今日頭條
官方微信
官方抖音
案例頻道引言
傳感器是采集信號的主要工具，是測控系統中不可缺少的重要組成部分。隨著技術的不斷進步，控制系統的復雜程度也不斷提高，一個系統中所需要的傳感器，無論在數量還是在種類上，都越來越多了。此外，傳感器通常需工作在高溫、強腐蝕等惡劣的環境下，一旦傳感器性能不穩定或發生故障，將產生錯誤的監控信號，其后果有時是十分嚴重的，特別是在航空航天領域。故障診斷與檢測技術發展至今，針對不同的系統已經提出了大量的方法，本文對這些方法進行歸納。
1. 基于解析余度的故障診斷與檢測技術
1971年，麻省理工學院的Beard提出了以軟件冗余為主導思想的解析余度技術，并通過系統的自組織使系統閉環穩定，通過比較觀測器的輸出得到系統的故障信息。在后來的幾十年來，解析余度技術得到充分的發展，現已有很多種方法。其指導思想是利用系統的解析信息構造統計量，通過故障判別規則對統計量進行分析從而達到檢測和診斷故障的目的。
一般來說基于解析余度技術的故障診斷方法主要分為兩個階段：(1)產生殘差。殘差產生的方法有很多，常用的有 Kalman濾波器法、觀測器生成法、奇偶向量法以及等價空間法等等。(2)故障的判決。根據殘差函數的值，通過故障判別規則，判斷是否發生故障。根據殘差信息的構造方式不同來區分故障診斷方法，常用的有：殘差的統計特性法、序貫概率比法、廣義似然比法、殘差加權二乘法、多重模型自適應濾波法、檢測濾波法。其中殘差統計特性法較簡單，下面對其進行簡要介紹。設系統的動態方程為：
式中： W(k) ,V(k) 為互不相關的零均值的系統動態噪聲與觀測噪聲。基于上述方程可以推導出Kalman最優濾波方程，系統工作正常時，Kalman濾波殘差r（k）是一個零均值白噪聲序列，當系統出現故障時，殘差將會增加一個增量x(k) ,不同的故障則對應了不同的x(k)，因此，殘差將不再具有零均值白噪聲特征，可以通過檢查殘差的均值、方差或者白色特性來診斷故障情況。
解析余度技術依賴于系統的動、靜態數學模型，充分利用了系統內部的深層信息，更有利于故障診斷，模型的準確程度直接影響了故障診斷的效果，但工程上要建立絕對精確的數學模型是不可能的。這就阻礙了解析余度技術的應用。所以說解析余度技術在故障診斷方面是一個有效的方法，但對于復雜非線性系統特別是難以得到數學模型的系統，它就顯得無能為力。
基于解析余度故障檢測方法的研究熱點和發展方向：
1）[1]非線性系統的故障檢測的最優化閾值。
2）[2]最優魯棒解析余度的性能指標的確定。
3）[3]解析余度與專家系統相結合的問題等等。
2. 基于模糊推理的故障診斷方法。
1965年美國控制論專家L.A.Zadeh教授把普通集合推廣到模糊集合，誕生了模糊數學這門學科，從而把傳統數學的應用范圍從精確定義的領域擴大到了模糊領域，并由此產生了基于模糊理論的故障診斷法。
根據模糊變換的基本原理以及故障征兆和故障原因之間的內在關系。定義U為系統可能的故障征兆集U={U1,U2, ××××Um}，其中，m表示故障征兆種類的總數。定義V為引起故障征兆的可能故障原因集V={V1,V2,××××× Vm}。其中，n表示故障原因種類的總數。
根據故障征兆集中各元素所占的地位和作用，可構造出系統的故障征兆模糊向量u={u1,u2,××××,um}。若征兆樣本是由故障原因
產生的，對各種故障原因的隸屬度為，則故障原因模糊向量為v={v1,v2,××××vn,}, 可以得到U和V因果關系，即模糊決策方程 v = u•R 。 式中
為模糊關系矩陣，模糊關系矩陣R是m×n維矩陣，也是一個映射。這個映射將故障征兆模糊集變換為故障原因模糊集，實現了多種故障狀態的模糊綜合決策。目前，模糊技術已廣泛地應用于機電、輕工、化工、航天航空領域，有著十分廣闊的發展前景。模糊技術在處理不確定因素和設備多種故障交叉現象表現突出，但模糊技術同樣也存在缺陷,尤其是模糊邏輯和模糊可靠性理論還有待進一步完善。
基于模糊推理的故障診斷技術的研究熱點和發展方向：
1）[4]模糊技術與專家系統相結合。
2）[5]模糊技術同神經網絡
3）[6]模糊綜合評判和決策。
3. 基于專家系統的故障診斷與檢測方法
專家系統是一種利用專家知識和經驗進行推理的智能程序系統，其內部包含了大量的專家水平的領域知識和經驗，并且能夠在運行過程中不斷地增加新知識和修改原有知識。專家系統產生于二十世紀60年代，1968年由StanFord大學研制成功的DENDRAL系統是世界上公認的最早的專家系統，在此之后，不同功能、不同類型的專家系統相繼地建立起來了。如今專家系統已經廣泛地應用于工業設備診斷、實時監控、航空航天等各領域中。
一個完整的專家系統結構如圖1，它由六大部分組成：知識庫、推理機、數據庫、知識獲取、人機接口、解釋程序。
圖1 專家系統結構圖
專家系統應用于故障診斷首先要獲取知識，將知識輸入到知識庫中去，知識的輸入主要以定性物理模型知識的因果關系為主線，通過友好的人機界面進行的。然后用推理機根據當前輸入的數據，即工作存儲器中的數據,利用知識庫中的知識，按一定的推理策略，來診斷和定位故障的，最后得出推理結論，并把結果送到用戶接口。
專家系統在故障診斷時體現了很大的優勢，它使診斷系統既具有人類專家診斷經驗又不受人類生理條件的限制，還有很強的適應能力，它可以通過人機交互診斷故障，隨著知識的深入甚至可以超過人類專家，但其也有不足之處，首先存在知識獲取的困難，其次當多領域間專家知識相互矛盾難以處理，再就是幾乎沒有學習能力，通用性較差。
基于專家系統的故障診斷技術的研究熱點和發展方向：
1）[7]專家系統的實時診斷問題。
2）[7]專家系統的混合推理策略的研究。
3）[8]專家系統同神經網絡相結合的診斷方法。
4. 信號分析的故障診斷檢測方法
目前基于信號分析的故障診斷檢測方法主要有小波分析理論和分形幾何理論。在工程上應用的有離散小波變換，連續小波變換，正交小波變換和小波包變換。現以小波包變換為例，當系統發生故障時，其輸出信號能量的空間分布與正常系統輸出相比會發生相應變化的，也即輸出能量的改變就包含著豐富的故障特征信息。因此，如果采取從信號能量在各子空間中的分布來提取故障特征，即利用小波包變換，可在多層分解后的不同頻帶內分析信號，使本不明顯的信號頻率特征在不同分辨率的若干子空間中以顯著的能量變化的形式表現出來，并與系統的正常輸出相比較，提取出反映系統故障的特征信息，再與以實驗和數學方法所建立的故障庫進行比較，實現故障診斷。
“分形”這一概念是B.B.Mandelbrot教授于1975年經過對自然界、數學、工程等領域中不規則現象的長期不懈的探索提出的。1989年Falconer提出理解分形的一種新途徑，把分形視為具有若干性質的類，則分形集的典型性質有：
（1）具有精細結構，
（2）非常不規則而不能用傳統的幾何語言描述其局部和整體，
（3）通常由某種自相似性，可能是近似的或平均的，
（4）Hausdorff維數一般大于其拓撲維數，
（5）在大多數情形可以以非常簡單的方法定義。在分形技術中，最重要的參數就是分形維數。基于分形的故障診斷方法就是通過計算被測信號的分形維數來進行的。在故障診斷方面，分形維數對軸心軌跡進行處理用于非線性故障的診斷。
雖然分形理論已在故障診斷領域得到應用，但其對不同理論和方法所得到的分維數的可比性和穩定性的問題至今還未能克服或能確切地給出解釋，可見其理論還有待進一步完善。
基于信號處理的故障診斷方法的研究熱點和發展方向有：
1）[9]應用小波變換進行故障信息的消噪處理
2）[10]小波變換與神經網絡相結合
3）[11]分形技術與神經網絡以及小波理論相結合。
5.基于神經網絡的故障診斷方法
人工神經網絡（ANN），簡單的說是用物理上可以實現的器件、系統或現有的計算機來模擬人腦的結構和功能的人工系統。通常認為人工神經網絡的發展是從1943年美國心理學家 Warren S McCulloch和數學家Walter H Pitts提出第一個神經元模型開始的。經過50年代的高潮期和70年代的低潮期之后，A NN在80年代以后逐漸復蘇。目前人工神經網絡涉及了生物、電子計算機、數學、物理等學科，有著十分廣泛的應用背景和前景。雖然神經網絡經過多年的發展已經有了許多算法和模型，但它們都具有4個基本特點：
1）廣泛連接的巨型系統。
2）分布式存儲信息。
3）并行處理功能。
4）自學習、自組織和自適應功能。神經網絡的出現為故障診斷問題提供了一種新的解決途徑，特別對于復雜系統，傳統的基于解析余度的故障診斷方法由于建模困難難以應用，而神經網絡則可以避免復雜的建模，并利用其I/O非線性映射特性、信息的分布存儲、并行處理和全局集體作用，成為故障檢測與診斷的有效方法。特別要說明的是，由于神經網絡具有聯想記憶和自學習、自適應的能力，因此當新的故障出現時，它可以通過自學習，不斷調整閾值和權值，以提高檢測率，降低誤報率，因此神經網絡的方法是可以進行在線故障診斷的。神經網絡是新興的學科，理論還不夠成熟，還存在諸如如何提高收斂速度，容易陷入局部最小，如何確定隱層節點等不足和問題，學術界還沒有成熟的理論依據。
基于神經網絡故障診斷技術的研究熱點和發展方向：
1、[12]神經網絡的在線診斷技術。
2、[13]加快神經網絡的學習速度的研究。
3、[14]對神經網絡算法收斂性的研究以及如何加快算法的收斂速度，避免陷入局部最小(如BP算法)。
6. 綜合運用多種理論進行故障診斷
目前，用于故障診斷的方法很多，但單從一種方法來看，都存在各自的缺點，單單依靠一種方法來進行故障診斷，常常無法滿足診斷的精度和技術指標，所以我們需要綜合多種方法才能達到比較理想的效果。基于解析余度的方法優點在于可以充分利用系統內部的深層知識，更有利于故障診斷，其缺點是系統建模困難以及建模誤差、外部干擾將影響故障診斷結果。基于神經網絡的優點是擁有自學習和聯想記憶的能力，適應性強，對新故障具有良好的辨別能力，更有利于故障檢測。基于信號分析技術的小波變換在降噪方面的作用十分突出。因此如將這3種方法相結合揚長避短，不失是一個有效的方法。首先利用解析余度產生殘差，然后將殘差序列經過小波變換進行降噪處理，最后將經過處理后的數據輸入神經網絡進行評價，診斷系統的故障與否，基于此方法的仿真還有待進一步的研究。
北京市公安局海淀分局備案號：11010802023656號