基于大數(shù)據(jù)的控制系統(tǒng)故障診斷方法綜述

房漢鳴，稅愛(ài)社，汪輝，宗福興，路申易

(1.后勤工程學(xué)院 后勤信息與軍事物流工程系，重慶401311；2.工程兵學(xué)院；3.后勤工程學(xué)院 管理科學(xué)與工程系)

?

基于大數(shù)據(jù)的控制系統(tǒng)故障診斷方法綜述

房漢鳴1，稅愛(ài)社1，汪輝2，宗福興3，路申易1

(1.后勤工程學(xué)院 后勤信息與軍事物流工程系，重慶401311；2.工程兵學(xué)院；3.后勤工程學(xué)院 管理科學(xué)與工程系)

大數(shù)據(jù)技術(shù)的發(fā)展使得控制系統(tǒng)故障診斷方法進(jìn)一步豐富和完善，為此在總結(jié)大量參考文獻(xiàn)的基礎(chǔ)上，從控制系統(tǒng)故障診斷方法分類(lèi)變化角度，簡(jiǎn)述了其發(fā)展歷程。通過(guò)新的故障診斷方法分類(lèi)，歸納總結(jié)了控制系統(tǒng)故障診斷方法的現(xiàn)狀，對(duì)比分析了基于解析模型、經(jīng)驗(yàn)知識(shí)和數(shù)據(jù)驅(qū)動(dòng)方法的優(yōu)缺點(diǎn)，最后進(jìn)行了總結(jié)展望。

控制系統(tǒng)；故障診斷；數(shù)據(jù)驅(qū)動(dòng)

引　言

隨著計(jì)算機(jī)的普及、自動(dòng)化水平的提高，控制系統(tǒng)得到了廣泛的應(yīng)用，與此同時(shí)，人們對(duì)控制系統(tǒng)的要求也越來(lái)越高。當(dāng)控制系統(tǒng)發(fā)生故障時(shí)如何快速準(zhǔn)確地進(jìn)行故障診斷成為研究的重點(diǎn)和難點(diǎn)問(wèn)題。數(shù)據(jù)驅(qū)動(dòng)的方法在大數(shù)據(jù)時(shí)代備受關(guān)注，已成為故障診斷領(lǐng)域研究的熱點(diǎn)，控制系統(tǒng)故障診斷方法也因此獲得快速發(fā)展。本文將從控制系統(tǒng)故障診斷方法發(fā)展歷程、現(xiàn)狀和發(fā)展趨勢(shì)3個(gè)方面進(jìn)行概述。

1　發(fā)展歷程

故障診斷是指根據(jù)系統(tǒng)的相關(guān)信息，利用有效手段檢測(cè)系統(tǒng)是否發(fā)生故障，以及發(fā)生故障的位置和類(lèi)型，進(jìn)而找到故障原因等[1]。廣義上的故障診斷包括故障檢測(cè)、故障分離、故障識(shí)別和故障決策4個(gè)部分。但是，研究比較多的是故障檢測(cè)和故障識(shí)別兩方面內(nèi)容[2]。

控制系統(tǒng)故障診斷技術(shù)開(kāi)始于1971年Beard在麻省理工學(xué)院發(fā)表的一篇有關(guān)檢測(cè)濾波器的博士學(xué)位論文[3]，以及Mehra與Peschon發(fā)表在Automatica上的有關(guān)卡爾曼濾波器殘差檢驗(yàn)的論文[4]，他們首次提出用軟件冗余取代硬件冗余的思想，這是基于解析冗余故障診斷技術(shù)的雛形。

在此之后，經(jīng)過(guò)國(guó)內(nèi)外專(zhuān)家在各個(gè)領(lǐng)域的不斷研究，產(chǎn)生了許多故障診斷方法。德國(guó)杜伊斯堡大學(xué)的P. M. Frank教授作為國(guó)際上控制系統(tǒng)故障診斷方面的權(quán)威專(zhuān)家，在1990年，將當(dāng)時(shí)社會(huì)上基于軟件冗余的故障診斷方法分為基于信號(hào)處理、基于知識(shí)和基于解析模型的3種方法[5]，如圖1所示。

隨著故障診斷理論的不斷發(fā)展，許多新的故障診斷方法不斷出現(xiàn)，例如獨(dú)立分量分析、支持向量機(jī)方法等基于統(tǒng)計(jì)分析的方法就不再屬于Frank教授所劃分的3類(lèi)方法中的任何一種。因此，2003年普渡大學(xué)的Venkatasubramanian教授又將故障診斷方法分為基于定量模型、基于定性模型以及基于歷史數(shù)據(jù)的3種方法[6-8]，如圖2所示。

2　現(xiàn)　狀

進(jìn)入21世紀(jì)后，控制系統(tǒng)朝著智能化和集約化的方向發(fā)展，過(guò)程變量不斷增多，系統(tǒng)也存儲(chǔ)著大量的歷史數(shù)據(jù)，使得數(shù)據(jù)挖掘和統(tǒng)計(jì)學(xué)的方法逐步成為故障診斷領(lǐng)域的研究熱點(diǎn)[9]。為了突出基于數(shù)據(jù)驅(qū)動(dòng)方法的重要性，本文將故障診斷方法分為基于解析模型的方法、基于經(jīng)驗(yàn)知識(shí)的方法以及基于數(shù)據(jù)驅(qū)動(dòng)的方法[10]，如圖3所示。

圖1　Frank的故障診斷方法分類(lèi)

圖2　Venkatasubramanian的故障診斷方法分類(lèi)

圖3　本文的故障診斷方法分類(lèi)

2.1基于解析模型的方法

基于解析模型的方法是故障診斷領(lǐng)域研究最早的一種方法，已經(jīng)十分成熟，它是利用系統(tǒng)的物理模型對(duì)產(chǎn)生的殘差進(jìn)行評(píng)價(jià)，判斷系統(tǒng)是否發(fā)生故障。因此，從殘差產(chǎn)生的角度，解析模型方法包括狀態(tài)估計(jì)、基于參數(shù)估計(jì)以及基于等價(jià)空間3種方法[11]。

基于狀態(tài)估計(jì)的方法就是通過(guò)系統(tǒng)中的變量估計(jì)系統(tǒng)的狀態(tài)，與實(shí)際的輸出狀態(tài)進(jìn)行比對(duì)，分析得到的殘差序列用于對(duì)系統(tǒng)進(jìn)行故障診斷[12]?；趨?shù)估計(jì)的方法根據(jù)系統(tǒng)模型中的各參數(shù)變化的統(tǒng)計(jì)學(xué)特征來(lái)對(duì)系統(tǒng)進(jìn)行故障診斷[13]?；诘葍r(jià)空間的方法是通過(guò)分析系統(tǒng)的模型得到理論上輸入、輸出變量間的數(shù)學(xué)關(guān)系，然后用實(shí)際的輸入、輸出測(cè)量值來(lái)檢驗(yàn)系統(tǒng)是否滿足這種數(shù)學(xué)關(guān)系，用以進(jìn)行故障診斷[14]。

一方面，3種方法各有優(yōu)點(diǎn)，狀態(tài)估計(jì)方法對(duì)于模型精確的系統(tǒng)，故障診斷效果非常好[15]；參數(shù)估計(jì)方法避開(kāi)了對(duì)殘差序列的計(jì)算，使得估計(jì)更加方便迅速[16]；等價(jià)空間方法可以在沒(méi)有系統(tǒng)功能部件先驗(yàn)知識(shí)的情況下，直接對(duì)系統(tǒng)進(jìn)行故障診斷[17]。另一方面，3種方法都需要精確的模型，但是現(xiàn)在的系統(tǒng)不僅結(jié)構(gòu)復(fù)雜，而且內(nèi)部變量之間關(guān)聯(lián)性非常強(qiáng)，這就給系統(tǒng)精確模型的建立帶來(lái)了困難。參考文獻(xiàn)[18]將狀態(tài)估計(jì)的方法與RBF神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，將有模型誤差的系統(tǒng)轉(zhuǎn)化為便于分析的規(guī)范形式進(jìn)行故障診斷，提高了診斷的準(zhǔn)確性和魯棒性。雖然人們不斷尋找模型簡(jiǎn)化的方法，但是都不能從根本上解決復(fù)雜系統(tǒng)多變量給解析模型方法帶來(lái)的巨大診斷成本的問(wèn)題。同時(shí)，復(fù)雜系統(tǒng)中存在各種噪聲的干擾，給精確機(jī)理模型的建立帶來(lái)了更大的困難。

2.2基于經(jīng)驗(yàn)知識(shí)的方法

基于經(jīng)驗(yàn)知識(shí)的方法對(duì)于系統(tǒng)模型的精確程度要求不高，主要是依賴專(zhuān)家和相關(guān)操作人員的經(jīng)驗(yàn)，利用啟發(fā)式的知識(shí)對(duì)系統(tǒng)的故障進(jìn)行推理判斷，以達(dá)到故障診斷的目的?，F(xiàn)有的基于經(jīng)驗(yàn)知識(shí)的故障-診斷方法一般分為3大類(lèi)：基于專(zhuān)家系統(tǒng)的方法[19-20]、基于定性仿真的方法[21-22]以及基于模糊邏輯推理的方法[23-24]。

在系統(tǒng)數(shù)學(xué)模型不能精確建立時(shí)，基于經(jīng)驗(yàn)知識(shí)的方法可以根據(jù)系統(tǒng)的相關(guān)信息，使用定性的方式對(duì)系統(tǒng)進(jìn)行故障診斷，適用范圍非常廣[25]。但是這些基于知識(shí)的方法都存在著一定的局限性，例如參考文獻(xiàn)[26]指出專(zhuān)家系統(tǒng)方法可以運(yùn)用各種專(zhuān)家的經(jīng)驗(yàn)，對(duì)系統(tǒng)的運(yùn)行狀況進(jìn)行快速地檢測(cè)，但其過(guò)分依賴專(zhuān)家對(duì)相關(guān)領(lǐng)域知識(shí)和經(jīng)驗(yàn)認(rèn)識(shí)程度，同時(shí)該方法的學(xué)習(xí)能力不是很強(qiáng)。參考文獻(xiàn)[27]指出，模糊邏輯推理方法進(jìn)行故障診斷的前提是構(gòu)建集合論中的隸屬度函數(shù)，用于解決故障與征兆間的不確定關(guān)系，但是這種隸屬度函數(shù)的構(gòu)建與人對(duì)系統(tǒng)的認(rèn)識(shí)程度有關(guān)，具有相應(yīng)的主觀性。

2.3基于數(shù)據(jù)驅(qū)動(dòng)的方法

基于數(shù)據(jù)驅(qū)動(dòng)的方法就是提取系統(tǒng)過(guò)程數(shù)據(jù)中的有用信息，根據(jù)這些有用信息來(lái)診斷系統(tǒng)的故障?，F(xiàn)在的復(fù)雜系統(tǒng)具有多變量、強(qiáng)耦合和非線性等特點(diǎn)，使得系統(tǒng)模型的構(gòu)建非常困難，特別是隨著計(jì)算機(jī)和大數(shù)據(jù)技術(shù)的快速發(fā)展，現(xiàn)階段的系統(tǒng)向著現(xiàn)場(chǎng)總線和集散控制系統(tǒng)(Distributed Control System, DCS)的方向發(fā)展[28]，系統(tǒng)內(nèi)部分布著大量的數(shù)字化儀器儀表以及數(shù)量眾多的傳感器，使得大量的過(guò)程數(shù)據(jù)被存儲(chǔ)起來(lái)。這樣基于解析模型和經(jīng)驗(yàn)知識(shí)方法的故障診斷效果就很不明顯，而基于數(shù)據(jù)驅(qū)動(dòng)的方法逐漸得到人們的關(guān)注，并成為故障診斷領(lǐng)域的熱點(diǎn)[29]。

基于數(shù)據(jù)驅(qū)動(dòng)的方法一般可以分成以下5類(lèi)：機(jī)器學(xué)習(xí)法、信息融合法、信號(hào)處理法、粗糙集法以及統(tǒng)計(jì)分析法[30]。機(jī)器學(xué)習(xí)法的主要思想是利用歷史數(shù)據(jù)去訓(xùn)練學(xué)習(xí)機(jī)器，然后用訓(xùn)練好的機(jī)器去診斷系統(tǒng)故障，其主要的代表方法是神經(jīng)網(wǎng)絡(luò)方法和支持向量機(jī)方法[31]。

信息融合法主要思想是將多源的數(shù)據(jù)整合起來(lái)，通過(guò)數(shù)據(jù)間信息的互補(bǔ)，在一定準(zhǔn)則下完成決策，提高故障診斷的可靠性，根據(jù)融合信息的不同分為數(shù)據(jù)層融合方法、特征層融合方法和決策層融合方法[32]。

信號(hào)處理法的主要思想是利用信號(hào)處理的理論方法和技術(shù)手段，對(duì)過(guò)程數(shù)據(jù)進(jìn)行分析，提取其中時(shí)域或頻域方面的相關(guān)信息來(lái)診斷系統(tǒng)故障，其代表方法有小波變換方法和譜分析方法[33]。

粗糙集法主要思想是從大量的過(guò)程數(shù)據(jù)中尋找隱藏的知識(shí)和分辨系統(tǒng)的某些特點(diǎn)，從而達(dá)到故障診斷的目的，它與模糊邏輯推理方法最大的區(qū)別是其不需要構(gòu)建隸屬度函數(shù)和系統(tǒng)的經(jīng)驗(yàn)知識(shí)[34]。

統(tǒng)計(jì)分析法主要思想是在系統(tǒng)過(guò)程數(shù)據(jù)的基礎(chǔ)上，通過(guò)構(gòu)建對(duì)應(yīng)的統(tǒng)計(jì)量信息，并與統(tǒng)計(jì)量的故障閾值進(jìn)行比較，對(duì)系統(tǒng)進(jìn)行故障診斷，一般分為單變量和多變量統(tǒng)計(jì)分析方法[35]。

基于數(shù)據(jù)驅(qū)動(dòng)的方法避開(kāi)了控制系統(tǒng)建模的難題，解決了過(guò)分依賴經(jīng)驗(yàn)知識(shí)的問(wèn)題，但該方法也存在一定的局限性，還不能達(dá)到故障診斷實(shí)時(shí)性的要求，并且對(duì)于一些未知的故障還不能有效地進(jìn)行診斷。

結(jié)　語(yǔ)

控制系統(tǒng)故障診斷方法的發(fā)展趨勢(shì)具體表現(xiàn)在：一是故障診斷的智能化，現(xiàn)有的故障診斷方法對(duì)現(xiàn)有經(jīng)驗(yàn)知識(shí)依賴程度太大，不能很好地對(duì)故障自動(dòng)實(shí)施診斷，并且故障診斷系統(tǒng)普適性不強(qiáng)；二是多方法融合的故障診斷方法，面臨結(jié)構(gòu)日益復(fù)雜、功能逐漸強(qiáng)大的控制系統(tǒng)，僅使用一種方法難以有效地完成故障診斷任務(wù)；三是在信息獲得、特征提取上仍需進(jìn)一步的研究，已有的故障診斷方法大多側(cè)重于確認(rèn)故障元器件及判斷故障類(lèi)型，對(duì)于最基礎(chǔ)也是最關(guān)鍵的故障信息的提取問(wèn)題研究不深，如何能夠快速、準(zhǔn)確、全面地提取特征信息是一個(gè)重要發(fā)展方向。

[1] 張順.基于HHT-WNN方法的空調(diào)系統(tǒng)傳感器故障診斷研究[D].衡陽(yáng):南華大學(xué),2013.

[2] Raich A,Cinar A.Statistical process monitoring and disturbance diagnosis in multivariable continuous processes [J].AIChE Journal,1996,42(4):995-1009.

[3] Beard R V.Fault accommodation in linear systems through self-reorganization.Report VT-71-1,Man Vehicle Lab,MIT,Cambridge Massachusetts,1971.

[4] Mehra R K,Peschon J.An innovation approach to fault detection and diagnosis in dynamics[J].Automatica,1971(7):637-640.

[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 Part I:Quantitative model-based methods[J].Computers and Chemical Engineering,2003,27(3):293-311.

[7] Venkatasubramanian V,Rengaswamy R,N S,et al.A review of process fault detection and diagnosis Part II：Qualitative models and search strategies[J].Computers and Chemical Engineering,2003,27(3):313-326.

[8] Venkatasubramanian V,Rengaswamy R,N S,et al.A review of process fault detection and diagnosis Part III:Process history based methods[J].Computers and Chemical Engineering,2003,27(3):327-346.

[9] Chai T,Hou Z,Lewis F L,et al.Guest Editorial Data-Based Control,Modeling and Optimization[J].IEEE Transactions on Neural Networks,2011,22(12):2150-2153.

[10] 李晗,蕭德云.基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述[J].控制與決策,2011,26(1):1-9.

[11] Timothy Mulumba,Afshin Afshari,Ke Yan,et al.Robust model-based fault diagnosis for handing units[J].Energy and Buildings,2015,86(1):698-707.

[12] Li L L,Zhou D H.Fast and robust fault diagnosis for a class of nonlinear system: Detectability analysis[J].Computers and Chemical Engineering,2004,28(12):2635-2646.

[13] Bagheri F,Khaloozaded H,Abbaszadeh K.Stator fault detection in induction machines by parameter estimation using adaptive Kalman filter[J].Proc of 2007 Mediterranean Conf on Control and Automation,Piscataway:IEEE,2007:1-6.

[14] Janos Gertler.Analytical redundancy methods in fault detection and isolation[C] //Proc of IFAC/IMACS Symposium on Fault Detection，Supervision and Safety for Technical Processes.Baden-Baden:Pergamon Press,1991.

[15] 李青芯,孫宏斌,王晶,等.變電站—調(diào)度中心兩級(jí)分布式狀態(tài)估計(jì)[J].電力系統(tǒng)自動(dòng)化,2012,36(7):44-50.

[16] 郭洪艷,陳虹,趙海艷,等.汽車(chē)行駛狀態(tài)參數(shù)估計(jì)研究進(jìn)展與展望[J].控制理論與應(yīng)用,2013,30(6):661-672.

[17] 陳莉,鐘麥英.奇異模糊系統(tǒng)基于等價(jià)空間的故障檢測(cè)[J].控制與決策,2011,25(2):182-186.

[18] 劉春生,胡壽松.一種基于狀態(tài)估計(jì)的非線性系統(tǒng)的智能故障診斷[J].控制與決策,2005,20(5):557-561.

[19] YANG Zhi-Ling,WANG Bin,DONG Xing-Hui,et al.Expert System of Fault Diagnosis for Gear Box in Wind Turbine[J].System Engineering Procedia，2012(4):189-195.

[20] 孫福安,劉輝峰,段方振.一種雷達(dá)故障診斷專(zhuān)家系統(tǒng)設(shè)計(jì)[J].現(xiàn)代雷達(dá),2014,36(9):74-78.

[21] 鄧?yán)倮?張獻(xiàn).基于定性仿真理論的故障與診斷[J].哈爾濱理工大學(xué)學(xué)報(bào),2012,17(5):79-83.

[22] Mauricio Maestri,Daniel Ziella,Miryan Cassanello,et al.Automatic qualitative trend simulation method for diagnosing faults in industrial processes[J].Computers&Chemical Engineering.2014,64(5):55-62.

[23] 董曉峰,顧煜炯,邱影,等.基于聚類(lèi)分析與加權(quán)模糊邏輯的汽輪機(jī)組振動(dòng)故障診斷方法研究[J].熱動(dòng)力工程,2011,26(3):275-279.

[24] Safdar Abbas Khan,Boubaker Daachi,Karim Djouani.Application of fuzzy inference system to detection of faults in wireless sensor networks[J].Neurocomputing,2012,94(10):111-120.

[25] 朱大奇,于盛林.基于知識(shí)的故障診斷方法綜述[J].安徽工業(yè)大學(xué)學(xué)報(bào),2002,19(3):197-204.

[26] 卞玉濤,李志華.基于專(zhuān)家系統(tǒng)的故障診斷方法的研究與改進(jìn)[J].電子設(shè)計(jì)工程,2013,21(16):83-86.

[27] 甘偉.基于模糊邏輯推理的汽車(chē)故障診斷系統(tǒng)的研究與設(shè)計(jì)[D].成都:電子科技大學(xué),2011.

[28] 李偉,褚偉.基于Profibus現(xiàn)場(chǎng)總線的水泥廠集散控制系統(tǒng)[J].控制工程,2006,13(9):129-133.

[29] 柴天佑.生產(chǎn)制造全流程優(yōu)化控制與優(yōu)化理論方法的挑戰(zhàn)[J].自動(dòng)化學(xué)報(bào),2009,35(6):641-649.

[30] 周東華,胡艷艷.動(dòng)態(tài)系統(tǒng)的故障診斷技術(shù)[J].自動(dòng)化學(xué)報(bào),2009(6):748-758.

[31] 馬笑瀟.智能故障診斷中的機(jī)器學(xué)習(xí)新理論機(jī)器應(yīng)用研究[D].重慶:重慶大學(xué),2002.

[32] 朱大奇,劉永安.故障診斷的信息融合方法[J].控制與決策,2007,22(12):1321-1328.

[33] 余建青,臧觀建,謝世坤,等.旋轉(zhuǎn)機(jī)械故障診斷中的信號(hào)處理技術(shù)綜述[J].機(jī)床與液壓,2011,39(24):107-110.

[34] 譚天樂(lè).基于粗糙集的過(guò)程建模、控制與故障診斷[D].杭州:浙江大學(xué),2003.

[35] 陳永祿.基于多元統(tǒng)計(jì)方法的田納西化工過(guò)程故障診斷[D].沈陽(yáng):東北大學(xué),2011.

房漢鳴(碩士研究生)，主要從事智能檢測(cè)與控制技術(shù)的研究。

Fault Diagnosis Methods of Control System Based on Big Data

Fang Hanming1,Shui Aishe1,Wang Hui2,Zong Fuxing3,Lu Shenyi1

(1.Department of Logistics Information&Logistics Engineering,Logistic Engineering University of PLA,Chongqing 401311,China;2.Engineers Soldiers College;3.Department of Management Science&Engineering,Logistic Engineering University of PLA)

The method of fault diagnosis about the control system has enriched with the technological development of the big data.The development process of fault diagnosis is described from the perspective of classification on the basis of summarizing a large number of literatures.Fault diagnosis methods of the control system are summarized through the new classification.The advantages and disadvantages of the methods based on the analytical model,the experience knowledge and the data driven are analyzed contrastively.Finally,a summary and outlook are made.

control system;fault diagnosis;data driven

TP273.5

A

(責(zé)任編輯：薛士然2015-10-15)