[发明专利]基于最小二乘支持向量机在线预测的传感器故障诊断方法

摘要

本发明公开了一种基于最小二乘支持向量机在线预测的传感器故障诊断方法。该方法建立了一个最小二乘支持向量机在线预测模型，然后在线采集传感器测量数据作为最小二乘支持向量机在线预测模型的输入样本，实现该预测模型一边在线训练一边实时预测出传感器在下一时刻的输出值。通过比较传感器的预测值与实际输出值产生的残差来检测传感器故障是否发生。在有故障发生时，通过最小二乘方法对残差序列进行一元线性回归，实现传感器偏差与漂移故障的辨识，进而能够更有效地采取措施对传感器输出进行实时补偿。本发明能快速准确地实现传感器在线故障诊断，特别适用于传感器偏差故障与漂移故障诊断。

主权项

1.一种基于最小二乘支持向量机在线预测的传感器故障诊断方法，其特征在于，假设被测传感器初始为正常传感器；采用具有l个输入一个输出的最小二乘支持向量机构建被测传感器的在线预测模型f，在任意时刻t在线预测模型f的输出可以表示为x(t+1)＝f(x(t-l+1)，…，x(t-1)，x(t))，其中x(·)为线预测模型f的输入；该在线预测模型f采用径向基RBF函数作为核函数；开始故障诊断后，在线实时采集被测传感器的测量数据，然后循环执行如下步骤1～5：步骤1、在采样时刻n，采用包括当前采样时刻的测量数据x(n)和前m-1个采样时刻的测量数据x(i)，i∈[n-m，n-1]共m个测量数据构成当前训练数据池；步骤2、判断x(n)与前一采样时刻采用在线预测模型f预测的数据之差的绝对值即残差e是否小于或等于预设阈值e^*；如果是，则执行步骤4；否则，判定出现故障，执行步骤3；步骤3、将替换当前训练数据池中的x(n)，并针对替换后的当前训练数据池执行步骤4；步骤4、将当前训练数据池中的测量数据按采集时刻进行排序，从i＝1开始选取l+1个连续的测量数据组成一组训练样本；令i＝i+1选取第二组训练样本；以此类推，共选取p组训练样本，p＝m-l；在每组训练样本中，前l个测量数据作为在线预测模型f的输入，第l+1个测量数据作为在线预测模型f的期望输出；然后执行步骤5；步骤5、采用步骤4选取的p组训练样本训练在线预测模型f，采用本次训练得到的新在线预测模型f预测n+1时刻的数据用于下一个循环的阈值比较，返回步骤1进入下一个采样时刻的处理；在上述步骤1～5的循环执行过程中，当判定出现故障时，开始记录各采样时刻的残差e，记录一段时间后得到残差序列，利用残差序列进行一元线性回归分析，得到残差与时间的一元线性关系表达式，从而识别出故障类型、大小和发生时间。