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有： 故障檢測、 故障類型判斷、 故障定位及故障恢復等。 其中： 故障檢測是指與系統(tǒng)建立連接后，周期性地向下位機發(fā)送檢測信號，通過接收的響應數(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之上，細化故障種類，診斷出 系統(tǒng)具體故障部位和故障原因，為故障恢復做準備；故障恢復是整個故障診斷過程中最 后也是最重要的一個環(huán)節(jié)，需要根據(jù)故障原因，采取不同的措施，對系統(tǒng)故障進行恢復一、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造觀測器估計系統(tǒng)輸出， 然后將它與輸出的 測量值

2、作比較從中取得故障信息。 它還可進一步分為基于狀態(tài)估計的方法和基于參數(shù)估計的 方法，前者從真實系統(tǒng)的輸出與狀態(tài)觀測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而實行故障診斷； 后者由機理分析確定系統(tǒng)的模型參數(shù)和物理元器件 之間的關系方程，由實時辨識求得系統(tǒng)的實際模型參數(shù)，然后求解實際的物理元器件參數(shù)， 與標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)學模型 ，但隨著現(xiàn)代設備的不斷大型化、 復雜化和非線性化， 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 用。二、基于信號

3、處理的方法 當可以得到被控測對象的輸入輸出信號， 但很難建立被控對象的解析數(shù)學模型時， 可采 用基于信號處理的方法。 基于信號處理的方法是一種傳統(tǒng)的故障診斷技術， 通常利用信號模 型，如相關函數(shù)、 頻譜、 自回歸滑動平均、 小波變換等， 直接分析可測信號， 提取諸如方差、 幅值、 頻率等特征值， 識別和評價機械設備所處的狀態(tài)。 基于信號處理的方法又分為基于可 測值或其變化趨勢值檢查的方法和基于可測信號處理的故障診斷方法等。 基于可測值或其變 化趨勢值檢查的方法根據(jù)系統(tǒng)的直接可測的輸入輸出信號及其變化趨勢來進行故障診斷， 當 系統(tǒng)的輸入輸出信號或者變化超出允許的范圍時， 即認為系統(tǒng)發(fā)生了故障，

4、根據(jù)異常的信號 來判定故障的性質(zhì)和發(fā)生的部位。 基于可測信號處理的故障診斷方法利用系統(tǒng)的輸出信號狀 態(tài)與一定故障源之間的相關性來判定和定位故障，具體有頻譜分析方法等。三、基于知識的方法 在解決實際的故障診斷問題時， 經(jīng)驗豐富的專家進行故障診斷并不都是采用嚴格的數(shù)學 算法從一串串計算結果中來查找問題。 對于一個結構復雜的系統(tǒng)， 當其運行過程發(fā)生故障時， 人們?nèi)菀撰@得的往往是一些涉及故障征兆的描述性知識以及各故障源與故障征兆之間關聯(lián) 性的知識。盡管這些知識大多是定性的而非定量的，但對準確分析故障能起到重要的作用。 經(jīng)驗豐富的專家就是使用長期積累起來的這類經(jīng)驗知識，快速直接實現(xiàn)對系統(tǒng)故障的診斷。 利

5、用知識， 通過符號推理的方法進行故障診斷， 這是故障診斷技術的又一個分支基于知 識的故障診斷。 基于知識的故障診斷是目前研究和應用的熱點， 國內(nèi)外學者提出了很多方法。 由于領域?qū)＜以诨谥R的故障診斷中扮演重要角色， 因此基于知識的故障診斷系統(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，將其歸納成規(guī)則，通過啟發(fā)式經(jīng)驗知識進行故障診斷的計算機軟件系統(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， 按照一定步驟進行推理獲得診斷結論。產(chǎn)生式規(guī)則推理使得用戶不用直接面對實際系統(tǒng)的復雜組成結構和解析模型等，而關注于規(guī)則的制定。另外還有著模塊性良好，擴充修改和理解方便等優(yōu)點。理論上，只要規(guī)則能制定得足夠 細致、足夠準確，產(chǎn)生式規(guī)則推理能實現(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，存在著知識獲取困難、 知識臺階窄以及控制策略不靈活等缺點。對大型規(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)缺乏自學習能力，不適用于復雜系統(tǒng)或經(jīng)驗不足系統(tǒng)的故障診斷。對于大型的診斷對象，其求解過程搜

7、索空間大，速度慢，難以實現(xiàn)實時在線診斷要求?；谝?guī)則的方法對于診斷結論除了重復被采用的規(guī)則外，無法作出進一步解釋，通常只能診斷單個故障，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 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)實際系統(tǒng)的觀測行為與 系統(tǒng)模型的預測行為之間的差異進行診斷，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算系統(tǒng)極小沖突集和由極小沖突集 計算極小碰集兩步，計算得

8、到的每個極小碰集都是系統(tǒng)的候選診斷，然后通過測試，得到極小碰集中唯一正確的診斷。近年來，通過國內(nèi)外學者的共同努力，在極小沖突集和極小碰集的計算方面，己經(jīng)形成了一系列獨特的理論和方法，并取得了大量成功的應用。國內(nèi)外多年的理論研究和工程實踐表明，MBR方法由于不需要預設故障集，推理知識完備，性能較好；不依賴于診斷實例和診斷經(jīng)驗，因而適用于依據(jù)原理進行故障診斷，它也能夠診斷多重故障并能對故障結論進行解釋。另外，MBR方法利用系統(tǒng)結構和功能對系統(tǒng)建模，借鑒人腦的推理方式進行診斷推理，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)領域知識，特別是模型的準確性，在實時診

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)絡的故障診斷專家系統(tǒng)人工神經(jīng)網(wǎng)絡(Artificial Neural Network,ANN )具有較好的容錯性、響應快、強大的學 習能力、自適應能力和非線性逼近能力等，被廣泛應用于故障診斷領域?；谏窠?jīng)網(wǎng)絡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)絡來構造專家系統(tǒng)，變基于符號的推理為基于數(shù)字運算的推理， 提高系統(tǒng)效率，解決自學習問題；另一種是把神經(jīng)網(wǎng)絡作為知識源的表 示和處理模式，并與其它推理機制相融合，實現(xiàn)多模式推理。神經(jīng)網(wǎng)絡的自組織、自學習等特點也是其它專家系統(tǒng)無法匹敵的，因此基于神經(jīng)網(wǎng)絡的故障診斷專家系統(tǒng)在控制系統(tǒng)故障診

10、斷與容錯控制領域獲得了廣泛的應用。然而，神經(jīng)網(wǎng)絡專家系統(tǒng)也存在固有的弱點。首先，系統(tǒng)性能受到所選擇的訓練樣本集的限制，訓練樣本集選擇不當， 特別是在訓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)絡沒有能力解釋自己的推理過程和推理依據(jù)及其存儲知識的意義；再次，神經(jīng)網(wǎng)絡利用知識和表達知識的方式單一，通常的神經(jīng)網(wǎng)絡只能采用數(shù)值化的知識；最后，也是最根本的一點是神經(jīng)網(wǎng)絡只能模擬人類感覺層次上的智能活動，在模擬人類復雜層次的思維方面，如基于目標的管理、 綜合判斷與因果分析等方面還遠遠不及傳統(tǒng)的專家系統(tǒng)。因此，人們正試圖研究符號推理與數(shù)值推理相結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)模糊診斷的實質(zhì)是引入隸屬函數(shù)概念，模糊邏輯以其較強的結構性知識表達能力，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重要工作，確定隸屬度的方法有對比排序法、專家評判法、模糊統(tǒng)計法、概念擴張法等。采用專家評判法， 由專家根據(jù)經(jīng)驗直接給出論域中每個函數(shù)的隸屬度，形成隸屬度表，這樣給出的隸屬度比較準確。計算機在進行模糊推理時，先從用戶接口接收證據(jù)及其相應的模糊詞，如“很”、“相當”、“輕微”等，然后通過模糊屬性表查出條件模糊詞的隸屬度，由此進行推理得到結論。 基于模糊推理的診斷專家系統(tǒng)已應用在軍用電力系統(tǒng)、集成電路、

12、動態(tài)控制等方面。然而， 由于模糊診斷知識獲取困難，尤其是故障與征兆的模糊關系較難確定，且系統(tǒng)的診斷能力依賴模糊知識庫，學習能力差，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， 實現(xiàn)語言變量與隸屬函數(shù)之間的轉(zhuǎn)換是一個難點。5. 基于實例推理的故障診斷專家系統(tǒng)基于實例推理( Case Based Reasoning,CBR )是人工智能發(fā)展較為成熟的一個分支，與 其它人工智能技術相比， 其不同之處在于它不依賴于問題領域的一般知識， 也不是產(chǎn)生式規(guī) 則。 CBR 能夠利用有經(jīng)驗的、具體事例的特殊知識，通過尋找類似的過去事例來解決新問 題。一個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；事例的特點及過程；事 例的解決方法和結果。事例推理的關鍵步驟包括事例檢索、事例重用