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(hào)的主要工具，是測(cè)控系統(tǒng)中不可缺少的重要組成部分。隨著技術(shù)的不斷進(jìn)步，控制系統(tǒng)的復(fù)雜程度也不斷提高，一個(gè)系統(tǒng)中所需要的傳感器，無(wú)論在數(shù)量還是在種類上，都越來(lái)越多了。此外，傳感器通常需工作在高溫、強(qiáng)腐蝕等惡劣的環(huán)境下，一旦傳感器性能不穩(wěn)定或發(fā)生故障，將產(chǎn)生錯(cuò)誤的監(jiān)控信號(hào)，其后果有時(shí)是十分嚴(yán)重的，特別是在航空航天領(lǐng)域。故障診斷與檢測(cè)技術(shù)發(fā)展至今，針對(duì)不同的系統(tǒng)已經(jīng)提出了大量的方法，本文對(duì)這些方法進(jìn)行歸納。
1. 基于解析余度的故障診斷與檢測(cè)技術(shù)
1971年，麻省理工學(xué)院的Beard提出了以軟件冗余為主導(dǎo)思想的解析余度技術(shù)，并通過(guò)系統(tǒng)的自組織使系統(tǒng)閉環(huán)穩(wěn)定，通過(guò)比較觀測(cè)器的輸出得到系統(tǒng)的故障信息。在后來(lái)的幾十年來(lái)，解析余度技術(shù)得到充分的發(fā)展，現(xiàn)已有很多種方法。其指導(dǎo)思想是利用系統(tǒng)的解析信息構(gòu)造統(tǒng)計(jì)量，通過(guò)故障判別規(guī)則對(duì)統(tǒng)計(jì)量進(jìn)行分析從而達(dá)到檢測(cè)和診斷故障的目的。
一般來(lái)說(shuō)基于解析余度技術(shù)的故障診斷方法主要分為兩個(gè)階段：(1)產(chǎn)生殘差。殘差產(chǎn)生的方法有很多，常用的有 Kalman濾波器法、觀測(cè)器生成法、奇偶向量法以及等價(jià)空間法等等。(2)故障的判決。根據(jù)殘差函數(shù)的值，通過(guò)故障判別規(guī)則，判斷是否發(fā)生故障。根據(jù)殘差信息的構(gòu)造方式不同來(lái)區(qū)分故障診斷方法，常用的有：殘差的統(tǒng)計(jì)特性法、序貫概率比法、廣義似然比法、殘差加權(quán)二乘法、多重模型自適應(yīng)濾波法、檢測(cè)濾波法。其中殘差統(tǒng)計(jì)特性法較簡(jiǎn)單，下面對(duì)其進(jìn)行簡(jiǎn)要介紹。設(shè)系統(tǒng)的動(dòng)態(tài)方程為：
式中： W(k) ,V(k) 為互不相關(guān)的零均值的系統(tǒng)動(dòng)態(tài)噪聲與觀測(cè)噪聲。基于上述方程可以推導(dǎo)出Kalman最優(yōu)濾波方程，系統(tǒng)工作正常時(shí)，Kalman濾波殘差r（k）是一個(gè)零均值白噪聲序列，當(dāng)系統(tǒng)出現(xiàn)故障時(shí)，殘差將會(huì)增加一個(gè)增量x(k) ,不同的故障則對(duì)應(yīng)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(guò)檢查殘差的均值、方差或者白色特性來(lái)診斷故障情況。
解析余度技術(shù)依賴于系統(tǒng)的動(dòng)、靜態(tài)數(shù)學(xué)模型，充分利用了系統(tǒng)內(nèi)部的深層信息，更有利于故障診斷，模型的準(zhǔn)確程度直接影響了故障診斷的效果，但工程上要建立絕對(duì)精確的數(shù)學(xué)模型是不可能的。這就阻礙了解析余度技術(shù)的應(yīng)用。所以說(shuō)解析余度技術(shù)在故障診斷方面是一個(gè)有效的方法，但對(duì)于復(fù)雜非線性系統(tǒng)特別是難以得到數(shù)學(xué)模型的系統(tǒng)，它就顯得無(wú)能為力。
基于解析余度故障檢測(cè)方法的研究熱點(diǎn)和發(fā)展方向：
1）[1]非線性系統(tǒng)的故障檢測(cè)的最優(yōu)化閾值。
2）[2]最優(yōu)魯棒解析余度的性能指標(biāo)的確定。
3）[3]解析余度與專家系統(tǒng)相結(jié)合的問(wèn)題等等。
2. 基于模糊推理的故障診斷方法。
1965年美國(guó)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(shù)學(xué)這門學(xué)科，從而把傳統(tǒng)數(shù)學(xué)的應(yīng)用范圍從精確定義的領(lǐng)域擴(kuò)大到了模糊領(lǐng)域，并由此產(chǎn)生了基于模糊理論的故障診斷法。
根據(jù)模糊變換的基本原理以及故障征兆和故障原因之間的內(nèi)在關(guān)系。定義U為系統(tǒng)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(shù)。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(shù)。
根據(jù)故障征兆集中各元素所占的地位和作用，可構(gòu)造出系統(tǒng)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(chǎn)生的，對(duì)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(guān)系，即模糊決策方程 v = u•R 。 式中
為模糊關(guān)系矩陣，模糊關(guān)系矩陣R是m×n維矩陣，也是一個(gè)映射。這個(gè)映射將故障征兆模糊集變換為故障原因模糊集，實(shí)現(xiàn)了多種故障狀態(tài)的模糊綜合決策。目前，模糊技術(shù)已廣泛地應(yīng)用于機(jī)電、輕工、化工、航天航空領(lǐng)域，有著十分廣闊的發(fā)展前景。模糊技術(shù)在處理不確定因素和設(shè)備多種故障交叉現(xiàn)象表現(xiàn)突出，但模糊技術(shù)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(jìn)一步完善。
基于模糊推理的故障診斷技術(shù)的研究熱點(diǎn)和發(fā)展方向：
1）[4]模糊技術(shù)與專家系統(tǒng)相結(jié)合。
2）[5]模糊技術(shù)同神經(jīng)網(wǎng)絡(luò)
3）[6]模糊綜合評(píng)判和決策。
3. 基于專家系統(tǒng)的故障診斷與檢測(cè)方法
專家系統(tǒng)是一種利用專家知識(shí)和經(jīng)驗(yàn)進(jìn)行推理的智能程序系統(tǒng)，其內(nèi)部包含了大量的專家水平的領(lǐng)域知識(shí)和經(jīng)驗(yàn)，并且能夠在運(yùn)行過(guò)程中不斷地增加新知識(shí)和修改原有知識(shí)。專家系統(tǒng)產(chǎn)生于二十世紀(jì)60年代，1968年由StanFord大學(xué)研制成功的DENDRAL系統(tǒng)是世界上公認(rèn)的最早的專家系統(tǒng)，在此之后，不同功能、不同類型的專家系統(tǒng)相繼地建立起來(lái)了。如今專家系統(tǒng)已經(jīng)廣泛地應(yīng)用于工業(yè)設(shè)備診斷、實(shí)時(shí)監(jiān)控、航空航天等各領(lǐng)域中。
一個(gè)完整的專家系統(tǒng)結(jié)構(gòu)如圖1，它由六大部分組成：知識(shí)庫(kù)、推理機(jī)、數(shù)據(jù)庫(kù)、知識(shí)獲取、人機(jī)接口、解釋程序。
圖1 專家系統(tǒng)結(jié)構(gòu)圖
專家系統(tǒng)應(yīng)用于故障診斷首先要獲取知識(shí)，將知識(shí)輸入到知識(shí)庫(kù)中去，知識(shí)的輸入主要以定性物理模型知識(shí)的因果關(guān)系為主線，通過(guò)友好的人機(jī)界面進(jìn)行的。然后用推理機(jī)根據(jù)當(dāng)前輸入的數(shù)據(jù)，即工作存儲(chǔ)器中的數(shù)據(jù),利用知識(shí)庫(kù)中的知識(shí)，按一定的推理策略，來(lái)診斷和定位故障的，最后得出推理結(jié)論，并把結(jié)果送到用戶接口。
專家系統(tǒng)在故障診斷時(shí)體現(xiàn)了很大的優(yōu)勢(shì)，它使診斷系統(tǒng)既具有人類專家診斷經(jīng)驗(yàn)又不受人類生理?xiàng)l件的限制，還有很強(qiáng)的適應(yīng)能力，它可以通過(guò)人機(jī)交互診斷故障，隨著知識(shí)的深入甚至可以超過(guò)人類專家，但其也有不足之處，首先存在知識(shí)獲取的困難，其次當(dāng)多領(lǐng)域間專家知識(shí)相互矛盾難以處理，再就是幾乎沒(méi)有學(xué)習(xí)能力，通用性較差。
基于專家系統(tǒng)的故障診斷技術(shù)的研究熱點(diǎn)和發(fā)展方向：
1）[7]專家系統(tǒng)的實(shí)時(shí)診斷問(wèn)題。
2）[7]專家系統(tǒng)的混合推理策略的研究。
3）[8]專家系統(tǒng)同神經(jīng)網(wǎng)絡(luò)相結(jié)合的診斷方法。
4. 信號(hào)分析的故障診斷檢測(cè)方法
目前基于信號(hào)分析的故障診斷檢測(cè)方法主要有小波分析理論和分形幾何理論。在工程上應(yīng)用的有離散小波變換，連續(xù)小波變換，正交小波變換和小波包變換。現(xiàn)以小波包變換為例，當(dāng)系統(tǒng)發(fā)生故障時(shí)，其輸出信號(hào)能量的空間分布與正常系統(tǒng)輸出相比會(huì)發(fā)生相應(yīng)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(hào)能量在各子空間中的分布來(lái)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(nèi)分析信號(hào)，使本不明顯的信號(hào)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(xiàn)出來(lái)，并與系統(tǒng)的正常輸出相比較，提取出反映系統(tǒng)故障的特征信息，再與以實(shí)驗(yàn)和數(shù)學(xué)方法所建立的故障庫(kù)進(jìn)行比較，實(shí)現(xiàn)故障診斷。
“分形”這一概念是B.B.Mandelbrot教授于1975年經(jīng)過(guò)對(duì)自然界、數(shù)學(xué)、工程等領(lǐng)域中不規(guī)則現(xiàn)象的長(zhǎng)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(zhì)的類，則分形集的典型性質(zhì)有：
（1）具有精細(xì)結(jié)構(gòu)，
（2）非常不規(guī)則而不能用傳統(tǒng)的幾何語(yǔ)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(shù)一般大于其拓?fù)渚S數(shù)，
（5）在大多數(shù)情形可以以非常簡(jiǎn)單的方法定義。在分形技術(shù)中，最重要的參數(shù)就是分形維數(shù)。基于分形的故障診斷方法就是通過(guò)計(jì)算被測(cè)信號(hào)的分形維數(shù)來(lái)進(jìn)行的。在故障診斷方面，分形維數(shù)對(duì)軸心軌跡進(jìn)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(lǐng)域得到應(yīng)用，但其對(duì)不同理論和方法所得到的分維數(shù)的可比性和穩(wěn)定性的問(wèn)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(jìn)一步完善。
基于信號(hào)處理的故障診斷方法的研究熱點(diǎn)和發(fā)展方向有：
1）[9]應(yīng)用小波變換進(jìn)行故障信息的消噪處理
2）[10]小波變換與神經(jīng)網(wǎng)絡(luò)相結(jié)合
3）[11]分形技術(shù)與神經(jīng)網(wǎng)絡(luò)以及小波理論相結(jié)合。
5.基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法
人工神經(jīng)網(wǎng)絡(luò)（ANN），簡(jiǎn)單的說(shuō)是用物理上可以實(shí)現(xiàn)的器件、系統(tǒng)或現(xiàn)有的計(jì)算機(jī)來(lái)模擬人腦的結(jié)構(gòu)和功能的人工系統(tǒng)。通常認(rèn)為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展是從1943年美國(guó)心理學(xué)家 Warren S McCulloch和數(shù)學(xué)家Walter H Pitts提出第一個(gè)神經(jīng)元模型開始的。經(jīng)過(guò)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(fù)蘇。目前人工神經(jīng)網(wǎng)絡(luò)涉及了生物、電子計(jì)算機(jī)、數(shù)學(xué)、物理等學(xué)科，有著十分廣泛的應(yīng)用背景和前景。雖然神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)多年的發(fā)展已經(jīng)有了許多算法和模型，但它們都具有4個(gè)基本特點(diǎn)：
1）廣泛連接的巨型系統(tǒng)。
2）分布式存儲(chǔ)信息。
3）并行處理功能。
4）自學(xué)習(xí)、自組織和自適應(yīng)功能。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)為故障診斷問(wèn)題提供了一種新的解決途徑，特別對(duì)于復(fù)雜系統(tǒng)，傳統(tǒng)的基于解析余度的故障診斷方法由于建模困難難以應(yīng)用，而神經(jīng)網(wǎng)絡(luò)則可以避免復(fù)雜的建模，并利用其I/O非線性映射特性、信息的分布存儲(chǔ)、并行處理和全局集體作用，成為故障檢測(cè)與診斷的有效方法。特別要說(shuō)明的是，由于神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶和自學(xué)習(xí)、自適應(yīng)的能力，因此當(dāng)新的故障出現(xiàn)時(shí)，它可以通過(guò)自學(xué)習(xí)，不斷調(diào)整閾值和權(quán)值，以提高檢測(cè)率，降低誤報(bào)率，因此神經(jīng)網(wǎng)絡(luò)的方法是可以進(jìn)行在線故障診斷的。神經(jīng)網(wǎng)絡(luò)是新興的學(xué)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(jié)點(diǎn)等不足和問(wèn)題，學(xué)術(shù)界還沒(méi)有成熟的理論依據(jù)。
基于神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)的研究熱點(diǎn)和發(fā)展方向：
1、[12]神經(jīng)網(wǎng)絡(luò)的在線診斷技術(shù)。
2、[13]加快神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度的研究。
3、[14]對(duì)神經(jīng)網(wǎng)絡(luò)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(yùn)用多種理論進(jìn)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(lái)看，都存在各自的缺點(diǎn)，單單依靠一種方法來(lái)進(jìn)行故障診斷，常常無(wú)法滿足診斷的精度和技術(shù)指標(biāo)，所以我們需要綜合多種方法才能達(dá)到比較理想的效果。基于解析余度的方法優(yōu)點(diǎn)在于可以充分利用系統(tǒng)內(nèi)部的深層知識(shí)，更有利于故障診斷，其缺點(diǎn)是系統(tǒng)建模困難以及建模誤差、外部干擾將影響故障診斷結(jié)果。基于神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是擁有自學(xué)習(xí)和聯(lián)想記憶的能力，適應(yīng)性強(qiáng)，對(duì)新故障具有良好的辨別能力，更有利于故障檢測(cè)。基于信號(hào)分析技術(shù)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(jié)合揚(yáng)長(zhǎng)避短，不失是一個(gè)有效的方法。首先利用解析余度產(chǎn)生殘差，然后將殘差序列經(jīng)過(guò)小波變換進(jìn)行降噪處理，最后將經(jīng)過(guò)處理后的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)，診斷系統(tǒng)的故障與否，基于此方法的仿真還有待進(jìn)一步的研究。
北京市公安局海淀分局備案號(hào)：11010802023656號(hào)