[发明专利]关联性传感信号多传感元件故障定位及传感信号自恢复方法

说明书

技术领域

本发明涉及多传感元件故障定位及传感信号自恢复方法，尤其涉及一种针对传感信号之间具有关联性的多传感元件故障定位及传感信号自恢复方法。

背景技术

客观世界中的许多复杂过程，需要能够同时处理来自多路传感信号的传感器系统，这推动可连接多传感元件的集成智能传感器模式的出现。这些新型集成传感器连接的每路传感元件均可并行提取各自检测对象的相关特征信息，并将信息传递到传感器中。典型的多传感元件传感器有基于IEEE1451标准的网络化智能传感器，它最多可同时连接255路传感元件进行测量，具有标准化、集成度高的特点。

同时连接多路传感元件给多传感信号源的检测带来了便利，但同时也带来了一些问题：如、连接的传感元件(一路或多路)出现故障，检测信号不跟随被测量时，难以定位故障元件；某些场合下，传感系统各传感信号具有关联性，每一路传感信号都会对其它路传感信号造成影响，尚未能利用各路传感信号之间具有的关联性，重构故障传感元件信号值，使得传感信号自恢复。

发明内容

为解决上述中存在的问题与缺陷，本发明提供了一种关联性传感信号多传感元件故障定位及传感信号自恢复方法。所述技术方案如下：

关联性传感信号多传感元件故障定位及传感信号自恢复方法，包括：

A、获取训练样本；

B、建立符合多路传感元件信号关联性的神经网络，并学习传感信号之间的关联性；

C、利用学习的各信号关联性关系，将含故障传感元件的传感信号输入神经网络，根据网络输出信号与输入信号之间的差值，对输入信号进行故障判断；

D、定位出多路故障传感元件；

E、恢复多路故障传感信号。

本发明提供的技术方案的有益效果是：

突破了必须求解出传感信号之间关联性关系才能进行故障定位的思维定势，革新地利用其关联性，通过在一定范围内试探性改变多路传感信号的值，从而实现多路故障传感元件的定位和信号自恢复。

附图说明

图1是多路传感元件故障定位及传感信号自恢复方法的流程图；

图2是构造的神经网络的结构示意图；

图3是并行9叉树故障定位算法流程图；

图4是扩展9叉树信号重构算法流程图；

图5是一种邻苯二甲酸酐反应釜测控方案图；

图6是神经网络训练过程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述：

本实施例提供了一种关联性传感信号多传感元件故障定位及传感信号自恢复方法。

参见图1，该方法包括以下步骤：

步骤10获取训练样本；

上述获取的训练样本包括足够多的训练样本。

步骤20建立神经网络，学习传感信号之间的关联性；

上述建立的神经网络是符合多路传感元件信号关联性的神经网络。

步骤30含故障传感元件的传感信号输入神经网络；

上述将含故障传感元件的传感信号输入神经网络，可根据网络输出信号与输入信号之间的差值，对输入信号进行故障判断。

步骤40多路故障传感元件定位；

上述是在固定范围内改变多路传感元件信号的值，使其符合所有各路传感信号x_i之间的关联性关系，其中i＝1，2，...，n，并根据网络输出信号与输入信号的差值变动情况定位出多路故障传感元件。

步骤50恢复多路故障传感信号；

根据传感信号关联性关系，继续改变已定位故障传感元件的信号，使得神经网络的输出信号与输入信号差值小于设定阈值，从而自动恢复故障传感信号。

上述步骤10与步骤20具体包括：如图2所示，针对邻苯二甲酸酐反应釜的10路关联性传感信号，构建一个10-13-5-13-10结构的神经网络。将足够多的正常工作状态下10路传感信号构成神经网络的输入层，训练处正常生产条件下10路传感信号之间关联性关系。由于噪声的存在，网络训练结束的条件不是SSE最小化，而是当其收敛到一个设定的阈值Δ_SSE就停止训练，否则网络将试图对噪声进行学习，从而降低神经网络泛化能力。在此网络中，Δ_SSE设定为0.0001，经过1.793秒，网络训练成功，其图6为神经网络训练过程图。