故障診斷理論方法綜述

1、故障診斷理論方法綜述故障診斷的主要任務(wù)有： 故障檢測(cè)、 故障類型判斷、 故障定位及故障恢復(fù)等。 其中： 故障檢測(cè)是指與系統(tǒng)建立連接后，周期性地向下位機(jī)發(fā)送檢測(cè)信號(hào)，通過接收的響應(yīng)數(shù) 據(jù)幀，判斷系統(tǒng)是否產(chǎn)生故障；故障類型判斷就是系統(tǒng)在檢測(cè)出故障之后，通過分析原 因，判斷出系統(tǒng)故障的類型；故障定位是在前兩部的基礎(chǔ)之上，細(xì)化故障種類，診斷出 系統(tǒng)具體故障部位和故障原因，為故障恢復(fù)做準(zhǔn)備；故障恢復(fù)是整個(gè)故障診斷過程中最 后也是最重要的一個(gè)環(huán)節(jié)，需要根據(jù)故障原因，采取不同的措施，對(duì)系統(tǒng)故障進(jìn)行恢復(fù)一、基于解析模型的方法基于解析模型的故障診斷方法主要是通過構(gòu)造觀測(cè)器估計(jì)系統(tǒng)輸出， 然后將它與輸出的 測(cè)量值

2、作比較從中取得故障信息。 它還可進(jìn)一步分為基于狀態(tài)估計(jì)的方法和基于參數(shù)估計(jì)的 方法，前者從真實(shí)系統(tǒng)的輸出與狀態(tài)觀測(cè)器或者卡爾曼濾波器的輸出比較形成殘差， 然后從 殘差中提取故障特征進(jìn)而實(shí)行故障診斷； 后者由機(jī)理分析確定系統(tǒng)的模型參數(shù)和物理元器件 之間的關(guān)系方程，由實(shí)時(shí)辨識(shí)求得系統(tǒng)的實(shí)際模型參數(shù)，然后求解實(shí)際的物理元器件參數(shù)， 與標(biāo)稱值比較而確定系統(tǒng)是否發(fā)生故障及故障的程度。 基于解析模型的故障診斷方法都要求 建立系統(tǒng)精確的數(shù)學(xué)模型 ，但隨著現(xiàn)代設(shè)備的不斷大型化、 復(fù)雜化和非線性化， 往往很難或 者無法建立系統(tǒng)精確的數(shù)學(xué)模型， 從而大大限制了基于解析模型的故障診斷方法的推廣和應(yīng) 用。二、基于信號(hào)

3、處理的方法 當(dāng)可以得到被控測(cè)對(duì)象的輸入輸出信號(hào)， 但很難建立被控對(duì)象的解析數(shù)學(xué)模型時(shí)， 可采 用基于信號(hào)處理的方法。 基于信號(hào)處理的方法是一種傳統(tǒng)的故障診斷技術(shù)， 通常利用信號(hào)模 型，如相關(guān)函數(shù)、 頻譜、 自回歸滑動(dòng)平均、 小波變換等， 直接分析可測(cè)信號(hào)， 提取諸如方差、 幅值、 頻率等特征值， 識(shí)別和評(píng)價(jià)機(jī)械設(shè)備所處的狀態(tài)。 基于信號(hào)處理的方法又分為基于可 測(cè)值或其變化趨勢(shì)值檢查的方法和基于可測(cè)信號(hào)處理的故障診斷方法等。 基于可測(cè)值或其變 化趨勢(shì)值檢查的方法根據(jù)系統(tǒng)的直接可測(cè)的輸入輸出信號(hào)及其變化趨勢(shì)來進(jìn)行故障診斷， 當(dāng) 系統(tǒng)的輸入輸出信號(hào)或者變化超出允許的范圍時(shí)， 即認(rèn)為系統(tǒng)發(fā)生了故障，

4、根據(jù)異常的信號(hào) 來判定故障的性質(zhì)和發(fā)生的部位。 基于可測(cè)信號(hào)處理的故障診斷方法利用系統(tǒng)的輸出信號(hào)狀 態(tài)與一定故障源之間的相關(guān)性來判定和定位故障，具體有頻譜分析方法等。三、基于知識(shí)的方法 在解決實(shí)際的故障診斷問題時(shí)， 經(jīng)驗(yàn)豐富的專家進(jìn)行故障診斷并不都是采用嚴(yán)格的數(shù)學(xué) 算法從一串串計(jì)算結(jié)果中來查找問題。 對(duì)于一個(gè)結(jié)構(gòu)復(fù)雜的系統(tǒng)， 當(dāng)其運(yùn)行過程發(fā)生故障時(shí)， 人們?nèi)菀撰@得的往往是一些涉及故障征兆的描述性知識(shí)以及各故障源與故障征兆之間關(guān)聯(lián) 性的知識(shí)。盡管這些知識(shí)大多是定性的而非定量的，但對(duì)準(zhǔn)確分析故障能起到重要的作用。 經(jīng)驗(yàn)豐富的專家就是使用長(zhǎng)期積累起來的這類經(jīng)驗(yàn)知識(shí)，快速直接實(shí)現(xiàn)對(duì)系統(tǒng)故障的診斷。 利

5、用知識(shí)， 通過符號(hào)推理的方法進(jìn)行故障診斷， 這是故障診斷技術(shù)的又一個(gè)分支基于知 識(shí)的故障診斷。 基于知識(shí)的故障診斷是目前研究和應(yīng)用的熱點(diǎn)， 國內(nèi)外學(xué)者提出了很多方法。 由于領(lǐng)域?qū)＜以诨谥R(shí)的故障診斷中扮演重要角色， 因此基于知識(shí)的故障診斷系統(tǒng)又稱為 故障診斷專家系統(tǒng)。如圖 1.1專家用戶結(jié)果圖11. 基于規(guī)則的故障診斷專家系統(tǒng)基于規(guī)則的診斷方法是根據(jù)以往專家診斷的經(jīng)驗(yàn)，將其歸納成規(guī)則，通過啟發(fā)式經(jīng)驗(yàn)知識(shí)進(jìn)行故障診斷的計(jì)算機(jī)軟件系統(tǒng)。產(chǎn)生式規(guī)則的專家系統(tǒng)是其主要形式。產(chǎn)生式規(guī)則的基本形式為：if（條件）,then（結(jié)論）?；诋a(chǎn)生式規(guī)則的專家系統(tǒng)允許用戶向系統(tǒng)知識(shí)庫中輸入大 量上述類型的規(guī)則，

6、 并制定規(guī)則的解釋方式， 按照一定步驟進(jìn)行推理獲得診斷結(jié)論。產(chǎn)生式規(guī)則推理使得用戶不用直接面對(duì)實(shí)際系統(tǒng)的復(fù)雜組成結(jié)構(gòu)和解析模型等，而關(guān)注于規(guī)則的制定。另外還有著模塊性良好，擴(kuò)充修改和理解方便等優(yōu)點(diǎn)。理論上，只要規(guī)則能制定得足夠 細(xì)致、足夠準(zhǔn)確，產(chǎn)生式規(guī)則推理能實(shí)現(xiàn)高精度的故障定位。盡管基于規(guī)則的診斷專家系統(tǒng)獲得了一定的成功，但由于該方法屬于反演推理，因而不是一種確保唯一性的推理形式，存在著知識(shí)獲取困難、 知識(shí)臺(tái)階窄以及控制策略不靈活等缺點(diǎn)。對(duì)大型規(guī)則庫來說， 容易產(chǎn)生規(guī)則匹配沖突、組合爆炸等問題，而且系統(tǒng)缺乏自學(xué)習(xí)能力，不適用于復(fù)雜系統(tǒng)或經(jīng)驗(yàn)不足系統(tǒng)的故障診斷。對(duì)于大型的診斷對(duì)象，其求解過程搜

7、索空間大，速度慢，難以實(shí)現(xiàn)實(shí)時(shí)在線診斷要求。基于規(guī)則的方法對(duì)于診斷結(jié)論除了重復(fù)被采用的規(guī)則外，無法作出進(jìn)一步解釋，通常只能診斷單個(gè)故障，難以診斷多重故障。2. 基于模型推理的故障診斷專家系統(tǒng)基于模型的推理 （Model-Based Reasoning,MBR）方法于上世紀(jì) 80年代由人工智能專家Raymond Reiter和Johan de Kleer等提出，該方法的基本思想是根據(jù)實(shí)際系統(tǒng)的觀測(cè)行為與 系統(tǒng)模型的預(yù)測(cè)行為之間的差異進(jìn)行診斷，如圖1.2所示。Reiter提出了故障系統(tǒng)最小沖突集和最小碰集的概念，并將基于模型的故障診斷歸納為計(jì)算系統(tǒng)極小沖突集和由極小沖突集 計(jì)算極小碰集兩步，計(jì)算得

8、到的每個(gè)極小碰集都是系統(tǒng)的候選診斷，然后通過測(cè)試，得到極小碰集中唯一正確的診斷。近年來，通過國內(nèi)外學(xué)者的共同努力，在極小沖突集和極小碰集的計(jì)算方面，己經(jīng)形成了一系列獨(dú)特的理論和方法，并取得了大量成功的應(yīng)用。國內(nèi)外多年的理論研究和工程實(shí)踐表明，MBR方法由于不需要預(yù)設(shè)故障集，推理知識(shí)完備，性能較好；不依賴于診斷實(shí)例和診斷經(jīng)驗(yàn)，因而適用于依據(jù)原理進(jìn)行故障診斷，它也能夠診斷多重故障并能對(duì)故障結(jié)論進(jìn)行解釋。另外，MBR方法利用系統(tǒng)結(jié)構(gòu)和功能對(duì)系統(tǒng)建模，借鑒人腦的推理方式進(jìn)行診斷推理，可以為故障診斷過程提供更深層的分析。但是基于模型的診斷專家系統(tǒng)仍然依賴于專家的專業(yè)領(lǐng)域知識(shí)，特別是模型的準(zhǔn)確性，在實(shí)時(shí)診

9、斷中還將消耗巨大的圖1.2基于模型推理診斷思想3. 基于神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN )具有較好的容錯(cuò)性、響應(yīng)快、強(qiáng)大的學(xué) 習(xí)能力、自適應(yīng)能力和非線性逼近能力等，被廣泛應(yīng)用于故障診斷領(lǐng)域。基于神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)有兩種形式：一種是使用神經(jīng)網(wǎng)絡(luò)來構(gòu)造專家系統(tǒng)，變基于符號(hào)的推理為基于數(shù)字運(yùn)算的推理， 提高系統(tǒng)效率，解決自學(xué)習(xí)問題；另一種是把神經(jīng)網(wǎng)絡(luò)作為知識(shí)源的表 示和處理模式，并與其它推理機(jī)制相融合，實(shí)現(xiàn)多模式推理。神經(jīng)網(wǎng)絡(luò)的自組織、自學(xué)習(xí)等特點(diǎn)也是其它專家系統(tǒng)無法匹敵的，因此基于神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)在控制系統(tǒng)故障診

10、斷與容錯(cuò)控制領(lǐng)域獲得了廣泛的應(yīng)用。然而，神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)也存在固有的弱點(diǎn)。首先，系統(tǒng)性能受到所選擇的訓(xùn)練樣本集的限制，訓(xùn)練樣本集選擇不當(dāng)， 特別是在訓(xùn)練樣本集很少的情形下，很難指望它具有較好的歸納推理能力；其次，神經(jīng)網(wǎng)絡(luò)沒有能力解釋自己的推理過程和推理依據(jù)及其存儲(chǔ)知識(shí)的意義；再次，神經(jīng)網(wǎng)絡(luò)利用知識(shí)和表達(dá)知識(shí)的方式單一，通常的神經(jīng)網(wǎng)絡(luò)只能采用數(shù)值化的知識(shí)；最后，也是最根本的一點(diǎn)是神經(jīng)網(wǎng)絡(luò)只能模擬人類感覺層次上的智能活動(dòng)，在模擬人類復(fù)雜層次的思維方面，如基于目標(biāo)的管理、 綜合判斷與因果分析等方面還遠(yuǎn)遠(yuǎn)不及傳統(tǒng)的專家系統(tǒng)。因此，人們正試圖研究符號(hào)推理與數(shù)值推理相結(jié)合的集成式智能診斷系統(tǒng)，以期能更好地

11、模擬人類的思維過程。4. 基于模糊推理的故障診斷專家系統(tǒng)模糊診斷的實(shí)質(zhì)是引入隸屬函數(shù)概念，模糊邏輯以其較強(qiáng)的結(jié)構(gòu)性知識(shí)表達(dá)能力，適合處理診斷中的不確定信息和不完整信息。在模糊推理中建立模糊隸屬度是一個(gè)重要工作，確定隸屬度的方法有對(duì)比排序法、專家評(píng)判法、模糊統(tǒng)計(jì)法、概念擴(kuò)張法等。采用專家評(píng)判法， 由專家根據(jù)經(jīng)驗(yàn)直接給出論域中每個(gè)函數(shù)的隸屬度，形成隸屬度表，這樣給出的隸屬度比較準(zhǔn)確。計(jì)算機(jī)在進(jìn)行模糊推理時(shí)，先從用戶接口接收證據(jù)及其相應(yīng)的模糊詞，如“很”、“相當(dāng)”、“輕微”等，然后通過模糊屬性表查出條件模糊詞的隸屬度，由此進(jìn)行推理得到結(jié)論。 基于模糊推理的診斷專家系統(tǒng)已應(yīng)用在軍用電力系統(tǒng)、集成電路、

12、動(dòng)態(tài)控制等方面。然而， 由于模糊診斷知識(shí)獲取困難，尤其是故障與征兆的模糊關(guān)系較難確定，且系統(tǒng)的診斷能力依賴模糊知識(shí)庫，學(xué)習(xí)能力差，容易發(fā)生漏診或誤診。 由于模糊語言變量是用隸屬函數(shù)表示的， 實(shí)現(xiàn)語言變量與隸屬函數(shù)之間的轉(zhuǎn)換是一個(gè)難點(diǎn)。5. 基于實(shí)例推理的故障診斷專家系統(tǒng)基于實(shí)例推理( Case Based Reasoning,CBR )是人工智能發(fā)展較為成熟的一個(gè)分支，與 其它人工智能技術(shù)相比， 其不同之處在于它不依賴于問題領(lǐng)域的一般知識(shí)， 也不是產(chǎn)生式規(guī) 則。 CBR 能夠利用有經(jīng)驗(yàn)的、具體事例的特殊知識(shí)，通過尋找類似的過去事例來解決新問 題。一個(gè)有效的事例表示包括三部分內(nèi)容：事例發(fā)生的原因或背景；事例的特點(diǎn)及過程；事 例的解決方法和結(jié)果。事例推理的關(guān)鍵步驟包括事例檢索、事例重用