[发明专利]基于自适应滑动窗口算法与区间折半算法的故障检测方法

说明书

技术领域

本发明属于智能信息处理的技术领域，具体涉及一种基于自适应滑动窗口算法与区间折半算法的故障检测方法。

背景技术

传感器(英文名称：transducer/sensor)是一种检测装置，能感受到被测量的信息，并能将感受到的信息，按一定规律变换成为电信号或其他所需形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求，广泛应用于各种控制系统中。而作为了解系统过程状态的窗口，其测量结果的准确性直接影响系统的运行。同时大多数传感器的工作环境都比较恶劣，因此它们在使用过程中不可避免的经常会因为种种原因发生故障。一旦传感器故障被系统检测出，需要针对不同故障类型进行一定的在线或离线的故障补偿，因此，对传感器故障进行辨识就显得尤为重要。

对传感器进行故障辨识属于模式识别问题，其中主要包括特征提取和模式分类两个部分。特征的选择与提取是模式分类的基础，特征信息的提取效率则直接影响了后续学习和识别结果的准确率。由于非线性系统具有复杂性及建模方法的局限性等特点，因此对于非线性系统故障诊断的研究结果非常有限，现有的一些方法主要借助于智能控制法和线性化方法。这些方法大部分都是基于已知的数学模型。而现代控制系统通常具有高维、非线性、强耦合、随机噪声和输入时延等特点，很难建立精确的数学模型，甚至根本就不可能用解析方程来描述。

目前，常见的不依赖于数学模型的方法主要有几类代表性的：基于小波变换的方法、基于神经网络的方法、基于模糊逻辑的方法、基于统计分析模型的方法、基于专家系统的方法、基于故障树的方法、基于定性模型的方法等。作为不依赖于数学模型的故障检测方法之一，定性趋势分析就是一种基于数据驱动的分析方法，具有只要求有过程数据就可实现对过程的监测的优点。这一特点在实际应用中有着非常重要的意义，因为在某些工业过程中，唯一可利用的信息就是过程数据。此外，不依赖于过程数学模型的方法还很容易利用操作经验、工艺知识、理事故障记录等信息，而这些信息的正确利用往往会起到事半功倍的作用。然而传统的定性趋势分析方法依然存在不少问题，如提取的片段宽度难以自适应、算法复杂、依赖人为设置阈值等。

发明内容

有鉴于此，本发明提供了一种基于自适应滑动窗口算法与区间折半算法的故障检测方法，能够提高传感器故障辨识的准确性和实时性。

实现本发明的技术方案如下：

一种基于自适应滑动窗口算法与区间折半算法的故障检测方法，包括以下步骤：

步骤一、对一段待检测的传感器数据从数据起始点开始利用区间折半算法提取原语，并判断其原语是否为原语中的“A”，若否，则从原语不为“A”的数据段起始位置开始判定为故障发生点，从故障发生点直至待检测数据段的结束点为故障数据段；若待检测数据段原语为“A”，则进行下一段待检测数据的检测；

步骤二、从故障发生点开始，以待检测数据长度的1/10作为默认滑动窗口大小，对第一个滑动窗口区间内的数据进行离线区间折半拟合使所述数据转换为拟合多项式序列，根据多项式的导数符号将多项式序列转换为基元序列；

步骤三、确定下一个滑动窗口的起始点以及窗口长度：判断上一个滑动窗口最后一个基元是否为线性基元，若是则判断其长度是否大于预设的线性原语长度临界值，若大于则下一个窗口的起始点为上一个窗口的结束点，否则将最后一个基元所对应的数据归入下一个窗口；若最后一个基元为非线性基元，则判断其长度是否大于预设的最短原语长度值，若大于则下一个窗口的起始点为上一个窗口的结束点，否则将最后一个基元所对应的数据归入下一个窗口；若上一个窗口最后一个基元所对应的数据归入下一个窗口，则窗口长度＝最后一个基元长度+默认滑动窗口大小；否则，窗口长度＝默认滑动窗口大小；

步骤四、将已确定的滑动窗口内的数据转换为基元序列；

步骤五、重复步骤三和步骤四直至故障数据段的数据全部转换为基元序列，将所述基元序列与规则知识库中的多个故障特征基元序列进行模糊逻辑匹配，分别得出相似度SI；

步骤六、找出步骤五中所得的最高相似度SI_max，并将其与预设的决策临界值进行比较，若SI_max大于决策临界值，则待检测数据的故障类型为SI_max所对应的故障类型；若SI_max小于等于决策临界值，则认定待检测数据的故障类型为新的故障。

进一步地，线性原语长度临界值大于最短原语长度值。

有益效果：