基本故障诊断方法详解

故障是指系统至少一个特性或参数出现了较大的偏差，超出了可接受的范围。故障检测是利用输入、输出和状态等可测数据，检测故障的发生并产生报警信号。故障诊断则是在系统报警后，确定故障发生的种类和部位等。故障诊断方法分类如图10-2所示。

图10-2　故障诊断方法分类示意图

现有的故障诊断技术主要分为两大类，即基于模型的故障诊断技术和无模型的故障诊断技术。其中，无模型的故障诊断技术又包括基于信号处理的方法和基于人工智能的方法。基于模型的故障诊断技术的核心思想是用解析冗余取代硬件冗余，以系统的数学模型为基础，利用观测器（组）、等价空间方程、Kalman滤波器、参数模型估计和辨识等方法产生残差，然后基于某种准则或阈值对该残差进行评价和决策。但是，由于现代化控制系统的复杂性，许多控制系统的建模是非常困难的，难以精确完善地建立系统模型，而传统故障诊断方法过分依赖模型，缺乏鲁棒性。因此，无模型的故障诊断和检测方法近年来日益受到国内外学者的关注。

基于模型的方法是最早发展起来的，它一般需要系统较为精确的数学模型。基于信号的方法对系统模型的精确度要求不是特别高，而是利用信号模型来处理问题。基于知识的方法是伴随着系统的日益复杂化而出现的，它特别适用于很难获得系统精确数学模型的情况。

1.基于数学模型方法

基于模型的方法可以分为状态估计方法、等价空间方法和参数估计方法三大类。这三种方法均是独立发展起来的，但它们之间存在一定的联系。现已证明等价空间方法与观测器方法在结构上的等价性。

（1）参数估计诊断方法。当故障由参数的显著变化来描述时，可利用已有的参数估计方法来检测故障信息，根据参数的估计值与正常值之间的偏差情况来判断系统的故障情况。其设计步骤是：

1）建立被控过程的输入输出模型为

y（t）=F[u（t），θ]

式中　θ——模型参数。

2）建立模型参数与过程参数之间的联系为

θ=g（P）

式中　P——过程参数。

3）基于系统的输入输出序列，估计出模型参数序列^θi。

4）由模型参数序列计算过程参数序列。

5）确定过程参数的变化量序列。

6）基于此变化序列的统计特性，检测故障是否发生。

7）当确定有故障发生时，进行故障分离、估计及决策。

上述故障诊断的基本思想是把理论模型和参数辨识结合起来，其框图如图10-3所示。

因此，这种方法需要下列前提条件：

1）建立精确的过程模型。

2）具有有效的参数估计方法。

3）被控过程充分地激励。

4）选择适当的过程参数。

5）有必要的故障统计决策方法。

图10-3　基于参数估计的故障诊断

尽管已经提出了众多的参数估计方法，但由于最小二乘法简单实用，并且有极强的鲁棒性，因此它仍是参数估计的首选方法。

基于系统参数估计的故障诊断方法存在的问题有：①基于系统参数估计的故障诊断方法利用系统参数过程系数关联方程反推物理元件参数，而对于一个实际系统，系统参数过程系数关联方程的个数不一定等于物理元件参数的个数，而且这种系统参数过程系数关联方程是非线性的，由此求解物理元件参数是很困难的，有时甚至是不可能的；②当系统发生故障时，不仅可能引起系统参数的变化，还可能引起模型结构的变化，基于系统参数估计的动态故障诊断面临的是一种变结构变参数的参数估计问题，需要一种同时辨识模型结构和参数的实时递推算法；③系统故障发生时，系统故障引起系统模型结构和参数变化的形式（是突变还是缓变，是参数变化还是结构变化，或是二者兼而有之）是不确定的，而对不确定时变、变结构、变参数辨识问题，目前还缺少有效的方法。

（2）状态估计诊断法。被控过程的状态直接反映系统运行状态，通过估计出系统的状态，并结合适当模型则可进行故障诊断。首先重构被控过程状态，并构成残差序列，残差序列中包含各种故障信息。基本残差序列，通过构造适当的模型并采用统计检验法，才能把故障检测出来，并作进一步分离、估计及决策。所谓残差，就是与被诊断系统的正常运行状态无关的、由其输入输出信息构成的线性或非线性函数。在没有故障时，残差等于零或近似为零（在某种意义下）；而当系统中出现故障时，残差应显著偏离零点。为便于实现故障的分离，残差应当属于下面二者之一：①结构化残差（Structured Residual）：指这样一类残差，对应于每个故障，残差都有不同的部分与之对应，当诊断对象发生故障时，这些特定部分就由零变为非零。②固定方向性残差（Fixed Direction Residual）：指这样一类残差，对应于每个故障，残差向量都具有不同的方向与之对应。理论上讲，当系统发生故障时，残差应以确定性的偏移量出现。状态估计方法在线性系统和非线性系统的故障检测与诊断中都有应用。通常可以基于状态观测器或滤波器来进行状态估计，如未知输入观测器法、卡尔曼滤波器法、自适应观测器法以及模糊观测器法等。

采用状态估计诊断方法的前提条件：

1）具备过程数学模型知识（结构和参数）。(www.xing528.com)

2）已知噪声的统计特性。

3）系统可观测或部分可观测。

4）方程解析应有一定的精度。

5）在许多场合下要将模型线性化，并假设干扰为白噪声。

未知输入观测器方法不需要对象非常精确的数学模型，将建模不确定性作为系统的未知输入来处理。这种方法将参数的失配建模为系统的未知输入，故障则是系统状态和输入的非线性函数，通过干扰解耦技术，用状态变换把原系统化为规范型。同时，将故障转化为可测输入和输出信号的非线性函数。

卡尔曼滤波器方法是另一种状态估计方法。与未知输入观测器法相比，这种方法的设计过程相对简单，但缺点是需要噪声的统计特性，且运算量较大。利用自适应扩展卡尔曼滤波器方法可以克服噪声的影响。

自适应观测器法也是颇受关注的一种状态估计方法。这种方法直接建立系统的自适应检测观测器或诊断观测器，再构造出残差，对故障进行检测或诊断。值得注意的是，若建立的是检测观测器，则应在正常系统模型的基础上建立观测器方程，即观测器方程中的故障矩阵取系统正常时的值；若建立的是诊断观测器，则观测器方程中的故障矩阵为待估计的值。无论实际建立的是哪一种观测器，总是想要通过在线调节观测器参数，使系统残差收敛，从而使观测器及整个系统达到稳定。

近年来，由于模糊模型与观测器方法的结合，产生了基于模糊模型的观测器方法。它是利用描述非线性系统输入输出关系的“IF-THEN”模糊规则将原非线性模型在工作点处进行局部线性化，再将这些线性模型进行加权组合来拟合原非线性模型。在模糊模型的基础上，按照线性系统的方法，建立起模糊观测器。

（3）等价空间方法。等价空间方法是利用系统的输入、输出的实际测量值检验系统数学模型的等价性，从而检测和隔离故障的一种方法。等价空间方法主要包括几种具体的方法：奇偶方程的方法、方向性残差的方法和约束优化的等价方程方法等。其中，应用较多的是奇偶方程的方法和方向性残差的方法。

奇偶方程方法是通过构造测量冗余方程和奇偶向量，得到包含残差的奇偶方程，从而对故障进行检测和诊断。目前已有的成果主要是在线性系统方面，对非线性系统的研究还处于起步阶段。

方向性残差方法是通过将故障到残差的传递函数转化为对角形式，使得残差为固定方向，从而每个残差分量和故障向量的一个分量相关，实现故障的分离。

2.基于系统输入输出信号处理的方法

（1）直接测量系统的输入输出。在正常情况下，被控过程的输入输出在正常范围内变化，即

Umin（t）＜U（t）＜Umax（t）

Ymin（t）＜Y（t）＜Ymax（t）

当此范围被突破时，可以认为故障已经发生或将要发生。另外，还可以通过测量输入输出的变化率是否满足

来判断故障是否发生。

（2）基于小波变换的方法。其基本思路是，首先对系统的输入输出信号进行小波变换，利用该变换求出输入输出信号的奇异点。然后去除由于输入突变引起的极值点，则其余的极值点对应于系统的故障。这种方法不需要系统的数学模型，具有灵敏度高、克服噪声能力强的特点，已在管线泄漏诊断系统、电机局部放电中得到成功的应用。

（3）输出信号处理法。系统的输出在幅值、相位、频率及相关性上与故障源之间会存在一定的联系，这些联系可以用一定的数学形式（如输出量的频谱等）表达，在发生故障时，则可利用这些量进行分析处理，来判断故障源的所在，常用的方法有频谱分析法、概率密度法、相关分析法及功率谱分析法等。

（4）信息匹配诊断法。此方法引入了类似矢量、类似矢量空间、一致性等概念，将系统的输出序列在类似空间中划分成一系列子集，分析各子集的一致性，并按一致性强弱进行排列，一致性最强的一组子集鲁棒性也最强，而一致性最差的子集则可能已发生故障，正常情况下类似矢量值很小，而当故障发生时，类似矢量将在此故障相应的方向上增大，因此类似矢量的增加表明了故障的发生，而其方向给出了故障传感器的位置。

（5）基于信息融合的方法。故障诊断实际上是根据检测量所获得的某些故障特征以及系统故障源与故障表征之间的映射关系，找出系统故障源的过程。为了充分利用检测量所提供的信息，在可能的情况下，可以对每个检测量采用多种诊断方法进行诊断，这一过程称为局部诊断，将各诊断方法所得结果加以综合，得到系统故障诊断的总体结果称为全局诊断融合。对局部—全局融合方案的实现，可用模糊推理的方法进行决策。

（6）信息校核的方法。在许多控制系统的故障诊断中，都没有考虑到信息校核的方法。实际上，系统的信息校核是进行故障诊断的比较简单有效的方法，因为信息是进行系统过程监测的依据，利用错误的信息去进行计算和推理是徒劳无益的，而且还会得出错误的结论。因此在故障诊断过程中可依据物料平衡与能量守恒定律等物理化学规律及数量统计来进行信息的校核。信息的矛盾一般意味着信息获取上的故障或矛盾。

3.基于人工智能的故障诊断

（1）基于专家系统的故障诊断方法。专家系统是人工智能领域中最活跃的一个分支，它已广泛地应用于过程监测系统。这种方法不依赖于系统的数学模型，而是根据人们长期的实践经验和大量的故障信息知识，设计出的一套智能计算机程序，以此来解决复杂系统的故障诊断问题。

在故障检测专家系统的知识库中，存储了某个对象的故障征兆、故障模式、故障原因、处理意见等内容，这是检测诊断的基础。故障检测诊断专家系统的推理机构是一个特定的计算机程序，它在一定的推理机制指导下，根据用户的信息，运用知识进行推理判断。根据出现的前提条件去触发对应规则来推断其结论的方法称为前提驱动推理机制；为了确定某个事实去选择的这项事实为结论的规则，然后证实这个规则的前提条件是否成立的方法称为结论驱动推理机制。

（2）基于神经元网络的故障诊断方法。由于神经元网络具有处理复杂多模式及进行联想、推测和记忆功能，它非常适合应用于故障诊断系统。它具有自组织自学习能力，能克服传统专家系统当启发式规则未考虑到时就无法工作的缺陷。因此，将神经元网络应用于过程监测系统已成为一个非常活跃的研究领域，并有不少成功的应用实例。用神经元网络进行控制系统故障诊断，主要有离线诊断和在线诊断两种方式。

（3）基于图论的模型推理方法。基于网络图论方法的故障诊断技术，实质上是根据一个实际系统中各个元件之间所存在的非常普遍的故障传播关系，构成故障诊断网络，利用搜索和测试技术进行故障定位。这种方法已在大型工业生产过程和空间飞行器等领域中得到了应用。

（4）基于模糊数学的诊断方法。由于故障征兆是界限不分明的模糊集合，用传统的二值逻辑方法显然不合理，可以通过选用确定隶属函数，用相应的隶属度来描述这些症状存在的倾向性。模糊诊断方法就是通过某些症状的隶属度来求出各种故障原因的隶属度，以表征各故障存在的倾向性。

4.基于离散事件的方法

基于离散事件的故障诊断方法是近年来发展起来的一种新型故障诊断方法。其基本思想是：离散事件模型的状态既反映正常状态，又反映系统的故障状态。系统的故障事件构成整个事件集合的一个子集。系统的正常事件构成故障事件的补集。故障诊断就是确定系统是否处于故障状态和是否发生了故障事件。这种方法的主要优点是不需要被诊断系统的精确数学模型，因而非常适用于解决难以建立精确模型的系统的故障诊断问题。