故障诊断及相关应用信号处理大论文.docx
《故障诊断及相关应用信号处理大论文.docx》由会员分享,可在线阅读,更多相关《故障诊断及相关应用信号处理大论文.docx(14页珍藏版)》请在冰豆网上搜索。
故障诊断及相关应用信号处理大论文
故障诊断及相关应用
摘要
故障诊断技术是一门以数学、计算机、自动控制、信号处理、仿真技术、可靠性理论等有关学科为基础的多学科交叉的边缘学科。
故障诊断技术发展至今,已提出了大量的方法,并发展成为一门独立的跨学科的综合信息处理技术,是目前热点研究领域之一。
我国的一些知名学者也在这方面取得了可喜的成果。
关键字:
故障诊断,信息处理
1故障诊断技术的原理及基本方法
按照国际故障诊断权威,德国的FrankPM教授的观点,所有的故障诊断方法可以划分为3种:
基于解析模型的方法、基于信号处理的方法和基于知识的方法。
1.1基于解析模型的故障诊断方法
基于解析模型的方法是发展最早、研究最系统的一种故障诊断方法。
所谓基于解析模型的方法,是在明确了诊断对象数学模型的基础上,按一定的数学方法对被测信息进行诊断处理。
其优点是对未知故障有固有的敏感性;缺点是通常难以获得系统模型,且由于建模误差、扰动及噪声的存在,使得鲁棒性问题日益突出。
基于解析模型的方法可以进一步分为参数估计方法、状态估计方法和等价空间方法。
这3种方法虽然是独立发展起来的,但它们之间存在一定的了解。
现已证明:
基于观测器的状态估计方法与等价空间方法是等价的。
相比之下,参数估计方法比状态估计方法更适合于非线性系统,因为非线性系统状态观测器的设计有很大困难,通常,等价空间方法仅适用于线性系统。
1.1.1参数估计方法
1984年,Iserman对于参数估计的故障诊断方法作了完整的描述。
这种故障诊断方法的思路是:
由机理分析确定系统的模型参数和物理元器件参数之间的关系方程,由实时辨识求得系统的实际模型参数,进而由关系方程求解实际的物理元器件参数,将其与标称值比较,从而得知系统是否有故障与故障的程度。
但有时关系方程并不是双射的,这时,通过模型参数并不能求得物理参数,这是该方法最大的缺点。
目前,非线性系统故障诊断技术的参数估计方法主要有强跟踪滤波方法。
在实际应用中,经常将参数估计方法与其他的基于解析模型的方法结合起来使用,以便获得更好的故障检测和分离性能。
1.1.2状态估计方法
1971年,Beard首先提出故障诊断的检测滤波器的概念,标志着基于状态估计的故障诊断方法的诞生。
它的基本思想是:
重构被控过程状态,通过与可测变量比较构成残差序列,再构造适当的模型并采用统计检验法,从残差序列中将故障检测出来,并做进一步地分离、估计与决策。
常用的状态估计方法主要包括自适应非线性观测器方法、非线性未知输入观测器方法和滤波器方法。
在能够获得系统精确数学模型的情况下,状态估计方法是直接有效的,但在实际中这一点往往很难满足。
所以,对状态估计方法的研究主要集中在提高检测系统对建模误差、扰动和噪声等未知输入的鲁棒性及系统对于早期故障的灵敏度。
1.1.3等价空间方法
等价空间方法的基本思想就是:
利用系统的输入、输出的实际测量值检验系统数学模型的等价性(即一致性),以检测和分离故障。
1.2基于信号处理的故障诊断方法
此方法的主要思想是:
利用信号分析理论获得系统时域和频域中较深层次的多种特征向量,利用这些特征向量与系统故障源之间的关系判断故障源的位置。
此方法主要用于诊断对象的解析模型难以建立,但系统的一些状态或者输出参数可以测量的系统。
基于信号处理的方法主要有:
基于Kullback信息准则的故障检测;基于自适应滑动窗格形滤波器的故障检测;基于小波变换的故障诊断。
1.2.1基于Kullback信息准则的故障检测
此方法是利用Kullback信息准则度量系统的变化,在不存在未建模动态特性时,将其与阈值比较,从而实现故障检测的方法。
首先,基于Goodwin随机嵌入方法将未建模动态特性当作软界估计,利用遗传算法和梯度方法辨识系统的参数和软界。
在Kullback信息准则中引入一个新指标评价未建模动态特性,合理设置阈值,设计合适的决策方案,实现鲁棒故障检测。
由于未建模动态特性的软界不能在线辨识,此方法尚不能在线实现。
1.2.21.2.2基于自适应滑动窗格形
此方法的基本思想是:
取一个滑动窗内的系统输入和输出数据,利用自适应格形滤波器生成残差序列。
当系统处于正常状态时,残差序列将是零均值固定方差的高斯过程;如果系统发生了故障,则由故障引起的过渡过程将导致残差序列的均值或方差变化。
通过构造合适的检验统计量,对残差序列进行假设检验,可以在线检测出系统的故障。
此方法适用于突变和缓变故障的检测,且不需要系统的准确数学模型和先验知识。
1.2.31.2.3基于小波变换的故障诊断
此方法是一种新的信号处理方法,是一种时间尺度分析方法,具有多分辨力分析的特点。
连续小波变换可区分信号突变和噪声,离散小波变换可检洳随机信号的频率结构的突变。
主要方法有:
利用观测信号的奇异性进行故障诊断;利用观测信号的频率结构变化进行故障诊断。
小波变换不需要系统的数学模型,对噪声的抑制能力强,有较高的灵敏度,运算量也不大,是一种很有前途的故障诊断方法。
1.3基于知识的故障诊断方法
此方法的主要思想是:
在知识的层次上,以知识处理技术为基础,实现辩证逻辑与数理逻辑的集成,符号处理与数值处理的统一,推理过程与算法过程的统一,通过在概念和处理方法上的知识化实现系统的故障诊断。
它不需要系统的定量数学模型,也更适合于非线性系统领域。
基于知识的方法还可以分为基于症状的方法和基于定性模型的方法。
基于知识的方法主要有:
基于专家系统的方法、基于模糊的方法、基于神经网络的方法、基于故障树的方法和基于知识观测器的方法等。
1.3.1基于专家系统的方法
专家系统的诊断机理是根据专家丰富的实践经验,专家分析问题和解决问题的思路,建立故障诊断的知识库、规则库和推理机,设计一个计算机程序,根据知识库提供的知识,规则库提供的规则和推理机提供的推理机制进行故障诊断。
专家系统主要缺点是知识获取的“瓶颈”问题。
由于专家知识的局限性和知识表示难度大,造成知识库不够完备。
另外,它还缺乏自学习自完善能力,不能在实例中自我完善,而且,系统的能力限于知识库中仅有的规则,对系统的新故障和系统设计边缘问题的求解具有脆弱性。
1.3.2基于模糊的方法
模糊逻辑提供了表达和处理模糊逻辑概念的机制,能够处理故障诊断中的不确定信息和不完整信息。
模糊故障诊断方法是利用集合论中的隶属度函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系。
目前,模糊故障诊断有3种基本方法:
1)先建立故障现象与故障征兆之间的模糊关系矩阵,再通过模糊关系方程进行故障诊断;2)先建立故障与征兆之间的模糊知识库,再进行模糊逻辑推理;3)先对原始采样数据进行模糊聚类处理,再通过评价划分系数和分离系数等进行故障诊断。
具体的应用形式有:
基于模糊模型的故障诊断方法;基于自适应模糊阈值的残差评价方法;基于模糊聚类的残差评价方法;基于模糊逻辑的残差评价方法和基于模糊模式识别的故障诊断方法。
1.3.3基于神经网络的方法
由于神经网络具有自组织、自学习、联想记忆、拟合任意连续非线性函数、并行处理、分布式存储和全局作用的能力,使其在非线性系统的故障诊断方面有很大的优势。
具体的应用方式有:
1)神经网络诊断系统。
对特定问题建立适当的神经网络故障诊断系统,可以从其输入数据(代表故障症状)直接推出输出数据(代表故障原因),从而实现故障检测与诊断;2)采用神经网络产生或评价残差。
3)采用神经网络作进一步诊断。
4)采用神经网络作自适应误差补偿。
神经网络故障诊断方法的不足之处在于未能充分利用特定领域中专家积累起来的宝贵经验,只利用一些明确的故障实例,而且,需要足够的学习样本才能保障诊断的可靠性。
由于神经网络从故障实例中学习的知识只是分布权值,因此,诊断推理过程不能够解释。
在对复杂系统进行诊断时,往往由于网络规模过于庞大和学习训练时间太长等问题,降低了神经网络的实用性。
1.3.4基于故障树的方法
故障树是表示系统特定事件与它的各个子系统或各个元部件故障之间逻辑关系的逻辑结构图。
它是一种倒树状结构,以系统最不希望事件为顶事件,以可以导致顶事件发生的其他事件为中间事件和底事件,并用逻辑门表示事件之间的了解。
故障树分析法是1961年由美国贝尔实验室的WatsonHA和HaaslDF首先提出来的。
在利用故障树进行故障搜寻与诊断时,根据搜寻方式不同,可分为逻辑推理诊断法和最小割集诊断法。
基于故障树的故障诊断方法兼顾基于规则和基于定量模型故障诊断方法的优点,并且,图论和信息论的发展使故障搜寻和分析更加准确和便捷,因而,故障树方法是故障诊断方法发展的主要方向之一。
但它的不足之处是建立故障树的工作很麻烦,工作量很大,有可能漏掉重大的元件或部件故障;由于故障树分析法的理论性较强,逻辑性较严密,对分析人员的经验和知识水平要求较高,不便于该方法的推广。
1.3.5基于知识观测器的方法
知识观测器由4部分组成:
(1)定性模型,用来预测系统的行为,它主要是用定性仿真或符号有向图进行推理;
(2)差异检测器,用来检测实际症状与预测症状之间的差异,可以用隶属度函数表示;
(3)候选者产生器,根据差异提出可能的故障源,一般用有限搜索法进行搜索;
(4)诊断策略,用来协调整个循环搜索过程,确保模型与实际过程的症状相匹配。
这种基于定性模型的故障诊断方法比起传统的专家系统方法,大大简化了知识获取的过程。
2故障诊断技术的应用研究热点
我们知道,故障诊断的方法有很多种,但是随着对技术使用范围越来越广泛,多种故障诊断方法的结合将成为故障诊断方法研究的热点。
将多种故障诊断方法相结合能够充分地获取知识、利用知识,进而提高故障诊断系统的性能,主要的研究方向有:
(1)专家系统与神经网络的结合:
神经网络实现的是右半脑直觉形象思维的特性,而专家系统理论与方法实现左半脑逻辑思维的特性,二者有着很强的互补作用。
因此,可以利用神经网络的自学习、并行运算等优点来弥补专家系统的知识获取困难和知识推理的无穷递归等不足。
但神经网络模型和算法的不成熟和缺乏推理解释能力成为神经网络应用的最大不足。
(2)将具有自学习特性的神经网络和具有局部刻画能力的小波结合起来所形成的小波神经网络具有自适应分辨性和良好的容错性。
但小波基的选取和神经网络结构的确定等还没有规律可循,仍需要今后继续研究。
(3)模糊方法与神经网络相结合可以在神经网络框架下引入定性知识,用语言描述的规则构造网络,使网络中的权值有明显的意义,同时,保留了神经网络的学习机制。
但如何选取合适的隶属度函数,使模糊集合的描述更符合系统的实际情况是今后研究的一个主要问题。
(4)还有许多其他的结合方法有待进一步研究,如,模糊理论与故障树的结合、小波变换与模糊理论的结合、模糊理论与专家系统的结合等,这些多种方法相结合形成的混合故障诊断方法将是今后故障诊断方法研究的重点。
新的数学工具为传统故障诊断方法研究开辟了崭新的途径,主要的研究方向有:
(1)针对高维数据会给神经网络带来结构复杂、训练速度和收敛过慢等问题,将粗糙集引入神经网络故障诊断方法引起了广大学者的注意。
粗糙集理论是由波兰学者PawlakZ在1982年提出的一种刻画不完整性和不确定性的数学工具。
粗糙集通过决策表简化去掉冗余属性,可以大大简化知识表达空间维数,其决策表的简化又可以利用并行算法处理,因此,将粗糙集理论与神经网络相结合是很有意义的。
(2)为了克服专家系统存在的知识获取、自学习等问题,将具有并行计算、自学习能力的遗传算法引入专家系统以弥补其不足,成为专家系统研究的一个主要方向。
遗传算法是模拟生物自然进化过程的人工算法,具有很强的全局优化搜索能力,并具有简单通用、鲁棒性强、隐并行处理结构等显著优点。
遗传算法在故障诊断专家系统推理和自学习中的应用,克服了专家系统存在的推理速度慢和先验知识很少的情况下知识获取困难的障碍,具有广阔的应用前景。
(3)国内外学者对灰色理论、经验模式分解、混沌与分形、支持向量机等新的数学工具在故障诊断中的应用进行了有益的尝试,但还有相当多的工作需要进行研究和探索,这也是今后故障诊断方法研究的新方向。
3数字滤波技术在故障诊断中的应用
基于自动检测技术、信号处理技术、以及人工智能和故障诊断的基本原理,成功地把数字滤波技术应用到实用机械的故障诊断系统中,针对所测量信号的特殊性,根据信号处理的基本方法和原理,提出了智能滤波和中值滤波的方法。
该方法能够有效地抑制所采集信号中的虚假成份,充分提取了故障诊断所需信号的全部信息,为故障诊断提供了真实、可靠的依据。
在导弹测试过程中,由于大功率用电设备的频繁开启以及各种辐射源的存在使得导弹的测试电气环境相当恶劣,输入端含有各种噪声和干扰信号,如果对这些信号不加以处理而直接进行采集,采集出来的信号可能与信号真实值相差甚远,可信度应该说是很低的,为了提高所得信号的可信度,必须对这些信号进行相应的处理。
在传统的模拟系统中为了提高抗干扰能力,常采用硬件滤波整形电路,而在有微机组成的自动检测系统中,为了减小干扰源对采样的干扰,常采用数字滤波。
所谓数字滤波,就是通过一定的计算或判断程序减少干扰信号在有用信号中的比重,其实质上是一种程序滤波。
数字滤波与模拟滤波相比有以下特点:
无须增加硬件设备,只需在程序进入数据处理和控制算法前,加一段数字滤波程序;
数字滤波不需增加硬件设备,所以不存在阻抗匹配的问题;
数字滤波可以对频率很低的信号实现滤波,克服了模拟滤波器的缺陷;
滤波器可以根据信号的不同,采用不同的滤波方法和滤波参数,实现一些特殊滤波,具有灵活、方便、功能强的特点;
数字滤波极大地简化了数据采集系统的复杂性,提高了系统的可靠性。
根据导弹地测设备故障诊断系统所测信号性质的不同,提出并采用了以下几种数字滤波的方法。
(1)智能滤波法:
智能滤波法又称为程序判断滤波法,是预先根据测试经验,确定出采样输入信号可能出现的最大偏差
,若采样值的偏差超过此偏差值时,则表明输入信号是干扰信号,应去掉;如果小于偏差值,可将信号作为本次采样值。
当采样信号由于随机干扰,如大功率用电设备的启动或停止,造成电流的干扰或误检测,以及调理板不稳定而引起的严重失真等,采用此法效果相当好。
根据滤波方法的不同,可分为限速滤波和限幅滤波两种。
(2)限幅滤波法:
限幅滤波法是将两次相邻采样值相减,求出其增量(用绝对值表示),然后与两次采样允许的最大差值(由被控对象实际情况决定)
进行比较,若小于或等于
,则取当前值作为采样值;若大于
,则仍取上次采样值作为本次采样值。
程序流程图如图1所示,其中
、
分别为本次和上次采样,
是经验参数。
这种滤波方法主要适用于变化比较缓慢的参数,在使用此类滤波方法时,关键问题是如何选取最大允许误差
,
太大,将会引入大量的各种干扰信号,使用系统误差增大;
太小,又会使某些有用信号被拒之门外,使计算机采样效率变低,由此也可能使控制系统达不到预期的效果,因此如何选取门限
至关重要,通常此数依靠试验获得。
图1限幅滤波流程图
(3)限速滤波法:
限幅滤波使用两次采样值来决定采样结果,而限速滤波则最多可用三次采样值来决定采样结果。
其原理是,当
时,不像限幅滤波其那样,用
作为本次采样,而是再来一次,取得
,然后根据
与
的关系来确定本次采样值。
其具体的判决如下。
图2限速滤波流程图
设采样时刻
、
、
所采集的参数分别是:
、
、
,那么:
当
时,
作为采样值输入计算机;
当
时,
不采用,但仍保留,继续采样得
;
当
时,
作为采样值输入计算机;
当
时,则取
输入计算机。
限速滤波是一种折衷的方法,既照顾了采样的实时性,又顾及了采样值变化的连续性,但这种方法也有明显的缺陷,首先是
的确定不够灵活,必须根据现场情况不断地更换新值;不能反映采样点数N>3时,各采样数值受干扰情况。
此滤波程序流程图如图2所示。
(4)中值滤波法:
所谓中值滤波法就是对某一个参数连续采样n次(一般n取奇数),然后把n次采样值从小到大或从大到小排列,把区间中间值作为本次采样值,中值滤波对于由于偶然因素引起的波动或采样器不稳定而造成的误差引起的脉动干扰比较有效。
若变量变化比较缓慢,滤波效果就较好,对于速度变化快的信号则不适用此法,中值滤波其设计的实质就是排序,经过试验,这种滤波方法对于比较稳定的直流小信号电压的测量还是很凑效的。
其程序流程如图3所示。
图3中值滤波流程图
(5)平均滤波法:
在各种控制测量场所,经常会遇到尖脉冲干扰现象。
干扰通常只影响到个别采样点的数据,此采样点的数据与其他采样点的数据相差甚大,如用一般平均值法,则将干扰平均到计算结果中去,故平均法不易消除脉冲干扰的影响。
为此,可采取先对N个采样值进行比较,去掉其中最大的和最小的一个或几个值,然后计算余下点的平均值,这种方法不仅可以滤除脉冲干扰,也可滤去小的随机干扰,经试验,N取4比较合适。
由于故障诊断系统测量的信号不管是种类还是数量都特别的多,有交流电也有直流电,有强电也有弱电,如果处理上稍有不慎就会使信号之间相互影响,相互干扰,特别是一些小信号很容易被干扰信号或噪声所淹没,面对这种情况,从软件入手采用数字滤波的方法对系统进行改进将达到很好的效果。
4故障诊断技术的发展前景
随着各种技术及方法的发展,预计故障诊断技术将向以下几个方向发展:
(l)与当代最新传感器技术,尤其是与激光测试技术的融合。
近年来,被检信息的无线传输(微波通讯)、激光技术已深入到振动测量和设备故障诊断中,并已成功地应用于测振与旋转机械的对中等方面。
激光测振技术的进一步完善将会给振动测试方法带来一场新的革命。
目前关于激光测试技术在诊断领域中的应用研究,仍处于起步阶段。
(2)与最新信号处理方法的融合。
随着新的信号处理方法在设备故障诊断领域的应用,如基于进化算法的故障诊断,基于Agent故障诊断等,传统的基于傅立叶变换的机械设备信号分析技术将会有新的突破性进展。
(3)与非线性方法和原理的融合。
机械设备在运行时的行为大多数表现为非线性行为,随着对混沌与分形理论研究工作的不断深入,基于非线性行为的故障诊断方法必将得到进一步的完善。
(4)与多种传感器信息的融合。
现代化的大生产要求对设备进行全方位、多角度的监测,以便对设备的运行状态有一个整体的了解。
(5)与智能方法的融合。
现代智能方法在设备故障诊断中已得到广泛的应用,随着智能方法的不断发展,设备运行状态的智能监测和设备故障的智能诊断是发展的最新目标。
(6)远程诊断。
随着Internet/Intranet的发展,设备故障诊断必将朝着远程诊断的方向发展。
(7)多种诊断方法的融合。
如将小波变换、模糊数学和神经网络综合到一起的故障诊断方法;由于每种方法都有其优点和不足,这种集成故障诊断方法必然有其独特的优点。
这也是有待深入研究的内容。
(8)不确定性诊断。
参考文献
[1]黄文虎,夏松波,刘瑞岩.设备故障诊断原理技术及应用[M].科学出版社,1996.
[2]胡广书.数字信号处理(理论、算法与实现)[M].清华大学出版社,2003.
[3]王凯等.基于神经网络的模拟电路硬故障诊断[J].计算机测量与控制,2006,No.5.
[4]李新福等.数字滤波技术在电器检测中的应用[J].电子技术杂志,2004.No6.
[5]杨士元.模拟电路的故障诊断与可靠性设计[M].清华大学出版社,1993.
[文档可能无法思考全面,请浏览后下载,另外祝您生活愉快,工作顺利,万事如意!
]