一种基于支持向量回归机各传感器之间相互故障诊断方法与流程

本发明涉及计算机算法诊断故障技术领域，具体为一种基于支持向量回归机各传感器之间相互故障诊断方法。

背景技术

传感器故障诊断方法主要分为物理冗余与解析冗余两大类。物理冗余是通过增加传感器的数量来检测和排除故障，使系统具有故障容错能力，虽然此方法可以增强系统的安全性，但是同时增加了系统的成本与故障诊断的复杂度。解析冗余不需要增加传感器的数量，只需要通过传感器输入输出建立残差和故障模型，从而实现传感器故障诊断。

支持向量机(svm，supportvectormachine)是建立在统计学理论的vc维理论和结构风险最小化基础之上的。相比于神经网络，svm有效地解决了小样本、非线性、高维数和局部极小点等问题，其主要应用于模式识别、函数逼近和时间序列预测等问题。最小二乘支持向量机(lssvm，leastsquaressupportvectormachine)是标准svm的扩展，它用等式约束代替了标准svm的不等式约束，将二次规划问题转化为线性方程求解问题，降低了计算复杂度，有效地提高了运算速度，如果能够将最小二乘支持向量机应用于传感器的输出预测，则可以快速准确对传感器的故障进行辨识与诊断。

为了解决上述提出的问题，现有技术中，申请号为“201110137724.7”的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。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。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。

但是上述该方法在使用过程中，仍然存在以下较为明显的缺陷：1、该在线预测的方法只能一个一个检测传感器，无法对多个传感器同时同步的进行故障诊断，非常浪费时间；2、采用支持向量机回归的方式进行故障诊断，回归问题的要求是：给定一个新的模式，根据训练集推断它所对应的输出y(实数)是多少，也就是使用y＝g(x)来推断任一输入x所对应的输出值，数值范围广，不容易进行故障诊断，十分麻烦。

技术实现要素：

本发明的目的在于提供一种基于支持向量回归机各传感器之间相互故障诊断方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于支持向量回归机各传感器之间相互故障诊断方法，包括以下步骤：

s1：在n个传感器中任意选择一个传感器作为基础传感器；

s2：将其它传感器所得到的输出值作为输入值，首先输入进最小二乘支持向量机在线预测模型f，得到预测值；

s3：其次，将其它传感器所得到的输出值作为该基础传感器的输入值，得到实际输出值；

s4：将预测值与实际输出值做对比，得到其它传感器的预测值和实际输出值的差值；

s5：选择另一个待诊断传感器，重复进行步骤s1和s2，得到每一个传感器的输出值；

s6：通过支持向量回归机对其它传感器得到的差值进行分类，找到故障的传感器。

优选的，将s1中的基础传感器进行更换，并依次重复进行步骤s2-s6。

优选的，n＝3,3个传感器分别标号为传感器1、传感器2和传感器3；

1)：选择传感器1作为基础传感器；

2)：将传感器2和传感器3所得到的输出值作为输入值，首先分别输入进最小二乘支持向量机在线预测模型f，得到传感器2和传感器3的预测值；

3)：其次，将传感器2和传感器3所得到的输出值作为该传感器1的输入值，得到传感器2和传感器3的实际输出值；

4)：将传感器2的预测值与实际输出值做对比，将传感器3的预测值与实际输出值做对比，分别得到传感器2和传感器3的预测值和实际输出值的差值；

5)：通过支持向量回归机对传感器2和传感器3得到的差值进行分类，找到故障的传感器。

优选的，其特征在于：最小二乘支持向量机在线预测模型f，该在线预测模型f采用径向基rbf函数作为核函数，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。

优选的，通过支持向量回归机进行分类，即给定一个新的模式，根据训练集推断它所对应的类别，输出只允许取两个值，如+1和-1，即使用y＝sign(g(x))来推断任一输入x所对应的类别。

与现有技术相比，本发明的有益效果是：本发明的方法，可以同时同步的对多个传感器进行故障诊断，更加容易操作，节约诊断时间，而且取消了支持向量机回归的方式，采用支持向量机分类的方式，可以更加容易判断出来多个传感器中发生故障的传感器，实用性很强，非常值得推广。

附图说明

图1为本发明的流程图；

图2为本发明实施例一的诊断流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图2，本发明提供一种技术方案：

一种基于支持向量回归机各传感器之间相互故障诊断方法，包括以下步骤：

s1：在n个传感器中任意选择一个传感器作为基础传感器；

s2：将其它传感器所得到的输出值作为输入值，首先输入进最小二乘支持向量机在线预测模型f，最小二乘支持向量机在线预测模型f，该在线预测模型f采用径向基rbf函数作为核函数，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，得到预测值；

s3：其次，将其它传感器所得到的输出值作为该基础传感器的输入值，得到实际输出值；

s4：将预测值与实际输出值做对比，得到其它传感器的预测值和实际输出值的差值；

s5：选择另一个待诊断传感器，重复进行步骤s1和s2，得到每一个传感器的输出值；

s6：通过支持向量回归机对其它传感器得到的差值进行分类，通过支持向量回归机进行分类，即给定一个新的模式，根据训练集推断它所对应的类别，输出只允许取两个值，如+1和-1，即使用y＝sign(g(x))来推断任一输入x所对应的类别，如果差值在分类后，大部分均属于+1这个类别，而个别属于-1这个类别，则找到故障的传感器，差值属于-1这个类别的传感器，即是故障传感器。

如果选择的基础传感器之外的其它传感器，通过s2-s6的步骤进行故障诊断后，没有诊断出故障，则将s1中的基础传感器进行更换，并依次重复进行步骤s2-s6，进行故障诊断。

实施例一：

n＝3,3个传感器分别标号为传感器1、传感器2和传感器3；

1)：选择传感器1作为基础传感器；

2)：将传感器2和传感器3所得到的输出值作为输入值，首先分别输入进最小二乘支持向量机在线预测模型f，得到传感器2和传感器3的预测值；

3)：其次，将传感器2和传感器3所得到的输出值作为该传感器1的输入值，得到传感器2和传感器3的实际输出值；

4)：将传感器2的预测值与实际输出值做对比，将传感器3的预测值与实际输出值做对比，分别得到传感器2和传感器3的预测值和实际输出值的差值；

5)：通过支持向量回归机对传感器2和传感器3得到的差值进行分类，找到故障的传感器。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。