监测系统故障自诊断方法

摘要

本发明涉及监测系统故障自诊断方法，该方法包括下列步骤：对不同测值的序列进行关联度分析；利用测值序列间关联度构件模糊关系矩阵；对测值序列进行模糊聚类分析分析测值异常原因，对监测系统运行状态作出判断。本发明用计算机程序对各测点测值之间存在的联系进行量化分析，使监测系统能够对异常测值是否由自身故障所引发进行诊断，避免由于误判引起误报警而带来的不必要的经济与社会成本投入，也便于及时采取措施对监测系统进行维修，提高了结构监测系统的智能化水平与鲁棒性，因此实用性较大。

权利要求

1.监测系统故障自诊断方法，其特征是，该方法包括下列步骤：(1)对不同测值的序列进行关联度分析；

(2)利用测值序列间关联度构件模糊关系矩阵；

(3)对测值序列进行模糊聚类分析，分析测值异常原因，对监测系统运行状态作出判断；

所述步骤(1)中采用绝对关联度进行分析，所述测值序列中，xi和xj分别为参考序列和比较序列，即：Xi＝{xi(k)|k＝1，2，...，n} (1)Xj＝{xj(k)|k＝1，2，...，n} (2)对长度相同的两序列求其始点零化象

其中 按式(4)即可求得两序列的绝对关联度：式中

所述步骤(2)中，假设监测系统有m个测点，每个测点各测得n个测值，则这m段测值序列Y＝{Y1，Y2，...，Ym}构成n维空间的样本向量集，任意样本向量Yi为：其中yij(i＝1，2，...，m；j＝1，2，...，n)是第i个测点的第j个测值；

用步骤(1)中求得的关联度rij(0≤rij≤1)，量化Y中两两元素间的彼此接近程度，将rij组成的矩阵R作为模糊关系矩阵。

2.根据权利要求1所述的故障自诊断方法，其特征是，所述步骤(3)中，若某测值序列与同类的其它测值序列关联度大幅下降，并导致聚类结果相应发生变化，则可初步判定监测系统自身出现故障。

3.根据权利要求1所述的故障自诊断方法，其特征是，所述步骤(1)中，对长度不同序列间的比较，用插值等方法将短序列补齐。

说明书

监测系统故障自诊断方法

技术领域

[0001] 本发明属于结构监测领域，具体涉及对于监测系统自身健康状态的一种分析判断方法。

背景技术

[0002] 目前大型结构的长期监测日益得到重视，在监测过程中有时系统会出现故障，特别是桥梁等结构的监测周期一般都远长于监测设备的有效期，因此监测设备的损坏问题难以避免。监测设备的损坏，常伴随着异常测值的产生，而异常信息的产生，主要有2种原因：①真正由结构本身的劣化而引起；②监测系统自身故障。如果误把监测系统自身故障当作结构异常处理就可能出现误报警现象，因此对传感器测值异常的成因分析是后继分析与预测的基础，其准确性关系到整个监测工作是否可靠有效。对测值异常的判断比较复杂，目前在实际应用中只有一些定性的原则可以帮助分析这些异常值是否由监测系统自身问题导致，如：结构变形破坏通常有一个累进性；结构响应中的矢量一般保持一定的方向性等，借助这些原则虽可以判断出一些明显的监测系统故障，但对于系统故障在测值上更加隐蔽的表现则无能为力。事实上，布置在同一结构物中位置靠得较近的各测点测值之间存在着某种联系，结构的变形与破坏一般不会仅限于影响某个孤立的测点，而是有一定的范围，布置在同一工程部位，位置靠得较近的各测点测值之间存在着某种联系。所以，在异常值分析时对相邻点观测值的比较是必要的，但目前对于测值间的关联性尚无量化的分析方法对测值异常现象进行诊断，因此有必要开发一种新的方法来弥补此项不足。

发明内容

[0003] 本发明针对目前结构监测系统虽难以避免故障问题，却由于智能化水平不足而影响到监测系统的可靠性的现状，基于“当监测系统正常工作时，结构变化应对位置靠得较近的各测点测值均有影响”的原理将测值间的联系用灰色关联度加以量化，并提出了基于测值间灰色关联度聚类分析的结构监测系统故障自诊断方法。

[0004] 实现本发明目的的技术方案是：监测系统故障自诊断方法，包括下列步骤：

[0005] (1)对不同测值的序列进行关联度分析

[0006] 序列间灰色关联度的计算方法比较多，这里采用绝对关联度进行分析作为示例。设原始数据序列中，xi和xj分别为参考序列和比较序列(也即监测系统测点I和测点J一段时间的测值序列)，即：

[0007] Xi＝{xi(k)|k＝1，2，...，n} (1)

[0008] Xj＝{xj(k)|k＝1，2，...，n} (2)

[0009] 对长度不同序列间的比较，可以用插值等方法将短序列补齐，当然这样对关联度0
值有一定影响。对长度相同的两序列可求其始点零化象Xl ：

[0010]

[0011] 其中 按式(4)即可求得两序列的绝对关联度：

[0012]

[0013] 式中

[0014]

[0015] (2)利用测值序列间关联度构件模糊关系矩阵

[0016] 假设监测系统有m个测点，每个测点各测得n个测值，则这m段测值序列Y＝{Y1，Y2，...，Ym}构成n维空间的样本向量集，任意样本向量Yi为：

[0017] Yi＝{yi1，yi2，...，yin}T

[0018] 其中yij(i＝1，2，...，m；j＝1，2，...，n)是第i个测点的第j个测值。为进行模糊聚类分析，将(1)步骤求得的关联度rij(0≤rij≤1)量化Y中两两元素间的彼此接近程度，将rij组成的矩阵R称为模糊关系矩阵。

[0019] (3)对测值序列进行模糊聚类分析分析测值异常原因

[0020] 根据测值序列聚类结果随时间变化的情况，可以对监测系统运行状态作出判断，当某测值序列与同类的其它测值序列关联度大幅下降，并导致聚类结果相应发生变化，即若要将该测值与原来同类的其它所有测值仍然归为一类，则须将原来其它类中的某些测值也归入该类。这种聚类结果的变化说明测值间的关联性发生了变化，可以初步判定监测系统自身出现故障。

[0021] 本发明的有益效果在于：

[0022] (1)与人工利用一些定性原则对异常测值进行判断的方法相比，基于测值间灰色关联度聚类分析的结构监测系统故障自诊断方法可以用计算机程序对各测点测值之间存在的联系进行量化分析，使监测系统能够对异常测值是否由自身故障所引发进行诊断，避免由于误判引起误报警而带来的不必要的经济与社会成本投入，也便于及时采取措施对监测系统进行维修，提高了结构监测系统的智能化水平与鲁棒性，因此实用性较大。以桥梁结构监测系统为例，如果将监测系统故障引起的测值异常误判为结构劣化，则势必要对桥梁进行人工检测或是维修，若为此中断交通8小时左右，所产生的直接经济损失可高达300万元左右。采用本发明可使监测系统能利用软件自动分析出一部分由于监测系统由于自身故障引起的异常测值现象，降低了由于误判造成的损失。

[0023] (2)采用本发明的分析方法还可以在结构监测的其它方面得到应用。随着监测技术的发展，测点数量大幅增加，监测周期越来越短，造成监测数据异常庞大。进行聚类分析可以了解监测仪器间测值的内在联系有利于掌握结构的运行状态，使得报表等材料的制定更加简洁。此外，有一部分仪器在结构发生异常时能充分发挥作用，而在平时其测值与周围相同检测项目仪器测值差别甚微，通过聚类分析可有目的地选择有代表性的仪器重点监测，可以减小监测资料的存储与处理难度。

附图说明

[0024] 图1是为本发明实施例1基底孔隙水压力测点布置图。

[0025] 图2是本发明实施例1孔隙水压力测点的测值序列

具体实施方式

[0026] 下面结合实施例做进一步说明。

[0027] 实施例1

[0028] 某大桥基础下埋设孔隙水压力计9点，观测基础下孔隙水压力分布，图1所示为基底孔隙水压力测点布置图。图2为这些孔隙水压力测点从2002年4月后的测值序列，图中可以看到测值变化主要可分为两个阶段，第一个阶段为4月到9月约150天孔隙水压力随着基础施工附加荷载增加而增高的阶段。第二阶段为施工完毕孔隙水压力逐渐消散并趋于定值的固结阶段。33131、33231测点的测值序列一直保持在0值附近。

[0029] (1)对不同测值的序列进行关联度分析：

[0030] 将2002年4月至2004年9月监测值中的10次测值分成两段序列进行分析，每段为连续5次监测所得测值序列。根据式

[0031]

[0032] 可分别计算得到两个阶段各自的测值间绝对关联度矩阵，这是两个9×9的矩阵，矩阵中行列数i、j按顺序分别代表33111～33331测点，矩阵元素rij代表测值序列间的关联度。

[0033] (2)利用测值序列间关联度构件模糊关系矩阵

[0034] 其中2002.4～2002.7各测点测值关联度矩阵[rij]1(如表1所示)，而2002.7～2002.9各测点测值关联度矩阵为[rij]2(如表2所示)。观察两个矩阵可以发现，随着时间推移不同测点的测值间关联度会发生一定的波动，但是幅度都不大，但破坏的测点与正常测点间的关联度却急剧下降。

[0035] 表12002.4～2002.7各测点测值关联度矩阵

[0036]

[0037] 表22002.7～2002.9各测点测值关联度矩阵

[0038]

[0039] 将[rij]2作为模糊关系矩阵，采用闭包法求得模糊等价矩阵进行聚类，取截集水平λ＝0.975可将测点分为四类，分别为：{33111，33121，33211，33221}、{33131，33231}、{33321，33331}、{33311}。可以看出聚类结果大体反映了测点在空间分布上关联的情况，且33131，33231两破坏测点也被从其它测点中分离出来。