[发明专利]基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法

权利要求书

1.一种基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法，其特征在于，包括以下步骤：

(1)利用汽车运行过程正常工况的数据组成建模用的训练数据集：X＝[x₁；x₂；...；x_n]，其中X∈R^n×m，n为训练样本数，m为过程变量数，R为实数集，R^n×m表示X满足n×m的二维分布，将这些数据存入历史数据库；

(2)对数据集X进行预处理和归一化，使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集为采用以下过程来完成：

1)计算均值：

2)计算方差：

3)标准化：

(3)使用独立成分分析针对新的数据集提取非高斯信息，获得独立成分S；使用稀疏去噪自编码器降维，提取主要独立元成分，计算I²统计量，使用99％置信度的核密度估计得到相应的检测统计限

(4)使用稀疏去噪自编码器提取残差空间E中的高斯信息，计算H²统计量，使用99％置信度的核密度估计得到相应的检测统计限

(5)将建模数据和模型参数存入历史数据库备用；

(6)收集新的汽车运行过程数据，并对其进行预处理和归一化，采用独立成分分析和稀疏去噪自编码器模型对其进行监测，即计算I²和H²统计量，结合步骤(3)、(4)分别计算得到的和阈值，针对当前的监测数据样本得到正常或者故障结果

(7)将每一个正常和故障的决策和真实情况进行对比，计算相应的故障误报率(FAR)和误检率(MDR)。

2.如权利要求1所述的基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法，其特征在于，所述步骤(3)具体如下：

(1)计算的协方差阵，记为∑_x；

(2)对∑_x进行特征值分解，得到特征根λ₁，λ₂，...，λ_p，其中λ₁≥λ₂≥…≥λ_p，对应的特征向量矩阵为U，特征值的对角矩阵为Λ＝diag(λ₁，λ₂，...，λ_p)；

(3)获得白化矩阵为Q＝Λ^-1/2U^T，则白化处理后的数据为Z＝Λ^-1/2U^TX＝QX＝QAS，令B＝QA，则Z＝BS；

(4)由Z＝BS可知，

(5)利用以下公式作为优化函数通过迭代计算得到正交矩阵B：

b_i(k+1)＝E{Zg(b_i(k)^TZ)}-E{g′(b_i(k)^TZ)}b_i(k)

其中，b_i(k)是正交矩阵B的第i列，g函数是的导数， 在迭代计算前还需将b_i(0)进行归一化处理；

(6)设定迭代的精度ε，若某一次迭代后满足：

||b_i(k+1)-b_i(k)||＜ε

则说明迭代达到指定的精度，此时，停止迭代，记录b_i(k+1)的值，进行下一分量的迭代；

(7)为了防止收敛到同一个极值，在每次迭代后对进行去相关操作，即：

(8)解混矩阵W＝B^TQ，则重构的源信号为即为非高斯信息；

(9)使用稀疏去噪自编码器将非高斯信息降维，提取主要独立元分量，构造I²统计量，并利用核密度估计方法给出其相应的监测统计限

其中S_d为自编码器降维之后的数据矩阵。