基于模型的执行器故障诊断
自动化系统的故障检测与诊断
自动化系统的故障检测与诊断自动化系统的故障检测与诊断是保证自动化系统正常运行的重要环节。
它能帮助用户快速识别系统中的故障，并提供相应的解决方案，以减少停机时间和维修成本。
本文将介绍自动化系统故障检测与诊断的原理、方法和应用。
一、故障检测的原理故障检测是通过监测系统的输入和输出，分析系统运行状态的差异来判断是否存在故障。
其基本原理是将系统的实际输出与期望输出进行比较，如果二者存在差异，则系统可能存在故障。
故障检测通常基于故障模型，即预先定义的故障类型和对应的故障特征。
通过与故障模型进行匹配，可以确定系统中可能存在的故障类型。
常见的故障类型包括传感器故障、执行器故障、通信故障等。
二、故障检测的方法1. 基于模型的方法：基于模型的故障检测方法是指利用系统的数学模型，通过与实际系统数据进行比较，检测系统中的故障。
这种方法需要准确的系统模型和实时的系统状态信息，适用于对系统有较好了解的情况。
2. 基于数据驱动的方法：基于数据驱动的故障检测方法是指通过分析系统输入输出数据的统计特征，来判断系统是否存在故障。
这种方法不需要准确的系统模型，但需要大量的历史数据进行分析。
常用的数据驱动方法包括神经网络、支持向量机等。
3. 基于知识的方法：基于知识的故障检测方法是指通过专家知识和规则，利用推理和逻辑推断的方法来判断系统的故障。
这种方法需要专家的经验和知识，适用于系统问题较为复杂的情况。
三、故障诊断的原理故障诊断是在故障检测的基础上，进一步确定故障的具体原因和位置。
通过分析故障的特征和系统的结构，可以推断出故障的可能原因，并确定具体的诊断措施。
故障诊断通常基于故障特征库和故障推理算法。
故障特征库存储了系统中各种故障类型的特征信息，如故障模式、故障原因、故障表现等。
故障推理算法根据故障特征库中的信息，通过逻辑推理、模式匹配等方法，得出最可能的故障原因和位置。
四、故障诊断的方法1. 基于模型的方法：基于模型的故障诊断方法是指利用系统的数学模型，通过与实际系统的状态进行比较，推断出故障的可能原因和位置。
基于数字孪生模型的设备设计中故障诊断技术研究
基于数字孪生模型的设备设计中故障诊断技术研究路东兴(兰州石化职业技术大学 甘肃兰州 730060)摘要：研究了基于数字孪生模型的设备故障诊断技术。
数字孪生模型是一种将物理实体与其数字表示相连接的先进技术，可以为设备故障诊断提供精确而高效的解决方案。
研究采用了数字孪生模型，并结合机器学习算法，以实现设备故障的准确诊断。
在研究过程中，收集了大量的设备运行数据，并将其与数字孪生模型进行匹配分析。
实验结果表明，基于数字孪生模型的设备故障诊断技术具有较高的准确性和可靠性，可以有效地提升设备维护与管理的效率。
关键词：数字孪生模型 设备故障诊断 FML虚拟调试平台 机器学习中图分类号：TH132.41文献标识码：A文章编号：1672-3791(2023)23-0116-04 Research on Fault Diagnosis Technology in Equipment DesignBased on the Digital Twin ModelLU Dongxing(Lanzhou Petrochemical University of Vocational Technology, Lanzhou,Gansu Province,730060 China) Abstract:This paper studies equipment fault diagnosis technology based on the digital twin model. The digital twin model is an advanced technology that connects a physical entity to its digital representation, which can provide an accurate and efficient solution for equipment fault diagnosis. The study uses the digital twin model and combines with the machine learning algorithm to achieve the accurate diagnosis of equipment faults. During research, a large amount of equipment operation data is collected and matched with the digital twin model for analysis. The experi‐mental results show that equipment fault diagnosis technology based on the digital twin model has higher accuracy and reliability, and that it can effectively improve the efficiency of equipment maintenance and management.Key Words: Digital twin model; Equipment fault diagnosis; FML virtual debugging platform; Machine learning随着数字化技术的不断发展，数字孪生模型作为一种先进的技术方法被引入设备故障诊断领域。
控制系统的故障诊断与维护
控制系统的故障诊断与维护控制系统是现代工业中的重要组成部分，它具有监测、控制和调节各种设备和过程的功能。
然而，由于长期使用和外部因素的干扰，控制系统会出现各种故障。
及时进行故障诊断和维护对于确保系统的正常运行和延长其使用寿命至关重要。
本文将介绍控制系统故障诊断的方法和维护的重要性。
一、故障诊断方法1. 监测和记录数据故障诊断的第一步是监测和记录控制系统的运行数据。
通过实时监测各种传感器和执行器的数据，并将其记录下来，可以提供故障发生时的参考依据。
这些数据通常包括温度、压力、流量等物理量的变化情况，以及传感器和执行器的工作状态等信息。
2. 异常检测和诊断基于监测和记录的数据，可以使用各种方法来进行异常检测和诊断。
常见的方法包括基于模型的方法和基于统计学的方法。
基于模型的方法利用系统的数学模型进行故障诊断，通过比较实际输出与模型预测的输出之间的差异来判断是否存在故障。
基于统计学的方法则通过分析数据的统计特性，寻找数据中的异常模式来进行故障诊断。
3. 故障定位和修复一旦发现控制系统存在故障，接下来的步骤就是定位和修复故障。
故障定位的方法包括故障树分析、故障模式与影响分析等。
通过对系统进行逐步分析，可以缩小故障发生的范围，找到具体的故障原因。
然后，根据定位的结果，采取相应的措施修复故障，可能涉及更换损坏的设备部件、修复电路连接等。
二、维护的重要性1. 提高系统可靠性定期进行控制系统的维护可以及时发现和修复潜在故障，有效避免系统发生大规模的故障导致生产中断。
通过预防性的维护措施，可以提高系统的可靠性和稳定性，降低系统故障率，从而确保生产过程的顺利进行。
2. 延长设备寿命控制系统中的各种设备和部件都有一定的使用寿命，正常的维护可以延长设备的寿命，减少设备更换的频率。
合理的维护措施包括定期检查和清洁设备、更换磨损部件、调整参数和校准传感器等，可以保持设备的正常运行状态，延缓设备老化和损坏的过程。
3. 提高工作效率通过维护工作，可以确保设备和系统的正常运行，避免故障对工作流程的干扰和影响。
基于Q-Learning算法的电气故障检测模型
基于Q-Learning算法的电气故障检测模型Q-Learning算法是一种强化学习算法，可用于构建电气系统故障检测模型。
电气系统在工业生产中扮演着重要的角色，因此及时发现和诊断故障对于维护生产效率至关重要。
Q-Learning算法可以帮助我们构建一个自动化的故障检测模型，从而提高电气系统的可靠性和安全性。
在本文中，我们将介绍如何基于Q-Learning算法构建电气系统的故障检测模型。
我们将介绍Q-Learning算法的基本概念和原理，然后说明如何将其应用于电气系统故障检测，我们将讨论模型的实际应用和优化方法。
Q-Learning算法的基本概念是基于马尔科夫决策过程的，其目标是在一个未知的环境中通过学习找到一个最优的策略，使得在每个状态下都能够得到最大的累积奖励。
Q-Learning算法的关键是构建一个Q-table，其中存储了在每个状态下采取不同动作时的累积奖励，通过不断地更新Q-table，最终找到最优的策略。
在电气系统故障检测模型中，我们可以将系统的状态定义为系统的各种工作状态，例如电流、电压、温度等参数的取值。
而动作可以定义为系统进行的操作，例如关闭某个电路、更换某个元件等。
通过不断地观察系统的状态和采取不同的动作，我们可以不断地更新Q-table，最终找到一个最优的策略，使得系统在任何状态下都能够得到最大的累积奖励，从而更好地检测和预防故障。
在实际应用中，我们可以将Q-Learning算法与电气系统的传感器和执行器相结合，通过传感器获取系统的状态信息，然后使用Q-Learning算法来决定应该采取哪些动作。
通过不断地调整执行器的参数，我们可以使得系统在长期运行中逐渐学习到更为优化的工作方式，提高电气系统的可靠性和安全性。
在实际应用中，Q-Learning算法也面临着一些挑战，例如如何定义系统的状态和动作，如何选择合适的奖励函数，以及如何解决算法的收敛性问题等。
针对这些挑战，我们可以采取一些方法来加以解决，例如使用适当的特征工程方法来定义系统的状态和动作，设计合适的奖励函数来引导算法的学习，以及采用一些收敛性策略来有效地更新Q-table。
机器学习中的异常检测与故障诊断方法(七)
机器学习中的异常检测与故障诊断方法在当今信息时代，大量的数据被生成和积累，这些数据包含了各种各样的信息和模式。
而对这些数据进行分析和利用，已经成为了各行各业的重要任务。
在工业生产和设备运行中，异常检测和故障诊断尤为重要。
机器学习技术在这个领域发挥了重要作用，其应用范围广泛，包括但不限于生产制造、汽车行业、能源领域等。
本文将探讨机器学习中的异常检测与故障诊断方法，介绍其中的几种常见方法和技术。
一、异常检测方法异常检测是指在数据中寻找不符合正常模式的数据点或者模式。
在机器学习中，异常检测是一个重要的研究领域，其应用包括金融风控、网络安全、工业生产等。
常见的异常检测方法包括基于统计的方法、基于聚类的方法、基于神经网络的方法等。
基于统计的方法是一种常见的异常检测方法，其思想是利用数据的统计特性来判断是否为异常。
例如，均值和方差是常用的统计特征，可以通过设定阈值来判断数据点是否为异常。
另一种方法是基于聚类的方法，通过对数据进行聚类分析，来判断某个数据点是否属于异常簇。
神经网络方法则是利用神经网络来学习数据中的模式，从而判断出现异常的情况。
二、故障诊断方法故障诊断是指在设备或者系统出现故障时，通过分析数据和监测信号来确定故障的原因和位置。
在工业生产中，故障诊断是非常重要的，可以帮助企业减少生产停机时间和维修成本。
机器学习方法在故障诊断中也发挥了重要作用，其应用包括但不限于设备健康监测、故障诊断、智能维护等。
故障诊断方法包括基于模型的方法、基于数据驱动的方法、基于深度学习的方法等。
基于模型的方法是指通过建立物理模型或者数学模型，来描述设备或者系统的运行特性，并通过比对模型和实际数据来诊断故障。
基于数据驱动的方法则是直接利用历史数据来进行故障诊断，例如利用监测信号和传感器数据来判断设备是否发生故障。
深度学习方法则是利用深度神经网络来学习大量数据，从而实现更加精准的故障诊断和预测。
三、结合异常检测与故障诊断在实际应用中，异常检测与故障诊断往往是密切相关的。
第三章 基于数学模型的控制系统故障诊断
e(t) (A DC)e(t) fn(t)
(t) Ce(t)
式中， f为事件矢量（或故障矢量）。
输入型故障模型的解为
e(t) e( ADC)te(0) t e( ADC)(t ) fn( )d 0
控制系统及其检测滤波器如下图所示。
检测滤波器包括一个正常工作条件下的系统动态模型，模型的输入 和真实系统的输入相同。系统传感器输出与模型输出之间的差值信 号经增益矩阵D反馈到模型输入。
图 控制系统及其检测滤波器
上图中所示的系统可表示为：
x(t) Ax(t) Bu(t)
y(t) Cx(t)
故障滤波器的方程为：
( A DC )e(t) Demjn(t) ( A DC )e(t) d jn(t) 式中， dj为矩阵D的第j列矢量。
输出误差方程为
(t) y(t) yˆ(t) Cx(t) emjn(t) Cxˆ(t)
Ce(t) emjn(t)
3、对象参数的变化
假设系统特性A、B发生变化△A、 △B，则系统动态 方程为
(t) Ce(t) emjn(t)
输出型故障模型的解为
e(t) e( ADC)te(0)
t 0
e(
A
DC
)(t
)
d
j
n(
)d
(t) Ce( ADC)te(0)
t 0
Ce( ADC)(t )d
j n(
)d
emj n(t )
其稳态状态误差和稳态输出误差分别为
es
(t)
lim
t
t 0
e(
A
DC
基于PLC的电机故障诊断系统设计论文（西门子S7-200）25000字
目录摘要 (III)ABSTRACT (IV)第1章绪论 (1)1.1电机常见故障和诊断方法 (1)1.1.1 电机常见故障 (1)1.1.2电机诊断方法 (2)1.2PLC的应用以及选题的意义 (3)1.2.1.PLC控制系统故障诊断技术的基本原理 (4)1.2.2.PLC控制系统的故障类型 (4)1.2.3.PLC控制系统的故障诊断方法 (4)1.3系统的设计概要 (6)第2章 PLC结构工作原理和应用 (7)2.1PLC的发展历程 (7)2.2PLC控制系统的发展前景 (8)2.3可编程序控制器PLC的分类 (9)2.4CPU的构成 (10)2.4.1 I/O模块 (11)2.4.2 电源模块.. (12)2.5 PLC的选型方法 (12)2.5.1 输入输出（I/O）点数的估算 (15)2.5.2 存储器容量的估算 (15)2.6 机型的选择 (15)2.7STEP7编程软件介绍 (21)2.7STEP7概述 (21)2.7.1 STEP7-Mirco/WIN的安装 (22)2.7.2 STEP7-Mirco/WIN窗口组件 (23)2.8PLC编程语言的基本指令系统和编程方法 (26)第3章电机故障诊断系统设计 (28)3.1电机故障诊断系统设计原理 (28)3.2电机故障等级分类 . (29)3.3PLC的I/O地址分配 (29)3.4速度检测并整定 (31)3.4.1 设计的基本思路 (31)3.4.2 PLC内部计数器的选择 (32)3.4.3 计数器和定时器设定值的选取 (32)3.4.4 硬件电路 (33)第4章整体硬件电路与元器件选择 (34)4.1整体电路 (34)4.2PLC的CPU供电方式接线电路 (35)4.3PLC的继电器输出电路 (36)4.4电动机的选择及其工作情况 (37)4.5欠电压继电器的选择 (37)4.6过电流继电器的选择 (38)4.7低压断路器的选择 (40)第5章系统程序设计 (41)第6章设计体会与总结 (46)6.1设计总结 (46)6.2毕业设计体会 (46)参考文献 (48)致谢 (49)基于PLC的电机故障诊断系统设计摘要本文介绍了国内电机故障诊断系统设计方法，以及存在问题，同时介绍了可编程控制器的工作原理，选型依据。
基于深度学习的故障诊断方法综述
随着航空航天技术的快速发展，飞行器在军事、民用等领域的应用越来越广 泛。然而，飞行器故障的发生会给人们的生命财产带来严重威胁，因此飞行器故 障诊断具有重要意义。近年来，深度学习技术的发展为飞行器智能故障诊断提供 了新的解决方案。
飞行器故障诊断问题阐述
飞行器故障诊断是一个多层次、多因素的复杂问题，涉及到机械、电子、控 制等多个领域。传统的故障诊断方法主要基于专家经验和模式识别，但面对复杂 的故障模式和多变的运行环境时，其局限性愈发明显。因此，寻求更加智能、高 效的故障诊断方法成为当务之急。
3、基于卷积神经网络的方法：卷积神经网络是一种广泛应用于图像识别领 域的深度学习算法，可以有效地提取图像中的局部特征和空间关系。在故障诊断 中，基于卷积神经网络的方法可以实现故障图像的自动分类和识别。
深度学习故障诊断方法的应用
深度学习在故障诊断中具有广泛的应用前景，以下是一些典型的实际应用案 例：
深度学习故障诊断方法综述
深度学习是一种新兴的机器学习方法，其通过建立多层神经网络来模拟人脑 神经网络的运作方式，从而实现对复杂数据的处理和分析。在故障诊断领域，深 度学习被广泛应用于各种设备和系统的故障检测与识别，其具有自适应、自学习 和鲁棒性强的优点，可以有效地提高故障诊断的准确性和效率。
基于深度学习的故障诊断方法主要包括以下几类：
文献搜集与整理
在基于深度学习的故障诊断与预测方法方面，目前主要的研究集中在神经网 络、深度学习模型和数据集等方面。
神经网络是故障诊断与预测领域应用最为广泛的一种深度学习技术。卷积神 经网络（CNN）和循环神经网络（RNN）是两种最常用的神经网络模型。其中， CNN适用于处理图像和传感器数据，而RNN适用于处理时序数据。通过训练神经网 络对历史数据进行学习，可以实现故障预测和异常检测。
故障诊断技术的回顾与展望2
执行器故障（actuator faults）：控制回路中用于执行控制命令
的执行器发生卡死、恒增益变化或恒偏差而不能正确执行控制命
令，具体表现为执行器的输入命令和它的实际输出之间的差别
2.2 Fault Classification
☆ 按照时间特性的不同划分
突变故障(abrupt faults)：参数值突然出现很大偏差，事先
故障检测（fault detection） 故障分离（fault isolation） 故障识别（identification） 故障诊断（diagnosis）
故障检测与分离（识别）－－FDI 故障检测与诊断－－FDD 故障的评价与决策－－FED, Fault Evaluation and Decision
校验由相同的过程输入信号驱动的过程解
析模型的输出与实际系统的测量输出之间
的一致或不一致性
3.1 The General Procedure of Model-based FD
过程输入
过
程
过程输出
过程名义模型 残 差 生 成
残 差
残差处理 残 差 评 价
决策逻辑
故障的知识
故障诊断
Fig.3.1 Schematic description of the model-based fault diagnosis scheme
决的问题
提高系统安全性、可靠性的方法有多种，其中一个重要 的方法就是采用故障检测与诊断技术
1. Introduction
故障包括两层含义：
一是系统偏离正常功能。其形成原因主要是因 为系统的工作条件（含零部件）不正常而产生 的。通过参数调节，或修复零部件，又可恢复 正常功能
智能家居设备故障诊断与维修手册
智能家居设备故障诊断与维修手册第一章概述 (2)1.1 智能家居设备概述 (2)1.2 故障诊断与维修概述 (3)第二章智能家居系统组成及故障诊断 (3)2.1 智能家居系统组成 (4)2.1.1 控制中心 (4)2.1.2 传感器模块 (4)2.1.3 执行器模块 (4)2.1.4 通信模块 (4)2.1.5 数据处理与分析模块 (4)2.2 故障诊断方法 (4)2.2.1 基于阈值的故障诊断 (4)2.2.2 基于模型的故障诊断 (4)2.2.3 基于规则的故障诊断 (4)2.2.4 基于机器学习的故障诊断 (5)2.3 故障诊断流程 (5)第三章智能灯光系统 (5)3.1 故障类型与原因 (5)3.2 故障诊断与维修方法 (6)3.3 维修实例分析 (6)第四章智能安防系统 (7)4.1 故障类型与原因 (7)4.2 故障诊断与维修方法 (8)4.3 维修实例分析 (8)第五章智能家居控制系统 (9)5.1 故障类型与原因 (9)5.2 故障诊断与维修方法 (9)5.3 维修实例分析 (10)第六章智能家电 (10)6.1 故障类型与原因 (10)6.1.1 电源故障 (10)6.1.2 控制系统故障 (10)6.1.3 加热或制冷故障 (10)6.1.4 水汽管理故障 (11)6.1.5 其他故障 (11)6.2 故障诊断与维修方法 (11)6.2.1 故障诊断 (11)6.2.2 维修方法 (11)6.3 维修实例分析 (11)第七章智能环境监测系统 (12)7.1 故障类型与原因 (12)7.1.1 硬件故障 (12)7.1.2 软件故障 (12)7.2 故障诊断与维修方法 (12)7.2.1 故障诊断 (12)7.2.2 维修方法 (13)7.3 维修实例分析 (13)第八章智能家庭影院系统 (13)8.1 故障类型与原因 (13)8.2 故障诊断与维修方法 (14)8.3 维修实例分析 (14)第九章智能家居网络通信 (15)9.1 故障类型与原因 (15)9.1.1 故障类型 (15)9.1.2 原因 (15)9.2 故障诊断与维修方法 (15)9.2.1 故障诊断 (15)9.2.2 维修方法 (15)9.3 维修实例分析 (16)第十章智能家居安全与隐私 (16)10.1 故障类型与原因 (16)10.2 故障诊断与维修方法 (17)10.3 维修实例分析 (17)第十一章智能家居设备维护与保养 (18)11.1 设备维护与保养方法 (18)11.2 维护保养周期与注意事项 (18)11.3 维护保养实例分析 (19)第十二章智能家居故障诊断与维修发展趋势 (19)12.1 技术发展趋势 (19)12.2 维修服务发展趋势 (20)12.3 智能家居行业前景展望 (20)第一章概述1.1 智能家居设备概述科技的飞速发展，智能家居设备逐渐走进千家万户，成为现代生活的重要组成部分。
阀门执行器的故障诊断及控制技术研究
阀门执行器的故障诊断及控制技术研究阀门执行器是现代中枢控制系统中极其重要的一部分。
它们用于控制管道或其他流体元素的位置，以实现关键工艺的控制与自动化。
然而，随着时间的推移，阀门执行器也会发生故障。
这些故障会导致阀门无法正常工作，从而对整个系统的稳定性和安全性产生负面影响。
因此，阀门执行器的故障诊断和控制技术研究变得十分重要。
阀门执行器的主要部件是电动机与控制器。
它们可以通过直接控制电机驱动旋转手柄或角度，通过控制器控制电机实现阀门开启和关闭。
在运行过程中，阀门执行器会出现不同的故障类型，包括感应器故障、电源故障、控制信号丢失等。
诊断阀门执行器故障并及时进行维护是保证阀门执行器正常工作的关键。
故障诊断主要分为两种方法：基于规则的方法和基于模型的方法。
前者通常基于专家经验和规则库，较为直观，但诊断结果有限。
后者通常使用数学模型，通过在确定的阀门执行器工作状态下进行模拟推理确定故障，并确定纠正措施。
相比之下，基于模型的方法覆盖范围更广，适用于更多类型的故障检测和诊断。
进一步的研究包括基于深度学习的阀门执行器故障诊断、智能阀门执行器和机器人化维护技术的研发。
值得注意的是，在大多数实际应用中，阀门执行器的控制不是独立的，而是需要和整个系统的控制相协调。
因此，阀门的控制和故障诊断最好集成在整个系统的中央控制器中。
如果阀门执行器内部出现故障，中央控制器就能发出警报或自动纠正阀门的位置来修复故障。
在阀门执行器故障诊断和控制技术研究方面，尚存在一些挑战。
例如，如何准确识别主要的故障模式，如何在多个故障间正确的大vue出诊断结果，并确定纠正措施等等。
随着机器学习和人工智能等技术的发展，这一领域将会变得更加精确和智能。
总之，阀门执行器的故障诊断和控制技术研究是目前中枢控制系统中非常重要的一个问题。
准确地诊断和解决阀门执行器故障可以保证系统的稳定性和安全性。
未来，我们希望通过更多的研究和实践，不断完善阀门执行器的故障诊断和控制技术，实现更高效、智能和安全的中枢控制系统。
控制系统故障诊断与容错
控制系统故障诊断与容错控制系统是现代工业中重要的组成部分，承担着监测和控制各种生产过程和设备的任务。
然而，由于各种原因，控制系统在运行过程中可能会发生故障，导致生产过程中断甚至损失。
因此，对于控制系统故障的诊断与容错成为研究的焦点之一。
一、控制系统故障诊断控制系统故障诊断是指通过对系统的状态监测和信息采集，对系统中可能出现的故障进行检测和定位的过程。
故障的诊断是控制系统维护和修理的重要任务，合理的诊断可以提高生产效率，降低维修成本，并且可以确保工业过程的安全可靠性。
1. 传统故障诊断方法传统的故障诊断方法主要基于逻辑推理和经验判断。
通过分析系统的输入与输出，以及其他相关的信号，结合专家知识和经验，判断系统中的故障原因。
这种方法需要依赖专家经验，且判断过程繁琐，容易受到主观因素的影响，准确性有限。
2. 基于模型的故障诊断方法基于模型的故障诊断方法利用系统模型来描述系统的行为，并通过与实际系统进行比对来检测和定位故障。
这种方法基于系统的动态行为和物理特性，具有较高的准确性。
然而，由于系统模型的建立和参数估计的困难，以及模型不准确性的影响，该方法的应用受到一定限制。
二、控制系统故障容错控制系统故障容错是指在控制系统发生故障时，通过部分或全部的故障检测、故障替换或故障修复等手段，使系统继续保持正常运行或尽量减小故障对系统性能的影响。
1. 容错策略与技术容错技术主要包括故障检测、故障恢复和故障信息处理等方面。
其中，故障检测技术是故障容错的基础，通过对系统传感器和执行器的输出信号进行监测和分析，判断系统是否发生故障。
而故障恢复技术则在故障检测后，根据故障的类型和位置采取相应的措施，例如重新配置控制器、替换故障部件等，以保证系统继续正常运行。
2. 容错系统的设计与实现容错系统设计主要从硬件和软件两个层面考虑。
在硬件方面，可以通过添加备份机制、冗余电路和多传感器等手段，提高系统的抗干扰和容错能力。
在软件方面，可以利用故障检测算法和故障恢复算法，实现对系统故障的自动检测和修复。
基于自适应观测器的列车牵引系统执行器故障诊断
基于自适应观测器的列车牵引系统执行器故障诊断李文凯;冒泽慧;姜斌;戴文雯【摘要】针对高速列车牵引系统执行器故障,提出了一种基于自适应观测器的故障诊断方法.针对高速列车纵向运动模型参数不易获得的特点,建立了参数未知的列车动态数学模型.考虑到高速列车牵引系统具有多个执行器,其故障发生时间及位置未知,针对不同故障位置,设计了基于自适应技术的故障诊断观测器,观测器相关参数由自适应律更新,通过观测器与列车系统匹配实现故障诊断,基于李雅普诺夫稳定性定理,证明了匹配观测器的收敛性和不匹配观测器无法收敛,从而诊断出故障位置及时刻.最后通过一个高速列车仿真例子验证了所提故障诊断方法的有效性.【期刊名称】《山东科技大学学报（自然科学版）》【年(卷),期】2017(036)005【总页数】5页(P60-64)【关键词】故障诊断;执行器故障;高速列车【作者】李文凯;冒泽慧;姜斌;戴文雯【作者单位】南京航空航天大学自动化学院,江苏南京 211106;南京航空航天大学自动化学院,江苏南京 211106;南京航空航天大学自动化学院,江苏南京 211106;南京航空航天大学自动化学院,江苏南京 211106【正文语种】中文【中图分类】TP277高速列车具有速度快、承载多以及高效率的特性，其任何设备发生故障都可能影响列车的正常运行。
近些年，出现了不少有关高速列车故障诊断的研究成果[1-3]。
但这些研究大都采用基于模型的方法，用已知常量或时变有界函数描述列车纵向动力学模型参数。
然而，列车在实际运行过程中，这些参数都是时变的且和轨道状态有关，很难获取其准确值或变化范围，且这些常参数或有界变参数无法完整体现系统的动态特征。
因此，本文提出一种新的含未知参数的模型来描述列车的纵向运动。
当列车牵引系统执行机构发生故障时，故障类型、振幅和时间是不确定的，需及时进行故障诊断。
对于具有多执行器的系统，故障发生后，对故障执行器进行定位，可为后续容错控制提供必要的故障信息。
基于状态观测器的故障诊断方法
•
x(t) = Ax(t) + Bδu(t) y(t) = Cx(t)
（1）
-2-
其中， δ = diag{δ a1,δ a2 ,K,δ am } 为执行其部分故障失效因子矩阵。 δ ai ∈ [0,1]。当
δ ai = 0 时，相当于第 i 个执行器处于开路失效故障状态下；当 δ ai = 1实，表示第 i 个执行器
⎡− 0.033
A
=
⎢ ⎢ ⎢
0.048 0.102
⎢ ⎣
0.0
⎡0.4422
B
=
⎢⎢3.5446 ⎢ − 5.52
⎢ ⎣
0.0
0.027 0.019 −1.01 0.003 0.368 − 0.707
0.0 1.0
0.1761 ⎤
− 47..45992⎥⎥⎥, C
0.0Βιβλιοθήκη ⎥ ⎦=⎡1 ⎢⎣0
− 0.455⎤
1. 前言
随着科学技术的迅速发展，现代制造系统朝着大型化、高速化、复杂化和自动化方向发 展，相应地对这些系统和设备的状态监控和故障诊断与预测的紧迫性和重要性就日益显现出 来。为了提高系统的可靠性和安全性，故障诊断技术应运而生，不断发展起来。
故障是由于系统中部分元器件功能失效而导致整个系统功能恶化的事件。当系统发生故 障时，系统中全部或部分的参变量就表现出与正常状态不同的特性，这种差异就包含着丰富 的故障信息。故障诊断的任务是对系统故障的特征进行描述，并利用这种描述去检测和隔离 系统的故障。故障诊断包括故障特征提取、故障估价和故障决策等几个部分。
法
基于 定性模型
知 识 观 测
器
定 性 仿
真
定 性 观 测
器
航天器的故障诊断与容错技术
航天器的故障诊断与容错技术在广袤无垠的宇宙中，航天器肩负着探索未知、传递信息等重要使命。
然而，太空环境极其恶劣且复杂，航天器在运行过程中难免会遭遇各种故障。
为了确保航天器的安全可靠运行，故障诊断与容错技术就显得至关重要。
故障诊断技术就像是航天器的“医生”，它能够及时发现航天器潜在的问题，并准确地定位故障源。
航天器中的各类传感器就如同医生的“听诊器”，它们不断收集着航天器的各种状态信息，如温度、压力、电压、电流等。
这些信息被传送到地面控制中心或航天器自身的计算机系统中，通过先进的算法和模型进行分析处理。
一种常见的故障诊断方法是基于模型的诊断。
在航天器设计阶段，工程师们会建立详细的数学模型来描述航天器的正常工作状态和各种可能的故障模式。
当航天器实际运行时，将采集到的数据与模型预测的数据进行对比，如果出现偏差，就意味着可能存在故障。
另一种方法是基于数据驱动的诊断，这种方法不需要事先建立精确的数学模型，而是通过对大量历史数据的学习和分析，挖掘出数据中的潜在规律和特征，从而实现故障诊断。
然而，仅仅能够诊断出故障还远远不够，还需要具备容错技术，以保证航天器在出现故障的情况下仍能正常工作或者至少维持基本的功能。
容错技术可以分为硬件容错和软件容错两大类。
硬件容错方面，常见的方法包括冗余设计。
这就好比在航天器中安装多个相同功能的部件，当其中一个部件出现故障时，其他备用部件能够立即接替工作，确保系统不中断运行。
比如，航天器的关键控制系统可能会采用双备份甚至三备份的方式，以提高可靠性。
此外，还有故障隔离技术，一旦检测到某个部件发生故障，能够迅速将其隔离，防止故障扩散影响到整个系统。
软件容错则更多地关注算法和程序的设计。
比如，采用容错控制算法，即使某些传感器或执行器出现故障，控制系统仍能通过调整控制策略来维持航天器的稳定运行。
还有软件的自修复技术，当软件出现小的错误或漏洞时，能够自动进行修复，而不需要人工干预。
在实际应用中，故障诊断与容错技术往往是相互结合、相辅相成的。
机器人系统的故障诊断技术研究
机器人系统的故障诊断技术研究在当今科技飞速发展的时代，机器人已经广泛应用于各个领域，从工业生产中的自动化流水线，到医疗领域的手术辅助机器人，再到日常生活中的服务机器人等等。
然而，随着机器人系统的日益复杂和多样化，故障诊断技术变得尤为重要。
有效的故障诊断不仅能够减少停机时间、提高生产效率，还能保障机器人系统的安全可靠运行。
机器人系统通常由机械结构、电子控制系统、传感器、执行器等多个部分组成，任何一个环节出现问题都可能导致整个系统的故障。
常见的机器人故障类型包括机械部件的磨损、断裂、变形，电子元件的短路、断路、老化，传感器的失效、精度下降，以及软件程序的错误等。
对于机器人系统的故障诊断，传统的方法主要依赖于人工经验和定期维护检查。
维修人员通过观察机器人的运行状态、倾听异常声音、检查机械部件的外观等方式来判断是否存在故障。
这种方法虽然简单直接，但存在很大的局限性。
一方面，它需要维修人员具备丰富的经验和专业知识，而且对于一些隐蔽性的故障难以发现；另一方面，定期维护检查往往是在故障发生之前进行的，无法实时监测机器人的运行状况，容易造成不必要的维护成本和生产停机时间。
为了克服传统方法的不足，现代机器人故障诊断技术不断发展和创新。
其中，基于传感器监测的方法是一种常见的手段。
通过在机器人的关键部位安装各种传感器，如加速度传感器、力传感器、位移传感器、温度传感器等，可以实时采集机器人的运行数据。
这些数据经过处理和分析，能够反映机器人的运行状态和健康状况。
例如，通过监测电机的电流和电压变化，可以判断电机是否存在过载或短路故障；通过分析机械部件的振动信号，可以发现是否存在磨损或松动等问题。
除了传感器监测，基于模型的故障诊断方法也得到了广泛的应用。
这种方法首先建立机器人系统的数学模型，然后将实际运行数据与模型预测值进行对比。
如果两者之间存在较大的偏差，则说明可能存在故障。
基于模型的诊断方法可以有效地诊断出一些复杂的故障，但模型的准确性和适应性是其面临的主要挑战。
改进CNN-LSTM模型在滚动轴承故障诊断中的应用
改进CNN-LSTM 模型在滚动轴承故障诊断中的应用①曹正志, 叶春明(上海理工大学 管理学院, 上海 200093)通讯作者: 曹正志摘 要: 滚动轴承的运行状态对整机工作状态影响重大, 但目前其故障诊断方法存在依赖手工特征提取、鲁棒性不高等问题. 因此, 本文提出了一种基于改进的一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)集成的滚动轴承故障诊断方法(1D-CNN-LSTM). 首先, 利用改进的1D-CNN-LSTM 模型对滚动轴承6种不同的工作状态进行了分类识别实验, 实验结果表明提出的分类模型能够以较快的速度识别出滚动轴承的不同状态, 平均识别准确率达99.83%; 其次, 将提出的模型与部分传统算法模型进行对比实验, 结果表明所提方法在测试精度方面有较大优势;最后, 引入迁移学习测试模型的鲁棒性和泛化能力, 实验结果表明提出的改进模型在不同工况下有较好的适应性和高效性, 模型有较强的泛化能力, 具备工程应用的可行性.关键词: 故障诊断; 卷积神经网络; 长短期记忆网络; 深度学习; 迁移学习引用格式: 曹正志,叶春明.改进CNN-LSTM 模型在滚动轴承故障诊断中的应用.计算机系统应用,2021,30(3):126–133. /1003-3254/7830.htmlApplication of Improved CNN-LSTM Model in Fault Diagnosis of Rolling BearingsCAO Zheng-Zhi, YE Chun-Ming(Business School, University of Shanghai for Science and Technology, Shanghai 200093, China)Abstract : The state of rolling bearings has a great influence on the working state of the whole machine, but the fault diagnosis method of the rolling bearings at present has some problems, such as dependency on manual feature extraction and low robustness. Therefore, we propose a fault diagnosis method of rolling bearings (1D-CNN-LSTM) based on the improved integration of 1D Convolutional Neural Network (1D-CNN) and Long Short-Term Memory (LSTM) network.Firstly, the 1D-CNN-LSTM model is used to classify and identify six different working states of rolling bearings. The experimental results indicate that the proposed classification model can identify different states of rolling bearings at a high speed, with an average identification accuracy of 99.83%. Secondly, the proposed model is compared with some traditional algorithm models and shows great advantages in measuring accuracy. Finally, transfer learning is introduced to test the robustness and generalization ability of the proposed model. The experimental results demonstrate that the model proposed in this study has good adaptability and high efficiency under different working conditions, featuring strong generalization ability and engineering application feasibility.Key words : fault diagnosis; Convolutional Neural Network (CNN); Long-Short Term Memory (LSTM) network; deep learning; transfer learning计算机系统应用 ISSN 1003-3254, CODEN CSAOBNE-mail: Computer Systems & Applications,2021,30(3):126−133 [doi: 10.15888/ki.csa.007830] ©中国科学院软件研究所版权所有.Tel: +86-10-62661041① 基金项目: 国家自然科学基金(71840003); 上海理工大学科技发展基金(2018KJFZ043)Foundation item: National Natural Science Foundation of China (71840003); Technology Development Fund of University of Shanghai for Science and Technology (2018KJFZ043)收稿时间: 2020-07-16; 修改时间: 2020-08-13, 2020-08-21; 采用时间: 2020-08-25; csa 在线出版时间: 2021-03-03126滚动轴承作为许多机械的基础零部件, 其运行状态往往会影响整台机械的工作状态, 对生产和安全造成直接影响[1]. 有关资料记载, 大型企业因滚动轴承故障而引发的一次生产线非计划停产造成的经济损失可达数千万元[2]. 因此对滚动轴承进行科学有效的故障诊断具有十分重要的意义.故障诊断方法的研究主要分为基于解析模型和基于数据驱动两方面. Hsiao等[3]提出了一种分层多模型方案来检测和隔离机器人机械手的执行器故障. 代祥[4]提出了一种电网信息物理模型故障诊断优化模型, 将故障问题表示成求解目标函数是极值的0-1整数规划问题, 从而通过严密的数学方法来确定故障元件. 基于解析模型的方法需要对故障诊断问题进行解析化表达,对于复杂度较高的系统建模难度大, 且建立的模型在其他系统上的普适性较低[4], 实际推广使用具有一定局限性. 近年来, 随着机器学习研究的兴起, 基于数据驱动的故障诊断方法已成为重点研究领域之一[5]. 姚德臣等[6]将改进后的支持向量机(SVM)应用于轴承的故障诊断研究当中. Peng等[7]将主成分分析(PCA)算法应用到电动潜水器泵轴的损坏原因检测中. Yang等[8]将BP人工神经网络(BPNN)应用于滚动轴承的故障诊断. 这些传统的基于数据驱动的方法都取得了相对不错的效果, 但随着人工智能技术的发展, 现已证实这些浅层网络结构, 因其特征提取能力不足, 难以挖掘提取故障数据中更深层次的微小特征[9], 从而限制了诊断准确率的提升.随着互联网、物联网等快速兴起与普及, 当前社会数据的增长速度比以往任何时期都要迅猛[10]. 大数据给深度神经网络提供了充足的训练“原料”, 给基于数据驱动的机械智能故障诊断的深入研究和应用提供了新的机遇[11].深度学习理论由Hinton等[12]于2006年提出, 近年来, 深度学习技术因其强大的特征提取和学习能力在语音识别[13]和计算机视觉[14]领域迅速发展, 并产生了许多新的突破. 卷积神经网络(CNN)由LeCun等[15]于1989年提出. 2012年, Krizhevsky等[14]将卷积神经网络与深度学习理论结合提出“AlexNet”网络结构. 深度卷积网络能够由浅到深逐步抽象特征, 自动特征提取, 其独特的网络结构能有效的在保留数据特征的同时减少参数数量降低数据复杂度, 并通过多层次的非线性映射关系学习深层次的故障特征[16]. 将深度学习技术应用于故障诊断领域产生了不错的效果, 宫文峰等[17]通过引入全局均值池化技术代替传统CNN的全连接层部分, 使用改进后的CNN算法识别轴承故障种类. 杜小磊等[18]提出一种基于SSST和DCCNN的滚动轴承故障诊断方法提高了信号的时频分辨率.上述研究都只是单独使用深度CNN进行训练, 忽略了滚动轴承在发生故障时的时序特征. 滚动轴承性能退化是依存于服役时间的连续演化过程, 相较于常规“事后诊断”, 变工况下滚动轴轻微损伤甚至早期退化状态的准确识别对于指导预测性维护工作等有更大价值[19].CNN有着强大的图像特征提取能力, 但在处理带时序问题时准确率和效率都没有循环神经网络(RNN)高, RNN可以学习到历史信息, 因而RNN更适合处理时间序列. 作为RNN的变体, 长短期记忆网络(LSTM)通过遗忘门、输入门和输出门等机制解决了普通RNN 不易处理的远距离信息上下文依赖、梯度消失或梯度爆炸等问题. LSTM在语音识别、文本识别等方面有成功的应用, 同时也被用于故障诊断领域提取故障信号时间序列的特征. Qu等[20]使用基于LSTM的深度学习方法对研磨系统进行故障诊断, 诊断错误率小于3%. 于洋等[21]使用LSTM结合迁移学习实现了多种类型工况下轴承故障声发射信号特征的自适应提取与智能识别.针对以上分析, 本文拟将CNN与LSTM的优势结合, 提出一种首先使用CNN提取数据特征, 再结合LSTM处理时序特征的滚动轴承故障诊断方法. 为了最大程度的保留振动信号的时序特征, 采用一维卷积神经网络(1D-CNN)进行特征提取, 用全局池化层代替传统CNN网络架构中的Flatten层以及全连接层,从而避免Flatten操作和全连接层带来的参数特征的割裂. 以达到减少人工特征提取时间、适应时序问题、提高故障诊断精度的目的.1 1D-CNN-LSTM诊断模型1.1 CNN模型CNN模型通常包含3个主要组成部分: 卷积层、池化层、全连接层. 卷积层的作是通过对输入数据的局部区域与卷积核进行卷积运算, 通过滑动卷积核窗口使局部感受野遍历整个输入数据. 卷积计算公式如下:2021 年 第 30 卷 第 3 期计算机系统应用127x l i W l i∗X (l −1)b l i 式中, 表示第l 层的输出值的第i 个特征; 表示第l 层的第i 个卷积核的权重矩阵; 运算符表示卷积运算; 为第l –1层的输出; 表示偏置项; 函数f 表示输出的激活函数, CNN 通过非线性的激活函数来解决现实世界中的非线性问题, 选择整流线性单元(ReLU)作为卷积神经网络的激活函数.池化层的作用是空间合并也叫做子采样或者下采样, 可以在保持最重要信息的同时降低特征图的维度.它有多种类型, 一般采用平均池化或者最大池化, 采用最大池化表达式为:y (l +1)i(j )D j x ji (k )式中, 为经过池化后的第l +1层的第i 个特征图中的元素; 表示第j 个池化区域; 表示第l 层第i 个特征图在池化核范围内的元素.全连接层是一个传统的多层感知器, 在输出层使用一个Softmax 激活函数. 主要作用就是将前面提取到的特征结合在一起进行非线性激活输出各分类的概率分布然后进行分类, 表达式为:p y j p y j式中, 为神经元经过Softmax 的概率输出; 为输出层第j 个神经元的输出值; m 为所目标分类的数量, 即轴承状态的种类数量.1.2 LSTM 模型σ长短期记忆网络(LSTM)[22], 是一种带有记忆功能的神经网络, 是RNN 的一种变种, LSTM 对时序型数据处理具有极为优秀的表现, 被广泛应用于自然语言处理等领域. LSTM 使用输入门、输出门与遗忘门实现对信息的控制. 单个LSTM 神经元如图1所示, 图中表示激活函数Sigmoid, tanh 函数用于调节数值大小,输出范围为−1到1之间.遗忘门用于控制先前时刻的状态是否保留到当前神经元状态, 实现对记忆的筛选. 输入门将前一时刻的状态值与当前输入值输入激活函数Sigmoid,得到一个重要度值来决定信息的更新情况, 再通过tanh 函数来处理前一时刻的状态值和输入信息得到候选单元状态.输出门控制单元状态的最终输出, 单元状态通过输出门的过滤, 经由tanh 函数压缩得到单元最终输出.图1 LSTM 神经元结构图1.3 改进的1D-CNN-LSTM 故障诊断模型在使用CNN 处理一般二维图像信号时通常会选用二维卷积核(2D-CNN), 而滚动轴承性能退化一般是依存于服役时间的连续演化过程, 因此原始的滚动轴承故障振动信号一般为基于时间序列的一维数据. 宫文峰等[18]通过人工裁剪和堆叠将一维振动信号处理成了二维图像进行诊断. 这种处理方法割裂了数据的时间序列连续性, 导致模型难以捕捉振动信号的时间序列特性. 本文模型为了保留输入振动信号的时间序列信息, 以及尽量减少人工处理信息操作, 直接使用一维卷积核对一维的时间序列振动信号进行卷积处理(1D-CNN), 避免了时间序列的割裂.传统的CNN 在卷积层之后同常会使用Flatten 层降维再使用全连接层得到目标形状的特征向量进行分类或预测. Flatten 操作通过将二维矩阵按行或列展平来实现数据降维, 其在按行或列拆分图形矩阵时改变了各数据的空间位置, 从而丢失了部分有用特征. 本文采用最大池化层代替Flatten 层和全连接层作为1D-CNN 层与LSTM 层之间的连接, 来避免这部分特征的丢失.这种类似全卷积网络的结构支持网络采用反卷积层对最后一个卷积层的特征图进行上采样, 使它恢复到与输入图像相同的尺寸, 因此通过这种方法输入到下一步即LSTM 层中的特征图保留了原始输入的空间信息.本文提出的基于1D-CNN-LSTM 的故障诊断方法网络结构如图2所示, 模型主要分为1D-CNN 部分、LSTM 部分以及分类输出部分, 损失函数采用交叉熵损失函数, 梯度下降采用Adam 优化器. 输入信号为同一工况下滚动轴承不同状态的振动信号. 1D-CNN 部分通过一系列的一维卷积层来提取振动信号图像特征,计算机系统应用2021 年 第 30 卷 第 3 期128并通过MaxPooling 操作逐渐降低特征图维度. 这一操作降低了输入LSTM 部分数据的复杂度, 既可以加快LSTM 网络处理信号的速度, 同时又避免了Flatten 操作,尽可能的保留了输入数据的时序特征, 确保了模型的精度. LSTM 部分由两层LSTM 网络构成, 借由LSTM独特的网络结构, 通过遗忘门、输入门、输出门的选择过滤操作可以进一步提取出1D-CNN 部分所忽略的时间序列特征, 从而提高故障诊断模型的精度. 最后通过Softmax 层分类输出该振动信号所表示的滚动轴承的工作状态, 模型各层具体参数如表1所示.图2 模型结构图表1 1D-CNN-LSTM 结构参数结构部分网络层输出维度参数量1InputLayer (None, 400, 1)02Conv1D (None, 400, 16)272Conv1D (None, 400, 32)4128MaxPooling (None, 50, 32)03Conv1D (None, 50, 64)8256MaxPooling (None, 12, 64)04Conv1D (None, 12, 256)33 024MaxPooling (None, 6, 256)05Conv1D (None, 6, 512)131584MaxPooling (None, 6, 512)06Dense (None, 6, 256)131 328Dropout (None, 6, 256)07LSTM (None, 6, 32)36 992LSTM (None,16)31368Dense(None, 6)102由于提出的模型具有较深的网络结构, 为了增强模型鲁棒性, 防止发生过拟合现象, 模型在1D-CNN 部分与LSTM 部分连接处引入了随机丢弃机制(dropout),随机丢弃神经元之间的权重, 从而降低网络对某一单一神经元的依赖, 该操作同样可以降低输入振动信号中带有的噪声影响, dropout 层按一定的比例随机将神经元权重置为0, 其表达式为:r l i ˜Xl 式中, 表示服从伯努利分布的概率向量; 表示经过随机丢弃机制后的输出.2 实验验证2.1 实验数据集及预处理本实验数据来自美国凯斯西储大学(CWRU)的轴承实验平台. 如图3所示, 实验平台包括一个2马力的电机, 一个转矩传感器, 一个功率计以及电子控制设备(没有显示), 被测试轴承支承电机轴. 模拟现实中的点蚀等故障, 实验使用电火花加工技术在轴承上布置了单点故障. 实验中使用加速度采集振动信号, 传感器安放在电机壳体上. 振动数字信号的采样频率为12 kHz, 驱动端轴承故障数据同时以48 kHz 的采样频率采集.图3 轴承振动数据采集试验台外圈故障是固定不变的, 为了对该故障相对于轴承受载区域的位置对电机/轴承系统的振动响应直接影响进行定量研究, 实验中分别对驱动和风扇端的轴承外圈布置3、6以及12点钟方向的故障.本实验选择了在同一工况下驱动端滚动轴承的6种不同状态的12 kHz 采样振动信号数据作为实验数据集, 滚动轴承数据集详细信息如表2所示.实验选取样本为载荷为1马力, 转速约为1772 r/min 的驱动端滚动轴承的6种工作状态数据作为训练数据.12 kHz 采样频率下每秒采集12 000个点, 转轴每转一圈传感器采集的点数为406个点(12 000×60/1772≈406),在保障数据可信度的情况下考虑到数据集的长度, 每2021 年 第 30 卷 第 3 期计算机系统应用129种工作状态的每个样本长度设置为400个采样点. 由于各故障数据集采样点数量不一致, 最少为121 410最多为122 426, 因此全部取前120 000采样点, 每个样本长度为400个采样点, 每种工作状态包含300个样本.按8:2的比例将300个样本分成训练集与测试集进行训练. 训练样本共计1440个, 测试样本共计360个.表2 滚动轴承故障数据集标签电机载荷(马力)电机近似转速(r/min)轴承状态011772正常111772滚动体故障211772内圈故障311772外圈相对位置符合区(中心位置在6点方向)正交方向@3:00411772外圈相对位置符合区(中心位置在6点方向)中心方向@6:00511772外圈相对位置符合区(中心位置在6点方向)相对方向@12: 002.2 实验结果及分析不同的dropout 比率对模型的表现存在一定的影响, 该值取值一般在0.2到0.5之间, 为了选择最佳的dropout 比率, 本文对0.2、0.3、0.4、0.5这4个常用比率分别进行了5组实验, 实验结果如图4所示.0.20.3Dropout 比率0.40.5损失平均值正确率平均值图4 不同dropout 比率结果对比图如图4所示, 曲线表示不同dropout 比率下的模型5组实验预测平均准确率, 柱形表示模型的平均损失值. 实验结果表明dropout 比率为0.3时模型平均损失值最低, 且正确率最高, 因此本文模型的dropout 比率定为0.3.本文采用上述模型进行了10次实验, 迭代次数为50次. 10次实验结果表明1D-CNN-LSTM 模型在滚动轴承故障诊断问题中最高准确率可达100%, 平均准确率达到了99.833%. 结果如表3所示.表3 1D-CNN-LSTM 模型实验结果实验序号训练集损失训练集准确率(%)测试集损失测试集准确率(%)10.00131000.001310020.00191000.015899.7230.00141000.001410040.00171000.003510050.00131000.001210060.005999.930.014399.4470.00171000.001910080.00221000.002510090.00131000.0013100100.00161000.040499.17平均值0.002 0399.9930.008 3699.833第10次实验的训练损失率下降曲线以及正确率曲线如图5所示. 随着训练迭代次数增加, 损失率下降,准确率逐步上升, 模型表现良好.1020Epochs304050Training acc Training loss图5 训练损失和训练精度为验证本方法在故障诊断精度上的优势, 本文利用相同数据集使用不同的算法模型另外进行了5组对比实验, 每个模型运行5次, 迭代次数均为50, 结果如表4所示. 实验1采用本文所提出的改进1D-CNN-LSTM 模型; 实验2采用未改进的1D-CNN-LSTM 模型, 该模型CNN 与LSTM 的连接部分采用了传统的Flatten 层和全连接层; 实验3单独使用1D-CNN 模型;实验4单独使用LSTM 模型; 实验5单独使用2D-CNN 模型; 实验6使用2D-CNN 与LSTM 组合的模型. 实验结果表名本文所提出的改进1D-CNN-LSTM 模型在故障诊断准确率上有最好的表现, 准确率达到了99.83%.由实验1和实验2对比可以发现, 改进后的1D-CNN-LSTM 网络在精度和训练速度都有更好的表现, 通过卷积池化层连接CNN 和LSTM 两部分网络相对于Flatten 层和全连接层来说输入信号的有效特征保留的更加全面, 降维效果也更加优秀; 实验1和实验3结果对比可以看出, 在引入了LSTM 后, 模型精度确实有相应提高;计算机系统应用2021 年 第 30 卷 第 3 期130实验1和实验4对比可以发现, 通过卷积操作降低特征图的维度可以大大加快LSTM模型的训练速度; 实验3和实验5对比可以发现, 一维卷积网络在处理一维的滚动轴承振动信号数据方面可以保留更多有效的特征, 在故障诊断精度方面比二维的卷积网络更具优势;实验1和实验6对比可以看出, 相对与二维卷积网络改良后的一维卷积网络结构可以保留下更多可以被LSTM 所提取的时间序列特征, 从而提高模型的诊断精度.表4 对比实验结果实验序号模型名称训练集平均准确率(%)测试集平均准确率(%)平均训练时间(s)1改进 1D-CNN-LSTM99.9999.8348.892传统 1D-CNN-LSTM99.6899.7252.7831D-CNN99.9399.7240.284LSTM98.3398.06510.2452D-CNN99.9298.8325.0062D-CNN-LSTM99.9499.0035.54首先通过1D-CNN提取特征并简化特征图维度再输入LSTM进行时序特征提取的方法比直接使用LSTM 进行故障诊断训练速度减少了461.35 s. 在引入LSTM 后改进的1D-CNN-LSTM模型训练时间仅增加了8.61秒.实际使用环境中一般采用已训练好的模型对现有故障进行诊断分类, 且对模型精度的要求远高于训练速度,本文所提出的模型在对包含360个样本的测试集进行诊断分类操作时所需时间不足1 s, 可以满足绝大对数的使用场景要求, 因此相对于精度的提高训练时长的增加是可以接受的.以上实验分析表明, 采用1D-CNN与LSTM组合的结构, 利用全局最大池化层规避使用Flatten层的操作, 可以有效的保留并利用输入信号的时序特征, 从而提高模型在故障诊断时的精度; 通过1D-CNN提取并简化信号特征, 减少输入LSTM的参数量, 可以有效降低LSTM的训练时间, 增强模型时序特征提取能力. 因此本文所提出的模型改进方案是有意义的.2.3 不同负载迁移实验为验证改进的1D-CNN-LSTM模型的鲁棒性和泛化能力, 采用迁移学习的方法评估算法模型在不同负载下的迁移适应性, 同时可以解决一部分对训练时间有较高要求的问题.迁移学习能够学习到以往任务中的知识和经验,并用于新任务中. 其目的是从一个或多个源任务中抽取知识、经验, 应用于一个新的目标领域中. 本文采用基于参数的迁移学习(parameter-transfer learning): 目标领域和源领域的任务之间共享相同的模型参数. 本次迁移实验通过冻结上文所述在1马力载荷下的1D-CNN-LSTM模型的主要参数从而保留已训练好的模型的特征提取能力, 再添加一层全连接层使其适应目标领域, 并将模型运用到3马力载荷下的轴承故障识别诊断中, 迁移学习模型结构如图6所示.源领域输入特征目标领域输入特征图6 迁移学习模型结构使用迁移学习模型对3马力载荷工况下得滚动轴承信号数据进行故障诊断, 模型所使用的超参数与1马力载荷工况下的相同, 5次实验结果如表5所示,测试集准确率达99.72%, 表明本文所使用的算法模型2021 年 第 30 卷 第 3 期计算机系统应用131在不同工况下仍具有较高准确率, 有较强的泛化能力,且平均训练用时仅有18.024 s, 相比于源领域训练用时下降了63.13%.表5 迁移学习实验结果实验序号训练集损失率训练集准确率(%)测试集损失率测试集准确率(%)训练时间(s)10.085699.720.083399.7218.1220.079099.790.078099.7217.5130.105999.580.105599.7218.2640.062499.860.065899.7218.0850.091199.790.083399.7218.15平均值0.084899.7480.083 1899.7218.024第5次实验的训练损失率下降曲线以及正确率曲线如图7所示. 随着训练迭代次数增加, 损失率平滑下降, 准确率逐步上升, 在15次迭代左右, 故障诊断正确率到达相对稳定状态, 因此考虑通过减少迭代次数到20次迭代, 进一步压缩模型训练时间, 从而适应对模型训练时间有极端要求的场景. 通过实验表明, 在仅20次迭代训练情况下迁移学习模型仍能达到99.72%的故障诊断准确率, 且训练用时仅为8.43 s, 与源领域相比下降了82.76%, 这对紧急情况下的快速故障诊断有着指导性的意义.1020Epochs304050Training acc Training loss图7 迁移学习训练损失和训练精度3 结束语针对传统CNN 以及现在故障诊断算法的不足, 本文提出了基于改进的1D-CNN-LSTM 的深度学习算法用于电机滚动轴承的智能化故障诊断. 所提方法改进了传统CNN 模型的结构, 引入最大池化层来替代Flatten 层和全连接层避免了特征时序特征割裂, 并引入LSTM 来提取时序特征. 该方法无需手工特征提取,端到端的算法结构有较好的可操作性和通用性. 通过对比实验, 验证了该方法故障诊断精度的优越性, 将所提的方法与单一结构的深度学习算法以及基于传统的二维CNN 的算法相关算法进行实验对比, 实验结果表明所提方法模型的测试精度方面具有一定优势. 通过迁移学习实验, 缩短了模型训练时间并验证了该算法模型在其他工况下仍有较好的表现, 模型具有较好的泛化能力. 然而, 由于提出的模型网络结构较深, 模型在训练速度上并不具有明显优势. 在以后的研究中将对其进行深入研究, 提高模型的训练速度.参考文献唐立力, 陈国彬. 基于MEA 优化BP 神经网络的农机滚动轴承故障诊断. 农机化研究, 2019, 41(3): 214–218. [doi:10.3969/j.issn.1003-188X.2019.03.038]1阳建宏, 黎敏, 丁福焰, 等. 滚动轴承诊断现场实用技术. 北京: 机械工业出版社, 2015. 1–5.2Hsiao T, Weng MC. A hierarchical multiple-model approachfor detection and isolation of robotic actuator faults. Robotics and Autonomous Systems, 2012, 60(2): 154–166. [doi: 10.1016/j.robot.2011.10.003]3代祥. 基于电网信息物理模型的故障诊断优化模型. 电力学报, 2019, 34(2): 158–166.4文成林, 吕菲亚, 包哲静, 等. 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): 1285–1299.5姚德臣, 杨建伟, 程晓卿, 等. 基于多尺度本征模态排列熵和SA-SVM 的轴承故障诊断研究. 机械工程学报, 2018,54(9): 168–176.6Peng L, Han GQ, Pagou AL, et al . Electric submersiblepump broken shaft fault diagnosis based on principal component analysis. Journal of Petroleum Science and Engineering, 2020, 191: 107154. [doi: 10.1016/j.petrol.2020.107154]7Yang Y, Yu DJ, Cheng JS. A roller bearing fault diagnosismethod based on EMD energy entropy and ANN. Journal of Sound and Vibration, 2006, 294(1–2): 269–277.8Zhou Q, Li YB, Tian Y, et al . A novel method based onnonlinear auto-regression neural network and convolutional neural network for imbalanced fault diagnosis of rotating machinery. Measurement, 2020, 161: 107880. [doi: 10.1016/j.measurement.2020.107880]9雷亚国, 贾峰, 孔德同, 等. 大数据下机械智能故障诊断的机遇与挑战. 机械工程学报, 2018, 54(5): 94–104.10李国杰, 程学旗. 大数据研究: 未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考. 中国科学院院刊, 2012, 27(6): 647–657. [doi: 10.3969/j.issn.1000-3045.2012.06.001]11Hinton GE, Salakhutdinov RR. Reducing the dimensionality12计算机系统应用2021 年 第 30 卷 第 3 期132of data with neural networks. Science, 2006, 313(5786):504–507. [doi: 10.1126/science.1127647]Hinton G, Deng L, Yu D, et al . Deep neural networks foracoustic modeling in speech recognition: The shared views of four research groups. IEEE Signal Processing Magazine,2012, 29(6): 82–97. [doi: 10.1109/MSP.2012.2205597]13Krizhevsky A, Sutskever I, Hinton GE. ImageNetclassification with deep convolutional neural networks.Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe, NV, USA.1097–1105.14LeCun Y, Boser B, Denker JS, et al . Backpropagationapplied to handwritten zip code recognition. Neural Computation, 1989, 1(4): 541–551. [doi: 10.1162/neco.1989.1.4.541]15LeCun Y, Bengio Y, Hinton G. Deep learning. Nature, 2015,521(7553): 436–444. [doi: 10.1038/nature14539]16宫文峰, 陈辉, 张泽辉, 等. 基于改进卷积神经网络的滚动轴承智能故障诊断研究. 振动工程学报, 2020, 33(2): 400–17413.杜小磊, 陈志刚, 张楠, 等. 基于同步挤压S 变换和深度学习的轴承故障诊断. 组合机床与自动化加工技术, 2019, (5):90–93, 97.18Zhang Y, Tang BP, Han Y, et al . Bearing performancedegradation assessment based on time-frequency code features and SOM network. Measurement Science and Technology, 2017, 28(4): 045601. [doi: 10.1088/1361-6501/aa56c9]19Qu XY, Zeng P, Xu CC, et al . RNN-based method for faultdiagnosis of grinding system. Proceedings of the IEEE 7th Annual International Conference on CYBER Technology in Automation, Control, and Intelligent Systems (CYBER).Honolulu, HI, USA. 2017. 673–678.20于洋, 何明, 刘博, 等. 基于TL-LSTM 的轴承故障声发射信号识别研究. 仪器仪表学报, 2019, 40(5): 51–59.21Hochreiter S, Schmidhuber J. Long short-term memory.Neural Computation, 1997, 9(8): 1735–1780. [doi: 10.1162/neco.1997.9.8.1735]222021 年 第 30 卷 第 3 期计算机系统应用133。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
弹簧老化: 弹簧材料性能老化刚度变化、过度形 变不能恢复原位、多弹簧位置错位或倒置、个别弹簧 断裂等.
16 62
浙 江 大 学 学 报( 工学版)
第 41 卷
定位器部件故障: 涉及电气转换部件故障如压电
本文研究了基于流体力学和热力学原理建立的 描述执行器气动定位系统动态特性的数学模型, 并 通过模型计算以及实测获得故障残差, 实现故障检 测, 进一步通过对残差的分析, 进行故障分离.
收稿日期: 2007- 07- 30.
浙江大学学报( 工学版) 网址: w w w . journals. z ju. edu . cn/ eng
M F2R 16B 多弹簧气动薄膜执行机构以及西门子公 司生产的 SIP ART P S2 智能电气阀门定位器( 经改 造在开环状态下工作, 仅相当于电气转换器) 进行实 验, 模型计算参数如表 2 所示. 表 2 中的压力均为绝 对压力, 参数 V 0 是根据开始阶段的等容充气的模 型计算得到, 参数 F 可以根据在弹簧范围内推杆的 动态平衡状态计算得到, S0 、k 是通过粒子群算法辨 识[ 5 ] 得到, 其他参数是由设备和环境工艺数据计算 得到.
qm=
1 RT
p2A
dx dt
+
V2
dp2 dt
.
( 3)
式中: x 为推杆位移, A 为膜片有效面积, V 0 为薄膜
气室初始体积, V 2 为薄膜气室体积, T 为管道热力 学温度, R 为气体常数.
1. 3 执行机构
根据牛顿第二定律, 可建立起执行机构的动力
学方程为
m
d2 x d t2
+
kx +
( 杭州电子科技大学 自动化学院, 浙江 杭州 310018)
摘 要: 为依据执行器的动态特性分析, 实 现执行器设备故障的在线诊断与分离, 在机理分析的 基础上建立起执行
器完整的非线性动态数学模型, 由执行器工作过 程中的实测 信号和 模型计算 获得残 差实现 故障的 在线诊 断, 通 过
残差 的变化及其组合情况分析完成故障分离. 实验结果表 明, 利用动态机理模型计 算得到的阀 位、薄 膜气室压力 的
基金项目: 国家自然科学基金资助项目( 60774031) .
作者简介: 尚群立( 1964- ) , 男, 陕西武功人, 教授, 从事智能仪表, 鲁棒控制理论及应用等工作. E mai l: qlshang@ sin a. com
第 10 期
尚群立, 等: 基于模型的执行器故障诊断
166 1
1 建立执行器气动定位系统数学模型
值. 由此, 定义残差:
Ep = p 2 ( t) - p∀2 ( t ) ,
( 5)
Ex = x ( t) - x∀( t) .
( 6)
在执行器正常工作情况下, 残差 Ep 、E x 应近似
为零; 当执行器发生前述故障时, 会引起薄膜气室压
力和阀位的实测值偏离理论计算值, 从而出现异常
产生残差 Ep 、Ex .
1. 2 薄膜气室
在充气过程中, 薄膜气室只有气体流入没有气
体流出. 根据热力学第一定律和理想气体状态方程
可得质量、容积、压强三者的变化关系; 根据质量守
恒定律, 流入的质量流量等于薄膜气室内的质量变
化率. 因此, 薄膜气室的气体质量流量可以表示为
qm=
1 RT
d(
p2V dt
2
)
.
( 2)
考虑到薄膜气室可近 似为一个圆 柱, 即 V 2 = V0 + A x, 就有
导向阀、控制电路故障、阀位测量与反馈机构故障等.
2. 2 残差的检测
配置的智能定位器可以在线实时检测到气源压
力 p∀1 、薄膜气室压力 p∀2、阀杆位移即阀位 x∀, 同时
根据输出的 P WM 控制信号的占空比 d, 可以依据
前述建立起的执行器气动定位系统模型( 1) ~ ( 3) 计
算得到薄膜气室压力 p 2 ( t ) 、阀位 x ( t ) 的理论计算
在一段时间内, 如果存 在| Ep | !p 和 ( 或 者)
| Ex | !x , 其中, p 、x 为残差域值, 则表明执行 器发
生了某种故障, 这样就可以通过残差计算实现故障
发生的检测, 通过检测这种变化就可以检测故障.
2. 3 故障的分离
进一步, 根据故障的特点, 通过对残差的分析以
及一些辅助分析可以进行故障的分离, 即判断具体
F=
p 2A .
( 4)
式中: m 为推杆组件的质量, x 为推杆位移, k 为弹
簧刚度, F 为弹簧预紧力与动摩擦力之和.
2 故障的检测与分离
2. 1 主要的故障描述 阀体阻塞: 在故障发生后, 执行器阀杆会运动到
某一特定位移, 然后因为机械故障而被卡死在这一位 置不能移动. 包括阀体内介质沉淀或凝结堵塞、阀体 内异物滞留堵塞、阀芯阀座因锈蚀等原因卡死、填料函 密封损坏、阀杆严重变形等导致的阀杆运动卡死.
5 填料函; 6 阀体 图 1 气动执行器结构示意图
Fig . 1 Schematic o f pneumat ic act uato r
1. 1 定位器 定位器中的电/ 气转换部分实现了压缩空气气
体流量的控制, 其流体过程比较复杂, 可用文献[ 2] 公式计算.
目前广泛采用基于预控压电阀原理的智能型的 电气 阀门定位器, 来实现电/ 气转换和闭环 定位控 制. 压电阀的控制是脉宽调制控制方式[ 3] ( P WM ) , 利用一定频率的脉冲控制开关阀的开和关来调节脉
发生的是哪种类型的故障. 经过分析, 得到故障与残
差的关系见表 1.
表 1 执行器故障与残差的关系表
T ab. 1 Relatio ns between act uato r faults and residuals
序号 1 2
3
4 5 6
故障名称
Ep
Ex
阀体阻塞
<-p >x
填料函磨擦力 增大
<-p >x
执行器结构示意如图 1 所示. 为简化建模过程, 作如下假设[ 1] : 所用工作介质为理想气体, 满足理想 气体状态方程; 薄膜气室与外界没有泄漏; 气体在流 过阀口的流动状态为一元等熵过程; 忽略气体温度 对流动过程的影响; 气源压力和大气压力恒定; 薄膜 气室内气体压力和温度处处相等.
1 薄膜气室; 2 波纹膜片; 3 推杆; 4 压缩弹簧;
检测仪表、DCS 控制系统、执行器三类工业自 动化仪表的技术水平已成为流程工业发展的决定性 因素之一, 并深刻地影响着生产的质量、效率、安全 和环保等. 以控制阀和执行机构为主体、以阀门定位 器为核心控制部件的执行器, 通过调节介质流量来 控制工艺参数, 是整个自动化系统中必备且重要的 终端执行仪表, 其对控制系统调节品质的优劣、安全 平稳运行具有很大的影响.
Model based actuator fault diagnosis
SH AN G Q un li, SU N L i, W U H ai yan
( School of A utomation, H angz hou D ianz i Univ er sity , H angz hou 310018, China)
冲的占空比, 其宏观效果( 时间平均) 相当于改变导 向阀的开口面积, 使得开关阀在 PWM 信号控制时, 其输出具有比例阀的特性[ 4] . 因此当 PWM 占空比 为 d 时, 阀的有效面积可以表示为: S= S0 d.
因此, 通过 P WM 方式控制的定位器实际输出 的压缩空气气体质量流量为
qm = cp 1 S0 d
薄膜 或气路接头 破损
>p
>x
气源压力下降 < p > x
弹簧老化
>p <-x
定位 器部件部分 故障
<-p
<-x
辅助分析
当 x∀ 不 变 化 时, 为故障 1
当 p∀1 < p 1 时, 为故障 4
# #
比如, 当发生阀体阻塞故障或填料函磨擦力增 大故障时, 由于阀杆运动受阻, x∀小于计算值 x , 从 而引起薄膜气室体积变化比理论计算值要小, 使得 薄膜气室实测压力 p∀2 上升, 从而大于理论计算值 p 2 , 因而就有 Ep < - p 、E x > x ; 同时, 当发生阀体阻 塞故障时, x∀基本不变化, 但当发生填料函磨擦力增 大故障时则不然.
理论 计算值和实测值进行残差分析, 可以准确及时地诊断 与分离出如阀体阻塞、填 料函磨擦力 增大、薄膜或气路 接
头破损、气源压力下降、弹簧老化等执行器主要的内在故障.
关键词: 数学模型; 故障残差; 执行器
中图分类号: T P277
文献标识码 : A
文章编号: 1008- 973X( 2007) 10- 1660- 04
填料函磨擦力增大: 在故障发生后, 阀杆的运动 受阻力增大, 运动不畅通. 包括阀体或轴衬部件老化 或锈蚀、阀杆锈蚀、填料函密封泄漏和老化、运动部 位渗入杂质、阀杆变形等.
薄膜或气路接头破损: 对薄膜式气动执行机构 来说, 膜片是最重要的元件, 当金属接触面的表面有 尖角、毛刺等缺陷时就会把膜片扎破而造成泄漏; 另 外, 膜片使用时间过长, 材料老化也会在使用或受力 时破损. 活塞式气动执行机构的活塞产生驱动力, 因 此活塞的损坏、磨损是绝对不允许的. 接气管老化破 损、接头松脱导致气路漏气等.
1- b ,
RT
p2 p1
b;
qm= cp 1 S0 d 1- b 1RT