專(zhuān)利名稱(chēng)：多參數(shù)自確認(rèn)傳感器及其狀態(tài)自確認(rèn)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及傳感器領(lǐng)域，具體涉及多參數(shù)自確認(rèn)傳感器及其狀態(tài)自確認(rèn)方法。
背景技術(shù)：
現(xiàn)在各種工業(yè)場(chǎng)合和設(shè)備中使用的傳感器數(shù)量和種類(lèi)越來(lái)越多，傳感器作 為信息獲取的源頭，其測(cè)量數(shù)據(jù)的準(zhǔn)確性對(duì)系統(tǒng)有至關(guān)重要的影響。
在很多應(yīng)用場(chǎng)合，往往需要同時(shí)檢測(cè)多個(gè)物理量，例如在礦井中經(jīng)常需要 同時(shí)監(jiān)測(cè)溫度、濕度和甲烷等，防止發(fā)生危險(xiǎn)，在潛艇等密閉環(huán)境中常需要監(jiān) 測(cè)溫度、濕度、風(fēng)速、 一氧化碳等，保證工作環(huán)境安全。
隨著技術(shù)的進(jìn)步，傳感器逐漸向多參數(shù)傳感器方向發(fā)展。將幾個(gè)敏感元件 集成在一起或在同一材料上制造幾個(gè)敏感元件，使一個(gè)傳感器可以同時(shí)檢測(cè)多 個(gè)物理量。隨著多參數(shù)傳感器測(cè)量的物理量的增加，傳感器的結(jié)構(gòu)也越來(lái)越復(fù) 雜，多參數(shù)傳感器較單一參數(shù)傳感器發(fā)生故障的概率更大，因此更對(duì)多參數(shù)傳 感器的自身狀態(tài)進(jìn)行評(píng)估，給出測(cè)量值的不確定度，并在發(fā)生故障時(shí)，判斷故 障類(lèi)型進(jìn)而實(shí)現(xiàn)數(shù)據(jù)重構(gòu)勢(shì)在必行。
但目前絕大部分系統(tǒng)缺乏對(duì)多參數(shù)傳感器本身的檢測(cè)， 一般都認(rèn)為傳感器 輸出數(shù)據(jù)是正確的?？墒且坏┒鄥?shù)傳感器發(fā)生故障，將會(huì)影響系統(tǒng)正常運(yùn)行 甚至產(chǎn)生重大損失，因此實(shí)時(shí)地了解多參數(shù)傳感器的工作狀態(tài)及數(shù)據(jù)的可信度 非常重要。

發(fā)明內(nèi)容
本發(fā)明為了解決現(xiàn)有多參數(shù)傳感器不能夠?qū)ψ陨頎顟B(tài)進(jìn)行評(píng)估的問(wèn)題，以 及發(fā)生故障時(shí)，不能判斷故障類(lèi)型、不能得到正確數(shù)據(jù)的缺點(diǎn)，而提出了一種 多參數(shù)自確認(rèn)傳感器及其狀態(tài)自確認(rèn)方法。
本發(fā)明的多參數(shù)自確認(rèn)傳感器由敏感單元、傳統(tǒng)分析處理單元、故障診斷 單元和生成輸出數(shù)據(jù)單元組成；敏感單元測(cè)量多個(gè)被測(cè)物理量，敏感單元的輸 出端分別連接傳統(tǒng)分析處理單元的輸入端和故障診斷單元的一個(gè)輸入端，故障 診斷單元的另兩個(gè)輸入端分別接收傳統(tǒng)分析處理單元和其他相關(guān)信息的信號(hào)
數(shù)據(jù)，故障診斷單元的輸出端連接生成輸出數(shù)據(jù)單元的輸入端，生成輸出數(shù)據(jù)
單元的輸出端輸出多種數(shù)據(jù)。
本發(fā)明的多參數(shù)自確認(rèn)傳感器的狀態(tài)自確認(rèn)方法步驟如下所示 步驟一通過(guò)其他相關(guān)信息通道向故障診斷單元輸入已知敏感單元工作狀
態(tài)的歷史數(shù)據(jù)，利用偏最小二乘法提取主成分，得到各種敏感單元的各種工作
狀態(tài)特征矩陣；
步驟二利用步驟一提取的各種敏感單元的各種工作狀態(tài)特征矩陣，訓(xùn)練 支持向量分類(lèi)機(jī)，得到支持向量分類(lèi)機(jī)的參數(shù)；
步驟三通過(guò)傳統(tǒng)分析處理單元再向故障診斷單元輸入實(shí)測(cè)數(shù)據(jù)，再利用 偏最小二乘法提取實(shí)測(cè)工作狀態(tài)特征矩陣，然后輸入步驟二中訓(xùn)練好的支持向 量分類(lèi)機(jī)進(jìn)行故障診斷，確認(rèn)敏感單元的狀態(tài)；如果敏感單元無(wú)故障，輸出正 常狀態(tài)；如果敏感單元發(fā)生故障，需要在故障診斷單元進(jìn)行數(shù)據(jù)重構(gòu)，進(jìn)入步 驟A;
步驟A:通過(guò)其他相關(guān)信息通道向故障診斷單元輸入敏感單元正常工作狀
態(tài)下的數(shù)據(jù)，通過(guò)偏最小二乘方法進(jìn)行主成分提取和交叉有效性分析，建立回
歸模型；
步驟B:利用發(fā)生故障前的敏感單元輸出數(shù)據(jù)，以及故障后敏感單元正常
部分的輸出數(shù)據(jù)，通過(guò)步驟A建立的回歸分析模型，預(yù)測(cè)敏感單元故障部分 的輸出；
步驟C:利用步驟B的預(yù)測(cè)數(shù)據(jù)，代替敏感單元故障部分的輸出，輸出確
認(rèn)后的測(cè)量值。
多參數(shù)傳感器比單一參數(shù)傳感器輸出更多的物理量測(cè)量值，其中一些物理 量之間通常存在著相關(guān)性，這些相關(guān)性是故障診斷和狀態(tài)確認(rèn)的重要條件。本 發(fā)明的目的在于解決多個(gè)傳感器的工作狀態(tài)和輸出數(shù)據(jù)不確定度在線評(píng)估問(wèn) 題，使系統(tǒng)能清晰了解傳感器的在線工作狀態(tài)和輸出數(shù)據(jù)的可信度，并在傳感 器發(fā)生故障時(shí)，能夠診斷出故障類(lèi)型，實(shí)現(xiàn)數(shù)據(jù)重構(gòu)。


圖1本發(fā)明的多參數(shù)自確認(rèn)傳感器結(jié)構(gòu)示意圖；圖2是本發(fā)明方法的流程
框圖；圖3是利用偏最小二乘法提取特征的原始訓(xùn)練集數(shù)據(jù)分布示意圖；圖4
是偏最小二乘法提取的數(shù)據(jù)特征數(shù)據(jù)分布示意圖；圖5是故障診斷測(cè)試輸入數(shù) 據(jù)集合數(shù)據(jù)分布示意圖；圖6是故障診斷結(jié)果數(shù)據(jù)分布示意圖；圖3至圖6 中+為正常數(shù)據(jù)，O為開(kāi)路數(shù)據(jù)，眾為短路數(shù)據(jù)；圖7是偏最小二乘回歸分析 對(duì)比曲線圖；圖8是偏最小二乘回歸分析相對(duì)誤差曲線圖；圖9是甲烷敏感元 件加熱絲開(kāi)路故障偏最小二乘回歸分析重構(gòu)曲線；圖IO是甲垸敏感元件加熱
絲短路故障偏最小二乘回歸分析重構(gòu)曲線。
具體實(shí)施例方式
具體實(shí)施方式
一結(jié)合圖1說(shuō)明本實(shí)施方式，本實(shí)施方式由敏感單元1、 傳統(tǒng)分析處理單元2、故障診斷單元3和生成輸出數(shù)據(jù)單元4組成；敏感單元 1測(cè)量多個(gè)被測(cè)物理量，敏感單元1的輸出端分別連接傳統(tǒng)分析處理單元2的
輸入端和故障診斷單元3的一個(gè)輸入端，故障診斷單元3的另兩個(gè)輸入端分別 接收傳統(tǒng)分析處理單元2和其他相關(guān)信息的信號(hào)數(shù)據(jù)，故障診斷單元3的輸出 端連接生成輸出數(shù)據(jù)單元4的輸入端，生成輸出數(shù)據(jù)單元4的輸出端輸出多種 數(shù)據(jù)。
敏感單元1是將測(cè)量多個(gè)參數(shù)的敏感元件封裝在一個(gè)傳感器中，可以同時(shí) 感應(yīng)這多個(gè)物理量的變化的測(cè)量單元。
傳統(tǒng)分析處理單元2主要是對(duì)敏感元件輸出的信號(hào)進(jìn)行放大、濾波等初步 的處理。
故障診斷單元3是根據(jù)敏感單元1給出的多個(gè)輸出，以及他們之間的相關(guān) 關(guān)系對(duì)敏感單元1的狀態(tài)進(jìn)行評(píng)估，確認(rèn)敏感單元1的工作狀態(tài)，故障診斷方 法采用偏最小二乘法和支持向量機(jī)方法。
生成輸出數(shù)據(jù)單元4輸出故障診斷單元的結(jié)果，進(jìn)一步對(duì)多參數(shù)傳感器的 輸出進(jìn)行處理，得到確認(rèn)的測(cè)量值、測(cè)量值不確定度、測(cè)量值狀態(tài)、原始數(shù)據(jù) 和故障類(lèi)型這幾種輸出信息，其中不確定度是對(duì)當(dāng)前傳感器輸出值準(zhǔn)確度的一 個(gè)定量的表征，目前在故障狀態(tài)下，確認(rèn)的不確定度一般是在傳感器正常輸出 信號(hào)的基礎(chǔ)上，根據(jù)經(jīng)驗(yàn)增加一個(gè)加性不確定度來(lái)實(shí)現(xiàn)。如果敏感單元1發(fā)生 故障，需要進(jìn)行數(shù)據(jù)重構(gòu)，在發(fā)生故障后代替故障輸出，數(shù)據(jù)重構(gòu)的方法采用 偏最小二乘回歸分析方法。
故障診斷單元3和生成輸出數(shù)據(jù)單元4為采用北京合眾達(dá)電子技術(shù)有限責(zé)
任公司研制的基于TMS320F28335的高性能電機(jī)控制嵌入式DSP開(kāi)發(fā)板中的 模塊。
具體實(shí)施方式
二結(jié)合圖2說(shuō)明本實(shí)施方式，本實(shí)施方式的步驟如下
步驟一通過(guò)其他相關(guān)信息通道向故障診斷單元3輸入己知敏感單元1
工作狀態(tài)的歷史數(shù)據(jù)，利用偏最小二乘法提取主成分，得到各種敏感單元1
的各種工作狀態(tài)特征矩陣；
步驟二利用步驟一提取的各種敏感單元1的各種工作狀態(tài)特征矩陣，訓(xùn) 練支持向量分類(lèi)機(jī)，得到支持向量分類(lèi)機(jī)的參數(shù)；
步驟三通過(guò)傳統(tǒng)分析處理單元2再向故障診斷單元3輸入實(shí)測(cè)數(shù)據(jù)，再
利用偏最小二乘法提取實(shí)測(cè)工作狀態(tài)特征矩陣，然后輸入步驟二中訓(xùn)練好的支
持向量分類(lèi)機(jī)進(jìn)行故障診斷，確認(rèn)敏感單元1的狀態(tài)；如果敏感單元1無(wú)故障， 輸出正常狀態(tài)；如果敏感單元l發(fā)生故障，需要在故障診斷單元3進(jìn)行數(shù)據(jù)重 構(gòu)，進(jìn)入步驟A;
步驟A:通過(guò)其他相關(guān)信息通道向故障診斷單元3輸入敏感單元1正常工
作狀態(tài)下的數(shù)據(jù)，通過(guò)偏最小二乘方法進(jìn)行主成分提取和交叉有效性分析，建
立回歸模型；
步驟B:利用發(fā)生故障前的敏感單元1輸出數(shù)據(jù)，以及故障后敏感單元l 正常部分的輸出數(shù)據(jù)，通過(guò)步驟A建立的回歸分析模型，預(yù)測(cè)敏感單元1故 障部分的輸出；
步驟C:利用步驟B的預(yù)測(cè)數(shù)據(jù)，代替敏感單元l故障部分的輸出，輸出 確認(rèn)后的測(cè)量值。
具體實(shí)施方式
三本實(shí)施方式與具體實(shí)施方式
一不同點(diǎn)在于步驟一，首 先，將第1參數(shù)和第《參數(shù)數(shù)據(jù)定義為自變量集《叫，將第《+7參數(shù)和第m 參數(shù)數(shù)據(jù)定義為數(shù)據(jù)集乙(M)，"為樣本點(diǎn)數(shù)，對(duì)^^和r^利用下公式(i)進(jìn)行
標(biāo)準(zhǔn)化處理，得到相應(yīng)的X X9數(shù)據(jù)集￡。和相應(yīng)的數(shù)據(jù)集F。 (/= 1,2, ,",;/= 1 ，2，…，m)
<formula>formula see original document page 7</formula> (1)
即每一列數(shù)據(jù)都剪去該列的均值，然后除以該列的方差，使該列的數(shù)據(jù)均
值為零，方差為l，消除量綱對(duì)數(shù)據(jù)的影響；
根據(jù)公式(2)計(jì)算數(shù)據(jù)集^的第一主成分A :<formula>formula see original document page 8</formula>
其中w1是對(duì)應(yīng)于《F。《五。矩陣最大特征值的單位特征向量； 根據(jù)公式(3)計(jì)算數(shù)據(jù)集F。的第一主成分 t1 :
<formula>formula see original document page 8</formula> 其中c,是對(duì)應(yīng)于矩陣《A《F。最大特征值的單位特征向量； 將A與Z,合并得到特征矩陣M,，作為表示該狀態(tài)的特征矩陣； 分別對(duì)多種狀態(tài)下的數(shù)據(jù)集重復(fù)上述過(guò)程，得到敏感單元1各種工作狀態(tài) 特征矩陣M。 M2 Mm。其它步驟與具體實(shí)施方式
一相同。
具體實(shí)施方式
四本實(shí)施方式與具體實(shí)施方式
一不同點(diǎn)在于步驟二，利 用支持向量分類(lèi)機(jī)進(jìn)行的多分類(lèi)問(wèn)題，由于支持向量機(jī)是針對(duì)二分類(lèi)問(wèn)題提出 的，因此步驟二將多分類(lèi)問(wèn)題轉(zhuǎn)化為二分類(lèi)問(wèn)題，二分類(lèi)決策函數(shù)如下
<formula>formula see original document page 8</formula>
其中，a,為拉格朗日乘子，《(x,二)為核函數(shù)，Wgn為符號(hào)函數(shù)，/為支持向量 數(shù)目，6'為分類(lèi)閾值。核函數(shù)的選擇直接關(guān)系到分類(lèi)的效果，本發(fā)明中選擇高 斯徑向基核函數(shù)(RBF， Radial BasisFunction)，無(wú)論是低維、高維、小樣本、 大樣本等情況，RBF核函數(shù)均適用，具有較寬的收斂域，是較為理想的分類(lèi)依 據(jù)函數(shù)
<formula>formula see original document page 8</formula>
支持向量分類(lèi)機(jī)的訓(xùn)練樣本采用的是步驟一得到的特征矩陣M, 、 M2 Mm ， 得到支持向量分類(lèi)機(jī)的參數(shù)。其它步驟與具體實(shí)施方式
一相同。
本發(fā)明內(nèi)容不僅限于上述各實(shí)施方式的內(nèi)容，其中一個(gè)或幾個(gè)具體實(shí)施方 式的組合同樣也可以實(shí)現(xiàn)發(fā)明的目的。
具體實(shí)施方式
五結(jié)合圖3至圖10說(shuō)明本實(shí)施方式，本實(shí)施方式以測(cè)量 溫度、濕度和甲垸濃度三種參數(shù)為例介紹故障診斷過(guò)程，測(cè)量一密閉容器中的 溫度、濕度、和甲垸氣體濃度。
由于溫度和濕度敏感元件穩(wěn)定性好，不易發(fā)生故障，測(cè)量甲烷的敏感元件 容易發(fā)生故障，且常見(jiàn)是由于氣敏元件工作在高溫狀態(tài)，加熱絲斷裂，引起電
路的開(kāi)路、短路(加熱絲脫落在加熱電極)，在很多環(huán)境中，甲烷氣體都是一種 很危險(xiǎn)的氣體，因此對(duì)它的故障診斷和數(shù)據(jù)重構(gòu)具有重要意義。
本實(shí)施方式就以測(cè)量甲烷的敏感元件發(fā)生開(kāi)路或短路故障，其他敏感元件 正常為例，介紹自確認(rèn)故障診斷的過(guò)程。
實(shí)驗(yàn)環(huán)境溫度范圍2(TC-4(TC，相對(duì)濕度范圍10%-60%。實(shí)驗(yàn)時(shí)測(cè)量3個(gè) 參數(shù)(物理量)，即溫度、濕度、和甲垸氣體濃度，得到實(shí)驗(yàn)數(shù)據(jù)，對(duì)進(jìn)行故障 診斷和數(shù)據(jù)重構(gòu)，具體的步驟如下
步驟一輸入已知敏感單元l工作狀態(tài)的歷史數(shù)據(jù)，利用偏最小二乘法提
取主成分，首先，將溫度和濕度數(shù)據(jù)定義為自變量集x吣，將甲垸氣體數(shù)據(jù)定
義為數(shù)據(jù)集J^，甲烷氣體信號(hào)采用電壓表示，"為樣本點(diǎn)數(shù)，對(duì)義M和L利
用下公式(l)進(jìn)行標(biāo)準(zhǔn)化處理，得到變量集x^相應(yīng)的數(shù)據(jù)集^和變量集^,相
應(yīng)的數(shù)據(jù)集F。
(/ = 1,2,...，";_/ = 1,2)
即每一列數(shù)據(jù)都剪去該列的均值，然后除以該列的方差，使該列的數(shù)據(jù)均值為 零，方差為l，消除量綱對(duì)數(shù)據(jù)的影響。 根據(jù)公式(2)計(jì)算￡。的第一主成分^ :
6 =五(A (2) 其中M是對(duì)應(yīng)于《F?！段?。矩陣最大特征值的單位特征向量。 根據(jù)公式(3)計(jì)算F。的第一主成分^ :
w, = (3)
其中Cl是對(duì)應(yīng)于矩陣《A《F。最大特征值的單位特征向量。 將",與A合并得到特征矩陣M,，作為表示該狀態(tài)的特征矩陣。 分別對(duì)甲烷敏感元件加熱絲正常、甲烷敏感元件加熱絲開(kāi)路、甲烷敏感元 件加熱絲短路三種狀態(tài)下的數(shù)據(jù)集重復(fù)上述過(guò)程，得到特征矩陣^ 、 M,和i^。 實(shí)驗(yàn)結(jié)果表明，利用第一主成分矩陣就可以得到良好的分類(lèi)結(jié)果，因此，沒(méi)有 進(jìn)行第二主成分的提取。圖3為利用偏最小二乘法提取特征的原始訓(xùn)練集，圖 4為偏最小二乘法提取的數(shù)據(jù)特征，正常狀態(tài)特征編碼為l，開(kāi)路狀態(tài)特征編 碼為2，短路狀態(tài)特征編碼為3;
步驟二利用步驟一提取的狀態(tài)特征矩陣M,、 M2和M3，訓(xùn)練支持向量分 類(lèi)機(jī)進(jìn)行的二分類(lèi)問(wèn)題，決策函數(shù)如下
/ 0) = + (4)
其中，",為拉格朗日乘子，Wg"^T符號(hào)函數(shù)，/為支持向量數(shù)目，6'為分類(lèi)閾值， 〖C^，x》為核函數(shù)
i:O,xJ-exp(-|x-xj2/2o"2) (5) 本實(shí)施方式中的三分類(lèi)問(wèn)題是先將甲垸敏感元件加熱絲正常作為一類(lèi)，甲 垸敏感元件加熱絲開(kāi)路、甲垸敏感元件加熱絲短路作為一類(lèi)首先進(jìn)行二分類(lèi)， 然后再對(duì)甲垸敏感元件加熱絲開(kāi)路、甲烷敏感元件加熱絲短路兩種狀態(tài)進(jìn)行二 分類(lèi)，最終將三分類(lèi)問(wèn)題轉(zhuǎn)化為二分類(lèi)問(wèn)題的。支持向量分類(lèi)機(jī)的訓(xùn)練樣本采 用的是步驟一得到的敏感單元1各種工作狀態(tài)特征矩陣M。 MjnM3，其對(duì)應(yīng) 的特征編碼為1 ， 2 ， 3 ，即支持向量分類(lèi)機(jī)的訓(xùn)練目標(biāo)集是 OnL ^",W2iL附2",w^L W3 ]lx3 ，其中mj!L m^的值全為1， w21L w2 的值全為 2， w31L ^"的值全為3;圖5為敏感單元1故障診斷測(cè)試輸入數(shù)據(jù)集合，測(cè) 試集合中共有正常、開(kāi)路和短路三種數(shù)據(jù)；圖6為測(cè)試數(shù)據(jù)經(jīng)故障特征提取 和支持向量分類(lèi)機(jī)分類(lèi)后的結(jié)果；圖6表明，多參數(shù)自確認(rèn)傳感器故障診斷結(jié) 果為100%;
步驟三輸入放大、濾波后的實(shí)測(cè)數(shù)據(jù)信號(hào)，在利用偏最小二乘法提取敏 感單元1各種實(shí)測(cè)工作狀態(tài)特征矩陣，然后輸入步驟二中訓(xùn)練得到的支持向量 分類(lèi)機(jī)，對(duì)敏感單元1進(jìn)行故障診斷，確認(rèn)敏感單元1的狀態(tài)，如果敏感單元 l發(fā)生故障，需要進(jìn)行數(shù)據(jù)重構(gòu)，在發(fā)生故障后代替故障輸出，數(shù)據(jù)重構(gòu)的方 法采用偏最小二乘回歸分析方法，其特征在于數(shù)據(jù)重構(gòu)方法步驟如下
當(dāng)測(cè)量甲垸氣體的敏感元件發(fā)生故障時(shí)，利用偏最小二乘法回歸分析方法 進(jìn)行數(shù)據(jù)重構(gòu)，具體步驟如下
步驟A:首先，輸入正常工作狀態(tài)下的數(shù)據(jù)，將溫度和濕度數(shù)據(jù)定義為自 變量集^2，"為樣本點(diǎn)數(shù)，將甲烷氣體數(shù)據(jù)定義為數(shù)據(jù)集i^，甲垸氣體采用 差分電導(dǎo)表示y = ^^，其中&為甲垸敏感元件在甲垸氣體中的電導(dǎo)，g。 為甲垸敏感元件在空氣4>的電導(dǎo)。對(duì)J和丄利用下公式(1)進(jìn)行標(biāo)準(zhǔn)化處理，得 到相應(yīng)的數(shù)據(jù)集M。和S。，由于此處是對(duì)單變量的偏最小二乘回歸，S。(S。eiH
此時(shí):
E。的第一主成分:
<formula>formula see original document page 11</formula>
只是一維變量，又hll-l且^是標(biāo)量，所以61=1，即有S。第一主成分:
(6)
(7)
(8)
(9) (10)
<formula>formula see original document page 11</formula>
則E。在f,上的回歸以及F。在F0和t1上的回歸 式中q1和e1為回歸系數(shù)，
M1和s1為殘差矩陣
M,M。<formula>formula see original document page 11</formula> (11)
(12)
然后，進(jìn)行偏最小二乘回歸的第二遍，以M,取代M。，以S取代S。，用同樣的 方法重復(fù)第一遍的工作，依次類(lèi)推偏最小二乘回歸的第三遍，……，達(dá)到規(guī)定 次數(shù)，最后，可以利用交叉有效性分析確定迭代次數(shù)，也可以根據(jù)回歸相對(duì)誤 差來(lái)確定迭代次數(shù)，建立完成回歸模型；從圖7可以看出，偏最小二乘法回歸 分析在兩次迭代后，相對(duì)誤差在3%以下；
步驟B:利用發(fā)生故障前的敏感單元l輸出數(shù)據(jù)，以及故障后敏感單元l 正常部分的輸出數(shù)據(jù)，通過(guò)步驟A建立的回歸分析模型，預(yù)測(cè)敏感單元l故 障部分的輸出；
步驟C:利用步驟B的預(yù)測(cè)數(shù)據(jù)，代替敏感單元l故障部分的輸出，輸出 確認(rèn)后的測(cè)量值，實(shí)現(xiàn)數(shù)據(jù)重構(gòu)功能。圖9和圖10所示。
本實(shí)施方式實(shí)現(xiàn)了測(cè)量溫度、濕度和甲烷氣體濃度三種物理量的敏感單元 l參數(shù)，實(shí)驗(yàn)表明在包括敏感單元l故障時(shí)刻在內(nèi)的每個(gè)測(cè)量時(shí)刻，它不僅能 夠輸出測(cè)量值，同時(shí)能夠?qū)υ摐y(cè)量值的準(zhǔn)確度給出定量的評(píng)價(jià)，輸出更加豐富 的可供決策參考的信息，包括確認(rèn)的測(cè)量值，各測(cè)量值的不確定度，測(cè)量值狀 態(tài)，原始數(shù)據(jù)和故障類(lèi)型，豐富了敏感單元l的輸出信息，提高了敏感單元l 的可靠性。
權(quán)利要求
1、多參數(shù)自確認(rèn)傳感器，其特征在于它由敏感單元(1)、傳統(tǒng)分析處理單元(2)、故障診斷單元(3)和生成輸出數(shù)據(jù)單元(4)組成；敏感單元(1)測(cè)量多個(gè)被測(cè)物理量，敏感單元(1)的輸出端分別連接傳統(tǒng)分析處理單元(2)的輸入端和故障診斷單元(3)的一個(gè)輸入端，故障診斷單元(3)的另兩個(gè)輸入端分別接收傳統(tǒng)分析處理單元(2)和其他相關(guān)信息的信號(hào)數(shù)據(jù)，故障診斷單元(3)的輸出端連接生成輸出數(shù)據(jù)單元(4)的輸入端，生成輸出數(shù)據(jù)單元(4)的輸出端輸出多種數(shù)據(jù)。
2、 多參數(shù)自確認(rèn)傳感器的狀態(tài)自確認(rèn)方法，其特征在于它的步驟如下步驟一通過(guò)其他相關(guān)信息通道向故障診斷單元(3)輸入已知敏感單元(1)工作狀態(tài)的歷史數(shù)據(jù)，利用偏最小二乘法提取主成分，得到各種敏感單元(l)的各種工作狀態(tài)特征矩陣；步驟二利用步驟一提取的各種敏感單元(l)的各種工作狀態(tài)特征矩陣， 訓(xùn)練支持向量分類(lèi)機(jī)，得到支持向量分類(lèi)機(jī)的參數(shù)；步驟三通過(guò)傳統(tǒng)分析處理單元(2)再向故障診斷單元(3)輸入實(shí)測(cè)數(shù)據(jù)，再利用偏最小二乘法提取實(shí)測(cè)工作狀態(tài)特征矩陣，然后輸入步驟二中訓(xùn)練好的支持向量分類(lèi)機(jī)進(jìn)行故障診斷，確認(rèn)敏感單元(l)的狀態(tài)；如果敏感單元(l)無(wú) 故障，輸出正常狀態(tài)；如果敏感單元(l)發(fā)生故障，需要在故障診斷單元(3)進(jìn) 行數(shù)據(jù)重構(gòu)，進(jìn)入步驟A;步驟A:通過(guò)其他相關(guān)信息通道向故障診斷單元(3)輸入敏感單元(1)正常 工作狀態(tài)下的數(shù)據(jù)，通過(guò)偏最小二乘方法進(jìn)行主成分提取和交叉有效性分析， 建立回歸模型；步驟B:利用發(fā)生故障前的敏感單元(l)輸出數(shù)據(jù)，以及故障后敏感單元(l) 正常部分的輸出數(shù)據(jù)，通過(guò)步驟A建立的回歸分析模型，預(yù)測(cè)敏感單元(l)故 障部分的輸出；步驟C:利用步驟B的預(yù)測(cè)數(shù)據(jù)，代替敏感單元(l)故障部分的輸出，輸 出確認(rèn)后的測(cè)量值。
3、 根據(jù)權(quán)利要求2所述的多參數(shù)自確認(rèn)傳感器的狀態(tài)自確認(rèn)方法，其特 征在于步驟一，首先，將第l參數(shù)和第g參數(shù)數(shù)據(jù)定義為自變量集X^，將第 《+7參數(shù)和第w參數(shù)數(shù)據(jù)定義為數(shù)據(jù)集i;—1)，"為樣本點(diǎn)數(shù)，對(duì)Z^和1^利 用下公式(l)進(jìn)行標(biāo)準(zhǔn)化處理，得到相應(yīng)的X,數(shù)據(jù)集&和相應(yīng)的4("數(shù)據(jù)集 F0: (,= l，2，..""，:/=l，2，...,w)即每一列數(shù)據(jù)都剪去該列的均值，然后除以該列的方差，使該列的數(shù)據(jù)均值為零，方差為l，消除量綱對(duì)數(shù)據(jù)的影響； 根據(jù)公式(2)計(jì)算數(shù)據(jù)集^的第一主成分r':A =五oM (2) 其中q是對(duì)應(yīng)于《F。《五。矩陣最大特征值的單位特征向量； 根據(jù)公式(3)計(jì)算數(shù)據(jù)集《的第一主成分^ :"！=尸A (3) 其中Cl是對(duì)應(yīng)于矩陣《￡?！禙。最大特征值的單位特征向量； 將^與^合并得到特征矩陣M,，作為表示該狀態(tài)的特征矩陣； 分別對(duì)多種狀態(tài)下的數(shù)據(jù)集重復(fù)上述過(guò)程，得到敏感單元(l)各種工作狀態(tài)特征矩陣碼、M2."Mm。
4、根據(jù)權(quán)利要求2所述的多參數(shù)自確認(rèn)傳感器的狀態(tài)自確認(rèn)方法，其特征在于步驟二，利用支持向量分類(lèi)機(jī)進(jìn)行的多分類(lèi)問(wèn)題，由于支持向量機(jī)是針對(duì)二分類(lèi)問(wèn)題提出的，因此步驟二將多分類(lèi)問(wèn)題轉(zhuǎn)化為二分類(lèi)問(wèn)題，二分類(lèi)決策函數(shù)如下/(x)=牟[Z ， X》+ 6* ] (4)其中，",.為拉格朗日乘子，《(^x^為核函數(shù)，Wgw為符號(hào)函數(shù)，/為支持向量數(shù)目，6'為分類(lèi)閾值。核函數(shù)的選擇直接關(guān)系到分類(lèi)的效果，本發(fā)明中選擇高斯徑向基核函數(shù)(RBF， Radial BasisFunction)，無(wú)論是低維、高維、小樣本、 大樣本等情況，RBF核函數(shù)均適用，具有較寬的收斂域，是較為理想的分類(lèi)依據(jù)函數(shù)《(x,x》exp(-l卜-xj2/2o"2) (5)支持向量分類(lèi)機(jī)的訓(xùn)練樣本采用的是步驟一得到的特征矩陣M,、 M,… Mm，得到支持向量分類(lèi)機(jī)的參數(shù)。
全文摘要
多參數(shù)自確認(rèn)傳感器及其狀態(tài)自確認(rèn)方法，它涉及傳感器領(lǐng)域，它解決了現(xiàn)有多參數(shù)傳感器不能夠?qū)ψ陨頎顟B(tài)進(jìn)行評(píng)估的問(wèn)題，以及發(fā)生故障時(shí)，不能判斷故障類(lèi)型、不能得到正確數(shù)據(jù)的缺點(diǎn)。本發(fā)明是將多個(gè)被測(cè)物理量經(jīng)敏感元件和傳統(tǒng)的分析處理單元得到原始數(shù)據(jù)，這些原始測(cè)量數(shù)據(jù)經(jīng)故障診斷單元后，再經(jīng)輸出數(shù)據(jù)生成單元得到更加豐富的輸出信息。多參數(shù)傳感器比單一參數(shù)傳感器輸出更多的物理量測(cè)量值，其中一些物理量之間通常存在著相關(guān)性，這些相關(guān)性是故障診斷和狀態(tài)確認(rèn)的重要條件。本發(fā)明能夠在線評(píng)估工作狀態(tài)和輸出數(shù)據(jù)不確定度，使系統(tǒng)能清晰了解傳感器的在線工作狀態(tài)和輸出數(shù)據(jù)的可信度，并在發(fā)生故障時(shí)，能夠診斷出故障類(lèi)型，實(shí)現(xiàn)數(shù)據(jù)重構(gòu)。
文檔編號(hào)G06K9/62GK101382439SQ20081013740
公開(kāi)日2009年3月11日 申請(qǐng)日期2008年10月27日 優(yōu)先權(quán)日2008年10月27日
發(fā)明者丁明理, 馮志剛, 凱 宋, 祁 王, 趙樹(shù)延 申請(qǐng)人:哈爾濱工業(yè)大學(xué)