[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

说明书

本发明公开了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。该方法首先使用独立成分分析获得过程数据中的非高斯信息，得到独立成分分量，使用稀疏去噪自编码器提取主要独立成分计算I²指标；在残差空间使用稀疏去噪自编码器获得运行数据的高斯信息计算H²指标。最后使用故障误报率（FAR）和误检率(MDR)指标分析故障检测效果。相比于其他方法，本发明通过将独立成分分析和稀疏降噪自编码器结合，在非高斯部分使用稀疏去噪自编码器提取主元，去除不必要信号的干扰；在残差空间使用稀疏去噪自编码器提取数据中的高斯信息，提高过程监控系统的鲁棒性，增强对非线性数据的处理能力，提高故障诊断的准确率。

技术领域

本发明属于汽车过程控制领域，特别涉及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。

背景技术

随着科技的不断发展，汽车也在不断的更新迭代，行驶速度变得越来越快，乘坐越来越舒适。汽车中各个传感器的应用使得汽车功能越来越完备，设备精度和效率进一步提高，但系统也越来越复杂。汽车在行驶过程中不可避免地会发生故障，虽然通过传统的拆解汽车零部件检查汽车各零部件之间的损坏程度和耦合度进而进行故障定位和故障修复维修效果好，但与此同时对维修人员的要求也特别高，特别是当遇到结构复杂，拆解困难的汽车部件时，这种维修方法势必会增加维修成本和维修时间。汽车发生故障时，如果不及时进行诊断修复有可能会产生整个汽车内设备的链式反应，带来一定的经济损失，严重的更会危及生命，造成重大伤亡。因此在汽车运行过程中的在线监控和故障诊断就变得越来越重要，不仅仅为了汽车的正常运行，更是为了驾驶者的安全。

汽车运行过程中不可避免的会产生大量数据，基于此采用多元统计分析方法进行故障诊断，避免了汽车系统内部复杂的机理，过程监控相对简单高效。但是目前基于汽车的故障检测技术的应用并不多，更别说采用多变量统计方法了。传统的多元统计分析方法有诸多限制，比如PCA是工作在过程数据是高斯分布的这个假设下，同时受限于数据是线性可分的；ICA利用高阶统计量可以获得更多的信息，得到过程数据的非高斯信息，但是针对其中的高斯型信息却无能为力。

发明内容

本发明的目的是针对汽车故障检测技术的缺乏以及多元统计分析方法的不足，提供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。

本发明解决其技术问题所采用的技术方案是：

(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中的高斯信息G，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。