分别计算用于表征该传感器与其他各传感器之间相似性的第一相关系数,进而根据所计算出的各第一相关系数确定该传感器的最大支持组。如图2所示,确定最大支持组的方法可以包括如下步骤:
步骤121:针对自动化控制***所包括的至少两个传感器中的任意两个传感器,根据该两个传感器的历史读数之间的相似性,计算用于表征该两个传感器之间相关性的第一相关系数;
步骤122:针对每一个传感器,按照卡方分布对该传感器与其他传感器之间的第一相关系数进行拟合,获得相关性分布函数;
步骤123:针对每一个传感器,从其相关性分布函数上确定与预设置信概率阈值相对应的相关系数阈值;
步骤124:针对每一个传感器,将与该传感器之间的第一相关系数大于相关系数阈值的传感器确定为该传感器的支持传感器;
步骤125:针对每一个传感器,将由该传感器的各支持传感器组成的集合确定为该传感器的最大支持组。
在本发明实施例中,首先将目标自动化控制***中的各传感器进行两两组合,针对组合后的任意两个传感器,根据该两个传感器历史读数之间的相似性计算用于表征该两个传感器之间相关性的第一相关系数,其中,两个传感器历史读数之间的相似性表现在这两个传感器的历史读数随时间变化的同步程度,即第一相关系数表征了两个传感器的历史读数随时间变化的同步程序,如果两个传感器的历史读数随时间以较高的同步程序发生变化,则这两个传感器之间的第一相关系数较大,而如果这两个传感器的历史读数随时间以较低的同步程序发生变化或非同步变化,则这两个传感器之间的第一相关系数较小。
例如,在一历史时间段内,温度传感器A和温度传感器B所采集到的温度值同步增减,则温度传感器A与温度传感器B的历史读数存在较高的相似性,相应的温度传感器A与温度传感器B之间的第一相关系数较大,而温度传感器A和温度传感器C所采集到的温度值没有同步变化的规律,即温度传感器A所采集到的温度值增大时温度传感器C所采集到的温度值时而增大时而减小,温度传感器A所采集到的温度值减小时温度传感器C所采集到的温度值也时而增大时而减小,则温度传感器A与温度传感器C的历史读数存在较低的相似性,相应的温度传感器A与温度传感器C之间的第一相关系数较小。
在根据历史读数计算第一相关系数时,可以将在各历史时刻两个传感器读数差值的平均值作为这两个传感器之间的第一相关系数,也可以先计算每一个传感器各历史读数的平均值,之后再根据每个传感器的各历史读数与历史读书平均值的偏差来计算第一相关系数。对于上述第二种计算第一相关系数的方法,后续实施例会进行详细说明。
在本发明实施例中,在确定出一个传感器与其他各传感器之间的第一相关系数后,按照卡方分布对该传感器与其他传感器之间的第一相关系数进行拟合,获得该传感器对应的相关性分布函数,之后从该传感器的相关性分布函数上确定与预设置信概率阈值相对应的相关系数阈值,之后将与该传感器之间的第一相关系数大于所确定出相关系数阈值的传感器确定为该传感器的支持传感器,最后将由该传感器的各个支持传感器组成的集合确定为该传感器的最大支持组。
针对每一个传感器,在计算出该传感器与其他各个传感器之间的第一相关系数后,按照卡方分布对该传感器与其他各个传感器之间的第一相关系数进行拟合,获得该传感器对应的相关性分布函数,相关性分布函数表征了该传感器与其他各传感器之间第一相关系数的分布情况,而第一相关系数表征了该传感器与相应传感器之间的相关性,从而在从相关性分布函数上确定出与预设置信概率阈值相对应的相关系数阈值后,便可以将与该传感器之间的第一相关系数大于相关系数阈值的传感器作为该传感器的最大支持组中的元素。
针对每一个传感器,按照卡方分布对该传感器与其他传感器之间的第一相关系数进行拟合获得相关性分布函数,根据相关性分布函数可以准确的确定出读数与该传感器存在较强相关性的支持传感器,进而将由该传感器的各支持传感器组成的集合确定为该传感器的最大支持组。
在本发明实施例中,在计算出一个传感器与其他各传感器之间的第一相关系数后,按照卡方分布对所计算出的各第一相关系数进行拟合可以获取如下的相关性分布函数:
在拟合出上述相关性分布函数后,从该相关性分布函数上确定与预设置信概率阈值相对应的相关系数阈值,通常情况先可以设定阈值概率阈值为95%。
可选地,在图2所示最大支持组确定方法的基础上,步骤121计算两个传感器之间的第一相关系数时,可以将相关性度量或距离度量作为第一相关系数。相关性度量可以是皮尔逊相关系数(Pearson correlation coefficient)、斯皮尔曼相关系数(pearman'srank correlation coefficient)或肯德尔等级相关系数(Kendall tau rankcorrelation coefficient)等,距离度量可以是欧氏距离(Euclidean Distance)或曼哈顿距离(Manhattan Distance)等,具体可以根据实际需求上述相关性度量或距离度量作为第一相关系数。
其中,第一公式组包括:
其中,用于表征目标自动化控制***中第个传感器和第个传感器之间的第一相关系数,用于表征在第个历史时刻第个传感器的历史读数,用于表征在第个历史时刻第个传感器的历史读数,用于表征预先设定的历史时刻的总个数,且为大于1的整数。
在本发明实施例中,预先设定历史时间窗,历史时间窗内包括有T个历史时刻,在获取目标自动化控制***中各传感器的历史读数时,分别获取每一个传感器在历史时间窗内每一个历史时刻的读数作为历史读数。
在本发明实施例中,在获取到各个传感器的历史读数后,将任意两个传感器的历史读数代入上述第一公式组中,计算出该两个传感器之间的第一相关系数,所计算出的第一相关系数可以准确地表征该两个传感器读数之间的相关性。将不同传感器的历史读数分别代入上述第一公式组,可以计算出任意两个传感器之间的第一相关系数。
可选地,在图1所示传感器故障检测方法10的基础上,步骤14计算传感器的总体相似度时,可以先计算一个传感器与其最大支持组中每一个支持传感器之间的第二相关系数,之后再根据所计算出的各个第二相关系数来计算该传感器的总体相似度。如图3所示,计算一个传感器的总体相似度的方法可以包括如下步骤:
步骤141:针对位于该传感器的最大支持组中的每一个支持传感器,根据该支持传感器和该传感器的当前读数之间的相似性,计算用于表征该支持传感器与该传感器之间相关性的第二相关系数;
步骤142:根据该传感器的最大支持组中各支持传感器与该传感器之间的第二相关系数,通过如下公式计算该传感器的总体相似度;
在本发明实施例中,与利用历史读数计算第一相关系数的方式相似,在确定出每一个传感器的最大支持组并获取到各个传感器的当前读数后,针对位于一个传感器的最大支持组中的每一个支持传感器,可以根据该传感器和该支持传感器的当前读数计算该传感器与该支持传感器之间的第二相关系数,以使第二相关系表征该传感器与该支持传感器之间的相关性。
在本发明实施例中,在计算出一个传感器与其最大支持组中各支持传感器之间的第二相关系数后,基于贝叶斯估算通过上述公式计算针对该传感器计算出的各第二相关系数的平均值作为该传感器的总体相似度,以使所计算出的总体相似度能够从整体上反映该传感器的当前读数与其各支持传感器的当前读数之间的差异,进而保证能够根据所计算出的总体相似度来判断该传感器是否发生故障。
需要说明的是,通过上述公式计算传感器的总体相似度,由于计算方式和计算过程均较简单,因此能够快速计算出各传感器的总体相似度,进而保证对各传感器进行故障检测的时效性。当然,除了通过上述公式计算传感器的总体相似度之外,还可以通过其他方式来计算各传感器的总体相似度,比如还可以通过如下的公式来计算传感器的总体相似度:
其中,用于表征第个传感器的总体相似度,用于表征第个传感器的最大支持组中的第个支持传感器与第个传感器之间的第二相关系数,用于表征第个传感器的最大支持组中支持传感器的数量,用于表征在贝叶斯估算中第个传感器对其自身的支持数据,用于表征在贝叶斯估算中第个支持传感器对其自身的支持数据,用于表征第个传感器所采集数据的均值,用于表征第𝑖个传感器所采集数据的方差,用于表征第个支持传感器所采集数据的方差。
通过上述公式计算各传感器的总体相似度时,虽然计算过程较复杂,会使传感器检测的时效性有所下降,但由于引入了传感器和支持传感器对其自身的支持数据,使得所计算出的总体相似度更加准确。
可选地,在图3所示总体相似度计算方法的基础上,步骤141计算一个传感器与其一个支持传感器之间的第二相关系数时,可以将相关性度量或距离度量作为第二相关系数。相关性度量可以是皮尔逊相关系数(Pearson correlation coefficient)、斯皮尔曼相关系数(Spearman's rank correlation coefficient)或肯德尔等级相关系数(Kendalltau rank correlation coefficient)等,距离度量可以是欧氏距离(EuclideanDistance)或曼哈顿距离(Manhattan Distance)等,具体可以根据实际需求上述相关性度量或距离度量作为第一相关系数。
在一种更优选的实施例中,为了保证所计算出的总体相似度能够更加准确的反映传感器与其各支持传感器之间的读数相关性,在确定最大支持组和计算总体相似度时可以采用相同的方式计算第一相关系数和第二相关系数,比如第一相关系数和第二相关系数均采用皮尔逊相关系数,或者第一相关系数和第二相关系数均采用欧氏距离。
当选择皮尔逊相关系数作为第二相关系数时,针对位于一个传感器的最大支持组中的每一个支持传感器,可以通过如下第二公式组计算该支持传感器与该传感器之间的第二相关系数;
其中,第二公式组包括:
其中,用于表征第个传感器在当前时间窗内的第个采集时刻的当前读数,用于表征第个传感器的最大支持组中的第个支持传感器在第个采集时刻的当前读数,用于表征当前时间窗内所包括的采集时刻的数量,且为大于1的整数。
在本发明实施例中,当前时间窗内包括有N个采集时刻,在获取目标自动化控制***中各传感器的当前读数时,分别获取每一个传感器在当前时间窗内每一个采集时刻的读数作为当前读数。
在本发明实施例中,在获取到各个传感器的当前读数后,将一个传感器与其一个支持传感器的当前读数代入上述第二公式组中,计算出该传感器与该支持传感器之间的第二相关系数,所计算出的第二相关系数可以准确地表征该传感器与该支持传感器在读数上的相关性。将每一个传感器和其支持传感器的当前读数分别代入上述第二公式组,可以计算出任意一个传感器与其任意一个支持传感器之间的第二相关系数。
需要说明的是,根据自动化控制***中各传感器的历史读取分别确定每一个传感器的最大支持组,分别根据每一个传感器及其最大支持组中各传感器的当前读数来计算该传感器的总体相似度,总体相似度表征了相应传感器与其最大支持组中各传感器在读数上的非同步差异,进而根据所计算出的总体相似度可以判断相应传感器是否发生故障。本发明实施例采用传感器融合的思想,根据存在相关性的传感器之间的读数的差异实现传感器故障检测。由于最大支持组是根据各传感器的历史读数而确定,无需专家定义,使得该传感器故障检测方法10更易实时,当自动化控制***中的传感器发生变化后,可以重新为每一个传感器确定相应的最大支持组,而且具有较强的适用性。
另外需要说明的是,在将本发明各实施例所提供的传感器故障检测方法10应用于HVAC***时进行传感器故障检测时,由于HVAC***包括温度传感器、湿度传感器和有害气体浓度传感器,因此获取的历史读数和当前读数均可以包括温度值、湿度值以及有害气体浓度值。
如图4所示,本发明一个实施例提供了一种传感器故障检测装置20,包括:
一个历史读数获取模块21,用于获取目标自动化控制***中每一个传感器的历史读数,其中,目标自动化控制***包括有至少两个传感器;
一个支持组确定模块22,用于针对每一个传感器,根据历史读数获取模块21获取到的各历史读数确定该传感器的最大支持组,其中,最大支持组包括有与该传感器存在相关性的至少一个传感器;
一个当前读数获取模块23,用于获取每一个传感器在当前时间窗内的至少两个当前读数,其中,当前时间窗的终点时间为当前时间,且当前时间窗的时间跨度等于预设的时间长度;
一个相似度计算模块24,用于针对每一个传感器,根据当前读数获取模块23获取到的在当前时间窗内该传感器以及由支持组确定模块22确定出的该传感器的最大支持组中各传感器的当前读数,计算该传感器的总体相似度;
一个故障识别模块25,用于针对每一个传感器,在相似度计算模块24确定该传感器的总体相似度小于预设的相似度阈值时,则确定该传感器发生故障。
在本发明实施例中,历史读数获取模块21可用于执行上述方法实施例中的步骤11,支持组确定模块22可用于执行上述方法实施例中的步骤12,当前读数获取模块23可用于执行上述方法实施例中的步骤13,相似度计算模块24可用于执行上述方法实施例中的步骤14,故障识别模块25可用于执行上述方法实施例中的步骤15。
可选地,在图4所示传感器故障检测装置20的基础上,针对目标自动化控制***中的每一个传感器,该传感器的最大支持组所包括的各传感器与该传感器为同类传感器。
可选地,在图4所示传感器故障检测装置20的基础上,如图5所示,支持组确定模块22包括:
一个第一系数计算子模块221,用于针对自动化控制***所包括的至少两个传感器中的任意两个传感器,根据该两个传感器的历史读数之间的相似性,计算用于表征该两个传感器之间相关性的第一相关系数;
一个函数拟合子模块222,用于针对每一个传感器,按照卡方分布对第一系数计算子模块221计算出的该传感器与其他传感器之间的第一相关系数进行拟合,获得相关性分布函数;
一个阈值确定子模块223,用于从函数拟合子模块222拟合出的相关性分布函数上确定与预设置信概率阈值相对应的相关系数阈值;
一个传感器筛选子模块224,用于根据阈值确定子模块223确定出的相关系数阈值,将与相应传感器之间的第一相关系数大于相关系数阈值的传感器确定为该传感器的支持传感器;
一个支持组生成子模块225,用于将由传感器筛选子模块224确定出的各支持传感器组成的集合确定为该传感器的最大支持组。
在本发明实施例中,第一系数计算子模块221可用于执行上述方法实施例中的步骤121,函数拟合子模块222可用于执行上述方法实施例中的步骤122,阈值确定子模块223可用于执行上述方法实施例中的步骤123,传感器筛选子模块224可用于执行上述方法实施例中的步骤124,支持组生成子模块225可用于执行上述方法实施例中的步骤125。
可选地,在图5所示传感器故障检测装置20的基础上,第一系数计算子模块221用于针对目标自动化控制***所包括的至少两个传感器中的第个传感器和第个传感器,通过如下第一公式组计算第个传感器和第个传感器之间的第一相关系数;
第一公式组包括:
可选地,在图4所示传感器故障检测装置20的基础上,如图6所示,相似度计算模块24包括:
一个第二系数计算子模块241,用于针对任意一个传感器和位于该传感器的最大支持组中的每一个支持传感器,根据该支持传感器和该传感器的当前读数之间的相似性,计算用于表征该支持传感器和该传感器之间相关性的第二相关系数;
一个相似度计算子模块242,用于针对每一个传感器,根据第二系数计算子模块241计算出的该传感器的最大支持组中各支持传感器与该传感器之间的第二相关系数,通过如下公式计算该传感器的总体相似度;
在本发明实施例中,第二系数计算子模块241可用于执行上述方法实施例中的步骤141,相似度计算子模块242可用于执行上述方法实施例中的步骤142。
可选地,在图6所示传感器故障检测装置的基础上,第二系数计算子模块241用于针对任意一个传感器和位于该传感器的最大支持组中的每一个支持传感器,通过如下第二公式组计算该支持传感器与该传感器之间的第二相关系数;
第二公式组包括:
其中,用于表征第个传感器在当前时间窗内的第个采集时刻的当前读数,用于表征第个传感器的最大支持组中的第个支持传感器在第个采集时刻的当前读数,用于表征当前时间窗内所包括的采集时刻的数量,且为大于1的整数。
如图7所示,本发明一个实施例提供了另一种传感器故障检测装置30,包括:少一个存储器31和至少一个处理器32;
所述至少一个存储器31,用于存储机器可读程序;
所述至少一个处理器32,用于调用所述机器可读程序,执行上述各个实施例提供的传感器故障检测方法。
需要说明的是,上述传感器故障检测装置20/30内的各模块、子模块之间的信息交互、执行过程等内容,由于与前述方法实施例基于同一构思,具体内容可参见前述方法实施例中的叙述,此处不再赘述。
本发明还提供了一种计算机可读介质,存储用于使一计算机执行如本文的传感器故障检测方法的指令。具体地,可以提供配有存储介质的***或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该***或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作***等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到***计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,上述各流程和各***结构图中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。上述各实施例中描述的***结构可以是物理结构,也可以是逻辑结构,即,有些模块可能由同一物理实体实现,或者,有些模块可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
以上各实施例中,硬件单元可以通过机械方式或电气方式实现。例如,一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处理器,FPGA或ASIC)来完成相应操作。硬件单元还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器),可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上文通过附图和优选实施例对本发明进行了详细展示和说明,然而本发明不限于这些已揭示的实施例,基与上述多个实施例本领域技术人员可以知晓,可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例,这些实施例也在本发明的保护范围之内。
Claims (14)
1.传感器故障检测方法(10),包括:
获取目标自动化控制***中每一个传感器的历史读数,其中,所述目标自动化控制***包括有至少两个传感器;
针对每一个所述传感器,根据获取到的各所述历史读数确定该传感器的最大支持组,其中,所述最大支持组包括有与该传感器存在相关性的至少一个所述传感器;
获取每一个传感器在当前时间窗内的至少两个当前读数,其中,所述当前时间窗的终点时间为当前时间,且所述当前时间窗的时间跨度等于预设的时间长度;
针对每一个所述传感器,根据所述当前时间窗内该传感器和该传感器的所述最大支持组中各所述传感器的所述当前读数,计算该传感器的总体相似度;
针对每一个所述传感器,如果该传感器的所述总体相似度小于预设的相似度阈值,则确定该传感器发生故障。
2.根据权利要求1所述的方法,其特征在于,
针对每一个所述传感器,该传感器的所述最大支持组所包括的各传感器与该传感器为同类传感器。
3.根据权利要求1所述的方法,其特征在于,所述针对每一个所述传感器,根据获取到的各所述历史读数确定该传感器的最大支持组,包括:
针对所述自动化控制***所包括的至少两个传感器中的任意两个传感器,根据该两个传感器的所述历史读数之间的相似性,计算用于表征该两个传感器之间相关性的第一相关系数;
针对每一个所述传感器,均执行:
按照卡方分布对该传感器与其他所述传感器之间的所述第一相关系数进行拟合,获得相关性分布函数;
从所述相关性分布函数上确定与预设置信概率阈值相对应的相关系数阈值;
将与该传感器之间的所述第一相关系数大于所述相关系数阈值的所述传感器确定为该传感器的支持传感器;
将由各所述支持传感器组成的集合确定为该传感器的所述最大支持组。
4.根据权利要求3所述的方法,其特征在于,所述针对所述自动化控制***所包括的至少两个传感器中的任意两个传感器,根据该两个传感器的所述历史读数之间的相似性,计算用于表征该两个传感器之间相关性的第一相关系数,包括:
所述第一公式组包括:
5.根据权利要求1至4中任一所述的方法,其特征在于,所述针对每一个所述传感器,根据所述当前时间窗内该传感器和该传感器的所述最大支持组中各所述传感器的所述当前读数,计算该传感器的总体相似度,包括:
针对每一个所述传感器,均执行:
针对位于该传感器的所述最大支持组中的每一个支持传感器,根据该支持传感器和该传感器的所述当前读数之间的相似性,计算用于表征该支持传感器和该传感器之间相关性的第二相关系数;
根据该传感器的所述最大支持组中各所述支持传感器与该传感器之间的所述第二相关系数,通过如下公式计算该传感器的所述总体相似度;
6.根据权利要求5所述的方法,其特征在于,所述针对位于该传感器的所述最大支持组中的每一个支持传感器,根据该支持传感器和该传感器的所述当前读数之间的相似性,计算用于表征该支持传感器和该传感器之间相关性的第二相关系数,包括:
针对位于该传感器的所述最大支持组中的每一个支持传感器,通过如下第二公式组计算该支持传感器与该传感器之间的所述第二相关系数;
所述第二公式组包括:
7.传感器故障检测装置,包括:
一个历史读数获取模块(21),用于获取目标自动化控制***中每一个传感器的历史读数,其中,所述目标自动化控制***包括有至少两个传感器;
一个支持组确定模块(22),用于针对每一个所述传感器,根据所述历史读数获取模块(21)获取到的各所述历史读数确定该传感器的最大支持组,其中,所述最大支持组包括有与该传感器存在相关性的至少一个所述传感器;
一个当前读数获取模块(23),用于获取每一个传感器在当前时间窗内的至少两个当前读数,其中,所述当前时间窗的终点时间为当前时间,且所述当前时间窗的时间跨度等于预设的时间长度;
一个相似度计算模块(24),用于针对每一个所述传感器,根据所述当前读数获取模块(23)获取到的在所述当前时间窗内该传感器以及由所述支持组确定模块(22)确定出的该传感器的所述最大支持组中各所述传感器的所述当前读数,计算该传感器的总体相似度;
一个故障识别模块(25),用于针对每一个所述传感器,在所述相似度计算模块(24)确定该传感器的所述总体相似度小于预设的相似度阈值时,则确定该传感器发生故障。
8.根据权利要求7所述的装置,其特征在于,
针对每一个所述传感器,该传感器的所述最大支持组所包括的各传感器与该传感器为同类传感器。
9.根据权利要求7所述的装置,其特征在于,所述支持组确定模块(22)包括:
一个第一系数计算子模块(221),用于针对所述自动化控制***所包括的至少两个传感器中的任意两个传感器,根据该两个传感器的所述历史读数之间的相似性,计算用于表征该两个传感器之间相关性的第一相关系数;
一个函数拟合子模块(222),用于针对每一个所述传感器,按照卡方分布对所述第一系数计算子模块(221)计算出的该传感器与其他所述传感器之间的所述第一相关系数进行拟合,获得相关性分布函数;
一个阈值确定子模块(223),用于从所述函数拟合子模块(222)拟合出的所述相关性分布函数上确定与预设置信概率阈值相对应的相关系数阈值;
一个传感器筛选子模块(224),用于根据所述阈值确定子模块(223)确定出的所述相关系数阈值,将与相应所述传感器之间的所述第一相关系数大于所述相关系数阈值的所述传感器确定为该传感器的支持传感器;
一个支持组生成子模块(225),用于将由所述传感器筛选子模块(224)确定出的各所述支持传感器组成的集合确定为该传感器的所述最大支持组。
11.根据权利要求7至10中任一所述的装置,其特征在于,所述相似度计算模块(24)包括:
一个第二系数计算子模块(241),用于针对任意一个所述传感器和位于该传感器的所述最大支持组中的每一个支持传感器,根据该支持传感器和该传感器的所述当前读数之间的相似性,计算用于表征该支持传感器和该传感器之间相关性的第二相关系数;
一个相似度计算子模块(242),用于针对每一个传感器,根据所述第二系数计算子模块(241)计算出的该传感器的所述最大支持组中各所述支持传感器与该传感器之间的所述第二相关系数,通过如下公式计算该传感器的所述总体相似度;
13.传感器故障检测装置,其特征在于,包括:至少一个存储器(31)和至少一个处理器(32);
所述至少一个存储器(31),用于存储机器可读程序;
所述至少一个处理器(32),用于调用所述机器可读程序,执行权利要求1至6中任一所述的方法。
14.计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行权利要求1至6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011020843.XA CN112113595B (zh) | 2020-09-25 | 2020-09-25 | 传感器故障检测方法、装置和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011020843.XA CN112113595B (zh) | 2020-09-25 | 2020-09-25 | 传感器故障检测方法、装置和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112113595A true CN112113595A (zh) | 2020-12-22 |
CN112113595B CN112113595B (zh) | 2021-03-30 |
Family
ID=73801662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011020843.XA Active CN112113595B (zh) | 2020-09-25 | 2020-09-25 | 传感器故障检测方法、装置和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112113595B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114414023A (zh) * | 2021-12-30 | 2022-04-29 | 北京万集科技股份有限公司 | 传感器异常诊断方法及装置、存储介质 |
CN116484306A (zh) * | 2023-06-20 | 2023-07-25 | 蘑菇物联技术(深圳)有限公司 | 异常传感器的定位方法、装置、计算机设备和存储介质 |
CN117419758A (zh) * | 2023-12-18 | 2024-01-19 | 潍柴动力股份有限公司 | 发动机传感器故障检测方法、装置、设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517027A (zh) * | 2013-10-07 | 2015-04-15 | 横河电机株式会社 | 状态诊断方法和状态诊断装置 |
CN106096634A (zh) * | 2016-06-06 | 2016-11-09 | 北京理工大学 | 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 |
CN108180935A (zh) * | 2018-01-31 | 2018-06-19 | 深圳春沐源控股有限公司 | 传感器的故障检测方法及装置 |
KR20180106701A (ko) * | 2017-03-21 | 2018-10-01 | (주)심플랫폼 | 사물인터넷 기반 기기 관리 시스템 및 방법 |
CN108981781A (zh) * | 2017-05-30 | 2018-12-11 | 迪尔公司 | 用于分析和检测机器传感器故障的预测分析***和方法 |
CN111126632A (zh) * | 2019-11-25 | 2020-05-08 | 合肥美的电冰箱有限公司 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
CN111260893A (zh) * | 2020-01-10 | 2020-06-09 | 中国海洋石油集团有限公司 | 一种海洋平台推进器故障预警方法和装置 |
CN111555162A (zh) * | 2020-04-06 | 2020-08-18 | 连云港市港圣开关制造有限公司 | 一种高效智能配电运维*** |
-
2020
- 2020-09-25 CN CN202011020843.XA patent/CN112113595B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517027A (zh) * | 2013-10-07 | 2015-04-15 | 横河电机株式会社 | 状态诊断方法和状态诊断装置 |
CN106096634A (zh) * | 2016-06-06 | 2016-11-09 | 北京理工大学 | 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 |
KR20180106701A (ko) * | 2017-03-21 | 2018-10-01 | (주)심플랫폼 | 사물인터넷 기반 기기 관리 시스템 및 방법 |
CN108981781A (zh) * | 2017-05-30 | 2018-12-11 | 迪尔公司 | 用于分析和检测机器传感器故障的预测分析***和方法 |
CN108180935A (zh) * | 2018-01-31 | 2018-06-19 | 深圳春沐源控股有限公司 | 传感器的故障检测方法及装置 |
CN111126632A (zh) * | 2019-11-25 | 2020-05-08 | 合肥美的电冰箱有限公司 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
CN111260893A (zh) * | 2020-01-10 | 2020-06-09 | 中国海洋石油集团有限公司 | 一种海洋平台推进器故障预警方法和装置 |
CN111555162A (zh) * | 2020-04-06 | 2020-08-18 | 连云港市港圣开关制造有限公司 | 一种高效智能配电运维*** |
Non-Patent Citations (1)
Title |
---|
宋政辉 等: "基于定性趋势分析的空调***传感器故障检测", 《计算机测量与控制》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114414023A (zh) * | 2021-12-30 | 2022-04-29 | 北京万集科技股份有限公司 | 传感器异常诊断方法及装置、存储介质 |
CN116484306A (zh) * | 2023-06-20 | 2023-07-25 | 蘑菇物联技术(深圳)有限公司 | 异常传感器的定位方法、装置、计算机设备和存储介质 |
CN116484306B (zh) * | 2023-06-20 | 2023-09-26 | 蘑菇物联技术(深圳)有限公司 | 异常传感器的定位方法、装置、计算机设备和存储介质 |
CN117419758A (zh) * | 2023-12-18 | 2024-01-19 | 潍柴动力股份有限公司 | 发动机传感器故障检测方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112113595B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112113595B (zh) | 传感器故障检测方法、装置和计算机可读介质 | |
JP5910727B2 (ja) | 運用管理装置、運用管理方法、及び、プログラム | |
EP2778818B1 (en) | Identification of faults in a target system | |
US8621305B2 (en) | Methods systems and apparatus for determining whether built-in-test fault codes are indicative of an actual fault condition or a false alarm | |
CN111831321B (zh) | 代码覆盖率的分析方法、装置及其电子设备 | |
KR20170031985A (ko) | 공기조화시스템의 고장 검출 및 진단 방법 | |
CN112771462B (zh) | 劣化检测*** | |
CN108021505A (zh) | 数据上线方法、装置和计算机设备 | |
US20100325489A1 (en) | Fault analysis apparatus, fault analysis method, and recording medium | |
JP5621967B2 (ja) | 異常データ分析システム | |
CN115168868B (zh) | 一种应用于人工智能的业务漏洞分析方法及服务器 | |
CN116203898A (zh) | 基于数字孪生技术的生产线监控***以及监控方法 | |
US20210138873A1 (en) | Deterioration diagnosis device, deterioration diagnosis method and computer readable medium | |
CN105446314A (zh) | 使用安全机制的传感器*** | |
US20240110719A1 (en) | Air conditioning control device and air conditioning control method | |
CN115809622B (zh) | 具有自动优化配置功能的芯片仿真加速*** | |
JPWO2014024640A1 (ja) | ロジック図面誤り箇所推定装置及びその方法 | |
CN113127804B (zh) | 确定车辆故障次数的方法、装置、计算机设备和存储介质 | |
WO2021031091A1 (en) | Method and apparatus for detecting operating status of device, and computer readable medium | |
KR20180081437A (ko) | 이상치 탐지 방법, 이를 이용하는 장치 및 시스템 | |
CN111368782B (zh) | 煤火区域识别模型的训练方法、煤火区域识别方法及装置 | |
US11181896B2 (en) | Diagnosing apparatus, diagnosing method, and computer readable medium storing diagnosing program | |
WO2021046723A1 (zh) | 传感器模型的生成方法和***、传感器测量方法和*** | |
EP4254111A1 (en) | Fault diagnosis apparatus, method, computer program, and non-transitory computer-readable recording medium | |
CN108762227A (zh) | 一种自动驾驶测试***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |