本发明涉及车载称重领域，具体涉及一种动态车载称重系统的传感器故障检测方法。
背景技术：
：随着我国经济的迅猛发展，基础设施建设工程也蓬勃发展。经济建设发展和工程技术创新给我国的交通系统及城市化建设带来了深刻的变革。公路交通作为我国交通运输系统的核心部分,对国民的生产、生活以及国家的经济增长起着重要作用。然而由于交通量大、严重超载等问题的存在,我国道路交通基础设施的功能性、耐久性、经济性和安全性都面临着巨大挑战。当前技术上动态称重技术并不完善，测量技术的不成熟的同时还伴随着传感器故障，导致测量效果不佳，准确度低，不能满足当前动态称重设备的需求。技术实现要素：针对现有技术的不足，本发明提出一种动态车载称重系统的传感器故障检测方法，提高了动态车载称重系统中传感器故障检测的精度，且检测成本低，检测效率高。本发明的目的通过如下的技术方案来实现：一种动态车载称重系统的传感器故障检测方法，所述的动态车载称重系统的传感器故障检测方法包括离线状态和在线故障检测两个阶段，其中，所述的离线状态包括如下步骤：s1：所述的动态车载称重系统正常运行一段时间，采集在该段时间内车载称重系统各传感器数据；s2：对于原始数据进行预处理，从而去除其噪声，并将预处理后的数据构成离线状态下的训练数据集；s3：从第一组样本数据开始，每过一个采样周期ts向时间增长方向顺序移动一组，即采用数据窗顺移的方式采集t时长的数据，其中，数据窗的时间间隔为系统发生故障后动态调节时间ta，则每个数据窗所包含的数据组数为数据窗的个数为组数据；s4：计算每个采样点的残差绝对值|e(k)|＝|ym(k)-ysp|式中：ym(k)为第m个传感器输出值，k表示第k组数据，k∈[1,ns]；ysp为系统设给定值，对于同种型号的传感器该值相同。s5：计算离线状态下故障检测阈值，具体步骤如下：s5.1：计算出每个数据窗口的残差绝对值和e(k)s5.2计算传感器正常工作的mnor个数据窗中的的e(k)值形成新的数据集sae的平均值sae和标准差σ：s5.3：计算检测阈值vthres：vthres＝sae 3σ该式即为故障检测模型。s6：假设在第j组数据开始发生故障，根据故障发生的外部特征，对故障进行分类，当传感器输出值ym(j)与车载重的实际值yreal(j)满足ym(j)＝yreal(j)时，定义为正常情况；当ym(j)与yreal(j)满足ym(j)＝yreal(j) a，且a是不为0的常量，表示为由传感器故障引入了传感器输出的偏差，则定义该故障为加性故障；当ym(j)与yreal(j)满足ym(j)＝byreal(j)，且b是不为1的增益，表示由传感器故障引入了输出信号增益，则定义该故障为乘性故障；s7：截取发生故障后调节时间ta内的一段数据，截取的时间变量为x＝[x1,x2,x3,…,xn]，传感器输出值y＝[y1,y2,y3,…,yn]，进行最小二乘法拟合，选取拟合结果的最高次项的回归系数记为特征值p；s8：将离线状态下提取到的所有加性故障特征值p形成特征集为p＝(p1,p2,…,pn)，且将每个加性故障对应的偏差a形成数据集a＝(a1,a2,…,an)；同理，将离线状态下乘性故障特征值q形成数据集为q＝(q1,q2,…,qn)，乘性故障增益b形成数据集为b＝(b1,b2,…,bn)。以加性故障的偏差ai为自变量，对应的回归系数pi作为因变量，可以得到yi＝aixi pi，同理，乘性故障可以得到yi＝bixi q。通过转换自变量与因变量，最终可以得到加性故障分离模型p＝f1(a)、乘性故障分离模型q＝f2(b)。在线故障检测包括如下步骤：s9：实时采集各个传感器数据，并采用和离线状态相同的方式进行预处理、数据窗顺移数据采集、每个数据窗口的残差绝对值求和，当此时的残差绝对值和大于所述检测阈值vthres时，则判断系统中传感器有故障产生，并将当前的数据窗中的数据用于故障分离和故障估计；s10：计算在线状态的加性故障偏差a和乘性故障增益b，计算方法如下：其中，ts为采样周期，y'p(j)为传感器测量值的变化率的极值，ysp为系统设给定值，对于同种型号的传感器该值相同，yreal(j)＝ysp；s11：再将s10中计算得到的加性故障偏差a和乘性故障增益b，分别代入根据离线状态下建立的故障分离模型p＝f1(a)和q＝f2(b)，计算得到q和p；s12：进行故障分离。根据上述步骤中所建立的模型，对发生的故障进行故障分离。设其中为故障发生后利用最小二乘法拟合结果中最高次项的回归系数判断e1与e2的大小关系，若e1<e2，则为加性故障；反之，则为乘性故障。进一步地，所述s1中的各传感器数据包括车辆行驶速度、车辆运行加速度、车辆水平状态以及车轴由形变产生的压力信号。进一步地，所述s2中的对于原始数据的预处理具体为通过小波分解的方法去除噪声。本发明的有益效果如下：(1)采用本发明的方法无需建立复杂运动模型，即可进行故障检测和分类，可以在一定程度上减少工作量。(2)本发明的方法能够克服车载称重系统运行环境的干扰因素和系统自身的性能对方法应用准确度的影响。(3)本发明预测数据是对原始压力信号进行分解重构得到的，可以在很大程度上降低了噪声干扰，提高了检测的精度。附图说明图1是一种动态车载称重系统的传感器故障检测方法流程图；图2是车载称重系统中传感器的分布示意图；图3是小波分解示意图。具体实施方式为了使本发明实施例的技术方案、目的和优点更加清楚，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。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。如图1所示，一种动态车载称重系统的传感器故障检测方法，其特征在于，所述的动态车载称重系统的传感器故障检测方法包括离线状态和在线状态两个阶段，其中，离线状态下包括如下步骤：s1：使动态车载称重系统正常运行一段时间，采集在该段时间内车载称重系统各传感器数据；s2：对于原始数据进行预处理，从而去除噪声，并将预处理后的数据组成离线状态下的训练数据集；s3：从第一组样本数据开始，每过一个采样周期ts向时间增长方向顺序移动一组，即采用数据窗顺移的方式采集t时长的数据，其中，数据窗的时间间隔为系统发生故障后动态调节时间ta，则每个数据窗所包含的数据组数为数据窗的个数为组数据；s4：计算每个采样点的残差绝对值|e(k)|＝|ym(k)-ysp|式中：ym(k)为第m个传感器输出值，k表示第k组数据，k∈[1,ns]；ysp为系统设给定值，对于同种型号的传感器该值相同。s5：计算离线状态下故障检测阈值，具体步骤如下：s5.1：计算出每个数据窗口的残差绝对值和e(k)s5.2计算传感器正常工作的mnor个数据窗中的的e(k)值形成新的数据集sae的平均值sae和标准差σ：s5.3：计算检测阈值vthres：vthres＝sae 3σ该式即为故障检测模型。在故障检测方法中，如果对于某系统的传感器输出数据，经过数据窗顺移逐个计算数据窗口对应时间段的残差绝对值和e(k)。当残差绝对值和e(k)＞vthres，并且持续一段时间，则可以判断该系统传感器有故障发生。s6：假设在第j组数据开始发生故障，根据故障发生的外部特征，对故障进行分类，当传感器输出值ym(j)与车载重的实际值yreal(j)满足ym(j)＝yreal(j)时，定义为正常情况；当ym(j)与yreal(j)满足ym(j)＝yreal(j) a，且a是不为0的常量，表示为由传感器故障引入了传感器输出的偏差，则定义该故障为加性故障；当ym(j)与yreal(j)满足ym(j)＝byreal(j)，且b是不为1的增益，表示由传感器故障引入了输出信号增益，则定义该故障为乘性故障；s7：截取发生故障后调节时间ta内的一段数据，截取的时间变量为x＝[x1,x2,x3,…,xn]，传感器输出值y＝[y1,y2,y3,…,yn]，进行最小二乘法拟合，选取拟合结果的最高次项的回归系数记特征值s8：将离线状态下提取到的所有加性故障特征值p形成特征集为p＝(p1,p2,…,pn)，且将每个加性故障对应的偏差a形成数据集a＝(a1,a2,…,an)；同理，将离线状态下乘性故障特征值q形成数据集为q＝(q1,q2,…,qn)，乘性故障增益b形成数据集为b＝(b1,b2,…,bn)。以加性故障的偏差ai为自变量，对应的回归系数pi作为因变量，可以得到yi＝aixi pi，同理，乘性故障可以得到yi＝bixi q。通过转换自变量与因变量，最终可以得到加性故障分离模型p＝f1(a)、乘性故障分离模型q＝f2(b)。在线故障检测包括如下步骤：s9：实时采集各个传感器数据，并采用和离线状态相同的方式进行预处理、数据窗顺移数据采集、每个数据窗口的残差绝对值求和，当此时的残差绝对值和大于所述检测阈值vthres时，则判断系统中传感器有故障产生，并将当前的数据窗中的数据用于故障分离和故障估计；s10：计算在线状态的加性故障偏差a和乘性故障增益b，计算方法如下：其中，ts为采样周期，y'p(j)为传感器测量值的变化率的极值，ysp为系统设给定值，对于同种型号的传感器该值相同，yreal(j)＝ysp；s11：再将s10中计算得到的加性故障偏差a和乘性故障增益b，分别代入根据离线状态下建立的故障分离模型p＝f1(a)和q＝f2(b)，计算得到q和p；s12：进行故障分离。根据上述步骤中所建立的模型，对发生的故障进行故障分离。设其中为故障发生后利用最小二乘法拟合结果中最高次项的回归系数判断e1与e2的大小关系，若e1<e2，则为加性故障；反之，则为乘性故障。所述s2中的对于原始数据的预处理具体为通过小波分解的方法去除噪声，具体包括如下步骤：(1)选择db4小波基函数对原始车载称重信号进行小波分解，得到各尺度原始分解系数，实验研究表明，对车载称重信号进行3层小波分解时去噪效果最佳，小波分解示意附图2所示。其中cd1、cd2、cd3为包含噪声信号的小波分解高频系数，cd2、cd3还包含主要车载称重信号；ca3为包含车载称重信号的小波分解最大尺度低频系数。(2)保留ca3上的全部小波分解系数，选择一个合适的阈值和阈值函数对cd2、cd3进行阈值量化处理，大于阈值的小波分解系数为车载称重信号(予以保留)，小于阈值的小波分解系数为噪声信号(进行置零处理)，得到估计小波系数。本发明中所述的阈值计算公式：其中：σ为噪声的标准方差，n为信号长度。所述的阈值函数：其中:λ为阈值，ωj,k为原始分解系数，为估计小波系数，α为可变参数，取值范围为(0,1)。(3)将小波分解最大尺度低频系数ca3和经过阈值函数处理的高频系数cd2、cd3进行小波重构，得到去噪后的有效车载称重信号。下面结合具体实施例验证本发明的方法的技术效果。如图2所示，该实施例中所选车辆是15t载重量的后4轮渣土运输车，由图可知该运输车有3根轴，每个轴上如图所示位置点1、2、3、4、5、6处装有用于检测形变量的车载传感器设备，该传感器可以根据车辆加装重物后，车轴发生相应的形变，导致传感器也发出现相对应的采集车轴形变量作为原始数据。将原始具体经过小波变换滤波后的结果如图3所示。设定车辆行驶速度为40km/h，行驶在平缓的道路上，设定载重数据为10t，采样周期ts＝0.5s，采集随时间变量同步的传感器测量输出数据。传感器的工作状态分为正常和故障两种状态，进行的实验分为正常状态实验、加性故障实验和乘性故障实验。(1)正常状态下传感器正常无故障实验时，加性故障模型中的偏差a＝0，乘性故障模型中的增益b＝1。实验设备运行时间设定为500s，时间变量为tx，传感器测量的输出值为y0，有1000个样本数据(tx，y0)。(2)加性故障、乘性故障情况加性故障实验是选定每个轴上其中一个传感器接入阶跃信号，故障强度以阶跃信号大小而定。故障加入时刻设定为350s，以模拟系统稳定运行到350s时传感器发生加性故障。同样采集0～500s内的1000个加性故障样本数据(tx，ya)。乘性故障实验是在选定每个轴上其中一个传感器切换增益模块电路来模拟乘性故障，在系统稳定运行到350s时加入故障。同样样采集0～500s内的1000个乘性故障样本数据(tx，yb)。将不同故障强度的实验阶段采集的加性故障和乘性故障传感器测量数据都截取故障发生后的调节时间ta＝20s数据进行最小二乘法拟合得到一次拟合系数，拟合结果如表1、表2、表3和表4所示。从表格中的均方根误差rsme数值可以看出曲线拟合的效果较好。表1加性故障偏差小于0的一次项拟合系数表2加性故障偏差大于0的一次项拟合系数故障偏差一次系数prsme0.2-0.06960.02470.4-0.10850.05420.6-0.14670.05760.8-0.18420.05701.0-0.22100.07341.2-0.22990.06091.4-0.26370.06871.6-0.27220.06061.8-0.28060.06292.0-0.28910.0478表3乘性故障增益小于1的一次项拟合系数表4乘性故障增益大于1的一次项拟合系数故障增益一次系数prsme1.02-0.01560.02111.04-0.05650.04181.06-0.09090.02851.08-0.12930.03591.10-0.18080.07141.12-0.23570.09991.14-0.26080.10331.16-0.31510.09911.18-0.32720.07511.20-0.32940.0802进而以表格中加性故障的偏差a为自变量，一次项系数p为因变量做二次曲线拟合。当加性故障偏差a＜0时，拟合结果:p＝f11(a)＝-0.0007-0.1484a-0.0303a2r2＝0.9629rsme＝0.0098当加性故障偏差a＞0时，拟合结果:p＝f12(a)＝-0.017-0.258a 0.0615a2r2＝0.9968rsme＝0.0049同理，以乘性故障的增益b为自变量，对应的特征q为因变量进行二次曲线拟合。当乘性故障增益b＜1时，拟合结果:p＝f21(b)＝1.7630-2.8810b 1.1350b2r2＝0.9706rsme＝0.0089当乘性故障增益b＞1时，拟合结果:p＝f22(b)＝6.6320-10.420b 3.833b2r2＝0.9874rsme＝0.0149从以上拟合结果来看，r2趋近于1，均方根误差rsme接近0，说明数据对模型的拟合程度很好。在故障估计中，去除其他未知因素所带来的干扰，可以准确估计出故障强度，且故障强度越强，故障估计越准确。本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。当前第1页1 2 3
技术特征：1.一种动态车载称重系统的传感器故障检测方法，其特征在于，所述的动态车载称重系统的传感器故障检测方法包括离线状态和在线故障检测两个阶段，其中，所述的离线状态包括如下步骤：
s1：所述的动态车载称重系统正常运行一段时间，采集在该段时间内车载称重系统各传感器数据；
s2：对于原始数据进行预处理，从而去除其噪声，并将预处理后的数据构成离线状态下的训练数据集；
s3：从第一组样本数据开始，每过一个采样周期ts向时间增长方向顺序移动一组，即采用数据窗顺移的方式采集t时长的数据，其中，数据窗的时间间隔为系统发生故障后动态调节时间ta，则每个数据窗所包含的数据组数为数据窗的个数为组数据；
s4：计算每个采样点的残差绝对值
|e(k)|＝|ym(k)-ysp|
式中：
ym(k)为第m个传感器输出值，k表示第k组数据，k∈[1,ns]；
ysp为系统设给定值，对于同种型号的传感器该值相同。
s5：计算离线状态下故障检测阈值，具体步骤如下：
s5.1：计算出每个数据窗口的残差绝对值和e(k)
s5.2计算传感器正常工作的mnor个数据窗中的的e(k)值形成新的数据集sae的平均值sae和标准差σ：
s5.3：计算检测阈值vthres：
vthres＝sae 3σ
该式即为故障检测模型。
s6：假设在第j组数据开始发生故障，根据故障发生的外部特征，对故障进行分类，当传感器输出值ym(j)与车载重的实际值yreal(j)满足ym(j)＝yreal(j)时，定义为正常情况；当ym(j)与yreal(j)满足ym(j)＝yreal(j) a，且a是不为0的常量，表示为由传感器故障引入了传感器输出的偏差，则定义该故障为加性故障；当ym(j)与yreal(j)满足ym(j)＝byreal(j)，且b是不为1的增益，表示由传感器故障引入了输出信号增益，则定义该故障为乘性故障；
s7：截取发生故障后调节时间ta内的一段数据，截取的时间变量为x＝[x1,x2,x3,…,xn]，传感器输出值y＝[y1,y2,y3,…,yn]，进行最小二乘法拟合，选取拟合结果的最高次项的回归系数记为特征值p；
s8：将离线状态下提取到的所有加性故障特征值p形成特征集为p＝(p1,p2,…,pn)，且将每个加性故障对应的偏差a形成数据集a＝(a1,a2,…,an)；同理，将离线状态下乘性故障特征值q形成数据集为q＝(q1,q2,…,qn)，乘性故障增益b形成数据集为b＝(b1,b2,…,bn)。以加性故障的偏差ai为自变量，对应的回归系数pi作为因变量，可以得到yi＝aixi pi，同理，乘性故障可以得到yi＝bixi q。通过转换自变量与因变量，最终可以得到加性故障分离模型p＝f1(a)、乘性故障分离模型q＝f2(b)。
在线故障检测包括如下步骤：
s9：实时采集各个传感器数据，并采用和离线状态相同的方式进行预处理、数据窗顺移数据采集、每个数据窗口的残差绝对值求和，当此时的残差绝对值和大于所述检测阈值vthres时，则判断系统中传感器有故障产生，并将当前的数据窗中的数据用于故障分离和故障估计；
s10：计算在线状态的加性故障偏差a和乘性故障增益b，计算方法如下：
a＝tsy'p(j)
其中，ts为采样周期，y'p(j)为传感器测量值的变化率的极值，ysp为系统设给定值，对于同种型号的传感器该值相同，yreal(j)＝ysp；
s11：再将s10中计算得到的加性故障偏差a和乘性故障增益b，分别代入根据离线状态下建立的故障分离模型p＝f1(a)和q＝f2(b)，计算得到q和p；
s12：进行故障分离。根据上述步骤中所建立的模型，对发生的故障进行故障分离。设
其中为故障发生后利用最小二乘法拟合结果中最高次项的回归系数判断e1与e2的大小关系，若e1<e2，则为加性故障；反之，则为乘性故障。
2.根据权利要求1所述的动态车载称重系统的传感器故障检测方法，其特征在于，所述s1中的各传感器数据包括车辆行驶速度、车辆运行加速度、车辆水平状态以及车轴由形变产生的压力信号。
3.根据权利要求1所述的动态车载称重系统的传感器故障检测方法，其特征在于，所述s2中的对于原始数据的预处理具体为通过小波分解的方法去除噪声。
技术总结本发明涉及一种动态车载称重系统的传感器故障检测方法，首先对动态车载称重系统传感器相关信息的获取，建立原始数据数据库；其次对数据集预处理，去除噪声信号。然后基于预处理后的数据集计算故障检测阈值和故障分离模型。在线状态下，采用同样的方式采集数据并计算每个时间窗的绝对值和，并与故障检测阈值进行比较，然后通过故障估计方法确定系统故障强度以及确定故障类型。本发明中所述的方法能对车载称重系统传感器是否出现故障进行检测同时对出现故障进行分类，无需构建复杂的数学模型，能够在降低故障诊断次数的前提下，提高故障检出率。
技术研发人员：王宪保;段明明;周宝;余皓鑫
受保护的技术使用者：浙江工业大学
技术研发日：2021.04.29
技术公布日：2021.08.03
