傳感器智能數(shù)據(jù)確認(rèn)與故障診斷方法研究

宋聰

摘 要：故障檢測與診斷（Fault Detection and Diagnosis，F(xiàn)DD）技術(shù)廣泛應(yīng)用于航空航天、能源、石油化工等生產(chǎn)領(lǐng)域中。FDD 應(yīng)用于傳感器領(lǐng)域的基本術(shù)語有：傳感器故障診斷（Sensor Fault Diagnosis，SFD）、傳感器自確認(rèn)（Sensor SelfValidation，SEVA）、傳感器數(shù)據(jù)確認(rèn)（Sensor Data Validation，SDV）和傳感器性能監(jiān)視（Sensor Performance Monitoring，SPM）等。本文主要對傳感器數(shù)據(jù)確認(rèn)和故障診斷的研究成果進(jìn)行了總結(jié)，希望可以拋磚引玉，對相關(guān)領(lǐng)域的研究有所貢獻(xiàn)。

關(guān)鍵詞：傳感器數(shù)據(jù)確認(rèn);故障診斷;支持向量機(jī)

DOI：10.16640/j.cnki.37-1222/t.2019.24.072

1 傳感器數(shù)據(jù)確認(rèn)和故障診斷的研究方法分類

傳感器數(shù)據(jù)確認(rèn)和故障診斷方法通常按照硬件冗余和解析冗余進(jìn)行分類，這里根據(jù)傳感器數(shù)據(jù)確認(rèn)和故障診斷基準(zhǔn)點(diǎn)的不同，結(jié)合本文的研究思路，給出另一種分類方法。通過對近年來發(fā)展的方法進(jìn)行分析，根據(jù)開展工作基準(zhǔn)點(diǎn)的不同，傳感器數(shù)據(jù)確認(rèn)和故障診斷可以分為基于單傳感器（變量）角的方法和基于系統(tǒng)模型的方法兩大類，圖1所示為研究方法分類圖。

2 基于單傳感器的數(shù)據(jù)確認(rèn)和故障診斷方法概述

基于單傳感器（單變量）的方法從單個傳感器的角度考慮數(shù)據(jù)確認(rèn)和故障診斷問題，主要包括硬件冗余法、信號分析法和傳感器預(yù)測器法等。由于自確認(rèn)傳感器所采用的方法和目的都具有一定的特殊性.常見的方法有：硬件冗余方法;信號分析方法;傳感器預(yù)測器方法;自確認(rèn)傳感器等方法。

3 基于系統(tǒng)模型的數(shù)據(jù)確認(rèn)和故障診斷方法概述

3.1 解析模型方法

3.1.1 狀態(tài)觀測器法

作為狀態(tài)觀測器法，龍伯格觀測器（Luemberger observers）和卡爾曼濾波器（Kalman filters）被廣泛應(yīng)用于系統(tǒng)的故障檢測與分離。狀態(tài)觀測器或?yàn)V波器利用測量值及相關(guān)可用信息重構(gòu)系統(tǒng)的狀態(tài)，當(dāng)系統(tǒng)沒有故障時，測量值與重構(gòu)估計(jì)值之間的殘差為零均值且噪聲的統(tǒng)計(jì)特性（如方差）在容許范圍之內(nèi);當(dāng)系統(tǒng)含有故障時，殘差信號的均值則不為零或/和噪聲將超出設(shè)定的閾值。

卡爾曼濾波器法的原理是：被測量與卡爾曼濾波器輸出所產(chǎn)生的殘差在系統(tǒng)傳感器工作正常情況下為零均值白噪聲序列，當(dāng)傳感器出現(xiàn)故障后，殘差將多出一個增量從而不再具有零均白噪聲特性。汪聲遠(yuǎn)根據(jù)上述原理，研究了發(fā)動機(jī)電控系統(tǒng)傳感器的故障檢測與分離問題。Dalle Molle 等人首先將EKF 應(yīng)用于非線性化工生產(chǎn)過程的傳感器故障檢測與診斷中，取得了滿意的效果。

為了實(shí)現(xiàn)多傳感器故障診斷，基于狀態(tài)觀測器（估計(jì)器或?yàn)V波器）的方法需要為每個傳感器都設(shè)計(jì)一個專用的觀測器，以便生成殘差空間，將多個故障傳感器檢測和分離出來?；跔顟B(tài)觀測器方法的優(yōu)點(diǎn)在于：該方法對于傳感器故障比較靈敏;可以處理噪聲帶來的影響;可以處理非線性系統(tǒng)。但是同時也具有如下的一些缺點(diǎn)：設(shè)計(jì)觀測器需要建立系統(tǒng)或過程較為精確的數(shù)學(xué)模型;當(dāng)傳感器數(shù)量比較大時，需要很大的計(jì)算量。

3.1.2 等價關(guān)系法

等價關(guān)系法利用系統(tǒng)數(shù)學(xué)方程中的兩類冗余關(guān)系，即直接冗余（ DirectRedundancy）和時間冗余（Temporal Redundancy），作為系統(tǒng)或傳感器故障檢測與診斷的基礎(chǔ)。根據(jù)這兩類關(guān)系，可建立系統(tǒng)的標(biāo)稱模型，此模型可以對傳感器輸出進(jìn)行一致性檢驗(yàn)，利用適當(dāng)?shù)臍埐詈瘮?shù)產(chǎn)生殘差，從而實(shí)現(xiàn)系統(tǒng)故障或者傳感器故障的檢測與分離。Gertler 等學(xué)者對基于等價關(guān)系的故障檢測與分離方法進(jìn)行了系統(tǒng)的研究，指出觀測器與等價關(guān)系之間具有密切的聯(lián)系，并詳細(xì)討論了等價關(guān)系的有關(guān)理論和實(shí)現(xiàn)方法。

3.1.3 參數(shù)估計(jì)法

參數(shù)估計(jì)法（也可稱為基于參數(shù)模型的方法）比狀態(tài)觀測器法更適合與非線性系統(tǒng)。參數(shù)估計(jì)的方法有強(qiáng)跟蹤濾波器法、最小二乘法、突變檢測法等。

劉志成研究了強(qiáng)跟蹤濾波器在過程控制系統(tǒng)傳感器故障診斷中的應(yīng)用。Huang 等學(xué)者把突變檢測法引入到控制回路性能監(jiān)視與評估中，目的在于通過對系統(tǒng)（回路）參數(shù)的微小變化進(jìn)行檢測來監(jiān)視回路的工作性能，并作出評估。局部漸進(jìn)法能非常有效地檢測系統(tǒng)參數(shù)的小變化，因而有利于早期微小故障的檢測。Huang 還結(jié)合了總體最小二乘（Total LeastSquares，TLS）模型與突變檢測法。Ashish 等人將局部漸進(jìn)法與輸入獨(dú)立卡爾曼濾波器（Input Independent Kalman Filter，IIKF）相結(jié)合，對一類輸入未知系統(tǒng)的性能監(jiān)視進(jìn)行研究，利用IIKF 輸出與實(shí)際系統(tǒng)輸出所產(chǎn)生的殘差作為充分統(tǒng)計(jì)量進(jìn)行監(jiān)視，從而到監(jiān)視系統(tǒng)的目的。

3.2 非解析模型方法

3.2.1 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是以計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)模擬生物神經(jīng)網(wǎng)絡(luò)的智能計(jì)算系統(tǒng)。網(wǎng)絡(luò)上的每個結(jié)點(diǎn)相當(dāng)于一個神經(jīng)元，經(jīng)可以記憶（存儲）、處理一定的信息，并與其它結(jié)點(diǎn)并行工作。

ANN 由于強(qiáng)大的并行運(yùn)算和聯(lián)想能力，因而非常適合于系統(tǒng)的故障診斷與狀態(tài)識別。由于ANN 具有優(yōu)良的非線性映射功能，因此也被用作構(gòu)造系統(tǒng)觀測器?；贏NN 觀測器的方法是一種借鑒傳統(tǒng)觀測器原理發(fā)展而來的故障診斷的方法。此方法根據(jù)借鑒傳統(tǒng)觀測器模型的思想，利用系統(tǒng)正常運(yùn)行時獲取的數(shù)據(jù)樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)并構(gòu)建ANN 觀測器，訓(xùn)練所得到的ANN 絡(luò)觀測器可用于產(chǎn)生故障殘差。

Guo等學(xué)者利用神經(jīng)網(wǎng)絡(luò)構(gòu)建了航天飛機(jī)主引擎控制系統(tǒng)傳感器故障檢測與數(shù)據(jù)恢復(fù)系統(tǒng)。此系統(tǒng)利用主引擎中被測變量的數(shù)目遠(yuǎn)高于系統(tǒng)階數(shù)，包含內(nèi)在冗余關(guān)系的特性檢驗(yàn)和恢復(fù)傳感器數(shù)據(jù)。系統(tǒng)包括兩級神經(jīng)網(wǎng)絡(luò)，第一級用來識別與其它數(shù)據(jù)不符的傳感器輸出，第二級根據(jù)其他正常的數(shù)據(jù)對發(fā)生異常的傳感器輸出數(shù)據(jù)進(jìn)行重構(gòu)。李東輝針對空調(diào)系統(tǒng)的系統(tǒng)建模非常復(fù)雜，而且在運(yùn)行過程中存在工況變化及參數(shù)漂移等情況，將小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于空調(diào)機(jī)組傳感器故障診斷問題。

3.2.2 支持向量機(jī)模型

支持向量機(jī)（Support Vector Machines，SVM）是一種新興的基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，能夠較好的解決小樣本學(xué)習(xí)問題，已成為國際上機(jī)器學(xué)習(xí)領(lǐng)域新的研究熱點(diǎn)。近些年來被引入到動態(tài)系統(tǒng)故障檢測與診斷領(lǐng)域當(dāng)中，并進(jìn)行了初步的應(yīng)用研究。

3.2.3 核主元分析模型

核主元分析方法（Kernel Principal Component Analysis，KPCA）是Scholkopf 等學(xué)者提出的一種非線性PCA 方法。KPCA 通過“核技巧”將輸入空間映射到高維的特征空間中，從而將原輸入空間中的非線性問題轉(zhuǎn)化為特征空間中的線性問題。KPCA 方法的優(yōu)點(diǎn)在于結(jié)構(gòu)簡潔，易于實(shí)現(xiàn)，近年來引起了許多學(xué)者的關(guān)注，并被成功應(yīng)用于非線性系統(tǒng)的故障檢測與診斷。

4 總結(jié)

基于單傳感器輸出序列預(yù)測器的方法獲得了充分的研究，目前的趨勢集中在如何建立精確地預(yù)測器模型方面，SVM 的出現(xiàn)為這一問題提供了新的思路解決方法;基于信號處理的方法無需對象數(shù)學(xué)模型，而且可明顯地抑制噪聲，在傳感器故障診斷領(lǐng)域也獲得廣泛研究，由于小波包在信號處理方面體現(xiàn)出的良好的時頻特性，使之成為近年的研究熱點(diǎn)。

基于系統(tǒng)解析模型的方法診斷機(jī)理清楚，非解析系統(tǒng)模型，是以觀測數(shù)據(jù)為依據(jù)，建立一種診斷模型是通過一定的學(xué)習(xí)方式，使之區(qū)別于系統(tǒng)物理（機(jī)理）模型和解析模型。這一類模型主要包括人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型、主元分析模型以及核主元分析模型等。已經(jīng)成為一個重要的研究內(nèi)容。

參考文獻(xiàn)：

[1]王冰，刁鳴，宋凱.基于小波奇異熵和相關(guān)向量機(jī)的氫氣傳感器故障診斷[J].電機(jī)與控制學(xué)報(bào)，2015（01）：96-101.

[2]馬天兵，杜菲，熊能，錢星光.柔性機(jī)械臂振動控制中的壓電傳感器故障診斷[J].電子測量與儀器學(xué)報(bào)，2014（12）：1408-1413.

[3]賽吉爾呼，戴盛芳，董愛華，苗清影.基于SVM和RBFN的汽車主動降噪系統(tǒng)傳感器故障診斷[J].傳感技術(shù)學(xué)報(bào)，2014（04）：512-517.

[4]丁碩，常曉恒，巫慶輝，楊友林，胡慶功.基于Elman神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷研究[J].國外電子測量技術(shù)，2014（04）：72-75.

[5]王通，高憲文，藺雪，劉春芳.SWE-IPCA方法在傳感器故障診斷中的應(yīng)用[J].儀器儀表學(xué)報(bào)，2013（08）：1841-1846.