工業(yè)檢測(cè)論文

1、實(shí)用標(biāo)準(zhǔn)文案1.2 國內(nèi)外研究現(xiàn)狀經(jīng)過三十余年的發(fā)展， 故障診斷技術(shù)現(xiàn)已成為控制工程領(lǐng)域內(nèi)的重要研究方向之一。在故障診斷技術(shù)的不斷發(fā)展過程中，針對(duì)不同的應(yīng)用領(lǐng)域， 結(jié)合不同的學(xué)科內(nèi)容，衍生出諸多故障診斷方法。 依據(jù)所采用的理論方法的有效特征，通常將故障診斷方法歸劃為三類： 基于解析模型的檢測(cè)和診斷方法、數(shù)據(jù)驅(qū)動(dòng)檢測(cè)和診斷方法以及基于人工智能的檢測(cè)和診斷方法1,7-15 ?；诮馕瞿Ｐ偷姆椒ㄔ诠收显\斷的研究中，基于解析模型的故障檢測(cè)和診斷方法具有重要地位，其充分利用系統(tǒng)模型的深層知識(shí)來進(jìn)行故障診斷，具體是指對(duì)所使用系統(tǒng)的結(jié)構(gòu)、行為及功能等諸方面的知識(shí)綜合針對(duì)系統(tǒng)進(jìn)行推理診斷?；诮馕瞿Ｐ偷脑\斷方

2、法在不斷地發(fā)展完善過程當(dāng)中，相對(duì)來說已取得了比較豐富的理論研究成果，仍是當(dāng)前及今后故障檢測(cè)診斷方法的主流之一10 。解析模型一般可區(qū)分為確定性模型、隨機(jī)模型和確定- 隨機(jī)模型三大類型，通常對(duì)于確定性模型的研究比較多，但隨機(jī)模型與之相比較而言， 在相關(guān)和動(dòng)態(tài)干擾的情況下， 應(yīng)用更具優(yōu)良特性。 在已知精確模型的前提下，比對(duì)過程的測(cè)量信息與模型所表達(dá)的先驗(yàn)信息，將比較所產(chǎn)生的殘差再進(jìn)行分析和處理，從而實(shí)現(xiàn)故障診斷。 基于解析模型的檢測(cè)診斷方法也是研究最早、探討最深入、 理論最成熟的方法， 而根據(jù)殘差的生成方式， 又可區(qū)分為狀態(tài)估計(jì)方法、等價(jià)空間方法以及參數(shù)估計(jì)方法。 盡管這三種診斷方法都是獨(dú)立發(fā)展起

3、來的，但在它們之間仍存在著一定的聯(lián)系。其中基于觀測(cè)器的狀態(tài)估計(jì)方法和等價(jià)空間方法是等價(jià)的。但是由于診對(duì)非線性系統(tǒng)的狀態(tài)觀測(cè)器的設(shè)計(jì)比較困難，因此參數(shù)估計(jì)方法要比狀態(tài)估計(jì)方法更適合應(yīng)用于非線性系統(tǒng)，而一般的等價(jià)空間方法僅適用于線性系精彩文檔實(shí)用標(biāo)準(zhǔn)文案統(tǒng)的檢測(cè)與診斷。（1）狀態(tài)估計(jì)法基于狀態(tài)估計(jì)的方法，首先需要構(gòu)造狀態(tài)觀測(cè)器來對(duì)系統(tǒng)的狀態(tài)進(jìn)行評(píng)估，以獲取系統(tǒng)輸出的估計(jì)值。 然后比較輸出的估計(jì)值與實(shí)際測(cè)量值之間所產(chǎn)生偏差信號(hào)，以此偏差信號(hào)作為殘差信號(hào)來評(píng)估系統(tǒng)中是否發(fā)生了故障。一般正常情況下，系統(tǒng)的殘差信號(hào)通常是很小或趨近于零的。反之，如果系統(tǒng)中存在執(zhí)行器、傳感器或者其他元部件發(fā)生故障時(shí)，系統(tǒng)的殘

4、差信號(hào)應(yīng)該會(huì)有較明顯的變化，而系統(tǒng)的故障信息顯然應(yīng)該包含于這種變化當(dāng)中，所以只需針對(duì)殘差信號(hào)進(jìn)行故障方向辨識(shí)，便可以準(zhǔn)確地檢測(cè)定位出故障的位置。Commault提出利用一組觀測(cè)器同時(shí)協(xié)作檢測(cè)系統(tǒng)中所發(fā)生的故障16 。顯然這是更為有效可行， 診斷結(jié)果更可靠的故障診斷方法，然而與此同時(shí)也可能延長了故障診斷的時(shí)間?；诮馕瞿Ｐ偷墓收显\斷方法通過利用對(duì)系統(tǒng)內(nèi)部的深層認(rèn)識(shí), 因此具有良好的診斷檢測(cè)效果 . 但是由于此類診斷方法依賴于精確構(gòu)建的被診斷對(duì)象的數(shù)學(xué)模型 , 而實(shí)際應(yīng)用中被診斷對(duì)象的精確數(shù)學(xué)模型往往難以建立?；跔顟B(tài)估計(jì)的故障檢測(cè)診斷方法主要包含濾波器方法和觀測(cè)器方法兩種。Mehra等率先在故障

5、診斷中提出利用卡爾曼濾波來對(duì)系統(tǒng)狀態(tài)進(jìn)行估計(jì)【17 】；文獻(xiàn) 44針對(duì)采樣數(shù)據(jù)系統(tǒng)，研究并提出了故障檢測(cè)以及分離的頻域方法;；文獻(xiàn) 45對(duì)應(yīng)用于線性離散周期系統(tǒng)中的最優(yōu)化故障檢測(cè)器的設(shè)計(jì)方法進(jìn)行了研究；Benkouider等 19 基于擴(kuò)展卡爾曼濾波在線監(jiān)控半間歇反應(yīng)器的運(yùn)行狀態(tài)。文獻(xiàn) 18-21 基于 unscented 卡爾曼濾波方法對(duì)非線性系統(tǒng)故障進(jìn)行參數(shù)辨識(shí)和檢測(cè)。（2）參數(shù)估計(jì)方法精彩文檔實(shí)用標(biāo)準(zhǔn)文案參數(shù)估計(jì)方法的基本思想是： 將理論建模與參數(shù)辨識(shí)結(jié)合起來，當(dāng)利用參數(shù)的顯著變化來描述故障時(shí)， 便可利用己有的參數(shù)估計(jì)方法來檢測(cè)故障信息，再根據(jù)參數(shù)的估計(jì)值和正常值間的偏差情況來評(píng)估系統(tǒng)故

6、障。參數(shù)估計(jì)方法無需計(jì)算殘差序列，通常是依據(jù)參數(shù)變化的統(tǒng)計(jì)特性來檢測(cè)故障發(fā)生情況，基于參數(shù)估計(jì)的故障診斷方法認(rèn)為發(fā)生故障會(huì)引起系統(tǒng)過程參數(shù)發(fā)生變化, 而過程參數(shù)變化會(huì)進(jìn)一步導(dǎo)致模型參數(shù)發(fā)生一系列的變化, 因此通過檢測(cè)模型中的參數(shù)變化便可以進(jìn)行故障診斷。 伴隨著研究的不斷進(jìn)展， 基于參數(shù)估計(jì)的故障診斷方法不斷又有一些新成果出現(xiàn)。 例如基于模糊推理的參數(shù)的估計(jì)方法、基于神經(jīng)網(wǎng)絡(luò)的參數(shù)的估計(jì)方法以及基于圖像信號(hào)產(chǎn)生器的參數(shù)的估計(jì)方法等等，這些方法都不同程度的提高了故障檢測(cè)判定和分離性能。（3）等價(jià)空間方法基于等價(jià)空間的故障診斷方法，是利用針對(duì)系統(tǒng)所建立的解析數(shù)學(xué)模型，構(gòu)建系統(tǒng)的輸入和輸出變量間的等價(jià)

7、數(shù)學(xué)關(guān)系, 通過數(shù)學(xué)關(guān)系反映出輸入輸出變量之間靜態(tài)的直接冗余以及輸入輸出變量之間動(dòng)態(tài)的解析冗余, 然后通過比對(duì)實(shí)際系統(tǒng)的輸入輸出值是否滿足該等價(jià)關(guān)系,，從而達(dá)到檢測(cè)和分離故障的目的。傳統(tǒng)的等價(jià)空間診斷方法在故障診斷時(shí)通常會(huì)存在低階等價(jià)向量在線實(shí)現(xiàn)相對(duì)簡(jiǎn)單但是性能不好的問題， 但是高階等價(jià)向量在帶來較好性能的同時(shí)卻會(huì)產(chǎn)生較大的計(jì)算量，而且會(huì)產(chǎn)生較高的漏報(bào)率。 相關(guān)學(xué)者針對(duì)傳統(tǒng)的等價(jià)空間法的缺陷提出了對(duì)應(yīng)改進(jìn)方法。 Ye等人提出將窄帶 IIR濾波器引入到等價(jià)空間法中，這樣可以在提高系統(tǒng)的檢測(cè)性能的同時(shí)，相對(duì)傳統(tǒng)等價(jià)空間法幾乎不增加計(jì)算量，但漏報(bào)率較高。而在低階等價(jià)向量中引進(jìn)小波變換可以產(chǎn)生較好的檢

8、測(cè)性能，卻相對(duì)增加了計(jì)算量， 同時(shí)使殘差產(chǎn)生器在線實(shí)現(xiàn)變得更為復(fù)雜化。為此，Ye等人在精彩文檔實(shí)用標(biāo)準(zhǔn)文案殘差產(chǎn)生器中引入了平穩(wěn)小波變換(stationary wavelet transform， SWT) ，這樣既能降低計(jì)算量， 同時(shí)又保證漏報(bào)率較低。 利用神經(jīng)網(wǎng)絡(luò)補(bǔ)償?shù)葍r(jià)向量，可以提高系統(tǒng)對(duì)小幅值故障的檢測(cè)以及分離的準(zhǔn)確性。謝鐵剛等人提出的基于時(shí)間冗余的等價(jià)空間法往往不易實(shí)現(xiàn)故障分離，而某些故障在固定時(shí)刻處于等價(jià)空間的固定方向，因此通過對(duì)最優(yōu)轉(zhuǎn)換矩陣的篩選，將此固定方向和其它因素在等價(jià)空間中的對(duì)應(yīng)方向區(qū)分開來，可可實(shí)現(xiàn)故障分離?；谛盘?hào)處理的方法基于信號(hào)處理的方法， 是利用如相關(guān)函數(shù)、 高

9、階統(tǒng)計(jì)量、 頻譜和自回歸滑動(dòng)平均以及小波變換等信號(hào)模型， 直接對(duì)可測(cè)信號(hào)進(jìn)行分析， 然后提取方差、幅值、頻率等信息對(duì)故障進(jìn)行檢測(cè)與診斷。此方法通常適用于線性系統(tǒng)及非線性系統(tǒng)。特別是診斷對(duì)象的精確數(shù)學(xué)模型難以建立時(shí)，基于信號(hào)處理的方法是非常有用的。由于該方法可以回避抽取對(duì)象數(shù)學(xué)模型的難點(diǎn)，同時(shí)直接利用信號(hào)模型來進(jìn)行故障診斷，因此適用性很強(qiáng)。小波分析法，是在 20 世紀(jì) 80 年代中期，由法國學(xué)者 Daubeches和 Callet引入信號(hào)處理領(lǐng)域而逐漸發(fā)展形成的數(shù)學(xué)理論和方法，它可以解決許多利用傅里葉變換都難以解決的問題， 因此被認(rèn)為是傅里葉分析方法的突破性進(jìn)展。在故障診斷中，小波變換的具體應(yīng)用

10、主要表現(xiàn)在以下幾個(gè)方面：利用小波變換來檢測(cè)信號(hào)突變； 利用其觀測(cè)信號(hào)頻率的結(jié)構(gòu)變化； 利用脈沖響應(yīng)的函數(shù)的小波變換；利用小波變換去噪來提取系統(tǒng)的波形特征；利用小波網(wǎng)絡(luò)。小波變換也是一種基于信號(hào)的時(shí)間- 尺度分析方法，其具有多分辨率分析的特點(diǎn) ,，因而利用連續(xù)小波變換可以檢測(cè)信號(hào)的奇異性。利用其在時(shí)頻域都具有表征信號(hào)的局部特征的能力， 也適用于對(duì)非平穩(wěn)信號(hào)的奇異性分析。由于噪聲的精彩文檔實(shí)用標(biāo)準(zhǔn)文案小波變換的模極大值隨著尺度的增大迅速衰減，而信號(hào)的小波變換在突變點(diǎn)的模極大值隨著尺度的增大而增大利用連續(xù)小波變換可以區(qū)分信號(hào)突變和噪聲，而利用離散小波變換可檢測(cè)隨機(jī)信號(hào)頻率結(jié)構(gòu)的變化。文獻(xiàn)22 討論了

11、小波變換在核電站一回路松動(dòng)件定位中的應(yīng)用，用連續(xù)小波變換方法確定碰撞信號(hào)的時(shí)間延遲，并用三角形定位方法進(jìn)行了實(shí)驗(yàn)，結(jié)果表明小波變換對(duì)隨機(jī)噪聲有較好的抑制作用，奇異點(diǎn)位置確定比較精確。定位精度有所提高。小波變換對(duì)噪聲的抑制能力較強(qiáng)，具有較高的靈敏度,運(yùn)算量也不大 ,是一種很有前途的方法。近年來，利用小波變換的優(yōu)點(diǎn)，將小波變換與數(shù)學(xué)模型、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、模糊理論、矩陣奇異值等方法相結(jié)合,提出了一些新的故障診斷方法【30 ，31 】，進(jìn)一步提高了動(dòng)態(tài)系統(tǒng)的故障檢測(cè)與診斷性能,在實(shí)際工程應(yīng)用中獲得成功。文獻(xiàn)【 39 ，40 給出了兩種基于小波變換的故障診斷方法:一種利用觀測(cè)器信號(hào)的奇異性進(jìn)行故障診

12、斷;另一種利用觀測(cè)器信號(hào)頻率結(jié)構(gòu)的變化進(jìn)行故障診斷。文獻(xiàn)41 利用小波網(wǎng)絡(luò)來辨識(shí)非線性對(duì)象，然后利用信號(hào)在小波變換的多尺度刻劃下表現(xiàn)行為不同的特點(diǎn)來檢測(cè)出突變的故障信號(hào)。基于知識(shí)的故障診斷方法人工智能及計(jì)算機(jī)技術(shù)的飛速發(fā)展,為故障診斷技術(shù)提供了新的理論基礎(chǔ),產(chǎn)生了基于知識(shí)的診斷方法。 當(dāng)前的控制系統(tǒng)變得越來越復(fù)雜，很多情況下要想獲得系統(tǒng)的精確數(shù)學(xué)模型是非常困難的。而基于知識(shí)的方法不需要系統(tǒng)的定量數(shù)學(xué)模型，同時(shí)引入了許多診斷對(duì)象的信息，可以充分利用專家診斷知識(shí)，從而實(shí)現(xiàn)定性、定量知識(shí)的有機(jī)結(jié)合?；谥R(shí)的方法主要可分為:神經(jīng)網(wǎng)絡(luò)方法、模糊數(shù)學(xué)方法、定性模型的方法、專家系統(tǒng)方法、故障樹分析方法、信

13、息融合方法和基于 Agent的方法等。精彩文檔實(shí)用標(biāo)準(zhǔn)文案（ 1）基于神經(jīng)網(wǎng)絡(luò)的方法人工神經(jīng)網(wǎng)絡(luò)技術(shù)以分布的方式存儲(chǔ)信息，利用網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和權(quán)值分布實(shí)現(xiàn)非線性的映射， 并利用全局并行處理實(shí)現(xiàn)從輸入空間到輸出空間的非線性信息變換。神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域的應(yīng)用研究主要集中在兩個(gè)方面:一是從模式識(shí)別的角度 ,應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行故障診斷 ;二是將神經(jīng)網(wǎng)絡(luò)與其他診斷方法相結(jié)合而形成的復(fù)合故障診斷方法。 相比較專家系統(tǒng)而言， 它具有自組織自學(xué)習(xí)能力，能克服專家系統(tǒng)當(dāng)啟發(fā)式規(guī)則未考慮到時(shí)就無法工作的缺陷， 因此神經(jīng)網(wǎng)絡(luò)技術(shù)在故障診斷領(lǐng)域愈來愈受到重視。神經(jīng)網(wǎng)絡(luò)用于故障診斷主要有以下幾種方式： 利用

14、神經(jīng)網(wǎng)絡(luò)作為非線性函數(shù)估計(jì)器重構(gòu)系統(tǒng)某些特定參數(shù)， 并與系統(tǒng)的實(shí)際值進(jìn)行比較， 得到殘差， 從而檢測(cè)故障；利用神經(jīng)網(wǎng)絡(luò)對(duì)殘差進(jìn)行聚類分析， 直接得到系統(tǒng)的故障情況； 或利用神經(jīng)網(wǎng)絡(luò)作為非線性補(bǔ)償項(xiàng)， 與線性觀測(cè)器主體相結(jié)合， 對(duì)非線性系統(tǒng)進(jìn)行故障診斷。由于模糊神經(jīng)網(wǎng)絡(luò)結(jié)合了模糊邏輯規(guī)則， 同時(shí)又保留了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制，在非線性系統(tǒng)故障診斷方面比神經(jīng)網(wǎng)絡(luò)具有更大的優(yōu)勢(shì)。（ 2）基于定性模型的方法基于定性模型的故障診斷方法近年來在歐洲得到了迅猛發(fā)展。 定性仿真是基于定性模型的故障診斷方法的重要部分，系統(tǒng)的定性模型由一組表示物理參數(shù)的定性變量 （具有有限定量值， 并為時(shí)間的函數(shù)） 和一組表示各參數(shù)

15、間相互關(guān)系的定性方程構(gòu)成。 定性仿真則是描述并模仿系統(tǒng)的結(jié)構(gòu)，從給定的初始狀態(tài)出發(fā)得到當(dāng)前系統(tǒng)狀態(tài)。 在系統(tǒng)狀態(tài)轉(zhuǎn)換過程中， 需要定義一些原語， 如算術(shù)運(yùn)算、函數(shù)關(guān)系和定性微分等。利用模型、原語和定性變量的取值，在一定的算法下，精彩文檔實(shí)用標(biāo)準(zhǔn)文案求取下一狀態(tài)， 從而得到狀態(tài)轉(zhuǎn)換圖。 在定性仿真中引入模糊定量空間方法，即用模糊集合表示定性變量， 可以得到對(duì)系統(tǒng)的更精確的描述。相應(yīng)的故障診斷策略分為兩類： 一類是基于故障模型的， 另一類是基于正常模型的。前者用故障模型來解釋當(dāng)前觀測(cè)結(jié)果，它需要了解所有故障模式，后者不需要了解故障模式，它是根據(jù)當(dāng)前觀測(cè)結(jié)果是否符合所有可能的預(yù)測(cè)狀態(tài)來檢測(cè)故障的。許

16、多學(xué)者采用定性模型的方法來進(jìn)行故障診斷42, 主要的方法有：基于定性仿真理論的診斷技術(shù)、 基于定性過程理論的診斷技術(shù)、基于帶符號(hào)有向圖的診斷技術(shù)、基于定性觀測(cè)器的診斷技術(shù)。 利用定性方法進(jìn)行故障診斷可以克服定量方法的魯棒性和頻響特性相對(duì)較差的缺陷,提高診斷精確度 ,減少誤報(bào) ,但定性方法也有其自身的局限性。 為此提出了將定性方法與定量方法相結(jié)合的故障診斷新方法 ,如基于定性推理與定量仿真集成的故障診斷推理方法、隨機(jī)定性推理方法等,這些方法可以彌補(bǔ)各自的不足,實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)。1.3 強(qiáng)跟蹤濾波器的發(fā)展1960 年，卡爾曼發(fā)表了他著名的用遞歸方法解決離散數(shù)據(jù)線性濾波問題的論文。從那以后，得益于數(shù)字計(jì)

17、算技術(shù)的進(jìn)步，卡爾曼濾波器（Kalman Filter，KF）已成為推廣研究和應(yīng)用的主題，尤其是在自主或協(xié)助導(dǎo)航領(lǐng)域?？柭鼮V波器由一系列遞歸數(shù)學(xué)公式描述。 它們提供了一種高效可以計(jì)算的方法來估計(jì)過程的狀態(tài)并使估計(jì)均方誤差最小。將KF 應(yīng)用到非線性系統(tǒng)的狀態(tài)估計(jì)中，就成了擴(kuò)展卡爾曼濾波器 (Extended Kalman Filler，EKF)。在基于 EKF 對(duì)目標(biāo)狀態(tài)進(jìn)行估計(jì)時(shí)，當(dāng)對(duì)動(dòng)態(tài)系統(tǒng)的建模與其所描述的動(dòng)態(tài)完全匹配時(shí)，通過EKF 能給出狀態(tài)比較準(zhǔn)確的估計(jì)值。 然而，通常情況是對(duì)動(dòng)態(tài)系統(tǒng)的建模具有一定程度的不確定性，而EKF 確關(guān)于模型不確定的魯棒性很差，從而造成EKF 出現(xiàn)估計(jì)精彩文檔實(shí)用標(biāo)準(zhǔn)文案不準(zhǔn)，甚至發(fā)散等現(xiàn)象。為了克服EKF 存在的上述缺陷，清華大學(xué)的周東華教