基于指定元分析的多级相对微小故障诊断方法

合集下载

基于指定元分析的接地网多故障诊断方法研究

关键词：接地网；多故障诊断；定元分析；指故障模式；影框架投
中图分类号：Ｔ６Ｍ８２文献标志码：Ａ文章编号：１０ —６５２１）８２７ — ３０１３９（０２０－９００
：０３６／．ｓ．０１３９．０２０．４ｓ
第２９卷第８期
２１０２年８月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｍｐｔｒｐｉｔｓａｃｆＣｏｕｅｓｃｏ
Ｖ０９Ｎｏ８Ｌ２．
Ａｕｇ．２０１２
基于指定元分析的接地网多故障诊断方法研究水
ｉｇｇｉｓｎｉｌｔｎｒｓｌｓｓｏａｅｅｆｉｎｙｏｅＤＣｍｅｈｄｆｒｍｕｔｌａｌｉｇｏｉ．ｎｒｄ，ａｄｓｍｕａｉｅｕｔｈｗｓｔｔｈｆｃｅｃｆｈＡｔｏｏｌｐｅｆｕｔｄａｎｓｓｏｈｔｉｔｉｓ
确定系统存在异常的情况下，再将观测数据向故障子空间中各故障模式方向分别进行投影，根据投影能量的显
著性进行故障的识别和多故障的诊断。给出了接地网故障诊断的实例研究，真计算和诊断结果验证了新方其仿
法的有效性。
Ｋｙｗｒｓｒｏｎｉｇｇｉ；ｍｌｐａｌｉｇｏｉ；ＤＡ（ｅｉａｄｃｍｏｅｔａａｓ）ａｌｐｔｒｓｒｅｔｎｅｏｄ：ｇｕｄｎｄｕｔｌｆｔｄａｓｒｉｅｕｓｎｓＣｄｓｔｏｐｎｎｎｌｉ；ｆｕｔａｔ；ｐｏｃｉｎｇｅｙｓｅｎｊｏ

基于多尺度指定元分析的多故障诊断方法

摘要：主元分析（ｒｃａｃｍｐｎｎｎｌｓ，Ｃ固有的模式复合效应使得多尺度主元分析（ｌ—ｃｌＰｉｉｌｏｏｅｔａａｙｉＰＡ）ｎｐｓＭｕｔｓａｅｉ
ｐｉｃａｃｍｐｎｎｎｌｓ，ＳＣ仍无法做故障模式辨识，各尺度上和重构后数据分剐建立ＰＡ模型的ｒｉｌｏｏｅｔａｉＭＰＡ）ｎｐａｙｓ且Ｃ计算量非常大。本文建立一种多尺度指定元分析（ｌ—ｃｌｄｓｎｔｄｃｍｐｎｎｎｌｓ，ＤＡ）法，ＭｕｔｓａｅｉａｅｏｏｅｔａｙｉＭＳＣ方ｉｅｇａｓ将
立ＰＡ模型的方法，尺度上的空间投影框架不Ｃ各
同［－］１１。１２
对做扎次采样所得观测数据矩阵ｙＥ（）＝ｙ１，（） … ，］的分解式为２，（） ∈
ｙ＝＞：。Ｅ曰ｙ＋
＝１
（）３
是解决“ 据丰富，息匮乏” 数信问题的重要途径之
一
ｓ，Ｃ为代表的多变量统计分析方法无需建立ｉＰＡ）ｓ
［－，１１＂６８Ｉ・２１
基金项目国家自然科学基金（ＯＯ０６６９４６）助项目；南省国际合作项目（９３０１Ｏ３资助项目。６８４２，０７０２资河Ｏ４０５Ｏ４）
ｆＵｔａ】ｓ
故障诊断技术是提高系统可靠性和降低事故风险的有效途径之一［引，障诊断方法日臻丰故富。以主元分析（ｒｎｉａｃｍｐｎｎｎｌ— Ｐｉｃｐｌｏｏｅｔａａｙ

一种基于可预测元分析的故障诊断方法

一种基于可预测元分析的故障诊断方法
基于可预测元分析的故障诊断方法是一种基于模型的故障诊断方法，它通过模型模拟系统的行为来诊断故障。

该方法的基本思想是通过建立模型，利用可预测元素（Predictable Elements，PE）来表示系统中可能存在的故障。

PE是指可预测的输入/输
出变量，它们可以表示系统的输入/输出状态，以及系统的运
行情况。

通过建立模型，可以分析系统的行为，从而确定可能存在的故障。

可预测元分析的故障诊断方法可以有效地识别系统中可能存在的故障，并且可以快速准确地识别出故障所在。

此外，该方法还可以识别复杂的故障，例如多种故障的混合故障，以及多种故障的相互影响。

特征原子稀疏解析的多状态机械故障诊断方法

特征原子稀疏解析的多状态机械故障诊断方法1. 内容描述本篇论文提出了一种基于特征原子稀疏解析的多状态机械故障诊断方法，旨在提高机械设备的故障诊断精度和效率。

该方法结合了特征原子理论、稀疏表示以及多状态分类器等技术，通过对设备运行过程中的振动信号进行深入分析，实现对机械设备多状态故障的准确识别与有效预警。

在机械故障诊断领域，传统的信号处理方法往往依赖于手动提取特征，这种方法不仅费时费力，而且容易受到主观因素的影响。

传统方法在处理复杂非线性、非平稳的机械设备振动信号时存在一定的局限性。

针对这些问题，本文提出的特征原子稀疏解析方法能够自动地从原始信号中提取出具有高辨识度的特征原子，并利用稀疏表示技术实现对故障特征的精确重构。

本方法首先对机械设备振动信号进行预处理，包括去噪、滤波等操作，以消除噪声干扰并提高信号的信噪比。

通过构造特征原子库，利用稀疏分解算法对预处理后的信号进行特征提取。

特征原子库的构建基于机械设备的振动特性，包含了不同工作状态下设备的典型特征原子。

稀疏分解算法的选择则考虑了信号的稀疏性和重构误差，以确保提取出的特征具有较高的准确性和可辨识度。

在得到特征原子后，采用多状态分类器进行故障分类。

多状态分类器是一种基于机器学习技术的分类方法，能够同时处理多种不同的故障状态，提高了故障诊断的灵活性和准确性。

为了进一步优化分类器的性能，本文还引入了核函数技巧，通过将原始特征向量映射到高维空间中，增强了分类器对非线性故障特征的识别能力。

通过实验验证了所提方法的有效性，实验结果表明，与传统方法相比，本文提出的特征原子稀疏解析多状态机械故障诊断方法在故障识别率、误报率以及计算效率等方面均表现出显著的优势。

该方法为机械设备故障诊断提供了一种新的有效手段，对于保障设备的安全运行具有重要意义。

1.1 研究背景及意义随着现代工业的快速发展，各种机械设备在生产和生活中得到了广泛应用。

由于机械部件的磨损、老化以及外部环境的影响，机械设备在运行过程中难免会出现故障。

一种基于可预测元分析的故障诊断方法

向量，并令：Ｗ：＝［１，２， …，Ｗ＾］ ∈ Ｒ定义（１０）为可预测主元负荷矩阵。通过从可预
（），ｔ） ≤ Ｈ（白噪声）＝一Ｊ一。ｇ。－２￣ｄＡ＝ｌｏｇｄ２
（５）
根据式（５）定义平稳过程的可预测度为：
法反映系统动态时序特性的缺陷，能很好地描述工业过程的动态特性并进行故障检测。ＴＥ模型上的仿真结果证明了ＦｏｒｅＣＡ在工业过程监控中的可行性与有效性。关键词故障诊断可预测元分析
应的可预测度为，进而得到线性变换矩阵：
Ｗ＝［ｌ，２， …，ｔｔＪ］ ∈Ｒ
（８）
：Ｅ
作状态已经偏离可预测模型所预测的变化范围，因此有理由判断系统已经出现了故障。
ｓ（Ａ）ｄＡ＝２令
Ｊ一
变量时序相关信号的降维与特征提取方法，它能
从已有的数据中捕捉到系统的动态特性，并以此来预测系统运行变化的趋势，因此所提取的特征更能从本质的上描述工业过程。
２７２
化
工
自动
化及
仪
表
第４２卷
一
种基于可预测元分析的故障诊断方法
林圣才杨煜普屈卫东
（上海交通大学电子信息与电气工程学院自动化系系统控验室，上海２００２４０）

基于独立子空间算法与集成策略的仪表微小故障诊断方法

文章编号：１００１．９０８１（２０１３）０７ — ２０６３・０４
ＣＯＤＥＮＪＹＩＩＤＵ
ｈｔｔｐ：／／ｗｗｗ．ｊｏｏａ．ｃｎ
ｄｏｉ：１０．１１７７２／ｊ．ｉｓｓｎ．１００１ — ９０８１．２０１３．０７．２０６３
Ａｂｓｔｒａｃｔ：Ｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｓｍａｌｌｆａｕｌｔｄｅｔｅｃｔｉｏｎｏｆｉｎｓｔｒｕｍｅｎｔｓｉｎｐｒｏｃｅｓｓｉｎｄｕｓｔｒｙ，ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔｓｗｅｒｅ
ｓｕｂｓｐａｃｅｗｉｔｈｓｔａｔｉｓｔｉｃｌａｖａｒｉａｂｌｅｓ．Ａｐｒｏｐｅｒｅｎｓｅｍｂｌｅｓｔｒａｔｅｇｙｗａｓｃｈｏｓｅｎｂｙｃｏｍｂｉｎｉｎｇｌｌａｔｈｅｆａｕｌｔｄｅｔｅｃｔｉｏｎｒｅｓｕｌｔｓ．
基于独立子空间算法与集成策略的仪表微小故障诊断方法
胡吉晨，黄国勇，邵宗凯，王晓东Ｌ，邹金慧
（１．昆明理工大学信息工程与自动化学院，昆明６５０５００；２．云南省矿物管道输送工程技术研究中心，昆明６５０５００）（十通信作者电子邮箱４２４２７５６６＠ｑｑ．ｃｏｎｒ）

基于数据驱动的故障诊断方法综述

基于数据驱动的故障诊断方法综述一、本文概述随着工业技术的快速发展和智能化水平的提升，设备故障诊断技术在保障工业系统安全、稳定、高效运行方面发挥着日益重要的作用。

基于数据驱动的故障诊断方法，作为一种新兴的故障诊断技术，近年来受到了广泛的关注和研究。

本文旨在对基于数据驱动的故障诊断方法进行综述，分析其主要特点、研究现状和发展趋势，以期为相关领域的研究人员和实践者提供有益的参考和启示。

本文将简要介绍故障诊断技术的背景和重要性，阐述基于数据驱动的故障诊断方法的基本原理和核心思想。

在此基础上，重点分析各种基于数据驱动的故障诊断方法的优缺点，包括基于统计分析的方法、基于机器学习的方法、基于深度学习的方法等。

同时，结合具体的应用案例，探讨这些方法在实际故障诊断中的应用效果和挑战。

本文将对基于数据驱动的故障诊断方法的研究现状进行梳理和评价，包括理论研究的进展、应用领域的拓展以及存在的问题和挑战等。

通过对比分析不同方法的性能表现和适用场景，为研究人员提供选择和优化故障诊断方法的依据。

本文还将展望基于数据驱动的故障诊断方法的发展趋势和未来研究方向。

随着大数据、云计算等技术的快速发展，基于数据驱动的故障诊断方法将不断完善和优化，为工业系统的智能化、自动化和可靠运行提供有力支撑。

通过本文的综述和分析，期望能够为相关领域的研究和实践提供有益的参考和启示。

二、数据驱动故障诊断方法概述随着大数据和技术的快速发展，数据驱动故障诊断方法已成为现代工业系统中的重要手段。

这种方法主要依赖于对系统运行过程中产生的大量数据进行收集、处理和分析，以揭示系统的运行状态和潜在的故障模式。

与传统的基于模型的故障诊断方法相比，数据驱动方法不需要建立精确的数学模型，因此具有更强的适应性和灵活性。

数据驱动故障诊断方法的核心在于利用机器学习、深度学习等人工智能技术对系统数据进行特征提取和模式识别。

其中，机器学习算法能够从数据中学习出故障与正常状态之间的映射关系，进而构建出分类器或预测模型，用于诊断系统是否发生故障以及预测故障的发展趋势。

基于小波分析的故障诊断算法

基于小波分析的故障诊断算法小波分析在故障诊断领域中起着重要的作用。

本文将介绍基于小波分析的故障诊断算法及其应用。

小波分析是信号处理中的一种重要方法，它将信号分解为具有不同频率和时间分辨率特征的子信号。

通过对这些子信号的分析，可以有效地提取信号中的特征信息。

在故障诊断中，信号通常来自于机械或电子设备，例如振动信号、电流信号等。

这些信号携带了设备的运行状态和故障特征。

传统的故障诊断方法通常采用基于频域或时域的特征提取方法，但是这些方法往往无法捕捉到信号中的时频特征。

1.信号准备：首先，需要采集待诊断的信号数据。

这可以是从传感器中实时采集的信号，或者是从历史数据中提取的离线信号。

2. 小波分解：将采集到的信号通过小波变换分解为多个子信号。

小波变换可以采用不同类型的小波函数，常用的有Daubechies小波、Haar 小波等。

3.特征提取：对每个子信号进行特征提取。

这可以包括时域和频域的特征，例如均值、方差、功率谱等。

也可以采用更高级的特征提取方法，例如熵、能量等。

4.故障识别：采用分类算法对提取的特征进行故障识别。

可以使用传统的机器学习算法，例如支持向量机（SVM）、决策树、随机森林等。

也可以采用深度学习算法，例如卷积神经网络（CNN）等。

5.故障定位：对识别到的故障进行定位。

根据特征提取得到的结果，可以判断故障发生的位置和类型。

可以通过设备的物理结构和设计参数来辅助定位。

基于小波分析的故障诊断算法在实际应用中取得了不错的效果。

例如，在机械故障诊断中，可以通过振动信号的小波分解和特征提取来判断机械设备的故障类型，例如轴承故障、齿轮故障等。

在电力设备中，可以通过电流信号的小波分解和特征提取来判断电器设备的故障类型，例如电机故障、电缆故障等。

总之，基于小波分析的故障诊断算法能够有效地提取信号中的故障特征，实现对设备故障的自动识别和定位。

这种算法具有较好的鲁棒性和准确性，在实际应用中具有广泛的应用前景。

基于数据驱动的微小故障诊断方法综述

第42卷第9期自动化学报Vol.42,No.9 2016年9月ACTA AUTOMATICA SINICA September,2016基于数据驱动的微小故障诊断方法综述文成林1吕菲亚2包哲静2刘妹琴2摘要能否及时诊断出微小故障是保障系统安全运行并抑制故障恶化的关键,本文针对微小故障幅值低、易被系统扰动和噪声掩盖等特点,从数据驱动的角度对现有研究进行综述.并将其分为三大类:基于统计分析的微小故障诊断技术、基于信号处理的微小故障诊断技术和基于人工智能的微小故障诊断技术,进而对不同方法的基本研究思想、研究进展、应用以及局限性予以介绍.最后不仅指出复杂系统微小故障诊断研究中的现存问题,而且从增加新的信息、挖掘未利用的隐含信息和采用新的数学工具三个角度进行展望,提出基于关联性分析、基于多源信息融合、基于机器学习和基于时频分析四个值得探究的微小故障诊断思想.关键词微小故障诊断,数据驱动,统计分析,信号处理,人工智能引用格式文成林,吕菲亚,包哲静,刘妹琴.基于数据驱动的微小故障诊断方法综述.自动化学报,2016,42(9):1285−1299 DOI10.16383/j.aas.2016.c160105A Review of Data Driven-based Incipient Fault DiagnosisWEN Cheng-Lin1LV Fei-Ya2BAO Zhe-Jing2LIU Mei-Qin2Abstract As timely incipient fault diagnosis is the key to guarantee operation safety and suppress fault deterioration, this paper gives a review of data driven-based researches for incipient faults,which have low amplitude and may be covered by system disturbance and noise easily.Data driven-based incipient fault diagnosis can be divided into three parts,i.e., statistical analysis-based technology,signal processing-based technology,artiﬁcial intelligence-based technology.Their basic ideas,research progresses,application and limitations are discussed in detail.Furthermore,this paper not only points out the existing problems about complex systems,but also looks forward to the advance of this area by means of adding new information,mining unused implied information,using new mathematical tools.Finally,four thoughts worth exploring are proposed:diagnosis based on correlation analysis,multi-source information fusion,machine learning and time-frequency transform.Key words Incipient fault diagnosis,data driven,statistical analysis,signal processing,artiﬁcial intelligenceCitation Wen Cheng-Lin,Lv Fei-Ya,Bao Zhe-Jing,Liu Mei-Qin.A review of data driven-based incipient fault diagnosis. Acta Automatica Sinica,2016,42(9):1285−1299随着现代控制系统的设备复杂化和规模大型化,有关系统的异常检测和故障诊断一直是学术界关注的重点问题.系统一旦发生故障,若不能及时发现并处理,将造成巨大的经济损失和人员伤亡.例如美国石油化工企业每年因机械故障直接损失200亿美元; 2015年2月4日,台湾复兴航空客机因两个发动机同时失效导致断油坠落,造成35人以上死亡等.如果能及时在工业运行过程的可控范围内检测出微小收稿日期2016-02-29录用日期2016-06-06Manuscript received February29,2016;accepted June6,2016国家自然科学基金(U1509203,61333005,61490701,61273170),浙江省自然科学基金(LZ15F030001)资助Supported by National Natural Science Foundation of China (U1509203,61333005,61490701,61273170)and Zhejiang Provincial Natural Science Foundation of China(LZ15F030001)本文责任编委高会军Recommended by Associate Editor GAO Hui-Jun1.杭州电子科技大学自动化学院杭州3100182.浙江大学电气工程学院杭州3100271.School of Automation,Hangzhou Dianzi University,Hang-zhou3100182.College of Electrical Engineering,Zhejiang University,Hangzhou310027或早期故障并隔离报警,将有效避免异常事件的发生,减少生产力损失,因而对复杂系统进行合理的故障诊断是一个亟待解决的关键问题.故障的初始定义是指在一个过程中,观测变量或计算参数对可接受范围的偏离[1].考虑到故障的演变过程,可分为显著性故障和微小故障.微小故障通常具有幅值低、故障特性不明显、易被未知扰动和噪声掩盖等特点[2].一方面包括始终偏离正常运行状态程度较小,经过时间的积累,却可危及系统安全运行的潜在故障,如电力驱动系统中由轴承转轮内环缺陷引起的故障[3−4];另一方面包括对系统性能影响较小的早期故障,早期故障在故障演变过程中有幅值限制,一旦超过最大值就发展为显著故障,如设备中因部件磨损导致的故障[5]、变压器中的电弧放电故障[6].微小故障具有隐蔽性和随机性,初期特征极其不明显,然而任何一个局部的微小故障都可能通过设备及子系统之间的连通路径进行传播和扩散,经演变导致设备的误报警或误切换.特别是后1286自动化学报42卷一类型的微小故障,有可能在短时间内突变至较大幅值进而导致系统性能退化.事实上,微小故障与显著故障是相对而言的,在故障存在的前提下,现有的诊断方法诊断不出来的故障即可被视为微小故障.相对于传统的故障诊断方法,微小故障诊断是一类更精细的诊断形式,需要着重增大故障与噪声之间的信噪比,去除扰动和噪声对微小故障的掩盖,因而诊断难度也更大.针对复杂系统的微小故障诊断,现有的文献方法集中包括常规的分析方法[7−8]、统计方法[9−10]和智能方法[11−12].文献[13−14]将微小故障分为缓变微小故障、突变微小故障和间歇性微小故障,并将微小故障诊断方法分为定性诊断方法、定量诊断方法和半定性半定量的诊断方法.目前较为常见的分类是:基于解析模型的故障诊断技术、基于知识的故障诊断技术和基于数据驱动的故障诊断技术.基于模型的微小故障诊断技术是从系统的本质特性出发,以期对故障达到实时性的诊断.微小故障通常与模型参数直接相关,随着对系统故障演化机理的逐步理解,进而实现对模型的修正以提高诊断精度.然而,在实际的工程化应用中,例如化工产业、电力系统、大型船舶等复杂多变量系统,通常要求所构建的数学模型具有高精度性,而基于解析模型的微小故障诊断方法多数是利用系统残差对其局部子系统构建数学模型进行状态估计、在线近似等,难以确保高精度.同时,由于建模过程中难以避免误差和未知干扰,很难同时保证干扰鲁棒性和故障灵敏度,特别是对于复杂的动态系统,如果变量彼此耦合,建立模型的代价就更高.因此基于模型的微小故障诊断技术在实际应用中具有局限性.基于知识的微小故障诊断技术依赖于相关领域专家的经验知识,分为定性方法和定量方法.定性方法多是基于状态、属性等非量化特征进行诊断,诊断的准确程度受知识库中专家经验的丰富程度影响,并依赖于专家知识水平的高低.但鉴于系统的动态复杂性、专家经验和知识的局限性以及对知识规则化表述的困难性,使得诊断知识库并不完备,也就是说,当遇到一个全新的故障现象时,知识库内没有相关规则与之对应,同时,系统缺乏自学习和自完善能力,现行的用于故障诊断的专家系统在运行中不能从诊断的实例中学习获得新的知识,且对系统设计的一些边缘性问题的求解显得较为脆弱和敏感.微小故障属于弱信号,很难由定性的方法直接推理,因而对于微小故障具有一定的局限性.鉴于定量方法所需的知识源于对大量数据潜在信息的分析与挖掘,本文将其归为基于数据的故障诊断方法.随着信息技术和计算方法的发展,以及集散控制系统在工业中的大量应用,系统监控变量和状态数据大幅度增加,使得对过程的监控管理已无法依靠传统的机理分析方法建立精确的数学模型;同时集散控制系统具有多闭环、高耦合、强干扰以及多源不确定性等特点,尚无法得到全面可靠的故障因果逻辑关系,因此,对系统运行中的监控数据进行分析,以此推演故障的演变机理更为直接有效.特别是在大数据时代背景下,基于模型、知识的微小故障诊断技术由于侧重对因果关系的寻求,适用于具有较少的输入、输出、状态变量的系统;而针对大数据具有的海量性、多样性和快速性等特点,基于数据驱动的故障诊断方法更为适用,表现在其对多元信息处理的直接性和有效性,侧重对数据间相关关系的关注.基于数据驱动的微小故障诊断技术并不依赖系统的先验知识,例如数学模型和专家经验,该技术以采集到的不同来源和不同类型的监测数据作为基底,利用各种数据挖掘技术获取其中隐含的有用信息,表征系统运行的正常模式和故障模式,进而达到检测与诊断的目的,成为目前较为实用的诊断技术.系统发生故障必然会反映在监测数据上,监测数据包括当前时刻的采样数据(即在线数据)以及大量的历史数据.在线数据反映了系统当前的时变特性,历史数据包含了监测对象的各种过程模式.理论上,只要对监测数据进行合理且足够深度的挖掘,便可获得更为细节化的故障特征,适用于微小故障的诊断.基于数据的微小故障诊断方法能够相对准确识别故障并辨识故障发生的严重性,常用方法包括机器学习法、多元统计分析法、信号处理法以及信息融合法等[13].本文侧重从定量的角度出发讨论基于数据驱动的微小故障诊断技术,并将其细分为基于统计分析的微小故障诊断方法、基于信号处理的微小故障诊断方法和基于人工智能的微小故障诊断方法,如图1所示.下文将分别探究这三类方法的理论知识与研究现状,分析不同算法的局限性和挑战性,并概述复杂系统微小故障诊断中现存的问题,着重分析基于数据驱动的微小故障研究趋势,展望其发展方向.本文讨论的微小故障实时诊断与预测技术均假定故障可被感知并能被分离.可被感知是指微小故障在一定程度上影响系统的状态和输出;能被分离是指依据现有信息可以指示故障发生部位和发生机理.1基于数据驱动的微小故障诊断技术研究现状基于数据驱动的微小故障诊断技术是在一定的代价函数约束下,通过对历史数据进行学习和挖掘,得到相应的数学模型关系,进而逼近系统数据中所隐含的映射机制,以此进行微小故障的检测和诊9期文成林等:基于数据驱动的微小故障诊断方法综述1287断[15].图1基于数据驱动的微小故障诊断方法分类Fig.1The classiﬁcation of data-driven basedincipient fault diagnosis1.1基于统计分析的微小故障诊断基于统计分析的方法主要是对历史过程数据进行统计分析,为每个样本计算对应的监控统计量,并根据正常样本估算出的监控指标置信限来分析当前样本的运行状态[16],包括基于单变量的统计监控和基于多变量的统计监控技术.基于单变量的统计监控方法虽然容易实现,但忽略了变量之间的相关性信息,只能用于数据维数较小时的监控.而基于多变量的统计分析能较好刻画并利用变量之间的相关性,适用于高维系统的故障检测与诊断.基于多变量统计分析的代表性方法包括主元分析、偏最小二乘方法、独立元分析和非负矩阵分解等.1.1.1主元分析方法主元分析(Principal components analysis,PCA)方法是应用最广泛的多元统计分析方法,最初由Pearson 提出[17],主要用于分析处理具有高度线性相关性的测量数据[18].PCA 方法通过映射达到降维的目的,并使得变换后的主元子空间反映的是监测变量的主要变化,残差子空间反映的是监测过程中的噪声和干扰等[18−19].Wise 等[20]最早将PCA 方法用于异常监控,其基本原理是采集处于正常工况下的过程数据X normal ,对其进行归一化处理为X ,然后进行PCA建立统计分析模型X =T P T +˜T˜P T =T P T +E .Σ=1n −1X T n ×m X n ×m =[P ˜P ]Λ[P ˜P ]T (1)⇒T =XP,˜T=X ˜P (2)其中,T ∈R n ×k 、˜T∈R n ×(m −k )分别为主元和残差的得分矩阵;P ∈R m ×k 、˜P∈R m ×(m −k )分别为主元和残差的载荷矩阵,均由对X 的协方差矩阵Σ进行奇异值分解得到;E ∈R n ×m 为残差矩阵;k 为主元的个数,可由累积方差贡献率等确定.在故障检测中,PCA 通常采用的统计量是T 2和SP E .在微小故障诊断方面,文献[21]从整个工业流程角度出发,使用PCA 技术刻画蒸汽发电机的标定操作曲面,考虑了变量在物理含义上的相关性;文献[22]针对具有缓变性、不确定性的焚烧炉早期故障,基于PCA 提出了专门用于检测固体废物的框架;文献[23]针对化工过程中变量的相关性,将PCA 技术与单变量指数加权滑动平均相结合;传统主元分析方法忽视了量纲对系统的影响,文献[24]针对这一问题提出相对主元分析,根据系统的先验信息分析和确定各分量的重要程度,赋以系统各分量相应的权值,实现对系统中微小故障的检测;针对PCA 的模式复合效应在多级微小故障诊断上的局限性,文献[25]提出了PCA 投影框架下的多级微小故障诊断;鉴于微小故障与正常状态之间的偏离较小,文献[26]结合概率分布度量,采用Kullback-Leibler 测度量化潜在分数与参照分数之间的残差,提出了适用于微小故障的PCA 算法控制限;文献[27]在文献[26]的基础上提出一个分析模型,根据散度估计微小故障与噪声接近的量级,辨识微小故障的发生.PCA 方法需要假设数据服从高斯分布,而工业系统的数据未必完全服从高斯分布,例如当监测变量是间接测量时.同时,传统PCA 方法属于混合潜变量分析方法,不能直接处理非线性和多模态问题,即便是检测出故障,也难以确定故障的发生源.特别地,PCA 采用T 2和SP E 等统计量作为评价指标会扩大检测区域,不能很好地描述正常数据分布,例如在三维空间中,判定阈值的设置使得检测区域由原本的椭球形判定区域变为其外切的长方体,此时微小故障由于偏离正常状态较小更难以被检测出,因而基于PCA 方法进行微小故障诊断在实际应用中更加困难.1.1.2独立元分析法独立元分析(Independent component analy-sis,ICA)方法是针对具有非正态分布的多变量系统提出的.鉴于PCA 方法提取的主元虽然不相关,却也并不相互独立,ICA 把多光谱或者高光谱数据转换成不相关且相互独立的部分,在降维的同时发现并分离出数据中隐藏的噪声信息[28].当感兴趣信号的能量和强度相对于数据中其他信号较弱时,这种变换比PCA 得到的结果更加有效.另外,ICA 不仅可以提取互相独立的主元变量,而且可以提取高阶统计量信息[28].Kano 等[29]最早将ICA 方法用于异常监控,由等概率密度曲线确定联合分布的控制置信限.为了充分利用过程中普遍存在的高斯和非高斯信息,文1288自动化学报42卷献[30]将PCA与ICA相结合,对统计量进行重构,并提出了混合相似度因子,实现微小故障的诊断;针对多个故障信号相互耦合的情况,文献[31]利用频域的ICA技术实现变速箱中的多维振动信号的分离,然后结合Morlet小波进行滤波处理得到微小故障的特征;文献[32]基于重建的相位空间中的相位点训练ICA的基,并根据训练好的基对转化系数的相关性进行量化,基于相位谱表征新的故障特征,充分利用动态多变量系统的高阶统计信息;文献[33]针对不确定的信号和误差分布,提出了基于局部ICA的方法,利用回归技术估计故障对异常状态的贡献;文献[34]将ICA与Kurtogram算法结合以获得不同源的包络成分,弥补包络分析在处理滚动轴承和齿轮具有多故障情况下的不足.ICA方法虽然不要求数据服从高斯分布,但要求数据在时间序列上独立,而工业数据的采集大都是依据时间采样,这就使得ICA在处理数据的过程中相对损失了时间上的信息,因而基于ICA方法的微小故障诊断会忽视故障数据在时间上的相关性.1.1.3偏最小二乘方法偏最小二乘(Partial least square,PLS)方法是基于PCA的多变量回归算法,其思想是同时对输入矩阵X∈R m×n和输出矩阵Y∈R m×p进行正交分解,目的是使得分解后的主元的协方差最大,也就是使输出信息可以最大限度由输入表征[35]. Kresta等最早将PLS方法用于异常监控[36],又称潜空间投影.在PLS方法的改进性分析中,较为常用的是非线性迭代部分最小二乘,通过逐步迭代交换实现对输入和输出矩阵的分解,这种互交换模式加强主元间的对应关系[37].由于PLS是由输出变量引导输入样本空间的分解,因而比PCA具有更强的输入解释能力.同时,PLS模型解唯一.为了扩展PLS在故障诊断领域的应用,文献[38]提出动态PLS方法,解决了实际生产过程中存在的时变性问题;针对可预测的输出子空间和不可预测的剩余输出子空间,文献[39]构造了能够使输入和输出空间同时投影的并发式潜在投影结构;文献[40]将局部统计方法与PLS框架相结合,用于监控复杂化学系统中底层模型的变化,而不是对记录的输入/输出数据进行直接分析,优势是参数变化可以非高斯,而且确保非平稳过程不会产生误报.以上三种方法(PCA、ICA、PLS),都是通过基变换将数据映射到另一个空间达到降维的目的,在降维过程中通过设置阈值保存信息量,难免会丢失原有数据的微小特征;而且基于这三种方法的故障诊断又都是根据统计量设置阈值判断故障是否发生,同样会忽视数据微小特征对结果的影响;进一步,这三种方法在实际应用中的降维也大都采用维数的线性约减,并不适用于复杂的非线性系统.对此,虽然大量研究提出了各式各样的解决方案[41−42],但也各有其局限性,特别是当微小故障淹没于非高斯、多模态、非线性数据中时,仍难以得到较好的诊断效果.1.1.4非负矩阵分解方法考虑到PCA、PLS等不能很好地描述数据的隐形结构,Lee等[43]提出了非负矩阵分解(Non-negative matrix factor,NMF)法,NMF在一定程度上实现了非线性的维数约减,并能很好地反映样本的局部特征,同时非负性的约束有利于分解结构稀疏性的呈现[44].有关NMF方法在故障诊断领域的应用,主要体现在维数的非线性约减,文献[45]将NMF方法应用于行星多变量光谱的振动检测;对于高速旋转机械,振动分析是应用最广泛的状态监控技术,针对振动信号的不稳定性和随机性,文献[46]将NMF方法与神经网络相结合,用于柴油缸的状态诊断;传统的NMF在处理二维矩阵时需要将其转换成一维向量,可能造成结构信息的丢失.对此,文献[47]提出了二维NMF方法,并与推广的S变化相结合,用于滚动轴承微小故障的诊断.NMF方法对于微小故障的诊断具有一定的有效性,但它侧重对较为重要的局部特征的提取,并不能充分反映出样本的全局特征,易于忽视或者掩盖故障发生后对某些变量的微小影响,这些微小影响需要通过对监控量全局分析进行挖掘,因而目前在微小故障诊断领域的应用相对较少.1.1.5时间序列分析方法时间序列分析(Time series analysis,TSA)方法是动态数据分析处理的一种重要的方法,通过分析时间序列中的潜在信息来估算其过程的统计规律性,主要包括频域分析和时域分析两大类方法[48−49].基于时间序列分析的微小故障诊断技术以工业过程中的长期监测的历史数据作为时间序列,建立数据随时间变化的动态模型,基于此模型进行故障诊断.隐马尔科夫模型是一种具有较强模式分类能力的时间序列统计模型,文献[50]基于其对涡轮发动机发生在启动和加速暂态下的早期故障进行检测和诊断;由于脉冲在故障频率中呈现周期性,文献[51]在小波变换提取滚动轴承故障特征的前提下,使用隐马尔科夫模型对振动信号进行模式识别;文献[52]基于隐马尔科夫模型在观测序列和可能的状态序列之间增加映射,降低模型参数估计的代价,简化了故障诊断模型的结构;由于慢时标异常行为的早期检测可通过观测系统运行的快时标时间序列数据获得,文献[53]采用基于符号的时间序列分析异常检测方9期文成林等:基于数据驱动的微小故障诊断方法综述1289法检测发生在螺旋伞齿轮箱中齿轮或轴承上的早期微小故障;文献[54]将任意分布的初始数据基于模糊聚类方法变换为可用beta分布近似的时间序列,然后使用时间序列的变化点检测技术实现对异步感应电机定子绕组早期微小故障的检测;鉴于异步电机由内部短路和由绝缘分布引起的故障相互耦合,文献[55]使用离散逆小波变换提取相关频段,并在不同故障状态下对当前序列进行重建或滤波,然后进行趋势波动分析,最终实现微小故障的有效区分.基于时间序列分析的故障诊断方法简单易行,便于掌握,但相对而言准确性差,一般只适用于短期的分析预测.而微小故障由于偏离正常运行状态的幅度较小,对其相关性分析需要较长时间的跟踪,以避免虚假故障造成的误判.1.1.6灰色理论方法传统的系统理论局限于对系统确定性问题的研究,针对具有不确定性的复杂系统,灰色理论方法应运而生.灰色理论依据认识、信息和决策的层次判定系统是否会出现信息不完全的情况[56].基于灰色理论方法的微小故障诊断技术是通过微分拟合构建合理的数学模型,并依据某些特定的算法将杂乱无章的原始数据规律化,进而预测监控系统中是否存在微小故障.实际上,该方法主要用于上文叙述的第二类微小故障,是对系统发生较大故障的潜在可能性的一种预测[57].溶解气体分析技术是油浸式电力变压器微小故障检测最常用的技术,但由于高花费,年使用次数少,造成可用的输入信息不多,文献[57]将物元模型与可拓理论相结合,依据可拓关联函数隶属度的高低进行状态预测,再依赖预测值实现电力变压器中的热故障、局部放电等早期微小故障的检测;文献[58]采用灰色预测模型GM(1,2)预测可燃和非可燃气体的变化趋势,通过灰色聚类分析实现油浸式电力变压器内部早期故障的有效诊断,提高了早期微小故障的预测精度,并具有较好的稳定性;鉴于质子交换膜燃料电池反应时间的延迟,文献[59]基于灰色预测模型进行状态监控,并根据对特征的预测值实现对操作条件的预测,进而实现可拓性诊断.基于灰色理论的微小故障诊断方法不需要依赖大量的样本数据建模,原理简单且运算方便.但是仅依靠小样本信息进行趋势分析,其泛化能力不足,当预测对象较多,或者呈现非线性增长时,预测结果就有可能会出现较大的偏差,特别地,微小故障的运动趋势极其不明显,很难被提炼,因而需要与其他方法相结合使用.1.2基于信号处理的微小故障诊断当工业过程发生故障时,信号的幅值、相位和频率等会发生不可预期的变化.故障诊断技术通过利用大量丰富的专家经验知识和系统运行过程中的各种状态信息进行分析和处理,得到系统运行状况和故障状况的综合性评价,从这个角度看,故障诊断实质也是典型的信号分析处理过程.目前,基于信号处理的微小故障诊断技术主要有小波变换法、经验模式分解法、形态信号处理法和谱分析法等[60].1.2.1小波变换法小波变换(Wavelet transform,WT)法不仅继承和发展了短时傅里叶变换局部化的思想,而且克服了傅里叶变换中窗口大小不随频率变化等缺点[61].基于小波变换法进行微小故障诊断的思想是:鉴于小波变换的分辨率可变特性,通过伸缩和平移等运算对故障信号逐步进行多尺度以及多分辨率地细化分析,达到对高频处时间和低频处频率的细分,从而聚焦到故障信号的微小细节特征信息,用于微小故障诊断[62].鉴于小波变换法的主要优势在于能够根据时间分辨率和频率分辨率分辨出信号的瞬时特征,并保留信号的主要频域成分,以滤除噪声影响,小波变换法更适合于非稳定和非周期宽带信号处理.振动信号是典型的非线性随机信号,为了表示其所有可能的瞬变类型,文献[63]利用离散小波变换提取信号特征作为神经网络的输入,实现对变速器的微小故障诊断;文献[64]提出将离散小波变换和包络分析相结合提取振动信号的特征谱,然后依据光谱互相关系数辨识不同的操作状态,进而实现对滚动轴承微小故障的诊断;针对变速器发生局部微小故障时具有的多重调幅–调频机制特性,文献[65]提出了自适应的小波脊解调算法,解调得到瞬时的振幅和频率;文献[8]综述了小波变换技术在回转式机械微小故障诊断中的发展与应用;文献[66]综述了连续小波变换在滚动轴承微小故障诊断中的发展与应用,并构建决策树以选取最优的小波提高分类精度.受傅里叶分析理论对非线性非平稳信号的局限性,小波变换后也容易出现假频和虚假信号,而且受Heisenberg不确定原理的限制,小波变换不能精确描述频率随时间的变化.进一步讲,傅里叶变换和小波变换都是以积分的形式进行,其几何意义是对瞬时信息的一种平均,而微小故障由于幅值较小的特点很容易被平滑或者弱化掉其中的部分信息.再者,小波基函数的有限长度会引起微小故障信号的能量泄露.此外,这两种变换都只能反映出状态信号映射到频域后的特性,并不能展示故障信号从时域到频域的逐步变化过程,没有挖掘信号在转换过程中的瞬时频率等特征.因而,基于这两种变换的故障诊断技术会忽视故障信号随时间变化的频率分布特征,。

微小故障诊断方法综述_李娟

第29卷第12期2012年12月控制理论与应用Control Theory&ApplicationsV ol.29No.12Dec.2012微小故障诊断方法综述文章编号:1000−8152(2012)12−1517−13李娟1,2,3,周东华2,司小胜2,陈茂银2,徐春红1(1.青岛农业大学机电工程学院,山东青岛266109;2.清华大学自动化系,北京100084;3.重庆交通大学省部共建水利水运工程教育部重点实验室,重庆400074)摘要:针对微小故障的特点,提出将微小故障分为缓变微小故障、突变微小故障和间歇性微小故障,并进一步提出微小故障诊断方法的分类框架,将微小故障诊断方法分成了3类,即定性诊断方法、定量诊断方法和半定性半定量诊断方法.对每一类中现有的微小故障诊断方法再次归类,并对每种方法的基本思想、研究进展、适用条件和应用等进行了介绍.最后探讨了微小故障诊断有待解决的问题.关键词:微小故障/初始故障(初期故障)/早期故障;故障诊断;故障检测;定性诊断;定量诊断中图分类号:TP273文献标识码:AReview of incipient fault diagnosis methodsLI Juan1,2,3,ZHOU Dong-hua2,SI Xiao-sheng2,CHEN Mao-yin2,XU Chun-hong1(1.College of Mechanical and Electrical Engineering,Qingdao Agricultural University,Qingdao Shandong266109,China;2.Department of Automation,Tsinghua University,Beijing100084,China;3.Key Laboratory of Ministry of Education for Hydraulic and Waterborne Transportation Engineering,Chongqing Jiaotong University,Chongqing400074,China)Abstract:According to their characteristics,incipient faults are divided into gradual incipient faults,abrupt incipient faults and intermittent incipient faults.Furthermore,we propose a classiﬁcation framework of diagnosis methods for incipient faults,and classify all incipient falut diagnosis methods into three categories,i.e.,qualitative diagnosis methods, quantitative diagnosis methods,as well as semi-qualitative semi-quantitative diagnosis methods.Each category of existing incipient falut diagnosis methods is further subdivided.The basic ideas,research progresses,application conditions and applications of every method are discussed in details.Finally,some open problems in this area are introduced.Key words:incipient faults/mini-faults/small faults/early faults;fault diagnosis;fault detection;qualitative diagnosis;quantitative diagnosis1引言(Introduction)现代控制系统和设备的复杂性不断增加、规模不断扩大,这类系统一旦发生故障便会造成巨大的生命和财产损失.作为提高系统可靠性和降低事故风险的重要方法和有力措施,故障诊断变得越来越重要[1].然而,无论故障的规模多大、来势多凶猛,这些故障都是从微小故障(早期故障、初始故障、初期故障)开始的.例如:由于核电站一号机组出现的设备老化问题引起的微小故障未能被尽早发现和解决,2011年日本福岛核电站机组爆炸;由于车轮钢圈的微小故障未能被尽早诊断出来,1998年德国高铁失控;由于航天飞机右侧固体火箭助推器的密封圈在低温下失去弹性而产生微小变形,致使燃气外泄, 1986年美国“挑战号”航天飞机失事.因此设备和系统的可靠性和安全性已成为人们关注的焦点问题之一,而微小故障的检测和诊断是预防和减少灾难发生的关键.由于故障对系统的影响可由其引起的征兆体现,故文[2]把故障引起的征兆分为征兆显著和征兆微小,并把微小故障阐述为:将观测值的偏离程度较大的视为征兆显著,偏离程度小的视为征兆微小;对只有微小的异常征兆,却可危及系统安全运行的小故障进行及时有效的监控,常被称为微小故障诊断.根据故障的时域特性,笔者提出将微小故障分为缓变微小故障、突变微小故障和间歇性微小故障,其特点分别是:1)缓变微小故障具有幅值小且发展缓慢的特点.该类故障在初期对于系统的影响很难察觉,但随着时间的变化会造成一定的影响,乃至会产生严重的后果[3].如:设备中主要部件的磨损故障[4].2)突变微小故障具有幅值小且快速瞬变的特点,故障发生过程甚至只有几微秒就能达到其最大收稿日期:2012−03−12;收修改稿日期:2012−10−18.基金项目:国家自然科学基金资助项目(61028010,61021063,61174030);山东省高等学校科技计划资助项目(J09LG26);重庆交通大学省部共建水利水运工程教育部重点实验室开放基金资助项目(SLK2010B01);青岛农业大学高层次人才启动基金资助项目(630815).1518控制理论与应用第29卷幅值,如:变压器中的电弧放电故障[5]、电路中元器件的短路故障等.3)间歇微小故障具有幅值小且随时间的推移时隐时现的特点,大多与元件或系统的逐渐退化有关,是持续故障发生或元器件失效的前兆[6],如:配电设备[7]和地下电缆[8]等设施的老化故障.微小故障的上述特点导致了微小故障诊断的困难,因此对微小故障的诊断方法的研究,目前还处于起步阶段.事实上,从20世纪70年代初故障诊断概念被提出以来,故障诊断技术经过40多年的发展,已经产生了大量行之有效的故障诊断和检测方法[9–13].但传统的故障诊断方法主要是用来诊断征兆显著的故障,相对而言,目前有关微小故障的故障诊断方法的研究成果还很少.在总结已有成果的基础上,本文提出了一种现有微小故障诊断方法的分类框架,将其分为定性诊断方法、定量诊断方法和半定性半定量诊断方法,如图1所示.然后对每类方法的研究现状做较为详细的论述,最后探讨了微小故障诊断目前亟待解决的问题.图1微小故障诊断方法分类示意图Fig.1A classiﬁcation framework for incipient fault diagnosis methods注1本文的微小故障包含了初始故障(初期故障、早期故障).实际上,初始故障(初期故障、早期故障)和微小故障是不同的概念,但除了一些特殊情况外,一般情况下这些故障都有幅值小的特点.另外,关于这些故障的故障检测和诊断的研究成果都很少,因此在下面的综述中,不加区分地把这些故障的检测和诊断都统一归到微小故障的诊断方法中进行综述.2定性诊断方法(Qualitative diagnosis method )2.1图论方法(Graph theory method )现有的微小故障诊断的图论分析方法主要包括故障树分析法和符号有向图法.2.1.1故障树分析法(Fault tree analysis method )故障树分析法(FTA)是基于故障树这种特殊的逻辑图而进行的一种演绎分析法.该方法从系统的故障状态出发,以故障模式与后果分析为基础,由果到因逐级进行推理分析,从而确定故障发生的原因、影响程度和发生概率[14].文[15]提出利用键合图生成故障树进行故障诊断的方法.文中利用锅炉给水泵系统的键合图模型,建立了基于倒置因果分析方法的给水泵故障树模型.通过对故障树边界层元素的定性值分析,定位出水泵初始故障集的故障源.文[16]提出根据迭代傅里叶变换算法生成故障树的故障诊断引擎,从而诊断系统的早期故障.该引擎向来自传感器的数据记录组成的实例库学习,实例库中的实例被分为对应的正常状态、一个或多个故障状态.文中利用该方法开发了一个监测和故障诊断的软件系统,并将其应用于模拟伺服控制机器人手臂第12期李娟等:微小故障诊断方法综述1519的早期故障的诊断.由于在传统的故障树中,异常过程状况通常是用语言术语来分类,比如“过高”或“过低”,考虑到异常过程状况的这些描述可以用合适的模糊隶属函数来表征,文[17]将模糊推理机制和故障树方法结合在一起,用于诊断Tennessee Eastman(TE)过程中的早期故障以及确定早期故障的故障源.该文中,故障识别的候选集被限制到一个给定故障树的最小割集,以达到简化的目的.此外,文中利用系统有向图和定性仿真技术获取与每个故障根本原因相关联的症状出现的顺序,所有隐含的候选模式被列举并采用IF-THEN规则的推理系统进行编码,从而检测出早期故障以及确定早期故障的故障源.基于FTA方法进行故障诊断的特点是:直观、明了,思路清晰,逻辑性强.但其建立的故障树的规模随系统的复杂度的增加而增加,在对大型复杂系统进行故障诊断时搜索过程变得复杂且困难;另外,FTA方法要求分析人员必须非常熟悉所分析的对象,能准确和熟练地应用分析方法.由于不同分析人员掌握程度不同,往往会出现不同分析人员编制的故障树和分析结果不同的现象;且由于诊断的是微小故障,这将会导致故障诊断的准确率被降低.因此该方法用于微小故障的诊断具有一定的局限性.2.1.2符号有向图法(Sign directed graph method)基于符号有向图(SDG)的故障诊断方法是基于定性模型的一种诊断技术.该方法的基本思想是:利用SDG模型描述系统在正常或故障状态下的系统因果行为,根据所建立的因果关系图,捕捉有用的信息以完成故障诊断,并结合一定的搜索策略,沿着支路方向找出故障源和故障在过程内部的发展演变过程[18].由于传统的基于SDG的故障诊断方法只能诊断单一故障,文[19]将SDG和主元分析(principal component analysis,PCA)方法相结合,通过SDG自动进行基于PCA的被测变量对残差或主元的影响分析,且通过给出基于SDG的多故障诊断的算法使得基于SDG的故障诊断方法能诊断多个早期故障.为了解决由于系统初始响应的不正确测量所导致的故障诊断的不准确问题,文[18]提出了将SDG和定性趋势分析(qualitative trend analysis, QTA)相结合的故障诊断框架进行早期故障的诊断.在此框架下SDG是第1级,提供了故障的可能候选集;第2级根据传感器测量的当前时刻值的变化,使用QTA完成对早期故障的诊断.该方法在TE案例中得以验证.SDG方法进行建模时不要求完整的定量描述,能利用系统的结构以及关于系统正常运行条件下的信息等不完全信息[20],以揭示变量间因果关系,因此具有揭示故障和故障在系统中传播规律的作用.但SDG的节点数量、支路数量、节点和支路之间的复杂关系随着系统的复杂程度而增加,节点和支路数量的增多会增加SDG建模任务的繁重和用SDG进行故障诊断的推理负担、推理的多义性增强,因此当用SDG方法诊断复杂系统的故障时可能会出现实时性变差、诊断的准确率变低的情况.此外,SDG节点阈值难于准确确定,而这对于微小故障的诊断而言至关重要,因而目前用该方法对微小故障进行诊断的研究较少.2.2专家系统(Expert system)基于专家系统的微小故障诊断方法的基本思想是:运用专家在长期的实践过程中积累的经验建立知识库,让计算机模拟专家对采集来的信息进行推理和决策,从而诊断出系统中的微小故障[21].众所周知,溶解气体分析(dissolved gas analy-sis,DGA)是检测带电变压器中初始故障最有效的工具之一,但在DGA结果的分析中可能会出现不确定推理这一问题,故文[21]研究了使用DGA的专家系统,该系统利用模糊集理论解决了该问题,并利用该专家系统预测大型电力系统变压器的早期故障.基于专家系统的微小故障诊断方法能够充分利用专家对故障的经验和知识,不需要精确的数学模型,且诊断过程和结果都易于理解.但基于专家系统的故障诊断方法无法检测未知的微小故障,且诊断的准确度取决于知识库知识(专家经验)的多少,知识库的增大给专家系统的维护也带来了一定的困难.此外,这种方法无自主学习能力,且由于微小故障的症状不易察觉,专家对微小故障的先验知识就少,因而单纯使用专家系统对微小故障诊断的结果不理想,目前的研究大部分都是把专家系统和神经网络等方法相结合/融合,这方面的介绍见“半定性半定量诊断方法”部分.3定量诊断方法(Quantitative diagnosis method)3.1基于解析模型的方法(Analytical model-based method)传统的基于解析模型的故障诊断方法发展较为成熟,可分为状态估计法、参数估计法和等价空间法;但微小故障诊断中基于解析模型的方法目前主要有状态估计法和在线近似法.1520控制理论与应用第29卷3.1.1状态估计法(State estimation method)状态估计法的基本思想是:基于系统精确的数学模型,由模型输出值与实际输出值生成残差,通过残差实现故障的检测和诊断.在微小故障诊断中,状态估计法主要包括观测器法[22–23]和滤波器法[24].由于传统滑模观测器(sliding mode observer, SMO)对微小故障不敏感,文[22]提出了将Luen-berger观测器和SMO相结合的检测方法.该文主要思想是将原有系统转换成两个子系统,其中一个子系统不受外界干扰和模型误差的影响,对这个子系统构造一个Luenberger观测器,而对另一个受干扰影响的子系统设计SMO,从而使得系统实现对干扰鲁棒和对早期故障敏感的目的.采用同样的思路,文[25]实现了对非线性系统中的缓变执行器微小故障的诊断.针对自适应容错控制能够削弱微小故障影响的情况,文[26]提出一种未知输入观测器的构造方法,从而使得早期微小故障的诊断与自适应容错控制解耦,使得残差只对微小故障敏感,从而检测出自适应容错控制系统中的微小故障.针对干扰可测的情况,文[23]提出了基于观测器的鲁棒微小故障检测方法,通过提出的干扰补偿方法和自适应阈值来提高检测系统的鲁棒性和敏感性,从而在干扰存在的情况下能快速检测出舵机的小幅值突变故障和早期缓变故障.为了诊断时变的、随机的非线性化学过程中的早期故障,文[24]总结了用两级进行微小故障诊断的方法,其中第1级用于状态估计,第2级通过参数辨识进行故障诊断.通过比较扩展卡尔曼滤波器法、递归最小二乘法和降维Luenberger观测器法,验证了两级扩展卡尔曼滤波器具有更好的诊断性能.在文[27]中,一种对多输入多输出系统的故障检测、诊断和重构控制的集成设计方法被提出.该文中两阶段的自适应卡尔曼滤波器产生的信息被用于统计假设检验,从而诊断出系统中微小执行器故障.由于在具有类似计算复杂度的情况下,无迹卡尔曼滤波器(unscented Kalmanﬁlter,UKF)比扩展卡尔曼滤波器具有更好的非线性状态估计性能,文[28]提出基于UKF的分级多模型故障诊断方案以检测和隔离机器人的执行器故障.该算法在每个阶段都优化相关的模型集,故诊断不同类型的未知执行器故障(包含突发故障、早期故障和并发故障)只需少量模型数,从而减轻了计算负担并提高了检测性能,该方法在两关节机器人上进行了实验验证.由于基于状态估计的方法需要使用残差和阈值来诊断故障,而微小故障可能会由于其幅值小而对残差的影响小以及阈值设置不当等原因而无法检测或诊断出.为此,针对一类动态特性已知的微小故障,文[29]提出了一种基于观测器和故障的动态特性,而不利用残差和阈值诊断微小故障的方法.状态估计法对系统内部结构有深层的认识,因此用于微小故障的诊断效果显著,并且具有很好的实时性.但是由于其依赖于系统准确的数学模型,而建模的不确定性和系统噪声等将影响微小故障的诊断.此外随着自动化程度的提高,系统复杂度的增加,对系统建立准确的数学模型是不现实的,甚至可以说是不可能的.3.1.2在线近似法(Online approximation method)在线近似法(online approximation,OLA)诊断微小故障的基本思想是:根据自适应理论,设计自适应估计器,通过设计在线可调节参数的自适应率,使得构造的模型以足够的精度和原来的系统相匹配.当在线近似故障函数的输出不为零时,就意味着发生故障[30].文[31]利用基本的OLA法诊断出了幅值随时间慢变的微小故障.由于在实际的工程中,故障并不都表现为外部的线性故障,为此,文[3]针对一类幅值系数以负指数规律变化的非线性早期故障,设计了OLA以捕捉故障的非线性特性.从自适应理论来看,该文的目的是建立一个早期故障检测的学习方法,在此框架内,用非线性自适应故障估计器监测系统中故障引起的任何偏差,从而实现故障诊断.由于带有失配不确定性的非最小相位非线性系统发生故障时,故障难以检测和诊断,甚至闭环系统会变得不稳定,故文[32]设计了一个径向基函数网络估计器在线检测故障,并将其用于非最小相位连续搅拌反应釜中组件初始故障的检测和诊断.文[33]将连续系统中的OLA方法推广到非线性离散系统的故障诊断中,并给出了故障检测和补偿算法的稳定性和鲁棒性分析.在OLA方法中,其建模不确定性常被描述为范数有界的加性扰动形式,其主要是通过在线自适应估计器对故障进行估计,估计结果可用于进行故障分离和故障辨识.但其不足之处是故障估计的准确性现在尚未能够在理论上得到证明[34]. 3.2数据驱动的方法(Data-driven method)3.2.1基于信号处理的方法(Method based on sig-nal processing)基于信号处理的基本思想是:利用信号处理方法对测量信号进行分析处理,提取故障信号特征,以达到诊断出系统中微小故障的目的.目前基第12期李娟等:微小故障诊断方法综述1521于信号处理的微小故障诊断方法主要有小波变换法、经验模式分解法、形态信号处理法和谱分析法.小波变换法利用小波变换诊断微小故障的基本思想是:在时频域,利用小波变换的分辨率可变特性,并通过伸缩和平移等运算功能对原始信号进行多尺度多分辨率细化分析,从而提取信号的特征信息用于微小故障诊断[5,35].文[5]模拟电弧放电现象建立了相邻两个变压器绕组之间的电弧放电模型,并基于被测电流和模拟的故障输入电流,利用小波变换方法检测出脉冲测试期间的电力变压器的电弧放电故障.文[35]提出了采用小波变换方法获得测量数据中更详尽的信息,识别和表征时频域的瞬时现象,从而检测出马达操作阀早期由于机械性阻塞或者齿轮退化引起的微小故障.为了能用计算机对小波变换进行计算,需对小波变换离散化,文[36]提出利用离散小波变换把变压器终端电流信号分解成一系列小波分量,从分解的终端电流信号中提取了电力变压器匝间的故障特征,从而检测出变压器匝间绕组故障.由于用单一的小波变换仅能抽取故障特征,不能对故障类型进行分类,文[37]提出一种结合模糊决策理论的小波变换法检测和辨识变压器中的早期故障.该方法基于由传输线法(transmission line method,TLM)获得的变压器的自适应模型.为了抽取故障辨识所需的特征,该文通过比较实际系统电流与TLM观测器电流产生的残差,从而实现关于残差的连续小波变换(continuous wavelet transform,CWT).通过将残差CWT系数应用到基于模糊规则的决策单元得到故障的类型.为了实现对风力发电系统中双馈感应电机早期电气故障的诊断,文[38]基于电流频率滑动预处理和离散小波变换,诊断出了在速度和故障变化情况下的定子和转子故障.该文利用不同分辨率下小波信号的平均功率计算作为一个动态故障指示器以量化故障程度.由于地下电缆的大部分早期故障是由电缆绝缘失效、电缆连接处或者其他配件缺陷所导致,这类故障反复发生,最终会变为永久性故障.为此,文[8]提出用小波变换和电流分析两种算法检测和分类不同电压等级下的地下电缆的早期故障.其中,一种算法基于小波分析,用于检测由故障导致的瞬态过程,从而识别早期故障;另一种算法基于对时域中的叠加故障电流和负序电流的分析,实现了对单相对地故障的检测.由于小波变换具有多分辨率特征,使其有力地克服了传统Fourier变换在时域和频域均具有较高的局部性的缺点,因此目前在非线性、非平稳信号分析中是较为常用的时频域分析工具[39],能有效识别故障信号,达到故障诊断的目的.此外,小波变换具有多尺度性和“数学显微镜”特性,这些特性使得小波分析能识别振动信号中的突变信号[40],因此目前运用小波变换法对微小故障进行诊断的研究和应用较多.但小波变换由于基函数长度有限,小波谱的时间和频率分辨率是相互影响的,对信号做小波变换会产生能量泄漏,从而影响分辨率,且变换结果依赖小波基的选择和分解尺度,自适应性不强[41].经验模式分解法经验模式分解法(empirical mode decomposition,EMD)诊断微小故障的基本思想是:假设任何信号都是由不同的本征模态函数(intrinisic mode function,IMF)组成,每个IMF可以是线性的也可以是非线性的,表示了信号的内在特征振动形式.其本质是通过特征时间尺度获得信号的本征振动模式,然后利用本征振动模式不断地“筛”信号,从而诊断出故障[42].文[42]提出用EMD法诊断电机轴承内圈损伤早期故障.由于机器运转时的背景噪声一般较大,特征信息常常淹没在背景噪声中不易被识别出来,故该文先用小波变换对采集的电机轴承振动信号进行信噪分离,然后通过EMD法将提纯的信号分解而得到若干个IMF,利用IMF的频谱突显轴承早期故障的特征信息.由于EMD处理的是一维的信号,无法实现信息的融合,为此文[43]用二元经验模式分解法检测风轮机中感应电机转子电气不平衡早期微小故障,并指出该方法在检测变速机械的早期故障时比传统的基于EMD的方法和基于小波的“能量跟踪”更为有效.EMD由于有完全自适应能力而使其具有较好的处理非平稳和非线性信号的能力,但EMD算法本身也存在一些不足,如均值与停止条件、端点效应、模式混淆等[41],因而出现了一些改进的EMD 方法,但这些改进都是针对特定情形而进行的.形态信号处理法形态信号处理法(morpho-logical signal processing,MSP)是一种非线性的时域空间上的信号处理方法,主要包含腐蚀、膨胀、开运算和闭运算4个算法.利用MSP进行故障诊断的主要思想是:通过一个设计的“探针”(结构元素)在信号中不断移动,探寻有物理意义信号之间的相互联系,提取有用的信息从而诊断故障[44].文[44]提出使用MSP提取旋转机械故障振动信1522控制理论与应用第29卷号的弱周期性脉冲.该文首先用小波滤波器消除噪声干扰以增强脉冲特征,然后通过形态的闭合算子和局部最大算法处理滤波后信号,提取周期性脉冲.MSP对信号的局部几何特征具有良好的敏感性,并且能够高效地处理脉冲信号.但该方法也存在着一定的不足:1)当噪声过强以至于由故障产生的脉冲完全被噪声淹没时,依赖于信号形状的MSP性能将被破坏;2)由于需要有关信号的先验知识去定义扁平结构元素的长度,因此该方法缺乏自适应能力.故在微小故障的诊断中应用很少.谱分析法谱分析法的基本思想是:由于不同类型的故障会导致测量信号的频谱表现出不同的特征,故可通过对信号的功率谱、倒频谱、高阶谱等进行谱分析的方法来进行故障诊断[45–46].由于故障会引起振动信号产生给定频率的调幅,包络检测信号的频谱会在故障频率上出现较大的峰值,而在其他频率上则相对较为平缓[1],因此文[47]最早提出将谱分析的方法用于诊断旋转机械的早期故障.而文[45]首先用快速傅里叶变换提取电机线电流的频谱,然后将小波函数的多分辨率技术应用到电机线电流的频谱中,以便检测重要的峰值以及测量这些峰值相对于“基准”信号的高度,最后基于鲁棒多元控制图进行转子断条故障的早期检测.由于基于傅里叶的方法的时变特性使得它们不适用于非线性和非平稳系统的分析,文[48]提出了结合小波包技术的多维谱分析方法,以辨识故障源并对非平稳振动的微小故障信号进行早期检测.由于高阶谱对高斯有色噪声不仅具有很好的噪声抑制能力,而且能保持非线性系统的相位信息,文[46]利用高阶谱分析技术提取了滚动轴承的滚动体、内圈和外圈表面局部点蚀3种典型早期故障信号的特征.考虑到与故障有关的频谱成份的幅值与频率随着电机负载的变化而变化,文[49]提出了电机电流特征分析(motor current signature analysis method, MCSA)法进行电机中常见早期故障的诊断.该文通过MCSA检测电机电流的频谱以检测与故障相关的特定成分,然后基于这些成分的相对振幅诊断故障,从而有效地诊断出了电机中常见的几个早期故障(转子断条、定子绕组短路和气隙偏心),并将其应用在在巴西南部的热电站中.为了区分不平衡负载和绕组故障,文[50]通过对带载激励电流扩展Park矢量模的交流成分进行频谱分析,从而诊断出三相电力变压器绕组的匝间短路早期故障.由于Dufﬁng振子的相变对于和参考信号有微小角频率差别的周期性弱信号很敏感,故间歇混沌弱信号检测方法被用于早期故障检测,但其中的一个重要的问题是如何确定故障的特征频率.为此,文[51]提出混沌振子阵列法检测往复阀的早期故障.但是如果混沌振子阵列法得到的频带很宽,大量的混沌振子会被包括,从而使得计算更为复杂,因而文[52]应用倒谱分析法确定微弱故障信号的特征频率,通过这个特征频率计算参考信号的角频率,然后通过引入一个Lyapunov指数实现了对液压管测试仪中的往复阀的早期故障的检测.由于故障会引起频谱表现出不同的特征,故谱分析法被广泛地用于检测早期故障.但是传统谱分析方法是以傅里叶变换为核心的,因此提取平稳信号特征效果较好,但实际系统发生故障后的测量信号往往是非平稳的,即使使用短时傅里叶变换将非平稳信号分为短的伪平稳段,基于傅里叶变换的方法也不适合复杂时频特性的分析,这些都是用谱分析方法进行微小故障诊断时需要考虑的问题.3.2.2统计分析方法(Statistical analysis method)统计分析方法是一种将历史数据加以统计分析的方法,目前主要分为多元统计分析法、时间序列分析法和灰色理论法3种.多元统计分析法基于多元分析的微小故障诊断方法的基本思想是:根据过程变量的历史数据,利用多元投影方法将多变量样本空间分解,并在子空间中构造能够反映空间变化的统计量,利用计算出的统计量指标以检测设备运行过程中缓慢变化的微小故障.基于多元统计分析的微小故障诊断方法主要有主元分析法(PCA)[53]和指定元分析法(designated component analysis,DCA)[54].由于PCA方法能检测出缓变的信号,文[53]利用PCA方法检测焚烧炉的早期故障,并设计出一个软件包,专门用于检测都市固体废物焚烧炉(municipal solid waste incinerators,MSWIs)中的3种早期故障–—局部烧穿、局部焦化和排渣故障,并已将其用于实际生产.为了解决过程变量之间具有相关性的微小故障的诊断,文[55]用传统PCA结合单变量指数加权滑动平均(exponent weighted moving average,EWMA)构成多变量EWMA–PCA(exponent weighted moving average-principal component analysis)方法,详细分析了化工生成过程中各个统计量的统计性能指标及其影响因素,从而检测出化工生产过程中的进料温度阶跃变化和冷却水阀的粘阻这两个微小故障.与单纯的PCA方法相比,该方法对微小故。

基于规则的通用专家知识库故障诊断方法

总第248期2010年第6期计算机与数字工程Computer&Digital EngineeringVol.38No.672基于规则的通用专家知识库故障诊断方法3刘　剑　陈一超　江　虹(中国船舶重工集团公司测控技术部　武汉　430074)摘　要　针对故障诊断专家系统实用性与通用性的矛盾,在简要分析专家系统工作原理的基础上,提出了一种以用户为中心,基于规则表达的通用性专家知识库故障诊断方法。

将规则推理﹑模糊决策[1]融为一体,形成一阶梯式故障推理机制;对不同的诊断对象,只要设置好必要知识表达模型,就可自行生成一专用基于规则的专家知识库故障诊断方法,并能自动输出诊断结果。

关键词　专家系统;规则推理;模糊决策;故障诊断中图分类号　TP391Univers al Fault a nd Diagnosis Met hod of Expert KB on RegulationL iu J ian　Chen Yichao　J ia ng Hong(Test and Control of China Shipbuilding Industry Corp.,Wuhan　430074)Abs t rac t　In order to overcome contradiction of practicality and generality for fault diagnosis expert system,the design of general fault diagnosis method based on user and regular characterization is presented after the expert system is introduced concisely.Rule reasoning and f uzzy decision algorithm are merged,and the step fault diagnosis method is accomplished.For different object,when necessary knowledge properties former is given,a special fault diagnosis method on regulation will be automatically produced,and the diagnosis result will be given.Ke y Words　expert system,rule reasoning,f uzzy decision,fault diagnosisClass Nu m ber　TP3911　引言基于规则的通用专家知识库故障诊断方法是一种能以人类专家级水平进行故障诊断的计算机程序,它利用人工智能技术、现代设备诊断技术、信息传感与通信技术等,摆脱了传统的诊断技术对数学模型的强依赖性,将事先输入的经验知识以某种或几种方法表示出来,再应用不同的推理技术及诊断策略结合现场来的数据及事实进行诊断。

基于度量的元学习模型的小样本故障诊断

在多个有限数据条件下基于度量的元学习模型的少样本故障诊断Duo Wang , Ming Zhang , Yuchun Xu , Weining Lu , Jun Yang , Tao Zhang随着信息和传感器技术的发展，现实世界的大工业逐渐成为一个数据丰富的环境，使数据分割故障诊断技术得到了蓬勃的发展和应用。

这些先进方法的成功取决于每种故障类型都有足够的标记样本可用的假设。

但是，在某些实际情况下，要收集足够的数据是极其困难的，例如，当突然发生灾难性故障时，在系统关闭之前只能获得少数样本。

这一现象导致了在非常有限的数据条件下，旨在准确区分故障归因的少样本故障诊断。

在本文中，我们提出了一种新的基于特征空间度量的元学习模型(FSM3)，以克服多有限数据条件下少样本故障诊断的挑战。

我们的方法是一般监督学习和情景度量元学习的混合体，它将同时利用来自单个样本的属性信息和来自样本组的相似性信息。

实验结果表明，在各种有限的数据条件下，我们的方法在轴承和变速箱故障诊断的1次和5次学习任务上优于一系列基线方法。

通过时间复杂度和实现难度的分析，表明该方法具有较高的可行性。

通过t-SNE 对特征嵌入进行可视化，以研究我们提出的模型的有效性。

1.介绍由于机械高速和复杂性的日益发展，故障诊断已成为大型工业复杂系统中不可缺少的技术。

这些工业系统正在逐渐积累大量数据，导致近年来数据驱动故障诊断方法前所未有的研发。

然而，深度模型只有在有足够的标记数据用于训练时才能表现良好。

否则，数据驱动的深度模型的性能将会显著下降。

通过深入的研究，揭示了少样本学习问题，旨在在非常有限的数据下训练深度模型。

具体来说，工业设备一般在正常状态下运行。

当某些突然出现灾难性故障时，系统将立即关闭以进行维护。

因此，来自这些故障的数据应该稀缺的，相反，正常数据是丰富的。

基于这些极少的故障样本，典型的数据驱动监督学习策略将训练出一个不能很好地推广的过拟合模型。

基于机器学习方法的故障检测和诊断技术

基于机器学习方法的故障检测和诊断技术机器学习是一种具有强大功能的人工智能技术，它可以在解决实际问题中发挥重要作用。

在工业生产中，机器学习可以用于故障检测和诊断，帮助企业降低成本，提高效率。

一、机器学习的应用随着人工智能技术的发展，机器学习在工业生产中被广泛应用。

它可以帮助企业优化生产过程，提高产品质量，降低成本。

在故障检测和诊断方面，机器学习可以分为两种类型：有监督学习和无监督学习。

有监督学习需要有大量的训练数据来完成模型的训练，而无监督学习则不需要训练数据，它可以通过聚类、降维等方法对数据进行处理和分析，从而实现故障检测和诊断。

二、机器学习方法的故障检测和诊断技术机器学习技术的故障检测和诊断方法主要包括以下几种：1. 基于数据挖掘的故障检测和诊断方法数据挖掘是一种有效的机器学习方法，它可以从大量数据中发现隐藏的模式和规律。

在故障检测和诊断方面，数据挖掘可以通过建立故障诊断模型，对传感器数据进行分析和诊断，准确地判断设备是否存在故障。

2. 基于神经网络的故障检测和诊断方法神经网络是一种模仿人脑神经元运作方式的计算模型，它可以模拟大量感知输入的关系，进行高效准确的判断和决策。

在故障检测和诊断方面，神经网络可以通过训练数据，实现自动分类和诊断，对设备故障进行预判和诊断。

3. 基于支持向量机的故障检测和诊断方法支持向量机是一种监督学习方法，它利用非线性分类超平面对数据进行划分，并找到和数据离得最远的支持向量，从而提高分离间隔和分类精度。

在故障检测和诊断方面，支持向量机可以通过训练数据，建立分类模型，对设备故障进行分类和预测。

三、机器学习技术在工业生产中的应用机器学习技术在工业生产中的应用非常广泛。

它可以帮助企业降低成本，提高效率，提高产品质量。

常见的应用如下：1. 故障预警系统企业可以利用机器学习技术建立故障预测模型，在设备出现故障之前就进行预测并采取相应的措施，降低故障率和维修成本。

2. 质量控制利用机器学习技术，企业可以对产品的质量进行自动检测和诊断，减少人工干预，提高检测效率，有效提高产品质量和企业竞争力。

基于变量加权统计分析的多微小故障诊断

电子技术与软件工程Electronic Technology & Software Engineering数据库技术Database Technology 基于变量加权统计分析的多微小故障诊断闫治宇(黄河水利职业技术学院河南省开封市 475000 )摘要：本文提出同量纲情况下，根据系统不同位置的重要程度賦予不同的权值，从而提高对故障的敏感度，进而解决上述微小故障检测问题；当检测到系统出现故障时，再根据不同多故障组合对应的特征子空间不同，利用特征子空间相似性进行故障诊断。

最后，通过仿真验证了该方法的可行性和有效性。

关键词：PCA;微小故障；特征子空间；加权统计分析1引言随着信息技术的进步，现代大规模、高复杂度的工业系统对数字化的监控要求越来越高，及时检测和诊断故障位置就变得至关重要，特别是系统重要环节出现故障时，所带来的后果更加严重。

文献"-31中给出一些针对故障明显的诊断效果较佳的方法，但是微小故障存在幅值小、征兆弱的特点，从而造成诊断难度大，有关研究成果还较少。

主元分析(principal component analysis, PCA)是基于数据驱动的的重要分支，该方法不需要建立精准的机理模型，只需对过程数据进行统计分析，文献⑷研究得出系统微小故障不容易被检测，同时一般存在传递性，传统PCA 方法不能及时检测故障。

为解决这类问题文献(4'71中给出从不同角度改进传统PCA 算法，以达到对微小故障的诊断效果。

但现有的关于PCA 的微小故障诊断方法，在量纲相同的情况下，或是平等的对待系统所有变量；或假定是单变量发生故障。

为此，本文提出根据不同变量重要程度，赋予不同的权值，实现重要变量对微小故障的敏感度，以达到检测微小故障的目的；同时再利用故障特征子空间的相似性实现多微小故障诊断⑻。

2离线建模主元分析方法构建的主元模型为：X = *v,+ £by,=By + Ei —l i=m+l \ 1 )其中，X G R nxk 为数据矩阵，B G R nxm 为特征向量矩阵，V 6 R m k 为得分矩阵，m 为主元个数；E g R n k 为残差矩阵；PCA 方法通常采用SPE 统计量进行过程检测P1o根据主元分析的几何意义，不同故障数据的特征矩阵是不相同的2叫可用特征矩阵之间的相似度进行故障诊断冈。

基于智能算法的光伏系统故障检测和诊断方法

能够处理大量数据并找出数据间的关系，但易陷入局部最小值，且解释性不强。
支持向量机算法
善于处理分类问题，但难以处理连续型数据，且对参数和数据集大小敏感。
粒子群优化算法是一种基于群体智能的优化算法，通过模拟鸟群、鱼群等生物群体的行为规律来进行优化。
在光伏系统故障检测和诊断中，可以利用粒子群优化算法对神经网络模型进行优化，以降低模型的复杂度和提高其预测精度。
具体实现过程中，需要对支持向量机的参数进行编码，并将编码后的参数作为状态，通过模拟退火算法搜索最优解。
07
展望与挑战
深度学习算法的应用
01
随着深度学习算法的发展，未来将更加广泛地应用于光伏系统的故障检测和诊断，通过训练神经网络对故障特征进行自动提取和分类，提高故障检测的准确性和效率。
基于智能算法的光伏系统故障检测和诊断方法的发展趋势
故障检测和诊断的方法主要包括基于物理模型的诊断方法和基于数据驱动的诊断方法。
故障检测和诊断的基本流程和方法
1
智能算法在故障检测和诊断中的应用
2
3
智能算法在光伏系统故障检测和诊断中发挥着重要作用，包括神经网络、支持向量机、决策树、聚类分析等。
智能算法的应用
智能算法在故障检测和诊断中的应用一般包括数据预处理、模型训练和预测三个阶段。
光伏系统的工作原理
太阳能电池板将太阳能转化为直流电，通过充电控制器将直流电输送到蓄电池组进行储存，当需要用电时，逆变器将蓄电池中的直流电转化为交流电供给负载。
光伏系统的组成和工作原理
故障检测和诊断的基本流程
故障检测和诊断是光伏系统维护的重要环节，一般包括数据采集、分析诊断和修复三个阶段。
故障检测和诊断的基本方法
神经网络可以模拟人类的联想、推理、归纳等思维过程，具有强大的模式识别和预测能力。

2基于解析模型的故障诊断方法

传感器故障的合理描述
2)漂移故障：是指故障大小随时间发生线性变化的一类故障,其形式为 F ( x, u, t ) d (t T0 ) 为常数，为的故障起始时刻 (7)
该类故障的表现形式如图1b所示，从图中可以看出，有故障测量值与无故障测量值之间的差距随时间的推移而不断加大。 3) 精度下降故障：发生精度下降故障时，测量的平均值并没有变化，而是测量的方差发生了变化。具体表示形式为： (8) F(x,u, t) ~ N (0, 22 ) 这里,N (0, ) 表示高斯白噪声, 表示方差。精度下降故障类似于自由噪声的方差增大的情况。其表现形式如图1c所示，从图中可以看出，有故障测量与无故障测量混杂在一起。正是由于这一点，使得该类故障的检测较其他三类故障更难。
3 基于多模型的鲁棒故障检测技术
3 基于多模型的鲁棒故障检测技术
1 0.9 0.8 故障
系统输出不确定区域
0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 150 200 250 时间 (s) 300 350 系统输出不确定区域 y(t)
3 基于多模型的鲁棒故障检测技术
3.1 系统的建模动态系统解析冗余是指系统输入信息和输出信息之间瞬态关系的集合，动态系统的建模过程实际上就是从过程输入输出关系中提取解析冗余信息的过程。假设一个可以用非线性自回归滑动模型表示的多输入多输出的非线性系统，在没有故障，扰动和噪声情况下可表示为： y(k) f [u(k d 1), , u(k d n ), y(k 1), , y(k n )] (3.1) nu 和 ny 分别表示输入和输出的阶数，表示输入时滞。系统可以使用不同的建模方法建立系统的模型。模型可以表示如下： ˆ (k ) fˆ[u(k d 1), , u(k d nu ), y(k 1), , y( k ny )] ( y, u)) (3.2) y

基于指定元分析的多级相对微小故障诊断方法

基于指定元分析的多级相对微小故障诊断方法周福娜;文成林;陈志国;冷元宝【摘要】设备运作过程中可能出现的微小故障,往往会因其呈现的异常征兆较小而被淹没在显著故障或噪声中,从而现有的方法难以很好地对其进行监控.本文在DCA 空间投影框架下建立了观测空间的多级分解思想,并在此基础上提出一种多级相对微小故障诊断算法.将观测数据关于显著指定模式进行DCA分析,并移除显著变化模式的影响,以提高微小故障信号的信噪比.根据其向故障子空间投影能量的显著性判断残差数据中是否还包含仍未被诊断出、且具有一定影响的微小故障;根据各故障方向上投影能量的显著性进行微小故障诊断;重复以上过程,直到各级微小故障均被诊断出来.包含四种共存故障的观测数据的仿真研究,验证了该算法的有效性.【期刊名称】《电子学报》【年(卷),期】2010(038)008【总页数】6页(P1874-1879)【关键词】微小故障诊断;空间分解;故障模式;指定元分析【作者】周福娜;文成林;陈志国;冷元宝【作者单位】河南大学计算机与信息工程学院,河南开封,475004;杭州电子科技大学自动化学院,浙江杭州,310018;杭州电子科技大学自动化学院,浙江杭州,310018;河南大学计算机与信息工程学院,河南开封,475004;黄河水利委员会黄河水利科学研究院,河南郑州,450003【正文语种】中文【中图分类】TP2731 引言系统或设备的结构越来越复杂,出现多种故障的可能性日益增多[1～3].近年来故障诊断方法的研究吸引着众多学者的广泛关注[1～6].故障对系统的影响可由其引起的征兆体现.若将观测值的偏离程度较大视为相应的征兆显著,偏离程度较小视为该征兆微小[6,7].随着对系统安全性和可靠性要求的提高,人们不仅希望能很好地诊断出有明显异常征兆的“大”故障,也希望能对那些虽然只有微小的异常征兆,却可能危及系统安全运行的“小”故障进行及时有效的监控,常称这一过程为微小故障诊断[7].系统发生的微小故障往往会因其征兆较小而被淹没在噪声或征兆显著的大故障中,因此必须对现有的诊断方法进行有效的改进或建立新的方法才有望实现对微小故障的诊断.目前,这方面的研究还仅限于单个微小故障的检测[7～9].当小故障不是被噪声所淹没,而是淹没在“大”故障或其他征兆较大的随机扰动模式中的情况下,解决多级相对微小故障诊断问题有着重要的科学价值和应用前景.在传统的单变量统计监控方法中,常采用累加和控制图法来检测过程的微小变化.但因其没有考虑到过程变量之间的相关性,因而常会出现误报和漏报现象[7].文献[8,9]中给出一些基于多变量统计分析的小故障检测算法,但主元分析(Principal Component Analysis,PCA)的模式复合效应使其无法进行小故障模式辨识.指定元分析(Designated Component Analysis,DCA)能避免主元分析的模式复合问题[6,10].但现有DCA诊断方法,往往会导致小故障被淹没的现象.本文拟在文献[6]的DCA空间投影框架的基础上,通过建立观测空间的多级分解,提出一种多级相对微小故障诊断算法.2 主元分析与指定元分析2.1 主元分析主元分析的本质是一个线性变换[10～13]其中,Y=[y(1),y(2),…,y(n)]∈Rp×n,p是观测变量的个数,n是采样点的个数;V=[v(1),v(2),…,v(n)]∈Rp×n是得分矩阵.Y关于主元和载荷向量的分解式为其中,bi=[bi1,bi2,…,bip]T是第i个载荷向量,vi=[vi(1),vi(2),…,vi(n)]∈R1×n是Y 向bi方向投影所得得分向量,即是残差矩阵,υ是关键主元个数.2.2 指定元分析类似于PCA中将观测数据Y向载荷向量bi投影的思想,指定元分析是将Y在指定模式di∈Rp×1所在方向上做投影,从而得到相应的指定元向量类似地可将Y进行分解其中,wi=[wi(1),wi(2),…,wi(n)]∈R1×n,l是指定模式的数目,E是分解的残差矩阵. 可按照文献[6]的方法定义指定模式.以下部分假定所有变化模式间均彼此正交,非正交情况下可用逐步DCA分析代替DCA分析[6].征兆常用测量值与其标准值的偏离程度来表示[14].为方便描述,本文以下部分假设所采集到的观测数据均是减去相应标称值后的偏离量.3 基于DCA的多级微小故障诊断方法3.1 观测空间的多级分解记观测空间Rp×1为S:=Rp×1,则y(k)∈S(k=1,2,…,n).设指定模式d1,d2,…,dl之间相互正交,则由正交补空间的构造法可知,存在d,d,…,d与d1,d2,…,dl一起构成观测空间S的一组基[6].从而由指定模式的定义知其中,SF是由lF个故障模式张成子空间,SN是由lN个正常随机扰动模式张成子空间,lF+lN=l.从而输出空间S可分解为正常子空间、故障子空间和残差子空间的直和记y(k)向故障模式Fs的投影为φsk=(k),则y(k)向SF投影的能量为依据投影能量的显著性式(12)可实现系统在k时刻的异常检测[6]然后,将观测数据Y向第s个故障模式所张成子空间SFs=span{dFs}投影,投影能量为.亦可根据各故障模式诱发信号的能量显著性判断是否发生了相应的故障[6].当系统发生多故障的情况下,由于微小故障所诱发信号的信噪比较低,按照式(13)计算出的Di%值较小,因此难以明确地判断微小故障是否发生.增大微小故障信号的信噪比是解决上述问题的一个可行的方法.定理1～定理4给出这种微小故障诊断思想的理论基础.先将观测数据Y分别向各指定模式d1,d2,…,dl所在方向投影,根据投影能量的大小,顺序地将指定模式分为M组D1,D2,…,DM;也可根据经验,按照其造成各参量偏离程度的大小对其分组.然后,可以给出观测空间的多级分解定理1.定理1 输出空间可分解为多级指定模式张成子空间的直和其中,D1中的各指定模式为造成观测数据偏离程度最大的变化模式,称为第一级主模式类,D2为第二级主模式类,DM为第M级主模式类.根据定理1和式(9)可得定理2.定理2 可通过迭代的方式诊断出征兆大小不同的多级微小故障.证明记其中由式(9)可得将观测数据Y向SF1中的各故障方向投影,根据式(13)可判断D1中的故障是否已发生.记类似于式(16)可得再将残差数据向中的各故障方向投影,判断D2中的故障是否已发生.直到移除所有M级指定模式类的影响后3.2 多级微小故障诊断算法信噪比即是信号和噪声的强度比,而信号的强度是由信号的能量表达的,多维信号强度和信噪比可分别定义为定义1 定义矩阵X的F-范数[15]为多维信号X∈Rp×n的强度定义2 对多变量系统中的观测数据阵Y,定义由ds诱发信号的信噪比为引理1 Y与diwi中各元素的符号一致.定理3 若di是显著变化模式,ds是微小故障模式,则移除di的影响后由ds诱发的故障信号的信噪比增大.定理4 移除显著变化模式di后,可以更明确地判断微小故障ds是否已发生.设系统的变化模式按其造成观测数据偏离程度的大小可以顺序地分为M组D1,D2,…,DM,每个变化模式组Dm中包含lm种变化模式.基于DCA的多级微小故障诊断思想如下:首先,将观测数据Y关于第一级主模式类D1中的各指定模式做DCA分析并计算Y向D1中各指定模式投影能量显著性然后,将这l1个显著变化模式的影响移除得将Y2向故障子空间投影,根据投影能量的大小判断系统中是否发生了尚未被诊断出的小故障.在已发生微小故障的情况下,再将Y2关于D2中的各指定模式做DCA分析计算D2中各指定模式的显著性据此判断相应的小故障是否已发生.移除所有M-1组显著变化模式的影响后,对所得残差矩阵YM关于DM做DCA分析并计算残差YM对各指定模式的显著性从而图1所示的算法可实现多级小故障诊断.4 仿真本节给出基于DCA的多级相对微小故障诊断方法的仿真研究,仿真中取p=15,n=1000.设正常观测数据由12种共存的变化模式按式(27)复合而成,d1,d2,…,d10是正交指定模式,其中d1,d3,d5,d10是假定的故障模式,d2,d4,d6,d7,d8,d9是正常随机扰动模式,d11,d12为其他非显著随机变化模式.其中是仿真用指定元样本向量,假设仿真指定元是均值为0,方差为的正态分布随机变量,MATLAB中可用函数“randn”和简单线性组合的方式产生.在k=801,802,…,1000采样点处,故障模式d1,d3,d5和d10的影响增大5σi,即4.1 基于PCA的故障诊断用PCA做监控的SPE图2表明,从801个采样点开始系统发生了故障.但SPE图只能检测出系统发生故障,但无法辨识故障模式.4.2 基于DCA的多故障诊断观测数据向故障子空间投影的能量曲线图3表明,从801个采样点开始观测数据向故障子空间投影的能量明显增大,系统发生了异常,这与图2的PCA方法分析结果一致.根据式(26)计算观测数据关于各指定模式的显著性,如表1所示.从表1可以看出,d1,d3,d5对系统的影响较大,据此判断系统中发生了上述三种故障.为了进一步验证DCA根据能量显著性进行故障诊断的合理性,图4给出了各指定元的Shewhart图.表1 观测数据对各指定模式的显著性d1 d2 d3 d4 d5 d6 d7 d8 d9 d10Di%0.4431 0.0672 0.2316 0.0172 0.3216 0.0101 0.0029 0.0032 0.00310.0455图4表明,从第801个点开始系统发生故障d1,d3,d5.第10个指定元的Shewhart 图在801个采样点后也增大,但并不是明显超出控制限.表2和图4表明,DCA是一种有效的多故障诊断方法,但对微小故障的诊断能力较差.4.3 基于DCA的多级相对微小故障诊断为了更明确地判断小故障d10是否已发生,先将观测数据Y关于第一级指定模式类D1=[d1,d2,…,d6]做DCA分析,并移除这6种变化模式的影响,记Y2在故障子空间投影的能量曲线图5表明,系统中发生了d1,d3,d5之外的其他小故障.再将Y2关于第二级主模式类D2=[d7,d8,d9,d10]做DCA分析.表2的投影能量显著性表明系统中发生了故障d10.表2 观测数据对非显著指定模式的显著性d7 d8 d9 d10 Di%0.0634 0.0646 0.0640 0.9117图6给出了将Y2关于D2做DCA分析所得各指定元的Shewhart图,图6表明从第801个采样点开始系统发生了微小故障d10.5 结论和展望为解决已有微小故障诊断只能进行单故障检测的问题,本文在DCA空间投影框架下提出了观测空间的多级分解思想,并在此基础上给出一种基于DCA的多级相对微小故障诊断方法.指定模式的定义是针对具体对象的一个知识导引过程,经验不同的专家定义指定模式的方法可能不同,找出同一对象的各种模式指定方法间的关系,并开展非线性DCA 的有关研究,可以进一步完善DCA微小诊断的理论基础.附录定理1的证明记第m级主模式类Dm中的各指定模式张成的空间为SDm(m=1,2,…,M)由于D=[D1,D2,…,DM],由D的正交性知由式(8)和式(A1)可知证毕引理1的证明由指定元的定义知由于di=[di1,di2,…,dip]T是取值为-1、0或1的向量,且由第j个参量的偏离程度yj(k)定义,即所以记Q=diwi∈Rp×n,qjk是Q中的元素,则所以,Y与Q=diwi中各元素的符号一致.证毕定理3的证明由于各指定元相应的物理意义明确相当于把第i个指定模式的影响从观测数据中移除.第s种变化模式ds诱发的信号的信噪比为其中,矩阵F-范数的定义为[15]由引理1知,dsws与Y中各元素的符号一致.由式(A10)～(A12)知即移除显著变化模式di后由ds诱发的故障信号的信噪比增大.证毕定理4的证明由dTsdi=δsi知,当s≠i时所以,可以明确地判断微小故障Ds是否已发生.证毕参考文献:【相关文献】[1]Venkat Venkatasubramanian,Raghunathan Rengaswamy,Kewn Yin,Surya N Kavuri.A review of process fault detection and diagnosis partⅠ:Quantitative model-based methods[J].Computers and Chemical Engineering,2003,27(3):293-311.[2]周东华,胡艳艳.动态系统的故障诊断技术[J].自动化学报,2009,35(6):748-758.Zhou Donghua,Hu Yanyan.Fault diagnosis technique for dynamic system[J].Acta Automatica Sinica,2009,35(6):748-758.(in Chinese)[3]朱大奇,陈楚瑶,颜明重.基于CA-CMAC的快速传感器故障诊断方法[J].电子学报,2008,36(8):1646-1650.Zhu Daqi,Chen Chuyao,Yan Mingzhong.Fast sensor fault diagnosis method based on CA-CMAC[J].Acta Electronica Sinica,2008,36(8):1646-1650.(in Chinese)[4]朱大奇,桑庆兵.光电雷达电子部件的量子神经网络故障诊断算法[J].电子学报,2006,34(3):573-577.Zhu Daqi,Sang Qingbing.A fault diagnosis algorithm for the photovoltaic radar electronic equipment based on quantum neural networks[J].Acta ElectronicaSinica,2006,34(3):573-577.(in Chinese)[5]邓伟,杨晓帆,吴中福.一种高效的基于BC图的t/k2诊断算法[J].电子学报,2006,34(4):698-651.Deng Wei,Yang Xiaofan,Wu Zhongfu.An efficient t/k2diagnosis algorithm based on BC chart[J].Acta Electronica Sinica,2006,34(4):698-651.(in Chinese)[6]周福娜,文成林,汤天浩,等.基于指定元分析的多故障诊断方法[J].自动化学报,2009,35(7):971-982.Zhou Funa,Wen Chenglin,et al.DCA based multiple faults diagnosis method[J].Acta Automatica Sinica,2009,35(7):971-982.(in Chinese)[7]赵琦,周东华.闭环系统的小故障检测与分离方法[A].Proceeding of 19th CPCC[C].Hong Kong,China,2000.636-641.[8]葛志强,宋执环,杨春节.基于MCUMSUM-ICA-PCA的微小故障检测[J].浙江大学学报,2008,42(3):373-378.Ge Zhiqiang,SongZhihuan,Yang Chunjie.Small shift detection based on MCUSUM-ICA-PCA[J].Journal of Zhejiang University,2008,42(3):373-378.(in Chinese) [9]葛志强,杨春节,宋执环.基于MEWMA-PCA的微小故障检测方法研究及其应用[J].信息与控制,2008,36(5):650-656.Ge Zhiqiang,Yang Chunjie,Song Zhihuan.Research and application of small shift detection method based on MEWMA-PCA[J].Information andControl,2007,36(5):650-656.(in Chinese)[10]Yegang Liu.Statistical control of multivariate processes with applications to automobile body assembly[D].University of Michigan,2002.[11]J F MacGregor,T Kourtl.Statistical process control of multivariate processes[J].ControlFag.Practice,1995,3(3):403-414.[12]文成林,胡静,王天真.相对主元分析及在数据压缩和故障诊断中的应用研究[J].自动化学报,2008,34(9):1129-1140.Wen Chenglin,Hu Jing,Wang Tianzhen.Relative principal component analysis and its application in data compression and fault diagnosis[J].Acta Automatica Sinica,2008,34(9):1129-1140.(in Chinese)[13]Carlos Alcala,S Joe Qin.Reconstruction-based contribution for process monitoring[A].Proceeding of 17th IFAC[C].Korea,2008.7889-7895.[14]卢学军.汽轮发电机组故障诊断系统中几个关键技术的研究[D].杭州:浙江大学,2001.Xuejun Lu.Study on key technique in fault diagnosis system for turbogenerator[D].Hangzhou:Zhejiang University,2001.(in Chinese)[15]Loyd N Trefethen,David Bau.陆金,甫关治,译.数值线性代数[M].北京:人民邮电出版社,2006.。