基于数据驱动的故障诊断方法

波分析对信号进行预处理，然后用神经网络进行学习与判断；
另一种途径是小波分析与前馈神经网络融合的小波网络，即 把小波分析的运算融入到神经网络中去。
控制系统的故障诊断与容错控制 14
二、基于神经网络的故障诊断—诊断实例
2.1.1 BP神经网络模型的基本思想
1986 ， Rumelhart 和 McCelland 领 导 的 科 学 家 小 组 在 《Parallel Distributed Processing》 一 书 中 提 出 的 BP(Back Propagation) 算法又称为反向或向后传播算法。使用 BP 算法进
ຫໍສະໝຸດ Baidu
性系统故障诊断中得到越来越多的重视。
2. 神经网络技术的出现，为故障诊断问题提供了一种新的 解决途径。特别是对复杂系统，由于基于解析模型的故 障诊断方法面临难以建立系统模型的实际困难，基于知 识的故障诊断方法成了重要的、也是实际可行的方法。
3. 故障诊断神经网络实现的功能实质用系统辨识、函数逼
近、模式识别和回归分析等理论解释都是一致的。
3. 数据容易得到，但模型和定性知识不易获得。 4. 非常适合现有的工业生产和设备控制的结构、形式，软件 和硬件系统。 5. 满足大数据时代到来的需要。
控制系统的故障诊断与容错控制
8
一、基于数据驱动的故障诊断—主要步骤
数据采集 • 离线 • 在线
预处理 • 数据 特点 • 数据 的简 单处 理
数据处理 • 统计 特性 • 特征 分类 • 数据 模型
控制系统的故障诊断与容错控制 13
二、基于神经网络的故障诊断—主要方法
(5) 采用神经网络做自适应误差补偿的方法 其中的非线性补偿项由神经网络实现。
(6) 采用模糊神经网络的故障诊断
在普通的神经网络的输入层加入模糊化层，在输出层加入反 模糊化层。较一般神经网络有更高的诊断率。 (7) 采用小波神经网络的故障诊断 一是小波变换与常规神经网络相结合，比较典型的是利用小
3
第三章 基于数据驱动的故障诊断方法
一、基本原理及主要步骤 二、基于神经网络的故障诊断
三、基于支持向量机的故障诊断
四、基于小波分析的故障诊断
控制系统的故障诊断与容错控制
4
一、基于数据驱动的故障诊断
几个问题：
1、当我们不知道对象的数学模型时，如何进行故障诊断？
2、即使知道模型，但无法精确描述时，又怎么办？
主讲教师：邓方 副教授 复杂系统智能控制与决策国家重点实验室 北京理工大学自动化学院模式识别与智能系统研究所
自动化专业本科生选修课
控制系统的故障诊断与容错控制
第三章 基于数据驱动的故障诊断方法
作业检查
• 1、数学模型的故障诊断方法的主要步骤是什么？
• 2、主要方法有哪些？
控制系统的故障诊断与容错控制
统计学习方法

数字信号处理方法

谱分析、小波分析等
神经网络、粗糙集、模糊推理、专家系统等
人工智能方法

控制系统的故障诊断与容错控制
7
一、基于数据驱动的故障诊断—主要特点
1. 无需知道系统精确的解析模型，它所处理也可以说它所面 对的对象只有一个——数据。
2. 不需要对诊断对象进行定性描述。
置及发生时间的方法。
控制系统的故障诊断与容错控制
6
一、基于数据驱动的故障诊断—主要方法
统计分析方法

主元分析（Principal Component Analysis, PCA）、偏最小 二乘（Partial Least Squares, PLS ）、Fisher判别分析等
支持向量机（SVM ）、Kernel学习等
3、我们手里只有大量的监测数据或传感器数据时，怎么办？
基于数据驱动的故障诊断！！
控制系统的故障诊断与容错控制
5
一、基于数据驱动的故障诊断—主要原理
基于数据驱动故障诊断的基本原理是利用机器学习、统计 分析、信号分析等方法直接对大量的离、在线过程运行数据
进行分析处理，找出故障特征、确定故障发生原因、发生位
故障诊断 • 阈值 分析 • 故障 分类 • 残差 分析
控制系统的故障诊断与容错控制
9
第三章 基于数据驱动的故障诊断方法
一、基本原理及主要步骤 二、基于神经网络的故障诊断 三、基于支持向量机的故障诊断 四、基于小波分析的故障诊断
控制系统的故障诊断与容错控制
10
二、基于神经网络的故障诊断—主要概念
通过对控制系统故障问题建立相应的神经网络诊断系统， 根据系统输入的数据（即系统故障）可以直接得到输出数据
（即故障产生的原因），从而实现故障的诊断。
主要过程
控制系统的故障诊断与容错控制
11
二、基于神经网络的故障诊断—主要特点
1. 神经网络对故障情况具有记忆、联想和推测的能力，能 够进行自学习，并且拥有非线性处理能力，因此在非线
行学习的多级非循环网络称为 BP网络。BP算法利用输出层的
误差来估计输出层的直接前导层的误差，再用这个误差估计更 前一层的误差，如此下去，就获得了所有其他各层的误差估计。
控制系统的故障诊断与容错控制
15
二、基于神经网络的故障诊断—诊断实例
2.1.2 BP神经网络模型—基本特征和意义
BP算法是非循环多级网络的训练算法。 BP算法的收敛速度非常慢，在高维曲面上局部极小点逃离。 BP算法具有广泛的适用性。 BP算法的出现结束了多级神经网络没有训练算法的历史，对 神经网络的第二次高潮的到来起到很大的作用。
控制系统的故障诊断与容错控制 12
二、基于神经网络的故障诊断—主要方法
(1) 神经网络诊断系统 对于特定问题建立的神经网络故障诊断系统，可以从其输入
数据（代表故障症状）直接推出输出数据（代表故障原因）。 (2) 采用神经网络残差的方法 利用系统的输入重构某些待定参数，并与系统的实际值作比 较，得到残差。 (3) 采用神经网络评价残差的方法 这种方法是利用神经网络对残差进行聚类分析。 (4) 采用神经网络作进一步诊断 直接用神经网络来拟合系统性能参数与执行器饱和故障之间 的非线性关系，神经网络的输出即对应执行器的故障情况。
控制系统的故障诊断与容错控制
16
二、基于神经网络的故障诊断—诊断实例
2.1.3 BP神经网络模型—构成神经元
X=(x1 , x2 , … , xn) W=(w1, w2, …, wn)
神经元网络输入：
net=xiwi net=XW