故障检测与诊断的模型.docxVIP

故障检测与诊断的模型 摘要：快速、精确 的故障检测与诊断离不开有效的系统模型。针对故障检 测与诊断的特点，文章简要介绍了机理建模、学问建模和数据驱动建模三类传统 建模方法，并从不同维度对以上几种建模方法作了比拟阐述，同时基于上述各模 型的特点，给出了几种混合建模的思路。 关键词：机理；学问；数据驱动；混合模型 。引言 故障检测与诊断是一门相对独立的技术。我们国家在1979年才初步接触故障 检测与诊断技术，经过30多年的进展，故障检测与诊断技术已在自动驾驶、人 造卫星、航天飞机、汽轮发电机组、大型电网系统等重要核心领域得到广泛应用。 目前，故障检测与诊断的模型大致有基于机理的模型、基于学问工程的模型、 基于数据驱动的模型，文章将结合各模型的特点重点研讨故障检测与诊断中混合 建模的思路。 1机理模型 基于机理模型的方法首先需要被诊断系统精确的机理模型，然后采用构造出 来的观测器预估系统的输出值，再将估量值与实际值做差产生残差。当系统运行 正常时，残差应为零或近似于零；当系统消失故障时，残差量会明显超出允许范 围。基于机理模型的方法依据残差产生的缘由可细分为参数估量法、状态估量法、 等价空间法等。参数估量法依据观测数据来辨识系统的动态参数，依据系统参数 与模型参数的差值来推断系统是否消失故障。状态估量法通过对系统的状态进行 重构，通过与可测变量做差生成残差序列，并采纳统计检验法从残差序列中把故 障检测出来，前提是系统可观测或者局部可观测，一般用各种状态观测器或滤波 器进行状态估量。等价空间法是通过系统的输入输出真实值来检验系统机理的等 价性，通过确定系统的输入输出间的冗余，实现检测和分别故障的效果。 基于解析模型的故障诊断方法充分表达了过程的内部机理，外延性好。但当 系统过于简单时无法猎取其内部机理的全部信息，具有肯定的局限性。 2学问工程模型 基于学问的方法主要是通过相关的阅历建立系统的定性模型来解决简单的故 障诊断问题。基于神经网络、模糊规律方法是常用的方法。其中，神经网络因其 具有处理非线性和自学习以及并行计算力量的特点，有利于非线性系统的故障诊 断。模糊规律由于其概念易于理解，表达上更接近人的思维，适用于简单的故障 诊断中。 基于学问的方法不需要精确的定量机理模型，其适用于有相关阅历和学问的 对象，且诊断的结果易于理解。但是，其最大的缺点是通用性差，必需通过大量 的阅历学问才能够建立〃学问库〃；当系统比拟简单时，很简洁消失一种未知故障 会导致误报和漏报的状况。此时，基于学问的方法将不再适用。 3数据驱动模型 基于数据驱动的方法是通过采集系统的输入输出数据，然后分析数据的各种 统计特征，建立过程的数据特征模型。目前，常用的方法有小波分析、神经网络、 主成分分析等。小波分析方法是对所采集的信号进行相关处理，处理后的信号中 除去由于输入变化引起的奇异点，剩下的奇异点即为系统可能消失的故障点。神 经网络能够实现自组织、自学习，同时还具有处理非线性、并行、信息分布存储 等力量，这大大提高了故障诊断的效率。主成分分析方法的主要是通过坐标变换 将数据从高维空间映射到低维空间，建立正常状况下的主成分模型，当实测信号 偏离所建模型时即可推断系统消失特别。 基于数据驱动的方法不必像基于机理模型那样需要过程的模型或先验学问只 需对过程数据进行处理与分析，简洁便利，实时性好，有用性强。但是数据模型 的内插性及外延性较差，无法猎取大量的各种状态下的过程数据。 4混合模型 基于机理与基于数据驱动模型相结合的混合建模技术既能保证模型有明确的物理意义，又能保证模型具有较高的精度［6］。 现有如下非线性系统模型： 和 为线性化后的函数。简化后的模型忽视了系统的非线性，其输出与实际 输出之间必定存在误差。 数据驱动模型在并联型混合模型中主要用来补偿简化后的机理 5结吾 机理模型具有良好的内插性和外延性，其能精确表达系统的内在联系，但建模难度较大。基于学问的方法适用于难以定量建模的系统，但其可移植性差。 基于数据驱动的方法不需要先验学问，但其过于依靠建模数据。 目前故障检测与诊断的模型趋向于综合化，各模型的优势互补已成为故障检 测与诊断的讨论热点。 参考文献： ⑴魏秀琨,秦勇等,鲁棒故障检测与故障估量理论及应用［M］. ⑵袁侃.简单系统的故障诊断及容错掌握讨论［D］.南京：南京航空航天高 校,2022. ⑶连可.基于状态监测的简单电子系统故障诊断方法讨论［D］.西安：电子科技 高校,2022. ⑷肖春艳.面对对象的智能故障诊断专家系统［D］.合肥：中国科学技术高校， 2001. ［5］霍志红.网络化掌握系统容错掌握讨论［D］.武汉：华中科技高校,2006.