專利名稱：基于最小二乘支持向量機在線預測的傳感器故障診斷方法
技術領域：
本發(fā)明涉及一種基于最小二乘支持向量機在線預測的傳感器故障診斷方法，用于在線快速準確定位傳感器發(fā)生故障的時間、類型與大小，特別適用于傳感器偏差與漂移故障的診斷。
背景技術：
在現(xiàn)代化工業(yè)生產尤其在自動化控制中，傳感器起著重要的作用。傳感器是了解系統(tǒng)過程狀態(tài)的一個窗口，其有效性是系統(tǒng)過程控制與過程優(yōu)化的基礎與前提。傳感器為敏感元件，常工作于較惡劣的現(xiàn)場環(huán)境，電磁干擾、溫度變化和腐蝕等都會對其性能造成一定的損害。當傳感器產生故障時會對整個系統(tǒng)的監(jiān)測、控制及故障診斷等造成重大的影響。 常見傳感器故障有偏差故障、漂移故障、精度變差和完全失靈，而偏差故障與漂移故障診斷一直是傳感器故障診斷研究的熱點。其中，偏差故障是指傳感器輸出與被測變量的實際值之間的偏差是常數；漂移故障是指傳感器輸出與被測量的實際值之間的偏差隨時間不斷增大。傳感器故障診斷方法主要分為物理冗余與解析冗余兩大類。物理冗余是通過增加傳感器的數量來檢測和排除故障，使系統(tǒng)具有故障容錯能力，雖然此方法可以增強系統(tǒng)的安全性，但是同時增加了系統(tǒng)的成本與故障診斷的復雜度。解析冗余不需要增加傳感器的數量，只需要通過傳感器輸入輸出建立殘差和故障模型，從而實現(xiàn)傳感器故障診斷。近些年來，人工智能被廣泛應用到傳感器的故障診斷中。神經網絡作為被廣泛應用于模式識別與函數逼近的方法，具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學習能力，可以模擬任意的非線性關系而無需去建立精確模型，實現(xiàn)傳感器的輸出預測。但是該方法同時具有需要大量樣本、泛化能力差、易陷入局部極小點等缺點。支持向量機(SVM，Support Vector Machine)是建立在統(tǒng)計學理論的VC維理論和結構風險最小化基礎之上的。相比于神經網絡，SVM有效地解決了小樣本、非線性、高維數和局部極小點等問題，其主要應用于模式識別、函數逼近和時間序列預測等問題。最小二乘支持向量機(LS SVM, Least Squares Support Vector Machine)是標準 SVM 的擴展，它用等式約束代替了標準SVM的不等式約束，將二次規(guī)劃問題轉化為線性方程求解問題，降低了計算復雜度，有效地提高了運算速度。如果能夠將最小二乘支持向量機應用于傳感器的輸出預測，則可以快速準確對傳感器的故障進行辨識與診斷。

發(fā)明內容
有鑒于此，本發(fā)明的目的是提供一種基于最小二乘支持向量機在線預測的傳感器故障診斷方法。該方法針對傳感器測量信號，運用最小二乘支持向量機回歸算法構建在線預測模型對傳感器的輸出進行預測，進而快速準確對傳感器的故障進行辨識與診斷。本發(fā)明的目的是通過下述技術方案實現(xiàn)的。
一種基于最小二乘支持向量機在線預測的傳感器故障診斷方法，假設被測傳感器初始為正常傳感器；采用具有1個輸入一個輸出的最小二乘支持向量機構建被測傳感器的在線預測模型f，在任意時刻t在線預測模型f的輸出可以表示為X(t+1)= f(x(t-l+l),…，x(t-l)，x(t))，其中χ(·)為線預測模型f的輸入；該在線預測模型f采用徑向基RBF函數作為核函數；開始故障診斷后，在線實時采集被測傳感器的測量數據，然后循環(huán)執(zhí)行如下步驟 1 5 步驟1、在采樣時刻n，采用包括當前采樣時刻的測量數據x(n)和前m_l個采樣時刻的測量數據x(i)，i e [n-m, n-1]共m個測量數據構成當前訓練數據池；步驟2、判斷x(n)與前一采樣時刻采用在線預測模型f預測的數據對《)之差的絕對值即殘差e是否小于或等于預設閾值e* ；如果是，則執(zhí)行步驟4 ；否則，判定出現(xiàn)故障，執(zhí)行步驟3 ；步驟3、將替換當前訓練數據池中的Χ (η)，并針對替換后的當前訓練數據池執(zhí)行步驟4 ；步驟4、將當前訓練數據池中的測量數據按采集時刻進行排序，從i = 1開始選取 1+1個連續(xù)的測量數據組成一組訓練樣本；令i = i+1選取第二組訓練樣本；以此類推，共選取P組訓練樣本，P = HI-I ；在每組訓練樣本中，前1個測量數據作為在線預測模型f的輸入，第1+1個測量數據作為在線預測模型f的期望輸出；然后執(zhí)行步驟5 ；步驟5、采用步驟4選取的ρ組訓練樣本訓練在線預測模型f，采用本次訓練得到的新在線預測模型f預測n+1時刻的數據對《 + 1)，對《 + 1)用于下一個循環(huán)的閾值比較，返回步驟1進入下一個采樣時刻的處理；在上述步驟1 5的循環(huán)執(zhí)行過程中，當判定出現(xiàn)故障時，開始記錄各采樣時刻的殘差e，記錄一段時間后得到殘差序列，利用殘差序列進行一元線性回歸分析，得到殘差與時間的一元線性關系表達式，從而識別出故障類型、大小和發(fā)生時間。在判定出現(xiàn)故障后，該方法進一步包括將在線預測模型f的預測數據代替被測傳感器的真實測量數據輸出給與被測傳感器對接的后續(xù)設備，從而實現(xiàn)了故障在線補償。有益效果本發(fā)明提供一種基于最小二乘支持向量機在線預測的傳感器故障診斷方法，能夠在傳感器模型未知的情況下，快速并準確地預測出傳感器在下一時刻的輸出值，以此為基礎進而快速準確地檢測和分離傳感器故障，辨識傳感器故障發(fā)生的時間、故障的類型和故障大小，最終采取有效措施對傳感器輸出做出整體有效的補償。


圖1是基于最小二乘支持向量機在線預測的傳感器故障診斷的原理圖；圖2是本發(fā)明傳感器故障診斷過程中循環(huán)部分的流程圖；圖3是傳感器模型在運行時間IOOs內輸出的信號曲線圖；圖4是最小二乘支持向量機與RBF神經網絡預測模型對比實驗的預測誤差曲線；圖5是傳感器實際輸出值、真實值及最小二乘支持向量機的預測值的結果圖；圖6(a)是對比最小二乘支持向量預測值與傳感器實際輸出值產生的殘差序列曲線，(b)是對殘差序列進行一元線性回歸分析產生的擬合曲線圖。
具體實施例方式本發(fā)明提供一種基于最小二乘支持向量機在線預測的傳感器故障診斷方法，其核心思想是，如圖1所示，選擇最小二乘支持向量機構建傳感器的在線預測模型，在傳感器采樣過程中，采用大窗口在測量數據中滑動獲取訓練數據池，從訓練數據池中利用小窗口進行滑動，得到多組訓練樣本；利用傳感器的滾動歷史輸出數據作為訓練樣本對最小二乘支持向量機預測模型進行訓練，接著當新的樣本輸入時，該預測模型會預測出傳感器在下一時刻的輸出值。通過比較傳感器實際輸出與最小二乘支持向量機預測模型輸出值產生的殘差來判斷故障是否發(fā)生。若檢測出故障，則利用殘差序列對故障的類型和大小進行辨識，從而能對傳感器的輸出做出有效的補償。下面參照附圖，對本發(fā)明中的實施例進行詳細的說明。首先，建立一個最小二乘支持向量機在線預測模型，并設定參數。本發(fā)明采用具有1個輸入一個輸出的最小二乘在線支持向量機作為被測傳感器的在線預測模型f，則任意時刻t在線測模型的輸出可以表示為x(t+l) = f (x(t-l+l),…，x(t-l)，x(t))(1)其中，x( ·)為線預測模型f的輸入。將t時刻前1個傳感器測量數據作為最小二乘支持向量機在線預測模型的輸入， 即可以預測出傳感器在t+Ι時刻的輸出值。上述最小二乘在線支持向量機選擇徑向基(RBF)函數作為核函數。最小二乘在線支持向量機包含正則化參數C和徑向基核函數寬度ο兩個重要的參數，這兩個參數在很大程度上決定了模型的學習能力和泛化能力。在最小二乘在線支持向量機的訓練過程中，可以采用單純形算法、遺傳算法、粒子群算法等參數尋優(yōu)方法得到這兩個參數的最佳組合。經過試驗發(fā)現(xiàn)，采用單純形算法進行參數優(yōu)化速度較快，適用于本發(fā)明的基于在線預測的傳感器故障診斷方案。最小二乘支持向量機在線預測模型是建立在矩形窗算法基礎之上的，其本質是k 時刻的估計只依據有限過去的數據。樣本是隨時間進行窗式移動，一個新樣本產生的同時舍棄一個舊的樣本，訓練樣本的總數不變，從而實現(xiàn)預測模型的在線學習。訓練樣本的減少會導致模型的預測精度變低。本方法中，1與m的大小共同決定了最小二乘支持向量機的訓練樣本數目。參數1是最小二乘在線支持向量機的輸入參數個數，也是最小二乘在線支持向量機的訓練樣本中輸入數據的個數，由于1值的大小對模型的預測精度和實時性有一定的影響，1值過小，其預測精度會變差，1值過大會增加模型的預測時間。因此通過大量試驗測試發(fā)現(xiàn)，當1值選為50時，可以滿足預測精度和預測時間的折中要求。在參數1確定的情況下，本實施例中，設定矩形窗口的長度m值為358，對應最小二乘支持向量機預測模型每次訓練的樣本數目為m-1 = 308。假設被測傳感器初始為正常傳感器，開始故障診斷后，在線實時采集被測傳感器的測量數據，利用測量數據組成訓練樣本，實現(xiàn)最小二乘支持向量機在線預測模型一邊在線學習一邊在線預測下一時刻的輸出值。具體包括如下步驟
步驟1、在采樣時刻n，獲得當前采樣時刻的測量數據χ (η)，將χ (η)和前m_l個采樣時刻的測量數據x(i)，i e [n-m，n-l]共m個測量數據構成當前訓練數據池。其中η大于m，當η小于或等于m時，訓練數據池數據不夠，暫不進行后續(xù)操作，等待湊夠m的數據后
再繼續(xù)。步驟2、判斷x(n)與前一采樣時刻采用在線預測模型f預測的數據對《)之差的絕對值即殘差e是否小于或等于預設閾值e* ；如果是，則認為傳感器正常工作，將傳感器的真實測量數據輸出給與被測傳感器對接的后續(xù)設備，并且執(zhí)行步驟4;否則，判定出現(xiàn)故障， 執(zhí)行步驟3 ；步驟3、將:替換當前訓練數據池中的χ (η)，并針對替換后的當前訓練數據池執(zhí)行步驟4。為了保證傳感器的故障狀態(tài)不影響后續(xù)設備的運行，較佳地，此處將在線預測模型f的預測數據代替被測傳感器的真實測量數據輸出給與被測傳感器對接的后續(xù)設備，從而實現(xiàn)了傳感器輸出數據的在線補償。需要說明的是，在第一輪故障診斷過程中，由于沒有前一采樣時刻的預測數據 x{n)，因此不執(zhí)行本步驟2，直接執(zhí)行步驟3。步驟4、將當前訓練數據池中的測量數據按采集時刻進行排序，從j = 1開始選取 1+1個連續(xù)的測量數據組成一組訓練樣本；令j = j+1選取第二組訓練樣本；以此類推，共選取P組訓練樣本，P = HI-I ；在每組訓練樣本中，前1個測量數據作為在線預測模型f的輸入，第1+1個測量數據作為在線預測模型f的期望輸出。步驟5、采用步驟4選取的ρ組訓練樣本訓練在線預測模型f，采用本次訓練得到的新在線預測模型f預測n+1時刻的數據對《 + 1)，對《 + 1)用于下一個循環(huán)的閾值比較，返回步驟1進入下一個采樣時刻的處理。傳感器停止采集后，上述循環(huán)結束。在上述步驟1 5的循環(huán)執(zhí)行過程中，當判定出現(xiàn)故障時，開始記錄各采樣時刻的殘差e，記錄一段時間后得到殘差序列，利用殘差序列進行一元線性回歸分析，得到殘差與時間的一元線性關系表達式，從而識別出故障類型、大小和發(fā)生時間。在前述步驟3中，雖然在檢測到故障時，將預測數據代替輸出給與被測傳感器對接的后續(xù)設備，但是隨著時間的推進，訓練樣本將逐漸被預測數據替代，導致后續(xù)的預測數據逐漸偏離準確值，因此該傳感器輸出數據的在線補償過程不能持續(xù)太長時間，只是暫時的解決方案。從根源上解決傳感器故障的方案還是根據傳感器的故障辨識結果，對傳感器進行調整，從而有效地補償傳感器偏差。為了驗證本發(fā)明效果，采用設定故障信號的方式進行試驗。根據設定傳感器為單輸入單輸出系統(tǒng)，其傳遞函數表示為G(s)= 2cs + d ^(2)
s +as +ο根據上述傳遞函數構造傳感器模型，并且設定該傳感器以幅值為10周期為Is的正弦信號作為輸入u (t)，以均方差為0. 1的高斯白噪聲作為干擾信號e(t)。采樣周期為 0. ls，運行100s，設定在時刻60s出現(xiàn)幅值為1的偏差故障與斜率為0. 5的漂移故障。圖3為傳感器模型在上述輸入信號下運行時間IOOs內輸出的信號曲線圖。根據圖 3示出的信號選取訓練樣本，圖4是最小二乘支持向量機與RBF神經網絡預測模型采用同樣的訓練樣本與測試樣本進行對比實驗的預測誤差曲線，其中虛線表示本發(fā)明預測誤差，帶* 的實線表示本發(fā)明RBF神經網絡預測模型的預測誤差?？梢钥闯?，最小二乘支持向量機在線預測模型要優(yōu)于RBF神經網絡預測模型。并且，對預測所用的時間進行記錄，最小二乘支持向量機預測模型所用時間約為0. 022s,小于傳感器的采樣頻率，而且要遠遠小于RBF神經網絡預測模型所用的時間11. 56s。圖5是傳感器實際輸出值、真實值及最小二乘支持向量機的預測值的結果圖，其中實線表示最小二乘支持向量機預測值，帶+的實線表示傳感器實際輸出值，待三角的實線表示真實值。當設定在時刻60s產生故障時，可以看到，傳感器的實際輸出在該時刻有一個很大的跳變，并且之后在60s IOOs這個時間段內傳感器的輸出信號在這個跳變的基礎上逐漸呈增長趨勢。而最小二乘支持向量機預測模型的輸出值幾乎與傳感器在正常工作狀態(tài)下的輸出數據相重合。因而，在故障未辨識之前，可以利用最小二乘支持向量機在線預測的輸出值做臨時補償，并且在之后的一段時間內比較傳感器的實際輸出與最小二乘支持向量機的輸出產生殘差時間序列，然后通過最小二乘法對其做一元線性回歸分析，從而進一步地辨識出故障的類型與大小。圖6(a)是對比最小二乘支持向量預測值與傳感器實際輸出值產生的殘差序列曲線，(b)是對殘差序列進行一元線性回歸分析產生的擬合曲線圖。該擬合曲線圖的表達式可以表示為y = 0. 5050t+0. 7291，與因偏差與漂移故障產生的真實故障表達式y(tǒng) = 0. 5t+l 相近。其中，0. 5050為漂移故障，0. 7291為偏差故障。上述實施例中，以1值選50，m值選358為例進行了描述，在實際中，當參數1確定后，m的具體長度的選擇只要保證m與樣本長度1配合起來后使得每輪預測所用的時間小于數據的采樣周期即可。且對于周期性信號，m的長度需要適當地包含采樣數據的多個周期，從而保證訓練樣本可以足夠的表征信號特征。在1 = 50、采樣周期為0. Is的前提下，通過實驗發(fā)現(xiàn)，m需要滿足大于58才可以保證程序的正常運行，如表1所示。并且在m與58差距較小的情況下，如表所示m = 59時其結果很不理想。但隨著m值的增加，其預測所用時間隨之增加，而相對預測誤差會相應的減小。
權利要求
1.一種基于最小二乘支持向量機在線預測的傳感器故障診斷方法，其特征在于，假設被測傳感器初始為正常傳感器；采用具有1個輸入一個輸出的最小二乘支持向量機構建被測傳感器的在線預測模型f，在任意時刻t在線預測模型f的輸出可以表示為X(t+1)= f(x(t-l+l),…，x(t-l)，x(t))，其中χ(·)為線預測模型f的輸入；該在線預測模型f采用徑向基RBF函數作為核函數；開始故障診斷后，在線實時采集被測傳感器的測量數據，然后循環(huán)執(zhí)行如下步驟1 5 步驟1、在采樣時刻n，采用包括當前采樣時刻的測量數據χ (η)和前m-1個采樣時刻的測量數據x(i)，i e [n-m，n-l]共m個測量數據構成當前訓練數據池；步驟2、判斷x(n)與前一采樣時刻采用在線預測模型f預測的數據對《)之差的絕對值即殘差e是否小于或等于預設閾值e* ；如果是，則執(zhí)行步驟4 ；否則，判定出現(xiàn)故障，執(zhí)行步驟3 ；步驟3、將:替換當前訓練數據池中的χ (η)，并針對替換后的當前訓練數據池執(zhí)行步驟4;步驟4、將當前訓練數據池中的測量數據按采集時刻進行排序，從i = 1開始選取1+1 個連續(xù)的測量數據組成一組訓練樣本；令i = i+1選取第二組訓練樣本；以此類推，共選取 P組訓練樣本，P = m-Ι ；在每組訓練樣本中，前1個測量數據作為在線預測模型f的輸入， 第1+1個測量數據作為在線預測模型f的期望輸出；然后執(zhí)行步驟5 ；步驟5、采用步驟4選取的ρ組訓練樣本訓練在線預測模型f，采用本次訓練得到的新在線預測模型f預測n+1時刻的數據對《 + 1)，對《 + 1)用于下一個循環(huán)的閾值比較，返回步驟1進入下一個采樣時刻的處理；在上述步驟1 5的循環(huán)執(zhí)行過程中，當判定出現(xiàn)故障時，開始記錄各采樣時刻的殘差 e，記錄一段時間后得到殘差序列，利用殘差序列進行一元線性回歸分析，得到殘差與時間的一元線性關系表達式，從而識別出故障類型、大小和發(fā)生時間。
2.如權利要求1所述的方法，其特征在于，1= 50，m = 358。
3.如權利要求1所述的方法，其特征在于，在最小二乘支持向量機的訓練過程中采用單純形算法優(yōu)化正則化參數C和徑向基核函數寬度σ。
4.如權利要求1所述的方法，其特征在于，在判定出現(xiàn)故障后，該方法進一步包括將在線預測模型f的預測數據代替被測傳感器的真實測量數據輸出給與被測傳感器對接的后續(xù)設備。
全文摘要
本發(fā)明公開了一種基于最小二乘支持向量機在線預測的傳感器故障診斷方法。該方法建立了一個最小二乘支持向量機在線預測模型，然后在線采集傳感器測量數據作為最小二乘支持向量機在線預測模型的輸入樣本，實現(xiàn)該預測模型一邊在線訓練一邊實時預測出傳感器在下一時刻的輸出值。通過比較傳感器的預測值與實際輸出值產生的殘差來檢測傳感器故障是否發(fā)生。在有故障發(fā)生時，通過最小二乘方法對殘差序列進行一元線性回歸，實現(xiàn)傳感器偏差與漂移故障的辨識，進而能夠更有效地采取措施對傳感器輸出進行實時補償。本發(fā)明能快速準確地實現(xiàn)傳感器在線故障診斷，特別適用于傳感器偏差故障與漂移故障診斷。
文檔編號G01D18/00GK102324034SQ20111013772
公開日2012年1月18日 申請日期2011年5月25日 優(yōu)先權日2011年5月25日
發(fā)明者徐麗雙, 竇麗華, 蔡濤, 鄧方, 陳杰 申請人:北京理工大學