（交通信息工程及控制专业论文）融合先验知识的神经网络故障诊断方法研究.pdf

摘要 摘要 故障诊断技术对于提高系统的安全性、可靠性、有效性，减小经济损失，保 障人身安全具有重要意义，r 益为人们所重视。然而随着诊断对象的复杂性不断 上升，现有的故障诊断理论和技术正面临着复杂系统带来的严峻挑战。神经网络 不必掌握系统机理就能完成故障诊断，以其良好的非线性映射能力为复杂系统的 故障诊断提供了一个快速而且有效的方法。另一方面，神经网络完全依赖于样本 数据，可能无法全面反映对象特性，先验知识可作为黑箱建模的一个补充，提高 神经网络的拟合精度和收敛速度。因此，研究结合先验知识的神经网络用于复杂 系统的故障诊断，具有重要的研究价值和广泛的应用前景。 论文首先全面研究了故障诊断技术，分信号处理的方法、数学模型的方法和 智能诊断方法三类，对比分析它们的适用条件。由于复杂系统结构复杂、参量指 标多，故障机理的可认识性和可描述性差，应用白箱建模用于复杂系统故障诊断 难度高，使用黑箱建模可避开此障碍。 其次，在对神经网络的结构特点和训练算法综合讨论的基础上，把先验知识 和神经网络的结合方式分为结构约束方法，权值约束方法和数据约束方法，给出 了它们的基本原理和实现方法。重点研究了数据约束方法，提出了融合先验知识 样本的故障诊断方法。该法把故障先验知识转化为神经网络可处理的形式，提前 完成了神经网络训练的部分工作从而加快收敛速度，并提高了网络对先验知识泛 化能力。 然后，选取地铁列车牵引系统这一典型的复杂系统为例，用系统分析、故障 树分析、模糊推理等抽取总结出牵引系统的故障先验知识，应用融合先验知识样 本法进行故障诊断，仿真结果表明网络收敛性和诊断精度均收到了满意的结果。 最后，总结论文工作，指明下一步的研究方向：完善融合先验知识样本法的 理论证明；降低先验知识的主观性；进一步研究先验知识向神经网络可用形式的 转换方法等。 关键词：神经网络故障诊断先验知识样本复杂系统列车 a b s t r a c t ab s t r a c t f a u l td i a g n o s i st e c h n i q u ei so fg r e a ts i g n i f i c a n c ef o ri m p r o v i n gs y s t e ms e c u r i t y ， r e l i a b i l i t y a n de f f e c t i v e n e s s s ot h a ti tc a nr e d u c ee c o n o m i cl o s s e sa n dp r o v i d e p r o t e c t i o no fp e r s o n a ls a f e t y h o w e v e r t h ee x i s t i n gf a u l td i a g n o s i st h e o r i e sa n d t e c h n o l o g i e sa r ef a c i n gag r e a tc h a l l e n g e ，w h i c hi sb r o u g h tb yt h er i s i n gc o m p l e x i t yo f s y s t e m s w h e nu s i n gn e u r a ln e t w o r kf o rf a u l td i a g n o s i s ，p e o p l ed on o th a v et og r a s p t h em e c h a n i s mo fs y s t e mf a u l t n e u r a ln e t w o r k sg o o dn o n l i n e a rm a p p i n ga b i l i t y p r o v i d e saf a s ta n de f f e c t i v em e t h o df o rt h ef a u l td i a g n o s i so fc o m p l e xs y s t e m s o n t h eo t h e rh a n d n e u r a ln e t w o r ki st o t a l l yd e p e n d e n to nt h es a m p l ed a t a , w h i c hm a yn o t f u l l yr e f l e c tt h eo b j e c tp r o p e r t i e s s op r i o r - k n o w l e d g ec a nb eu s e da sas u p p l e m e n to f b l a c k b o xm o d e l i n gt oi m p r o v en e u r a ln e t w o r k sa c c u r a c ya n dc o n v e r g e n c es p e e d 1 1 l e r e f o r e t h es t u d yo fn e u r a ln e t w o r kc o m b i n e dw i t hp r i o r - k n o w l e d g eh a si m p o r t a n t r e s e a r c hv a l u ea n db r o a da p p l i c a t i o np r o s p e c tf o rf a u l td i a g n o s i so fc o m p l e xs y s t e m s f i r s t l yt h i sd i s s e r t a t i o ns t u d yt h r e ek i n d so ff a u l td i a g n o s i st e c h n o l o g i e s ，w h i c h a r es i g n a lp r o c e s s i n g t h em a t h e m a t i c a lm o d e la n di n t e l l i g e n tw a y s b e c a u s ec o m p l e x s y s t e m sh a v ec o m p l i c a t e ds t r u c t u r ea n dm u l t i p a r a m e t e ri n d i c a t o r s f a u l tm e c h a n i s m i sh a r dt or e c o g n i z ea n dd e s c r i b e w h i t e b o xm o d e l i n gi sd i f f i c u l tt ou s ef o rc o m p l e x s y s t e mf a u l td i a g n o s i se f f e c t i v e l y ，b u tb l a c k b o xm o d e l i n gc a na v o i dt h i so b s t a c l e s e c o n d l y ，b a s e do nt h ed i s c u s s i o no fs t r u c t u r ec h a r a c t e r i s t i c sa n dt h ea n a l y s i so f t h et r a i n i n ga l g o r i t h mo fn e u r a ln e t w o r k t h ep r i o r k n o w l e d g eb a s e dm e t h o d sc a l lb e c l a s s i f i e di n t ot h r e ek i n d s ：a r c h i t e c t u r ec o n s t r a i n tm e t h o d w e i g h tc o n s t r a i n tm e t h o d a n dd a t ac o n s t r a i n tm e t h o d t h ep a p e re x p l a i n st h e i rb a s i cp r i n c i p l e so fa n d r e a l i z a t i o n w ef o c u so nt h ed a t ac o n s t r a i n tm e t h o d ，a n dp r o p o s et h ef a u l td i a g n o s i s m e t h o db a s e do n “s a m p l ew i t hp r i o r - k n o w l e d g e ”t h em e t h o dc a l lt r a n s f 0 1 t nf a i l u r e p r i o r i k n o w l e d g ei n t ot h a tn e u r a ln e t w o r kc a nd e a lw i t h t h i sr e p l a c e sp a r to ft r a i n i n g o fan e u r a ln e t w o r ka h e a d a n ds ot h et i m eo ft r a i n i n gi ss h o r t e r a n dt h et r a i n e d n e u r a ln e t w o r k sa b i l i t yi si m p r o v e d n e x t ，w es e l e c tt h es u b w a yt r a i na sat y p i c a le x a m p l eo fc o m p l e xs y s t e m s ，a n d a p p l y “s a m p l e 、i t hp r i o r - k n o w l e d g e ”m e t h o df o rf a u l td i a g n o s i s s y s t e m sa n a l y s i s ， f a u l tt r e ea n a l y s i s ，f u z z yi n f e r e n c ea r eu s e dt oa n a l y z ea n ds u m m a r i z e p r i o r i k n o w l e d g eo ft r a c t i o ns y s t e mf a i l u r e t h es i m u l a t i o ns h o w st h a tt h en e t w o r k c o n v e r g e n c ea n dd i a g n o s t i ca c c u r a c yh a v es a t i s f a c t o r yr e s u l t s f i n a l l y w es u mu pt h ep a p e ra n di n d i c a t et h ed i r e c t i o no ff u t u r er e s e a r c h ：t o p r o v et h et h e o r yo f “s a m p l ew i t hp r i o r - k n o w l e d g e ”：t or e d u c et h es u b j e c t i v i t yo f p r i o r k n o w l e d g e ；t os t u d yc o n v e r s i o nm e t h o d so fp r i o r i k n o w l e d g et ot h en e u r a l n e t w o r k k e yw o r d s ：n e u r a ln e t w o r k ，f a u l td i a g n o s i s ，p r i o r i - k n o w l e d g e ，s a m p l e ，c o m p l e x s y s t e m ，t r a i n 学位论文版权使用授权书 本人完全了解同济大学关于收集、保存、使用学位论文的规定， 同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版 本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、 扫描、数字化或其它手段保存论文；学校有权提供目录检索以及提供 本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有 关部门或者机构送交论文的复印件和电子版；在不以赢利为目的的前 提下，学校可以适当复制论文的部分或全部内容用于学术活动。 学位论文作者签名：臼萌 p 。矿7 年；月日 同济大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下，进行 研究工作所取得的成果。除文中已经注明引用的内容外，本学位论文 的研究成果不包含任何他人创作的、己公开发表或者没有公开发表的 作品的内容。对本论文所涉及的研究工作做出贡献的其他个人和集 体，均已在文中以明确方式标明。本学位论文原创性声明的法律责任 由本人承担。 学位论文作者签名：臼葫 沙歹年岁月f e t 第1 章绪论 1 1 研究背景与意义 第1 章绪论 随着现代科学技术的迅速发展，交通、军事、工业等各个领域的装备自动化 水平不断提高，迫切需要对系统进行监控及故障诊断，以检测出系统发生的故障， 并对故障原因、故障频率和故障的危害程度进行分析、判断，采取必要的措施， 防止灾难性事故的发生，保证系统的稳定运行。故障诊断技术从依赖人类感官的 经验诊断，进入到依赖测量信号的现代诊断，以及以计算机技术为基础的人工智 能故障诊断，向多种技术综合的方向发展。 从人类对事物认识深度不同的角度，故障诊断方法可分为白箱、黑箱和狄箱。 理想的方式是白箱式故障诊断，掌握了故障发生的原理和过程，建立起诊断模型， 由检测信号判断故障，并能由故障机理提出改善、预防和维护的意见。然而这种 方法主要适用于结构相对简单的装置，限于人们的认知水平，在许多情况下难以 应用。尤其是随着现代化机械、电子设备的不断复杂化，自动化水平越来越高， 不仅各个设备之间紧密配合，而且设备内部不同的工业部件之间强耦合，一旦发 生故障，呈现层次性多、传播路径交叉、随机性和不确定性强等复杂系统故障特 征，使得故障机理愈发复杂，难以掌握。在这种情况下，黑箱式故障诊断应运而 生。它不必深究系统的内部结构和故障机理，从输入和输出的信息，用统计、拟 合等方法建立征兆和故障的映射关系。神经网络即是黑箱式故障诊断方法的典型 代表，根据输入和输出的数据信息，通过学习形成特定的网络结构，可以实现判 断故障发生和识别故障模式。灰箱方法是在对系统的机理和结构部分掌握的情况 下运用，是白箱和黑箱的交叉。 鉴于大多数情况下，人们既不能完全掌握故障发生和演变的机理，也不是对 系统内部结构和动作过程完全不了解，而是处于部分可知和部分未知的交叉状 态，因此灰箱故障诊断方法有重要的研究价值和应用意义。本文研究的融合先验 知识的神经网络属于灰箱故障诊断方法。通过解析神经网络的工作原理、内在优 点和缺点，结合故障诊断相关的先验知识，在其结构建造、样本训练、权值初始 化等方面提出改进方法，以期提高神经网络用于故障诊断的性能，尤其对复杂系 l 第l 章绪论 统的故障诊断有一定参考价值。 本研究还得到了上海市科技攻关项目基于嵌入式技术的轨道交通车辆工况 监测系统关键电子设备研究( 编号0 6 d z l 5 0 0 0 3 ) 及国家自然科学基金项目基 于移动代理技术的列车控制系统实时性机理研究( 编号5 0 6 7 8 1 2 9 ) 的支持。 1 2 故障诊断技术概况 故障诊断技术的研究内容大体由三部分组成： 第一部分为故障机理研究，是确诊故障的可靠依据，主要是诊断对象的物理 和化学过程的研究。对引起设备电特性、机械特性等的劣化失效原因的解析，如 部件疲劳、氧化、绝缘击穿、断裂、磨损等理化原因的研究；对工业系统的工作 原理与过程、部件之间的相互影响关系及其各类故障征兆和故障原因的研究。作 为故障诊断技术的基础，只有研究诊断对象的故障机理才能有效准确地判断故 障。 第二部分为故障信息的研究，是故障诊断过程中不可缺少的环节，故障检测 信号是故障诊断的信息源头。研究内容主要包括故障信号的选择、采集、过滤、 分析、特征提取等过程。 第三部分为故障诊断理论和方法的研究，是故障诊断必需的逻辑推理判断的 方法。主要包括对故障的检测、辨识、推理、预测、分类、评价与决策等方面的 研究。根据对象的可检测信号采用合适的诊断方法进行处理，识别故障并分析判 断故障发生的部位和产生故障的原因，并形成正确的干预决策。作为故障诊断技 术的核心研究内容，故障诊断理论和方法是完成并实现故障诊断技术任务的主要 途径 文献 1 】将故障诊断技术的发展归纳为6 个阶段，从信息处理技术的角度看， 故障诊断技术至今经历了3 个阶段： 第一阶段大约在2 0 世纪6 0 年代以前，故障诊断主要根据领域专家的感官和 经验判断，在设备坏了以后维修或定期检查，信息处理简单，只对故障信息只做 简单的记录处理，充实技术人员的经验。由于两次检查之间的时间间隔依赖技术 人员的经验，不确定因素导致过度维修浪费和突发停机事故( 没到维修期设备已 发生故障) ，鉴于这些弊端，美国军方首先在2 0 世纪6 0 年代，改定期维修为视 设备状态维修。许多国家和其他行业所效仿这种主动维修的方式，促进了设备故 2 第l 章绪论 障诊断技术的发展。 第二阶段大约在2 0 世纪6 0 年代至8 0 年代，以传感器技术和测试技术的广 泛应用为标志，开创了现代故障诊断技术。根据设备运行中产生机械的、温度的、 噪声的以及电磁的种种物理和化学变化，测量温度、振动、功率、电流、噪声、 力、扭矩、声光等特征量，和设备正常状态下的量值对比，来判定设备状况。这 一阶段，故障诊断理论上的进步主要是引入现代信号处理技术，常用的信号模型 有相关函数，频谱自回归滑动平均，小波变换等；从可测信号中提取的特征值常 用的有频率、方差、幅度等。这一阶段存在的主要问题是，缺乏推理能力和学习 能力，不能有效地利用专家的知识和经验。 第三阶段是2 0 世纪8 0 年代至今，以信号处理、建模分析、知识处理等多技 术手段迅速发展和应用为标志，可称为综合技术诊断阶段。计算机及人工智能的 迅猛发展为综合故障诊断提供了理论上和技术上的条件，涌现出以专家系统和人 工神经网络为代表的知识诊断和智能诊断新方法。故障诊断技术在理论上不断扩 展和丰富，汲取了概率论、统计理论、模糊理论、小波变换、神经网络等，故障 诊断建模理论与分析方法获得了深度和广度上的发展。同时这一阶段的特点还包 括，由信号处理向知识处理的方向而转变，由处理线性问题向处理非线性问题而 过渡，这也是故障诊断领域的发展趋势。 1 3 神经网络技术概况 1 9 4 3 年，美国心理学家w m c c u l l o c h 和数理逻辑学家w p i t t s 提出的模仿人 类大脑神经元结构及连接方式的m p 模型，揭开了人工神经网络研究的序幕。神 经网络用于设备故障诊断源于8 0 年代未期，1 9 8 9 年美国v e n k a t 等人第一次将人 工神经网络用于故障诊断中，确定了1 8 种征兆和1 3 种故障类型，隐层有5 2 7 个节点，所用算法是反向传播算法，能够确定9 4 , - - 9 8 的故障原因。缺点是训 练时间太长，而且训练时输入的数据不是实时的【2 】。此后，涌现了大量的人工 神经网络用于故障诊断的案例【3 卜【8 】。 神经网络之所以能得到人们的认可和广泛的应用，因为它具有如下优点： 1 ) 通过非线性映射，学习系统的特性具有近似地表示任意非线性函数及其 逆的能力。已证明具有三层b p 神经网络可以以任意的精度逼近任一连续非线性 第l 章绪论 函数，并可充分满足网络的结构简单性与映射精度问的统- - 9 】。 2 ) 通过离线和在线两方面的权重自适应提供给不确定系统自适应和自学 习。神经网络除了可以离线训练，还可以用在线数据进一步学习，获得更精确的 系统或故障类型。因为离线设计决策环节往往依赖于设计者的估计及经验，系统 可能出现模型误差、干扰及故障，这些经验往往不能考虑得非常全面，而离线数 据也往往不能反映系统的所有特性，时变系统更是如此，因此在线学习十分重要。 3 )可提供大规模动力系统允许快速处理的并行分布处理结构； 4 ) 提供强鲁棒性的结构，因为网络自身有容错性和联想功能； 5 ) 信息被转换成网络内部的表示，这种表示允许定性和定量信号两者的数 据融合。 具有这些特点的神经网络非常适合用于故障的检测和诊断，训练过的a n n 具有知识存储和自学习功能，可以从历史故障信息中学习知识，与当前测量数据 比较以确定故障分辨原因及故障类型。常用于故障诊断的神经网络模型种类有： b p 网、r b f 网、h o p f i e l d 网，h a m m i n g 网，a r t 网，k o h o n e n 网。 神经网络用于故障诊断主要有以下几种形式【l o 】： 1 ) 用神经网络构造故障诊断的状态估计器以产生残差； 2 ) 用神经网络对残差进行处理实现故障辨识和预报等； 3 ) 利用神经网络逼近系统的非线性项作自适应误差补偿； 4 ) 用神经网络对故障模式进行识别。 必需注意的是，各种类型神经网络及其学习训练算法都具有自己的缺陷，例 如前馈型神经网络采用b p 训练算法时存在网络初始权值的选择、网络结构的确 定问题，易于陷入局部极小值，网络的推广能力、算法收敛的快速性差等，尽管 针对这些问题已经提出了一些改善的措施，但仍然没有完全得到解决。 利用先验知识来优化神经网络的性能是一个有前途的方法。融合先验知识的 神经网络属于灰箱建模，有学者提出用“透明度”来衡量神经网络的“灰度”【l l 】， 先验知识可以提高神经网络的“透明度”，一定程度上克服神经网络的固有缺陷。 ! t 1 1 1 5 3 根据发动机燃烧室的特性，利用影响点火的因素之间的相关信息，重新构 造出输入参数，即对原始输入样本进行更合理的重组，这个变换代替了神经网络 的部分工作，简化了网络所要描述的对象规则的复杂性。 4 第1 章绪论 1 4 本文组织结构 本文主要分为以下几个部分： 第一章主要介绍了研究背景，说明融合先验知识的神经网络有研究价值，引 出后文。神经网络在系统辨识、非线性控制、图像处理等诸多领域有着广泛的应 用，本文着力解决复杂系统的故障诊断问题。 第二章主要研究了复杂系统的故障诊断，分析故障诊断多种技术的特点，说 明融合先验知识的神经网络是解决复杂系统故障诊断问题的有效方法。 第三章主要研究了神经网络基础理论，尤其研究了提高神经网络性能的途径 和方法，为融合先验知识打下基础。 第四章研究了先验知识和神经网络的融合方法。指出神经网络用于故障诊断 的局限性，结合先验知识可以在一定程度上弥补其黑箱建模的不足；介绍故障诊 断中的先验知识及表现方法；从神经网络权值、网络结构、样本等三方面研究了 先验知识的融合方法；并提出融合先验知识样本训练的方法。 第五章以地铁列车为复杂系统的代表，应用融合先验知识样本训练方法。 通过m a t l a b 仿真，说明该法能够指导复杂系统的故障诊断，并具有良好的使 用效果。 第六章总结本文的研究工作和成果，指出不足和进一步的工作内容。 第2 章复杂系统故障诊断 第2 章复杂系统故障诊断 2 1 故障诊断技术综述 2 1 1 故障诊断的一般过程 所谓故障，是系统的重要变量或特性偏离了正常范围，系统表现出异常现象， 或定义为系统中部分元器件功能失效导致整个系统性能下降的情况或事件。前者 是针对系统整体而描述，相应的故障诊断的含义为检测或跟踪系统重要参量，判 断其是否在正常波动范围内，当系统发生故障时，系统中的各种量( 可测的或不 可测的) 或它们的一部分表现出与正常状态不同的特性，这种差异就包含丰富的 故障信息【1 2 】；后者是针对组成系统的次级子系统或元器件而描述，相应的故障 诊断的含义为检测和判断系统组成部分或器件是否运转正常，利用观测的系统性 能恶化等征兆，通过一定的诊断模型，来定位故障部位和原因。广义的故障诊断 还包括故障解决对策、故障预报等。 故障诊断一般包括两大过程( 图2 1 ) ：故障诊断建模和故障诊断实施。 1 ) 故障建模：搜取诊断对象的典型故障样本，分析输入输出关系、故障表 现和故障部件等关系，确立征兆信号、构建数学模型或其他方式的映射关系，作 为故障诊断的依据。 2 ) 诊断实施包括故障检测、故障辨识和评价决策。 故障检测：从对象监测信号中或其他征兆信息中，判断系统是否发生故障。 故障辨识：如果对象发生了故障，区别故障类型，定位故障位置和时间，找 出故障原因。 故障评价与决策：判断故障的严重程度，对系统运行的影响程度，给出处置 意见和解决措施。 6 第2 章复杂系统故障诊断 图2 - l 故障诊断的一股过程 一个故障诊断问题q 可以形式化表述为： q = ( s ，x ，y ，) ( 2 - 1 ) 其中，s ：系统信息，x ：一个非空的征兆集合，y ：一个非空的故障集合， f ：征兆集到故障集的转化方式。 x 和l ，的确定是在系统信息s 的基础上。广义的故障征兆不仅指故障的表现 形式，还包括监测设备的参量，无论该参量是否正常。不同的诊断对象、不同的 故障诊断方法有不同的征兆集、故障集和二者之间的映射。早期，人们故障诊断 主要靠眼观、耳听、鼻闻的感官判断，这里的征兆x 就是观察对象的外观变化、 声音不同、气味异常等，】，集比较简单，f 就是人们的经验。到了自动化设备诊 断阶段，x 是从诊断对象中提取的特征量，能够反映系统内部子系统和部件工 作状态的状态向量，如频率、幅度、压力等等，】，集可以深入细化到设备零件， f 也变得愈加丰富，简单地方法有阈值法，只要x 参数越过阈值即判断故障， 也有各种复杂的系统辨识方程，还有基于知识的专家系统的一系列因果逻辑判 断、神经网络诊断的神经元阈值和网络连接权值，等等。 2 1 2 故障诊断方法 故障诊断的每个阶段都需要某些理论和技术的支撑，可见，故障诊断技术是 一门综合性技术，涉及多种类学科交叉，如现代控制理论、信号处理技术、模式 辨识、数理统计、可靠性理论、人工智能等。总结故障诊断的方法，一般分为三 大类【1 3 】：信号处理的方法、数学模型的方法和智能诊断方法。 1 信号处理方法 事实上任何故障诊断方法都离不开基础信号的测量与分析，这罩所指的是只 7 第2 章复杂系统故障诊断 根据输入信号和输出信号进行故障检测和诊断。该法在掌握系统性能参数的基础 上，定义某些参数的阈值，根据检测信号的大小、速率、幅值或变化速率等判断 是否在正常范围内，从而判别诊断对象的状态。实现方式主要依靠一些数学工具， 如f f t ，z 变换，相关函数，小波分析等。判定方法有直接就检测信号对比正常 信号、建立信号与故障源之间的数学关系( 也称信号因果关系法) 、还有基于系 统辨识的向量信息匹配的方法【1 4 】。基于信号处理的方法的特点是灵敏度高、运 算量不大，因此适用性强。 例如，振动分析技术是使用较早的信号诊断技术 1 5 】。在机器零部件能测量 到振动，当机械设备发生异常时，振动一般会随之加剧，通过对振动信号进行采 集和分析，掌握其性能下降程度。特点是使用各种较简单的、便于在现场使用的 振动检测仪表，既可以离线检测，也可以不停机在线检测，但是仅对设备有无故 障、严重程度及其发展趋势做定性的初判。 2 数学模型方法 近年来基于数学模型的故障诊断方法发展十分迅速，由于控制系统的执行 器、传感器和被控过程可以由动态模型来描述，诊断的基本思路是利用滤波器或 观测器对控制系统的状态或参数进行重构，并构成残差序列，然后采用一些措施 来增强残差序列中所含的故障信息，抑制模型误差等非故障信息，通过对残差序 列的统计分析就可以检测出故障。它主要包括三种方法：基于状态滤波器计的故 障检测方法、基于参数估的故障检测方法和基于对等空间法的故障检测方法。文 献 1 6 - q 8 证明了等价空间方法和基于观测器的状态估计方法是等价的，指出状 态估计法和参数估计法本质上是互补的，参数估计法得到的残差包含在观测器方 法得到的残差中。 1 ) 状态估计的故障诊断方法 通过估计系统的状态并结合适当的模型可进行故障检测与诊断。重构被控过 程的状态，并构成残差序列( 又称新息序列) 。残差是由模型估计计算的值和系 统实际值的相差，其中包含了丰富的故障信息。基于残差序列，通过构造适当的 模型并采用统计检验法，可以检测、分离、估计故障【1 4 】。 设系统的状态估计方程和观测方程为 s ( k + 1 ) = a ( k ) s ( k ) + p ( k ) x ( k ) + w ( k ) ( 2 2 ) 第2 章复杂系统故障诊断 y ( k ) = r ( k ) s ( k ) + a ( k ) x ( k ) + v ( k ) ( 2 3 ) 式中，x ( k ) r ”，s ( k ) r ”，y ( k ) r 分别是系统的输入向量、状态向量 和观测向量；w ( 七) 和v ( 七) 分别是系统噪声和观测噪声；口( 七) 、( 七) 、厂( 忌) 、o r ( k ) 是相应维数的参数矩阵。式( 2 1 ) 、( 2 2 ) 描述了系统正常情况下的动态特性， 两式结合的最优状态估计经常采用卡尔曼滤波器算法，记残差序列为 g ( k ) = g ( 耽扛0 ，l ，k ) ( 2 4 ) g ( k ) 是一零均值的高斯型白噪声序列。当系统发生故障时，式( 2 - 2 ) 、( 2 3 ) 已不能正确描述系统的动态特性，继而由它们建立的卡尔曼滤波器不能提供状态 的最优估计，相应的残差序列g ( 后) 也不再是零均值的白噪声序列，判断故障的 方法主要有：加性决策函数法、乘性决策函数法、广义似然比法、极大似然比法、 贝叶斯决策法等 1 9 1 。 2 ) 参数估计的故障诊断方法 设系统的状态估计方程和观测方程为 s ( k + 1 ) = 厂b ( 七) ，妒( 七) ，k 】+ w ( k ) ( 2 - 5 ) y ( k ) = 办 s ( j | ) ，缈( | j ) ，七】+ v ( 七) ( 2 6 ) 式中， s ( k ) er ”，y ( k ) er 是系统的状态向量和观测向量；w ( 七) 和v ( 尼) 分 别是系统噪声和观测噪声；缈( 七) 是系统的参数向量。删( 七) 是系统条件下的理 论参数，定义 织j 删( 舫，识删，( 七) 】波动范围，如果系统参数向量缈( 七) 处在正常 阈值范围之外，那么可以认为系统发生了故障，故障程度根据参数的偏离程度来 衡量。 从式( 2 2 ) ( 2 6 ) 不难看出，基于参数估计的解析模型强调了参数的检测， 构建故障诊断模型的基本思路和状态估计法不一样，不需要计算残差序列，而是 根据参数变化的统计特性。但两种方法都需要掌握系统的故障机理，需要建立精 确的数学模型。 3 智能诊断方法 有的文献也称作基于知识的方法。人工智能技术的发展，特别是神经网络技 9 第2 章复杂系统故障诊断 术的发展，有力地推动了智能诊断技术的发展。 1 ) 神经网络故障诊断 神经网络是由大量的处理单元( 神经元、处理元件、电子元件、光电元件等) 广泛互连而成的网络。它是在现代神经生物学和认识科学对人类信息处理研究的 基础上提出来的，可以通过硬件或软硬件相结合的方法来实现一个神经网络。详 细内容见第3 、4 章。 2 ) 专家系统故障诊断 专家系统是人工智能理论中研究的最成熟的、也是应用得最早的一个领域。 早在1 9 6 5 年，人工智能领域的研究人员就已经开发出了用于确定有机化合物结 构的d e n d r a l 专家系统，同一时期还开发出了用于对细菌感染病进行诊断的 著名的m y c l n 专家系统。专家系统诊断故障的过程是：根据在线检测到的过程 数据，也可由有关人员通过人机接口为数据库添加系统故障前或故障发生时观察 到的一些可靠现象或事实，专家系统诊断程序在知识库和数据库的基础上，通过 推理机制，综合利用各种规则，必要时还可随时调用各种应用程序，并在运行过 程中向用户索取必要的信息后，就可以尽快、直接找到最终故障或最有可能的故 障，再由用户来证实。在故障源确定后，根据原先建立的故障评价程序，对系统 的未来做出预测和评价，并采用相应的专家决策【1 4 】。 基于专家系统的故障诊断技术具有下述的优点：( 1 ) 适合用于模拟人的逻辑 思维过程，解决需要进行逻辑推理的复杂诊断问题；( 2 ) 知识可用显式的符号表 示，在已知基本规则的情况下，无需输入大量的细节知识；( 3 ) 便于模块化，当 个别事实发生变化时易于修改；( 4 ) 能与传统的符号数据库进行接口；( 5 ) 能解 释自己的推理过程，并能解释结论是怎样获得的。 但是，专家处理系统也存在许多明显的局限性，主要表现在以下几个方面： 知识获取的瓶颈问题、自适应能力差、学习能力差、实时性差。针对这些问 题，专家故障诊断系统的发展方向大致归纳为以下几方面：( 1 ) 从基于规则的系 统到基于混合模型的系统。( 2 ) 从领域专家提供知识到机器学习。知识获取是建 造故障诊断专家系统的瓶颈问题，尤其是知识的自动获取一直是专家系统研究中 的难点。解决知识获取问题的途径是机器学习。机器学习研究的主要目标是让机 器自身具有获取知识的能力，使其能在实际工作中不断总结成功和失败的经验教 l o 第2 章复杂系统故障诊断 训，对知识库中的知识自动进行调整和修改，以丰富、完善系统的知识。( 3 ) 由 非实时诊断到实时诊断。达到诊断的实时性，为此要寻求合理的诊断方法，设计 合理的诊断软件结构，实行分级进程推理，尽可能提高硬件的处理速度。( 4 ) 由 单机诊断到分布式全系统诊断。现代大型设备的结构和功能的分布式、层次式的 特点决定了诊断系统也应是分布式和多层次的。计算机及网络技术的发展己经为 分布式全系统诊断提供了技术保障。( 5 ) 由单一推理控制策略到混合推理控制策 略。推理控制策略直接影响专家系统的推理效率。单一的问题求解策略很容易使 系统在推理过程中出现“匹配冲突”、“组合爆炸”和“无穷递归”等问题，从而导致 推理速度慢，系统性能低。 表2 1 对故障诊断方法做了小结，对比了几类具有代表意义的故障诊断方法。 虽然诊断理论和方法已经有很多种，但是还有待于进一步发展和完善；而且还应 深入研究新理论和新方法的应用，为故障诊断技术适用于现代工业及其他领域的 发展应用打下坚实的理论基础。 表2 - 1 故障诊断技术分类表 方法类型 代表方法 特性应用范围 基于信号基于小波避开对象数学模型，抗适合检测微小故障 处理 分析 噪声能力强。 状态估计利片j 残差检测研究集中在线性系统，用于非线性的往 基于解析往都是针对特定的非线性系统 模型等价空间利用残差检测主要针对某些特定的系统 参数估计利用参数向量局限于线性系统 专家系统能够获取知识和推理，根据问题的实际需求开发，适合于专家 灵活性和实用性知识丰富的领域 神经网络无需系统的定量数学模在复杂系统、非线性领域很有前途 型 基于知识 模糊推理隶属度模糊表征故障倾特别适合随机性和不确定性人的领域 向性 故障树表达可观性强，反映故可靠性分析、故障机理分析 障关系 第2 章复杂系统故障诊断 2 2 复杂系统故障诊断的研究 2 2 1 复杂系统故障的含义和特征 在构造上，复杂系统由多个子系统作为元组合而成，这种组合是多层次的， 在子系统内，层次之间的联系可能是不确定的在功能上，系统的输人与输出之间， 存在着由构造所决定的一般并非严格的定量的或逻辑的因果关系，因而其故障与 征兆之间不存在一一对应的简单关系，使故障诊断问题复杂化 2 0 】。 一般地，复杂系统的故障具有以下的一些特性： ( 1 ) 系统内部涉及到相当多的指标变量，很多状态变量根难精确确定或者 根本无法确定； ( 2 ) 系统内部各指标变量之间的关系也相当复杂，往往保持一种动态关系， 利用微分方程很难求解或者根本无解； ( 3 ) 系统内部各子系统间关系也相当复杂，很难定量描述。 2 2 2 复杂系统故障诊断的需求 对于复杂系统的故障诊断，由于其功能单元很多，各个单元及其组合部件都 可能产生不同的故障，巨大的数量和复杂的结构使得很难对其进行精确地状态描 述和完整模拟各种故障情况。复杂系统内部相互制约因素很多，一个故障的形成 往往是众多因素造成的结果，而各因素之间存在十分复杂的联系，各自对最终故 障的贡献难以衡量。如果采用传统的推理检测方法，或采用一些常用的简化方法 进行故障诊断，难以用精确的状态模型表示系统，也就难以实时、准确地判别出 故障原因。 因此，使得基于知识的故障诊断方法成了重要的、也是实际可行的方法，成 为了复杂系统故障诊断领域中最引人注目的发展方向之一，其中神经网络技术的 应用前景尤为广阔。神经网络的非线性映射特性、信息的分布存储、并行处理和 全局集体作用，特别是其高度的自组织和自学习能力，使其成为故障诊断的一种 有效方法和手段，并已在许多实际系统中得到了成功的应用。 同时也应看到神经网络的缺点，它的知识分布于系统内部，没有明确的物理 意义，不能清楚地解释推理过程，也不能直接利用规则，由于求解是以所示例子 第2 章复杂系统故障诊断 为基础的相似求解，当存在两个相似近例时，求解不可能完全正确。故融合复杂 系统先验知识的神经网络又为提高单纯神经网络的故障诊断性能，提供了一条合 理可行的途径。 2 3 本章小结 复杂系统的结构复杂，故障层次多，传播机理难以掌握，这些决定了传统的 故障诊断方法难以满足复杂系统的故障诊断。神经网络不需要人们完全掌握系统 的结构和运动规律，这特别适应复杂系统的故障诊断问题。 第3 章神经网络基本理论 3 1 神经网络模型 第3 章神经网络基本理论 1 ) 神经元模型 模拟生物神经元的功能和结构，2 0 世纪4 0 年代开始人们提出了多种人工神 经元模型，其中使用最广泛的是美国心理学家m c c u l l o c h 和数学家p i t t s 共同提 出的m p 神经元模型 2 1 】。m p 模型是一个多输入单输出单元，含阈值的处理机 制，活动定义为兴奋和抑制两种状态( o ，1 ) ，通过权值表征神经元之间的耦合 程度。 图3 - l 神经兀模型 将m p 模型扩展，如图所示的更具有一般意义的神经元结构( 图3 1 ) ，参数 含义如下： 【_ ，镌， 一， 矗】：第i 个神经元的输入向量； ：第i 个神经元的第j 个输入向量联结权值； 置：第i 个神经元的外部输入控制信号： 谚：第i 个神经元的输入阈值，或称激活阈值； ；第i 个神经元的净输入； 1 4 2 ， 口 吃； 0 ；k 第3 章神经网络基本理论 f ( ) ：第i 个神经元的活化函数； g ( ) ：输入规则。 其中，净输入 =k一谚(3iui i ) 2 乙k 一够( 3 ) k = l 活化函数( a c t i v a t i o nf u n c t i o n ) 在神经元中是一个重要的元素，它也是按照 生物神经元的特性设计的：生物神经元获得的输入信号的累计效果超过阈值时， 它处于激发态；否则，处于抑制态。活化函数是该性能的拓展，是神经元更一般 的变换函数，用于将输入信号放大处理或限制在一个适当范围内。典型的活化函 数有阈值型函数、分段线性函数、s 型函数等 2 2 】。 ( 1 ) 阂值型函数 f ( x ) 图3 2 闽值型函数 f ( x ，= 擐三 2 ， 这是最简单的活化函数，模拟神经元兴奋和抑制两种状态。 ( 2 ) 分段线性函数 “x ) 。i 1 图3 3 分段线性函数 第3 章神经网络基本理论 lx l 胁瑚一篙3 )o x 一l 该活化函数类似于一个带限幅的线性放大器，当工作在线性区时，它的放大 倍数为1 2 。 ( 3 ) s 型函数 f ( x ) f ( x ) 1 。 i厂 夕 一 o ( a ) l o g s i g 函数 1ji 厂 o 一 g - 1 ( b ) t a n s i g 函数 图3 - 4 s i g m o i d 函数 这二个函数都是可微的，具有渐进性和平滑单调性，体现了神经元的饱和特 性，因此很适合利用神经网络算法训练，成为应用最广泛的活化函数。s i g m o i d 函数最常用的函数形式为 f ( x ) = 鬲而1 丽3 4 ) 参数口可控制其斜率。 2 ) 神经网络的结构 输入层隐含层输出层 x 1 ： x 卅一 柳 其中，七为样本数，刀，为隐节点数，行为输入节点数。如果f p c ，l = d 。 惕= 4 n + m + a ( 3 1 0 ) 其中，m 为输出神经元数，, 为输入节点数，a 为 1 ，1 0 】之间的常数。 惕= l 0 9 2 ，z ( 3 1 1 ) 其中，以为输入节点数。 1 2 = 2 r h + 1 ( 3 - 1 2 ) 其中，为输入节点数，坞为隐节点数。 实验法确定隐节点数目的方法是，依据以上四个公式定义一个隐节点参考数 目p ，然后选择一个实验范围 m ，刀】( p 【m ，n 】) ，通过比较网络性能( 收敛次数、 计算误差) ，确定网络最终的隐节点数。 还有一种途径可用于确定隐节点的数目。首先使隐节点的数目可变，或者放 入足够多的隐节点，通过学习将那些不起作用的隐节点剔除，自到不可收缩为止。 同样，也可以在丌始时放入比较少的神经元，学习到一定次数后，如果不成功则 再增加隐节点的数目，直到达到比较合理的隐节点数目为止。 2 l 第3 章神经网络基本理论 3 3b p 神经网络 3 3 1 网络结构和印算法 多层前向网络是应用最多的神经网络，b p 算法是非循环多级网络的训练算 法，虽然b p