基于自適應(yīng)滑動(dòng)窗口算法與區(qū)間折半算法的故障檢測(cè)方法
【專利摘要】本發(fā)明公開了基于自適應(yīng)滑動(dòng)窗口算法與區(qū)間折半算法的故障檢測(cè)方法，該方法采用區(qū)間折半法提取識(shí)別趨勢(shì)，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(diǎn)以及結(jié)束點(diǎn)，自適應(yīng)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(shì)匹配算法將實(shí)時(shí)趨勢(shì)與規(guī)則知識(shí)庫(kù)中的各種典型故障的特征趨勢(shì)相匹配，實(shí)時(shí)診斷系統(tǒng)故障；本發(fā)明能夠提高傳感器故障辨識(shí)的準(zhǔn)確性和實(shí)時(shí)性。
【專利說明】
基于自適應(yīng)滑動(dòng)窗口算法與區(qū)間折半算法的故障檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于智能信息處理的技術(shù)領(lǐng)域，具體涉及一種基于自適應(yīng)滑動(dòng)窗口算法與 區(qū)間折半算法的故障檢測(cè)方法。
【背景技術(shù)】
[0002] 傳感器（英文名稱：transducer/sensor)是一種檢測(cè)裝置，能感受到被測(cè)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(hào)或其他所需形式的信息輸出，以滿足 信息的傳輸、處理、存儲(chǔ)、顯示、記錄和控制等要求，廣泛應(yīng)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(cè)量結(jié)果的準(zhǔn)確性直接影響系統(tǒng)的運(yùn)行。同時(shí)大多數(shù)傳感器的 工作環(huán)境都比較惡劣，因此它們?cè)谑褂眠^程中不可避免的經(jīng)常會(huì)因?yàn)榉N種原因發(fā)生故障。 一旦傳感器故障被系統(tǒng)檢測(cè)出，需要針對(duì)不同故障類型進(jìn)行一定的在線或離線的故障補(bǔ) 償，因此，對(duì)傳感器故障進(jìn)行辨識(shí)就顯得尤為重要。
[0003] 對(duì)傳感器進(jìn)行故障辨識(shí)屬于模式識(shí)別問題，其中主要包括特征提取和模式分類兩 個(gè)部分。特征的選擇與提取是模式分類的基礎(chǔ)，特征信息的提取效率則直接影響了后續(xù)學(xué) 習(xí)和識(shí)別結(jié)果的準(zhǔn)確率。由于非線性系統(tǒng)具有復(fù)雜性及建模方法的局限性等特點(diǎn)，因此對(duì) 于非線性系統(tǒng)故障診斷的研究結(jié)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(xué)模型。而現(xiàn)代控制系統(tǒng)通常具有高維、非線 性、強(qiáng)耦合、隨機(jī)噪聲和輸入時(shí)延等特點(diǎn)，很難建立精確的數(shù)學(xué)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(xué)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(luò)的方法、基于模糊邏輯的方法、基于統(tǒng)計(jì)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(xué)模型的故障檢測(cè)方 法之一，定性趨勢(shì)分析就是一種基于數(shù)據(jù)驅(qū)動(dòng)的分析方法，具有只要求有過程數(shù)據(jù)就可實(shí) 現(xiàn)對(duì)過程的監(jiān)測(cè)的優(yōu)點(diǎn)。這一特點(diǎn)在實(shí)際應(yīng)用中有著非常重要的意義，因?yàn)樵谀承┕I(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(xué)模型的方法還很容易利用 操作經(jīng)驗(yàn)、工藝知識(shí)、理事故障記錄等信息，而這些信息的正確利用往往會(huì)起到事半功倍的 作用。然而傳統(tǒng)的定性趨勢(shì)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(yīng)、算 法復(fù)雜、依賴人為設(shè)置閾值等。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本發(fā)明提供了一種基于自適應(yīng)滑動(dòng)窗口算法與區(qū)間折半算法的故障檢 測(cè)方法，能夠提高傳感器故障辨識(shí)的準(zhǔn)確性和實(shí)時(shí)性。
[0006] 實(shí)現(xiàn)本發(fā)明的技術(shù)方案如下：
[0007] -種基于自適應(yīng)滑動(dòng)窗口算法與區(qū)間折半算法的故障檢測(cè)方法，包括以下步驟：
[0008] 步驟一、對(duì)一段待檢測(cè)的傳感器數(shù)據(jù)從數(shù)據(jù)起始點(diǎn)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(diǎn)，從故障發(fā)生點(diǎn)直至待檢測(cè)數(shù)據(jù)段的結(jié)束點(diǎn)為故障數(shù)據(jù)段;若待檢測(cè)數(shù)據(jù)段 原語為"A"，則進(jìn)行下一段待檢測(cè)數(shù)據(jù)的檢測(cè)；
[0009]步驟二、從故障發(fā)生點(diǎn)開始，以待檢測(cè)數(shù)據(jù)長(zhǎng)度的1/10作為默認(rèn)滑動(dòng)窗口大小，對(duì) 第一個(gè)滑動(dòng)窗口區(qū)間內(nèi)的數(shù)據(jù)進(jìn)行離線區(qū)間折半擬合使所述數(shù)據(jù)轉(zhuǎn)換為擬合多項(xiàng)式序列， 根據(jù)多項(xiàng)式的導(dǎo)數(shù)符號(hào)將多項(xiàng)式序列轉(zhuǎn)換為基元序列；
[0010]步驟三、確定下一個(gè)滑動(dòng)窗口的起始點(diǎn)以及窗口長(zhǎng)度：判斷上一個(gè)滑動(dòng)窗口最后 一個(gè)基元是否為線性基元，若是則判斷其長(zhǎng)度是否大于預(yù)設(shè)的線性原語長(zhǎng)度臨界值，若大 于則下一個(gè)窗口的起始點(diǎn)為上一個(gè)窗口的結(jié)束點(diǎn)，否則將最后一個(gè)基元所對(duì)應(yīng)的數(shù)據(jù)歸入 下一個(gè)窗口；若最后一個(gè)基元為非線性基元，則判斷其長(zhǎng)度是否大于預(yù)設(shè)的最短原語長(zhǎng)度 值，若大于則下一個(gè)窗口的起始點(diǎn)為上一個(gè)窗口的結(jié)束點(diǎn)，否則將最后一個(gè)基元所對(duì)應(yīng)的 數(shù)據(jù)歸入下一個(gè)窗口；若上一個(gè)窗口最后一個(gè)基元所對(duì)應(yīng)的數(shù)據(jù)歸入下一個(gè)窗口，則窗口 長(zhǎng)度=最后一個(gè)基元長(zhǎng)度+默認(rèn)滑動(dòng)窗口大小;否則，窗口長(zhǎng)度=默認(rèn)滑動(dòng)窗口大?。?br>[0011] 步驟四、將已確定的滑動(dòng)窗口內(nèi)的數(shù)據(jù)轉(zhuǎn)換為基元序列；
[0012] 步驟五、重復(fù)步驟三和步驟四直至故障數(shù)據(jù)段的數(shù)據(jù)全部轉(zhuǎn)換為基元序列，將所 述基元序列與規(guī)則知識(shí)庫(kù)中的多個(gè)故障特征基元序列進(jìn)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(yù)設(shè)的決策臨界值進(jìn)行 比較，若SImax大于決策臨界值，則待檢測(cè)數(shù)據(jù)的故障類型為SI max所對(duì)應(yīng)的故障類型;若SImax 小于等于決策臨界值，則認(rèn)定待檢測(cè)數(shù)據(jù)的故障類型為新的故障。
[0014] 進(jìn)一步地，線性原語長(zhǎng)度臨界值大于最短原語長(zhǎng)度值。
[0015] 有益效果：
[0016] 1、本發(fā)明提供了一種基于滑動(dòng)窗口算法與區(qū)間折半算法相結(jié)合的在線故障檢測(cè) 方法，能夠?qū)鞲衅髡ＤＪ脚c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(shì)提取的效率以及準(zhǔn)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(dòng)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(dòng)窗口大小為75的擬合效果圖。
[0021 ]圖4是滑動(dòng)窗口大小為180的擬合效果圖。
[0022] 圖5是本發(fā)明自適應(yīng)滑動(dòng)窗口算法流程圖。
[0023] 圖6是本發(fā)明基于定性趨勢(shì)分析的故障診斷構(gòu)架。
【具體實(shí)施方式】
[0024]下面結(jié)合附圖并舉實(shí)施例，對(duì)本發(fā)明進(jìn)行詳細(xì)描述。
[0025]本發(fā)明提供了一種基于自適應(yīng)滑動(dòng)窗口算法與區(qū)間折半算法的故障檢測(cè)方法，該 方法采用區(qū)間折半法提取識(shí)別趨勢(shì)，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(diǎn)以及結(jié)束點(diǎn)，自適應(yīng)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(shì)匹配算 法將實(shí)時(shí)趨勢(shì)與規(guī)則知識(shí)庫(kù)中的各種典型故障的特征趨勢(shì)相匹配，實(shí)時(shí)診斷系統(tǒng)故障。這 里采用的是田納西-伊斯曼化學(xué)過程中的部分?jǐn)?shù)據(jù)，田納西-伊斯曼過程(TEP)是美國(guó)田納 西州一家名為伊斯曼的化學(xué)品公司的兩位專家根據(jù)真實(shí)的化學(xué)工業(yè)生產(chǎn)過程創(chuàng)建的一個(gè) 基于多變量技術(shù)的化學(xué)工業(yè)過程仿真平臺(tái)。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(gè)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(xùn)練 集和測(cè)試集部分，其中訓(xùn)練集有480組數(shù)據(jù)，測(cè)試集有960組數(shù)據(jù)，整個(gè)TEP系統(tǒng)包括有52個(gè) 變量，由于我們研究的是單個(gè)傳感器數(shù)據(jù)的趨勢(shì)提取，因此這里采取其中部分已知發(fā)生了 故障的變量進(jìn)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(hào)特征不受幅值的影響，首先對(duì)信號(hào)進(jìn)行標(biāo)準(zhǔn)化處理：
[0028] 其中:Xij表不不同模式的傳感器輸出信號(hào)，E(Xij)為Xij的均值，\為Xij的標(biāo)準(zhǔn)差。
[0029] 如圖1所示，本發(fā)明包括以下步驟：
[0030] 步驟一、對(duì)一段待檢測(cè)的傳感器數(shù)據(jù)從數(shù)據(jù)起始點(diǎn)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(diǎn)，從故障發(fā)生點(diǎn)直至待檢測(cè)數(shù)據(jù)段的結(jié)束點(diǎn)為故障數(shù)據(jù)段;若待檢測(cè)數(shù)據(jù)段原語為A， 則進(jìn)行下一段待檢測(cè)數(shù)據(jù)的檢測(cè)；
[0031] 原語基本概念介紹：
[0032] 在定性趨勢(shì)描述語言里，定義了用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)符號(hào)表示的七種基元（即 基元），如圖2所示。圖中括號(hào)內(nèi)分別表示一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。
[0033] 在對(duì)于任意一組代表著趨勢(shì)的數(shù)據(jù)進(jìn)行區(qū)間折半(對(duì)于區(qū)間折半算法具體步驟這 里就不再做過多介紹)后，會(huì)得到一個(gè)階數(shù)最高為二階的趨勢(shì)片段。（1)若該片段為一階，則 對(duì)之進(jìn)行求一階導(dǎo)數(shù)后很容易根據(jù)圖2得到其對(duì)應(yīng)的基元；（2)若該片段為二階，則先求其 兩端點(diǎn)處的一階導(dǎo)數(shù)，如果兩端點(diǎn)處的一階導(dǎo)數(shù)同號(hào)，將其與零進(jìn)行比較后很容易根據(jù)圖2 得到對(duì)應(yīng)的基元；（3)如果兩端點(diǎn)處的一階導(dǎo)數(shù)異號(hào)，說明該區(qū)間不是單峰區(qū)間，需要再次 進(jìn)行分割，找到該片段一階導(dǎo)數(shù)為零的點(diǎn)將該區(qū)間再次分段，取其前半段重復(fù)進(jìn)行(2)中的 步驟得到基元。剩下的數(shù)據(jù)重復(fù)上述過程。最后得到由多個(gè)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(diǎn)開始，以待檢測(cè)數(shù)據(jù)段長(zhǎng)度的1/10作為默認(rèn)滑動(dòng)窗口大小， 對(duì)第一個(gè)滑動(dòng)窗口區(qū)間內(nèi)的數(shù)據(jù)進(jìn)行離線區(qū)間折半擬合使其轉(zhuǎn)換為擬合多項(xiàng)式序列，即將 故障數(shù)據(jù)段分為若干個(gè)單峰區(qū)間，用二次多項(xiàng)式擬合單峰區(qū)間，則將故障數(shù)據(jù)段轉(zhuǎn)換為擬 合多項(xiàng)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(diǎn)，t為采樣時(shí)間，yi,y2, ..^分別為若干個(gè)單峰區(qū)間對(duì)應(yīng)的數(shù)據(jù)，(),川=允+辦+辦 2#[^4]為第1^個(gè)單峰區(qū) 間的二次擬合多項(xiàng)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(gè)單峰區(qū)間的起始點(diǎn)與結(jié)束點(diǎn)；
[0037] 根據(jù)多項(xiàng)式的導(dǎo)數(shù)符號(hào)將多項(xiàng)式序列轉(zhuǎn)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(gè)多項(xiàng)式對(duì)應(yīng)的基元。
[0040] 圖3和圖4展示了對(duì)于同一段數(shù)據(jù)的不同滑動(dòng)窗口大小的部分?jǐn)M合效果，顯然，從 圖中可以看出滑動(dòng)窗口的長(zhǎng)度對(duì)于擬合精度是有影響的，圖3中窗口長(zhǎng)度為75,擬合出來的 原語為'C'，圖4中窗口長(zhǎng)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(jié)論:滑動(dòng)窗口大小不能太小，否則會(huì)影響擬合準(zhǔn)確度，在保證效率的 前提上，應(yīng)該盡可能的設(shè)定將窗口調(diào)大。在多次測(cè)試后得出，默認(rèn)滑動(dòng)窗口大小在待檢測(cè)數(shù) 據(jù)段長(zhǎng)度的1/10左右較為適宜，這里默認(rèn)滑動(dòng)窗口大小選為100。
[0041 ]步驟三、確定下一個(gè)滑動(dòng)窗口的起始點(diǎn)以及窗口長(zhǎng)度:判斷上一個(gè)滑動(dòng)窗口最后 一個(gè)基元是否為線性基元，若是則判斷其長(zhǎng)度是否大于預(yù)設(shè)的線性基元長(zhǎng)度臨界值，若大 于則下一個(gè)窗口的起始點(diǎn)為上一個(gè)窗口的結(jié)束點(diǎn)，否則將最后一個(gè)基元所對(duì)應(yīng)的數(shù)據(jù)歸入 下一個(gè)窗口，即下一個(gè)窗口的起始點(diǎn)為上一個(gè)窗口最后一個(gè)基元的起始點(diǎn)；若最后一個(gè)基 元為非線性基元，則判斷其長(zhǎng)度是否大于預(yù)設(shè)的最短基元長(zhǎng)度值，若大于則下一個(gè)窗口的 起始點(diǎn)為上一個(gè)窗口的結(jié)束點(diǎn)，否則將最后一個(gè)基元所對(duì)應(yīng)的數(shù)據(jù)歸入下一個(gè)窗口，即下 一個(gè)窗口的起始點(diǎn)為上一個(gè)窗口最后一個(gè)基元的起始點(diǎn);若上一個(gè)窗口最后一個(gè)基元所對(duì) 應(yīng)的數(shù)據(jù)歸入下一個(gè)窗口，則窗口長(zhǎng)度=最后一個(gè)基元長(zhǎng)度+默認(rèn)滑動(dòng)窗口大小；否則，窗 口長(zhǎng)度=默認(rèn)滑動(dòng)窗口大??；
[0042] 當(dāng)確定起始點(diǎn)以及窗口長(zhǎng)度后，滑動(dòng)窗口即確定；
[0043] 線性基元長(zhǎng)度臨界值大于最短基元長(zhǎng)度值。
[0044] 我們通過分析最后一個(gè)基元PN的信息，包括基元長(zhǎng)度，基元的類型以及基元的起 始點(diǎn)，來決定下一個(gè)滑動(dòng)窗口的起點(diǎn)。顯然，若該基元Pn長(zhǎng)度太小，小于我們規(guī)定的最短基 元長(zhǎng)度值(minNLP_len)，則可能由于數(shù)據(jù)長(zhǎng)度太短，數(shù)據(jù)信息不足，導(dǎo)致真實(shí)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(diǎn)作為下一個(gè)滑動(dòng)窗口的起點(diǎn)，在下一個(gè)滑動(dòng) 窗口內(nèi)重新與新的數(shù)據(jù)再一次擬合;而如果最后一個(gè)基元是線性基元(A，C或者F)并且長(zhǎng)度 小于線性基元長(zhǎng)度臨界值(maxCFlen)，因?yàn)榫€性基元對(duì)于長(zhǎng)度更加敏感，一個(gè)較長(zhǎng)的基元 的局部都可能被擬合成線性基元，也可能會(huì)帶來較大誤差，因此也將之歸到下一個(gè)窗口內(nèi) 進(jìn)行再一次新的擬合；否則下一個(gè)窗口的起始點(diǎn)則正常的從上一個(gè)窗口的結(jié)束點(diǎn)開始計(jì) 算，然后不斷推進(jìn)窗口重復(fù)上述過程直至整個(gè)故障樣本數(shù)據(jù)均轉(zhuǎn)換為原語序列。其中通過 設(shè)定初始的參數(shù)值，調(diào)整參數(shù)值可以改變?cè)撍惴ǖ男屎蜏?zhǔn)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(dòng)窗口內(nèi)的數(shù)據(jù)轉(zhuǎn)換為基元序列；
[0046] 步驟五、重復(fù)步驟三和步驟四直至故障數(shù)據(jù)段的數(shù)據(jù)全部轉(zhuǎn)換為基元序列，將所 述基元序列與規(guī)則知識(shí)庫(kù)中的多個(gè)故障特征基元序列進(jìn)行模糊邏輯匹配，分別得出相似度 SI；
[0047] 采用上述趨勢(shì)提取、識(shí)別算法將傳感器數(shù)據(jù)轉(zhuǎn)換成基元序列后，需要將傳感器的 實(shí)時(shí)趨勢(shì)與知識(shí)庫(kù)中系統(tǒng)正常狀態(tài)下的特征趨勢(shì)相匹配，檢測(cè)系統(tǒng)是否發(fā)生故障;若檢測(cè) 出系統(tǒng)發(fā)生故障，則將實(shí)時(shí)趨勢(shì)與知識(shí)庫(kù)中各種典型故障下的特征趨勢(shì)相匹配，實(shí)時(shí)診斷 故障。此模糊推理算法是一個(gè)多變量推理算法，一般包含以下三個(gè)步驟:基元匹配;趨勢(shì)匹 配;過程狀態(tài)匹配。這里由于是單個(gè)傳感器，因此只討論前兩個(gè)匹配步驟。
[0048]基元匹配:趨勢(shì)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(shì)匹配:每一組傳感器數(shù)據(jù)經(jīng)區(qū)間半分法提取識(shí)別趨勢(shì)后，都可轉(zhuǎn)換成由Μ個(gè)基 元組成的趨勢(shì)，趨勢(shì)匹配就是將實(shí)時(shí)趨勢(shì)與知識(shí)庫(kù)趨勢(shì)進(jìn)行比較，求出他們之間的相似度。 令實(shí)時(shí)趨勢(shì)為：
[0051 ] =
[0052]其中，Tr為整段待檢測(cè)數(shù)據(jù)的基元序列人,.為基元Ρ,的采樣時(shí)間；分別為Pi 對(duì)應(yīng)的數(shù)據(jù)區(qū)間的起始點(diǎn)與結(jié)束點(diǎn)；
[0053] 知識(shí)庫(kù)趨勢(shì)為：
[0054] Tr sft； ,.r；l
[0055] 其中，Tf為知識(shí)庫(kù)中故障的基元序列Λ;為基元Pf的采樣時(shí)間；K分別為碎對(duì) 應(yīng)的數(shù)據(jù)區(qū)間的起始點(diǎn)與結(jié)束點(diǎn)；
[0056] -般情況下，Μ辛S。需把Tr和Tr*放在同一個(gè)時(shí)間軸tu上，ti、i丨把時(shí)間軸tu劃分成R 個(gè)區(qū)間，第i個(gè)區(qū)間為[tnW]。第i個(gè)區(qū)間長(zhǎng)度為可從兩個(gè)方面估計(jì)趨勢(shì) 的相似度:基元的順序;基元的持續(xù)時(shí)間。通過模糊趨勢(shì)匹配方法，計(jì)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(yù)設(shè)的決策臨界 值進(jìn)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(duì)應(yīng)的故障類型； 則將其在規(guī)則知識(shí)庫(kù)中對(duì)應(yīng)的故障類型返回給操作員，并給出響應(yīng)故障類型對(duì)應(yīng)的行為警 告和提示;若SI max小于等于決策臨界值，則認(rèn)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(shí)庫(kù)，并通過手冊(cè)診斷后添加規(guī)則知識(shí)庫(kù)中其對(duì)應(yīng)的故障碼。
[0058]在實(shí)驗(yàn)中，我們通過在TEP化學(xué)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(gè)小型的規(guī)則知識(shí)庫(kù)，下面我們通過將每一個(gè)樣本的實(shí)時(shí)趨勢(shì)與 規(guī)則知識(shí)庫(kù)內(nèi)的特征原語以此進(jìn)行比較，來驗(yàn)證該算法的故障診斷率。
[0059]故障診斷結(jié)果如下表所示：
[0062] 從表中可以看出，對(duì)于上述的每一種故障，都能在相應(yīng)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(jié)果明顯較小。
[0063] 綜上所述，以上僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。 凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的 保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 基于自適應(yīng)滑動(dòng)窗口算法與區(qū)間折半算法的故障檢測(cè)方法，其特征在于，包括以下 步驟： 步驟一、對(duì)一段待檢測(cè)的傳感器數(shù)據(jù)從數(shù)據(jù)起始點(diǎn)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(diǎn)，從故障發(fā)生點(diǎn)直至待檢測(cè)數(shù)據(jù)段的結(jié)束點(diǎn)為故障數(shù)據(jù)段;若待檢測(cè)數(shù)據(jù)段原 語為"A"，則進(jìn)行下一段待檢測(cè)數(shù)據(jù)的檢測(cè)； 步驟二、從故障發(fā)生點(diǎn)開始，以待檢測(cè)數(shù)據(jù)長(zhǎng)度的1/10作為默認(rèn)滑動(dòng)窗口大小，對(duì)第一 個(gè)滑動(dòng)窗口區(qū)間內(nèi)的數(shù)據(jù)進(jìn)行離線區(qū)間折半擬合使所述數(shù)據(jù)轉(zhuǎn)換為擬合多項(xiàng)式序列，根據(jù) 多項(xiàng)式的導(dǎo)數(shù)符號(hào)將多項(xiàng)式序列轉(zhuǎn)換為基元序列； 步驟三、確定下一個(gè)滑動(dòng)窗口的起始點(diǎn)以及窗口長(zhǎng)度:判斷上一個(gè)滑動(dòng)窗口最后一個(gè) 基元是否為線性基元，若是則判斷其長(zhǎng)度是否大于預(yù)設(shè)的線性原語長(zhǎng)度臨界值，若大于則 下一個(gè)窗口的起始點(diǎn)為上一個(gè)窗口的結(jié)束點(diǎn)，否則將最后一個(gè)基元所對(duì)應(yīng)的數(shù)據(jù)歸入下一 個(gè)窗口；若最后一個(gè)基元為非線性基元，則判斷其長(zhǎng)度是否大于預(yù)設(shè)的最短原語長(zhǎng)度值，若 大于則下一個(gè)窗口的起始點(diǎn)為上一個(gè)窗口的結(jié)束點(diǎn)，否則將最后一個(gè)基元所對(duì)應(yīng)的數(shù)據(jù)歸 入下一個(gè)窗口；若上一個(gè)窗口最后一個(gè)基元所對(duì)應(yīng)的數(shù)據(jù)歸入下一個(gè)窗口，則窗口長(zhǎng)度= 最后一個(gè)基元長(zhǎng)度+默認(rèn)滑動(dòng)窗口大小;否則，窗口長(zhǎng)度=默認(rèn)滑動(dòng)窗口大??； 步驟四、將已確定的滑動(dòng)窗口內(nèi)的數(shù)據(jù)轉(zhuǎn)換為基元序列； 步驟五、重復(fù)步驟三和步驟四直至故障數(shù)據(jù)段的數(shù)據(jù)全部轉(zhuǎn)換為基元序列，將所述基 元序列與規(guī)則知識(shí)庫(kù)中的多個(gè)故障特征基元序列進(jìn)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(yù)設(shè)的決策臨界值進(jìn)行比較， 若SImax大于決策臨界值，則待檢測(cè)數(shù)據(jù)的故障類型為SImax所對(duì)應(yīng)的故障類型;若SI max小于 等于決策臨界值，則認(rèn)定待檢測(cè)數(shù)據(jù)的故障類型為新的故障。2. 如權(quán)利要求1所述的基于自適應(yīng)滑動(dòng)窗口算法與區(qū)間折半算法的故障檢測(cè)方法，其 特征在于，線性原語長(zhǎng)度臨界值大于最短原語長(zhǎng)度值。
【文檔編號(hào)】G06K9/62GK106096634SQ201610392752
【公開日】2016年11月9日
【申請(qǐng)日】2016年6月6日 公開號(hào)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(qǐng)人】北京理工大學(xué)