故障检测与诊断的模型

陈明庆

（南京理工大学江苏南京210094）

摘要：快速、准确的故障检测与诊断离不开有效的系统模型。针对故障检测与诊断的特点，文章简要介绍了机理建模、知识建模和数据驱动建模三类传统建模方法，并从不同维度对以上几种建模方法作了比较阐述，同时基于上述各模型的特点，给出了几种混合建模的思路。

关键词：机理；知识；数据驱动；混合模型

0引言

故障检测与诊断是一门相对独立的技术。我国在1979年才初步接触故障检测与诊断技术，经过30多年的发展，故障检测与诊断技术已在自动驾驶、人造卫星、航天飞机、汽轮发电机组、大型电网系统等重要核心领域得到广泛应用。

目前，故障检测与诊断的模型大致有基于机理的模型、基于知识工程的模型、基于数据驱动的模型，文章将结合各模型的特点重点探讨故障检测与诊断中混合建模的思路。

1机理模型

基于机理模型的方法首先需要被诊断系统精确的机理模型，然后利用构造出来的观测器预估系统的输出值，再将估计值与实际值做差产生残差。当系统运行正常时，残差应为零或近似于零；当系统出现故障时，残差量会明显超出允许范围。基于机理模型的方法根据残差产生的原因可细分为参数估计法、状态估计法、等价空间法等。参数估计法根据观测数据来辨识系统的动态参数，依据系统参数与模型参数的差值来判断系统是否出现故障。状态估计法通过对系统的状态进行重构，通过与可测变量做差生成残差序列，并采用统计检验法从残差序列中把故障检测出来，前提是系统可观测或者部分可观测，一般用各种状态观测器或滤波器进行状态估计。等价空间法是通过系统的输入输出真实值来检验系统机理的等价性，通过确定系统的输入输出间的冗余，实现检测和分离故障的效果。

基于解析模型的故障诊断方法充分体现了过程的内部机理，外延性好。但当系统过于复杂时无法获取其内部机理的全部信息，具有一定的局限性。

2知识工程模型

基于知识的方法主要是通过相关的经验建立系统的定性模型来解决复杂的故障诊断问题。基于神经网络、模糊逻辑方法是常用的方法。其中，神经网络因其具有处理非线性和自学习以及并行计算能力的特点，有利于非线性系统的故障诊断。模糊逻辑由于其概念易于理解，表达上更接近人的思维，适用于复杂的故障诊断中。

基于知识的方法不需要精确的定量机理模型，其适用于有相关经验和知识的对象，且诊断的结果易于理解。但是，其最大的缺点是通用性差，必须通过大量的经验知识才能够建立“知识库”；当系统比较复杂时，很容易出现一种未知故障会导致误报和漏报的情况。此时，基于知识的方法将不再适用。

3数据驱动模型

基于数据驱动的方法是通过采集系统的输入输出数据，然后分析数据的各种统计特征，建立过程的数据特征模型。目前，常用的方法有小波分析、神经网络、主成分分析等。小波分析方法是对所采集的信号进行相关处理，处理后的信号中除去由于输入变化引起的奇异点，剩下的奇异点即为系统可能出现的故障点。神经网络能够实现自组织、自学习，同时还具有处理非线性、并行、信息分布存储等能力，这大大提高了故障诊断的效率。主成分分析方法的主要是通过坐标变换将数据从高维空间映射到低维空间，建立正常情况下的主成分模型，当实测信号偏离所建模型时即可判断系统出现异常。

基于数据驱动的方法不必像基于机理模型那样需要过程的模型或先验知识只需对过程数据进行处理与分析，简单方便，实时性好，实用性强。但是数据模型的内插性及外延性较差，无法获取大量的各种状态下的过程数据。

4混合模型

基于机理与基于数据驱动模型相结合的混合建模技术既能保证模型有明确的物理意义，又能保证模型具有较高的精度[6]。

现有如下非线性系统模型：

和为线性化后的函数。简化后的模型忽略了系统的非线性，其输出与实际输出之间必定存在误差。

数据驱动模型在并联型混合模型中主要用来补偿简化后的机理

5结束语

机理模型具有良好的内插性和外延性，其能准确表达系统的内在联系，但建模难度较大。基于知识的方法适用于难以定量建模的系统，但其可移植性差。基于数据驱动的方法不需要先验知识，但其过于依赖建模数据。

目前故障检测与诊断的模型趋向于综合化，各模型的优势互补已成为故障检测与诊断的研究热点。

参考文献:

[1]魏秀琨,秦勇等.鲁棒故障检测与故障估计理论及应用[M].

[2]袁侃.复杂系统的故障诊断及容错控制研究[D].南京：南京航空航天大学,2010.

[3]连可.基于状态监测的复杂电子系统故障诊断方法研究[D].西安：电子科技大学,2008.

[4]肖春艳.面向对象的智能故障诊断专家系统[D].合肥：中国科学技术大学,2001.

[5]霍志红.网络化控制系统容错控制研究[D].武汉：华中科技大学,2006.