基于硬件自冗余的称重设备传感器故障检测方法

传统的称重设备采用的是模拟称重传感器,不具有故障自检测功能。有研究人员研究了针对称重设备传感器故障检测的方法,但都是从称重传感器的输出进行检测,忽略了产生故障的原因,导致了检测过程复杂、运算量大。为此文章提出了基于硬件自冗余的称重设备传感器故障检测方法,利用称重传感器自身具有的硬件冗余现象对称重传感器的故障进行检测。实验表明,当称重传感器由于自身质量问题而发生故障时,此方法可以有效检测出称重传感器发生了故障。     

基于小波变换和DBN的汽车衡传感器故障诊断

称重传感器作为动态汽车衡的核心部件,一旦发生故障将会对动态称重系统造成严重影响.为了准确地对称重传感器进行故障诊断,提出了一种基于小波变换和深度信念网络(DBN)的故障诊断方法.该方法不仅可以有效地判断出传感器信号是正常波动还是故障,还可以通过将DBN模型的预测值代替实测故障值,保证动态称重系统输出的准确性.通过仿真实验证明:该方法能够对故障传感器进行判别与估计,有效提高了动态称重系统的精度.     

多模型传感器故障软闭环容错控制研究

针对一类非线性系统建立精确机理模型困难、且仅用单一模型进行故障检测与容错不甚可靠等问题,提出一种基于数据驱动的多模型传感器故障软闭环容错控制方法,并对非线性系统中卡死、恒增益、恒偏差等常见传感器故障进行了研究。首先采用历史数据建立了系统的RBF神经网络、最小二乘支持向量机和核部分最小二乘三种预测模型,并基于序贯概率比检验算法同时以多个模型产生的残差对传感器进行故障检测;当检测出传感器发生故障时,则用系统多个预测模型的融合值代替传感器的输出,从而以软闭环方式实现对传感器故障的容错控制。最后将所提出的方法应用于一阶水箱液位控制系统,实验结果表明多残差与序贯概率比检验算法的结合能够可靠诊断传感器故障,多预测值优化融合的软闭环可对传感器故障实现安全、高性能容错。     

称重设备传感器零漂检测方法研究

数字化改造后的称重设备其称重传感器具有故障诊断的功能,但目前缺少针对称重传感器零漂故障诊断的方法。为此,文章提出了基于滑窗原理和零点采样序列标准差的零漂故障检测方法。首先对称重传感器的零点输出信号采样,然后利用滑窗取出其中的n个连续值,求出这n个值的标准差,最后用此标准差与正常输出标准差的比值作为检测依据。当比值大于设定阈值时,传感器存在故障,否则不存在故障。测试表明该方法能有效检测传感器的零漂故障。     

基于改进的自注意力长短期记忆网络的传感器故障预检测方法

针对传感器故障检测方法对早期微弱故障信息不敏感以及抗异常值干扰能力差的问题,提出了一种基于因果卷积改进的自注意力长短期记忆网络(CCALSTM)模型和Shapiro-Wilk检验与阈值比较法相结合的故障预检测方法.首先在长短期记忆网络(LSTM)模型中引入基于因果卷积的自注意力机制,以提取局部信息特征,减少异常值对预测精度的影响;然后将预测结果与测量值进行残差计算,并利用滑动窗口选取合适长度的残差序列;最后将残差序列通过Shapiro-Wilk检验和阈值比较法相结合的故障检测方法进行故障预检测.通过传感器原始数据进行仿真实验,并与支持向量机(SVM)、误差反向传播网络(BP)、双向长短期记忆网络(Bi-LSTM)等常见预测模型进行对比,结果表明CCALSTM模型取得了更高的预测精度结果,且具有更高的鲁棒性;同时,所提出的故障预检测方法表现出对传感器早期微弱故障敏感,能够在故障潜伏期及时检测出故障.     

基于信息融合的汽车衡称重传感器故障诊断

传统汽车衡不具备故障诊断功能,任一称重传感器发生故障都将导致称重系统失效.为此提出了一种基于信息融合的汽车衡称重传感器故障诊断方法,利用径向基函数神经网络(RBFNN)逼近汽车衡多路称重传感器之间的函数关系,预测各传感器的输出,并给出RBFNN的训练算法;以各传感器的预测信号与实测信号为输入,建立了融合检测模型,采用表决融合检测准则,完成故障传感器寻址、故障类型识别、故障程度判决和故障传感器正常输出估计等故障诊断.大量实验与现场检定证明,采用这种方法的汽车衡准确实现了称重传感器故障诊断,任一称重传感器失效后的汽车衡性能优于正常状态下4级秤的指标,其最大称重误差0.7%,提高了系统可靠性.     

一种无线传感器网络动态称重系统传感器自诊断方法

在无线传感器网络动态称重(Wireless sensor networks-weighing-in-move,WSN-WIM)系统中,传感器的校验是一个关键性问题.本文提出一种基于灰色预测理论的传感器故障诊断方法,同时对灰色预测模型进行了优化,避免了由于预测模型中的理论缺陷给第一个传感器的故障诊断带来的错误假定.在WS...     

基于有限时间未知输入观测器的一类受扰非线性系统故障检测与估计

针对一类非线性系统同时存在执行器故障、传感器故障和扰动的问题,提出一种基于有限时间未知输入观测器的故障检测与估计方法.首先,通过线性非奇异变换将原系统解耦为两个降阶的子系统,其中一个子系统只包含扰动,另一个子系统同时包含扰动和故障;然后,通过一阶低通滤波器获得新的状态并与子系统构成增广系统,实现将原系统的传感器故障转化为增广系统的执行器故障;接着,设计未知输入观测器对增广系统故障进行检测,实现在有限时间内估计出系统的扰动和故障,并通过理论分析验证所设计观测器的有限时间收敛性;最后,基于永磁同步电机(PMSM)转速系统进行仿真研究,仿真结果验证了所提出方法的有效性.     

双余度传感器的故障检测与识别

传感器是任何测控系统中不可缺少的部件,也是最容易出故障的环节,传感器故障检测、 识别和信号重构一直得到极大的重视.本文研究了仅利用双余度传感器的输出信号进行故障 检测与识别问题,提出了一个双余度传感器故障信号识别器(FSD),建立了故障信号识别的基 本原理,导出了相应的传感器故障检测与识别的递推算法,并给出了仿真结果.     

基于改进灰色预测模型的半球谐振陀螺在线故障检测

针对基于半球谐振陀螺的导航系统故障检测的实时性要求高、数据变化缓慢等特点,提出了一种改进型的灰色预测模型,将移动窗口初值优化的灰色预测模型和最小二乘结合,对该类惯性传感器的故障进行实时在线检测.对处置优化的灰色预测模型的残差信号进行建模,提高了预测的精度,从而实现了利用少量的历史数据对下一时刻数据的准确预测,达到对半球谐振陀螺实时故障检测的目的.详细描述了改进型灰色预测模型的建模方法和步骤,并针对半球谐振陀螺的3种故障形式,与普通灰色预测方法进行了对比仿真研究.结果表明该方法可以准确、有效地进行在线故障检测.     

一种WSN-WIM系统传感器自诊断方法

在WSN-WIM系统中,传感器的校验是一个关键性问题。本文提出一种基于灰色预测理论的传感器故障诊断方法,同时对灰色预测模型进行了优化,避免了由于预测模型中的理论缺陷给第一个传感器的故障诊断带来的错误假定。在WSN-WIM系统环境下的仿真实验中,取得了小于0.3%的平均误差,100%的诊断精度。此外此方法还具有计算量小（计算时间在毫秒级）、实时性强、自适应自诊断能力强等特点,非常适合应用于嵌入式、分布式高速动态多传感器称重系统中。     

具有多传感器的CPS系统的攻击检测

信息物理系统（cyber-physical systems，简称CPS）是基于环境感知实现计算、通信与物理元素紧密结合的下一代智能系统，广泛应用于安全攸关的系统和工业控制等领域.信息技术与物理世界的相互作用使得CPS容易受到各种恶意攻击，从而破坏其安全性.主要研究存在瞬态故障的CPS中传感器的攻击检测问题.考虑具有多个传感器测量相同物理变量的系统，其中一些传感器可能受到恶意攻击并提供错误的测量.此外，使用抽象传感器模型，每个传感器为控制器提供一个真实值的可能间隔.已有的用于检测传感器被恶意攻击的方法是保守的.当专业攻击者在一段时间内轻微地或不频繁地操纵传感器的输出时，现有方法很难捕获到攻击，如隐身攻击.为了解决这个问题，设计了一种基于融合间隔和历史测量的传感器攻击检测方法.该方法首先为不同的传感器构建不同的故障模型，使用系统动力学方程把历史测量融入到攻击检测方法中，从不同的方面分析传感器的测量.另外，利用历史测量和融合间隔解决了两个传感器的测量相交时是否存在故障的问题.该方法的核心思想是利用传感器之间的成对不一致关系检测和识别攻击.从EV3地面车辆上获得真实的测量数据来验证算法的性能.实验结果表明，所提出的方法优于现有方法，对各种攻击类型都有较好的检测和识别性能，特别是对于隐身攻击，检测率和识别率大约提高了90%以上.     

基于RBF网络的高炉热流分析传感器故障诊断

在炼铁高炉热流强度分析系统中要用到温度、流量等传感器,为确保热流分析系统中传感器数据的可靠性及系统的连续、稳定运行,诊断系统用径向基函数(RBF)神经网络对传感器进行故障判断。系统由上位机、温度及流量采集装置、传感器等组成,采用RBF神经网络为每一个传感器建立预测模型,网络的输入为传感器采集信号最近的n个值,输出为该传感器在n+1时刻的预测输出值。网络通过在线学习实现对传感器的在线故障监测,经仿真分析表明:用RBF神经网络构建预测模型可满足实时性的诊断要求,提高了诊断系统的诊断精度。     

基于低复杂度最大空闲矩形的非线性传感器故障诊断方法

针对现存的很多传感器故障诊断方法假设前提多以及复杂度高的问题,提出一种分布式诊断方法来识别无线传感器网络(WSN)中的非线性故障。首先,对局部传感器的输出值进行分析,得到一系列特征值;然后,在交叉误差函数的基础上,将传感器非线性故障诊断等效为最大空闲矩形(LER)问题。并使用提出的低复杂度最大空闲矩形算法予以解决;最后,通过定义一个阈值来诊断有故障的传感器,且不需要使用参考传感器就可以检测一般非线性故障。仿真实验使用了双音谐波信号激励和白噪声信号激励,比较了双线性和指数非线性两种情况下的性能。相比集中式故障诊断方法,提出的算法节省了大量数据传输功率,且获得了非线性模型正常区域边界的准确值。相比最优LER算法,提出的低复杂度LER算法检测性能与之相似,但复杂度更低。     

定值和随动单闭环系统传感器故障诊断

在线闭环系统传感器的故障, 由于控制器的调节作用, 使得其故障诊断变得复杂. 本文针对定值和随动单 闭环系统传感器故障, 在正常系统和故障系统动态特性分析基础上, 提出了一种基于系统动态趋势和数据驱动的故 障诊断方法. 该方法利用动态窗口残差数据实现故障监测; 以数据变化最大值实现故障估计; 采用二次线性回归实 现故障分离; 建立了系统故障监测、故障估计和故障分离的静态模型; 同时给出了诊断模型在线应用的标定方法和 诊断流程. 通过实验验证了方法的有效性和诊断的高精度. 该方法适用于一般的一阶定值和随动闭环控制系统传 感器的实时故障诊断.     

A hybrid fault prediction method for control systems based on extended state observer and hidden Markov model

Fault diagnosis and prediction for complex control systems rely either on the collection of rich data for training neural networks or on the system models and prior knowledge of faults. These methods are difficult to apply directly in complex integrated systems due to the large uncertainties in practical scenarios. A new fault diagnosis and prediction technique that is based on extended state observer (ESO) and a hidden Markov model (HMM) for control systems is proposed in this paper. Real-time and predictive information that is obtained by ESO of the active disturbance rejection control (ADRC) is utilized to improve the HMM method for the fault prediction of control systems with large uncertain disturbances. The proposed approach realizes a high recognition rate with a small demand for data, and the dependence on the system model is weak without prior knowledge of faults. Fault prediction of the control system output can be realized without additional sensors. The proposed solution is evaluated in simulations of an asynchronous servo motor control system against the traditional control method and the ADRC control. The results indicate that the proposed method performs well in fault prediction and outperforms the traditional method in terms of control when disturbances and failures occur.     

基于FIR神经网络的风电场虚拟风速传感器

风电机组风速传感器易发故障,故障可能导致机组安全风险和发电量损失。针对现行的故障处理方法因与机组控制策略紧密耦合而日益面临挑战,提出了一种基于数据处理的虚拟风速传感器原理与方法：由风电场上风向测量风速计算下风向推算风速,用推算风速取代故障传感器。着重讨论了基于FIR神经网络的推算风速计算方法和计算模型,探讨了系统实现的关键技术。实验证明了虚拟传感器的误差在机组控制系统可接受的程度内。提出的方法独立于机组自身属性,具有普遍适用性,可部署在任意类型的场,在物理传感器故障时向机组提供风速信号,支撑风电机组持续安全运行。     

Optimised configuration of sensors for fault tolerant control of an electro-magnetic suspension system

For any given system the number and location of sensors can affect the closed-loop performance as well as the reliability of the system. Hence, one problem in control system design is the selection of the sensors in some optimum sense that considers both the system performance and reliability. Although some methods have been proposed that deal with some of the aforementioned aspects, in this work, a design framework dealing with both control and reliability aspects is presented. The proposed framework is able to identify the best sensor set for which optimum performance is achieved even under single or multiple sensor failures with minimum sensor redundancy. The proposed systematic framework combines linear quadratic Gaussian control, fault tolerant control and multiobjective optimisation. The efficacy of the proposed framework is shown via appropriate simulations on an electro-magnetic suspension system.     

基于神经网络的传感器冗余方法研究􀀁

本文把传感器硬件冗余技术、BP网络以及串并联Elman递归神经网络结合起来,提出了一种新方法用于构造具有传感器故障检测、分离且具有冗余能力的智能传感器系统。这可以减少硬件冗余技术中使用传感器的个数、消除硬件冗余技术中对冗余传感器应具有相同参数特性的要求,同时可以提高系统预报的准确性,仿真结果验证了这一方法的有效性。     

Bayesian Fault Probability Estimation: Application in Wind Turbine Drivetrain Sensor Fault Detection

In this paper, the extension of the Bayesian framework for sensor fault detection of nonlinear systems proposed in [25] is studied utilizing particle filtering and the expectation maximization (EM) algorithm, in which the fault probability is calculated. The proposed algorithm is implemented on a wind turbine benchmark model to detect drivetrain sensor faults, which are one of the most addressed and likely faults in offshore wind turbines. The fault probability estimation effectively eliminates the need for installing identical redundant sensors. Indeed, because of the use of the unknown wind speed estimator, the residual signal, constructed based on the drivetrain estimated states, is not able to clearly signify the fault periods, a situation in which the fault probability accurately does this task. Also, using the proposed algorithm, the fault size for each sensor is estimated via a one‐step calculation, which decreases the complexity of this algorithm. The fault identification is performed using the recursive least square method and two other modifications, including exponentially weighted and windowed estimates. Additionally, in the fault accommodation step, the concept of a virtual sensor is used to remove the need for reconfiguring the current controller, which reduces complexity and expense. In the simulation section, using a real measured wind speed for two different fault scenarios, the proposed algorithm is evaluated and finally, conclusions are stated.