基于大數據的控制系統故障診斷方法綜述

房漢鳴，稅愛社，汪輝，宗福興，路申易

(1.后勤工程學院 后勤信息與軍事物流工程系，重慶401311；2.工程兵學院；3.后勤工程學院 管理科學與工程系)

?

基于大數據的控制系統故障診斷方法綜述

房漢鳴1，稅愛社1，汪輝2，宗福興3，路申易1

(1.后勤工程學院 后勤信息與軍事物流工程系，重慶401311；2.工程兵學院；3.后勤工程學院 管理科學與工程系)

大數據技術的發展使得控制系統故障診斷方法進一步豐富和完善，為此在總結大量參考文獻的基礎上，從控制系統故障診斷方法分類變化角度，簡述了其發展歷程。通過新的故障診斷方法分類，歸納總結了控制系統故障診斷方法的現狀，對比分析了基于解析模型、經驗知識和數據驅動方法的優缺點，最后進行了總結展望。

控制系統；故障診斷；數據驅動

引　言

隨著計算機的普及、自動化水平的提高，控制系統得到了廣泛的應用，與此同時，人們對控制系統的要求也越來越高。當控制系統發生故障時如何快速準確地進行故障診斷成為研究的重點和難點問題。數據驅動的方法在大數據時代備受關注，已成為故障診斷領域研究的熱點，控制系統故障診斷方法也因此獲得快速發展。本文將從控制系統故障診斷方法發展歷程、現狀和發展趨勢3個方面進行概述。

1　發展歷程

故障診斷是指根據系統的相關信息，利用有效手段檢測系統是否發生故障，以及發生故障的位置和類型，進而找到故障原因等[1]。廣義上的故障診斷包括故障檢測、故障分離、故障識別和故障決策4個部分。但是，研究比較多的是故障檢測和故障識別兩方面內容[2]。

控制系統故障診斷技術開始于1971年Beard在麻省理工學院發表的一篇有關檢測濾波器的博士學位論文[3]，以及Mehra與Peschon發表在Automatica上的有關卡爾曼濾波器殘差檢驗的論文[4]，他們首次提出用軟件冗余取代硬件冗余的思想，這是基于解析冗余故障診斷技術的雛形。

在此之后，經過國內外專家在各個領域的不斷研究，產生了許多故障診斷方法。德國杜伊斯堡大學的P. M. Frank教授作為國際上控制系統故障診斷方面的權威專家，在1990年，將當時社會上基于軟件冗余的故障診斷方法分為基于信號處理、基于知識和基于解析模型的3種方法[5]，如圖1所示。

隨著故障診斷理論的不斷發展，許多新的故障診斷方法不斷出現，例如獨立分量分析、支持向量機方法等基于統計分析的方法就不再屬于Frank教授所劃分的3類方法中的任何一種。因此，2003年普渡大學的Venkatasubramanian教授又將故障診斷方法分為基于定量模型、基于定性模型以及基于歷史數據的3種方法[6-8]，如圖2所示。

2　現　狀

進入21世紀后，控制系統朝著智能化和集約化的方向發展，過程變量不斷增多，系統也存儲著大量的歷史數據，使得數據挖掘和統計學的方法逐步成為故障診斷領域的研究熱點[9]。為了突出基于數據驅動方法的重要性，本文將故障診斷方法分為基于解析模型的方法、基于經驗知識的方法以及基于數據驅動的方法[10]，如圖3所示。

圖1　Frank的故障診斷方法分類

圖2　Venkatasubramanian的故障診斷方法分類

圖3　本文的故障診斷方法分類

2.1基于解析模型的方法

基于解析模型的方法是故障診斷領域研究最早的一種方法，已經十分成熟，它是利用系統的物理模型對產生的殘差進行評價，判斷系統是否發生故障。因此，從殘差產生的角度，解析模型方法包括狀態估計、基于參數估計以及基于等價空間3種方法[11]。

基于狀態估計的方法就是通過系統中的變量估計系統的狀態，與實際的輸出狀態進行比對，分析得到的殘差序列用于對系統進行故障診斷[12]。基于參數估計的方法根據系統模型中的各參數變化的統計學特征來對系統進行故障診斷[13]。基于等價空間的方法是通過分析系統的模型得到理論上輸入、輸出變量間的數學關系，然后用實際的輸入、輸出測量值來檢驗系統是否滿足這種數學關系，用以進行故障診斷[14]。

一方面，3種方法各有優點，狀態估計方法對于模型精確的系統，故障診斷效果非常好[15]；參數估計方法避開了對殘差序列的計算，使得估計更加方便迅速[16]；等價空間方法可以在沒有系統功能部件先驗知識的情況下，直接對系統進行故障診斷[17]。另一方面，3種方法都需要精確的模型，但是現在的系統不僅結構復雜，而且內部變量之間關聯性非常強，這就給系統精確模型的建立帶來了困難。參考文獻[18]將狀態估計的方法與RBF神經網絡方法相結合，將有模型誤差的系統轉化為便于分析的規范形式進行故障診斷，提高了診斷的準確性和魯棒性。雖然人們不斷尋找模型簡化的方法，但是都不能從根本上解決復雜系統多變量給解析模型方法帶來的巨大診斷成本的問題。同時，復雜系統中存在各種噪聲的干擾，給精確機理模型的建立帶來了更大的困難。

2.2基于經驗知識的方法

基于經驗知識的方法對于系統模型的精確程度要求不高，主要是依賴專家和相關操作人員的經驗，利用啟發式的知識對系統的故障進行推理判斷，以達到故障診斷的目的。現有的基于經驗知識的故障-診斷方法一般分為3大類：基于專家系統的方法[19-20]、基于定性仿真的方法[21-22]以及基于模糊邏輯推理的方法[23-24]。

在系統數學模型不能精確建立時，基于經驗知識的方法可以根據系統的相關信息，使用定性的方式對系統進行故障診斷，適用范圍非常廣[25]。但是這些基于知識的方法都存在著一定的局限性，例如參考文獻[26]指出專家系統方法可以運用各種專家的經驗，對系統的運行狀況進行快速地檢測，但其過分依賴專家對相關領域知識和經驗認識程度，同時該方法的學習能力不是很強。參考文獻[27]指出，模糊邏輯推理方法進行故障診斷的前提是構建集合論中的隸屬度函數，用于解決故障與征兆間的不確定關系，但是這種隸屬度函數的構建與人對系統的認識程度有關，具有相應的主觀性。

2.3基于數據驅動的方法

基于數據驅動的方法就是提取系統過程數據中的有用信息，根據這些有用信息來診斷系統的故障。現在的復雜系統具有多變量、強耦合和非線性等特點，使得系統模型的構建非常困難，特別是隨著計算機和大數據技術的快速發展，現階段的系統向著現場總線和集散控制系統(Distributed Control System, DCS)的方向發展[28]，系統內部分布著大量的數字化儀器儀表以及數量眾多的傳感器，使得大量的過程數據被存儲起來。這樣基于解析模型和經驗知識方法的故障診斷效果就很不明顯，而基于數據驅動的方法逐漸得到人們的關注，并成為故障診斷領域的熱點[29]。

基于數據驅動的方法一般可以分成以下5類：機器學習法、信息融合法、信號處理法、粗糙集法以及統計分析法[30]。機器學習法的主要思想是利用歷史數據去訓練學習機器，然后用訓練好的機器去診斷系統故障，其主要的代表方法是神經網絡方法和支持向量機方法[31]。

信息融合法主要思想是將多源的數據整合起來，通過數據間信息的互補，在一定準則下完成決策，提高故障診斷的可靠性，根據融合信息的不同分為數據層融合方法、特征層融合方法和決策層融合方法[32]。

信號處理法的主要思想是利用信號處理的理論方法和技術手段，對過程數據進行分析，提取其中時域或頻域方面的相關信息來診斷系統故障，其代表方法有小波變換方法和譜分析方法[33]。

粗糙集法主要思想是從大量的過程數據中尋找隱藏的知識和分辨系統的某些特點，從而達到故障診斷的目的，它與模糊邏輯推理方法最大的區別是其不需要構建隸屬度函數和系統的經驗知識[34]。

統計分析法主要思想是在系統過程數據的基礎上，通過構建對應的統計量信息，并與統計量的故障閾值進行比較，對系統進行故障診斷，一般分為單變量和多變量統計分析方法[35]。

基于數據驅動的方法避開了控制系統建模的難題，解決了過分依賴經驗知識的問題，但該方法也存在一定的局限性，還不能達到故障診斷實時性的要求，并且對于一些未知的故障還不能有效地進行診斷。

結　語

控制系統故障診斷方法的發展趨勢具體表現在：一是故障診斷的智能化，現有的故障診斷方法對現有經驗知識依賴程度太大，不能很好地對故障自動實施診斷，并且故障診斷系統普適性不強；二是多方法融合的故障診斷方法，面臨結構日益復雜、功能逐漸強大的控制系統，僅使用一種方法難以有效地完成故障診斷任務；三是在信息獲得、特征提取上仍需進一步的研究，已有的故障診斷方法大多側重于確認故障元器件及判斷故障類型，對于最基礎也是最關鍵的故障信息的提取問題研究不深，如何能夠快速、準確、全面地提取特征信息是一個重要發展方向。

[1] 張順.基于HHT-WNN方法的空調系統傳感器故障診斷研究[D].衡陽:南華大學,2013.

[2] Raich A,Cinar A.Statistical process monitoring and disturbance diagnosis in multivariable continuous processes [J].AIChE Journal,1996,42(4):995-1009.

[3] Beard R V.Fault accommodation in linear systems through self-reorganization.Report VT-71-1,Man Vehicle Lab,MIT,Cambridge Massachusetts,1971.

[4] Mehra R K,Peschon J.An innovation approach to fault detection and diagnosis in dynamics[J].Automatica,1971(7):637-640.

[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 Part I:Quantitative model-based methods[J].Computers and Chemical Engineering,2003,27(3):293-311.

[7] Venkatasubramanian V,Rengaswamy R,N S,et al.A review of process fault detection and diagnosis Part II：Qualitative models and search strategies[J].Computers and Chemical Engineering,2003,27(3):313-326.

[8] Venkatasubramanian V,Rengaswamy R,N S,et al.A review of process fault detection and diagnosis Part III:Process history based methods[J].Computers and Chemical Engineering,2003,27(3):327-346.

[9] Chai T,Hou Z,Lewis F L,et al.Guest Editorial Data-Based Control,Modeling and Optimization[J].IEEE Transactions on Neural Networks,2011,22(12):2150-2153.

[10] 李晗,蕭德云.基于數據驅動的故障診斷方法綜述[J].控制與決策,2011,26(1):1-9.

[11] Timothy Mulumba,Afshin Afshari,Ke Yan,et al.Robust model-based fault diagnosis for handing units[J].Energy and Buildings,2015,86(1):698-707.

[12] Li L L,Zhou D H.Fast and robust fault diagnosis for a class of nonlinear system: Detectability analysis[J].Computers and Chemical Engineering,2004,28(12):2635-2646.

[13] Bagheri F,Khaloozaded H,Abbaszadeh K.Stator fault detection in induction machines by parameter estimation using adaptive Kalman filter[J].Proc of 2007 Mediterranean Conf on Control and Automation,Piscataway:IEEE,2007:1-6.

[14] Janos Gertler.Analytical redundancy methods in fault detection and isolation[C] //Proc of IFAC/IMACS Symposium on Fault Detection，Supervision and Safety for Technical Processes.Baden-Baden:Pergamon Press,1991.

[15] 李青芯,孫宏斌,王晶,等.變電站—調度中心兩級分布式狀態估計[J].電力系統自動化,2012,36(7):44-50.

[16] 郭洪艷,陳虹,趙海艷,等.汽車行駛狀態參數估計研究進展與展望[J].控制理論與應用,2013,30(6):661-672.

[17] 陳莉,鐘麥英.奇異模糊系統基于等價空間的故障檢測[J].控制與決策,2011,25(2):182-186.

[18] 劉春生,胡壽松.一種基于狀態估計的非線性系統的智能故障診斷[J].控制與決策,2005,20(5):557-561.

[19] YANG Zhi-Ling,WANG Bin,DONG Xing-Hui,et al.Expert System of Fault Diagnosis for Gear Box in Wind Turbine[J].System Engineering Procedia，2012(4):189-195.

[20] 孫福安,劉輝峰,段方振.一種雷達故障診斷專家系統設計[J].現代雷達,2014,36(9):74-78.

[21] 鄧蕾蕾,張獻.基于定性仿真理論的故障與診斷[J].哈爾濱理工大學學報,2012,17(5):79-83.

[22] Mauricio Maestri,Daniel Ziella,Miryan Cassanello,et al.Automatic qualitative trend simulation method for diagnosing faults in industrial processes[J].Computers&Chemical Engineering.2014,64(5):55-62.

[23] 董曉峰,顧煜炯,邱影,等.基于聚類分析與加權模糊邏輯的汽輪機組振動故障診斷方法研究[J].熱動力工程,2011,26(3):275-279.

[24] Safdar Abbas Khan,Boubaker Daachi,Karim Djouani.Application of fuzzy inference system to detection of faults in wireless sensor networks[J].Neurocomputing,2012,94(10):111-120.

[25] 朱大奇,于盛林.基于知識的故障診斷方法綜述[J].安徽工業大學學報,2002,19(3):197-204.

[26] 卞玉濤,李志華.基于專家系統的故障診斷方法的研究與改進[J].電子設計工程,2013,21(16):83-86.

[27] 甘偉.基于模糊邏輯推理的汽車故障診斷系統的研究與設計[D].成都:電子科技大學,2011.

[28] 李偉,褚偉.基于Profibus現場總線的水泥廠集散控制系統[J].控制工程,2006,13(9):129-133.

[29] 柴天佑.生產制造全流程優化控制與優化理論方法的挑戰[J].自動化學報,2009,35(6):641-649.

[30] 周東華,胡艷艷.動態系統的故障診斷技術[J].自動化學報,2009(6):748-758.

[31] 馬笑瀟.智能故障診斷中的機器學習新理論機器應用研究[D].重慶:重慶大學,2002.

[32] 朱大奇,劉永安.故障診斷的信息融合方法[J].控制與決策,2007,22(12):1321-1328.

[33] 余建青,臧觀建,謝世坤,等.旋轉機械故障診斷中的信號處理技術綜述[J].機床與液壓,2011,39(24):107-110.

[34] 譚天樂.基于粗糙集的過程建模、控制與故障診斷[D].杭州:浙江大學,2003.

[35] 陳永祿.基于多元統計方法的田納西化工過程故障診斷[D].沈陽:東北大學,2011.

房漢鳴(碩士研究生)，主要從事智能檢測與控制技術的研究。

Fault Diagnosis Methods of Control System Based on Big Data

Fang Hanming1,Shui Aishe1,Wang Hui2,Zong Fuxing3,Lu Shenyi1

(1.Department of Logistics Information&Logistics Engineering,Logistic Engineering University of PLA,Chongqing 401311,China;2.Engineers Soldiers College;3.Department of Management Science&Engineering,Logistic Engineering University of PLA)

The method of fault diagnosis about the control system has enriched with the technological development of the big data.The development process of fault diagnosis is described from the perspective of classification on the basis of summarizing a large number of literatures.Fault diagnosis methods of the control system are summarized through the new classification.The advantages and disadvantages of the methods based on the analytical model,the experience knowledge and the data driven are analyzed contrastively.Finally,a summary and outlook are made.

control system;fault diagnosis;data driven

TP273.5

A

(責任編輯：薛士然2015-10-15)