故障智能诊断系统的研究与应用

一、网络控制系统

近年来，网络控制系统（NCS）己成为学术界和工业界的研究热点之一。将网络集成到控制系统中取代传统的计算机控制系统中的点对点连线具有很多优点，如：布线成本的降低，电缆重量的减少，安装过程的简化以及可靠性的提高等。网络控制系统（NCS）便于实现系统的诊断和维护，同时也可提高系统的柔性。但是，在反馈控制回路中加入通信网络的同时，也增加了控制系统分析和设计的复杂性。因此，网络控制系统必须解决的关键问题之一，就是在网络带宽有限的情况下如何保证控制系统的实时性与稳定性。

（一）网络控制系统的概述

图1.1网络控制系统结构图

网络控制系统涵盖了两方面的内容：系统节点的分布化和控制回路的网络化。而通过网络形成控制回路是NCS最大的一个特点。网络控制系统结构图，见图1.1。

（二）典型的网络控制系统

目前应用于控制领域中的网络控制系统有现场总线控制系统(FieldbusSystem)、工业以太网(IndustrialEthernet)控制系统以及无线网控制系统(WirelessNCS)等。典型网络控制系统结构图见图1.2。分类：1.现场总线控制系统；2.工业以太网(IE)控制系统；3.无线局域网控制系统。

图1.2典型网络控制系统的结构图

（三）网络控制系统的基本问题

一般控制系统的研究内容，如控制算法、可靠性、实时性、互操作性、安全性等仍然属于网络控制系统的研究内容，但由于网络技术的应用，呈现出新特性，便产生了新问题，以下是网络控制系统的主要研究内容：1.控制时延；2.网络控制系统体系结构；3.网络控制系统通信协议与企业信息集成；4.抖动；5.网络控制系统的稳定性；6.网络控制系统的控制算法与调度优化方法；7.网络控制系统的互操作性；8.网络控制系统容错控制；9.数据包丢失；10.数据包的时序错乱；11.结点驱动方式；12.网络安全改进。

随着控制系统向大型化和网络化发展，网络控制系统的故障诊断己成为一个新的研究课题。在工程实现中，NCS对安全性和可靠性要求很高，如果某些微小故障不能及时排出将造成巨大的灾难和损失。

二、网络控制系统的故障诊断技术

（一）故障诊断的基本概念与基本方法

1.基本概念

所谓故障诊断,就是利用被诊断系统的各种状态信息和已有的各种知识,进行信息的综合处理,最终得到关于系统运行和故障状况综合评价的过程。其基本目标是确定诊断对象有无故障,若有,则进一步确定故障的性质、原因、类型,以及发生的部位等。

2.基本方法

从不同的角度出发有多种故障诊断分类方法，概括的讲可以分为两大类：基于数学模型的方法和基于人工智能的方法。如图2.1所示。

图2.1故障诊断方法分类示意图

（二）故障诊断方法的研究

1.基于数学模型的方法

⑴基于直接测量系统输入输出及信号处理的方法

该诊断方法是直接测量被诊断对象有关的输出量，如果输出超出正常变化范围，则可以认为对象已经或将要发生故障。这种方法简单，但容易出现故障的误判和漏判。另一种较为可行的方法是用一定的数学手段描述输出在幅值、相位、频率及相关性上与故障源之间的联系，通过分析与处理这些量，来判断故障的位置。常用的方法有谱分析法、概率密度法、相关分析法等。

⑵基于状态估计的方法

被诊断过程的状态，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。首先重构被诊断过程的状态，并构成残差序列，残差序列中包含各种故障信息。基于这个序列，通过构造适当的模型并采用统计检验法，才能把故障从中检测出来并做进一步的分离、估计和决策。状态估计的方法通常是状态观测器及滤波器。采用这个方法的前提条件是：①过程数学模型知识（结构及参数）；②噪声的统计特征；③系统可观测或部分可观测；④方程解析应有一定精度；⑤在许多场合下将模型线性化并假设干扰为白噪声。

⑶基于过程参数估计的方法

此方法与基于状态估计的诊断方法不同，它不需要计算残差序列，而是根据参数变化的统计特性来检测故障的发生，而后进行故障分离、估计和分类。由于可以建立故障与过程参数的精确联系，因此这种方法比基于状态估计的方法更有利于分离故障。最小二乘法简单实用，是参数估计的首选方案。采用此方法的前提条件是：①需建立精确的数学模型；②需要有效的参数估计方法；③被控过程的充分激励；④选择适当的过程参数；⑤必要的统计决策方法。

基于数学模型的故障诊断方法，其优点是能深入系统本质的动态性质和实现实时诊断，缺点是当系统模型未知、不确定或具有非线性时，这种方法不易实现。

2.基于人工智能的方法

⑴基于专家系统（ES）的方法

基于专家系统的诊断方法是故障诊断领域中最为引人注目的发展方向之一，也是研究最多，应用最广的一类智能诊断技术。它大致经历了两个发展阶段：基于浅知识（领域专家的经验知识）的故障诊断系统和基于深知识（诊断对象的模型知识）的故障诊断系统。①基于浅知识的诊断方法。浅知识是指领域专家的经验知识。此诊断系统通过演绎推理或产生式推理来获取诊断结果，其目的是寻找一个故障集合使之能对一个给定的征兆（包括存在的和缺席的）集合产生的原因做出最佳解释。此方法具有知识表达直观、形式统一、模块性强、推理速度快等优点，但也具有较大的局限性，如知识集不完备，对没有考虑到的问题系统容易陷入困境；对诊断结果的解释能力弱等。②基于深知识的诊断方法。深知识则是指诊断对象的结构、性能和功能的知识。此诊断系统要求对象的每一个环节具有明确的输入输出表达关系，诊断时首先通过诊断对象实际输出与期望输出之间的不一致，生成引起这种不一致的原因集合，然后根据诊断对象领域中的第一定律知识（具有明确科学依据的知识）及其他内部特定的约束关系，采用一定的算法，找出可能的故障源。这种方法具有知识获取方便、维护简单、完备性强等优点，但搜索空间大，推理速度慢。近年来发展了基于经验知识和模型知识相结合的故障诊断方法。③基于浅知识和深知识的混合诊断方法。对于复杂设备系统而言，无论单独使用浅知识还是深知识，都难以很好地完成诊断任务，只有将两者结合起来，才能使诊断系统的性能得到优化。因此，为了使故障智能诊断系统具备与人类专家能力相近的知识，研制者在建造智能诊断系统时，越来越强调不仅要重视领域专家的经验知识，更要注重诊断对象的结构、功能、原理等知识，研究的重点是浅知识与深知识的集成表示方法和使用方法。事实上，一个高水平的领域专家在进行诊断问题求解时，总是先将他具有的深知识和浅知识结合起来，完成诊断任务。一般优先使用浅知识，找到诊断问题的解或者是近似解，必要时用深知识获得诊断问题的精确解。

专家系统方法一直是基于知识的故障诊断中的研究重点，经多年发展已比较成熟。它不需要一个人类问题求解的精确匹配，而能够通过计算机提供一个复制问题求解的合理模型。图2.2是一个基于知识的专家系统的工作模型，由知识库、全局数据库、推理机、知识获取机制、解释机制和用户界面六个部分组成。分为专家系统运行和知识库管理两个功能模块。专家系统运行模块用来实现基于知识的故障诊断和故障码的速查。知识库管理模块用来实现推理规则和故障码的录入、存储、校验以及知识库的转换。

图2.2基于知识的专家系统工作模型

⑵基于案例的诊断方法

此方法能通过修订相似问题的成功结果来求解新问题。它能通过将获得新知识作为案例来进行学习，不需要详细地诊断对象模型。在这种推理方法中，主要包括：案例表达和索引、案例的检索、案例的修订、从失败中学习等。此方法的原理是，对于所诊断的对象，根据其特征从案例库中检索出与该对象的诊断问题最相似匹配的案例，然后对该案例的诊断结果进行修订作为该对象的诊断结果。此方法适用于领域定理难以表示成规则形式，而易表示成案例形式并且已经积累了丰富的案例的领域。它的局限性是：传统的方法难以表示案例之间的联系；对于大型案例库进行检索非常费时，并且难以决定应选择那些症状及它们的权重；此方法难以处理案例修订时的一致性检索，难以对诊断结果加以解释。

⑶基于人工神经网络（ANN）的方法

神经网络在故障诊断领域的应用研究主要集中在两个方面：一是从模式识别的角度，应用神经网络作为分类器进行故障诊断；二是将神经网络与其他诊断方法相结合而形成的复合故障诊断方法。

人工神经元网络用于故障诊断主要有四种方式：①用神经元网络产生残差；②用神经元网络评价残差；③用神经元网络做进一步诊断；④用神经元网络作自适应误差补偿。把模糊数学与神经网络相结合，可以在神经网络框架下引入定性知识，能得到更好的诊断性能，具有巨大的应用前景。联合多个神经网络的诊断方法能提高故障诊断的可靠性。因为神经网络存在诸如：训练样本获取困难、网络权值表达方式难以理解、忽视了领域专家的经验知识等问题，所以通过与基于模型的方法、专家系统、信息融合等理论相结合，可以弥补其不足。

神经网络是由大量的神经元广泛互连而成的网络。根据连接方式不同，可分为两大类：没有反馈的前向网络和相互结合型网络。ANN的工作过程有两个阶段组成。一个是学习期（自适应期或设计期），此时各计算单元状态不变，各连接权值可修改（通过学习样本或其它方法）。另一个阶段是工作期，此时各连接权值固定，计算单元的状态变化，以求达到稳定状态。神经网络的优点是，具有复杂多模式及进行联想、推理和记忆功能。目前有五种常用于故障诊断的神经网络模型种类，如图2.6所示。文献[10]对这五种模型作了详细介绍。

图2.65种常用于故障诊断的神经网络模型

⑷基于模糊数学的方法

此方法不需要建立精确的数学模型，适当地运用隶属函数和模糊规则，进行模糊推理就可以实现模糊诊断的智能化。但对于复杂的诊断系统，要建立正确的模糊规则和隶属函数是非常困难的，而且要花费很长的时间。对于更大的模糊规则和隶属函数集合而言，难以找出规则与规则之间的关系，也就是说规则有“组合爆炸”现象发生。另外由于系统的复杂性、耦合性，由时域、频域特征空间至故障模式特征空间的映射关系往往存在着较强的非线性，这时隶属函数形状不规则，只能用规范的加以代替处理，从而使得非线性系统的诊断结果不够理想。

⑸基于故障树的方法

故障树方法是由计算机依据故障与原因的先验知识和故障率知识自动辅助生成故障树，并自动生成故障树的搜索过程。诊断过程从系统的某一个故障开始，沿着故障树不断提问而逐级构成一个递接故障树，通过对此故障树的启发式搜索，最终查处故障的根本原因。

三、故障智能诊断发展的现状

故障智能诊断系统的发展历史虽然短暂，但在电路与数字电子设备、机电设备、军事设备等方面已取得了令人瞩目的成就。

在20世纪80年代，故障智能诊断系统被认为是诊断技术的重要发展方向，这是因为，一方面故障智能诊断具有传统诊断方法无法比拟的优点，另一方面，复杂的设备诊断在很大程度上需要依赖专家的经验知识。因此国内外专家学者陆续开发了一大批基于知识的故障诊断系统，各种诊断方法和技术也在诊断系统中得到了应用。但从已取得的研究成果来看，目前的故障智能诊断系统还存在许多尚需进一步解决的问题。下面从诊断知识的角度给予分析：①知识库庞大；②解决问题能力的局限性；③深、浅知识结合能力差；④自动获取知识能力差；⑤容错能力差；⑥对不确定性知识的处理能力差。

总之，故障智能诊断系统无论在理论上还是在系统开发方面都已取得了很大进步，但真正投入使用并且功能完善的系统并不多，大多数研究成果仍然停留在实验室阶段。造成这种理论与实践脱节有两个方面的原因，一方面是由理论研究所限定的条件与实际应用时的情况相差甚远，另一方面是由于对诊断对象缺乏深刻的认识和研究，而且作为人工智能技术本身也有待进一步发展和完善。

四、故障智能诊断系统的发展趋势

随着知识工程的发展以及数据库、神经网络等技术的日新月异，必然引起故障智能诊断系统的在各个方面的不断发展。其发展趋势可概括为以下几点：1多种知识表示方法的结合；2经验知识与原理知识的紧密结合；3诊断系统与神经网络的结合

五、结论

本论文系统而深入的讨论了ANN和ES。到目前为止，这两种方法基本上还是分开研究的，不论哪种方法实现的系统都是有局限性的，两种方法各有所长，传统的ES擅长模拟人类的逻辑思维，而ANN方法擅长模拟人类的形象思维，两种方法综合在一起研究则是模拟智能必然的道路。

ANN和ES相结合的神经网络专家系统，其可预见的优点是：它不但具有高度并行及容错性、实时性和自适应性，还具有自组织、自学习、联想记忆以及在工作中不断创新等功能。总之，神经网络专家系统具有很大的潜力。未来智能计算机可能就是这两者有机的、最佳的结合，ES或知识工程将更进一步沿着这条道路向纵深发展。可以预言，ANN和ES的成功结合将推动故障诊断系统方法的研究进入一个新的时期，也将为其在复杂电子装备系统中的应用提供新的领域。