摘要
气体传感器系统是进行气体信息采集的源头，其测量值质量直接影响整体系统的工作性能。然而由于检测量大、工作环境严苛等问题，传感器系统在使用过程中难免会因发生自身故障或受到外界环境影响而导致测量值出现偏差甚至错误，造成严重后果。气体传感器的故障具有隐蔽性、相关性及不可预知性，很难根据阵列的输出值对传感器各个故障进行逐一排查。以气体金属半导体氧化物传感器为例，从材料及工艺层面进行改进，提升系统可靠性是很困难的；定期维护存在大量非必要维修，是一种被动的、低效的维修方式。在实际使用过程中常常会有多个传感器同时或连续出现故障，单纯使用硬件冗余法无法满足需求。自确认方法只能实现事后的故障检测，无法实现故障的预警，只能被动的等待故障的发生，部分的提升系统可靠性。因此，对传感器系统进行状态监测与健康预测，从而提高系统的可靠性与输出数据的可信性是极其必要的。 本文以气体传感器系统为主要的研究对象，重点研究微小故障诊断、强干扰条件下的健康评估及预测以及混合多属性信息下的健康管理决策等健康管理方法。 针对气体传感器系统进行微小故障诊断时面临的模态混叠问题，论文从数据驱动的方面展开研究，提出了基于t分布随机近邻嵌入（t-distributedStochasticNeighborEmbedding，t-SNE）与随机森林的方法。利用t分布的长尾效应增大不同故障的类间距离，减小微弱信号下模态混叠对故障模式分析的影响。引入随机森林的双重随机性，有效降低过拟合风险，进而提高微小信号下故障诊断的准确率。经试验验证，采用该方法对传感器系统微小故障诊断的准确率与传统的主元分析法、线性判别分析法等相比可提高4.2%以上。 针对强干扰情况下的传感器系统健康评估及预测结果波动较大的问题，从数据驱动方面展开研究，提出了未确知深度集成相关向量机的健康预测方法。解决强干扰情况下的传感器健康评估以及小样本情况下的健康预测问题。建立了未确知深度软测量（UnascertainedDeepSoftSensor，UDSS）模型，通过构建多层次的未确知评价指标集来抑制强干扰数据对健康可信度的影响，有效实现测量状态的定量评估。与传统的灰色理论、线性回归等方法相比，在传感器系统存在强干扰情况下，评估准确率提高9%以上。为实现小样本情况下的系统健康预测，以健康可信度作为评估指标，以Bootstrap自助法作为理论框架，建立了集成相关向量机健康预测模型，结合采样移动窗和补偿因子，减少小样本情况下的预测误差。经试验验证，采用该方法实现健康预测最小误差为0.6%。 针对混合多属性信息条件下的传感器系统健康管理决策问题，论文从系统可靠性着手，提出了基于多专家灰色群决策的健康管理决策方法，解决传统决策方法如D-S证据理论、模糊集理论等可靠性较低的问题。建立多专家灰色群决策模型，结合历史数据、维修概率和检修率等混合信息，对传感器系统健康管理维修等级给出最优的决策建议。与传统方法相比，混合多属性信息条件下的系统健康管理决策准确率提高了1.5%以上。在此基础之上，为保证系统存在故障时仍可继续工作，应用数据恢复的思想实现系统的软维修。以多传感器间的相关特性为评价指标，构建互相关极限学习机预测模型，实现基于数据恢复的软维修方法，故障数据恢复最小误差可达0.5%。 为验证本文所提的气体传感器系统故障诊断、健康预测及健康管理决策方法的可行性，设计并搭建了实验验证平台。具体以密闭空间内的有毒有害气体传感器系统为研究对象，针对该传感器系统的微小故障诊断（传感器漂移、脉冲冲击等故障类型），强噪声干扰下的多等级健康评估及长期预测进行实验。并在此条件下，结合历史数据、维修率等混合信息，对健康管理决策方法进行验证。经数据恢复维修后，系统的测量准确率可保证不下降或下降较少。验证了本文提出的传感器系统的微小故障诊断、强干扰条件下的健康预测及混合多属性信息的健康管理决策方法的有效性及提高传感器系统可靠性的可行性。
NETL