本发明涉及信号检测领域，特别是涉及一种基于ica-sprt的冗余传感器故障检测方法。
背景技术：
在一些重要的系统中，为提高系统的可用性和可靠性，对系统关键部位的参数采用冗余测试，在军工、航空航天和核电领域这一方法十分常见。用于参数测试的传感器的健康状况会直接影响测试结果，因此，还需要对传感器的可靠性进行验证或故障检测。
传统的冗余传感器的验证方法有简单平均(simpleaverage,sa)、仪表和校准监测程序(instrumentationandcalibrationmonitoringprogram,icmp)、奇偶空间方法等。传统的方法对于冗余度不高的系统参数很难区分其中的传感器故障。且在工业系统中，传感器的采集数据除了被测信号本身外，往往还包含系统噪声、通道噪声等复杂环境因素的影响，这些未知因素也给传感器故障检测带来额外难度，工业中通常对信号滤波处理，以抑制和防止干扰的影响，但难以消除系统噪声、通道噪声的影响。
本专利针对传统方法存在的不足，采用独立成份分析-序贯概率比检验(independentcomponentanalysis-sequentialprobabilityratiotest，ica-sprt)方法，在冗余度不高的情况下，仍能够实现准确的故障检测。
技术实现要素：
本发明的目的在于克服现有技术之不足，提供了一种基于ica-sprt的冗余传感器故障检测方法，可有效消除系统噪声和通道噪声的影响，在冗余度不高的情况下，仍能够实现准确的故障检测。
本发明解决其技术问题所采用的技术方案为：
基于ica-sprt的冗余传感器故障检测方法，包括ica-sprt故障检测系统，该ica-sprt故障检测系统包括信号独立成份分析模块、信号识别估计模块和故障状态统计检测模块；所述信号独立成份分析模块采用ica算法分离独立信号；所述信号识别估计模块使用分离的独立信号还原生成估计信号；该故障检测方法包括如下步骤：
获得训练数据残差步骤，设定训练数据矩阵x，通过信号独立模块分析获得训练矩阵x的独立信号，将该独立信号输入信号识别估计模块，并生成训练数据的估计信号，使用训练数据的估计信号和原训练数据求得训练数据残差；
获得监测数据残差步骤，获得监测数据矩阵x1，通过信号独立模块分析获得监测矩阵x1的独立信号，将该独立信号输入信号识别估计模块，并生成监测数据的估计信号，使用监测数据的估计信号和原训练数据求得监测数据残差；
故障判断步骤，故障状态统计检测模块使用训练数据残差和监测数据残差代入sprt算法，并输出监测数据的故障判定结果。
更进一步的，所述信号独立成份分析模块的ica算法通过所分离信号的非高斯性度量评价分离结果，并在非高斯性度量达到最大时获得分离的独立信号。
更进一步的，通过负熵定义所述非高斯度量，该负熵的定义如下：
ng(y)＝h(ygauss)-h(y)；
其中，ygauss是一与y具有相同方差的高斯随机变量，h(.)为随机变量的微分熵，，其表达式为h(y)＝-∫py(ξ)logpy(ξ)dξ。
更进一步的，所述ica算法具体包括如下步骤：
步骤11，设定待分析数据矩阵x；
步骤12，对待分析数据矩阵x进行中心化，并去均值；
步骤13，对待分析数据矩阵x进行白化处理；
步骤14，解混矩阵w的求解；
步骤15，对y＝wx进行求解，求得的y即为数据举证x的特征信号。
更进一步的，所述信号识别和估计模块通过简单平均法获得被检测信号的参考信号，并计算获得与该参考信号相关系数最高的独立信号，将该独立信号进行加均值操作获得估计信号。
更进一步的，所述信号识别和估计模块设有比例因子，所述估计信号通过该比例因子进行优化。
更进一步的，所述故障状态统计检测模块设有许用误警率，并在监测数据通过sprt算法后存在异常的数据比例超过所述许用误警率时，输出“存在故障”的判定结果，反之，则输出“不存在故障”的判定结果。
本发明的有益效果如下：
1、提出了一种通过ica-sprt故障检测系统实现的ica-sprt的冗余传感器故障检测方法。该故障检测方法通过对所检测信号进行独立信号分离，有效消除了原信号中的系统噪声、通道噪声的影响，使得该故障检测方法与传统检测方法相比，具有更高的检测精度。
2、通过ica算法提取还原的估计信号所提取的残差，相较其他方法(如简单平均法)提取的残差，与sprt算法有更好的相性。使用ica算法提取的残差可有效减少误警和漏警的可能。
以下结合附图及实施例对本发明作进一步详细说明；但本发明的基于ica-sprt的冗余传感器故障检测方法不局限于实施例。
附图说明
图1是本发明的整体流程框图；
图2是本发明的ica算法流程框图；
图3是本发明实施例的健康数据的残差比较图；
图4是本发明实施例的健康数据的检测结果图；
图5是本发明实施例的漂移数据的残差比较图；
图6是本发明实施例的漂移数据的检测结果图；
图7是本发明实施例的漂移数据。
具体实施方式
本发明的基于ica-sprt的冗余传感器故障检测方法，包括ica-sprt故障检测系统，该ica-sprt故障检测系统包括信号独立成份分析模块、信号识别估计模块和故障状态统计检测模块；所述信号独立成份分析模块采用ica算法分离独立信号；所述信号识别估计模块使用分离的独立信号还原生成估计信号。
以下结合附图1对本发明的冗余传感器故障检测方法进行说明。该故障检测方法包括如下步骤：
获得训练数据残差步骤，设定训练数据矩阵x，通过信号独立模块分析获得训练矩阵x的独立信号，将该独立信号输入信号识别估计模块，并生成训练数据的估计信号，使用训练数据的估计信号和原训练数据求得训练数据残差；
获得监测数据残差步骤，获得监测数据矩阵x1，通过信号独立模块分析获得监测矩阵x1的独立信号，将该独立信号输入信号识别估计模块，并生成监测数据的估计信号，使用监测数据的估计信号和原训练数据求得监测数据残差；
故障判断步骤，故障状态统计检测模块使用训练数据残差和监测数据残差代入sprt算法，并判断监测数据存在异常的几率。
以下将对本发明的ica-sprt故障检测系统中的信号独立成份分析模块、信号识别估计模块和故障状态统计检测模块进行逐一说明。
1.独立成份分析模块
独立成份分析模块实现信号特征的分离。假设观测数据x由未知独立分量s(可能包含被检测信号、系统噪声、通道噪声等)的线性组合构成。模型表达如下：
x＝as(1)
其中：x——m×n矩阵，来自m个传感器的n个观测值的矩阵；
s——m×n矩阵，信号中的m个独立分量的矩阵；
a——m×m矩阵，由常数构成的未知矩阵，称为混合矩阵。
该模块通过求解解混矩阵w(也就是a的逆矩阵)，使得以下公式中y的各分量尽可能相互独立，y即为源信号s的估计。
y＝wx(2)
信号独立成份的分离我们采用fastica算法。算法实施前对观测信号进行中心化、白化处理，以减少计算并消除变量之间的相关性。该算法的步骤框图参见图2所示：
步骤11，设定待分析数据矩阵x；
步骤12，对待分析数据矩阵x进行中心化，并去均值；
步骤13，对待分析数据矩阵x进行白化处理；
步骤14，解混矩阵w的求解；
步骤15，对y＝wx进行求解，求得的y即为数据举证x的特征信号。
fastica算法在独立变量的分离过程中，通过对分离结果的非高斯性度量来表示分离结果间的相互独立性，当非高斯性度量达到最大时，则表明已完成对各独立分量的分离。
可以利用负熵来度量非高斯性，负熵定义如下:
ng(y)＝h(ygauss)-h(y)(3)
ygauss是一与y具有相同方差的高斯随机变量，h(.)为随机变量的微分熵，其表达式如下:
h(y)＝-∫py(ξ)logpy(ξ)dξ(4)
当y具有高斯分布时，ng(y)＝0；y的非高斯性越强，其微分熵越小，ng(y)值越大，所以ng(y)可以作为随机变量y非高斯性的测度。由于y的概率密度分布函数未知，所以我们采用如下近似公式：
ng(y)＝c{e[g(y)]-e[g(ygauss)]}2(5)
其中：c——无关常数；
e[.]——均值运算；
g[.]——非线性函数，可以取g＝yexp(-y2/2)，g＝y3等非线性函数。
公式(5)中ng(y)的极大值通常在e[g(wtz)]的极值点处取得，转化为e[g(wtz)]的优化问题。根据拉格朗日条件，e[g(wtz)]的优化问题在条件e[g(wtz)2]＝||w||2＝1下，e[g(wtz)]优化通过求解下式得到：
e[zg'(wtz)]+βw＝0(6)
采用牛顿法来求方程(6)，求其梯度为：
为了简化矩阵求逆，对上式中的第一项进行近似，由于数据已经白化过，可以得到以下合理的近似:
e[zztg(2)(wtz)]＝e[zzt]e[g(2)(wtz)]＝e[g(2)(wtz)]i(8)
则这样就可以得到近似的牛顿迭代公式：
将上式两端同乘以缩放因子e[g(2)(wktz)]+β，可得化简后的基于负熵的fastica的迭代公式：
wk+1＝e[zg'(wktz)]-e[g(2)(wktz)]wk(10)
使用gram-schmidt方法对w进行正交化，使用公式(11)对第p行分量进行正交化：
使用计算公式(12)将求得的各行w标准化，得到解混矩阵w，由公式(2)计算得到各独立成份。
2.信号识别和估计模块
独立成份分析模块分离处的独立成分顺序是打乱的，所以在分离之后需要从中找出被检测信号对应的独立成份进行还原。可以通过比较各独立成份与简单平均法估计的信号值之间相关系数的大小来识别，相关系数最大的即为被检测信号对应的独立成份。被检测信号对应的独立成份通过加均值操作得到估计信号ic。
通过引入比例因子对估计信号进行优化，使得估计信号更贴近原信号。具体比例因子的选值依不同项目的具体特性选定，或根据实测数值进行拟合或补偿。
3.故障状态统计检测模块
故障状态统计检测模块使用序贯概率比检验(sprt)作为核心算法，sprt模型是基于比较被检测数据属于两种情况的可能性来判断是否发生异常。该方法首先进行两种假设，h0是正常情况，h1是故障情况。其中正常情况假设h0的均值和方差由训练数据残差给出，故障情况h1的均值和方差由经验或及检测要求给出。
当原假设h0成立时，随机变量x概率密度函数为p(x/h0)，当原假设h1成立时，随机变量x概率密度函数为p(x/h1)。似然比可以由公式(13)表示：
故障状态统计检测模块首先取定两个常数a，b(0<b<1<a)，对于一组被检验数据(x1,x2,…xt)，从第一个数据x1开始依次抽样计算似然比。当r(t)≤b时停止抽样，接受h0；当r(t)≥a停止抽样，接受h1；当b<r(t)<a时继续抽样。
其中，
实施例：
核电厂每台蒸汽发生器给水管线上有三个流量变送器，其中两个为宽量程，一个为窄量程，主给水流量信号从两个冗余的宽量程测量测量值中自动选择产生。案例选用主给水管线两个为宽量程通道的流量数据(流量采样周期为1分钟，采样点为10000个)进行传感器故障检测。
首先使用ica算法得到流量的估计值，分别求得两个通道的残差，然后用sprt进行检验，并将ica的检验结果与sa(simpleaverage，简单平均法)的检验结果进行对比。
参见图3所示，其中，(a)和(c)为ica算法下，两个宽量程通道的流量数据所获得的残差数据；相应的(b)和(d)为sa算法下，两个宽量程通道的流量数据所获得的残差数据。
使用sprt对上述残差进行故障检测，其中，误警率和漏警率取值均为0.01，所获得结果参见图4所示。图4的(a)～(d)分别对应图3中的(a)～(d)的结果。
由于方法中误警率和漏警率取值为0.01，在被分析的10000个数据点中，允许的误报警个数为100个。图4中，中央位置所标识的横线为报警阈值，可以看到ica-sprt和sa-sprt的结果均有误报警出现，但报警点数均在100个以内，所以两种方法判定结果一致：在允许接受范围内，两个通道传感器均处于正常状态。
从检验结果我们也可以看出，ica的误报警个数明显要小于sa的结果的。这说明ica对于去除尖峰噪声、脉冲噪声等信号有良好的优越性。
为比较ica算法和sa算法在故障状态的检测效果，我们将以上处理的健康信号从第2000min时给通道1，即图(a)和图(b)，加入1％仿真漂移；通道2，即图(c)和图(d)，不做处理，以测试算法对漂移的识别能力和检验效果。
漂移状态下，双通道冗余传感器流量经过sa和ica处理，得到残差参见图5所示。其中，(a)和(c)为ica算法下，两个宽量程通道的流量数据所获得的残差数据；相应的(b)和(d)为sa算法下，两个宽量程通道的流量数据所获得的残差数据。
从残差结果可以看到，由于sa方法原理只是进行简单平均，所以在两个通道都检测到了信号漂移，通道1的漂移会对信号的估计值有很大影响。而ica方法能很好地分离出信号，去除漂移对信号估计值的影响，因此准确识别出漂移所在的通道1，且不影响通道2结果。说明ica方法具有很强的鲁棒性，能很好地去除噪声信号和识别单通道故障。
使用sprt算法对上述残差进行故障检测，其中，误警率和漏警率取值均为0.01，结果如图6所示。
ica-sprt检测结果(图6中的(a)图和(c)图)：通道1传感器处于故障状态，通道2传感器均处于正常状态；sa-sprt检测结果(图6中的(b)图和(d)图)：通道1、通道2传感器均处于故障状态。可以看出sa-sprt对通道2的检测结果是错误的，由于通道1的漂移对信号的估计值有很大影响。体现了ica-sprt冗余传感器故障检测的优势。
将ica-sprt检测结果进行放大，如图7所示。
从放大的结果可以看到，被检验的传感器信号在第2000min加入1％仿真漂移之后，第4000min左右就发现了漂移故障。ica-sprt冗余传感器故障检测方法，可以有效去除故障通道对信号估计值的影响，并在被检测数据有限的情况下，及时地发现通道故障并发出报警。
综上可知，本发明所提出的ica-sprt冗余传感器故障检测方法可有效消除系统噪声和通道噪声的影响，在冗余度不高的情况下，仍能够实现准确的故障检测。
上述实施例仅用来进一步说明本发明的基于ica-sprt的冗余传感器故障检测方法，但本发明并不局限于实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。