專利名稱：關(guān)聯(lián)性傳感信號多傳感元件故障定位及傳感信號自恢復方法
技術(shù)領(lǐng)域：
本發(fā)明涉及多傳感元件故障定位及傳感信號自恢復方法，尤其涉及一種針對傳感信號之間具有關(guān)聯(lián)性的多傳感元件故障定位及傳感信號自恢復方法。
背景技術(shù)：
客觀世界中的許多復雜過程，需要能夠同時處理來自多路傳感信號的傳感器系統(tǒng)，這推動可連接多傳感元件的集成智能傳感器模式的出現(xiàn)。這些新型集成傳感器連接的每路傳感元件均可并行提取各自檢測對象的相關(guān)特征信息，并將信息傳遞到傳感器中。典型的多傳感元件傳感器有基于IEEE1451標準的網(wǎng)絡(luò)化智能傳感器，它最多可同時連接255 路傳感元件進行測量，具有標準化、集成度高的特點。同時連接多路傳感元件給多傳感信號源的檢測帶來了便利，但同時也帶來了一些問題如、連接的傳感元件(一路或多路)出現(xiàn)故障，檢測信號不跟隨被測量時，難以定位故障元件；某些場合下，傳感系統(tǒng)各傳感信號具有關(guān)聯(lián)性，每一路傳感信號都會對其它路傳感信號造成影響，尚未能利用各路傳感信號之間具有的關(guān)聯(lián)性，重構(gòu)故障傳感元件信號值，使得傳感信號自恢復。

發(fā)明內(nèi)容
為解決上述中存在的問題與缺陷，本發(fā)明提供了一種關(guān)聯(lián)性傳感信號多傳感元件故障定位及傳感信號自恢復方法。所述技術(shù)方案如下關(guān)聯(lián)性傳感信號多傳感元件故障定位及傳感信號自恢復方法，包括A、獲取訓練樣本；B、建立符合多路傳感元件信號關(guān)聯(lián)性的神經(jīng)網(wǎng)絡(luò)，并學習傳感信號之間的關(guān)聯(lián)性；C、利用學習的各信號關(guān)聯(lián)性關(guān)系，將含故障傳感元件的傳感信號輸入神經(jīng)網(wǎng)絡(luò)， 根據(jù)網(wǎng)絡(luò)輸出信號與輸入信號之間的差值，對輸入信號進行故障判斷；D、定位出多路故障傳感元件；E、恢復多路故障傳感信號。本發(fā)明提供的技術(shù)方案的有益效果是突破了必須求解出傳感信號之間關(guān)聯(lián)性關(guān)系才能進行故障定位的思維定勢，革新地利用其關(guān)聯(lián)性，通過在一定范圍內(nèi)試探性改變多路傳感信號的值，從而實現(xiàn)多路故障傳感元件的定位和信號自恢復。


圖1是多路傳感元件故障定位及傳感信號自恢復方法的流程圖；圖2是構(gòu)造的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖3是并行9叉樹故障定位算法流程圖；圖4是擴展9叉樹信號重構(gòu)算法流程圖；圖5是一種鄰苯二甲酸酐反應釜測控方案圖；圖6是神經(jīng)網(wǎng)絡(luò)訓練過程圖。
具體實施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明實施方式作進一步地詳細描述本實施例提供了一種關(guān)聯(lián)性傳感信號多傳感元件故障定位及傳感信號自恢復方法。參見圖1，該方法包括以下步驟步驟10獲取訓練樣本；上述獲取的訓練樣本包括足夠多的訓練樣本。步驟20建立神經(jīng)網(wǎng)絡(luò)，學習傳感信號之間的關(guān)聯(lián)性；上述建立的神經(jīng)網(wǎng)絡(luò)是符合多路傳感元件信號關(guān)聯(lián)性的神經(jīng)網(wǎng)絡(luò)。步驟30含故障傳感元件的傳感信號輸入神經(jīng)網(wǎng)絡(luò)；上述將含故障傳感元件的傳感信號輸入神經(jīng)網(wǎng)絡(luò)，可根據(jù)網(wǎng)絡(luò)輸出信號與輸入信號之間的差值，對輸入信號進行故障判斷。步驟40多路故障傳感元件定位；上述是在固定范圍內(nèi)改變多路傳感元件信號的值，使其符合所有各路傳感信號Xi 之間的關(guān)聯(lián)性關(guān)系，其中i = 1，2，. . .，n，并根據(jù)網(wǎng)絡(luò)輸出信號與輸入信號的差值變動情況定位出多路故障傳感元件。步驟50恢復多路故障傳感信號；根據(jù)傳感信號關(guān)聯(lián)性關(guān)系，繼續(xù)改變已定位故障傳感元件的信號，使得神經(jīng)網(wǎng)絡(luò)的輸出信號與輸入信號差值小于設(shè)定閾值，從而自動恢復故障傳感信號。上述步驟10與步驟20具體包括如圖2所示，針對鄰苯二甲酸酐反應釜的10路關(guān)聯(lián)性傳感信號，構(gòu)建一個10-13-5-13-10結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)。將足夠多的正常工作狀態(tài)下 10路傳感信號構(gòu)成神經(jīng)網(wǎng)絡(luò)的輸入層，訓練處正常生產(chǎn)條件下10路傳感信號之間關(guān)聯(lián)性關(guān)系。由于噪聲的存在，網(wǎng)絡(luò)訓練結(jié)束的條件不是SSE最小化，而是當其收斂到一個設(shè)定的閾值A(chǔ)sse就停止訓練，否則網(wǎng)絡(luò)將試圖對噪聲進行學習，從而降低神經(jīng)網(wǎng)絡(luò)泛化能力。在此網(wǎng)絡(luò)中，Asse設(shè)定為0. 0001，經(jīng)過1. 793秒，網(wǎng)絡(luò)訓練成功，其圖6為神經(jīng)網(wǎng)絡(luò)訓練過程圖。上述步驟30具體包括獲取多路傳感元件的測量信號{Xi|i = 1,2, ...，10}，將傳感信號X = [X1, &，...，X1Jt輸入神經(jīng)網(wǎng)絡(luò)中，觀察網(wǎng)絡(luò)輸出Y = [y1; y2，...，y10]T與輸入信號之間的SSE，判斷傳感元件是否存在故障，若SSES Asse，傳感元件無故障；若SSE > Asse，一路或多路傳感元件無故障，需要進入步驟40和50進行故障定位與信號自恢復。上述步驟40和步驟50具體包括對判斷出存在故障傳感元件的信號，在一定范圍內(nèi)對各路信號進行并行樹狀故障搜尋，得出SSE減小最明顯的一組，從而定位出故障傳感元件；定位出故障傳感元件后，繼續(xù)進行擴展的樹狀信號重構(gòu)算法，使得SSE ( Asse，從而實現(xiàn)傳感信號自恢復。本實施例的技術(shù)核心在于構(gòu)建一個具有對稱拓撲結(jié)構(gòu)的前饋型傳遞神經(jīng)網(wǎng)絡(luò)， 該神經(jīng)網(wǎng)絡(luò)獨特之處在于具有單位增益，即，正常情況下其輸入向量Xi (i = 1,2,...,η)等于輸出向量yi (i = 1，2，. . .，η)。圖2所示為構(gòu)造的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖，包括一個輸入層、 三個隱含層及一個輸出層。隱含層第一層為映射層，節(jié)點維數(shù)P在整個網(wǎng)絡(luò)中最大，用于提取輸入信息中關(guān)聯(lián)性部分，其節(jié)點傳遞函數(shù)可以是Sigmoid函數(shù)(f(x) = l/(l+e_x))或其他類似的非線性函數(shù)，該層節(jié)點函數(shù)的權(quán)重為= 1,2, ...,ρ, ρ > η)；隱含層最后一層為解映射層，節(jié)點維數(shù)與映射層相等，用于對信息進行關(guān)聯(lián)性還原，其節(jié)點為非線性傳遞函數(shù)，該層節(jié)點函數(shù)的權(quán)重為wd_」(j = 1，2，...，p，p >n)。上述神經(jīng)網(wǎng)絡(luò)可用誤差反向傳播(BP)算法來進行訓練。訓練樣本為無故障狀態(tài)下的各組傳感元件的測量數(shù)據(jù)，借助足夠訓練樣本，神經(jīng)網(wǎng)絡(luò)可通過自動調(diào)整隱含層(包括映射層、瓶頸層和解映射層)各個節(jié)點傳遞函數(shù)的權(quán)重W，使得X1 = fin-! (X2, X3, ... , Xn)
—f"out-1 (y2'又3，· · · y》一Yl' X2 — fin-2 X3，· · ·，Xn) — fout-2 (又2，又3，· · ·，Υη)—又2，......，
Xn = fin-n(Xl' &，...，Xn-l) = f0ut-n(yi' Y2' · · · ' Yn-l) = Y2，從而學習各輸入信號相互之間的關(guān)聯(lián)性關(guān)系。此時，可利用學習的各信號關(guān)聯(lián)性關(guān)系，對輸入信號進行故障判斷。若無故障的傳感數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)輸出向量yi(i = 1,2, ...,η)與輸入向量Xi(i = 1， 2，...，η)勢必相等；由于各節(jié)點傳遞函數(shù)的權(quán)重w不變，若其中一路或者多路傳感元件發(fā)生故障，那么輸出量yi將全部發(fā)生變化，相應的輸入量Xi與輸出向量Yi將全面存在差異。 因此，定義神經(jīng)網(wǎng)絡(luò)輸出向量71與輸入向量Xi之間的誤差平方和SSE，其公式如下SSE = ^iyl-Xl)2(1)
/=1指標作為傳感元件故障評判因子。若連接的各路傳感元件均處于無故障理想狀態(tài)，顯然SSE = 0 ；因為神經(jīng)網(wǎng)絡(luò)各節(jié)點傳遞函數(shù)權(quán)重w已在網(wǎng)絡(luò)訓練階段，由各路傳感信號的關(guān)聯(lián)特性確定，若輸入向量&中一路或多路傳感元件發(fā)生故障，輸出向量Yi將全部發(fā)生變化。那么多路故障傳感元件搜尋方法的思路則是基于傳感信號的關(guān)聯(lián)特性，通過在一定范圍內(nèi)試探性改變(增大、減小或不變)各路故障元件信號，使得這時的輸出向量Yi與輸入向量&趨于一致。該方法存在的難點在于①究竟有多少路傳感元件發(fā)生故障？又具體是哪幾路？②各路發(fā)生傳感元件故障信號的重構(gòu)值是多少？才能保證輸出向量Yi與輸入向量&趨于一致。解決這兩個問題， 一個將實現(xiàn)故障傳感元件的定位；另外一個是實現(xiàn)傳感信號的自恢復。下面以一個連接了 10路信號有關(guān)聯(lián)傳感元件的IEEE 1451智能傳感器為例，對本實施例如何解決以上問題的實施方式作進一步地詳細描述設(shè)智能傳感器的10路傳感信號為IxiIi = 1，2，...，10}，則可利用各傳感信號X= [Xl，A，...，x1Q]T為神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點，當存在一路或多路傳感元件故障時，顯然SSE Φ 0。假設(shè)僅有一路傳感元件故障時，可在一定范圍內(nèi)試探性依次給各路傳感元件信號改變一個較小值 Ss，再將改變后的數(shù)值X’i = [Xl+Ss，&，...，x1(1]T、X’2= [χι,χ2+δ5,..., X10It......X' η = [X1, X2,..., X10+ δ Jt輸入神經(jīng)網(wǎng)絡(luò)，觀察此時SSE的變化。從公式4-公式8可知，如果某組改變后的輸入信號能使SSE顯著變小，說明改變后的傳感信號X’符合訓練信號的關(guān)聯(lián)關(guān)系，從而判斷該路傳感元件發(fā)生故障；定位故障傳感元件后，繼續(xù)改變該路信號值，使得SSE小于設(shè)定閾值A(chǔ)sse，則可恢復該路傳感信號。若在一定范圍內(nèi)試探性改變一路傳感元件信號，SSE無法取得顯著減小，說明不止一路傳感元件故障，需要考慮同時改變多路傳感信號，下面重點詳述下10路傳感信號中同時有兩路故障傳感元件定位的情況。此時，可能存在故障的傳感元件組合有Cfci =45種，表 1列出了所有兩路傳感元件同時故障的組合，這些組合進行排序分別為{1，2}、{1,3},…、 {9，10}。在一定范圍內(nèi)試探性依次給各組合中的傳感元件信號改變一個較小值，如果測試中的傳感元件組合是故障組合，根據(jù)傳感信號關(guān)聯(lián)關(guān)系，在一定范圍內(nèi)改變該兩路傳感元件的輸入數(shù)值，相應的SSE將會減?。环粗绻麥y試組合是無故障的，從上述公式(1)可以看出，改變它們的值只會導致SSE進一步擴大，因此通過改變每組合的輸入數(shù)值，取得SSE 減小最顯著的一個組合可定位受損傳感元件。假設(shè)j(j ( 10)號和k(k彡10，k興j)號傳感元件故障，則人為給它們各改變一個微值Sj和S k，此時神經(jīng)網(wǎng)絡(luò)輸入節(jié)點將變?yōu)?參見公式2)X = [χ” x2，...，Xj+ δ ” ...，Xk+ δ k，...，χ10]τ (2)考慮到一個故障傳感元件的信號可能有三種不同變化{+ δ ρ- δ ”0}(其中“0”變化為傳感元件無故障的情況)，為了估算測試組合的信號偏移量則需要進行32 = 9個調(diào)整步驟，如下步驟1-3第一個傳感信號保持不變，另一傳感信號進行三種變化{+δ2，-δ2，0}；步驟4-6第一個傳感信號+ S1,另一傳感信號進行三種變化{+δ2，-δ2，0}；步驟7-9第一個傳感信號-δ 另一傳感信號進行三種變化{+ δ 2，- δ 2，0}。下面為一種類似于樹狀路徑搜尋的并行故障傳感元件搜尋方法，針對估算每個故障組合的9個步驟，每個節(jié)點需要進行9次分解，因此將該算法形象地命名為并行9叉樹算法(如圖幻。算法第一層并行有m個節(jié)點，每個結(jié)點按9個調(diào)整步驟進行一次9叉樹計算， 并定義一個SSE矩陣用于定位故障傳感元件，參見公式3
權(quán)利要求
1.關(guān)聯(lián)性傳感信號多傳感元件故障定位及傳感信號自恢復方法，其特征在于，所述方法包括A、獲取訓練樣本；B、建立符合多路傳感元件信號關(guān)聯(lián)性的神經(jīng)網(wǎng)絡(luò)，并學習傳感信號之間的關(guān)聯(lián)性；C、利用學習的各信號關(guān)聯(lián)性關(guān)系，將含故障傳感元件的傳感信號輸入神經(jīng)網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)輸出信號與輸入信號之間的差值，對輸入信號進行故障判斷；D、定位出多路故障傳感元件；E、恢復多路故障傳感信號。
2.根據(jù)權(quán)利要求1所述的關(guān)聯(lián)性傳感信號多傳感元件故障定位及傳感信號自恢復方法，其特征在于，所述D具體包括在固定范圍內(nèi)改變多路傳感元件信號的值，使其符合所有各路傳感信號Xi之間的關(guān)聯(lián)性關(guān)系，其中i = 1，2，...，n，并根據(jù)網(wǎng)絡(luò)輸出信號與輸入信號的差值變動情況定位出多路故障傳感元件。
3.根據(jù)權(quán)利要求1所述的關(guān)聯(lián)性傳感信號多傳感元件故障定位及傳感信號自恢復方法，其特征在于，所述E具體包括根據(jù)傳感信號關(guān)聯(lián)性關(guān)系，繼續(xù)改變已定位故障傳感元件的信號，使得神經(jīng)網(wǎng)絡(luò)的輸出信號與輸入信號差值小于設(shè)定閾值，從而自動恢復故障傳感信號。
4.根據(jù)權(quán)利要求1所述的關(guān)聯(lián)性傳感信號多傳感元件故障定位及傳感信號自恢復方法，其特征在于，多路傳感元件信號關(guān)聯(lián)性的神經(jīng)網(wǎng)絡(luò)算法是利用一種對稱拓撲結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)算法，并通過訓練樣本學習所述關(guān)聯(lián)性。
5.根據(jù)權(quán)利要求4所述的關(guān)聯(lián)性傳感信號多傳感元件故障定位及傳感信號自恢復方法，其特征在于，所述建立的對稱拓撲結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)具有單位增益性，其輸入向量&等于輸出向量yi;其中i = 1,2, ...，n。
6.根據(jù)權(quán)利要求1、2、或4所述的關(guān)聯(lián)性傳感信號多傳感元件故障定位及傳感信號自恢復方法，其特征在于，在建立對稱拓撲結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)后，通過定義神經(jīng)網(wǎng)絡(luò)輸出向量Yi與η輸入向量Xi之間的誤差平方和= -jO2指標作為多路傳感元件故障評判因子。I=I
7.根據(jù)權(quán)利要求1-6任一項所述的關(guān)聯(lián)性傳感信號多傳感元件故障定位及傳感信號自恢復方法，其特征在于，所述方法是在各路傳感信號Xi之間具有關(guān)聯(lián)性，且每一路傳感信號都會對其它路傳感信號造成影響下適用的，其中i = 1，2，. . .，n，用數(shù)學模型表示為X1 = fi (X2，Χβ ‘ · · ·，Xn)，=f2 (X1 ，X3 j · · ·，Xn)，......，XnJ X2 ？ · · · J Xn-]^/ O
全文摘要
本發(fā)明公開了一種關(guān)聯(lián)性傳感信號多傳感元件故障定位及傳感信號自恢復方法，該方法包括獲取訓練樣本；建立符合多路傳感元件信號關(guān)聯(lián)性的神經(jīng)網(wǎng)絡(luò)，并學習傳感信號之間的關(guān)聯(lián)性；利用學習的各信號關(guān)聯(lián)性關(guān)系，將含故障傳感元件的傳感信號輸入神經(jīng)網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)輸出信號與輸入信號之間的差值，對輸入信號進行故障判斷；定位出多路故障傳感元件；恢復多路故障傳感信號。該方法針對傳感信號之間具有關(guān)聯(lián)性的情況，并不需要求解關(guān)聯(lián)函數(shù)，而是通過自動調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點函數(shù)的權(quán)重，從而學習并利用其關(guān)聯(lián)性，方法具有簡便性、快捷性。
文檔編號G06N3/08GK102169555SQ201110077679
公開日2011年8月31日 申請日期2011年3月30日 優(yōu)先權(quán)日2011年3月30日
發(fā)明者劉桂雄, 朱明武, 黃國健 申請人:華南理工大學