您的当前位置:华林调节阀网>>调节阀论文>>历程与标准>>关于执行器故障诊断的方法

关于执行器故障诊断的方法

    前言

    故障检测和诊断技术是指对系统的异常状态的检测、异常状态原因的识别以及包括异常状态预测在内的各种技术的总称,它是一项建立在机械工程、测试是技术、信号处理、计算机应用技术、人工智能技术等众多理论基础上的综合性科学技术。随着生产工程日益大型化和复杂化,提高控制系统的可靠性尤为重要。而故障检测和诊断技术是提高系统可靠性的有效途径。在控制系统中,按故障部件划分,其主要故障有执行器故障、被控对象故障、传感器故障和控制器故障。而执行器和传感器的故障发生较多。特别是执行器的故障往往危及整个系统的控制策略,因此对执行器的可靠性提出了很高的要求,执行器的故障诊断研究就具有重要的现实意义。但是由于执行器存在固有的非线性、时滞等特性使得执行器的故障诊断方法的研究比较困难。在过去的20多年的研究中它的发展直接依赖于控制理论、可靠性理论、信号处理、模式识别、人工智能等学科的发展。在这些理论的基础上,已形成多种执行器故障诊断的方法。

   一、故障诊断方法的分类

    现有故障诊断的方法可以分为基于解析模型的方法、基于信号处理的方法和基于知识的方法等三大类。可以建立较为准确的被诊断对象的数学模型时,基于解析模型的方法是首选的方法。当可以得到被诊断对象的输入输出信号,但难以建立诊断对象的解析模型时,可以采用基于信号处理的方法。因为这种方法回避了抽取对象的数学模型难点,而直接利用信号模型。而基于知识的方法与基于信号处理的方法类似,也不需要系统的定量数学模型,但是它克服了后者的缺点,引入了诊断对象的大量信息。

   1.基于解析模型的方法

    基于模型的方法是随着解析冗余思想的提出而形成的,可以进一步分为等价空间法,状态估计法,参数估计法等。相比之下参数估计法比状态估计方法更适合于非线性系统,通常等价空间方法仅适用于线性系统。基于模型的故障检测是利用不同可测信号间的依赖性,这种依赖性表现为数学过程模型。通过可测输入信号和数学模型得到预测输出信号,和可测输出信号进行比较产生残差,参数估计或者状态估计来实现故障检测。故障诊断则是通过对残差等的分析得到。因此故障的诊断由残差产生和残差评估两阶段组成。

    状态估计法是重构系统状态,将估计值与测量值进行比较,构成残差序列,再构造适当的模型,并采用统计检验法,分析残差进行故障检测,并做进一步的分离、估计与决策进行诊断。通常用Lnenberger观测器、Kalman滤波器和自适应观测器进行状态估计。参数估计法是通过对系统模型参数的辨识来达到故障诊断的目的,即由参数的显著变化来描述故障。把理论建模与参数辨识结合起来,根据参数变化的统计特性来检测故障信息,根据参数估计值与正常值之间的偏差情况来判断故障的情况。在实际应用中经常将参数估计法与其它解析模型的方法结合起来使用,以便获得更好的故障检测和分离性能。文献将参数估计法与自适应观测器法结合,针对确定性线性系统,用带未知增益形式的参数表示执行器故障,提出了一种用于执行器故障检测和故障估计的检测观测器和自适应诊断观测器的设计方法,利用该参数的估计直接获得故障诊断。

    由于执行器带有非线性,虽然在基于模型的执行器故障诊断研究中,基于线性模型的故障诊断较为成熟,但主要研究的方向是非线性系统。而非线性系统故障诊断目前处理的方法主要可以分为两类:一类方法是将非线性系统在一个或几个工作点附近线性化,用一个线性模型集表示系统,建模误差当作未知输入,应用未知输入解耦方法设计残差,使之不受建模误差的影响。另一类方法是基于非线性模型的方法,如基于非线性观测器的方法和基于非线性参数估计的方法。目前对于非线性系统的执行器故障诊断,研究较多的是基于自适应观测器的方法。文献用一个带有一组参数的非线性函数来描述非线性执行器的输入和输出,提出了基于参数估计的非线性自适应观测器方法。它通过比较固定的检测观测器的输出量和执行器输出量之间的差值是否超过指定阈值,判断故障存在。然后根据系统状态利用增益矩阵和时变故障参数的估计等构造非线性自适应观测器,通过选择合适的增益矩阵,并利用参考模型自适应控制,在某些假设下,可以获得对一个对闭集收敛的估计,得到估计故障参数的自适应算法,估计出故障随时间变化的形状。

    在执行器故障诊断研究和实用化过程中,考虑到可能存在的建模误差、参数时变、外部扰动、噪声等未知输入的影响,系统故障诊断设计需要具有一定的鲁棒性,即诊断方法不受不确定项的影响。目前,基于模型的执行器故障诊断研究也多集中在如何提高诊断方法的鲁棒性,加强诊断策略本身对模型失配的适应性以及提高诊断结果的准确性,减少漏报率和误报率等方面。鲁棒技术通常有两种方法:当系统含未知干扰输入时,可采用未知输入观测器解耦技术。当不确定性部分为一有界未知函数时,采用阈值限定技术。

    2.基于信号处理的方法

    这种方法直接利用信号模型,如相关函数、高阶统计量、频谱和自回归滑动平均过程以及小波变换技术。分析可测信号提取诸如方差,幅值,频率等特征值从而诊断出故障。这种方法对于线性系统和非线性系统都适用,从执行器本身特性出发不需要过程模型且易于实现,具有较强的工程应用价值。

    基于小波变换的故障诊断方法是一种时间-尺度分析方法,具有多分辨率分析的特点。连续小波变换可区分信号突变和噪声,离散小波变换可检测随机信号频率结构的突变。一般来说,有三种基于小波变换的故障诊断方法:利用观测信号的奇异性进行故障诊断;利用观测信号频率结构的变换进行故障诊断;利用脉冲响应函数的小波变换进行故障诊断。小波变换不需要系统的数学模型,对噪声的抑制能力强,有较高的灵敏度。文献提出了利用小波变换模极大值在多尺度上的变化来表征信号奇异点的方法,应用于判断执行器调节阀受堵或阀杆卡塞等故障的情况。

    基于部件信息的诊断方法是利用执行器本身的测量数据,以及某些中间结果和系统知识,提取有关执行器故障的特征进行故障诊断的。文献讨论了根据正常情况下作用在阀杆上的力的平衡得到的等式关系,通过对阀行程,流体压力,流体流速的测量计算得到执行器气压的估计值,和实际的测量值比较判断是否出现故障。另外通过对粘滞-滑动现象的分析,发现此故障发生与否,阀杆速度变化的频率分布差异较大,故可利用阀杆速度变化的频率分布实现对此故障的诊断。文献通过检测执行器的输入、反馈、控制结果输出等三个信号本身以及它们之间关系发生的异常变化,研究了执行器在粘滞-滑动、死区、卡死、恒偏差故障下的诊断算法。

   3.基于知识的方法

    基于知识的智能故障诊断技术是故障诊断领域最为引人注目的发展方向之一,它大致经历了两个发展阶段;基于浅知识的第一代故障诊断专家系统和基于深知识的第二代故障诊断专家系统,后来出现的混合结构专家系统,将上述两种方法结合使用,互补不足,相得益彰。它在执行器故障诊断领域的应用,主要集中在专家系统,神经网络和模糊逻辑等几个方面。

    专家系统方法是通过系统知识的获取,在计算机上根据相应的算法和规则进行编程,实现对执行器的故障检测。但在实际系统诊断过程中,浅知识使用较多,深知识利用不足,从而造成诊断系统的解释能力不足;而且在实际应用中知识的获取很困难,系统知识库未能包含诊断对象全部故障信息。

    神经网络方法,在知识获取上,知识只需要用领域专家解决问题的实例或者范例来训练神经网络,与专家系统相比,具有更高的时间效率,又能保证更高的质量;在知识表示方面,神经网络采取隐式表示,获取知识的同时,自动产生的知识由网络的结构及权值来表示,并将某一问题的若干知识表示在同一网络中,通用性强,便于实现知识的自动获取和并行联想推理;在知识推理方面,神经网络通过神经元之间的相互作用来实现推理。因此神经网络具有非线性大规模并行处理的特点以及容错性和学习能力,因而被广泛应用于控制系统元部件诊断,执行器诊断和传感器故障诊断。

模糊逻辑由于其处理非线性,模糊性问题的适应能力适应了故障的非线性和模糊性的特点,也被广泛的应用。它的不足之处在于,对复杂的诊断系统,要建立正确的模糊规则和隶属函数是非常困难的,而且需要花费很长的时间。因此在实际应用中常与其他诊断方法结合使用。

   二、基于神经网络的故障诊断技术

    神经网络在故障诊断中主要有四种功用:代替数学模型产生残差;不同的神经网络可以训练为对残差的评估进行分类;进行一步诊断,不需要中间产生残差;采用神经网络作自适应误差补偿。目前研究的基于神经网络的执行器故障诊断技术主要集中在以下几个方面:

   1.结合观测器技术进行故障诊断

    用神经元网络构造观测器是一种由传统观测器原理发展而来的、典型的神经网络应用于故障诊断的方法。该方法根据观测器模型确定出神经网络观测器输入输出信号间的映射关系,用一组在执行器正常运行时取得的数据,对神经网络观测器进行训练。训练后的神经网络观测器即可用来产生故障残差。这种方法原理清晰,既保留了基于模型故障诊断方法的特点,又发挥了神经网络的优势。该方法不仅能检测执行器故障的发生,而且能利用在线神经网络逼近器辨识执行器故障。文献提出基于B样条神经网络的非线性系统执行器诊断方法。采用B样条基函数网络来逼近执行器的非线性特性,由于基函数分布是固定的,故障的检测和诊断问题可以视为对网络权值参数的检测和估计,采用自适应诊断观测器估计权值参数,当参数估计值偏离正常的参数值时,表明执行器由于故障而改变了非线性的特性。

    2.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

    模式识别的方法是对系统的工作流程经过仿真和分析,建立各种故障模式,根据测量信息,确定系统应属于哪一类模式,从而检测和分离故障。将神经网络直接用于故障诊断,通过选择关键参数作为网络的输入层,故障类型在输出层给出。通过对故障实例的训练和学习,用分布在神经网络中的连接权值来表达所学习的故障诊断知识,具有对故障的联想记忆、模式匹配和相似归纳的能力,可以实现故障和征兆间的复杂的非线性映射关系。文献通过建立多层前馈神经网络,实现了对执行器供气压力不正确,排气孔堵塞和膜片泄漏故障的识别。与阀门阶跃响应有关,包括滞后时间,上升时间,稳态误差等7个参数都是利用商用软件进行诊断实验获得的。通过总结分析发现这些参数的值和上述故障的种类以及大小有关,因此以这些参数作为网络输入,以3种故障作为网络的输出建立多层前馈神经网络。为反映每种故障的严重程度的范围需要选择多组故障实例,采用梯度下降的动量算法进行网络训练。但由于非常大量的故障组合的可能,在这里不考虑在实际可能中,两个或更多故障同时发生的情况,这表现了这种方法的潜在局限。

    3.从预测的角度,应用神经网络作为动态预测模型器进行故障诊断

    利用神经网络高度的非线性映射能力,训练神经网络来预测执行器正常的输出。用实际的控制信号作为网络的输入,网络的输出则是对执行器的输出信号的预测值,通过对神经网络的预测输出和执行器的实际输出的比较来判断执行器是否存在故障。

    4.结合模糊逻辑进行故障诊断

    由于执行器的非线性,使故障征兆和故障原因之间难以建立准确的对应关系。模糊神经网络应用模糊集合论、模糊语言变量及模糊逻辑推理来模拟人的模糊思维方法,采用神经网络结构,结合人们的先验知识进行模糊推理,使之具有准确的非线性拟合和学习能力。文献提出可以做早期的故障检测和分离的方法。采用模糊的方法来处理神经网络的输出结果,并对推理过程进行解释。

    另外,神经网络建模作为一种通用的学习算法可以赋予模糊系统学习能力。基于自适应神经网络的模糊推理系统(ANFIS)不仅能够从专家的经验中提取语言规则,而且能够利用输入-输出数据优化模型。也就是说基于自适应神经网络的模糊推理系统为模糊建模提供了从数据中获取信息,通过调节隶属函数,使该模型最好地吻合给定数据的模糊建模方法。

    ANFIS由局部映射的模糊规则组成,这些局部映射便于实施最小扰动原理,即网络的自适应过程不仅要减少当前训练模式的输出误差,而且对已学习过的响应产生最小扰动,因而适宜于在线学习过程。

    文献就是应用ANFIS方法建立一组气动执行器不同的工作状况或不同的故障的模型,它选择控制信号、现在时刻的活塞位移和前一时刻的活塞位移作为输入,下一时刻活塞位移的预测值作为输出来建立气动执行器的ANFIS模型。然后构造了一个基于多模型的故障诊断系统产生偏差信号,并用由偏差绝对值的累加和构成的最小指数来探测故障的发生。实现供气压力故障的在线诊断。文献用ANFIS对气动执行器的各种不同工作情形,包括正常,低,高的供气压力建立一组ANFIS模型。提出应用从ANFIS模型中抽取的关键数据构成输入向量,利用学习向量网络(LVQ)具有很强的非线性分类能力的优点,对气动执行器供气压力故障进行诊断。

    因为执行器的复杂特性,其故障诊断技术还有待研究。随着对基于神经网络的执行器故障诊断方法的深入研究,一些高效的网络结构和新的算法将会被应用其中。

    三、故障诊断方法的比较

    基于模型的故障诊断方法,其特点是依赖被诊断对象的精确模型,优点是能深入系统本质的动态性质和实现实时诊断。但是在实际的诊断中,对象的精确模型很难获得,或者虽然得到了某一时刻的精确模型,但随着运行时间的推移,系统参数发生漂移,模型的准确性变差。此时,根据模型法得到的诊断结果可靠性显著下降,故障的误报率增加。正因如此,对于基于模型法的研究方向主要集中在如何提高诊断方法对模型失配的适应性,如何增强对未知输入干扰的鲁棒以及自适应于阈值的确定等方面。其缺点是当系统模型未知、不确定或者具有非线性时,这种方法不易实现。

    基于信号处理的方法实现简单,实时性较好,但对潜在的早期故障的诊断显得不足,且多适于故障的检测,对故障的分离和诊断较弱一些,与其它方法结合可望提高其故障诊断性能。

    基于神经网络的方法在处理信息方面具有并行性、鲁棒性、记忆性、自组织性等显著优势,已经被很多学者作为故障诊断研究的主要手段。神经网络的不足之处在于未能充分利用特定领域中专家积累起来的宝贵经验,只利用一些明确的故障诊断实例,而且需要足够的学习样本,才能保障诊断的可靠性。由于神经网络从故障实例中学到的知识只是一些分布权值,而不是类似领域专家逻辑思维的产生式规则,因此,诊断推理过程不能够解释,缺乏透明度。在诊断过程中,其算法的实现较为复杂,用软件的方式实现很难体现出神经网络并行处理数据的能力,而用硬件的方式实现成本较高等。因此,为了克服其局限性,今后的研究方向是高性能神经网络的研究、神经网络与其他方法的联合使用、以及神经网络的硬件实现。

    四、总结

    本文归纳的上述各种执行器故障诊断方法各有千秋。其中基于信号处理的方法无需对象模型,而且可明显的抑制噪声。基于神经网络的诊断方法比较复杂,但其具有鲁棒性好,抗干扰能力强,诊断中数据处理速度快等优点。基于模型的方法诊断机理清楚,实现简单,但对模型的依赖性较高。因此将多种不同的智能技术结合起来的混合诊断将会是执行器故障诊断研究的一个发展趋势,特别是神经网络、模糊逻辑以及专家系统结合的故障诊断技术研究。同时也还有许多问题需要深入研究,如对于非线性时滞系统的研究以及对容错控制的研究,当出现故障时,分离故障并根据故障特征进行补偿,以保证在故障状态下仍能保证系统的完整性和性能,提高系统工作的可靠性。

    总的来说,现有的大多数执行器故障诊断的研究成果只是在实验室阶段,所以研究工程实现性强的故障诊断方法也是一项重要的工作。随着控制理论、信号处理、模式识别、人工智能等学科的发展,以后会越来越深入的研究执行器故障诊断。