一种基于故障增长趋势相关度分析的传感器优化部署方法与流程

本发明涉及一种传感器优化部署技术，具体涉及一种基于故障增长趋势相关度分析的传感器优化部署方法。

背景技术：

目前，公知的传感器优化部署方法主要围绕如何提升故障的检测和隔离能力展开，主要有基于模型和基于数据的方法。基于模型的方法主要是通过卡尔曼滤波的方式建立故障源与不同监测参数间的关系，通过以故障诊断能力最大为目标指导传感器部署。基于数据的方法主要依靠信号处理的方式，通过处理传感器采集的信号对早期故障检测能力作为选择标准。采用基于数据的传感器部署方法主要侧重两个方面：一是从较强环境噪声中提取区别于正常状态的故障特征，以驱动故障报警；二是针对不同传感器采集数据进行处理，为故障诊断或识别提供数据输入，对比分析各个传感器对故障的诊断能力。

但是，公知的传感器部署方法主要围绕实现故障检测和隔离要求，较少考虑传感器对故障增长过程的敏感性和稳定性，导致了使用现有方法部署的传感器采集的数据包含较少的故障增长信息，不能为故障等级评估和寿命预测提供有效的数据支撑。

技术实现要素：

为了克服现有传感器选择方法主要不能有效描述故障增长趋势的缺陷，本发明提供一种基于故障增长趋势相关度分析的传感器优化部署方法。通过本发明方法选择的传感器能采集丰富的故障增长特征，及时有效地监控逐渐故障增长过程，为故障等级评估、故障预测技术提供有效的数据支撑。

为了实现上述目的，本发明采用的技术方案如下：

一种基于故障增长趋势相关度分析的传感器优化部署方法，包括以下步骤：

s1、初步部署传感器集合si＝{s1，s2，s3，...，sm}，m为传感器总数，并使用该传感器集合中的所有传感器采集故障增长过程的数据；

s2、分别对各个传感器采集的数据进行特征提取，然后利用传统的损伤指标建立各个传感器描述的故障增长趋势

s3、使用函数拟合方法对所有传感器描述的故障增长趋势进行拟合，获得拟合后的故障增长趋势φ0；

s4、计算第i个传感器si描述的故障增长趋势与拟合后的故障增长趋势φ0的相关度绘制各个传感器描述的相关度曲线，分析相关度曲线上纵坐标值最大点对应的相关度值

s5、在初步部署传感器集合si＝{s1，s2，s3，...，sm}中，选择描述的故障增长趋势与拟合后故障增长趋势φ0相关度最大的传感器进行部署，其余传感器作为冗余传感器进行去除。

具体地，所述传统的损伤指标为均方根、峭度指标、脉冲指标、峰值指标或裕度指标。

进一步地，所述函数拟合方法为多项式函数、指数函数、双指数函数或高斯函数。

更进一步地，所述步骤s4中，第i个传感器si描述的故障增长趋势与拟合后的故障增长趋势φ0的相关度计算公式为：

式中，为与φ0的相关度，φsi(n)为传感器si描述的真实故障增长趋势，φ0(n)为拟合后的故障增长趋势，n为故障增长过程中的离散采样点数，k为延时量，n0为最大时延量。

再进一步地，所述步骤s5通过以下方式实现：

按照式(2)选择与拟合后故障增长趋势φ0的相关度最大的传感器作为监控该故障增长过程的最优传感器，即优化部署的传感器

式中，为第i个传感器si描述的故障增长趋势与拟合后的故障增长趋势φ0的相关度，为中的最大值，为相关度最大对应的传感器。

与现有技术相比，本发明具有以下有益效果：

本发明通过计算传感器描述的故障增长趋势与拟合后的故障增长趋势的相关度，衡量不同传感器跟踪监控故障增长过程的能力，进而为系统部署对故障增长趋势具有较高灵敏度和稳定度的传感器。这些优化部署的传感器能有效减少监控成本，对故障增长过程实现精确监控，为提高机电系统故障等级评估和寿命预测的效率和精度提供有效的数据支撑。

附图说明

图1为本发明的方法流程图。

图2为本发明的第i个传感器si描述的故障增长趋势与拟合后的故障增长趋势φ0的曲线图。

图3为本发明的第i个传感器si描述的故障增长趋势与拟合后的故障增长趋势φ0的相关度曲线图。

图4为本发明-实施例4四个传感器描述的故障增长趋势图。

图5为本发明-实施例4拟合后的故障增长趋势φ0图。

图6为本发明-实施例4四个传感器描述的故障增长趋势与拟合后的故障增长趋势φ0的相关度曲线图。

具体实施方式

下面结合实施例和附图对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。

实施例1

如图1-3所示，一种基于故障增长趋势相关度分析的传感器优化部署方法，包括以下步骤：

s1、初步部署传感器集合si＝{s1，s2，s3，...，sm}，m为传感器总数，并使用该传感器集合中的所有传感器采集故障增长过程的数据。

s2、分别对各个传感器采集的数据进行特征提取，然后利用传统的损伤指标(均方根、峭度指标、脉冲指标、峰值指标或裕度指标)建立各个传感器描述的故障增长趋势

s3、使用函数拟合方法(多项式函数、指数函数、双指数函数或高斯函数)对所有传感器描述的故障增长趋势进行拟合，获得拟合后的故障增长趋势φ0。

s4、计算第i个传感器si描述的故障增长趋势与拟合后的故障增长趋势φ0的相关度绘制各个传感器描述的相关度曲线，分析相关度曲线上纵坐标值最大点对应的相关度值

s5、在初步部署传感器集合si＝{s1，s2，s3，...，sm}中，选择描述的故障增长趋势与拟合后故障增长趋势φ0相关度最大的传感器进行部署，其余传感器作为冗余传感器进行去除。

实施例2

一种基于故障增长趋势相关度分析的传感器优化部署方法，与实施例1不同的是，本实施例公开了第i个传感器si描述的故障增长趋势与拟合后的故障增长趋势φ0的相关度计算公式为：

式中，为与φ0的相关度，φsi(n)为传感器si描述的真实故障增长趋势，φ0(n)为拟合后的故障增长趋势，n为故障增长过程中的离散采样点数，k为延时量，n0为最大时延量。

实施例3

一种基于故障增长趋势相关度分析的传感器优化部署方法，与实施例1不同的是，本实施例公开了在初步部署传感器集合si＝{s1，s2，s3，...，sm}中，选择描述的故障增长趋势与拟合后故障增长趋势φ0相关度最大的传感器进行部署，其余传感器作为冗余传感器进行去除的具体实现方式。

按照式(2)选择与拟合后故障增长趋势φ0的相关度最大的传感器作为监控该故障增长过程的最优传感器，即优化部署的传感器

式中，为第i个传感器si描述的故障增长趋势与拟合后的故障增长趋势φ0的相关度，为中的最大值，为相关度最大对应的传感器。

实施例4

如图4-6所示，一种基于故障增长趋势相关度分析的传感器优化部署方法，与实施例1不同的是，本实施例以一阶齿轮箱系统的齿轮裂纹故障为例详细阐述本发明方法。

s1、在齿轮箱体上初步部署4个加速度计传感器，即初始部署的传感器集合si＝{s1，s2，s3，s4}分别对应传感器accelerometer#2，accelerometer#3，accelerometer#4,，accelerometer#5。使用上述四个传感器采集齿轮箱中主动齿轮从正常状态到断齿状态的故障增长数据。

s2、分别对各个传感器采集的数据进行特征提取，然后利用峭度指标，计算s1，s2，s3，s4四个传感器描述的故障增长趋势如图4所示，横坐标为传感器的采样序列，刻画故障增长的时间，纵坐标表示提取的损伤指标为峭度。

s3、采用四次多项式函数拟合上述四个传感器描述的故障增长趋势获得拟合后的故障增长趋势φ0，如图5所示。

s4、分别计算s1，s2，s3，s4四个传感器描述的故障增长趋势与拟合后的故障增长趋势φ0的相关度如图6所示。

s5、根据式(1)计算的相关度，s1，s2，s3，s4四个传感器描述的故障增长趋势与拟合后故障增长趋势φ0的相关度的最大值分别为0.9685、0.9276、0.9928、0.9825。根据式(2)计算相关度最大对应的传感器为：

表示在初始部署的s1，s2，s3，s4四个传感器中，传感器s3描述的故障增长趋势与拟合后故障增长趋势φ0的相关度最大，即与s3对应的传感器为accelerometer#4。因此，优化部署后的传感器为accelerometer#4。

本发明提出了一种基于故障增长趋势相关度分析的传感器优化部署方法，定义了传感器描述的故障增长趋势与拟合后故障增长趋势的相关度，衡量传感器对故障增长过程监控的敏感性和稳定性，进而部署相关度最大的传感器作为监控故障增长过程。

按照上述实施例，便可很好地实现本发明。值得说明的是，基于上述结构设计的前提下，为解决同样的技术问题，即使在本发明上做出的一些无实质性的改动或润色，所采用的技术方案的实质仍然与本发明一样，故其也应当在本发明的保护范围内。