故障診斷技術綜述及發展趨勢

文/卿宇搏 莫學芳 吳上海

隨著現代科學技術水平的日益提高，尤其是計算機科學和控制科學的飛速發展，現代控制系統的結構日益復雜，功能越來越完善，規模也越來越龐大，人們對于設備的安全性、可靠性和有效性的要求也越來越高，因此故障診斷技術愈來愈受到人們的重視。

在部隊中對系統、設備的安全要求更高，對快速、準確、高效的故障診斷技術的需求更迫切。比如在軍隊油料儲運過程中，油泵房是管道輸油中最關鍵的場所，泵房的運行管理水平的高低直接關系著輸油能否安全、平穩、高效、低能耗和部隊保障能力的好壞。而目前，油料儲運過程在用故障診斷模式主要為人工巡檢獲取故障征兆，基于專家經驗實施人工故障診斷。在油庫泵房的具體工作過程中，由于其工作環境惡劣、工作狀態復雜，當故障發生時，很難及時準確地判斷故障發生的部位及原因。因此，如何將人工診斷模式轉變為自動診斷模式，實時獲得低誤報率和低漏報率的故障檢測與診斷結果，是進一步提高油料儲運安全與穩定的前提。

1.故障診斷技術發展概述

眾所周知，基于解析冗余的故障診斷技術是從二十世紀七十年代初首先在美國發展起來的。1967 年，在美國宇航局和海軍研究所的倡導和組織下，成立了美國機械故障預防小組（MFPG），對故障診斷技術分專題進行研究。1971 年，麻省理工學院的Beard發表的博士論文[1]和Mehra和Peschon發表在Automatica上的論文[2]，首先提出了用軟件冗余代替硬件冗余、通過系統自組織使系統閉環穩定、通過比較器的輸出得到系統故障信息的新思想，標志著控制系統故障診斷技術的開端。

在國內，第一篇故障診斷技術的綜述文章[3]由葉銀忠等人于1985年在《信息與控制》上發表； 1994 年，清華大學出版社出版了國內第一本動態系統故障診斷技術的學術專著，即周東華等人編寫的《控制系統的故障檢測與診斷技術》[4]。隨后幾年又有新的論文發表和學術專著出版。

1990年，國際控制系統故障診斷權威、德國杜伊斯堡大學的P.M.Frank教授將基于軟件冗余的故障診斷方法劃分為三大類[5]：基于解析模型的方法、基于知識的方法和基于信號處理的方法。基于解析模型的故障診斷方法是最早發展起來的，適用于被控過程能夠建立精確的數學模型。基于信號處理的故障方法適用于那些雖然被控對象的精確的解析數學模型很難建立，但是可以得到輸入輸出信號的被控過程。基于知識的故障診斷方法則適用于被控對象的數學模型和輸入輸出信號都不能得到的被控過程。

在理論研究的深入和相關領域的發展的同時, 各種新的診斷方法也層出不窮，上述劃分方式已不是十分準確，尤其對于工業過程故障診斷領域發展起來的新方法更是如此。如控制圖方法、主元分析法(PCA)和部分最小二乘法(PLS)等與統計學有關的方法，歸為信號處理的方法并不恰當。此外基于圖論的一些方法，把它們歸于基于知識的方法也不是很合適。美國Purdue 大學Venkatasubramanian 教授將控制系統故障診斷方法分為：基于定量模型的方法、基于定性模型的方法和基于過程歷史數據的方法三大類[6]，突出了基于數據驅動的故障診斷知識獲取方式。

2.故障診斷方法及其研究現狀

2.1 基于定量模型的方法

基于定量模型的方法是發展最早、研究最系統的一種故障診斷方法。它隨著解析冗余思想的提出而形成發展，指導思想是用解析冗余取代硬件冗余，通過比較診斷對象的可測信息和由冗余數學模型表達的系統先驗知識，產生殘差，并對殘差進行分析和處理，獲取故障信息，從而實現故障診斷[7]。基于定量模型的故障診斷方法分為基于狀態估計的方法和基于參數估計的方法。

（1） 基于狀態估計的故障診斷方法。

由于被控過程的狀態直接反映系統的運行狀態，所以只要估計出系統的狀態，并結合適當的模型即可對被控對象進行故障診斷。這種方法首先利用系統的解析模型和可測信息，重構系統的被控過程，構造殘差序列，殘差序列中包含豐富的故障信息，再對殘差進行分析處理，從而實現故障的檢測與診斷[8]。殘差序列通過設計檢測濾波器(觀測器)產生。通常可用Luenberger 觀測器及卡爾曼濾波器進行狀態估計。如Caliskan將Kalman 濾波器用于傳感器的故障檢測[9]。Keller 則仔細分析了用于故障診斷的Kalman 濾波器的結構，并對其殘差進行了解耦，使得能夠同時檢測多個傳感器故障[10]。國內應用kalman濾波器進行故障診斷的方法如文獻[11]采用卡爾曼濾波器組，建立航空發動機控制系統傳感器故障診斷系統，實現對單個傳感器故障的檢測、隔離與重構（FDIA），并分析了測量噪聲對故障診斷系統性能的影響，為發動機在線傳感器故障診斷系統的實現提供了理論依據。基于狀態估計的故障診斷方法依然是人們研究的一個熱點。狀態估計方法，在能獲得系統的精確數學模型的情況下，是最簡單、有效的故障診斷方法。然而由于實際控制系統大多是非線性系統，且非線性系統對象的數學模型很難建立，所以基于狀態估計的故障診斷方法研究主要集中于線性系統，對非線性系統的研究成果還比較少。目前處理非線性系統主要有兩種方法，一是將非線性系統整體或局部線性化，二是基于非線性觀測器和參數估計的方法。

（2） 基于參數估計的故障診斷方法。

參數估計的故障診斷方法是根據模型參數及相應的物理參數的變化量序列的統計特性來進行故障診斷。其基本思想是根據系統參數及相應的過程參數變化來檢測故障。因為被診斷對象的故障可以視為其過程參數的變化，而過程參數的變化又往往導致系統參數的變化。基于參數估計的故障診斷方法主要有濾波器方法和最小二乘法。參數估計方法與狀態估計方法相比，前者更利于故障的分離，但計算量偏大。

2.2 基于定性模型的方法

基于定性模型的故障診斷方法不需要系統精確的數學模型。基于定性模型的方法把過程特性的外部表現和人類專家對故障判斷和處理的經驗，通過抽象化方法直接建立各種過程變量與故障模式之間的定性模型，對系統進行推理，預測系統的定性行為，通過與實際的系統行為比較，檢測系統是否發生故障，并診斷系統的故障原因[12]。基于定性模型的方法可以分為因果模型方法和抽象層次方法，主要包括定性過程理論法(QPT)、定性仿真法(QSIM)和知識觀測器法、定性觀測器法(QOB)、有向圖方法(SDG)、故障樹方法(fault tree)等。其中，定性仿真方法是基于定性模型的故障診斷方法的重要部分。定性仿真方法于1994 年由Kuipers提出，它依據系統的故障模型進行診斷推理。該方法首先利用定性變量（系統物理參數）和定性微分方程（參數間相互關系）構造約束模型，然后通過約束模型描述和模仿系統的結構，從而得到由約定初始狀態出發的系統狀態。文獻[13]提出了一種全新的類似于基于解析模型的方法中的狀態觀測器和Kalman濾波器的知識觀測器。該知識觀測器由定性模型、差異檢測器、候選人發生器及相應診斷策略組成，其核心是定性模型。

基于定性模型的故障診斷方法一般比較簡單，構造模型容易、可靠性高、解析能力強、魯棒性好，具有新故障辨識能力等。但是此方法也存在許多不足，如：利用定性方法描述系統，預測較為保守，因此微小的故障往往容易被忽略。

2.3 基于歷史數據的方法

基于歷史數據的故障診斷方法的研究與應用興起于上世紀90年代。不同于基于模型的方法需要過程先驗知識（不管是定性的還是定量的），基于歷史數據的方法僅需要大量有效的過程歷史數據。基于過程歷史數據的方法以采集的過程數據為基礎，通過各種數據處理與分析方法（如多元統計方法、聚類分析、頻譜分析、小波分析等）挖掘出數據中隱含的信息，提高監控系統的監控和故障診斷能力。基于歷史數據的故障診斷方法又分為定性方法和定量方法。

（1） 定性方法。

定性方法中應用最廣的是基于規則的專家系統方法和定性趨勢分析方法。

①專家系統 專家系統方法通過系統知識的獲取，由推理機根據故障特征診斷出故障。專家系統通常由數據庫、推理機和知識庫組成。文獻[14]利用專家系統工具CLIPS并結合C語言開發傳感器故障在線診斷專系統。專家系統的優點是不依賴于系統模型，規則易于增加和刪除，但也有不易克服的缺陷，如實際應用中知識獲取的“瓶頸”問題，而且對新故障不能診斷。傳統的專家系統進行傳感器的故障診斷存在局限性。

②定性趨勢分析方法 趨勢可以反映仿真系統[15]運行狀態的重要參數、發展速度與趨勢，為故障的早期判定提供一個有效的手段。基于定性趨勢分析的故障診斷方法的基本思想是首先利用趨勢提取算法，將時間序列轉換為基元序列，然后采用相容度檢驗或基于模糊邏輯的相似度檢驗，將實時趨勢與知識庫里的特征趨勢相匹配，以檢測過程狀態或行為，獲取故障類型，實時診斷故障。基于定性趨勢分析的故障診斷方法具有快速檢測診斷故障、解析能力強、魯棒性好并新故障辨識能力等優點，已被廣泛地用于過程狀態監測、數據壓縮、故障檢測和診斷。但由于這種方法是基于數據的，在提取和識別趨勢的過程中，計算的時間會限制這種方法的應用。

（2） 定量方法。

基于歷史數據的故障診斷定量方法分為統計學方法和非統計學方法。這兩類方法都是對實時數據的抽樣進行特征提取的方法。統計學方法包括支持向量機（SVM）、主元分析法(PCA)、部分最小二乘法(PLS)等，非統計學方法即常用的神經網絡法。

①主元分析法 主元分析法的基本思想是用一組互不相關的新變量代替原變量。這組新變量是原變量的線性組合，不但個數比原變量少，而且盡可能地攜帶原變量的有用信息。

②神經網絡方法 神經網絡具有以任意精度逼近任何連續非線性函數的能力，以及從樣本學習的能力，已經廣泛應用于控制系統元部件、執行器和傳感器的故障診斷。針對控制系統的非線性特征，利用神經網絡的非線性大規模并行處理方面的能力，以及容錯性及學習能力[16]，通過離線學習構建神經網絡觀測器、神經網絡辨識器或神經網絡預測器模型，在線將模型輸出與系統實際輸出比較得到殘差，通過對殘差進行分析和處理，獲取故障信息，從而實現控制對象故障的實時診斷。

③支持向量機 下面將著重介紹支持向量機的故障診斷方法。

3.支持向量機的研究現狀

作為支持向量機的奠基者，Vapnik早在60年代就開始了統計學習理論的研究，1971年，Vapnik和Chervonenkis提出了SVM的一個重要理論基礎——VC維理論。1982年，Vapnik進一步提出了具有劃時代意義的結構風險最小化原理，堪稱SVM算法的基石。

1992年，Boser、Guyon和Vapnik，提出了最優邊界分類器。

1993年，Cortes和Vapnik進一步討論了非線性最優邊界的分類問題。

1995年，Vapnik完整地提出了SVM分類器。

1997年，Vapnik、Gokowich和Smola詳細介紹了基于SVM方法的回歸算法和信號處理方法。

Vapnik在1995年出版了專著“The Nature of Statistical Learning Theory”[17]之后，在國際范圍內引起了研究學習統計學習理論(Statistical Learning Theory, SLT)和支持向量機(Support Vector Machines, SVM)算法的熱潮，各種雜志都紛紛撰文介紹SLT和SVM的內容[18,19]，各個領域的研究人員也紛紛將SLT理論和SVM算法應用到不同的領域，如模式識別[20,21]，回歸分析[22]，信號處理[23]等。

和目前比較常用的神經網絡診斷方法相比，SVM具有以下顯著的優勢[17,24]：

①堅強的理論背景使得SVM有很高的推廣能力，可以避免過度訓練。

②SVM通常有解，可以使用一個標準的算法(二次規劃)很快地求得解，而且這個解通常是全局最優解，因此不會出現局部能量最小點的問題。

③SVM不需要事先確定網絡拓撲結構，當訓練過程結束時自動地確定拓撲結構。

④SVM可被看作信息縮減的一種表達，它可以解決高維問題而且可以避免“維數災難”。

⑤SVM對小樣本機器學習有著良好的性能。

由于SVM算法的潛在的應用價值，吸引了國際上眾多的知名學者，近幾年對其研究不斷深入，出現了許多發展和改進的支持向量算法[25]。SVM機器學習算法很好地執行了統計學習理論的結構風險最小化原則，其應用于故障診斷最大的優勢在于它適合于小樣本決策，其學習方法的本質在于能夠在有限特征信息情況下，最大限度地發掘數據中隱含的分類知識，這一點對于故障診斷而言有很強的實際意義。

支持向量機理論表現出來的良好性能吸引了故障診斷領域研究人員的注意，國內外眾多學者對其在智能故障診斷領域的應用進行了研究。如 Poyhonen.S 等人在電子機器故障診斷方面對 SVM 的應用進行了研究[26]；Achmad Widodo 等將 SVM應用于異步電動機故障診斷中[27]；JunFeng Gao 等將 SVM 用于往復式泵故障診斷[28]；肖健華對應用于故障診斷的 SVM 進行了理論研究[29]，對樣本不對稱情況進行了算法改進[30]并在齒輪故障診斷中進行了應用研究[31]；胡壽松將 SVM 應用于非線性系統故障診斷[32]；重慶大學博士馬笑瀟對 SVM 在智能故障診斷中的應用[33,34]進行了詳細的探討；西安交通大學博士祝海龍在其博士學位論文[25]中對統計學習理論的工程應用進行了不同領域的研究，涉及信號消噪機械故障診斷和人臉檢測，其中故障診斷方面研究了汽車發動機振動故障的自動診斷；張周鎖等對基于支持向量機的機械故障診斷方法進行了研究[35]；董明等將其用于大型電力變壓器故障診斷模型研究[36]；朱凌云等從數據挖掘的角度運用 SVM 分類算法進行自動缺陷識別的方法研究[37]。

這些針對不同故障對象的診斷研究在理論和仿真方面都取得了基本令人滿意的結果，表明了支持向量機算法適合于故障診斷領域。可考慮將支持向量機引入油庫泵房過程監控和故障診斷中，以確保油庫泵房的正常運行。

4.故障診斷發展趨勢

基于定性模型、基于定量模型、基于歷史數據的診斷方法各有其優勢和特點，但它們各自也存在著局限性。對于實際對象的故障診斷，如用單一的方法，有時難以準確快速地完成對復雜對象的故障診斷。因此，多種診斷方法的結合將多種不同的智能技術結合起來的混合診斷系統，是智能故障診斷研究的一個發展趨勢。集成診斷方法能綜合各診斷方法的特點，能克服各診斷方法的局限性，從而提高診斷系統的智能性和診斷效率。比如陳淼峰將時頻分析的經驗模態分解(EMD)和模式識別的支持向量機(SVM)應用于轉子系統的故障診斷中[38]；高東等提出一種 PCA 與 SDG（符號有向圖）相結合的傳感器故障診斷的方法[39]智能故障診斷系統的核心問題是它的學習能力。知識的自動獲取一直是智能故障診斷系統研究中的難點。解決知識獲取問題的途徑是機器學習，即讓機器自身具有獲取知識的能力，能在實際工作中不斷總結成功和失敗的經驗教訓，對知識庫中的知識自動進行調整和修改，以豐富和完善系統的知識。機器學習是提高故障診斷系統智能的主要途徑，也是衡量一個系統智能程度的主要標志。因此，發展和完善現有的機器學習方法，探索新的學習方法，建立實用的機器學習系統，特別是多種學習方法協同工作的智能診斷系統，將是今后研究的一個重要方向。

[1]Beard R V.Fault accommodation in linear systems throughself-reorganization. ReportVT-71-1,ManVehicleLab, MIT,Cambridge, Massachusetts,1971

[2]Mehra R K,Peschon J.An innovation approach to fault detection anddiagnosis in dynamics.Automatica,1971,7:637～640

[3]葉銀忠,潘日芳,蔣慰孫.動態系統的故障檢測與診斷方法.信息與控制1985,15(6):27～34

[4]周東華,孫優賢.控制系統的故障檢測與診斷技術[m].北京:清華大學出版社,1994

[5]Frank P M. Fault diagnosis in dynamics systems using analytical and knowledge-based redundancy: a survey and some new results [J]. Automatica, 1990, 26(3): 459～474.

[6]Venkatasubramanian V, Rengaswamy R, N S ,et al.A review of process fault detection and diagnosis: Quantitative model-based methods [J]. Computers and Chemical Engineering,2003,27(3): 293～346

[7]Isermann R. Model-based fault-detection and diagnosis—status and applications [J]. Annual Reviews in Control, 2005, 29(1):71～85

[8]聞新，張洪鑰，周露.控制系統的故障診斷和容錯控制[M].北京:機械工業出版社，1998.

[9]Caliskan F, Hajiyev C M.Aircraft Sensor Fault Diagnosis Based on Kalman Filter Innovation Sequence [C]. Proceedings of 37th Conference on Decision &Control.Tampa, USA,1998:1313～1314.

[10]Keller J Y. Fault isolation filters design for linear stochastic systems [J]. Automatica, 1999,35:1701～1706.

[11]陳毅, 黃金泉, 張鵬.航空發動機控制系統傳感器FDIA系統仿真[J].航空動力學報,2008,23(2): 396～400.

[12]王文輝，周東華. 基于定性和半定性方法的故障檢測與診斷技術[J].控制理論與應用,2002,19(5):653～666.

[13]Frank,P.M.,New developments using AI in fault diagnosis[J].Proc.of IFAC Workshop on Artifical Intelligence in Real～time Control,Bled,Slovenia,1995.

[14]蔣東翔,張禮勇.基于知識的傳感器故障在線診斷系統[J].電測與儀表, 1993(11): 39～41.

[15]楊明, 張冰, 王子才. 建模與仿真技術發展趨勢分析[J].系統仿真學報, 2004, 16(9):1901～1904.

[16]從爽.神經網絡、模糊系統及其在運動控制中的應用[M]，北京：中國科學技術大學出版社，2002

[17]Vapnik V.N. The nature of statistical learning theory, New York: Springer～Verlag, 1995

[18]Vapnik V.N. An overview of statistical learning theory [J],IEEE Trans Neural Networks,1999,10(5):988～999

[19]Vidgasagar. A theory of learning and generalization. New York: Springer-Verlag, 1997

[20]Burges C.J.C. Simplified Support Vector Learning.Cambridge, MA:MIT Press, 1999

[21]Scholkopf. B, Mika S, Burges C.J.C. etc. Input space versus feature space in kernel based methods [J]. IEEE Trans Neural Networks, 1999,10(5):1000～1017

[22]Smola A., Scholkopf B. A tutorial on support vector regression. Neuro COLT: Technical Report,19, 1998

[23]Vapnik V.N. Support vector method for function approximation, regression, and signal processing.In:Proc.NIPS’9,San,1997

[24]張學工.關于統計學習理論與支持向量機[J].自動化學報，2000,26(1):32～42

[25]祝海龍.統計學習理論的工程應用[D].[博士學位論文],西安:西安交通大學,2002

[26]Poyhonen S, Negrea M, Arkkio A. etc. Support vector classification for fault diagnostics of an electrical machine[C].Proc. of international conference on signal processing (ICSP’02), Beijing,China, August, 2002,26～30

[27]Achmad Widodo, Bo Suk Yang, Tian Han. Combination of independent component analysis and support vector machines for intelligent faults diagnosis of induction motors [J]. Expert Systems with Applications.2006,233～242

[28]Junfeng Gao, Wengang Shi, Jianxun Tan, etc. Support Vector Machines based on Approach for Fault Diagnosis of Valves in Reciprocating Pumps[C]. Proc of the 2002 IEEE Canadian Conference of Electrical & Computer Engineering.1622～1627

[29]肖健華,樊可清,吳今培.應用于故障診斷的SVM理論研究[J].振動、測試與診斷,2001,21(4):258～262

[30]肖健華,吳今培.樣本數目不對稱時的SVM模型[J].計算機科學,2003,30(2):165～167

[31]肖健華,吳今培,樊可清.基于支持向量機的齒輪故障診斷方法[J].中國制造業信息化,2003,32(2):107～109

[32]胡壽松,王源.基于支持向量機的非線性系統故障診斷[J].控制與決策,2001,16(5):617～620

[33]馬笑瀟,黃席樾.基于SVM二叉樹分類算法及其在故障診斷中的應用[J].控制與決策,2002,18:272～276

[34]馬笑瀟,黃席樾,柴毅.基于支持向量機的故障過程趨勢預測研究[J].系統仿真學報,2002,14(11):1548～1551

[35]張周鎖,李凌均,何正嘉.基于支持向量機的機械故障診斷方法研究[J].西安交通大學學報,2002,36(12):1303～1306

[36]董明,孟源源,徐長響.基于支持向量機及油中溶解氣體分析的大型電力變壓器故障診斷模型研究[J].中國電機工程學報，2003,23(7):88～92

[37]朱凌云,曹長修.基于支持向量機的缺陷識別方法[J].重慶大學學報,.2002,25(6):42～45

[38]陳淼峰. 基于EMD與支持向量機的轉子故障診斷方法研究[D].[碩士學位論文],長沙:湖南大學,2005

[39]高 東, 吳重光, 張貝克, 馬 昕. 基于 PCA 和 SDG 的傳感器故障診斷方法研究及應用[J]. 系統仿真學報, 2011, 23(3):567～573