控制系统故障诊断方法探究.docVIP

控制系统故障诊断方法探究摘要：综述了控制系统的故障诊断方法，具体介绍了的3大类故障诊断方法。重点阐述了这些方法的基本思想、研究进展以及成果。指出了故障检测值得进一步研究的方向。 关键词：控制系统；故障诊断；故障检测；诊断方法 引言 自20世纪60年代末美国国家宇航局就创立了美国故障预防小组以来，故障诊断技术逐渐发展起来的一门以数学、物理、现代控制论、计算机工程、通讯技术、信号处理、模式识别、人工智能、人工神经网络以及相应的应用学科为基础的多学科综合交叉的新学科。它通过获得机械设备在静止或运行中的状态信息，并参考设备过去的运行经历，来获得设备的实时状况，并推断未来的趋势，从而确定必要的维修策略。本研究主要针对控制系统的故障诊断方法进行综述。 1 基于解析模型的方法 该方法是研究最早、最深入、最成熟的方法，需要建立被诊断对象的较精确的数学模型，包括状态估计方法、等价空间方法和参数估计方法。尽管这三种方法是独立发展起来的，但它们之间存在一定的联系。 1.1状态估计方法 状态估计方法的基本思想是利用系统的解析模型和可测信息，设计检测滤波器（观测器） ，重建系统某一可测变量，然后由滤波器的输出与真实系统的输出的差值构造残差，再对残差进行分析处理，以实现系统的故障诊断。在能够获得系统精确数学模型的情况下，状态估计方法是最直接有效的方法，然而在实际中，这一条件往往很难满足。所以目前对于状态估计方法的研究主要集中在提高检测系统对子建模误差、扰动、噪声等未知输入的鲁棒性及系统对于早期故障的灵敏度。 1.2等价空间法 等价空间法的基本思想是利用系统的输入/输出的实际测量值检验系统数学模型的等价性（即一致性），以检测和分离故障。其在诊断时存在问题：低阶等价向量在线实现较简单但性能不佳，而高阶等价向量能带来较好的性能却计算量大，且漏报率高。因此，目前的研究普遍都采用改进过的等价空间法[1]。 2 基于信号处理的方法 当难以建立被控对象的解析数学模型时，可采用基于信号处理的方法。此方法是利用信号模型（如相关函数、频谱、高阶统计量、自回归滑动平均、小波变换等）直接分析可测信号，提取方差、幅值、频率等信息来进行故障检测与诊断。这种方法适用于线性系统和非线性系统。但是，避开对象数学模型的优点是实现简单、实时性较好；缺点则是对潜在的早期故障的诊断显得不足，多用于故障检测，对故障分离和诊断的效果不很理想，若与其他方法结合可望提高故障诊断性能。 2.1基于小波变换的方法 小波变换是一种信号的时间—尺度分析方法，具有多分辨率分析的特点。在时频域都具有表征信号局部特征的能力，适合于非平稳信号的奇异性分析。利用连续小波变换可以区分信号突变和噪声，而利用离散小波变换可检测随机信号频率结构的变化。小波变换对噪声的抑制能力较强，具有较高的灵敏度，运算量也不大，是一种很有前途的方法。近年来，利用小波变换的优点，将小波变换与数学模型、神经网络、专家系统、模糊理论、矩阵奇异值等方法相结合，提出了一些新的方法，进一步提高了动态系统的故障检测与诊断性能，在实际工程应用中获得成功。 2.2主元分析法 主元分析法（Principal Component Analysis，PCA）是依据输入变量的线性变换，由输入变量相关矩阵的主要特征值的大小来确定坐标变换和变量压缩，目的是在数据空间中找到一组m个正交基，这组正交基最大可能地表示数据的方差和协方差，以便将数据从原始的n维空间映射到由这组正交基所构成的m维子空间上，从而达到降维的目的（mn）。Sch■lkopf等人将PCA推广到非线性领域，通过核函数方法将输入向量映射到一个高维特征空间，使输入向量具有更好的可分性，然后在高维空间中对映射数据进行线性主元分析，从而得到原数据的非线性主元，达到降维的目的[2]。 3 基于知识的方法 人工智能及计算机技术的快速发展，为故障诊断技术提供了新的理论基础，产生了基于知识的诊断方法。此方法与基于信号的故障诊断方法类似，也不需要定量的数学模型。不同之处在于，它引入诊断对象的许多信息，特别是可以充分利用专家诊断知识，而且它具有“智能”特性，是一种很有生命力的方法，尤其是在非线性系统领域。 3.1 基于神经网络的方法 神经网络具有模拟任意连续非线性函数、从样本学习、大规模并行处理、自适应、自学习、容错、联想记忆、分布式信息存储、推理、处理复杂多模式等优良性能，使其在复杂系统的监测及诊断中发挥着重要作用，为故障诊断技术开辟了一条有效途径。由于神经网络从故障诊断实例中学到的知识只是一些分布式规则，诊断推理过程不能够解释，缺乏透明度。因此，近年来，基于神经网络的故障诊断研究开始向神经网络与其他诊断方法相结合的方向发展。比如把模糊数学与其相结合，可