智能故障诊断方法研究与仿真-物理与电子信息工程学院本科毕业设计

物理与电子信息工程学院本科毕业设计（论文）诚信承诺书 1、本人郑重地承诺所呈交的毕业设计（论文），是在指导教师 老师的指导下严格按照学校和学院有关规定完成的。2、本人在毕业论文（设计）中引用他人的观点和参考资料均加以注释和说明。3、本人承诺在毕业论文（设计）选题和研究过程中没有抄袭他人研究成果和伪造相关数据等行为。4、在毕业论文（设计）中对侵犯任何方面知识产权的行为，由本人承担相应的法律责任。 毕业论文（设计）作者签名： 班级： 学号： 年 月 日目 录摘要IIAbstractII1 引言11.1 课题背景与意义11.2 相关研究综述11.3 本课题的主要研究内容21.4 论文组织结构22 粒子滤波算法理论分析22.1 蒙特卡洛方法32.2 贝叶斯定理42.3 粒子滤波算法53 基于粒子滤波的故障诊断分析93.1 故障诊断的基本原理93.1.1 故障诊断的发展现状93.1.2 故障诊断的定义与分析方法93.1.3 故障诊断的方法分类103.2 基于粒子滤波的故障诊断方法113.3 粒子滤波算法故障诊断仿真结果134 结论与展望13致谢14参考文献15附件1 程序代码16II摘要随着社会科技的发展，生产系统中对设备的可靠性和安全要求越来越高，国内外越来越多的学者对故障诊断产生了研究兴趣。实时检测，定位与故障排除需要故障诊断为其提供了科学的理论依据。因为现在的系统设备结构大多为非线性系统，工作现场的噪声干扰大，不同于实验室的理想高斯噪声，粒子滤波算法是有效处理非线性系统和非高斯故障问题的一种算法。粒子滤波是采用递归贝叶斯估计的蒙特卡罗方法。使用粒子集表观的概率能够用于任何情形的状态空间模型。 粒子滤波的故障诊断方法的核心是：通过粒子滤波法估算系统状态值，与真实的系统状态值互相对比，其差值可作为故障诊断的理论依据。即差值高于一定的设定的值时，故障判断为发生；低于设定的值时，故障判断为没有发生。 关键词：非线性非高斯系统；故障诊断；粒子滤波；蒙特卡洛方法AbstractKey Words: xxx; xxx; xxx (英文首字母大写)Abstract：With The increase of reliability and security requirement for the equipment in the Modern production, fault diagnosis has attracted research interest of many scholars. Fault diagnosis provides a strong scientific basis for real-time detection, location and troubleshooting. Because the current system equipment structure is mostly non-linear system, the work site noise interference is serious, different from the laboratory ideal Gaussian noise. The particle filter algorithm is an effective algorithm to solve the fault problem of non - Gaussian nonlinear systems. Particle filtering is a Monte Carlo method for recursive Bayesian estimation, which can be used in any form of state space model using particle set representation probability. The core of the particle filter fault diagnosis method is to use the particle filter algorithm to estimate the system state value, and compare the real system state value, the difference as the basis for fault diagnosis. When the difference is greater than a certain set value, to determine the fault occurred; less than the set value, to determine the failure did not occur. Key Words: Nonlinear non - Gaussian systems; fault diagnosis; particle filter; Monte Carlo method 1 引言1.1 课题背景与意义自从人类发生三次工业革命以来，科技作为第一个深入人心的生产力的理念，科学技术获得前所未有的蓬勃发展。但无论是大型的航天飞机，还是小型设备到设备，运行中的故障检测过程都是持久的。小过程故障会带来长期干扰，影响系统的正常运行，同时造成生产设备损坏，造成经济损失，大规模失效过程甚至造成人员伤亡等严重事件。现代故障诊断主要是机械工程，动车组等机电系统，通常具有强耦合系统，非线性系统，非固定系统和多输入系统等，因为物体复杂多样，故障类型并且致使故障判断与预测的复杂性复杂化。虽然现代信号处理和模式识别等先进理论算法发展很大，但生产和生活仍有很大的进步空间。 现代故障诊断技术能够概括为两种：基于模型和数据。经过建立故障模型，能够更好地建模系统。通过对系统模型和残余信号的理论分析，真实意义上的诊断故障。根据数据诊断故障系统，系统能够在系统建模不准确的条件下生成参数数据并应用于信号处理。 分析故障信息，实现故障诊断。 根据粒子滤波器的诊断故障方法通过估计未来运行情况，在过程超出正常运行阶段之前，尽可能快得检测系统问题。因此，深入分析故障诊断提高其可靠度和安全性的过程具备极其深远的科学价值和研究意义。 1.2 相关研究综述1.2.1国外研究现状早在1950年到1959年间，Hammersley等提出了蒙特卡罗方法，一种被称作“顺序重要取样（SiS）”，其近似于采用离散随机的概率测度分布。但是，因为计算步骤的复杂性与退化等问题，长期以来未有太大发展。到1993年左右，戈登阐释了重采样的定义，克服了运算方法的退化难关，首个能够操作运行的蒙特卡罗滤波器问世了，称为贝叶斯引导滤波器，这奠定了粒子滤波算法的基础。颗粒过滤器具有突出优点的优点，但还存在重量降低，重采样后样品减少，难以选择最佳概率密度等问题。为解决粒子退化等问题，Gordon等科学家发明了多项式重采样的算法；1998年时，Liu 等研究员发明了残差重采样的算法；在1999年，Carpente等工作者发明了分层重采样的算法，在同一年，他隆重对外宣布，公布了粒子滤波( particle filter)算法；2000年时，Doucet等人也研究出系统重采样算法。 在本文中，提出了一种正则化粒子滤波器（RPF），以连续不间断的形式计算后验概率密度，用于解决样品耗尽的相同方法是马尔可夫蒙特卡罗（马可夫链蒙特卡罗：MCMC）f181移动处理等提出了Kotecha J.H.（GPF）与高斯和粒子滤波器（GSPF），消除了对采样步骤的需要。1.2.2国内研究现状 国内关于粒子滤波器的研究起源于2003年，袁泽健讲解了高斯 - 埃米特粒子滤波器。 2004年康健等颗粒过滤基本概况。2005年邓小龙完善了目标跟踪系统中的粒子滤波算法，并对交通大学胡世强分析了粒子滤波器。2006年，众多科学家着手探究粒子滤波算法，如北交通的张三教授公布的辅助粒子滤波器是把粒子重采样算法再次完善；西安某研究所王立雄完善了UPF计算中的问题。2007年以来，中国许多大学已经开始研究粒子滤波器，而哈尔滨工业大学测量路径类似的梁俊也被用来优化粒子重采样算法。经过使用信息处理，将粒子滤波器运用在弱目标检测跟踪;中科院宋教授的粒子滤波器应用于图像识别和处理的领域;西安电科的陈丽通过智能算法进一步改进了粒子滤波算法;西安理工的杨俊老师以EKPF与UPF为基础过滤算法，并比较了许多种改进算法。1.3 本课题的主要研究内容 本文的主要研究内容是分析粒子滤波算法和粒子滤波算法在诊断故障里的运用。 故障诊断在现实生活中具有重要意义，但是系统的系统结构比较复杂，基本上是非线性系统，场景中存在很多严重的噪声干扰，与高斯的理想噪声不同，这对于实现诊断故障造成极大的妨碍。粒子滤波为处理非线性和非高斯的故障问题提供了有效可行的方法。在本文中，将改进后的粒子滤波算法运用于诊断故障，不但能够处理粒子滤波算法里退化和多样性的问题，而且能够改善诊断故障性能。1.4 研究的发展趋势和展望 自人类历史上三次工业革命以来，科学技术是第一生产力的观念深入人心，世界的科技水平得到迅猛发展。但是无论是大到航天飞机，还是小到设备仪器，其运行过程中的故障检测经久不衰。微小过程故障会带来长期扰动，影响系统正常运行，损害生产设备的同时造成经济损失，大型故障过程甚至会引发人员伤亡等严重事件。现代故障诊断多为机械工程、飞机动车组等机械和电气系统，往往具有强耦合性系统、非线性系统、非平稳性系统以及多输入系统等1，因为对象是繁杂多变、故障类型和原因也不同，这使得诊断故障与预测的多样化，虽然在现代信号处理和模式识别等先进理论算法上有很大发展，但从生产和生活上仍有很大改善空间。 现代诊断故障技术可以分为基于模型和基于数据两种类型2，经过对诊断故障模型的建立实行精确的建模，通过对模型的观测和残差信息的理论研究，进行诊断故障。而基于数据的故障诊断系统在系统建模无法精确的条件下，由系统产生参数数据从而应用于信号处理手段，分析其蕴含的故障信息从而实现故障诊断。基于粒子滤波的故障诊断方法通过预知过程将来运行状态，在过程超出正常运行阶段之前尽可能早的检测到系统故障3。因此，诊断故障的探究将增大过程可靠度和安全性，具备极其深远的科学价值与研究意义。 1.5 论文组织结构第一部分 绪论，主要阐述了课题的背景意义及研究内容与发展现状。第二部分 主要介绍了粒子滤波算法及理论分析第三部分 具体介绍了粒子滤波诊断方法及仿真结果第四部分 工作总结和未来展望2 粒子滤波算法理论分析 根据蒙特卡洛的方式，昔人先辈偶然获得了粒子滤波的思想。 粒子滤波主要是通过粒子测试的随机状态，获得随机粒子的概率，显示粒子的分布，称为抽样方法的顺序重要性。 一般来讲，粒子滤波算法实际上是经过状态空间传播过程找到一组随机数据来定义，并用概率密度函数来实现近似，用简单的样本均值来代替高复杂度的积分计算， 减少计算量以最小方差获得状态分布。样本就是代表粒子，即粒子总数无限度增加，理论上可以无限逼近真实的概率密度。 由于非参数的优点，虽然该算法的输出仅表示真实分布的无限关闭状态，但也可以在非高斯条件下的非线性滤波的情况下使用随机变量。 同时，除了能够表现出比高斯模型更广阔的随机分布之外，在可变数据中，非线性的模型特点也不存在弱函数。所以，粒子滤波器可以准确表征后验概率分布情况的测量与控制，在管理SLAM问题中也有显着的效果。 粒子滤波是当代典型的运用方法,其在非线性和非高斯系统领域的使用有着绝对的优势。在解决实际生产中系统设备构造巨大、大多属于非线性系统、强噪声滋扰的系统状态估计上提供了一种有用的方法。粒子滤波的算法，根据递推的贝叶斯预计的蒙特卡洛方法，用来完成真实概率密度函数的无限逼近。当粒子总数接近于无限大时,理论上可以实现估计状态函数近似等于概率密度函数的真实情形。2.1 蒙特卡洛方法蒙特卡罗方法同时也叫做统计模拟方法，是一类基于概率的运算方式，依托重复随机抽样统计方式得出结果。这个想法是，当分布事件的概率或期望相等时，可以通过从实际概率分布统计计算一系列样本的随机重复来获得近似实际分布的概率。通过抛掷硬币事件为例子说明，抛掷硬币总是会得出正面和反面这两种不同的结果，理论上抛掷一次硬币是所得情况为正面或者反面的概率相等，为验证这一结果，假设进行次实验，通过公式计算抛硬币结果为正面的概率为 ，表示正面，N=10000，表示进行测试的总数，表示第次抛掷硬币所得的情况，当第次为正面，=1，当第次为反面，=0.。最终计算可得结果接近=0.5。 蒙特卡罗方法能够用来运算出近似值能够获得非常好的结果，如运算值，能够假定你在草稿纸里画一个正方形，并在正方形中画一个圆，将其切成正方形。 然后，正方形的四边和圆形的边缘分为等同的长度，小点的数量，所以形成圆的点数量与形成正方形的点数量之间的比值为2/ 8，也就是圆与圆的圆周比。当由乘数乘四的点数除去平方的组合中的点数时，可以获得近似值。 利用蒙特卡洛方法进行公式化： （2.1）其中为抽取样本总次数，为抽取的样本粒子，当时=1，当时=0，每个粒子被绘制的概率是相同的。 它的目的能够理解为提取的颗粒数与总颗粒数之比获取事件的概率。 把定义域是连续函数的事件，式可写为： （2.2） 根据期望的公式，由蒙特卡洛法可得： （2.3） 采样的关键性是尽可能使用有限度的采样时间，以避免采样点数影响对点的巨大贡献。关键性抽样是粒子滤波的决定因素，是常用的蒙特卡罗抽样法。重要性抽样从已知分布中抽取，称为重要性函数。 每个重要性样本都很重属性函数具有一定的权重，以便轻松确定系统情形。定义为权值函数，则期望可以写成： （2.4）2.2 贝叶斯定理2.2.1贝叶斯定理 基于不确定性信号的推测与决定必须对多种结论的概率进行估算，被称作概率推理。 贝叶斯定理的贝叶斯推理是属于条件概率的推理问题，事件的条件概率和边缘概率。假设Z是X的观测值，给出X后的观测值概率密度函数可以从以下等式运算。 （2.5） 式中，为给出Z时，X的条件概率，也称作后验概率。因为依赖于具体Z的值；为给出X时，Z的条件概率，也称作似然概率；和是X和Z的边缘概率密度。2.2.2 贝叶斯推论 贝叶斯推理使用观测值来先验概率，使得其更接近真实情况。假假设X和Z，X未知，Z是通过X观察得到的。Z条件的概率函数是，X的先验概率是，从得出一个X，接着从条件分布得出样本的观察值。Y联合条件的概率函数是，也称作似然函数。样本Z和X的联合概率分布 （2.6） P(Z)是Z的边缘概率分布 （2.7） X的后验概率由式（2.7）推得 （2.8） 2.3 粒子滤波算法 粒子滤波器是根据递归贝叶斯估计结合蒙特卡罗方法的过程。设置足量的粒子，使他们经过系统的状态空间模型向前，可以获得系统时间采样情况，完成后验概率密度函数的真概率密度函数的近似。当采样样本数量接近于无限大时，粒子的滤波器运算法估算系统状况后验概率的密度函数接近于真实状态下的概率密度函数。顺序重要性的抽样方法即是粒子滤波器的基本算法。经过选择性的抽样，样本里要把预算值作出贡献较大的粒子，也就是粒子的权重比较大的那一部分，获得的可能性较高，预测值的贡献小于粒子， 也就是说，粒子的权重越小，收集的可能性就越低，以增加抽样的可能性，而且降低估算的方差，更有可能得到最好的估算。然而，顺序的重要性采样运算，伴随着进程的运行，迭代次数的提高，会发生较严峻的粒子退化情况，选择优良的采样分布建议，或者完善重采样的方法能够降低粒子退化的可能性。2.3.1顺序重要性采样算法 顺序重要性的采样运算方法(SIS)，即达成从已知的、较易采样的分布里采样，是为了达成对重要性的采样实行递推运算，进而对系统真实状况实行估算。 定义权值函数为： （2.9）其中 为重要性概率密度的参照分布，本参照分布已知并且方便从中抽样。于是SIS算法步骤如下：（1）采样从中任意抽出N个样本，而且利用状态转移方程 运算出下一的时间系统状况；（2）运算得出对应的似然概率，似然概率的运算方程如下： （2.10）其中代表对粒子的预算误差值，代表观测的噪声；（3）运算权值，把状态转移的概率函数当作为建议分布。 （2.11）也就是经过前一时间状况的权值函数，能够依次递归出后面时刻的系统权值函数。当 时，有 （4）权值归一化， (2.12)（5）输出，判断系统状态。，可知当粒子预测值越接近系统观测值时，越大，越大，所以可以说明越是接近系统状态真实值的粒子权值越大,反之亦然。初始化是否k=k+1结束KKmax输出k时刻的状态估计值采样，抽取N个粒子并计算状态值和观测值似然函数计算，权值计算并归一化否重采样储存权值和状态值是 图2.1 SIS算法流程图 2.3.2重要性采样算法 重采样算法（SIR）是减少粒子退化情形的有效方法。 主要原理是在运算相应颗粒的权值之后，根据某些规则运算与采样颗粒相对应的概率密度函数。采样样本被采样两次或者多次数采样，使得权值比较小的粒子数目降低，权值比较大的粒子数目提高。由于颗粒权值较大，颗粒状况更逼近于真实状态，因此可以估算重采样粒子给真实系统状况带来的影响。 重要性的重采样方法过程如下：1， 初始化：采样，从中随机抽出N个样本，而且利用状态转移方程运算下一时间的系统状况。并设初始粒子状态权值为=1/N；2， 根据计算得出对应的似然概率；3， 计算权值， （2.13） 利用状态转移概率函数为建议分布，也就是，那么，此刻方差最小；4， 权值归一化，；5， 重采样，设定一值，当第m个粒子权值符合下列条件： （2.14）将第m个粒子实行重采样，舍掉那些不满足条件的粒子。计算出有效的粒子数量，设置一门限值，如果重采样所获得的粒子中有效的粒子数量小于设置的门限值，接着继续多次重采样，直到所获得粒子中有效的粒子数量不小于设置的门限值为止。然后重新设定所有粒子权值为=1/N。6， 输出，判断系统状态。 (2.15) 初始化k=k+1k=1，采样，抽取N个粒子并计算状态值和观测值 结束似然函数计算，权值计算并归一化否是储存权值和状态值并用以计算下一时刻的权值和状态值是重采样 输出k时刻的状态估计值否 图2.2SIR算法流程图173 基于粒子滤波的故障诊断分析 随着现代社会的进步，机械的自动化已经变为一个极大的发展趋势，越来越大，繁杂高效能的自动化仪器成为了工业生产与现实生活的主导地位，大大推动了社会的进步，增大了生产效能，节省了生产本钱 ，改善生产工艺。但是，仪器成本越来越高，仪器成本与管理和维护的成本会越来越多，如果发生问题，会给生产带来很大的影响，也可能造成巨大的经济损失。 诊断故障是提升设备仪器，机械仪表和系统的稳定与安全性以及实时检测和定位，排除故障的有效科学手段。在日常生活中，能够减少事故发生的概率，确保自身与财务安全，减少维护成本，提高运转周期，对增大生产的效率具有重要意义。所以开发更完整的诊断故障系统已经引起了大量的国内外工作者的重视。3.1 故障诊断的基本原理3.1.1 故障诊断的发展现状 故障的初步探究起源于1960年到1969年之间，是美国等发达国家设立研发中心，致力于从事诊断故障技术的研发工作；大概到1990年到1999年之间，因为电脑技术与信息技术的迅猛发展，信息管理和处理能力持续提高，诊断故障逐渐在日常生活中获得广阔运用，美国研究出汽轮式发电机组的智能网诊断故障专家系统，英国也开始在核能发电，钢铁工业等领域的诊断故障相关服务逐渐投入使用。 我们国家的诊断故障技术的研宄开始的比较晚，然而我们积极投入研发，致力创新发展，大概从1980年开始进行大规模研究，基本找到了很多故障诊断，同时确定了试点单位的研究方向。如西安交大，“大规模旋转式机械电脑状况检测和诊断故障系统”，到现在为止，诊断故障技术已被大规模运用于国内许多地区，如：化工，石油，电力，铁路 ，航空等。3.1.2 故障诊断的定义与分析方法 故障通常意味着系统在通常运行的条件下，系统没有结果输出或者输出的状况结果不满足日常要求，系统变成异常工作状态。系统状况的故障诊断是首先确定处于正常工作状况还是处于非正常工作状况，接着故障定位与排除故障。 故障诊断的主要任务包括：被诊系统状况信息获取、故障形式甄别、趋势预算研究和诊断方案。 接收系统状态信号提取：系统诊断故障或者故障特点信息收集，获得检验信息，再经过特定的信号处理法。 故障模式识别：确定系统的状况，有没有产生故障或者产生故障的严重性，接着将故障的位置定位准确，从而为高效处理故障打下牢固的基础。 趋势预测分析和诊断决策：依据前文中识别故障的结论，确定系统状况然后预计系统状况的发展走势，最后得出诊断意见，给出故障响应方法。 故障分析的大致过程如图所示：设备允许参数否信号处理信号采集故障识别获取特征信息获取检测信号被诊系统故障确定诊断决策趋势分析 图3.1故障分析过程框图 3.1.3 故障诊断的方法分类 诊断故障一般能够概括为下面几种形式：根据模型的方法、根据知识的方法与根据信号处理的方法等，如图3.2所示： 图3.2 故障诊断方法分类图 其中根据模型的不同能够分类为专家系统的方法，模糊识别的方法，神经元网络方法，模糊推理的方法；根据症状的不同能够分类为定性观测法，定性仿真法，知识观测器法；根据参数估计不同能够分类为系统与故障参数估计法；根据状态估计不同能够分类为观察器法与滤波器法。 根据模型的诊断故障分析方法是依据现有理论与信息使用系统的模型来分析，给出适当的数学模型，可以相应地得出较准确的故障预测。该方法基于诊断方法选择参考值，一般情况下选择残差，残差通过模型预测获得并且和系统状况的真实值有一些差异，通过运算来自收集信息的残差信号，然后依据残差要确定是否产生故障，如果残差数值较高，那么在正常情形下有故障，如果残留小，那么通常情形中系统是正常工作状况。 然而，在实践中往往难以开发精准的故障模型，特别是在故障传递过程繁杂或尚未全部了解清楚时。根据知识的故障诊断和分析方法是根据系统定量分析模型的分析。该模型可以通过收集不是十分准确数学模型的条件信息去推导，因此具备更广阔的运用。 根据信号处理的诊断故障法是经过采用信号模型直接对有必要测算的信号开始研究，获得能够运用于判断系统状况的特征值，例如均值、方差和矩等，接着依据此实行故障判定，判断有没有故障产生。 3.2 基于粒子滤波的故障诊断方法 粒子滤波是一类依据贝叶斯预计的递推滤波法和蒙特卡洛法，明确采样颗粒，通过系统的状况空间模型的所有颗粒一个一个经过系统的状况空间模型，并通过了估算系统的采样状态，