基于FPGA的传感器故障诊断算法研究与实现

李小明 李萌欣

摘  要： 对于目前传感器设备故障诊断方法在诊断过程中会导致实际生产中弱故障诊断不灵敏，无法有效识别故障，并且充分考虑实际生产过程中的特点，提出基于FPGA的传感器故障诊断算法设计。在不同残差空间中分析故障，使系统对于弱故障诊断的精准性得到提高。使用迭代算法对主元分析算法模型进行更新，利用残差空间平方加权预测误差变量的重构对故障进行确定，从而对传感器故障进行在线诊断。最后，通过企业实际数据实现此方法的在线故障诊断实验。实验结果表明，此种方法能够有效诊断传感器设备故障。

关键词： 传感器故障诊断; 故障识别; 弱故障诊断; 故障在线诊断; 故障分析; 模型更新

中图分类号： TN911.23?34                        文献标识码： A                        文章编号： 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

传感器网络被广泛应用到环境监测、智能家居、医疗保健、农业生产、军事等领域中，大部分都是对温度、湿度等进行监测。传感器节点在使用过程中会出现多种故障，降低了监控功能，导致经济损失。利用故障诊断能够正确且及时地诊断故障状态及异常的状态，预防和消除故障，提高网络运行可靠性。在诊断传感器故障过程中，使用算法融合节点和邻节点的数据，存在大量冗余计算，节点自身感知、数据融合及通信都会浪费大量能量，实现故障检测要降低功耗。相关研究创建了神经网络及粗糙集故障诊断算法，算法较为复杂，无法在大量节点的网络中使用[1]。本文针对传感器故障检测算法计算冗余比较大的特点，提出故障检测分簇算法，各簇都能够选择优化分割阈值，使诊断精度及效率得到提高。

1  传统算法分析

传感器故障算法通过网络中的邻节点测量数据对比测试实现故障診断。对随机分布在一定区域中的传感器节点来说，每个节点都会对压力、温度、湿度等数据进行检测。因为工作时间比较长，所以导致节点出现异常，对无法实地检测或者检测工作量比较大时，可利用检测得出数据，从而进行分析。传感器故障诊断过程为：

对比区域中的节点[Si]和某邻节点[Sj]，得到不同感知数据，因为两者为相邻节点，距离比较近，在某时刻[t]所感知数据也较为接近，差值不超过阈值。在另外时刻[t+1]，两个相邻节点感知数据差和差值不超过另外的阈值。假如上述两个条件都得到满足，那么初步诊断两个节点都是正常节点，测试结果[Cij]表示为0，只要其中一条没有满足，那么就表示[Si]或者[Sj]出现故障，测试结果[Cij]表示为1。对于节点[Si]来说，能够得到其和邻节点测试结果，假如[Si]测试结果为1的节点数量比邻节点数目的一半要大，表示节点[Si]初步诊断状态可能为故障，否则就是正常。对网络中全部节点遍历以后能够得到每个节点初步诊断的状态。对初步诊断状态来说，无法对节点的真正状态精准确定，导致[Cij]诊断结果不精准。那么，对节点[Si]实现诊断的过程中，要充分考虑节点[Si]全部邻节点诊断状态都是可能正常节点数量减去[Si]的测试结果为1的节点数，结果比[Si]全部邻节点数量的一半要大或者相等，以此表示最终诊断结果正常。反之，[Si]诊断结果为故障[2]。

3  故障检测及识别

基于FPGA，数据信息丢失比较少，使高维数据空间映射到低维子控件中，使用少量不相关主元变量对原高维数据空间信息进行描述。通过数学方面的分析，PCA本质为实现元数据空间坐标变换，将表示数据变化方向坐标作为新空间坐标方向进行保留，从而实现高维控件降维，在进行变换的过程中，系统总方差没有变化，只是根据方差大小重新分布。

一个完整基于FPGA模型的故障检测和识别的过程包括以下阶段：

1） 创建FPGA模型。首先，实现数据矩阵每列多尺度小波分解，得出每列数据各个尺度小波系统[D1]，…，[DL]与逼近系数[AL]，使不同传感器变量尺度相同得出系数构成系数矩阵，从而能够得到[L+1]个系数矩阵，每个矩阵表示不同尺度，并且具备相应尺度感知数据信息。之后，分别以此[L+1]个系数矩阵创建PCA模型，对相应尺度主元数及统计量控制限进行计算[6]。

2） 故障检测及识别。首先，实现测试数据集的小波分解，从而得到各个尺度小波系数及逼近系数;之后，以创建的多尺度PCA模型对各个尺度小波系数在同个尺度模型中的统计量进行计算，实现各个尺度控制图的绘制。假如某个尺度中的统计量超过控制限，表示感知数据中具有此尺度节点故障，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节点故障划分为两种：

1） 具备稳定尺度特征故障类型，比如精度降低、缓慢漂移等故障，在发生此种故障时，故障特征只是表现在粗尺度低频信号及细尺度高频信号中;

2） 具备尺度特征迁移特性故障类型，比如固定故障及恒偏差故障，出现此故障时，故障具备高频带小尺度朝着低频带大尺度转移的特点。简单来说，从细尺度小波系数捕捉到数据突变高频变化，故障在异常值持续稳定时，粗尺度小波系数及尺度系数会对异常进行监测，以故障特点尺度信息对故障类型进行综合判断。在对异常尺度进行监测之后，通过相应尺度贡献图的绘制，寻找与故障相关的节点变量，以此识别故障[7]。

基于FPGA节点故障检测及识别的流程如图1所示。

4  仿真结果分析

本文以电厂过热气温控制系统为例对算法进行验证，主蒸汽温度是过热气温控制系统中的主要参数，主蒸汽温度传感器测量范围在400～600 ℃，主蒸汽温度变化范围在535～545 ℃。假设传感器模型为：

[G（s）=3s+ds2+10s+24]

对[u（t）]使用分段平稳均匀分布随机信号，干扰使用0.1方差的高斯白噪声。理论研究及现场实际故障表明，传感器大部分故障表示为恒偏差、卡死、漂移及恒增益。实现不同传感器故障的监测，比如出现冲击干扰实现仿真，之后给出仿真结果。[u（t）]不恒为零，脉冲幅度为1，周期设置为2 s，脉冲宽度设置为信号周期的10%，使用0.02 s采样时间，通过Simulink建模得到传感器输入输出信号，如图2～图5所示。

图2a）指的是工况负荷45%，主气温传感器在200 s出現卡死故障之后的信号曲线;图2b）指的是滤波之后信号曲线，改进滤波器能够将干扰进行消除，将信号故障特点进行保留;图2c）属于小波多分辨分析结果，表示在细节尺度[d1]，[d2]，[d3]中能够明显检测到故障。

图3a）是指78%工况负荷中主气温传感器在50 s出现偏差突变故障曲线;图3b）指的是在滤波之后信号曲线，能够观察主气温此时出现明显突变，表示传感器在这个时候出现故障;图3c）指的是小波分辨分析结果，可以看出，在细节尺度[d1]，[d2]，[d3]中能够对故障进行有效监测。

图4a）指的是基于工况45%中主气温传感器50 s发生-5%增益突变曲线和形态学?小波检测的结果;图4b）为滤波之后信号曲线，表示50 s时主气温出现明显突变，说明传感器在这个时候出现故障;图4c）指的是小波多分辨分析结果，在细节尺度[d1]，[d2]，[d3]中能够实现故障精准检测。

因为传感器漂移故障的变化比较缓慢，并且幅度比较小，部分检测方法对于此种类型故障并不敏感，使用本文分析的算法实现仿真研究。图5a）指的是基于78%工况中主蒸汽温度曲线，通过曲线可以看出温度信号在100 s以后逐渐开始变化，图5b）指的是滤波之后信号曲线，此曲线表示改进滤波器能够将原始信号微小故障特点进行保留。图5c）指的是小波多分辨的分析结果，故障特点在[d1]尺度中并没有明显变化，在尺度不断扩大的过程中也突出了细节特征。基于[d3]尺度表示传感器在100 s时出现故障。本文所设计的算法能够对传感器各种故障进行监测，能够使其应用到传感器故障检测和诊断中[8]。

5  结  语

本文所提出的基于FPGA传感器故障诊断方法能够对传感器动态特点进行模拟，并且对传感器实时状态进行监测，精准判断传感器故障，有效弥补传统故障诊断在系统建模中的缺点，该方法在传感器故障诊断中的应用价值良好。

参考文献

[1] 吴魁，王仙勇，孙洁，等.基于深度卷积网络的多传感器信号故障诊断方法研究[J].计算机测量与控制，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] 史历程，赵骁，赵群飞，等.基于小波能谱熵和集成经验模态分解的传感器故障诊断耦合算法研究[J].动力工程学报，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] 吴丽.基于速度辨识的速度传感器故障诊断及自动容错控制研究[J].机车电传动，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] 蒲天银，饶正婵.基于神经网络的无线传感器网络故障诊断方法[J].现代电子技术，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] 张伟鹏，李光升，李国强.基于小波分析的传感器故障诊断方法仿真研究[J].计算机测量与控制，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.局部均值分解与支持向量机相融合的传感器故障诊断[J].现代电子技术，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.无线传感器网络故障诊断研究[J].数字技术与应用，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] 沈艳霞，杨雄飞，赵芝璞.风力发电系统传感器故障诊断[J].控制理论与应用，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.