李小明 李萌欣

摘 ?要： 對于目前傳感器設(shè)備故障診斷方法在診斷過程中會導(dǎo)致實際生產(chǎn)中弱故障診斷不靈敏，無法有效識別故障，并且充分考慮實際生產(chǎn)過程中的特點，提出基于FPGA的傳感器故障診斷算法設(shè)計。在不同殘差空間中分析故障，使系統(tǒng)對于弱故障診斷的精準(zhǔn)性得到提高。使用迭代算法對主元分析算法模型進行更新，利用殘差空間平方加權(quán)預(yù)測誤差變量的重構(gòu)對故障進行確定，從而對傳感器故障進行在線診斷。最后，通過企業(yè)實際數(shù)據(jù)實現(xiàn)此方法的在線故障診斷實驗。實驗結(jié)果表明，此種方法能夠有效診斷傳感器設(shè)備故障。

關(guān)鍵詞： 傳感器故障診斷; 故障識別; 弱故障診斷; 故障在線診斷; 故障分析; 模型更新

中圖分類號： TN911.23?34 ? ? ? ? ? ? ? ? ? ? ? ?文獻標(biāo)識碼： A ? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）19?0178?04

Abstract：For the current sensor equipment fault diagnosis methods in the process of diagnosis may lead to insensitivity to weak fault diagnosis in the actual production， and ineffectiveness to the fault identification， the design of sensor fault diagnosis algorithm based on FPGA is proposed by fully considering the characteristics of the actual production process. The fault analysis in different residual spaces improves the accuracy of the system for weak fault diagnosis. The principal component analysis （PCA） model is updated by iterative algorithm， and the reconstruction of error variable is predicted by the residual space square weighting to determine the fault， so that the sensor fault can be diagnosed online. The online fault diagnosis experiment was carried out for this method according to the actual data of an enterprise. The experimental results show that this method can effectively diagnose sensor equipment faults.

Keywords： sensor fault diagnosis; fault recognition; weak fault diagnosis; online fault diagnosis; fault analysis; model update

0 ?引 ?言

傳感器網(wǎng)絡(luò)被廣泛應(yīng)用到環(huán)境監(jiān)測、智能家居、醫(yī)療保健、農(nóng)業(yè)生產(chǎn)、軍事等領(lǐng)域中，大部分都是對溫度、濕度等進行監(jiān)測。傳感器節(jié)點在使用過程中會出現(xiàn)多種故障，降低了監(jiān)控功能，導(dǎo)致經(jīng)濟損失。利用故障診斷能夠正確且及時地診斷故障狀態(tài)及異常的狀態(tài)，預(yù)防和消除故障，提高網(wǎng)絡(luò)運行可靠性。在診斷傳感器故障過程中，使用算法融合節(jié)點和鄰節(jié)點的數(shù)據(jù)，存在大量冗余計算，節(jié)點自身感知、數(shù)據(jù)融合及通信都會浪費大量能量，實現(xiàn)故障檢測要降低功耗。相關(guān)研究創(chuàng)建了神經(jīng)網(wǎng)絡(luò)及粗糙集故障診斷算法，算法較為復(fù)雜，無法在大量節(jié)點的網(wǎng)絡(luò)中使用[1]。本文針對傳感器故障檢測算法計算冗余比較大的特點，提出故障檢測分簇算法，各簇都能夠選擇優(yōu)化分割閾值，使診斷精度及效率得到提高。

1 ?傳統(tǒng)算法分析

傳感器故障算法通過網(wǎng)絡(luò)中的鄰節(jié)點測量數(shù)據(jù)對比測試實現(xiàn)故障診斷。對隨機分布在一定區(qū)域中的傳感器節(jié)點來說，每個節(jié)點都會對壓力、溫度、濕度等數(shù)據(jù)進行檢測。因為工作時間比較長，所以導(dǎo)致節(jié)點出現(xiàn)異常，對無法實地檢測或者檢測工作量比較大時，可利用檢測得出數(shù)據(jù)，從而進行分析。傳感器故障診斷過程為：

對比區(qū)域中的節(jié)點[Si]和某鄰節(jié)點[Sj]，得到不同感知數(shù)據(jù)，因為兩者為相鄰節(jié)點，距離比較近，在某時刻[t]所感知數(shù)據(jù)也較為接近，差值不超過閾值。在另外時刻[t+1]，兩個相鄰節(jié)點感知數(shù)據(jù)差和差值不超過另外的閾值。假如上述兩個條件都得到滿足，那么初步診斷兩個節(jié)點都是正常節(jié)點，測試結(jié)果[Cij]表示為0，只要其中一條沒有滿足，那么就表示[Si]或者[Sj]出現(xiàn)故障，測試結(jié)果[Cij]表示為1。對于節(jié)點[Si]來說，能夠得到其和鄰節(jié)點測試結(jié)果，假如[Si]測試結(jié)果為1的節(jié)點數(shù)量比鄰節(jié)點數(shù)目的一半要大，表示節(jié)點[Si]初步診斷狀態(tài)可能為故障，否則就是正常。對網(wǎng)絡(luò)中全部節(jié)點遍歷以后能夠得到每個節(jié)點初步診斷的狀態(tài)。對初步診斷狀態(tài)來說，無法對節(jié)點的真正狀態(tài)精準(zhǔn)確定，導(dǎo)致[Cij]診斷結(jié)果不精準(zhǔn)。那么，對節(jié)點[Si]實現(xiàn)診斷的過程中，要充分考慮節(jié)點[Si]全部鄰節(jié)點診斷狀態(tài)都是可能正常節(jié)點數(shù)量減去[Si]的測試結(jié)果為1的節(jié)點數(shù)，結(jié)果比[Si]全部鄰節(jié)點數(shù)量的一半要大或者相等，以此表示最終診斷結(jié)果正常。反之，[Si]診斷結(jié)果為故障[2]。

3 ?故障檢測及識別

基于FPGA，數(shù)據(jù)信息丟失比較少，使高維數(shù)據(jù)空間映射到低維子控件中，使用少量不相關(guān)主元變量對原高維數(shù)據(jù)空間信息進行描述。通過數(shù)學(xué)方面的分析，PCA本質(zhì)為實現(xiàn)元數(shù)據(jù)空間坐標(biāo)變換，將表示數(shù)據(jù)變化方向坐標(biāo)作為新空間坐標(biāo)方向進行保留，從而實現(xiàn)高維控件降維，在進行變換的過程中，系統(tǒng)總方差沒有變化，只是根據(jù)方差大小重新分布。

一個完整基于FPGA模型的故障檢測和識別的過程包括以下階段：

1） 創(chuàng)建FPGA模型。首先，實現(xiàn)數(shù)據(jù)矩陣每列多尺度小波分解，得出每列數(shù)據(jù)各個尺度小波系統(tǒng)[D1]，…，[DL]與逼近系數(shù)[AL]，使不同傳感器變量尺度相同得出系數(shù)構(gòu)成系數(shù)矩陣，從而能夠得到[L+1]個系數(shù)矩陣，每個矩陣表示不同尺度，并且具備相應(yīng)尺度感知數(shù)據(jù)信息。之后，分別以此[L+1]個系數(shù)矩陣創(chuàng)建PCA模型，對相應(yīng)尺度主元數(shù)及統(tǒng)計量控制限進行計算[6]。

2） 故障檢測及識別。首先，實現(xiàn)測試數(shù)據(jù)集的小波分解，從而得到各個尺度小波系數(shù)及逼近系數(shù);之后，以創(chuàng)建的多尺度PCA模型對各個尺度小波系數(shù)在同個尺度模型中的統(tǒng)計量進行計算，實現(xiàn)各個尺度控制圖的繪制。假如某個尺度中的統(tǒng)計量超過控制限，表示感知數(shù)據(jù)中具有此尺度節(jié)點故障，一般不同故障的尺度特征也各有不同。

本文以故障尺度特征是節(jié)點故障劃分為兩種：

1） 具備穩(wěn)定尺度特征故障類型，比如精度降低、緩慢漂移等故障，在發(fā)生此種故障時，故障特征只是表現(xiàn)在粗尺度低頻信號及細尺度高頻信號中;

2） 具備尺度特征遷移特性故障類型，比如固定故障及恒偏差故障，出現(xiàn)此故障時，故障具備高頻帶小尺度朝著低頻帶大尺度轉(zhuǎn)移的特點。簡單來說，從細尺度小波系數(shù)捕捉到數(shù)據(jù)突變高頻變化，故障在異常值持續(xù)穩(wěn)定時，粗尺度小波系數(shù)及尺度系數(shù)會對異常進行監(jiān)測，以故障特點尺度信息對故障類型進行綜合判斷。在對異常尺度進行監(jiān)測之后，通過相應(yīng)尺度貢獻圖的繪制，尋找與故障相關(guān)的節(jié)點變量，以此識別故障[7]。

基于FPGA節(jié)點故障檢測及識別的流程如圖1所示。

4 ?仿真結(jié)果分析

本文以電廠過熱氣溫控制系統(tǒng)為例對算法進行驗證，主蒸汽溫度是過熱氣溫控制系統(tǒng)中的主要參數(shù)，主蒸汽溫度傳感器測量范圍在400～600 ℃，主蒸汽溫度變化范圍在535～545 ℃。假設(shè)傳感器模型為：

[G（s）=3s+ds2+10s+24]

對[u（t）]使用分段平穩(wěn)均勻分布隨機信號，干擾使用0.1方差的高斯白噪聲。理論研究及現(xiàn)場實際故障表明，傳感器大部分故障表示為恒偏差、卡死、漂移及恒增益。實現(xiàn)不同傳感器故障的監(jiān)測，比如出現(xiàn)沖擊干擾實現(xiàn)仿真，之后給出仿真結(jié)果。[u（t）]不恒為零，脈沖幅度為1，周期設(shè)置為2 s，脈沖寬度設(shè)置為信號周期的10%，使用0.02 s采樣時間，通過Simulink建模得到傳感器輸入輸出信號，如圖2～圖5所示。

圖2a）指的是工況負荷45%，主氣溫傳感器在200 s出現(xiàn)卡死故障之后的信號曲線;圖2b）指的是濾波之后信號曲線，改進濾波器能夠?qū)⒏蓴_進行消除，將信號故障特點進行保留;圖2c）屬于小波多分辨分析結(jié)果，表示在細節(jié)尺度[d1]，[d2]，[d3]中能夠明顯檢測到故障。

圖3a）是指78%工況負荷中主氣溫傳感器在50 s出現(xiàn)偏差突變故障曲線;圖3b）指的是在濾波之后信號曲線，能夠觀察主氣溫此時出現(xiàn)明顯突變，表示傳感器在這個時候出現(xiàn)故障;圖3c）指的是小波分辨分析結(jié)果，可以看出，在細節(jié)尺度[d1]，[d2]，[d3]中能夠?qū)收线M行有效監(jiān)測。

圖4a）指的是基于工況45%中主氣溫傳感器50 s發(fā)生-5%增益突變曲線和形態(tài)學(xué)?小波檢測的結(jié)果;圖4b）為濾波之后信號曲線，表示50 s時主氣溫出現(xiàn)明顯突變，說明傳感器在這個時候出現(xiàn)故障;圖4c）指的是小波多分辨分析結(jié)果，在細節(jié)尺度[d1]，[d2]，[d3]中能夠?qū)崿F(xiàn)故障精準(zhǔn)檢測。

因為傳感器漂移故障的變化比較緩慢，并且幅度比較小，部分檢測方法對于此種類型故障并不敏感，使用本文分析的算法實現(xiàn)仿真研究。圖5a）指的是基于78%工況中主蒸汽溫度曲線，通過曲線可以看出溫度信號在100 s以后逐漸開始變化，圖5b）指的是濾波之后信號曲線，此曲線表示改進濾波器能夠?qū)⒃夹盘栁⑿」收咸攸c進行保留。圖5c）指的是小波多分辨的分析結(jié)果，故障特點在[d1]尺度中并沒有明顯變化，在尺度不斷擴大的過程中也突出了細節(jié)特征?；赱d3]尺度表示傳感器在100 s時出現(xiàn)故障。本文所設(shè)計的算法能夠?qū)鞲衅鞲鞣N故障進行監(jiān)測，能夠使其應(yīng)用到傳感器故障檢測和診斷中[8]。

5 ?結(jié) ?語

本文所提出的基于FPGA傳感器故障診斷方法能夠?qū)鞲衅鲃討B(tài)特點進行模擬，并且對傳感器實時狀態(tài)進行監(jiān)測，精準(zhǔn)判斷傳感器故障，有效彌補傳統(tǒng)故障診斷在系統(tǒng)建模中的缺點，該方法在傳感器故障診斷中的應(yīng)用價值良好。

參考文獻

[1] 吳魁，王仙勇，孫潔，等.基于深度卷積網(wǎng)絡(luò)的多傳感器信號故障診斷方法研究[J].計算機測量與控制，2018，26（1）：18?21.

WU Kui， WANG Xianyong， SUN Jie， et al. Study of multi?sensor fault diagnose method based on convolutional neural networks [J]. Computer measurement and control， 2018， 26（1）： 18?21.

[2] 史歷程，趙驍，趙群飛，等.基于小波能譜熵和集成經(jīng)驗?zāi)B(tài)分解的傳感器故障診斷耦合算法研究[J].動力工程學(xué)報，2018，38（8）：624?632.

SHI Licheng， ZHAO Xiao， ZHAO Qunfei， et al. Study on coupling algorithm of sensor fault diagnosis based on WEE and EEMD [J]. Power engineering， 2018， 38（8）： 624?632.

[3] 吳麗.基于速度辨識的速度傳感器故障診斷及自動容錯控制研究[J].機車電傳動，2017（3）：101?104.

WU Li. Research on sensors fault diagnosis and auto?tolerant control based on model reference adaptation [J]. Electric drive for locomotive， 2017（3）： 101?104.

[4] 蒲天銀，饒正嬋.基于神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)故障診斷方法[J].現(xiàn)代電子技術(shù)，2015，38（23）：34?36.

PU Tianyin， RAO Zhengchan. Fault diagnosis method of wireless sensor network based on neural network [J]. Modern electronics technique， 2015， 38（23）： 34?36.

[5] 張偉鵬，李光升，李國強.基于小波分析的傳感器故障診斷方法仿真研究[J].計算機測量與控制，2018，26（4）：39?43.

ZHANG Weipeng， LI Guangsheng， LI Guoqiang. Simulation research on fault diagnosis method of sensor based on wavelet analysis [J]. Computer measurement & control， 2018， 26（4）： 39?43.

[6] 武青海.局部均值分解與支持向量機相融合的傳感器故障診斷[J].現(xiàn)代電子技術(shù)，2017，40（3）：110?113.

WU Qinghai. Sensor fault diagnosis fusing local mean decomposition with support vector machine [J]. Modern electronics technique， 2017， 40（3）： 110?113.

[7] 付光杰，胡明哲.無線傳感器網(wǎng)絡(luò)故障診斷研究[J].數(shù)字技術(shù)與應(yīng)用，2018（3）：50?51.

FU Guangjie， HU Mingzhe. Research on fault diagnosis of wireless sensor networks [J]. Digital technology and application， 2018（3）： 50?51.

[8] 沈艷霞，楊雄飛，趙芝璞.風(fēng)力發(fā)電系統(tǒng)傳感器故障診斷[J].控制理論與應(yīng)用，2017，34（3）：321?328.

SHEN Yanxia， YANG Xiongfei， ZHAO Zhipu. Sensor fault diagnosis of wind turbine system [J]. Control theory & applications， 2017， 34（3）： 321?328.