汽车衡广泛应用于矿山港口、交通运输等大型质量称重领域,是现代物流称重计量的关键设备。称重传感器是汽车衡的关键组成部分,其通过并联方式,将多路称重传感器的输出信号累加,构成一个典型的多传感器系统,获得一个与被测载荷质量成比例的电压信号,并传送至称重仪表,完成被测载荷称量[1]。因工作环境恶劣和工况变化,称重传感器容易发生故障。因此,必须对汽车衡进行故障实时检测,确保汽车衡称量准确性。

零点故障是汽车衡称重传感器常见的故障类型之一,主要分为零位故障、零漂故障、零点冲击和周期性干扰,这是一种典型的微小故障,不易检测[2]。目前在实际工程中,汽车衡称重传感器常用的故障检测方法是人工检测法,即通过人工加载砝码和经验知识,完成故障检测[3],这些方法效率低、耗费大量人力,而且准确度差,不易发现微小故障。随着故障诊断技术的发展,称重传感器的智能化故障检测方法不断出现。王春香等[4]将小波变换与深度信念网络(DBN)结合进行汽车衡的动态故障诊断,但未针对汽车衡的零点故障进行专门检测。杨静等[5]利用径向基函数(RBFNN)初始化的数据库专家系统进行汽车衡故障传感器的判别,但该系统不具备自适应性和在线更新能力。

主元分析法(principal component analysis, PCA)通过数据降维,将原数据进行转换,获得少数几个新的主要变量,从而实现数据简化、压缩和特征变量提取等[6,7]。基于PCA的故障检测方法一直是故障检测领域的研究热点,许多学者开展了卓有成效的研究,分别提出了基于递推主元分析(recursive principal component analysis,RPCA)[8]、核主元分析(kernel principal component analysis,KPCA)[9]、PCA与神经网络相结合[10]的故障检测方法等。其中,RPCA法是在原有PCA模型的基础上,利用新采集的数据通过递推算法实时更新主元模型。这种方法不需要重新计算协方差矩阵及相关参数,与PCA法相比,它能极大地降低运算量,具有更好的适应性,节约存储空间[11]。因此,RPCA方法更适用于实时在线的故障检测。

相比于神经网络故障检测方法,RPCA法对变量进行变换后形成了彼此相互独立的主成分变量,降低了各变量之间的相互关联性,且递推的方法节省了相关参数的计算时间和存储空间[12];神经网络故障检测方法则需要大量的数据,至少需要数千数百万个标记样本,才能够得到较为准确的检测结果,而且在完成神经网络的训练时需要几分钟甚至几个小时的训练时间,大大降低了汽车衡在线故障检测的效率[13]。

利用PCA模型进行故障检测时,霍特林(Hotelling’s T2)和平方预测误差(SPE)是两种常用的检测指标[14]。在采样数据足够多、故障明显的情况下,利用这两种检测指标可以获得比较理想的故障检测结果;但是针对微小故障,由于其故障幅值较低、易受干扰,传感器的Hotelling’s T2统计量往往小于其控制限,导致漏警;SPE统计量波动较大,在传感器正常工作时容易发生误警。此外,统计量Hawkins TH2对较小的故障变化量也能获得明显的故障特征(即TH2大于故障控制限),但其容易受系统噪声的影响,造成误警[15];主元相关变量残差(PVR)统计量可以更好地判断数据之间的关联性故障,在系统正常工作时误警较少,但容易忽略微小故障[16]。由此可见,这四类指标在故障诊断方面各有所长、相互补充。因此,为了提高故障检测准确性,本文基于RPCA方法,同时利用T2、TH2、SPE、PVR等4类检测指标,构建故障综合评价模型,以实现称重传感器零点故障在线检测。