企业简介

和利时公司拥有过程自动化、轨道交通自动化、核电站数字化仪控系统、工厂自动化即控制与驱动、信息化等业务单元，在核电、电力、石油化工、轨道交通、环保、建材、冶金、造纸、制药、机械制造等十几个行业中成功实施的工程项目超过5000项，是国内最大的自动化控制系统制造商。sss

  • 公司类型：供应商

联系方式
  • 北京和利时系统工程有限公司
  • 地址：北京市海淀区西三旗建材城中路10号
  • 邮编：100096
  • 电话：010-58981000
  • 传真：总部010-58981100 PLC：010－67880141
  • 网址：http://www.hollysys.com
  • Email：PLC@hollysys.com
  • 联系人：
案例详细
标题多传感器故障检测与诊断技术综述
技术领域运动控制
行业
简介随着科技的发展，现代社会对控制系统的可靠性要求已经越来越高。传感器是信号采集的主要工具，是测控系统中不可缺少的重要组成部分。因此对传感器进行故障检测和诊断对提高控制系统的可靠性具有重要的意义。本文对目前国内外应用于故障诊断与检测领域的多种方法进行分类和归纳，结合故障诊断技术的特点，并对这些方法的研究热点和发展方向进行了总结,并提出自己的看法！
内容

引言

    传感器是采集信号的主要工具，是测控系统中不可缺少的重要组成部分。随着技术的不断进步，控制系统的复杂程度也不断提高，一个系统中所需要的传感器，无论在数量还是在种类上，都越来越多了。此外，传感器通常需工作在高温、强腐蚀等恶劣的环境下，一旦传感器性能不稳定或发生故障，将产生错误的监控信号，其后果有时是十分严重的，特别是在航空航天领域。故障诊断与检测技术发展至今，针对不同的系统已经提出了大量的方法，本文对这些方法进行归纳。

1. 基于解析余度的故障诊断与检测技术

    1971年，麻省理工学院的Beard提出了以软件冗余为主导思想的解析余度技术，并通过系统的自组织使系统闭环稳定，通过比较观测器的输出得到系统的故障信息。在后来的几十年来，解析余度技术得到充分的发展，现已有很多种方法。其指导思想是利用系统的解析信息构造统计量，通过故障判别规则对统计量进行分析从而达到检测和诊断故障的目的。
    一般来说基于解析余度技术的故障诊断方法主要分为两个阶段：(1)产生残差。残差产生的方法有很多，常用的有 Kalman滤波器法、观测器生成法、奇偶向量法以及等价空间法等等。(2)故障的判决。根据残差函数的值，通过故障判别规则，判断是否发生故障。根据残差信息的构造方式不同来区分故障诊断方法，常用的有：残差的统计特性法、序贯概率比法、广义似然比法、残差加权二乘法、多重模型自适应滤波法、检测滤波法。其中残差统计特性法较简单，下面对其进行简要介绍。设系统的动态方程为：


    式中： W(k) ,V(k) 为互不相关的零均值的系统动态噪声与观测噪声。基于上述方程可以推导出Kalman最优滤波方程，系统工作正常时，Kalman滤波残差r（k）是一个零均值白噪声序列，当系统出现故障时，残差将会增加一个增量x(k) ,不同的故障则对应了不同的x(k)，因此，残差将不再具有零均值白噪声特征，可以通过检查残差的均值、方差或者白色特性来诊断故障情况。
    解析余度技术依赖于系统的动、静态数学模型，充分利用了系统内部的深层信息，更有利于故障诊断，模型的准确程度直接影响了故障诊断的效果，但工程上要建立绝对精确的数学模型是不可能的。这就阻碍了解析余度技术的应用。所以说解析余度技术在故障诊断方面是一个有效的方法，但对于复杂非线性系统特别是难以得到数学模型的系统，它就显得无能为力。
    基于解析余度故障检测方法的研究热点和发展方向：
     1）[1]非线性系统的故障检测的最优化阈值。
    2）[2]最优鲁棒解析余度的性能指标的确定。
    3）[3]解析余度与专家系统相结合的问题等等。

2. 基于模糊推理的故障诊断方法。

    1965年美国控制论专家L.A.Zadeh教授把普通集合推广到模糊集合，诞生了模糊数学这门学科，从而把传统数学的应用范围从精确定义的领域扩大到了模糊领域，并由此产生了基于模糊理论的故障诊断法。
    根据模糊变换的基本原理以及故障征兆和故障原因之间的内在关系。定义U为系统可能的故障征兆集U={U1,U2, ××××Um}，其中，m表示故障征兆种类的总数。定义V为引起故障征兆的可能故障原因集V={V1,V2,××××× Vm}。其中，n表示故障原因种类的总数。
    根据故障征兆集中各元素所占的地位和作用，可构造出系统的故障征兆模糊向量u={u1,u2,××××,um}。若征兆样本是由故障原因产生的，对各种故障原因的隶属度为，则故障原因模糊向量为v={v1,v2,××××vn,}, 可以得到U和V因果关系，即模糊决策方程 v = u•R 。    
    式中为模糊关系矩阵，模糊关系矩阵R是m×n维矩阵，也是一个映射。这个映射将故障征兆模糊集变换为故障原因模糊集，实现了多种故障状态的模糊综合决策。
    目前，模糊技术已广泛地应用于机电、轻工、化工、航天航空领域，有着十分广阔的发展前景。模糊技术在处理不确定因素和设备多种故障交叉现象表现突出，但模糊技术同样也存在缺陷,尤其是模糊逻辑和模糊可靠性理论还有待进一步完善。
    基于模糊推理的故障诊断技术的研究热点和发展方向：
    1）[4]模糊技术与专家系统相结合。
    2）[5]模糊技术同神经网络
    3）[6]模糊综合评判和决策。

3. 基于专家系统的故障诊断与检测方法

    专家系统是一种利用专家知识和经验进行推理的智能程序系统，其内部包含了大量的专家水平的领域知识和经验，并且能够在运行过程中不断地增加新知识和修改原有知识。专家系统产生于二十世纪60年代，1968年由StanFord大学研制成功的DENDRAL系统是世界上公认的最早的专家系统，在此之后，不同功能、不同类型的专家系统相继地建立起来了。如今专家系统已经广泛地应用于工业设备诊断、实时监控、航空航天等各领域中。
    一个完整的专家系统结构如图1，它由六大部分组成：知识库、推理机、数据库、知识获取、人机接口、解释程序。



                  图1   专家系统结构图

  
    专家系统应用于故障诊断首先要获取知识，将知识输入到知识库中去，知识的输入主要以定性物理模型知识的因果关系为主线，通过友好的人机界面进行的。然后用推理机根据当前输入的数据，即工作存储器中的数据,利用知识库中的知识，按一定的推理策略，来诊断和定位故障的，最后得出推理结论，并把结果送到用户接口。
    专家系统在故障诊断时体现了很大的优势，它使诊断系统既具有人类专家诊断经验又不受人类生理条件的限制，还有很强的适应能力，它可以通过人机交互诊断故障，随着知识的深入甚至可以超过人类专家，但其也有不足之处，首先存在知识获取的困难，其次当多领域间专家知识相互矛盾难以处理，再就是几乎没有学习能力，通用性较差。
    基于专家系统的故障诊断技术的研究热点和发展方向：
    1）[7]专家系统的实时诊断问题。
    2）[7]专家系统的混合推理策略的研究。
    3）[8]专家系统同神经网络相结合的诊断方法。

4. 信号分析的故障诊断检测方法

    目前基于信号分析的故障诊断检测方法主要有小波分析理论和分形几何理论。在工程上应用的有离散小波变换，连续小波变换，正交小波变换和小波包变换。现以小波包变换为例，当系统发生故障时，其输出信号能量的空间分布与正常系统输出相比会发生相应变化的，也即输出能量的改变就包含着丰富的故障特征信息。因此，如果采取从信号能量在各子空间中的分布来提取故障特征，即利用小波包变换，可在多层分解后的不同频带内分析信号，使本不明显的信号频率特征在不同分辨率的若干子空间中以显著的能量变化的形式表现出来，并与系统的正常输出相比较，提取出反映系统故障的特征信息，再与以实验和数学方法所建立的故障库进行比较，实现故障诊断。
    “分形”这一概念是B.B.Mandelbrot教授于1975年经过对自然界、数学、工程等领域中不规则现象的长期不懈的探索提出的。1989年Falconer提出理解分形的一种新途径，把分形视为具有若干性质的类，则分形集的典型性质有：
    （1）具有精细结构，
    （2）非常不规则而不能用传统的几何语言描述其局部和整体，
    （3）通常由某种自相似性，可能是近似的或平均的，
    （4）Hausdorff维数一般大于其拓扑维数，
    （5）在大多数情形可以以非常简单的方法定义。在分形技术中，最重要的参数就是分形维数。基于分形的故障诊断方法就是通过计算被测信号的分形维数来进行的。在故障诊断方面，分形维数对轴心轨迹进行处理用于非线性故障的诊断。
    虽然分形理论已在故障诊断领域得到应用，但其对不同理论和方法所得到的分维数的可比性和稳定性的问题至今还未能克服或能确切地给出解释，可见其理论还有待进一步完善。
    基于信号处理的故障诊断方法的研究热点和发展方向有：
    1）[9]应用小波变换进行故障信息的消噪处理
    2）[10]小波变换与神经网络相结合
    3）[11]分形技术与神经网络以及小波理论相结合。    

5.基于神经网络的故障诊断方法

    人工神经网络（ANN），简单的说是用物理上可以实现的器件、系统或现有的计算机来模拟人脑的结构和功能的人工系统。通常认为人工神经网络的发展是从1943年美国心理学家 Warren S McCulloch和数学家Walter H Pitts提出第一个神经元模型开始的。经过50年代的高潮期和70年代的低潮期之后，A NN在80年代以后逐渐复苏。目前人工神经网络涉及了生物、电子计算机、数学、物理等学科，有着十分广泛的应用背景和前景。虽然神经网络经过多年的发展已经有了许多算法和模型，但它们都具有4个基本特点：
    1）广泛连接的巨型系统。
    2）分布式存储信息。
    3）并行处理功能。
    4）自学习、自组织和自适应功能。神经网络的出现为故障诊断问题提供了一种新的解决途径，特别对于复杂系统，传统的基于解析余度的故障诊断方法由于建模困难难以应用，而神经网络则可以避免复杂的建模，并利用其I/O非线性映射特性、信息的分布存储、并行处理和全局集体作用，成为故障检测与诊断的有效方法。特别要说明的是，由于神经网络具有联想记忆和自学习、自适应的能力，因此当新的故障出现时，它可以通过自学习，不断调整阈值和权值，以提高检测率，降低误报率，因此神经网络的方法是可以进行在线故障诊断的。神经网络是新兴的学科，理论还不够成熟，还存在诸如如何提高收敛速度，容易陷入局部最小，如何确定隐层节点等不足和问题，学术界还没有成熟的理论依据。
    基于神经网络故障诊断技术的研究热点和发展方向：
    1、[12]神经网络的在线诊断技术。
    2、[13]加快神经网络的学习速度的研究。
    3、[14]对神经网络算法收敛性的研究以及如何加快算法的收敛速度，避免陷入局部最小(如BP算法)。

6. 综合运用多种理论进行故障诊断

    目前，用于故障诊断的方法很多，但单从一种方法来看，都存在各自的缺点，单单依靠一种方法来进行故障诊断，常常无法满足诊断的精度和技术指标，所以我们需要综合多种方法才能达到比较理想的效果。基于解析余度的方法优点在于可以充分利用系统内部的深层知识，更有利于故障诊断，其缺点是系统建模困难以及建模误差、外部干扰将影响故障诊断结果。基于神经网络的优点是拥有自学习和联想记忆的能力，适应性强，对新故障具有良好的辨别能力，更有利于故障检测。基于信号分析技术的小波变换在降噪方面的作用十分突出。因此如将这3种方法相结合扬长避短，不失是一个有效的方法。首先利用解析余度产生残差，然后将残差序列经过小波变换进行降噪处理，最后将经过处理后的数据输入神经网络进行评价，诊断系统的故障与否，基于此方法的仿真还有待进一步的研究。