CN111780800B - 一种传感器故障的监测、隔离以及重构方法和系统 - Google Patents

Abstract

本发明提供的一种传感器故障的监测、隔离以及重构方法和系统，根据主元空间与残差空间的具体特征来进行分别重构，有利于提高重构的准确性，在定位故障传感器后，可以利用其他正常传感器在主元空间中的参数辅助故障传感器进行数据重构，也能够提高重构数据的准确性。且在数据重构的过程中，对故障传感器的残差空间进行单独重构，能够提高重构结果的真实性。并且，采用循环监测的方式，能够发现故障程度较小的传感器或者同一时间并发的故障传感器，极大地提高了对多传感器故障现象的监测能力。此外，故障传感器被隔离后，重构过程可使其他无故障传感器继续运行一段时间，直到故障传感器被更换或者维修，能够提高系统运行的安全性。

Description

一种传感器故障的监测、隔离以及重构方法和系统

技术领域

本发明涉及传感器检测领域，特别是涉及一种传感器故障的监测、隔离以及重构方法和系统。

背景技术

考虑核电厂或其他大型工业流程时，安全性是最重要的衡量指标。同时，在许多核电厂运行期间，对经济效率的需求也大大增加。因此，为了确保整个核电站的安全性和经济性，核电站中使用了许多数字仪表和控制(I&C)系统。而且，传感器相当于核电厂中数字I&C系统的眼睛，并承担信息收集的任务。传感器的性能将在一定程度上影响核电站的安全性和经济性。因此，首先要保证传感器自身的状态。

但是，传感器在核电站或者其他工业中，有时会在复杂运行环境中工作，例如高温，高压和高辐射。这些因素增加了传感器故障的可能性。此外，随着核电站运行时间的增加，传感器可能会出现各种问题，例如传感器精度下降、漂移、偏差和完全故障。结果，核电厂的运行数据无法准确测量，这可能导致工业系统或设备偏离最佳状态，从而影响生产的安全性和经济性。

目前，许多重要设备采用冗余传感器的方式来进行监测。例如，压水堆(Pressurized Water Reactor，PWR)电站的调节器水位测量传感器使用三重冗余设置，宽芯提出的偏差交叉验证可对物理冗余传感器进行状态监控。当通道传感器发生重大故障时，请隔离故障通道并取其余两个通道的平均值，以参与设备的控制操作。这种类型的传感器的状态监测存在两个问题：

(1)当传感器的漂移较小或三个传感器的共模故障程度相同时，两个传感器之间的偏差不超过偏差报警极限。

(2)当两个传感器发生共模故障时，尽管偏差超出了警报范围，但是正常运行状态传感器被屏蔽，最终通道输出两个异常传感器的平均值。

尽管在冗余设置的传感器组中出现大多数传感器异常的可能性很小，但是由于冗余传感器通常是同一类型且具有相似的工作环境并且相对较苛刻，因此冗余传感器可能会遇到共模故障，例如随时间推移的性能。发生相似的寿命，性能下降甚至失败的程度相同。由传感器的物理冗余监测的参数全部与安全有关或参与主控制过程，这对整个核电站运行的安全性和经济性都有重要影响，因此，从实测数据来看，传感器故障主要表现为以下几种形式：完全故障故障、偏置故障、漂移故障和精度下降故障。传感器的完全故障可以很容易地检测出来，但是对于其他三种软故障检测则相对困难。因此，大多数学者专注于对传感器的上述三种软故障(偏置故障，漂移故障和精度下降故障)进行检测和隔离。

传统的核电站使用定期的手动校准方法来维护传感器。根据美国电力研究协会(Electric Power Research Institute，EPRI)的统计报告，在一个为期18个月的燃料循环中，单个核电厂的停工和大修验证过程需要26000个工时。目前，核电厂已经出现了一些自动标定方法来代替原来的手动标定方法，例如在线交叉标定技术。

目前，学者们希望通过对传感器状态监测的研究，将核电厂的常规仪器维护升级为基于状态的维护。这些研究集中于传感器监测、故障检测和故障隔离。在包括核工业，化学工业和汽车工业在内的许多工业中，传感器监测、故障检测和故障隔离方面已经进行了大量工作。其中，Perla在校正过程中将人工神经网络用于传感器监测、故障检测和故障隔离。并在培训过程中增加了实际生产中的时延效应，以提高故障检测和隔离的准确性。Tarek提出了区间值变量和区间主成分分析(Principal Component Analysis，PCA)方法，其关键思想是扩展基于常规PCA的统计过程监测的方法，以处理间隔值数据。Li运用PCA技术在核电站中实施传感器的监测，故障检测和故障隔离，主要是将数据预处理和错误警报减少与常规PCA方法结合使用以在实践中提高模型性能。Mohapatra比较了6种不同的机器学习(多层感知器，神经网络，K最近邻，支持向量分类器，高斯朴素贝叶斯，决策树和Tokamak传感器故障检测的随机森林分类器)故障检测技术对故障检测和典型故障识别的影响磁性位置传感器，从获得的比较结果可以看出，在六种机器学习方法中，即基于随机森林分类器的方法在速度和准确性方面被认为是最好的。Gautam使用扩展的卡尔曼滤波器来制定故障检测指标和故障特征。Harkat提出了一种基于非线性PCA的数据驱动方法来检测和隔离多个传感器故障。在非线性情况下提出了多传感器的重建方法，并成功地应用于空气质量监测网络的多传感器故障检测和隔离。Fragkoulis提出了一种基于非线性模型的自适应观测器方法，用于监测、隔离和识别执行器和传感器故障，这种方法的优点是它可以处理多个故障并减少隔离时间。Navi使用自适应核主成分分析(KPCA)来克服传统PCA方法无法处理时变动态过程的问题，并研究时变非线性动态系统的传感器故障检测和隔离。Wu将多重初始传感器故障诊断应用于高速铁路牵引装置，主要讨论了带有传感器偏置的Lipschitz非线性系统的初始故障诊断，并讨论了可测量故障信息残差(ToMFIR)的进一步结果。

尽管在现有技术中已经对传感器FDI进行了大量研究，但对故障传感器监控参数的重建过程太过简单。Dunia R提出了传感器有效性指标，通过重建监控数据来确定传感器的状态。H.Henry提出了一种基于重构的故障检测方法，以提高故障检测的准确性。Lin使用数据驱动的独立元分析进行故障数据重建。Li提出了一种基于迭代重建的故障传感器重建算法，该算法可以在隔离故障传感器的同时重建故障数据，而重构算法在多传感器故障重构中存在较大的误差。同时，以上大多数学者使用重构来进行故障隔离，并且没有将故障数据恢复为真实数据。某些重构算法具有有限的可重新配置间隔。某些模型在重建后具有较大的数据错误，并不能满足大规模传感器的故障检测与隔离(Fault DetectionIsolation，FDI)和行业中测量值重构的需求。

发明内容

本发明的目的是提供一种传感器故障的监测、隔离以及重构方法和系统，以解决现有技术中存在的上述问题。

为实现上述目的，本发明提供了如下方案：

一种传感器故障的监测、隔离以及重构方法，包括：

获取待监测传感器在正常工作状态时的初始数据，并根据所述初始数据建立数据矩阵，确定所述数据矩阵的特征值和特征向量；

采用主元百分比法根据所述特征值和所述特征向量确定主成分分析监测模型的主元个数；

根据所述主元个数确定主元空间和残差空间；

根据所述主元空间和所述残差空间确定待监测传感器的标准参数；所述标准参数包括：主元空间的监测参数和残差空间的监测参数；

实时获取所述待检测传感器的运行数据，并根据所述运行数据确定所述待检测传感器的监测参数；

根据所述标准参数和所述监测参数判断所述待检测传感器是否发生故障；

若所述待检测传感器发生故障，则根据所述主元个数和所述特征向量确定每一待监测传感器的贡献率；

根据所述贡献率定位发生故障的传感器，并确定故障传感器的编号；

获取所述故障传感器发生故障前一时刻的运行数据，并根据所述前一时刻的运行数据对所述主元空间进行重构，得到重构后的主元空间；

根据所述初始数据对所述残差空间进行重构，得到重构后的残差空间；

根据所述重构后的主元空间和所述重构后的残差空间确定模型空间，并将所述模型空间转换为数据矩阵，根据转换得到的所述数据矩阵得到重构数据，以完成所述故障传感器数据的重构；

采用所述重构数据替换所述故障传感器的故障数据，以完成对故障传感器的隔离，并继续进行监测，若在监测过程中发现新的故障传感器，则返回步骤“根据所述贡献率定位发生故障的传感器，并确定故障传感器的编号”；若在监测过程中没有发现新的故障传感器，则确定所有传感器处于正常工作状态。

优选的，所述采用主元百分比法根据所述特征值和所述特征向量确定主成分分析监测模型的主元个数，具体包括：

将所述特征值进行降序排列，得到特征值序列；

选取所述特征值序列中的前k个特征值，并确定所述前k个特征值总和与所有特征值总和的比值；

将所述比值大于设定值的k值作为所述主元个数。

优选的，所述设定值为85％。

优选的，在获取待监测传感器在正常工作状态时的初始数据之后，还包括：

对所述初始数据进行预处理，得到预处理后的初始数据；所述预处理包括去噪、数据归一化和标准化处理。

优选的，所述根据所述初始数据对所述残差空间进行重构，得到重构后的残差空间，具体包括：

获取预设滑动分析窗；

根据所述初始数据确定所述预设滑动分析窗内样本点的均值残差空间；

根据所述均值残差空间对所述残差空间进行重构，得到重构后的残差空间。

一种传感器故障的监测、隔离以及重构系统，包括：

第一获取模块，用于获取待监测传感器在正常工作状态时的初始数据，并根据所述初始数据建立数据矩阵，确定所述数据矩阵的特征值和特征向量；

主元个数确定模块，用于采用主元百分比法根据所述特征值和所述特征向量确定主成分分析监测模型的主元个数；

空间确定模块，用于根据所述主元个数确定主元空间和残差空间；

标准参数确定模块，用于根据所述主元空间和所述残差空间确定待监测传感器的标准参数；所述标准参数包括：主元空间的监测参数和残差空间的监测参数；

监测参数确定模块，用于实时获取所述待检测传感器的运行数据，并根据所述运行数据确定所述待检测传感器的监测参数；

故障发生判断模块，用于根据所述标准参数和所述监测参数判断所述待检测传感器是否发生故障；

贡献率确定模块，用于若所述待检测传感器发生故障，则根据所述主元个数和所述特征向量确定每一待监测传感器的贡献率；

故障传感器定位模块，用于根据所述贡献率定位发生故障的传感器，并确定故障传感器的编号；

主元空间重构模块，用于获取所述故障传感器发生故障前一时刻的运行数据，并根据所述前一时刻的运行数据对所述主元空间进行重构，得到重构后的主元空间；

残差空间重构模块，用于根据所述初始数据对所述残差空间进行重构，得到重构后的残差空间；

数据重构模块，用于根据所述重构后的主元空间和所述重构后的残差空间确定模型空间，并将所述模型空间转换为数据矩阵，根据转换得到的所述数据矩阵得到重构数据，以完成所述故障传感器数据的重构；

持续监测模块，用于采用所述重构数据替换所述故障传感器的故障数据，以完成对故障传感器的隔离，并继续进行监测，若在监测过程中发现新的故障传感器，则返回步骤“根据所述贡献率定位发生故障的传感器，并确定故障传感器的编号”；若在监测过程中没有发现新的故障传感器，则确定所有传感器处于正常工作状态。

优选的，所述主元个数确定模块，具体包括：

排序单元，用于将所述特征值进行降序排列，得到特征值序列；

比值确定单元，用于选取所述特征值序列中的前k个特征值，并确定所述前k个特征值总和与所有特征值总和的比值；

主元个数确定单元，用于将所述比值大于设定值的k值作为所述主元个数；所述设定值为85％。

优选的，还包括：

预处理模块，用于对所述初始数据进行预处理，得到预处理后的初始数据；所述预处理包括去噪、数据归一化和标准化处理。

优选的，所述残差空间重构模块，具体包括：

获取单元，用于获取预设滑动分析窗；

均值残差空间确定单元，用于根据所述初始数据确定所述预设滑动分析窗内样本点的均值残差空间；

残差空间重构单元，用于根据所述均值残差空间对所述残差空间进行重构，得到重构后的残差空间。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的传感器故障的监测、隔离以及重构方法和系统，根据主元空间与残差空间的具体特征分别进行重构，有利于提高重构的准确性，在定位故障传感器后，可以利用其他正常传感器在主元空间中的参数辅助故障传感器进行数据重构，也能够提高重构数据的准确性。且在数据重构的过程中，对故障传感器的残差空间进行单独重构，能够提高重构结果的真实性。并且，采用循环监测的方式，能够发现故障程度较小的传感器或者同一时间并发的故障传感器，极大地提高了对多传感器故障现象的监测能力。此外，故障传感器被隔离后，重构过程可使其他无故障传感器继续运行一段时间，直到故障传感器被更换或者维修，能够提高系统运行的安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明本发明提供的传感器故障的监测、隔离以及重构方法的流程图；

图2为本发明实施例中实现传感器故障的监测、隔离以及重构的技术流程图；

图3为本发明提供的传感器故障的监测、隔离以及重构系统的结构示意图。

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。

本发明的目的是提供一种传感器故障的监测、隔离以及重构方法和系统，以提高对传感器故障进行监测的精确性、隔离的有效性以及提高数据重构的精确性和真实性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明本发明提供的传感器故障的监测、隔离以及重构方法的流程图，如图1所示，一种传感器故障的监测、隔离以及重构方法，包括：

步骤100：获取待监测传感器在正常工作状态时的初始数据，并根据所述初始数据建立标准化的数据矩阵X，确定所述数据矩阵X的协方差、特征值λ和特征向量P。

其中，初始数据为传感器的最终测量数据，例如温度传感器的数据就是标准温度(300℃)，压力传感器的数据就是压力值(15Mpa)等具体过程量数据，该初始数据要求是在传感器在正常状态下、系统稳态下测量得到。在本发明中，优选采用数据采集板卡对初始数据进行存储，但不限于此。

步骤101：采用主元百分比法根据所述特征值和所述特征向量确定主成分分析监测模型的主元个数；该步骤具体包括：

步骤1011：将所述特征值进行降序排列，得到特征值序列。

步骤1012：选取所述特征值序列中的前k个特征值，并确定所述前k个特征值总和与所有特征值总和的比值。

步骤1013：将所述比值大于设定值的k值作为所述主元个数。所述设定值为优选85％。

当所述比值不大于设定值时，需要增大k的选取值，并继续确定增加个数后的后特征值总和与所有特征值总和的比值，直至所确定的比值大于设定值时，对应的选取值就是主元个数。

步骤102：根据所述主元个数确定主元空间C_p和残差空间C_r；其中，主元空间C_p对应前k个特征值和与其相对应的特征向量；残差空间C_r由剩余的特征值与特征向量构成。

步骤103：根据所述主元空间和所述残差空间确定待监测传感器的标准参数；所述标准参数包括：主元空间的监测参数T_α ²和残差空间的监测参数Q_α。其中，主元空间的监测参数T_α ²和残差空间的监测参数Q_α，作为传感器监测的基准。

步骤104：实时获取所述待检测传感器的运行数据，并根据所述运行数据确定所述待检测传感器的监测参数T²和Q。

步骤105：根据所述标准参数和所述监测参数判断所述待检测传感器是否发生故障。

该步骤中，主要是所得到的实时T²、Q分别与T_α ²、Q_α进行比较，从而对传感器的状态进行判断。若T²超出T_α ²或者Q超出Q_α，则认为有传感器发生了故障。

步骤106：若所述待检测传感器发生故障，则根据所述主元个数和所述特征向量确定每一待监测传感器的贡献率。

其中，基于Q统计量的贡献率计算公式如下：

式中，x_i是要计算的具体传感器对应分量，W是主元个数k，对应的前k个特征向量P₁-P_k(特征值由大到小排列，特征向量与特征值相对应)组成向量组。

基于T²的贡献率计算公式：

式中，t_j表示向量x_j的得分向量，ct_j,i表示每个变量x_i对第j个得分t_j的贡献率。在矩阵

中，W的转置矩阵的第j行第i列元素值保持不变，其余元素置零。

在得到每一个传感器的贡献率后，进行统一比较。在正常状态下，各个传感器的贡献率基本是一样的，但是在发生了传感器故障以后，故障传感器的贡献率会变大，以此对故障传感进行定位。

而对于对传感器进行编号，在本发明中并没有特定的编号规则，用户根据实际需要进行编辑即可。

步骤107：根据所述贡献率定位发生故障的传感器，并确定故障传感器的编号。

步骤108：获取所述故障传感器发生故障前一时刻的运行数据，并根据所述前一时刻的运行数据对所述主元空间进行重构，得到重构后的主元空间C_p。

其中，对主元空间C_p的重构通过PCA模型完成。

当某一个或者多个传感器发生故障时，其他传感器的测量数据还是正常的，也就是说，与此对应的主元空间C_p中的参数也是正常的，只需要对故障传感器在主元空间C_p中对应的参数进行校正即可。在本发明中使用初始数据对主元空间C_p中的故障参数进行校正，得到重构后的主元空间C_p ^*。

步骤109：根据所述初始数据对所述残差空间进行重构，得到重构后的残差空间；具体包括：

步骤1091：获取预设滑动分析窗。

步骤1092：根据所述初始数据确定所述预设滑动分析窗内样本点的均值残差空间。

步骤1093：根据所述均值残差空间对所述残差空间进行重构，得到重构后的残差空间。

其中，残差空间C_r主要反映包原始数据中的误差或噪声信息。定义一个包含n个测试样本的滑动分析窗口，即滑动窗口的长度为n，则当前时刻i所对应的分析窗口为[x_i-n,x_i-n+2,...,x_i-1]。计算滑动时窗内样本点的均值残差空间，得到新的残差空间C_r ^*。滑动时窗内的样本点能更加准确的反应当前时刻的外部噪声及扰动，能减少故障数据对于残差空间的干扰与影响。

步骤110：根据所述重构后的主元空间和所述重构后的残差空间确定模型空间，并将所述模型空间转换为数据矩阵，根据转换得到的所述数据矩阵得到重构数据，以完成所述故障传感器数据的重构。

步骤111：采用所述重构数据替换所述故障传感器的故障数据，以完成对故障传感器的隔离，并继续进行监测，若在监测过程中发现新的故障传感器，则返回步骤“根据所述贡献率定位发生故障的传感器，并确定故障传感器的编号”；若在监测过程中没有发现新的故障传感器，则确定所有传感器处于正常工作状态。

其中，故障传感器被隔离后，重构可进行一段时间，直到故障传感器被更换或者维修。在此期间内，重构算法可代替故障传感器进行工作，在保证安全性的同时还可以提高经济性。

为了避免量纲对后续传感器监测和故障数据重构的影响，在获取待监测传感器在正常工作状态时的初始数据之后，本发明还对所述初始数据进行预处理，得到预处理后的初始数据；所述预处理包括去噪、数据归一化和标准化处理。

基于本发明所提供的传感器故障的监测、隔离以及重构方法的实现技术流程如图2所示，其中，上述步骤100至步骤102即为PCA模型的构建更新过程。

为了对模型的监测、定位结果以及重构数据的准确性进行评价，本发明采用均方误差、均方根差、平均绝对误差和平均绝对百分比误差来评价本发明所提供方案的准确性和有效性。

此外，通过采用物理冗余传感器布置、独立元分析等技术虽然也可以实现传感器的监测，但是其监测的准确率很低，对多传感器故障的监测能力弱；对于传感器的故障数据重构，一般采用基于主元分析的迭代重构法等，但是这类方法目前只能检测单一传感器的故障，而对两个及以上的传感器故障数据进行故障检测和数据重构的精度极低。

针对上述提供的传感器故障的监测、隔离以及重构方法，本发明还对应提供了一种传感器故障的监测、隔离以及重构系统，如图3所示，该系统包括：第一获取模块1、主元个数确定模块2、空间确定模块3、标准参数确定模块4、监测参数确定模块5、故障发生判断模块6、贡献率确定模块7、故障传感器定位模块8、主元空间重构模块9、残差空间重构模块10、数据重构模块11和持续监测模块12。

其中，第一获取模块1用于获取待监测传感器在正常工作状态时的初始数据，并根据所述初始数据建立数据矩阵，确定所述数据矩阵的特征值和特征向量。

主元个数确定模块2用于采用主元百分比法根据所述特征值和所述特征向量确定主成分分析监测模型的主元个数。

空间确定模块3用于根据所述主元个数确定主元空间和残差空间。

标准参数确定模块4用于根据所述主元空间和所述残差空间确定待监测传感器的标准参数；所述标准参数包括：主元空间的监测参数和残差空间的监测参数。

监测参数确定模块5用于实时获取所述待检测传感器的运行数据，并根据所述运行数据确定所述待检测传感器的监测参数。

故障发生判断模块6用于根据所述标准参数和所述监测参数判断所述待检测传感器是否发生故障。

贡献率确定模块7用于若所述待检测传感器发生故障，则根据所述主元个数和所述特征向量确定每一待监测传感器的贡献率。

故障传感器定位模块8用于根据所述贡献率定位发生故障的传感器，并确定故障传感器的编号。

主元空间重构模块9用于获取所述故障传感器发生故障前一时刻的运行数据，并根据所述前一时刻的运行数据对所述主元空间进行重构，得到重构后的主元空间。

残差空间重构模块10用于根据所述初始数据对所述残差空间进行重构，得到重构后的残差空间。

数据重构模块11用于根据所述重构后的主元空间和所述重构后的残差空间确定模型空间，并将所述模型空间转换为数据矩阵，根据转换得到的所述数据矩阵得到重构数据，以完成所述故障传感器数据的重构。

持续监测模块12用于采用所述重构数据替换所述故障传感器的故障数据，以完成对故障传感器的隔离，并继续进行监测，若在监测过程中发现新的故障传感器，则返回步骤“根据所述贡献率定位发生故障的传感器，并确定故障传感器的编号”；若在监测过程中没有发现新的故障传感器，则确定所有传感器处于正常工作状态。

作为本发明的一优选实施例，上述主元个数确定模块2具体可以包括：排序单元、比值确定单元和主元个数确定单元。

其中，排序单元用于将所述特征值进行降序排列，得到特征值序列。

比值确定单元用于选取所述特征值序列中的前k个特征值，并确定所述前k个特征值总和与所有特征值总和的比值。

主元个数确定单元用于将所述比值大于设定值的k值作为所述主元个数；所述设定值为85％。

作为本发明的另一优选实施例，该系统还可以包括：用于对所述初始数据进行预处理，得到预处理后的初始数据的预处理模块。

其中，所述预处理包括去噪、数据归一化和标准化处理。

作为本发明的另一优选实施例，上述残差空间重构模块10具体包括：获取单元、均值残差空间确定单元和残差空间重构单元。

其中，获取单元用于获取预设滑动分析窗。

均值残差空间确定单元用于根据所述初始数据确定所述预设滑动分析窗内样本点的均值残差空间。

残差空间重构单元用于根据所述均值残差空间对所述残差空间进行重构，得到重构后的残差空间。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种传感器故障的监测、隔离以及重构方法，其特征在于，包括：

获取待监测传感器在正常工作状态时的初始数据，并根据所述初始数据建立数据矩阵，确定所述数据矩阵的特征值和特征向量；

采用主元百分比法根据所述特征值和所述特征向量确定主成分分析监测模型的主元个数；

根据所述主元个数确定主元空间和残差空间；

根据所述主元空间和所述残差空间确定待监测传感器的标准参数；所述标准参数包括：主元空间的监测参数和残差空间的监测参数；

实时获取所述待监 测传感器的运行数据，并根据所述运行数据确定所述待监 测传感器的监测参数；

根据所述标准参数和所述监测参数判断所述待监 测传感器是否发生故障；

若所述待监 测传感器发生故障，则根据所述主元个数和所述特征向量确定每一待监测传感器的贡献率；

根据所述贡献率定位发生故障的传感器，并确定故障传感器的编号；

获取所述故障传感器发生故障前一时刻的运行数据，并根据所述前一时刻的运行数据对所述主元空间进行重构，得到重构后的主元空间；

根据所述初始数据对所述残差空间进行重构，得到重构后的残差空间；

根据所述重构后的主元空间和所述重构后的残差空间确定模型空间，并将所述模型空间转换为数据矩阵，根据转换得到的所述数据矩阵得到重构数据，以完成所述故障传感器数据的重构；

采用所述重构数据替换所述故障传感器的故障数据，以完成对故障传感器的隔离，并继续进行监测，若在监测过程中发现新的故障传感器，则返回步骤“根据所述贡献率定位发生故障的传感器，并确定故障传感器的编号”；若在监测过程中没有发现新的故障传感器，则确定所有传感器处于正常工作状态。

2.根据权利要求1所述的传感器故障的监测、隔离以及重构方法，其特征在于，所述采用主元百分比法根据所述特征值和所述特征向量确定主成分分析监测模型的主元个数，具体包括：

将所述特征值进行降序排列，得到特征值序列；

选取所述特征值序列中的前k个特征值，并确定所述前k个特征值总和与所有特征值总和的比值；

将所述比值大于设定值的k值作为所述主元个数。

3.根据权利要求2所述的传感器故障的监测、隔离以及重构方法，其特征在于，所述设定值为85％。

4.根据权利要求1所述的传感器故障的监测、隔离以及重构方法，其特征在于，在获取待监测传感器在正常工作状态时的初始数据之后，还包括：

对所述初始数据进行预处理，得到预处理后的初始数据；所述预处理包括去噪、数据归一化和标准化处理。

5.根据权利要求1所述的传感器故障的监测、隔离以及重构方法，其特征在于，所述根据所述初始数据对所述残差空间进行重构，得到重构后的残差空间，具体包括：

获取预设滑动分析窗；

根据所述初始数据确定所述预设滑动分析窗内样本点的均值残差空间；

根据所述均值残差空间对所述残差空间进行重构，得到重构后的残差空间。

6.一种传感器故障的监测、隔离以及重构系统，其特征在于，包括：

第一获取模块，用于获取待监测传感器在正常工作状态时的初始数据，并根据所述初始数据建立数据矩阵，确定所述数据矩阵的特征值和特征向量；

主元个数确定模块，用于采用主元百分比法根据所述特征值和所述特征向量确定主成分分析监测模型的主元个数；

空间确定模块，用于根据所述主元个数确定主元空间和残差空间；

标准参数确定模块，用于根据所述主元空间和所述残差空间确定待监测传感器的标准参数；所述标准参数包括：主元空间的监测参数和残差空间的监测参数；

监测参数确定模块，用于实时获取所述待监 测传感器的运行数据，并根据所述运行数据确定所述待监 测传感器的监测参数；

故障发生判断模块，用于根据所述标准参数和所述监测参数判断所述待监 测传感器是否发生故障；

贡献率确定模块，用于若所述待监 测传感器发生故障，则根据所述主元个数和所述特征向量确定每一待监测传感器的贡献率；

故障传感器定位模块，用于根据所述贡献率定位发生故障的传感器，并确定故障传感器的编号；

主元空间重构模块，用于获取所述故障传感器发生故障前一时刻的运行数据，并根据所述前一时刻的运行数据对所述主元空间进行重构，得到重构后的主元空间；

残差空间重构模块，用于根据所述初始数据对所述残差空间进行重构，得到重构后的残差空间；

数据重构模块，用于根据所述重构后的主元空间和所述重构后的残差空间确定模型空间，并将所述模型空间转换为数据矩阵，根据转换得到的所述数据矩阵得到重构数据，以完成所述故障传感器数据的重构；

持续监测模块，用于采用所述重构数据替换所述故障传感器的故障数据，以完成对故障传感器的隔离，并继续进行监测，若在监测过程中发现新的故障传感器，则返回步骤“根据所述贡献率定位发生故障的传感器，并确定故障传感器的编号”；若在监测过程中没有发现新的故障传感器，则确定所有传感器处于正常工作状态。

7.根据权利要求6所述的传感器故障的监测、隔离以及重构系统，其特征在于，所述主元个数确定模块，具体包括：

排序单元，用于将所述特征值进行降序排列，得到特征值序列；

比值确定单元，用于选取所述特征值序列中的前k个特征值，并确定所述前k个特征值总和与所有特征值总和的比值；

主元个数确定单元，用于将所述比值大于设定值的k值作为所述主元个数；所述设定值为85％。

8.根据权利要求6所述的传感器故障的监测、隔离以及重构系统，其特征在于，还包括：

预处理模块，用于对所述初始数据进行预处理，得到预处理后的初始数据；所述预处理包括去噪、数据归一化和标准化处理。

9.根据权利要求6所述的传感器故障的监测、隔离以及重构系统，其特征在于，所述残差空间重构模块，具体包括：

获取单元，用于获取预设滑动分析窗；

均值残差空间确定单元，用于根据所述初始数据确定所述预设滑动分析窗内样本点的均值残差空间；

残差空间重构单元，用于根据所述均值残差空间对所述残差空间进行重构，得到重构后的残差空间。

Images