故障检测与诊断的模型

故障检测与诊断的模型

发表时间：2017-08-01T11:15:27.483Z 来源：《电力设备》2017年第9期作者：陈明庆

[导读] 摘要：快速、准确的故障检测与诊断离不开有效的系统模型。针对故障检测与诊断的特点，文章简要介绍了机理建模（南京理工大学江苏南京 210094）

摘要：快速、准确的故障检测与诊断离不开有效的系统模型。针对故障检测与诊断的特点，文章简要介绍了机理建模、知识建模和数据驱动建模三类传统建模方法，并从不同维度对以上几种建模方法作了比较阐述，同时基于上述各模型的特点，给出了几种混合建模的思路。

关键词：机理；知识；数据驱动；混合模型

0 引言

故障检测与诊断是一门相对独立的技术。我国在1979 年才初步接触故障检测与诊断技术，经过30多年的发展，故障检测与诊断技术已在自动驾驶、人造卫星、航天飞机、汽轮发电机组、大型电网系统等重要核心领域得到广泛应用。

目前，故障检测与诊断的模型大致有基于机理的模型、基于知识工程的模型、基于数据驱动的模型，文章将结合各模型的特点重点探讨故障检测与诊断中混合建模的思路。

1 机理模型

基于机理模型的方法首先需要被诊断系统精确的机理模型，然后利用构造出来的观测器预估系统的输出值，再将估计值与实际值做差产生残差。当系统运行正常时，残差应为零或近似于零；当系统出现故障时，残差量会明显超出允许范围。基于机理模型的方法根据残差产生的原因可细分为参数估计法、状态估计法、等价空间法等。参数估计法根据观测数据来辨识系统的动态参数，依据系统参数与模型参数的差值来判断系统是否出现故障。状态估计法通过对系统的状态进行重构，通过与可测变量做差生成残差序列，并采用统计检验法从残差序列中把故障检测出来，前提是系统可观测或者部分可观测，一般用各种状态观测器或滤波器进行状态估计。等价空间法是通过系统的输入输出真实值来检验系统机理的等价性，通过确定系统的输入输出间的冗余，实现检测和分离故障的效果。

基于解析模型的故障诊断方法充分体现了过程的内部机理，外延性好。但当系统过于复杂时无法获取其内部机理的全部信息，具有一定的局限性。

2知识工程模型

基于知识的方法主要是通过相关的经验建立系统的定性模型来解决复杂的故障诊断问题。基于神经网络、模糊逻辑方法是常用的方法。其中，神经网络因其具有处理非线性和自学习以及并行计算能力的特点，有利于非线性系统的故障诊断。模糊逻辑由于其概念易于理解，表达上更接近人的思维，适用于复杂的故障诊断中。

基于知识的方法不需要精确的定量机理模型，其适用于有相关经验和知识的对象，且诊断的结果易于理解。但是，其最大的缺点是通用性差，必须通过大量的经验知识才能够建立“知识库”；当系统比较复杂时，很容易出现一种未知故障会导致误报和漏报的情况。此时，基于知识的方法将不再适用。

3数据驱动模型

基于数据驱动的方法是通过采集系统的输入输出数据，然后分析数据的各种统计特征，建立过程的数据特征模型。目前，常用的方法有小波分析、神经网络、主成分分析等。小波分析方法是对所采集的信号进行相关处理，处理后的信号中除去由于输入变化引起的奇异点，剩下的奇异点即为系统可能出现的故障点。神经网络能够实现自组织、自学习，同时还具有处理非线性、并行、信息分布存储等能力，这大大提高了故障诊断的效率。主成分分析方法的主要是通过坐标变换将数据从高维空间映射到低维空间，建立正常情况下的主成分模型，当实测信号偏离所建模型时即可判断系统出现异常。

基于数据驱动的方法不必像基于机理模型那样需要过程的模型或先验知识只需对过程数据进行处理与分析，简单方便，实时性好，实用性强。但是数据模型的内插性及外延性较差，无法获取大量的各种状态下的过程数据。

4 混合模型

基于机理与基于数据驱动模型相结合的混合建模技术既能保证模型有明确的物理意义，又能保证模型具有较高的精度[6]。

基于MFM的故障诊断模型的研究

基于MFM的故障诊断模型的研究 发表时间：2016-08-25T16:02:40.417Z 来源：《电力设备》2016年第12期作者： 1罗成 2牟春晓 3孙睿 4许潇 5曹东亮 6李雪 [导读] 多级流模型是一种基于目标的层次化、图形化的建模方法，它将真实的物理系统以物质流、能量流、信息流的形式进行抽象。 1罗成 2牟春晓 3孙睿 4许潇 5曹东亮 6李雪艳 （1、2、4、5、6国网山东省电力公司检修公司 264000 ; 国网山东省电力公司东营供电公司 257000） 摘要：多级流模型将复杂系统分解为不同的功能层，相互之间通过完成关系、实现关系和条件关系相连接。本文通过研究MFM中流的基本属性、功能节点分组及MFM的建模方法，建立变电站的MFM模型。 关键字：MFM 故障诊断模型 1. MFM模型 基于多级流模型（Multilevel Flow Models, MFM）的故障诊断方法，是把整个生产过程抽象成广义的“流”，根据生产系统物质流、能量流以及信息流等变化推断故障源[1]。目前，MFM已经成功应用于复杂系统的故障诊断。 2.MFM建模的理论基础 多级流模型是一种基于目标的层次化、图形化的建模方法，它将真实的物理系统以物质流、能量流、信息流的形式进行抽象，然后使用一些特定的图形符号来描述系统过程的目标、功能以及设备单元，从而对系统的生产、运行过程进行建模。 MFM对系统主要进行三个层次的描述：目标、功能、设备元件 [2]。在电力系统中，应用较多的功能节点有：源、目标、传输、存储、平衡、汇、连接节点、观测者、决策者、管理者及操作者等，如图1所示。 图1 常用功能节点 每个功能模型通过流网络以特定的连接关系与一个或多个目标模型连在一起，以完成系统的目标。同样，目标模型也能通过特定的条件关系与一个或多个功能模型连接起来，表明此目标为该功能实现的前提。目标、功能和设备元件之间是多对多的关系，概括起来说，主要有：达成关系、条件关系、实现关系等。 多级流模型的建模思想是把生产过程抽象成广义的“流”，以系统目标与实现目标的功能为模型主体，建立复杂流程工业系统的抽象层次模型。以 “流”作为建模的主线，它主要可分为：能量流、物质流、信息流[3]。 因为多级流建模是一种基于目标与功能的建模方法，子目标的实现是总目标实现的前提条件，所以，可以把大系统分解成若干个子系统。子系统的目标即为子目标，子目标的实现要靠多种功能共同完成。 3.简单电力系统MFM简化模型分析 下面以一个简单电力系统的简化MFM模型为例，说明MFM建模的机理，对MFM的建模过程进行验证。简单电力系统的示意图如图2所示。 图2 简单电力系统示意图 电力系统的供电过程是：发电机发出电能，通过母线输送到线路，然后再通过母线输送到负载。 系统主要由发电机C1、母线C2和C5、线路C4、负载C6和保护C3组成。本文主要以其两个目标进行举例说明：G1是系统的主目标——维持负载正常供电；G2是系统的子目标——为线路提供保护。 电力系统的目标、功能节点及设备元件间的关系如上文分析的是多对多的关系。它们之间的关系主要有：设备元件C1-C6和功能节点Fl-F10间的实现关系，目标G1与功能节点F1-F7间的达成关系，子目标G2与功能节点F4的条件关系以及功能节点间的连接关系。 考虑到实际电力系统的复杂性，可以将电力系统分模块建模，主要的模块有发电机、线路、母线、保护和负载。各个模块的模型如图3所示，这些模块之间可以相互连接，其中母线模块可以根据母线上具体的出现调整出线的多少，保护可以具体到保护的类型。

故障诊断专家系统及其发展

综述与评论 计算机测量与控制.2008.16(9) C omputer Measurement &Control 1217 中华测控网https://www.wendangku.net/doc/49678007.html, 收稿日期:2008-06-08; 修回日期:2008-07-16。 作者简介:安茂春(1967-),山东莱阳人,副研究员,主要从事测试与故障诊断技术的管理工作。 文章编号:1671-4598(2008)09-1217-03 中图分类号:TP182 文献标识码:A 故障诊断专家系统及其发展 安茂春 (北京系统工程研究所,北京 100101) 摘要:文章对主要的故障诊断专家系统进行了系统的归纳和分类,主要关注故障诊断专家系统在军事领域的应用;重点讨论了基于规则的诊断专家系统、基于模型的诊断专家系统、基于人工神经网络的诊断专家系统、基于模糊推理的诊断专家系统和基于事例的诊断专家系统的技术要点、发展现状、优缺点及其在军事方面的应用;最后,对该学科的发展做出了预测,指出基于多种模型结合的诊断专家系统、分布式诊断专家系统、实时诊断专家系统是今后的发展方向。 关键词:专家系统;故障诊断;军事应用;基于规则推理;建模技术;人工神经网络;模糊推理;基于事例推理 A Survey on Fault Diagnosis Expert Systems An M ao chun (Beijing Institute o f System and Eng ineering ,Beijing 100101,China) Abstract:In this article w e present a s urvey of fault diagnosis expert system s,and categorize them into 5different types according to know ledge organiz ation m ethod and reasoning m ech anis m,w hich are ru le-b as ed fault diagn osis expert system,model-based fault diagnosis ex pert system,n eural netw ork fault diagnosis exp ert sy stem,fuz zy fault diagn osis expert system and cas e-based fault diagn os is expert sys -tem,for each type w e describ e its techn ical pr op erties,curren t status,ad vantag es and disadvantages,and application s in military field.At the end of th is article,w e point out that hybrid model-based,distributed and real-time diagnosis expert sys tems are fu tu re direction s. Key words:ex pert sys tem;fault diagnosis ;military application;rule -b as ed reasoning;modelin g;artificial neural netw or k;fuzzy reasonin g;ease-b as ed reasoning 1 故障诊断专家系统及其分类 专家系统(Ex per t Sy st em,ES)是人工智能技术(A rt if-i cial I ntelligence,A I)的一个重要分支,其智能化主要表现为能够在特定的领域内模仿人类专家思维来求解复杂问题。专家系统必须包含领域专家的大量知识,拥有类似人类专家思维的推理能力,并能用这些知识来解决实际问题。 故障诊断技术是一门应用型边缘学科,其理论基础涉及多门学科,如现代控制理论、计算机工程、数理统计、模糊集理论、信号处理、模式识别等。故障诊断的任务是在系统发生故障时,根据系统中的各种量(可测的或不可测的)或其中部分量表现出的与正常状态不同的特性,找出故障的特征描述并进行故障的检测与隔离。 故障诊断专家系统是将专家系统应用到故障诊断之中,可以利用领域知识和专家经验提高故障诊断的效率[1]。目前专家系统在故障诊断领域的应用非常广泛,如美空军研制的用于飞机喷气发动机故障诊断专家系统XM AN [2],N A SA 与M IT 合作开发的用于动力系统诊断的专家系统,英国某公司为英美军方开发的直升机发动机转子监控与诊断专家系统[3]等,此外在电力、机械、化工、船舶等许多领域中也大量应用了故障诊断专家系统。 根据知识组织方式与推理机制的不同,可将目前常用的故障诊断专家系统大致分为基于规则的诊断专家系统、基于模型 的诊断专家系统、基于人工神经网络的诊断专家系统、基于模糊推理的诊断专家系统和基于事例的诊断专家系统。 2 故障诊断专家系统对比分析 2 1 基于规则的诊断专家系统 在基于规则的诊断专家系统中,领域专家的知识与经验被 表示成产生式规则,一般形式是:if<前提>then<结论>其中前提部分表示能与数据匹配的任何模型,结论部分表示满足前提时可以得出的结论。基于规则的推理是先根据推理策略从规则库中选择相应的规则,再匹配规则的前提部分,最后根据匹配结果得出结论。 基于规则的诊断知识表达方式直观、形式统一,在求解小规模问题时效率较高,并且具有易于理解与实现的优点,因而取得了一定成功。20世纪90年代,国外在军用水压系统、电力供应网络等方面进行了应用。 但是,对于复杂系统,所观测到的症状与对应的诊断之间的联系是相当复杂的,通过归纳专家经验来获取规则有着相当的难度,且诊断时只能对事先预想到的并能与规则前提匹配的事件进行推理,存在知识获取的瓶颈问题。2 2 基于模型的诊断专家系统 在基于模型的诊断专家系统中,领域专家的专业知识包含在建立的系统模型中,这种基于模型的诊断更多地利用系统的结构、功能与行为等知识。相比基于规则的诊断专家系统,这种诊断方式能够处理预先没有想到的情况,并且可能检测到系统存在的潜在故障。这类系统的知识库相对容易建立并且具有一定的灵活性,已应用于航天器动力燃烧系统故障诊断等方面。

故障诊断与容错基于模型和基于信号的方法

故障诊断与容错技术概述——第一部分：基于模型和信号的故障诊断技术 引言：随着工业系统复杂性和费用的不断增加，不能容忍性能下降、生产率降低和安全隐患这些必须尽早的检测和识别出异常和故障的存在，并采取实时的故障容错操作尽量降低性能的下降避免危险情况出现。在过去40年里，关于故障诊断和容错技术的丰硕的研究成果被报道出来并应用到各种工程系统中。这三部分的调查目的在于给出实时故障诊断和容错技术的全面的回顾，对过去十年的成果进行重点关注。在本文中，全面回顾关于基于模型和信号处理的故障诊断方法和应用。 关键词：冗余分析；故障容错；基于模型的的故障诊断；实时监测；基于信号的故障诊断； Part I介绍 众所周知，许多工程系统，例如航空发动机、车辆动力学、化学工艺、制造系统、电力网络、电气设备、风力发电转换系统以及工业电子设备是安全关键系统。工业系统对潜在过程异常和部件故障的安全和可靠性的要求不断提升。因此，尽早的检测和识别出任何类型的故障和潜在异常并采取容错操作以降低性能下降避免危险情况的出现十分重要。 故障被定义为系统的至少一个特征属性或参数从可接受的/平常的/标准的状态出现一个不受约束（原文：unpermitted）的偏差。类似的故障例如，执行器阻塞、传感器失效或者一个系统失去连接。因此通常故障常被分为执行器故障、传感器故障以及设备故障（或者称为组件故障或参数故障），这些故障会打断系统的控制器对系统部件的控制行为或者产生大量的测量误差或者直接改变系统的动态输入输出属性，从而导致系统的性能下降甚至使整个系统崩溃或损坏。为了提升所关心系统的可靠性，故障诊断通常通过使用冗余的概念用于监控、定位，并辨识故障，冗余通常可分为硬件冗余和软件冗余(或称为解析冗余)两种。硬件冗余的基本思想是使用相同的输入信号分量，从而使得复制的输出信号可以进行

故障检测与诊断的模型

故障检测与诊断的模型 发表时间：2017-08-01T11:15:27.483Z 来源：《电力设备》2017年第9期作者：陈明庆 [导读] 摘要：快速、准确的故障检测与诊断离不开有效的系统模型。针对故障检测与诊断的特点，文章简要介绍了机理建模（南京理工大学江苏南京 210094） 摘要：快速、准确的故障检测与诊断离不开有效的系统模型。针对故障检测与诊断的特点，文章简要介绍了机理建模、知识建模和数据驱动建模三类传统建模方法，并从不同维度对以上几种建模方法作了比较阐述，同时基于上述各模型的特点，给出了几种混合建模的思路。 关键词：机理；知识；数据驱动；混合模型 0 引言 故障检测与诊断是一门相对独立的技术。我国在1979 年才初步接触故障检测与诊断技术，经过30多年的发展，故障检测与诊断技术已在自动驾驶、人造卫星、航天飞机、汽轮发电机组、大型电网系统等重要核心领域得到广泛应用。 目前，故障检测与诊断的模型大致有基于机理的模型、基于知识工程的模型、基于数据驱动的模型，文章将结合各模型的特点重点探讨故障检测与诊断中混合建模的思路。 1 机理模型 基于机理模型的方法首先需要被诊断系统精确的机理模型，然后利用构造出来的观测器预估系统的输出值，再将估计值与实际值做差产生残差。当系统运行正常时，残差应为零或近似于零；当系统出现故障时，残差量会明显超出允许范围。基于机理模型的方法根据残差产生的原因可细分为参数估计法、状态估计法、等价空间法等。参数估计法根据观测数据来辨识系统的动态参数，依据系统参数与模型参数的差值来判断系统是否出现故障。状态估计法通过对系统的状态进行重构，通过与可测变量做差生成残差序列，并采用统计检验法从残差序列中把故障检测出来，前提是系统可观测或者部分可观测，一般用各种状态观测器或滤波器进行状态估计。等价空间法是通过系统的输入输出真实值来检验系统机理的等价性，通过确定系统的输入输出间的冗余，实现检测和分离故障的效果。 基于解析模型的故障诊断方法充分体现了过程的内部机理，外延性好。但当系统过于复杂时无法获取其内部机理的全部信息，具有一定的局限性。 2知识工程模型 基于知识的方法主要是通过相关的经验建立系统的定性模型来解决复杂的故障诊断问题。基于神经网络、模糊逻辑方法是常用的方法。其中，神经网络因其具有处理非线性和自学习以及并行计算能力的特点，有利于非线性系统的故障诊断。模糊逻辑由于其概念易于理解，表达上更接近人的思维，适用于复杂的故障诊断中。 基于知识的方法不需要精确的定量机理模型，其适用于有相关经验和知识的对象，且诊断的结果易于理解。但是，其最大的缺点是通用性差，必须通过大量的经验知识才能够建立“知识库”；当系统比较复杂时，很容易出现一种未知故障会导致误报和漏报的情况。此时，基于知识的方法将不再适用。 3数据驱动模型 基于数据驱动的方法是通过采集系统的输入输出数据，然后分析数据的各种统计特征，建立过程的数据特征模型。目前，常用的方法有小波分析、神经网络、主成分分析等。小波分析方法是对所采集的信号进行相关处理，处理后的信号中除去由于输入变化引起的奇异点，剩下的奇异点即为系统可能出现的故障点。神经网络能够实现自组织、自学习，同时还具有处理非线性、并行、信息分布存储等能力，这大大提高了故障诊断的效率。主成分分析方法的主要是通过坐标变换将数据从高维空间映射到低维空间，建立正常情况下的主成分模型，当实测信号偏离所建模型时即可判断系统出现异常。 基于数据驱动的方法不必像基于机理模型那样需要过程的模型或先验知识只需对过程数据进行处理与分析，简单方便，实时性好，实用性强。但是数据模型的内插性及外延性较差，无法获取大量的各种状态下的过程数据。 4 混合模型 基于机理与基于数据驱动模型相结合的混合建模技术既能保证模型有明确的物理意义，又能保证模型具有较高的精度[6]。

基于模型的执行器故障诊断

第41卷第10期2007年10月 浙 江 大 学 学 报(工学版) Journal o f Zhejiang U niv ersity (Engineer ing Science) Vol.41No.10Oct.2007 收稿日期:2007-07-30. 浙江大学学报(工学版)网址:w w w.journals.z https://www.wendangku.net/doc/49678007.html,/eng 基金项目:国家自然科学基金资助项目(60774031). 作者简介:尚群立(1964-),男,陕西武功人,教授,从事智能仪表,鲁棒控制理论及应用等工作.E mail:qlshang@sin https://www.wendangku.net/doc/49678007.html, 基于模型的执行器故障诊断 尚群立,孙 黎,吴海燕 (杭州电子科技大学自动化学院,浙江杭州310018) 摘 要:为依据执行器的动态特性分析,实现执行器设备故障的在线诊断与分离,在机理分析的基础上建立起执行器完整的非线性动态数学模型,由执行器工作过程中的实测信号和模型计算获得残差实现故障的在线诊断,通过残差的变化及其组合情况分析完成故障分离.实验结果表明,利用动态机理模型计算得到的阀位、薄膜气室压力的理论计算值和实测值进行残差分析,可以准确及时地诊断与分离出如阀体阻塞、填料函磨擦力增大、薄膜或气路接头破损、气源压力下降、弹簧老化等执行器主要的内在故障.关键词:数学模型;故障残差;执行器 中图分类号:T P277 文献标识码:A 文章编号:1008-973X(2007)10-1660-04 Model based actuator fault diagnosis SHAN G Q un li,SU N Li,WU Hai yan (School of A utomation,H angz hou D ianz i Univ er sity ,H angz hou 310018,China) Abstract:Online actuator fault diag no sis and separation w ere r ealized based o n dynam ic characteristics analysis and com plete no nlinear dynamic models for actuato rs w ere co nstructed based on mechanical analy sis.The o nline fault diag no sis w as r ealized by using the fault residuals obtained from the measured actua to r signals and the mo del calculation v alues,then the fault separatio n w as perfo rmed through analyzing the varieties of the residuals and its combination.The ex perimental results sho w that through analy zing the re siduals of valve stem displacement and pressure value m ain faults can be accurately and tim ely diagnosed and separated,such as valve blo ckage,fr ictio n enlarg e,diaphragm leakag e,supply pressure dro p and spring aging. Key words:mathem atical model;fault residual;actuator 检测仪表、DCS 控制系统、执行器三类工业自动化仪表的技术水平已成为流程工业发展的决定性因素之一,并深刻地影响着生产的质量、效率、安全和环保等.以控制阀和执行机构为主体、以阀门定位器为核心控制部件的执行器,通过调节介质流量来控制工艺参数,是整个自动化系统中必备且重要的终端执行仪表,其对控制系统调节品质的优劣、安全平稳运行具有很大的影响. 执行器安装在生产现场,由于高温、高压/高压差、振动、腐蚀性或在有悬浮颗粒或纤维介质的环境 下工作,执行器各部件会出现故障,这可能会导致出现有毒介质泄漏等严重安全事故、或不动作导致停产等生产事故,所以执行器设备故障在线诊断对整个自动化控制系统的可靠性非常重要.而故障诊断 由于不能安装在线检测传感器,主要依据执行器的动态特性分析. 本文研究了基于流体力学和热力学原理建立的描述执行器气动定位系统动态特性的数学模型,并通过模型计算以及实测获得故障残差,实现故障检测,进一步通过对残差的分析,进行故障分离.

航天器推进系统基于定性模型的故障诊断方法研究

目录 摘要 (i) Abstract (iii) 第一章绪 论 (1) 1.1 研究背景与内涵 (1) 1.2 航天器推进系统动力学建模与仿真研究进展 (3) 1.2.1 推进系统静动态过程的数值模拟方法 (3) 1.2.2 推进系统模块化建模与仿真 (5) 1.3 航天器推进系统故障诊断方法研究进展 (7) 1.3.1 故障可诊断性分析 (8) 1.3.2 故障诊断方法 (9) 1.3.3 故障诊断方法在航天领域的适用性分析 (20) 1.4 航天器推进系统故障诊断系统的应用研究进展 (21) 1.5 论文的研究内容和结构安排 (24) 第二章航天器推进系统故障模式与可诊断性分析 (26) 2.1 引 言 (26) 2.2 典型推进系统的构成及工作过程 (26) 2.2.1 DFH卫星推进系统构成及工作过程 (26) 2.2.2 SZ推进系统构成及工作过程 (28) 2.3 推进系统故障模式与效应分析 (32) 2.4 推进系统故障可诊断性分析 (36) 2.4.1 故障可诊断性评价方法 (37) 2.4.2 故障可诊断性的度量指标 (39) 2.4.3 推进系统可诊断性实例分析 (40) 2.5 小 结 (46) 第三章航天器推进系统动力学建模与仿真 (47) 3.1 引 言 (47) 3.2 推进系统模块化建模方法 (48) 3.2.1 推进系统的模块化分解 (49) 3.2.2 模块的动力学建模 (51) 3.2.3 系统仿真模型的构建 (52)

3.3 推进系统的模块化建模 (53) 3.3.1 气路子系统模块 (54) 3.3.2液路子系统模块 (58) 3.4 推进系统动力学仿真分析 (62) 3.4.1 推进系统动力学仿真模型及其验证 (62) 3.4.2 推进系统主供应管路的动态特性分析 (64) 3.4.3 推进系统姿控管网的动态特性分析 (67) 3.4.4 推进系统水击的抑制方法 (70) 3.5 推进系统故障仿真分析 (74) 3.5.1 推进系统稳态故障效应分析 (74) 3.5.2 推进系统故障过渡特性分析 (82) 3.6 小 结 (84) 第四章航天器推进系统基于符号有向图的诊断方法研究 (86) 4.1 引 言 (86) 4.2 推进系统的SDG建模 (87) 4.2.1 SDG模型及建模方法 (87) 4.2.2 推进系统的SDG模型 (92) 4.3 航天器推进系统基于SDG模型的诊断实例 (95) 4.3.1 基于SDG模型的诊断策略 (95) 4.3.2 DFH卫星推进系统的诊断结果与分析 (96) 4.3.3 SZ推进系统的诊断结果与分析 (98) 4.4 基于SDG模型的推进系统传感器配置 (101) 4.4.1 基于可检测性的传感器配置 (101) 4.4.2 基于可隔离性的传感器配置 (103) 4.4.3 传感器配置实例与分析 (104) 4.5 小 结 (107) 第五章航天器推进系统定性定量集成的故障诊断方法研究 (109) 5.1 引 言 (109) 5.2 推进系统基于SDG模型的动态故障诊断方法 (109) 5.2.1 系统的SDG动态模型描述 (109) 5.2.2 基于SDG模型的动态诊断算法 (110) 5.2.3 SZ推进系统诊断实例分析 (111) 5.3 集成定量信息的SDG模型动态故障诊断方法 (113) 5.3.1 推进系统定量信息的分析 (113)

故障诊断技术研究及其应用

故障诊断技术研究及其应用 1 引言 以故障为研究对象是新一代系统可靠性理论研究的重要特色，也是过程系统自动化技术从实验室走向工程的重要一环。最近二十多年来，以故障检测、故障定位、故障分离、故障辨识、故障模式识别、故障决策和容错处理为主要内容的故障诊断与处理技术，已成为机械设备维护、控制系统系统可靠性研究、复杂系统系统自动化、遥科学、复杂过程的异变分析、工程监控和容错信号处理等领域重点关注和广泛研究的问题。 诊断(Diagnostics)一词源于希腊文，含义为鉴别与判断，是指在对各种迹象和症状进行综合分析的基础上对研究对象及其所处状态进行鉴别和判断的一项技术活动[1]。故障诊断学则是专门以考察和判断对象或系统是否存在缺陷或其运行过程中是否出现异常现象为主要研究对象的一门综合性技术学科。它是诊断技术与具体工程学科相结合的产物，是一门新兴交叉学科。故障诊断与处理技术，作为一门新兴技术学科，可划分为如下三个不同的研究层次： (1) 以设备或部件为研究对象，重点分析和诊断设备的缺陷、部件的缺损或机械运转失灵，这通常属于设备故障诊断的研究范畴； (2) 以系统为研究对象，重点检测和分析系统的功能不完善、功能异常或不能够完成预期功能，这属于系统故障检测与诊断的研究范畴； (3) 以系统运行过程为研究对象，考察运行过程出现的异常变化或系统状态的非预期改变，这属于过程故障诊断的研究范畴。 概而言之，故障诊断研究的是对象故障或其功能异常、动作失败等问题，寻求发现故障和甄别故障的理论与方法。无论是设备故障诊断、系统故障诊断还是过程故障诊断，都有着广泛的研究对象、实在的问题背景和丰富的研究内容。本文将从故障诊断与处理技术的研究内容、典型方法和应用情况等三个方面，对故障诊断及相关技术的发展状况做一综述，同时简要指出本研究方向的若干前沿。 2 故障诊断与处理的主要研究内容 故障诊断与处理是一项系统工程，它包括故障分析、故障建模、故障检测、故障推断、故障决策和故障处理等五个方面的研究内容。 2.1 故障分析 故障是对象或系统的病态或非常态。要诊断故障，首先必须对故障与带故障的设备、系统、过程都有细致分析和深入研究，明确可能产生故障的环节，故障传播途径，了解故障的典型形式、表现方式、典型特征以及故障频度或发生几率，结合对象的物理背景了解故障产生的机理、故障关联性和故障危害性。 常用的故障分析方法有对象和故障环节的机理分析法、模拟法、数值仿真或系统仿真法和借助数学模型的理论分析法等。 2.2 故障建模 模型分析是现代分析的基本方法，对复杂对象的故障诊断同样具有重要应用价值。为了定量或定性地分析故障、诊断故障和处理故障，建立故障的模型和带故障对象的模型是十分

基于数学模型的故障诊断方法

本文结合了变工况数学模型的故障诊断方法，着重阐述了燃气轮机热力模型的重要意义和建立过程。通过建立适合基于热力参数故障诊断的标准模型和故障模型,可以为诊断系统的开发提供重要的理论依据。 基于数学模型的方法需要建立被诊断对象的数学模型。它利用检测信号或估计出系统的物理参数,或在噪声背景下重构系统的状态,通过参数变化和故障间的联系,对状态估计残差序列的检验和识别等技术对故障进行预报、定位、定量和定因。因此,它又可以分为参数估计法和状态估计法两种。 1、参数估计法 参数估计法根据模型参数及相应的物理参数的变化来检测和分离故障。当参数有显著变化时,可利用已有的多种参数估计方法,根据参数变化的统计性特性来检测故障的发生。这种方法不需计算残差序列,且较利于故障的分离,因此可以和一些状态估计法相结合对非线性系统进行诊断,以得到更好的故障诊断效果。 2、状态估计法 状态估计法是当系统可观和部分可观时,重构被控过程的状态,将估计值与测量值进行比较,构成残差序列,以检测和分离系统故障。当参数有显著变化时,可利用已有的多种参数估计方法,根据参数变化的统计性特性来检测故障的发生。当能够获得系统精确的数学模型时,状态估计法最为直接有效。这类方法虽然综合利用了系统的结构、功能、行为信息,但是由于很多非线性系统的数学模型难以建立,成为了制约此类方法发展的因素。 本文在标准的热力模型基础上通过小偏差方程建立燃气轮机的可测参数和性能参数间的变化关系,然后对比经典的燃气轮机故障发生判据进行故障征兆的转换。这样直接利用可测参数的变化量进行故障诊断,提高了诊断系统的诊断效率和预报时效。 意义：通过本文所介绍的方法建立的数学模型在系统的开发过程中可以产生了很大的实际效应,提高了系统的诊断效率和准确率。伴随着计算机软硬件技术的飞速发展,诸多有关燃气轮机的故障诊断的专家系统也得到完善。热力模型建立得越全面、越深入，则该系统可以诊断的故障范围就越大。 学生：王家乐（20131013081） 时间：2013.10.10

深度学习在故障诊断中的应用

分类号：单位代码： 密级：学号： 故障诊断论文作业 题目：深度学习在电力变压器故障诊断应用姓名：黄贤存 学号：20152283405 研究方向：基于深度学习的图像处理 二○一六年四月

深度学习在电力变压器故障诊断应用 摘要：由于电力变压器发生故障时油色谱在线监测数据无标签，工程现场往往会得到大量无标签故障样本，而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络[1](deep learning neural network，DLNN)，构建了相应的分类模型，分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法，它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析[2] (dissolved gas-in-oil analysis，DGA)实验数据进行训练，并以概率形式给出故障诊断结果，具有更优的故障判别性能，能够为变压器的检修提供更为准确的参考信息。 关键词：故障诊断；电力变压器；深度学习神经网络；溶解气体分析Abstract：As oil chromatography online-monitoring data is unlabeled during power transformer failure，project sites tend to get a large number of unlabeled fault samples．However，traditional diagnosis methods often fail to make full use of those unlabeled fault samples in judging transformer fault types．Based on deep learning neural network ( DLNN )，a corresponding classification model was established，whose classification performance was analyzed and tested by typical datasets．On this basis，a new fault diagnosis method of power transformer was further proposed，in which a large number of unlabeled data from oil chromatogram on-line monitoring devices and a small number of labeled data from dissolved gas-in-oil analysis (DGA) were fully used in training process．It could generate fault diagnosis result in the form of probabilities，and provide more accurate information for the maintenance of power transformer because of its better performance in fault diagnosis．Keywords：fault diagnosis; power transformer; deep learning neural network; dissolved gas-in-oil analysis

故障检测与诊断的模型

故障检测与诊断的模型 摘要：快速、准确的故障检测与诊断离不开有效的系统模型。针对故障检测与 诊断的特点，文章简要介绍了机理建模、知识建模和数据驱动建模三类传统建模 方法，并从不同维度对以上几种建模方法作了比较阐述，同时基于上述各模型的 特点，给出了几种混合建模的思路。 关键词：机理；知识；数据驱动；混合模型 0 引言 故障检测与诊断是一门相对独立的技术。我国在1979 年才初步接触故障检测 与诊断技术，经过30多年的发展，故障检测与诊断技术已在自动驾驶、人造卫星、航天飞机、汽轮发电机组、大型电网系统等重要核心领域得到广泛应用。 目前，故障检测与诊断的模型大致有基于机理的模型、基于知识工程的模型、基于数据驱动的模型，文章将结合各模型的特点重点探讨故障检测与诊断中混合 建模的思路。 1 机理模型 基于机理模型的方法首先需要被诊断系统精确的机理模型，然后利用构造出 来的观测器预估系统的输出值，再将估计值与实际值做差产生残差。当系统运行 正常时，残差应为零或近似于零；当系统出现故障时，残差量会明显超出允许范围。基于机理模型的方法根据残差产生的原因可细分为参数估计法、状态估计法、等价空间法等。参数估计法根据观测数据来辨识系统的动态参数，依据系统参数 与模型参数的差值来判断系统是否出现故障。状态估计法通过对系统的状态进行 重构，通过与可测变量做差生成残差序列，并采用统计检验法从残差序列中把故 障检测出来，前提是系统可观测或者部分可观测，一般用各种状态观测器或滤波 器进行状态估计。等价空间法是通过系统的输入输出真实值来检验系统机理的等 价性，通过确定系统的输入输出间的冗余，实现检测和分离故障的效果。 基于解析模型的故障诊断方法充分体现了过程的内部机理，外延性好。但当 系统过于复杂时无法获取其内部机理的全部信息，具有一定的局限性。 2知识工程模型 基于知识的方法主要是通过相关的经验建立系统的定性模型来解决复杂的故 障诊断问题。基于神经网络、模糊逻辑方法是常用的方法。其中，神经网络因其 具有处理非线性和自学习以及并行计算能力的特点，有利于非线性系统的故障诊断。模糊逻辑由于其概念易于理解，表达上更接近人的思维，适用于复杂的故障 诊断中。 基于知识的方法不需要精确的定量机理模型，其适用于有相关经验和知识的 对象，且诊断的结果易于理解。但是，其最大的缺点是通用性差，必须通过大量 的经验知识才能够建立“知识库”；当系统比较复杂时，很容易出现一种未知故障 会导致误报和漏报的情况。此时，基于知识的方法将不再适用。 3数据驱动模型 基于数据驱动的方法是通过采集系统的输入输出数据，然后分析数据的各种 统计特征，建立过程的数据特征模型。目前，常用的方法有小波分析、神经网络、主成分分析等。小波分析方法是对所采集的信号进行相关处理，处理后的信号中 除去由于输入变化引起的奇异点，剩下的奇异点即为系统可能出现的故障点。神 经网络能够实现自组织、自学习，同时还具有处理非线性、并行、信息分布存储 等能力，这大大提高了故障诊断的效率。主成分分析方法的主要是通过坐标变换

功能安全与故障诊断

功能安全与故障诊断 文献： 1.安全控制系统的设计思想，张钊谦, 吴重光. 2.功能安全——一种保障安全的新思路，冯晓升, 史学玲. 3.计算智能主要算法的比较与融合，苏建元 4，基于故障树最小割集的故障诊断方法研究 1．功能安全与故障诊断概念剖析 在IEC61508 中, 功能安全被定义为“与EUC(控制设备)和EUC 控制系统有关的整体安全的组成部分, 它取决于E /E /PE (电气/电子/可编程电子)安全相关系统、其他技术安全系统和外部风险降低设施功能的正确执行”。功能安全是依靠一个系统或者设备对其输入正常响应而获得全面安全的一部分。功能安全包括技术和管理两方面, 涉及机械制造、流程工业、运输、医药等所有领域, 是通过对各类危险源形成有效控制与保护, 避免或减少工业事故对公众和环境的影响, 防止各类机械、器件、装备尤其是成套装置发生不可接受危险的技术。功能安全防止的是安全相关系统或设备的功能失效所导致的危险。例如变频恒压供水系统的功能是当管网压力超过一定值时相应的设备应该动作防止压力继续上升。如果这一功能失效, 当管网压力到达一定值时就会导致水管炸裂, 将会造成很大的损失。所以说, 安全依赖于控制系统执行正确的功能。这种安全依赖于系统功能的情况就称为“功能安全”。 故障是系统至少一个特性或参数出现较大偏差, 超出了可以接受的范围。此时, 系统的性能明显低于其正常水平, 难以完成预期的功能。故障诊断指通常作为故障检测、分离和辨识的统称, 或指故障分离与故障辨识。实际工业过程中的控制系统一般由被控对象、控制器、传感器和执行器组成, 其硬件故障分为被控对象故障和仪表故障两类, 仪表故障包括传感器、执行器和计算机接口故障。典型故障有: 执行机构和输出传感器的增益逐渐衰减或突然衰减, 超出允许范围; 执行机构和输出传感器出现超限的阶跃型或缓变型输出误差; 由于元器件老化或损坏等原因, 造成应具有平稳数值的一些系统部件的参数值出现缓变或跳变

化验结果诊断模型参考答案

化验结果诊断模型 问题重述与分析 人们到医院就诊时，通常要化验一些指标来协助医生的诊断。本题给出了人们是否患某种疾病时通常要化验的几种指标以及其检验值。表1是确诊病例的化验结果，其中1－30号病例是已经确诊为患该种疾病的化验结果；31－60号病例是已经确诊为健康人的结果。表2是某些就诊人员的化验结果，但未确诊其是否患有该种疾病。根据已知数据，需要解答如下问题： 1)问题：根据表1中的数据，提出一种简便的判别方法，判别属于患者或健康 人的方法，并检验你提出方法的正确性。 分析： 根据表1当中60个化验结果，将Zn、Cu、Fe、Ca、Mg、K、Na看成是七个指标，则前30个为该疾病患者的指标值，后30个为健康人的指标值，可以将这些数据进行标准化处理，再采用主成分分析方法，将多个指标转化为几个综合指标，当给定一个患者的各指标值时，可以算出各综合指标的得分，当这些得分满足一定条件时，如根据正负值可以判定为健康或疾病。 2)问题：按照（1）提出的方法，对表2中的15名就诊人员的化验结果进行判 别，判定他们是患该种疾病的病人还是健康人。 分析： 由（1）中已有的综合指标，根据给定的15名就诊人员的指标值计算出综合指标的得分，以此判断他们的健康状况。 3)问题：能否根据表1的数据特征，确定哪些指标是影响人们患该疾病的关键 或主要因素，以便减少化验的指标。并根据你给出的结果，重复2的工作。 分析： 为了确定哪些指标是影响该疾病的主要因素，则需要确定出哪些因素在判别中起的权重最大，可以考虑采取回归模型，通过去除一些变量，然后比较各组的显著性与正确率，正确率最高的那组中的变量即为影响该疾病的主要因素。 一、模型假设 1)假设医院化验设备先进，化验过程科学可靠，化验结果真实可信，确诊情况 （有病/健康人）符合实际。 2)在解决本题过程中，所有的化验结果只是针对该类疾病检验，并不考虑其他 疾病的影响。 3)本文所建模型的检验结果只是作为医生为病人诊断的一个参考，医生为问诊 人员作出最终判定还需考虑其他因素，但与本题求解无关。