基于自適應滑動窗口算法與區(qū)間折半算法的故障檢測方法
【專利摘要】本發(fā)明公開了基于自適應滑動窗口算法與區(qū)間折半算法的故障檢測方法，該方法采用區(qū)間折半法提取識別趨勢，并在提取過程中不斷根據(jù)具體情況改變區(qū)間窗口的初始點以及結束點，自適應改變區(qū)間大小，以獲得更高的提取精度，然后通過模糊趨勢匹配算法將實時趨勢與規(guī)則知識庫中的各種典型故障的特征趨勢相匹配，實時診斷系統(tǒng)故障；本發(fā)明能夠提高傳感器故障辨識的準確性和實時性。
【專利說明】
基于自適應滑動窗口算法與區(qū)間折半算法的故障檢測方法
技術領域
[0001] 本發(fā)明屬于智能信息處理的技術領域，具體涉及一種基于自適應滑動窗口算法與 區(qū)間折半算法的故障檢測方法。
【背景技術】
[0002] 傳感器（英文名稱：transducer/sensor)是一種檢測裝置，能感受到被測量的信 息，并能將感受到的信息，按一定規(guī)律變換成為電信號或其他所需形式的信息輸出，以滿足 信息的傳輸、處理、存儲、顯示、記錄和控制等要求，廣泛應用于各種控制系統(tǒng)中。而作為了 解系統(tǒng)過程狀態(tài)的窗口，其測量結果的準確性直接影響系統(tǒng)的運行。同時大多數(shù)傳感器的 工作環(huán)境都比較惡劣，因此它們在使用過程中不可避免的經(jīng)常會因為種種原因發(fā)生故障。 一旦傳感器故障被系統(tǒng)檢測出，需要針對不同故障類型進行一定的在線或離線的故障補 償，因此，對傳感器故障進行辨識就顯得尤為重要。
[0003] 對傳感器進行故障辨識屬于模式識別問題，其中主要包括特征提取和模式分類兩 個部分。特征的選擇與提取是模式分類的基礎，特征信息的提取效率則直接影響了后續(xù)學 習和識別結果的準確率。由于非線性系統(tǒng)具有復雜性及建模方法的局限性等特點，因此對 于非線性系統(tǒng)故障診斷的研究結果非常有限，現(xiàn)有的一些方法主要借助于智能控制法和線 性化方法。這些方法大部分都是基于已知的數(shù)學模型。而現(xiàn)代控制系統(tǒng)通常具有高維、非線 性、強耦合、隨機噪聲和輸入時延等特點，很難建立精確的數(shù)學模型，甚至根本就不可能用 解析方程來描述。
[0004] 目前，常見的不依賴于數(shù)學模型的方法主要有幾類代表性的：基于小波變換的方 法、基于神經(jīng)網(wǎng)絡的方法、基于模糊邏輯的方法、基于統(tǒng)計分析模型的方法、基于專家系統(tǒng) 的方法、基于故障樹的方法、基于定性模型的方法等。作為不依賴于數(shù)學模型的故障檢測方 法之一，定性趨勢分析就是一種基于數(shù)據(jù)驅動的分析方法，具有只要求有過程數(shù)據(jù)就可實 現(xiàn)對過程的監(jiān)測的優(yōu)點。這一特點在實際應用中有著非常重要的意義，因為在某些工業(yè)過 程中，唯一可利用的信息就是過程數(shù)據(jù)。此外，不依賴于過程數(shù)學模型的方法還很容易利用 操作經(jīng)驗、工藝知識、理事故障記錄等信息，而這些信息的正確利用往往會起到事半功倍的 作用。然而傳統(tǒng)的定性趨勢分析方法依然存在不少問題，如提取的片段寬度難以自適應、算 法復雜、依賴人為設置閾值等。

【發(fā)明內容】

[0005] 有鑒于此，本發(fā)明提供了一種基于自適應滑動窗口算法與區(qū)間折半算法的故障檢 測方法，能夠提高傳感器故障辨識的準確性和實時性。
[0006] 實現(xiàn)本發(fā)明的技術方案如下：
[0007] -種基于自適應滑動窗口算法與區(qū)間折半算法的故障檢測方法，包括以下步驟：
[0008] 步驟一、對一段待檢測的傳感器數(shù)據(jù)從數(shù)據(jù)起始點開始利用區(qū)間折半算法提取原 語，并判斷其原語是否為原語中的"A"，若否，則從原語不為"A"的數(shù)據(jù)段起始位置開始判定 為故障發(fā)生點，從故障發(fā)生點直至待檢測數(shù)據(jù)段的結束點為故障數(shù)據(jù)段;若待檢測數(shù)據(jù)段 原語為"A"，則進行下一段待檢測數(shù)據(jù)的檢測；
[0009]步驟二、從故障發(fā)生點開始，以待檢測數(shù)據(jù)長度的1/10作為默認滑動窗口大小，對 第一個滑動窗口區(qū)間內的數(shù)據(jù)進行離線區(qū)間折半擬合使所述數(shù)據(jù)轉換為擬合多項式序列， 根據(jù)多項式的導數(shù)符號將多項式序列轉換為基元序列；
[0010]步驟三、確定下一個滑動窗口的起始點以及窗口長度：判斷上一個滑動窗口最后 一個基元是否為線性基元，若是則判斷其長度是否大于預設的線性原語長度臨界值，若大 于則下一個窗口的起始點為上一個窗口的結束點，否則將最后一個基元所對應的數(shù)據(jù)歸入 下一個窗口；若最后一個基元為非線性基元，則判斷其長度是否大于預設的最短原語長度 值，若大于則下一個窗口的起始點為上一個窗口的結束點，否則將最后一個基元所對應的 數(shù)據(jù)歸入下一個窗口；若上一個窗口最后一個基元所對應的數(shù)據(jù)歸入下一個窗口，則窗口 長度=最后一個基元長度+默認滑動窗口大小;否則，窗口長度=默認滑動窗口大?。?br>[0011] 步驟四、將已確定的滑動窗口內的數(shù)據(jù)轉換為基元序列；
[0012] 步驟五、重復步驟三和步驟四直至故障數(shù)據(jù)段的數(shù)據(jù)全部轉換為基元序列，將所 述基元序列與規(guī)則知識庫中的多個故障特征基元序列進行模糊邏輯匹配，分別得出相似度 SI；
[0013] 步驟六、找出步驟五中所得的最高相似度SImax，并將其與預設的決策臨界值進行 比較，若SImax大于決策臨界值，則待檢測數(shù)據(jù)的故障類型為SI max所對應的故障類型;若SImax 小于等于決策臨界值，則認定待檢測數(shù)據(jù)的故障類型為新的故障。
[0014] 進一步地，線性原語長度臨界值大于最短原語長度值。
[0015] 有益效果：
[0016] 1、本發(fā)明提供了一種基于滑動窗口算法與區(qū)間折半算法相結合的在線故障檢測 方法，能夠將傳感器正常模式與故障模式區(qū)分出來。
[0017] 2、本發(fā)明方法與傳統(tǒng)的離線區(qū)間折半算法相比，趨勢提取的效率以及準確性都得 到了提升，并且可以根據(jù)樣本的大小來靈活選擇滑動窗口的大小，靈活性較高，推廣性較 好。
【附圖說明】
[0018] 圖1是本發(fā)明傳感器故障診斷框架流程圖。
[0019] 圖2是基元示意圖。
[0020] 圖3是滑動窗口大小為75的擬合效果圖。
[0021 ]圖4是滑動窗口大小為180的擬合效果圖。
[0022] 圖5是本發(fā)明自適應滑動窗口算法流程圖。
[0023] 圖6是本發(fā)明基于定性趨勢分析的故障診斷構架。
【具體實施方式】
[0024]下面結合附圖并舉實施例，對本發(fā)明進行詳細描述。
[0025]本發(fā)明提供了一種基于自適應滑動窗口算法與區(qū)間折半算法的故障檢測方法，該 方法采用區(qū)間折半法提取識別趨勢，并在提取過程中不斷根據(jù)具體情況改變區(qū)間窗口的初 始點以及結束點，自適應改變區(qū)間大小，以獲得更高的提取精度，然后通過模糊趨勢匹配算 法將實時趨勢與規(guī)則知識庫中的各種典型故障的特征趨勢相匹配，實時診斷系統(tǒng)故障。這 里采用的是田納西-伊斯曼化學過程中的部分數(shù)據(jù)，田納西-伊斯曼過程(TEP)是美國田納 西州一家名為伊斯曼的化學品公司的兩位專家根據(jù)真實的化學工業(yè)生產(chǎn)過程創(chuàng)建的一個 基于多變量技術的化學工業(yè)過程仿真平臺。TEP仿真系統(tǒng)數(shù)據(jù)包括一種正常的狀態(tài)數(shù)據(jù)和 21種故障狀態(tài)數(shù)據(jù)，其中15個為已知故障，16-21為未知故障，每種狀態(tài)下的數(shù)據(jù)包括訓練 集和測試集部分，其中訓練集有480組數(shù)據(jù)，測試集有960組數(shù)據(jù)，整個TEP系統(tǒng)包括有52個 變量，由于我們研究的是單個傳感器數(shù)據(jù)的趨勢提取，因此這里采取其中部分已知發(fā)生了 故障的變量進行數(shù)據(jù)分析。
[0026]選取5種不同故障狀態(tài)下的傳感器輸出數(shù)據(jù)各480組，即Xu(i = l，2，...，5;j = l， 2,...，480)，為使提取的信號特征不受幅值的影響，首先對信號進行標準化處理：
[0028] 其中:Xij表不不同模式的傳感器輸出信號，E(Xij)為Xij的均值，\為Xij的標準差。
[0029] 如圖1所示，本發(fā)明包括以下步驟：
[0030] 步驟一、對一段待檢測的傳感器數(shù)據(jù)從數(shù)據(jù)起始點開始利用區(qū)間折半算法提取原 語，并判斷其原語是否為"A"，若否，則從原語不為"A"的數(shù)據(jù)段起始位置開始判定為故障發(fā) 生點，從故障發(fā)生點直至待檢測數(shù)據(jù)段的結束點為故障數(shù)據(jù)段;若待檢測數(shù)據(jù)段原語為A， 則進行下一段待檢測數(shù)據(jù)的檢測；
[0031] 原語基本概念介紹：
[0032] 在定性趨勢描述語言里，定義了用一階導數(shù)和二階導數(shù)符號表示的七種基元（即 基元），如圖2所示。圖中括號內分別表示一階導數(shù)和二階導數(shù)。
[0033] 在對于任意一組代表著趨勢的數(shù)據(jù)進行區(qū)間折半(對于區(qū)間折半算法具體步驟這 里就不再做過多介紹)后，會得到一個階數(shù)最高為二階的趨勢片段。（1)若該片段為一階，則 對之進行求一階導數(shù)后很容易根據(jù)圖2得到其對應的基元；（2)若該片段為二階，則先求其 兩端點處的一階導數(shù)，如果兩端點處的一階導數(shù)同號，將其與零進行比較后很容易根據(jù)圖2 得到對應的基元；（3)如果兩端點處的一階導數(shù)異號，說明該區(qū)間不是單峰區(qū)間，需要再次 進行分割，找到該片段一階導數(shù)為零的點將該區(qū)間再次分段，取其前半段重復進行(2)中的 步驟得到基元。剩下的數(shù)據(jù)重復上述過程。最后得到由多個基元組成的原語，或者叫做原語 序列。
[0034] 步驟二、從故障發(fā)生點開始，以待檢測數(shù)據(jù)段長度的1/10作為默認滑動窗口大小， 對第一個滑動窗口區(qū)間內的數(shù)據(jù)進行離線區(qū)間折半擬合使其轉換為擬合多項式序列，即將 故障數(shù)據(jù)段分為若干個單峰區(qū)間，用二次多項式擬合單峰區(qū)間，則將故障數(shù)據(jù)段轉換為擬 合多項式序列：
[0035] y(t) = {yi,y2,. . .yN}^y(t)^{Qi(t),Q2(t),. . .Θν(?)}
[0036] 其中，y(t) = {yi,y2, . . .yN}為一系列等周期采樣數(shù)據(jù)點，t為采樣時間，yi,y2, ..^分別為若干個單峰區(qū)間對應的數(shù)據(jù)，(),川=允+辦+辦 2#[^4]為第1^個單峰區(qū) 間的二次擬合多項式。Κ=1，2，···，Ν;根據(jù)最小二乘法可求出Qk(t)的回歸系數(shù)/?.允.戌。 tki，tkf分別為第k個單峰區(qū)間的起始點與結束點；
[0037] 根據(jù)多項式的導數(shù)符號將多項式序列轉換為基元序列；即：
[0038] y(t)~{Qi(t)，Q2(t)，· · .QN(t)}-tr = {Ρι，Ρ2, · · ·Ρν}
[0039] 其中，Pi,P2, . . .Pn分別為各個多項式對應的基元。
[0040] 圖3和圖4展示了對于同一段數(shù)據(jù)的不同滑動窗口大小的部分擬合效果，顯然，從 圖中可以看出滑動窗口的長度對于擬合精度是有影響的，圖3中窗口長度為75,擬合出來的 原語為'C'，圖4中窗口長度為180,擬合出來的原語為'A'，顯然，后者的精度要比前者的精 度高，因此可以得出結論:滑動窗口大小不能太小，否則會影響擬合準確度，在保證效率的 前提上，應該盡可能的設定將窗口調大。在多次測試后得出，默認滑動窗口大小在待檢測數(shù) 據(jù)段長度的1/10左右較為適宜，這里默認滑動窗口大小選為100。
[0041 ]步驟三、確定下一個滑動窗口的起始點以及窗口長度:判斷上一個滑動窗口最后 一個基元是否為線性基元，若是則判斷其長度是否大于預設的線性基元長度臨界值，若大 于則下一個窗口的起始點為上一個窗口的結束點，否則將最后一個基元所對應的數(shù)據(jù)歸入 下一個窗口，即下一個窗口的起始點為上一個窗口最后一個基元的起始點；若最后一個基 元為非線性基元，則判斷其長度是否大于預設的最短基元長度值，若大于則下一個窗口的 起始點為上一個窗口的結束點，否則將最后一個基元所對應的數(shù)據(jù)歸入下一個窗口，即下 一個窗口的起始點為上一個窗口最后一個基元的起始點;若上一個窗口最后一個基元所對 應的數(shù)據(jù)歸入下一個窗口，則窗口長度=最后一個基元長度+默認滑動窗口大?。环駝t，窗 口長度=默認滑動窗口大??；
[0042] 當確定起始點以及窗口長度后，滑動窗口即確定；
[0043] 線性基元長度臨界值大于最短基元長度值。
[0044] 我們通過分析最后一個基元PN的信息，包括基元長度，基元的類型以及基元的起 始點，來決定下一個滑動窗口的起點。顯然，若該基元Pn長度太小，小于我們規(guī)定的最短基 元長度值(minNLP_len)，則可能由于數(shù)據(jù)長度太短，數(shù)據(jù)信息不足，導致真實基元被分割， 以至于出現(xiàn)較大誤差，因此將該基元的起始點作為下一個滑動窗口的起點，在下一個滑動 窗口內重新與新的數(shù)據(jù)再一次擬合;而如果最后一個基元是線性基元(A，C或者F)并且長度 小于線性基元長度臨界值(maxCFlen)，因為線性基元對于長度更加敏感，一個較長的基元 的局部都可能被擬合成線性基元，也可能會帶來較大誤差，因此也將之歸到下一個窗口內 進行再一次新的擬合；否則下一個窗口的起始點則正常的從上一個窗口的結束點開始計 算，然后不斷推進窗口重復上述過程直至整個故障樣本數(shù)據(jù)均轉換為原語序列。其中通過 設定初始的參數(shù)值，調整參數(shù)值可以改變該算法的效率和準確度。具體原理見附圖5的流程 圖。
[0045] 步驟四、將已確定的滑動窗口內的數(shù)據(jù)轉換為基元序列；
[0046] 步驟五、重復步驟三和步驟四直至故障數(shù)據(jù)段的數(shù)據(jù)全部轉換為基元序列，將所 述基元序列與規(guī)則知識庫中的多個故障特征基元序列進行模糊邏輯匹配，分別得出相似度 SI；
[0047] 采用上述趨勢提取、識別算法將傳感器數(shù)據(jù)轉換成基元序列后，需要將傳感器的 實時趨勢與知識庫中系統(tǒng)正常狀態(tài)下的特征趨勢相匹配，檢測系統(tǒng)是否發(fā)生故障;若檢測 出系統(tǒng)發(fā)生故障，則將實時趨勢與知識庫中各種典型故障下的特征趨勢相匹配，實時診斷 故障。此模糊推理算法是一個多變量推理算法，一般包含以下三個步驟:基元匹配;趨勢匹 配;過程狀態(tài)匹配。這里由于是單個傳感器，因此只討論前兩個匹配步驟。
[0048]基元匹配:趨勢是由基元序列組成的，首先要考慮基元間的相似度。其相似度見下 表：
[0050]趨勢匹配:每一組傳感器數(shù)據(jù)經(jīng)區(qū)間半分法提取識別趨勢后，都可轉換成由Μ個基 元組成的趨勢，趨勢匹配就是將實時趨勢與知識庫趨勢進行比較，求出他們之間的相似度。 令實時趨勢為：
[0051 ] =
[0052]其中，Tr為整段待檢測數(shù)據(jù)的基元序列人,.為基元Ρ,的采樣時間；分別為Pi 對應的數(shù)據(jù)區(qū)間的起始點與結束點；
[0053] 知識庫趨勢為：
[0054] Tr sft； ,.r；l
[0055] 其中，Tf為知識庫中故障的基元序列Λ;為基元Pf的采樣時間；K分別為碎對 應的數(shù)據(jù)區(qū)間的起始點與結束點；
[0056] -般情況下，Μ辛S。需把Tr和Tr*放在同一個時間軸tu上，ti、i丨把時間軸tu劃分成R 個區(qū)間，第i個區(qū)間為[tnW]。第i個區(qū)間長度為可從兩個方面估計趨勢 的相似度:基元的順序;基元的持續(xù)時間。通過模糊趨勢匹配方法，計算得到Tr和Tr#的相似 度SI。
[0057] 步驟六、如圖6,找出步驟五中所得的最高相似度SImax，并將其與預設的決策臨界 值進行比較，若SI max大于決策臨界值，則故障數(shù)據(jù)段的故障類型為SImax所對應的故障類型； 則將其在規(guī)則知識庫中對應的故障類型返回給操作員，并給出響應故障類型對應的行為警 告和提示;若SI max小于等于決策臨界值，則認定故障數(shù)據(jù)段的故障類型為新的故障;更新規(guī) 則知識庫，并通過手冊診斷后添加規(guī)則知識庫中其對應的故障碼。
[0058]在實驗中，我們通過在TEP化學過程中的仿真數(shù)據(jù)中選擇了5組較為明顯的故障樣 本數(shù)據(jù)，并以此建立了一個小型的規(guī)則知識庫，下面我們通過將每一個樣本的實時趨勢與 規(guī)則知識庫內的特征原語以此進行比較，來驗證該算法的故障診斷率。
[0059]故障診斷結果如下表所示：
[0062] 從表中可以看出，對于上述的每一種故障，都能在相應的相似度匹配中得到較高 的SI，而不同故障間的相似度匹配結果明顯較小。
[0063] 綜上所述，以上僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。 凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的 保護范圍之內。
【主權項】
1. 基于自適應滑動窗口算法與區(qū)間折半算法的故障檢測方法，其特征在于，包括以下 步驟： 步驟一、對一段待檢測的傳感器數(shù)據(jù)從數(shù)據(jù)起始點開始利用區(qū)間折半算法提取原語， 并判斷其原語是否為原語中的"A"，若否，則從原語不為"A"的數(shù)據(jù)段起始位置開始判定為 故障發(fā)生點，從故障發(fā)生點直至待檢測數(shù)據(jù)段的結束點為故障數(shù)據(jù)段;若待檢測數(shù)據(jù)段原 語為"A"，則進行下一段待檢測數(shù)據(jù)的檢測； 步驟二、從故障發(fā)生點開始，以待檢測數(shù)據(jù)長度的1/10作為默認滑動窗口大小，對第一 個滑動窗口區(qū)間內的數(shù)據(jù)進行離線區(qū)間折半擬合使所述數(shù)據(jù)轉換為擬合多項式序列，根據(jù) 多項式的導數(shù)符號將多項式序列轉換為基元序列； 步驟三、確定下一個滑動窗口的起始點以及窗口長度:判斷上一個滑動窗口最后一個 基元是否為線性基元，若是則判斷其長度是否大于預設的線性原語長度臨界值，若大于則 下一個窗口的起始點為上一個窗口的結束點，否則將最后一個基元所對應的數(shù)據(jù)歸入下一 個窗口；若最后一個基元為非線性基元，則判斷其長度是否大于預設的最短原語長度值，若 大于則下一個窗口的起始點為上一個窗口的結束點，否則將最后一個基元所對應的數(shù)據(jù)歸 入下一個窗口；若上一個窗口最后一個基元所對應的數(shù)據(jù)歸入下一個窗口，則窗口長度= 最后一個基元長度+默認滑動窗口大小;否則，窗口長度=默認滑動窗口大??； 步驟四、將已確定的滑動窗口內的數(shù)據(jù)轉換為基元序列； 步驟五、重復步驟三和步驟四直至故障數(shù)據(jù)段的數(shù)據(jù)全部轉換為基元序列，將所述基 元序列與規(guī)則知識庫中的多個故障特征基元序列進行模糊邏輯匹配，分別得出相似度SI; 步驟六、找出步驟五中所得的最高相似度SImax，并將其與預設的決策臨界值進行比較， 若SImax大于決策臨界值，則待檢測數(shù)據(jù)的故障類型為SImax所對應的故障類型;若SI max小于 等于決策臨界值，則認定待檢測數(shù)據(jù)的故障類型為新的故障。2. 如權利要求1所述的基于自適應滑動窗口算法與區(qū)間折半算法的故障檢測方法，其 特征在于，線性原語長度臨界值大于最短原語長度值。
【文檔編號】G06K9/62GK106096634SQ201610392752
【公開日】2016年11月9日
【申請日】2016年6月6日 公開號201610392752.6, CN 106096634 A, CN 106096634A, CN 201610392752, CN-A-106096634, CN106096634 A, CN106096634A, CN201610392752, CN201610392752.6
【發(fā)明人】鄧方, 劉暢, 顧曉丹, 孫健, 陳杰
【申請人】北京理工大學