故障診斷技術(shù)綜述及發(fā)展趨勢

文/卿宇搏 莫學(xué)芳 吳上海

隨著現(xiàn)代科學(xué)技術(shù)水平的日益提高，尤其是計(jì)算機(jī)科學(xué)和控制科學(xué)的飛速發(fā)展，現(xiàn)代控制系統(tǒng)的結(jié)構(gòu)日益復(fù)雜，功能越來越完善，規(guī)模也越來越龐大，人們對于設(shè)備的安全性、可靠性和有效性的要求也越來越高，因此故障診斷技術(shù)愈來愈受到人們的重視。

在部隊(duì)中對系統(tǒng)、設(shè)備的安全要求更高，對快速、準(zhǔn)確、高效的故障診斷技術(shù)的需求更迫切。比如在軍隊(duì)油料儲運(yùn)過程中，油泵房是管道輸油中最關(guān)鍵的場所，泵房的運(yùn)行管理水平的高低直接關(guān)系著輸油能否安全、平穩(wěn)、高效、低能耗和部隊(duì)保障能力的好壞。而目前，油料儲運(yùn)過程在用故障診斷模式主要為人工巡檢獲取故障征兆，基于專家經(jīng)驗(yàn)實(shí)施人工故障診斷。在油庫泵房的具體工作過程中，由于其工作環(huán)境惡劣、工作狀態(tài)復(fù)雜，當(dāng)故障發(fā)生時，很難及時準(zhǔn)確地判斷故障發(fā)生的部位及原因。因此，如何將人工診斷模式轉(zhuǎn)變?yōu)樽詣釉\斷模式，實(shí)時獲得低誤報(bào)率和低漏報(bào)率的故障檢測與診斷結(jié)果，是進(jìn)一步提高油料儲運(yùn)安全與穩(wěn)定的前提。

1.故障診斷技術(shù)發(fā)展概述

眾所周知，基于解析冗余的故障診斷技術(shù)是從二十世紀(jì)七十年代初首先在美國發(fā)展起來的。1967 年，在美國宇航局和海軍研究所的倡導(dǎo)和組織下，成立了美國機(jī)械故障預(yù)防小組（MFPG），對故障診斷技術(shù)分專題進(jìn)行研究。1971 年，麻省理工學(xué)院的Beard發(fā)表的博士論文[1]和Mehra和Peschon發(fā)表在Automatica上的論文[2]，首先提出了用軟件冗余代替硬件冗余、通過系統(tǒng)自組織使系統(tǒng)閉環(huán)穩(wěn)定、通過比較器的輸出得到系統(tǒng)故障信息的新思想，標(biāo)志著控制系統(tǒng)故障診斷技術(shù)的開端。

在國內(nèi)，第一篇故障診斷技術(shù)的綜述文章[3]由葉銀忠等人于1985年在《信息與控制》上發(fā)表； 1994 年，清華大學(xué)出版社出版了國內(nèi)第一本動態(tài)系統(tǒng)故障診斷技術(shù)的學(xué)術(shù)專著，即周東華等人編寫的《控制系統(tǒng)的故障檢測與診斷技術(shù)》[4]。隨后幾年又有新的論文發(fā)表和學(xué)術(shù)專著出版。

1990年，國際控制系統(tǒng)故障診斷權(quán)威、德國杜伊斯堡大學(xué)的P.M.Frank教授將基于軟件冗余的故障診斷方法劃分為三大類[5]：基于解析模型的方法、基于知識的方法和基于信號處理的方法。基于解析模型的故障診斷方法是最早發(fā)展起來的，適用于被控過程能夠建立精確的數(shù)學(xué)模型?；谛盘柼幚淼墓收戏椒ㄟm用于那些雖然被控對象的精確的解析數(shù)學(xué)模型很難建立，但是可以得到輸入輸出信號的被控過程。基于知識的故障診斷方法則適用于被控對象的數(shù)學(xué)模型和輸入輸出信號都不能得到的被控過程。

在理論研究的深入和相關(guān)領(lǐng)域的發(fā)展的同時, 各種新的診斷方法也層出不窮，上述劃分方式已不是十分準(zhǔn)確，尤其對于工業(yè)過程故障診斷領(lǐng)域發(fā)展起來的新方法更是如此。如控制圖方法、主元分析法(PCA)和部分最小二乘法(PLS)等與統(tǒng)計(jì)學(xué)有關(guān)的方法，歸為信號處理的方法并不恰當(dāng)。此外基于圖論的一些方法，把它們歸于基于知識的方法也不是很合適。美國Purdue 大學(xué)Venkatasubramanian 教授將控制系統(tǒng)故障診斷方法分為：基于定量模型的方法、基于定性模型的方法和基于過程歷史數(shù)據(jù)的方法三大類[6]，突出了基于數(shù)據(jù)驅(qū)動的故障診斷知識獲取方式。

2.故障診斷方法及其研究現(xiàn)狀

2.1 基于定量模型的方法

基于定量模型的方法是發(fā)展最早、研究最系統(tǒng)的一種故障診斷方法。它隨著解析冗余思想的提出而形成發(fā)展，指導(dǎo)思想是用解析冗余取代硬件冗余，通過比較診斷對象的可測信息和由冗余數(shù)學(xué)模型表達(dá)的系統(tǒng)先驗(yàn)知識，產(chǎn)生殘差，并對殘差進(jìn)行分析和處理，獲取故障信息，從而實(shí)現(xiàn)故障診斷[7]?；诙磕Ｐ偷墓收显\斷方法分為基于狀態(tài)估計(jì)的方法和基于參數(shù)估計(jì)的方法。

（1） 基于狀態(tài)估計(jì)的故障診斷方法。

由于被控過程的狀態(tài)直接反映系統(tǒng)的運(yùn)行狀態(tài)，所以只要估計(jì)出系統(tǒng)的狀態(tài)，并結(jié)合適當(dāng)?shù)哪Ｐ图纯蓪Ρ豢貙ο筮M(jìn)行故障診斷。這種方法首先利用系統(tǒng)的解析模型和可測信息，重構(gòu)系統(tǒng)的被控過程，構(gòu)造殘差序列，殘差序列中包含豐富的故障信息，再對殘差進(jìn)行分析處理，從而實(shí)現(xiàn)故障的檢測與診斷[8]。殘差序列通過設(shè)計(jì)檢測濾波器(觀測器)產(chǎn)生。通常可用Luenberger 觀測器及卡爾曼濾波器進(jìn)行狀態(tài)估計(jì)。如Caliskan將Kalman 濾波器用于傳感器的故障檢測[9]。Keller 則仔細(xì)分析了用于故障診斷的Kalman 濾波器的結(jié)構(gòu)，并對其殘差進(jìn)行了解耦，使得能夠同時檢測多個傳感器故障[10]。國內(nèi)應(yīng)用kalman濾波器進(jìn)行故障診斷的方法如文獻(xiàn)[11]采用卡爾曼濾波器組，建立航空發(fā)動機(jī)控制系統(tǒng)傳感器故障診斷系統(tǒng)，實(shí)現(xiàn)對單個傳感器故障的檢測、隔離與重構(gòu)（FDIA），并分析了測量噪聲對故障診斷系統(tǒng)性能的影響，為發(fā)動機(jī)在線傳感器故障診斷系統(tǒng)的實(shí)現(xiàn)提供了理論依據(jù)。基于狀態(tài)估計(jì)的故障診斷方法依然是人們研究的一個熱點(diǎn)。狀態(tài)估計(jì)方法，在能獲得系統(tǒng)的精確數(shù)學(xué)模型的情況下，是最簡單、有效的故障診斷方法。然而由于實(shí)際控制系統(tǒng)大多是非線性系統(tǒng)，且非線性系統(tǒng)對象的數(shù)學(xué)模型很難建立，所以基于狀態(tài)估計(jì)的故障診斷方法研究主要集中于線性系統(tǒng)，對非線性系統(tǒng)的研究成果還比較少。目前處理非線性系統(tǒng)主要有兩種方法，一是將非線性系統(tǒng)整體或局部線性化，二是基于非線性觀測器和參數(shù)估計(jì)的方法。

（2） 基于參數(shù)估計(jì)的故障診斷方法。

參數(shù)估計(jì)的故障診斷方法是根據(jù)模型參數(shù)及相應(yīng)的物理參數(shù)的變化量序列的統(tǒng)計(jì)特性來進(jìn)行故障診斷。其基本思想是根據(jù)系統(tǒng)參數(shù)及相應(yīng)的過程參數(shù)變化來檢測故障。因?yàn)楸辉\斷對象的故障可以視為其過程參數(shù)的變化，而過程參數(shù)的變化又往往導(dǎo)致系統(tǒng)參數(shù)的變化?；趨?shù)估計(jì)的故障診斷方法主要有濾波器方法和最小二乘法。參數(shù)估計(jì)方法與狀態(tài)估計(jì)方法相比，前者更利于故障的分離，但計(jì)算量偏大。

2.2 基于定性模型的方法

基于定性模型的故障診斷方法不需要系統(tǒng)精確的數(shù)學(xué)模型?；诙ㄐ阅Ｐ偷姆椒ò堰^程特性的外部表現(xiàn)和人類專家對故障判斷和處理的經(jīng)驗(yàn)，通過抽象化方法直接建立各種過程變量與故障模式之間的定性模型，對系統(tǒng)進(jìn)行推理，預(yù)測系統(tǒng)的定性行為，通過與實(shí)際的系統(tǒng)行為比較，檢測系統(tǒng)是否發(fā)生故障，并診斷系統(tǒng)的故障原因[12]?；诙ㄐ阅Ｐ偷姆椒梢苑譃橐蚬Ｐ头椒ê统橄髮哟畏椒ǎ饕ǘㄐ赃^程理論法(QPT)、定性仿真法(QSIM)和知識觀測器法、定性觀測器法(QOB)、有向圖方法(SDG)、故障樹方法(fault tree)等。其中，定性仿真方法是基于定性模型的故障診斷方法的重要部分。定性仿真方法于1994 年由Kuipers提出，它依據(jù)系統(tǒng)的故障模型進(jìn)行診斷推理。該方法首先利用定性變量（系統(tǒng)物理參數(shù)）和定性微分方程（參數(shù)間相互關(guān)系）構(gòu)造約束模型，然后通過約束模型描述和模仿系統(tǒng)的結(jié)構(gòu)，從而得到由約定初始狀態(tài)出發(fā)的系統(tǒng)狀態(tài)。文獻(xiàn)[13]提出了一種全新的類似于基于解析模型的方法中的狀態(tài)觀測器和Kalman濾波器的知識觀測器。該知識觀測器由定性模型、差異檢測器、候選人發(fā)生器及相應(yīng)診斷策略組成，其核心是定性模型。

基于定性模型的故障診斷方法一般比較簡單，構(gòu)造模型容易、可靠性高、解析能力強(qiáng)、魯棒性好，具有新故障辨識能力等。但是此方法也存在許多不足，如：利用定性方法描述系統(tǒng)，預(yù)測較為保守，因此微小的故障往往容易被忽略。

2.3 基于歷史數(shù)據(jù)的方法

基于歷史數(shù)據(jù)的故障診斷方法的研究與應(yīng)用興起于上世紀(jì)90年代。不同于基于模型的方法需要過程先驗(yàn)知識（不管是定性的還是定量的），基于歷史數(shù)據(jù)的方法僅需要大量有效的過程歷史數(shù)據(jù)?；谶^程歷史數(shù)據(jù)的方法以采集的過程數(shù)據(jù)為基礎(chǔ)，通過各種數(shù)據(jù)處理與分析方法（如多元統(tǒng)計(jì)方法、聚類分析、頻譜分析、小波分析等）挖掘出數(shù)據(jù)中隱含的信息，提高監(jiān)控系統(tǒng)的監(jiān)控和故障診斷能力?；跉v史數(shù)據(jù)的故障診斷方法又分為定性方法和定量方法。

（1） 定性方法。

定性方法中應(yīng)用最廣的是基于規(guī)則的專家系統(tǒng)方法和定性趨勢分析方法。

①專家系統(tǒng) 專家系統(tǒng)方法通過系統(tǒng)知識的獲取，由推理機(jī)根據(jù)故障特征診斷出故障。專家系統(tǒng)通常由數(shù)據(jù)庫、推理機(jī)和知識庫組成。文獻(xiàn)[14]利用專家系統(tǒng)工具CLIPS并結(jié)合C語言開發(fā)傳感器故障在線診斷專系統(tǒng)。專家系統(tǒng)的優(yōu)點(diǎn)是不依賴于系統(tǒng)模型，規(guī)則易于增加和刪除，但也有不易克服的缺陷，如實(shí)際應(yīng)用中知識獲取的“瓶頸”問題，而且對新故障不能診斷。傳統(tǒng)的專家系統(tǒng)進(jìn)行傳感器的故障診斷存在局限性。

②定性趨勢分析方法 趨勢可以反映仿真系統(tǒng)[15]運(yùn)行狀態(tài)的重要參數(shù)、發(fā)展速度與趨勢，為故障的早期判定提供一個有效的手段?；诙ㄐ在厔莘治龅墓收显\斷方法的基本思想是首先利用趨勢提取算法，將時間序列轉(zhuǎn)換為基元序列，然后采用相容度檢驗(yàn)或基于模糊邏輯的相似度檢驗(yàn)，將實(shí)時趨勢與知識庫里的特征趨勢相匹配，以檢測過程狀態(tài)或行為，獲取故障類型，實(shí)時診斷故障?；诙ㄐ在厔莘治龅墓收显\斷方法具有快速檢測診斷故障、解析能力強(qiáng)、魯棒性好并新故障辨識能力等優(yōu)點(diǎn)，已被廣泛地用于過程狀態(tài)監(jiān)測、數(shù)據(jù)壓縮、故障檢測和診斷。但由于這種方法是基于數(shù)據(jù)的，在提取和識別趨勢的過程中，計(jì)算的時間會限制這種方法的應(yīng)用。

（2） 定量方法。

基于歷史數(shù)據(jù)的故障診斷定量方法分為統(tǒng)計(jì)學(xué)方法和非統(tǒng)計(jì)學(xué)方法。這兩類方法都是對實(shí)時數(shù)據(jù)的抽樣進(jìn)行特征提取的方法。統(tǒng)計(jì)學(xué)方法包括支持向量機(jī)（SVM）、主元分析法(PCA)、部分最小二乘法(PLS)等，非統(tǒng)計(jì)學(xué)方法即常用的神經(jīng)網(wǎng)絡(luò)法。

①主元分析法 主元分析法的基本思想是用一組互不相關(guān)的新變量代替原變量。這組新變量是原變量的線性組合，不但個數(shù)比原變量少，而且盡可能地?cái)y帶原變量的有用信息。

②神經(jīng)網(wǎng)絡(luò)方法 神經(jīng)網(wǎng)絡(luò)具有以任意精度逼近任何連續(xù)非線性函數(shù)的能力，以及從樣本學(xué)習(xí)的能力，已經(jīng)廣泛應(yīng)用于控制系統(tǒng)元部件、執(zhí)行器和傳感器的故障診斷。針對控制系統(tǒng)的非線性特征，利用神經(jīng)網(wǎng)絡(luò)的非線性大規(guī)模并行處理方面的能力，以及容錯性及學(xué)習(xí)能力[16]，通過離線學(xué)習(xí)構(gòu)建神經(jīng)網(wǎng)絡(luò)觀測器、神經(jīng)網(wǎng)絡(luò)辨識器或神經(jīng)網(wǎng)絡(luò)預(yù)測器模型，在線將模型輸出與系統(tǒng)實(shí)際輸出比較得到殘差，通過對殘差進(jìn)行分析和處理，獲取故障信息，從而實(shí)現(xiàn)控制對象故障的實(shí)時診斷。

③支持向量機(jī) 下面將著重介紹支持向量機(jī)的故障診斷方法。

3.支持向量機(jī)的研究現(xiàn)狀

作為支持向量機(jī)的奠基者，Vapnik早在60年代就開始了統(tǒng)計(jì)學(xué)習(xí)理論的研究，1971年，Vapnik和Chervonenkis提出了SVM的一個重要理論基礎(chǔ)——VC維理論。1982年，Vapnik進(jìn)一步提出了具有劃時代意義的結(jié)構(gòu)風(fēng)險最小化原理，堪稱SVM算法的基石。

1992年，Boser、Guyon和Vapnik，提出了最優(yōu)邊界分類器。

1993年，Cortes和Vapnik進(jìn)一步討論了非線性最優(yōu)邊界的分類問題。

1995年，Vapnik完整地提出了SVM分類器。

1997年，Vapnik、Gokowich和Smola詳細(xì)介紹了基于SVM方法的回歸算法和信號處理方法。

Vapnik在1995年出版了專著“The Nature of Statistical Learning Theory”[17]之后，在國際范圍內(nèi)引起了研究學(xué)習(xí)統(tǒng)計(jì)學(xué)習(xí)理論(Statistical Learning Theory, SLT)和支持向量機(jī)(Support Vector Machines, SVM)算法的熱潮，各種雜志都紛紛撰文介紹SLT和SVM的內(nèi)容[18,19]，各個領(lǐng)域的研究人員也紛紛將SLT理論和SVM算法應(yīng)用到不同的領(lǐng)域，如模式識別[20,21]，回歸分析[22]，信號處理[23]等。

和目前比較常用的神經(jīng)網(wǎng)絡(luò)診斷方法相比，SVM具有以下顯著的優(yōu)勢[17,24]：

①堅(jiān)強(qiáng)的理論背景使得SVM有很高的推廣能力，可以避免過度訓(xùn)練。

②SVM通常有解，可以使用一個標(biāo)準(zhǔn)的算法(二次規(guī)劃)很快地求得解，而且這個解通常是全局最優(yōu)解，因此不會出現(xiàn)局部能量最小點(diǎn)的問題。

③SVM不需要事先確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，當(dāng)訓(xùn)練過程結(jié)束時自動地確定拓?fù)浣Y(jié)構(gòu)。

④SVM可被看作信息縮減的一種表達(dá)，它可以解決高維問題而且可以避免“維數(shù)災(zāi)難”。

⑤SVM對小樣本機(jī)器學(xué)習(xí)有著良好的性能。

由于SVM算法的潛在的應(yīng)用價值，吸引了國際上眾多的知名學(xué)者，近幾年對其研究不斷深入，出現(xiàn)了許多發(fā)展和改進(jìn)的支持向量算法[25]。SVM機(jī)器學(xué)習(xí)算法很好地執(zhí)行了統(tǒng)計(jì)學(xué)習(xí)理論的結(jié)構(gòu)風(fēng)險最小化原則，其應(yīng)用于故障診斷最大的優(yōu)勢在于它適合于小樣本決策，其學(xué)習(xí)方法的本質(zhì)在于能夠在有限特征信息情況下，最大限度地發(fā)掘數(shù)據(jù)中隱含的分類知識，這一點(diǎn)對于故障診斷而言有很強(qiáng)的實(shí)際意義。

支持向量機(jī)理論表現(xiàn)出來的良好性能吸引了故障診斷領(lǐng)域研究人員的注意，國內(nèi)外眾多學(xué)者對其在智能故障診斷領(lǐng)域的應(yīng)用進(jìn)行了研究。如 Poyhonen.S 等人在電子機(jī)器故障診斷方面對 SVM 的應(yīng)用進(jìn)行了研究[26]；Achmad Widodo 等將 SVM應(yīng)用于異步電動機(jī)故障診斷中[27]；JunFeng Gao 等將 SVM 用于往復(fù)式泵故障診斷[28]；肖健華對應(yīng)用于故障診斷的 SVM 進(jìn)行了理論研究[29]，對樣本不對稱情況進(jìn)行了算法改進(jìn)[30]并在齒輪故障診斷中進(jìn)行了應(yīng)用研究[31]；胡壽松將 SVM 應(yīng)用于非線性系統(tǒng)故障診斷[32]；重慶大學(xué)博士馬笑瀟對 SVM 在智能故障診斷中的應(yīng)用[33,34]進(jìn)行了詳細(xì)的探討；西安交通大學(xué)博士祝海龍?jiān)谄洳┦繉W(xué)位論文[25]中對統(tǒng)計(jì)學(xué)習(xí)理論的工程應(yīng)用進(jìn)行了不同領(lǐng)域的研究，涉及信號消噪機(jī)械故障診斷和人臉檢測，其中故障診斷方面研究了汽車發(fā)動機(jī)振動故障的自動診斷；張周鎖等對基于支持向量機(jī)的機(jī)械故障診斷方法進(jìn)行了研究[35]；董明等將其用于大型電力變壓器故障診斷模型研究[36]；朱凌云等從數(shù)據(jù)挖掘的角度運(yùn)用 SVM 分類算法進(jìn)行自動缺陷識別的方法研究[37]。

這些針對不同故障對象的診斷研究在理論和仿真方面都取得了基本令人滿意的結(jié)果，表明了支持向量機(jī)算法適合于故障診斷領(lǐng)域?？煽紤]將支持向量機(jī)引入油庫泵房過程監(jiān)控和故障診斷中，以確保油庫泵房的正常運(yùn)行。

4.故障診斷發(fā)展趨勢

基于定性模型、基于定量模型、基于歷史數(shù)據(jù)的診斷方法各有其優(yōu)勢和特點(diǎn)，但它們各自也存在著局限性。對于實(shí)際對象的故障診斷，如用單一的方法，有時難以準(zhǔn)確快速地完成對復(fù)雜對象的故障診斷。因此，多種診斷方法的結(jié)合將多種不同的智能技術(shù)結(jié)合起來的混合診斷系統(tǒng)，是智能故障診斷研究的一個發(fā)展趨勢。集成診斷方法能綜合各診斷方法的特點(diǎn)，能克服各診斷方法的局限性，從而提高診斷系統(tǒng)的智能性和診斷效率。比如陳淼峰將時頻分析的經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和模式識別的支持向量機(jī)(SVM)應(yīng)用于轉(zhuǎn)子系統(tǒng)的故障診斷中[38]；高東等提出一種 PCA 與 SDG（符號有向圖）相結(jié)合的傳感器故障診斷的方法[39]智能故障診斷系統(tǒng)的核心問題是它的學(xué)習(xí)能力。知識的自動獲取一直是智能故障診斷系統(tǒng)研究中的難點(diǎn)。解決知識獲取問題的途徑是機(jī)器學(xué)習(xí)，即讓機(jī)器自身具有獲取知識的能力，能在實(shí)際工作中不斷總結(jié)成功和失敗的經(jīng)驗(yàn)教訓(xùn)，對知識庫中的知識自動進(jìn)行調(diào)整和修改，以豐富和完善系統(tǒng)的知識。機(jī)器學(xué)習(xí)是提高故障診斷系統(tǒng)智能的主要途徑，也是衡量一個系統(tǒng)智能程度的主要標(biāo)志。因此，發(fā)展和完善現(xiàn)有的機(jī)器學(xué)習(xí)方法，探索新的學(xué)習(xí)方法，建立實(shí)用的機(jī)器學(xué)習(xí)系統(tǒng)，特別是多種學(xué)習(xí)方法協(xié)同工作的智能診斷系統(tǒng)，將是今后研究的一個重要方向。

[1]Beard R V.Fault accommodation in linear systems throughself-reorganization. ReportVT-71-1,ManVehicleLab, MIT,Cambridge, Massachusetts,1971

[2]Mehra R K,Peschon J.An innovation approach to fault detection anddiagnosis in dynamics.Automatica,1971,7:637～640

[3]葉銀忠,潘日芳,蔣慰孫.動態(tài)系統(tǒng)的故障檢測與診斷方法.信息與控制1985,15(6):27～34

[4]周東華,孫優(yōu)賢.控制系統(tǒng)的故障檢測與診斷技術(shù)[m].北京:清華大學(xué)出版社,1994

[5]Frank P M. Fault diagnosis in dynamics systems using analytical and knowledge-based redundancy: a survey and some new results [J]. Automatica, 1990, 26(3): 459～474.

[6]Venkatasubramanian V, Rengaswamy R, N S ,et al.A review of process fault detection and diagnosis: Quantitative model-based methods [J]. Computers and Chemical Engineering,2003,27(3): 293～346

[7]Isermann R. Model-based fault-detection and diagnosis—status and applications [J]. Annual Reviews in Control, 2005, 29(1):71～85

[8]聞新，張洪鑰，周露.控制系統(tǒng)的故障診斷和容錯控制[M].北京:機(jī)械工業(yè)出版社，1998.

[9]Caliskan F, Hajiyev C M.Aircraft Sensor Fault Diagnosis Based on Kalman Filter Innovation Sequence [C]. Proceedings of 37th Conference on Decision &Control.Tampa, USA,1998:1313～1314.

[10]Keller J Y. Fault isolation filters design for linear stochastic systems [J]. Automatica, 1999,35:1701～1706.

[11]陳毅, 黃金泉, 張鵬.航空發(fā)動機(jī)控制系統(tǒng)傳感器FDIA系統(tǒng)仿真[J].航空動力學(xué)報(bào),2008,23(2): 396～400.

[12]王文輝，周東華. 基于定性和半定性方法的故障檢測與診斷技術(shù)[J].控制理論與應(yīng)用,2002,19(5):653～666.

[13]Frank,P.M.,New developments using AI in fault diagnosis[J].Proc.of IFAC Workshop on Artifical Intelligence in Real～time Control,Bled,Slovenia,1995.

[14]蔣東翔,張禮勇.基于知識的傳感器故障在線診斷系統(tǒng)[J].電測與儀表, 1993(11): 39～41.

[15]楊明, 張冰, 王子才. 建模與仿真技術(shù)發(fā)展趨勢分析[J].系統(tǒng)仿真學(xué)報(bào), 2004, 16(9):1901～1904.

[16]從爽.神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)及其在運(yùn)動控制中的應(yīng)用[M]，北京：中國科學(xué)技術(shù)大學(xué)出版社，2002

[17]Vapnik V.N. The nature of statistical learning theory, New York: Springer～Verlag, 1995

[18]Vapnik V.N. An overview of statistical learning theory [J],IEEE Trans Neural Networks,1999,10(5):988～999

[19]Vidgasagar. A theory of learning and generalization. New York: Springer-Verlag, 1997

[20]Burges C.J.C. Simplified Support Vector Learning.Cambridge, MA:MIT Press, 1999

[21]Scholkopf. B, Mika S, Burges C.J.C. etc. Input space versus feature space in kernel based methods [J]. IEEE Trans Neural Networks, 1999,10(5):1000～1017

[22]Smola A., Scholkopf B. A tutorial on support vector regression. Neuro COLT: Technical Report,19, 1998

[23]Vapnik V.N. Support vector method for function approximation, regression, and signal processing.In:Proc.NIPS’9,San,1997

[24]張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動化學(xué)報(bào)，2000,26(1):32～42

[25]祝海龍.統(tǒng)計(jì)學(xué)習(xí)理論的工程應(yīng)用[D].[博士學(xué)位論文],西安:西安交通大學(xué),2002

[26]Poyhonen S, Negrea M, Arkkio A. etc. Support vector classification for fault diagnostics of an electrical machine[C].Proc. of international conference on signal processing (ICSP’02), Beijing,China, August, 2002,26～30

[27]Achmad Widodo, Bo Suk Yang, Tian Han. Combination of independent component analysis and support vector machines for intelligent faults diagnosis of induction motors [J]. Expert Systems with Applications.2006,233～242

[28]Junfeng Gao, Wengang Shi, Jianxun Tan, etc. Support Vector Machines based on Approach for Fault Diagnosis of Valves in Reciprocating Pumps[C]. Proc of the 2002 IEEE Canadian Conference of Electrical & Computer Engineering.1622～1627

[29]肖健華,樊可清,吳今培.應(yīng)用于故障診斷的SVM理論研究[J].振動、測試與診斷,2001,21(4):258～262

[30]肖健華,吳今培.樣本數(shù)目不對稱時的SVM模型[J].計(jì)算機(jī)科學(xué),2003,30(2):165～167

[31]肖健華,吳今培,樊可清.基于支持向量機(jī)的齒輪故障診斷方法[J].中國制造業(yè)信息化,2003,32(2):107～109

[32]胡壽松,王源.基于支持向量機(jī)的非線性系統(tǒng)故障診斷[J].控制與決策,2001,16(5):617～620

[33]馬笑瀟,黃席樾.基于SVM二叉樹分類算法及其在故障診斷中的應(yīng)用[J].控制與決策,2002,18:272～276

[34]馬笑瀟,黃席樾,柴毅.基于支持向量機(jī)的故障過程趨勢預(yù)測研究[J].系統(tǒng)仿真學(xué)報(bào),2002,14(11):1548～1551

[35]張周鎖,李凌均,何正嘉.基于支持向量機(jī)的機(jī)械故障診斷方法研究[J].西安交通大學(xué)學(xué)報(bào),2002,36(12):1303～1306

[36]董明,孟源源,徐長響.基于支持向量機(jī)及油中溶解氣體分析的大型電力變壓器故障診斷模型研究[J].中國電機(jī)工程學(xué)報(bào)，2003,23(7):88～92

[37]朱凌云,曹長修.基于支持向量機(jī)的缺陷識別方法[J].重慶大學(xué)學(xué)報(bào),.2002,25(6):42～45

[38]陳淼峰. 基于EMD與支持向量機(jī)的轉(zhuǎn)子故障診斷方法研究[D].[碩士學(xué)位論文],長沙:湖南大學(xué),2005

[39]高 東, 吳重光, 張貝克, 馬 昕. 基于 PCA 和 SDG 的傳感器故障診斷方法研究及應(yīng)用[J]. 系統(tǒng)仿真學(xué)報(bào), 2011, 23(3):567～573