復(fù)雜自動化控制系統(tǒng)故障診斷方法研究與改進(jìn)

明先承，周紅陽，梅曉軍

(湖北三江航天紅陽機(jī)電有限公司，湖北 孝感 432000)

復(fù)雜自動化控制系統(tǒng)故障診斷方法研究與改進(jìn)

明先承，周紅陽，梅曉軍

(湖北三江航天紅陽機(jī)電有限公司，湖北 孝感 432000)

近年來，自動化在工業(yè)生產(chǎn)、航空航天等不同領(lǐng)域得到了廣泛運(yùn)用，自動化控制系統(tǒng)隨之孕育而生；自動化發(fā)展不斷推進(jìn)，長期生產(chǎn)使用中，傳統(tǒng)自動化控制系統(tǒng)故障診斷方法出現(xiàn)多數(shù)據(jù)環(huán)境下故障診斷率低、多因素分析算法跟進(jìn)力不足等問題；針對問題出現(xiàn)原因根源，提出復(fù)雜自動化控制系統(tǒng)故障診斷方法改進(jìn)設(shè)計；采用數(shù)據(jù)罩篩引擎(GEP)，對復(fù)雜自動化控制系統(tǒng)數(shù)據(jù)進(jìn)行收集、整理、分析、模型創(chuàng)建；通過運(yùn)行單元動態(tài)判斷模塊(DNGF)與多因素基準(zhǔn)庫(VSFVR)配合，完成對傳統(tǒng)復(fù)雜自動化控制系統(tǒng)復(fù)雜環(huán)境下故障診斷方法的改進(jìn)；通過仿真實(shí)驗(yàn)證明，復(fù)雜自動化控制系統(tǒng)故障診斷方法的改進(jìn)，各項(xiàng)測試參數(shù)優(yōu)于傳統(tǒng)方法。

自動化；控制系統(tǒng)；模型創(chuàng)建；故障診斷

0 引言

近年來，科技產(chǎn)能工業(yè)化程度不斷推進(jìn)，促使自動化控制技術(shù)在各個領(lǐng)域廣泛應(yīng)用。從民營企業(yè)的工業(yè)生產(chǎn)，到國家高新技術(shù)開發(fā)，都離不開自動化控制技術(shù)。作為將人為意識轉(zhuǎn)化為指令信號下達(dá)的自動化技術(shù)執(zhí)行窗口系統(tǒng)[1]，在長期的使用生產(chǎn)過程中發(fā)現(xiàn)，復(fù)雜自動化控制系統(tǒng)多部分協(xié)同工作存在故障診斷不明確[2]。缺乏針對故障數(shù)據(jù)收集、整理、分析的整體化模塊。同時，在大規(guī)模生產(chǎn)過程中，造成復(fù)雜自動化控制系統(tǒng)故障的因素眾多，傳統(tǒng)方法未能及時針對故障發(fā)生因素的產(chǎn)生進(jìn)行合理判斷、動態(tài)分析[3]。傳統(tǒng)自動化控制系統(tǒng)故障診斷方法中沒有一套完整的故障對比庫，造成無法在故障發(fā)生的第一時間做出科學(xué)合理的對比判斷，未能最大化利用故障因素數(shù)據(jù)資源[4]。

針對上述傳統(tǒng)復(fù)雜自動化控制系統(tǒng)故障診斷方法存在的一系列問題與不足，提出復(fù)雜自動化控制系統(tǒng)故障診斷方法改進(jìn)的設(shè)計。將傳統(tǒng)復(fù)雜自動化控制系統(tǒng)故障診斷方法存在的問題分為三部分進(jìn)行完善設(shè)計，分別采用數(shù)據(jù)罩篩引擎(GEP)設(shè)計，對復(fù)雜自動化控制系統(tǒng)日常運(yùn)行數(shù)據(jù)與故障產(chǎn)生環(huán)境下數(shù)據(jù)進(jìn)行收集、整理、分析完成對故障數(shù)據(jù)前期的模型創(chuàng)建。通過運(yùn)行單元動態(tài)判斷模塊(DNGF)設(shè)計，實(shí)時動態(tài)對比生產(chǎn)過程中的設(shè)備運(yùn)行數(shù)據(jù)，完成數(shù)據(jù)模型對比帶入。多因素基準(zhǔn)庫(VSFVR)的設(shè)計，有效解決傳統(tǒng)復(fù)雜自動化控制系統(tǒng)無法充分利用故障數(shù)據(jù)的弊端。多因素基準(zhǔn)庫(VSFVR)可完成故障數(shù)據(jù)收集、故障數(shù)據(jù)應(yīng)對、故障數(shù)據(jù)匹配三大功能，為運(yùn)行單元動態(tài)判斷模塊(DNGF)準(zhǔn)確判斷提供強(qiáng)有力支持。

通過上述三大模塊的設(shè)計采用，有效完成對傳統(tǒng)自動化控制系統(tǒng)故障診斷方法的改進(jìn)。形成了一套完整的復(fù)雜自動化控制系統(tǒng)故障診斷系統(tǒng)。通過仿真實(shí)驗(yàn)測試證明，提出的復(fù)雜自動化控制系統(tǒng)故障診斷方法改進(jìn)設(shè)計，具有診斷準(zhǔn)確率高、故障判斷準(zhǔn)確、可提供對應(yīng)解決方案等優(yōu)點(diǎn)。

1 復(fù)雜自動化控制系統(tǒng)故障診斷方法研究與改進(jìn)

1.1 傳統(tǒng)復(fù)雜自動化控制系統(tǒng)故障診斷方法研究

傳統(tǒng)的復(fù)雜自動化控制系統(tǒng)故障診斷方法主要分為以下幾種：

(1)參數(shù)估計法;

(2)狀態(tài)估計法;

(3)基于信號處理的方法;

(4)基于小波變換的故障診斷方法;

(5)基于信息校核的故障診斷方法;

上述幾種常用的傳統(tǒng)自動化控制系統(tǒng)故障診斷方法都不同程度的存在一些問題。參數(shù)估計法與狀態(tài)估計法在傳統(tǒng)自動化控制系統(tǒng)故障診斷方法中存在故障識別判斷準(zhǔn)確率低的問題。因傳統(tǒng)故障診斷方法中沒有對比標(biāo)準(zhǔn)數(shù)據(jù)設(shè)立，一切數(shù)據(jù)結(jié)果皆是按照移動條件數(shù)據(jù)設(shè)定估計得出，缺乏故障數(shù)據(jù)分析準(zhǔn)確性[5]。

基于信號處理的方法是傳統(tǒng)故障診斷方法中故障判斷較為準(zhǔn)確的方法之一，但存在信號噪點(diǎn)干擾因素，限制了信號準(zhǔn)確率。

基于小波變換與信息校核的故障診斷方法，完善了上述方法的準(zhǔn)確率不足的問題與限制因素干擾問題的出現(xiàn)。但經(jīng)常時間運(yùn)行發(fā)現(xiàn)，基于小波變換與信息校核的故障診斷方法存在統(tǒng)一數(shù)據(jù)轉(zhuǎn)換變流標(biāo)簽異常，時間與內(nèi)核構(gòu)造變換算法邏輯關(guān)系出現(xiàn)數(shù)據(jù)扭轉(zhuǎn)膨化，導(dǎo)致自動化控制系統(tǒng)故障分析數(shù)據(jù)準(zhǔn)確率失衡、數(shù)據(jù)收集鏈條斷裂等嚴(yán)重問題。

故此，文章結(jié)合傳統(tǒng)自動化控制系統(tǒng)故障診斷方法的優(yōu)點(diǎn)，針對性進(jìn)行方法改進(jìn)設(shè)計，提出復(fù)雜自動化控制系統(tǒng)故障診斷方法改進(jìn)設(shè)計。

1.2 復(fù)雜自動化控制系統(tǒng)故障診斷方法改進(jìn)設(shè)計

1.2.1 數(shù)據(jù)罩篩引擎(GEP)

針對上述傳統(tǒng)自動化控制系統(tǒng)故障診斷方法存在的問題，提出的改進(jìn)方法中采用數(shù)據(jù)罩篩引擎(GEP)設(shè)計，用來解決故障數(shù)據(jù)收集整理上的一系列問題。數(shù)據(jù)罩篩引擎(GEP)設(shè)計針對自動化控制系統(tǒng)運(yùn)行過程中指令數(shù)據(jù)收發(fā)回饋的檢測、采集，利用偏心數(shù)據(jù)組合算法對復(fù)雜自動化控制系統(tǒng)運(yùn)行數(shù)據(jù)進(jìn)行分析，過濾，創(chuàng)建動態(tài)偏心數(shù)據(jù)模型。偏心數(shù)據(jù)組合算法吸收傳統(tǒng)參數(shù)估計法與狀態(tài)估計法兩種常用估計法具有的數(shù)據(jù)狀態(tài)數(shù)據(jù)處理有點(diǎn)，充分吸收處理系統(tǒng)運(yùn)行過程中全部數(shù)據(jù)[6]。同時，創(chuàng)建罩篩數(shù)據(jù)模型，為后期的實(shí)際運(yùn)行故障產(chǎn)生因素分析提供數(shù)據(jù)支持。數(shù)據(jù)罩篩引擎(GEP)設(shè)計采用的偏心數(shù)據(jù)組合算法關(guān)系式如下所示。

(1)

當(dāng)故障數(shù)據(jù)結(jié)構(gòu)i處于失衡邊界值時，關(guān)系式動態(tài)調(diào)整為：

(2)

(3)

為了更好展現(xiàn)算法的涵蓋性與處理性，數(shù)據(jù)罩篩引擎(GEP)采用簡易語言進(jìn)行執(zhí)行引擎搭建，搭建執(zhí)行代碼如下所示。

include

int main( void )

{

printf( "分析! " );

return 0;

}

}

int KPLL(float a ,float b)

{數(shù)據(jù)搭建=1

return a/b;

上述為數(shù)據(jù)罩篩引擎(GEP)底層元和代碼，為數(shù)據(jù)罩篩引擎(GEP)的最高創(chuàng)建代碼。設(shè)計中為了完善引擎的數(shù)據(jù)模型創(chuàng)建數(shù)據(jù)點(diǎn)把握準(zhǔn)度，將把握核心故障基準(zhǔn)代碼寫入了數(shù)據(jù)罩篩引擎(GEP)二層底核心框架，代碼如下：

include

using namespace std;

void read(int x,int *sp) //讀入數(shù)組

{

for (x--;x>=0;x--)

cin>>sp[x];

}

void swap(int &a, int &b)

{

int t;

t = a;

a = b;

b = t;

數(shù)據(jù)罩篩引擎(GEP)工作流程原理如圖1所示。

圖1 數(shù)據(jù)罩篩引擎(GEP)工作流程原理

1.2.2 運(yùn)行單元動態(tài)判斷模塊(DNGF)設(shè)計

運(yùn)行單元動態(tài)判斷模塊(DNGF)是改進(jìn)方法設(shè)計中起著承上啟下作用的關(guān)鍵型改進(jìn)設(shè)計。運(yùn)行單元動態(tài)判斷模塊(DNGF)執(zhí)行故障數(shù)據(jù)波動分析、判斷職能。運(yùn)行單元動態(tài)判斷模塊(DNGF)采用動態(tài)數(shù)據(jù)交互形式，可自行調(diào)整交互通道數(shù)量，復(fù)雜自動化控制系統(tǒng)各項(xiàng)運(yùn)行數(shù)據(jù)經(jīng)過運(yùn)行單元動態(tài)判斷模塊(DNGF)分析、判斷，動態(tài)校準(zhǔn)數(shù)據(jù)模型。運(yùn)行單元動態(tài)判斷模塊(DNGF)將數(shù)據(jù)模型動態(tài)分成ζ區(qū)域；每一區(qū)域分成ν∧個特征校準(zhǔn)數(shù)據(jù)點(diǎn)；ζ∈nν∧，n為區(qū)域數(shù)量。當(dāng)ζ內(nèi)某一域出現(xiàn)數(shù)據(jù)異常，ν∧內(nèi)特征校準(zhǔn)數(shù)據(jù)點(diǎn)會生成回饋信號，運(yùn)行單元動態(tài)判斷模塊(DNGF)會捕捉到回饋信號，迅速做出分析，判斷自動化控制系統(tǒng)故障產(chǎn)生成因數(shù)據(jù)所在點(diǎn)，并給出相對解決方案。

運(yùn)行單元動態(tài)判斷模塊(DNGF)設(shè)計吸收傳統(tǒng)故障診斷方法中信號處理方法與小波變換診斷方法的算法優(yōu)點(diǎn)，針對二者信號處理上的不足，進(jìn)行算法邏輯優(yōu)化，形成新的信號點(diǎn)處理判斷算法—TZBD算法。算法關(guān)系式如下所示。

(4)

A,B,C,a，b，c本別為不同數(shù)據(jù)反饋信號量。

運(yùn)行單元動態(tài)判斷模塊(DNGF)執(zhí)行代碼為三段式設(shè)計，首段為數(shù)據(jù)罩篩引擎(GEP)對接代碼，負(fù)責(zé)數(shù)據(jù)模型資源調(diào)取對比。代碼如下所示。

uploaded_file=_FILES['myfile']['tmp_name'];

move_to_file=_SERVER['DNGF']."/FileUpload/file/up/"._FILES['myfile']['name'];

//echo uploaded_file."--".move_to_file;

if (move_uploaded_file(uploaded_file,iconv("utf-8","gb2312",move_to_file))){

echo _FILES['myfile']['name']."GEP";

}else {

}

{結(jié)果反饋=1

}

尾段為動態(tài)判斷調(diào)整代碼，負(fù)責(zé)算法最終校準(zhǔn)比對，做出準(zhǔn)確結(jié)果數(shù)據(jù)輸出，代碼如下所示。

for(i=0;i

scanf("%d",p+i);

sort(a,n);

printf("排序后的結(jié)果為");

for(i=0;i

printf("%5d",a[i]); fflush(stdin);

getchar();

return 0;

}

void sort(int a[],int n)

{

int i,j,k,min,index;

for(i=0;i

{

1.2.3 多因素基準(zhǔn)庫(VSFVR)設(shè)計

復(fù)雜自動化控制系統(tǒng)故障診斷方法改進(jìn)的設(shè)計中增加針對故障發(fā)生數(shù)據(jù)收集儲存的模塊—多因素基準(zhǔn)庫(VSFVR)，通過對復(fù)雜自動化控制系統(tǒng)故障產(chǎn)生狀態(tài)數(shù)據(jù)的收集，分析，整理，歸納，儲存完成故障數(shù)據(jù)最大化利用。

多因素基準(zhǔn)庫(VSFVR)采用交錯空間設(shè)計，有下至上分為三層空間，下層數(shù)據(jù)靜儲空間；中層大數(shù)據(jù)方案載入空間；上層故障特征提取空間。3個空間相互獨(dú)立，通過交錯層內(nèi)交互通道進(jìn)行數(shù)據(jù)交換、提取。與上下兩層不同，中層大數(shù)據(jù)方案載入空間設(shè)有一條獨(dú)立高速大數(shù)據(jù)交互通道，保證實(shí)時、快速獲取故障相應(yīng)解決方案，提高故障診斷準(zhǔn)確率。多因素基準(zhǔn)庫(VSFVR)工作原理如圖2所示。

圖2 多因素基準(zhǔn)庫(VSFVR)工作原理

多因素基準(zhǔn)庫(VSFVR)采用執(zhí)行算法代碼固化ISP方式，有效提高代碼完整性，保證故障數(shù)據(jù)儲存、交互過程中的邏輯穩(wěn)定性。具體代碼如下所示。

include

include

include

include

include

define N 21

void gotoxy(int x,int y)//位置函數(shù)

{

COORD pos;

pos.X=2*x;

void init(int apple[2])//初始化函數(shù)(初始化層數(shù)、故障特征)

{

int i,j;//初始化交互數(shù)據(jù)

int wall[N+2][N+2n]={{0}};

for(i=1;i<=N;i++)

至此，復(fù)雜自動化控制系統(tǒng)故障診斷方法改進(jìn)設(shè)計全部完成。

2 實(shí)驗(yàn)與結(jié)論

針對復(fù)雜自動化控制系統(tǒng)故障診斷方法改進(jìn)設(shè)計進(jìn)行仿真實(shí)驗(yàn)測試。測試環(huán)境配置為：CPU i5 6200 主頻3.4Hz，內(nèi)存 4G，windows 10專業(yè)版操作系統(tǒng)。采用對比方式，分別采用傳統(tǒng)故障診斷方法與提出改進(jìn)后的故障診斷方法，對故障診斷處理速度、故障診斷準(zhǔn)確度、故障預(yù)見判斷準(zhǔn)確率、故障數(shù)據(jù)收集率、故障相應(yīng)解決方案數(shù)據(jù)資源提供率、多故障齊發(fā)診斷準(zhǔn)確率、故障診斷運(yùn)行資源開銷狀況、長時間連續(xù)運(yùn)行穩(wěn)定性等測試項(xiàng)目進(jìn)行測試，并對結(jié)果數(shù)據(jù)進(jìn)行分析，得出結(jié)論。解決了多數(shù)據(jù)環(huán)境下故障診斷率低、多因素分析算法跟進(jìn)力不足等問題。具體測試參數(shù)如表1所示。

通過上述表1的測試數(shù)據(jù)可以證明，提出的復(fù)雜自動化控制系統(tǒng)故障診斷方法改進(jìn)設(shè)計具有以下優(yōu)點(diǎn)。

表1 仿真實(shí)驗(yàn)測試對比參數(shù)

1)故障診斷速度快、準(zhǔn)確率高。

2)具有故障預(yù)見判斷功能、預(yù)見判斷準(zhǔn)確率高。

3)能夠有效利用故障數(shù)據(jù)資源，自創(chuàng)大數(shù)據(jù)解決方案設(shè)計。

4)整體性能穩(wěn)定，運(yùn)行資源開銷小。

上述優(yōu)點(diǎn)充分證明提出的復(fù)雜自動化控制系統(tǒng)故障診斷方法改進(jìn)設(shè)計能夠滿足現(xiàn)今復(fù)雜自動化控制系統(tǒng)故障診領(lǐng)域運(yùn)用要求。

3 結(jié)束語

針對傳統(tǒng)復(fù)雜自動化控制系統(tǒng)故障診斷方法存在的問題進(jìn)行了分析，并對問題存在根源提出了復(fù)雜自動化控制系統(tǒng)故障診斷方法改進(jìn)設(shè)計。通過仿真實(shí)驗(yàn)測試證明，提出的復(fù)雜自動化控制系統(tǒng)故障診斷方法改進(jìn)設(shè)計各項(xiàng)測試數(shù)據(jù)都優(yōu)于傳統(tǒng)復(fù)雜自動化控制系統(tǒng)故障診斷方法，滿足設(shè)計改進(jìn)要求。為復(fù)雜自動化控制系統(tǒng)故障診斷領(lǐng)域未來發(fā)展提供新的思路。

[1] 龐志華.基于自動化控制的機(jī)械設(shè)備故障診斷系統(tǒng)設(shè)計[J].信息系統(tǒng)工程,2015,3(2):138-140.

[2] 胡明國.自動控制中一種故障檢測與報警的方法[J].山東工業(yè)技術(shù),2016,9(10):206-208.

[3] 申鴻燁.基于監(jiān)測點(diǎn)與自動化測試的接收系統(tǒng)故障診斷[J].控制工程,2016,23(3):223-253.

[4] 牟 放.淺析故障診斷技術(shù)在計量自動化系統(tǒng)中的應(yīng)用[J].數(shù)字技術(shù)與應(yīng)用,2014,2(9):216-210.

[5] 李 娟.大型自動化控制系統(tǒng)故障報警技術(shù)應(yīng)用研究[J].建筑工程技術(shù)與設(shè)計,2015,6(8):22-29.

[6] 趙 鵬, 蔡忠春, 李曉明,等. 某型飛機(jī)發(fā)動機(jī)故障診斷專家系統(tǒng)設(shè)計[J]. 計算機(jī)測量與控制, 2014, 22(12):3850-3852.

Complex Automation Control System Fault Diagnosis Methods Research and Improvement

Ming Xianchen,Zhou Hongyang,Mei Xiaojun

(Hubei Sanjiang Aerospace Hongyang Electromechanical Co.,Ltd.,Xiaogan 432000,China)

In recent years,the automation in the industrial production,aerospace and other fields has been widely applied,automation control system emerges with the inoculation.Production automation development steadily,long-term use of traditional automatic control system fault diagnosis method in fault diagnosis rate is low,multiple data environment more follow up problems such as insufficient factor analysis algorithm.In view of the problem root reason,complex automation control system fault diagnosis method is put forward to improve design.Using data cover screen engine(GEP)for complex automation control system of data collection,sorting,analysis,model creation.By running the unit dynamic judgment module(DNGF)cooperate with multi-factor benchmark library(VSFVR),complete the traditional complex automation control system fault diagnosis method under complicated environment improvement.Through the simulation experiments show that complex automation control system fault diagnosis methods of improvement,the test parameters is better than the traditional method.

automation;control system;model creation;fault diagnosis

2016-10-31；

2016-11-24。

明先承(1979-)，男，湖北孝感人，碩士研究生，高級工程師，主要從事自動控制方向的研究。

1671-4598(2017)03-0036-04

10.16526/j.cnki.11-4762/tp.2017.03.011

TP273

A