淺談傳感器的故障診斷技術

陳軼??

摘要：傳感器的故障診斷技術是一門綜合學科，涉及到許多領域。故障診斷技術的出現為提高測控系統的可靠性提供了可能。本文對傳感器的故障診斷技術做了綜述和對比。最后，對傳感器故障診斷技術進行了展望。

關鍵詞：傳感器；故障診斷；神經網絡；小波分析

現代測控系統經過多年的發展朝向大規模、復雜化方向發展，但是這種控制系統的故障一旦發生就很容易造成人員傷亡和巨大的經濟損失。因此如何保證現代控制系統的可靠性和安全性非常重要。傳感器是任何控制系統不可缺少的部件，它的好壞直接關系到設備的運行狀態，甚至關系到安全問題。但是傳感器也是最容易出故障的環節，據研究統計在實際發生的故障中，約有70%—80%的故障是源自于傳感器故障。因此研究傳感器故障是十分有必要的。傳感器的故障診斷技術研究涉及到多個研究領域，出現了多種故障診斷的方法。本文將對傳感器的故障診斷技術做簡單的分析和對比。

一、 傳感器故障診斷技術綜述

在傳感器故障診斷方法中，線性傳感器的故障診斷發展較為成熟。從最簡單的檢測濾波器、廣義似然比、極大似然比到基于觀測器/濾波器的方法、參數估計方法、系統辨識法和一致空間法等。但是這些方法都是基于線性定常系統模型的。實際應用中許多測控系統都是非線性的，這就使得對于這類系統的分析與控制比較難，對于它的故障診斷也存在較大的難度。

實際測控系統的生產對象本身大多是非線性系統，這就使基于線性系統故障診斷方法不能取得很好的效果。但是，近年來，隨著非線性理論、先進算法、信號處理和智能控制的深入研究，非線性系統的故障診斷技術得到了迅速發展。它主要是基于信號處理方法，基于知識的方法和基于分析模型的診斷方法。如圖1所示。

圖1故障診斷方法分類圖

現分別對這幾類方法進行討論。

二、 依賴解析模型的方法

基于分析模型的非線性系統故障診斷主要有兩種方法：一是線性化方法，另一類是非線性模型的方法。線性化方法進行線性化的非線性系統在一個工作點或幾個操作點，用一個線性的模型集來表示系統，將擾動、誤差和噪聲當做未知量輸入，對未知輸入設計為矩陣解耦的方法，以此來構造殘差進行故障診斷的方法。這種方法的優點是不受誤差等擾動的影響。而非線性模型的方法則是利用自適應非線性觀測器、濾波器等方法來設計診斷算法。因為這些方法基本都是針對某一特定的非線性系統的，因此算法的通用性不強，算法并不是很完善。

線性化方法

1. 近似化方法

早期故障診斷方法是基于近似線性化技術，如平均法、擬線性化方法、線性化族方法、擴展線性化方法和近似輸入/輸出線性化方法。對于非本質不甚嚴重的非線性對象，我們可以用公式來近似輸入/輸出線性化。

2. 精確線性化

在過去的二十年中，微分幾何的精確線性化為非線性系統的分析和綜合提供了支持。線性故障診斷方法可應用于線性模型。對于具有不同條件的非線性對象，多模型方法可以處理多個操作點，使整個模型可以用來近似的非線性模型的切換干擾，可能會導致誤報。

3. 觀測器方法

最早的研究是建立一個全階觀測器，觀測器增益矩陣可以在線調整的結構殘差序列未知的隨時間變化的參數或緩慢變化的漂移故障的殘差序列的影響進行補償。文獻[2]中提到了用降階觀測器的設計來替代全階觀測器，但它只適用于突變的故障。Bastin等人提出了一種簡單的自適應觀測器的設計可應用于非線性系統，他們認為處理一些非線性系統的特性可以作為未知參數，通過對未知參數的在線辨識非線性觀測器，未知干擾設計、參數時變和不精確的模型可以通過參數辨識的體現。

4. 濾波器法

相比于觀測器法，濾波器法的計算量要大的多，但它是要求不高的模型，采用擴展卡爾曼濾波算法可直接估計，殘余結構，但魯棒性的模型失配，和初始值是已知的，噪聲的統計特性是已知的，彼此不相關。如果噪聲的統計特性是未知的，將產生殘差，該算法漸變型故障不敏感。

三、 不依賴模型的方法

目前的控制系統越來越復雜，由于現實中對控制系統要建立精準的解析數學模型難度較大，并且在存在建模誤差時，將會出現誤報、漏報現象。因此具有不需要對象精確模型且具有良好適應性的不依賴于模型的故障診斷方法越來越受人們的重視。

1. 專家系統法

專家診斷法經歷了二代的發展，第一代專家故障診斷方法是基于淺知識的，而第二代則是基于深知識的。不論是哪一代專家故障診斷方法，均是通過對傳感器知識的系統提取，在計算機里整理成故障規則庫，然后總結現場專家的個人的經驗進行推斷，進行故障診斷。

2. 模糊推理的診斷方法

模糊診斷不需要診斷對象的精確數學模型，而是利用隸屬函數和模糊規則進行模糊診斷。在故障診斷中，故障征兆具有模糊性，如果存在多個故障點，則故障與征兆之間的關系是模糊的，利用模糊語言集合表示能更準確地反映故障與征兆的關系。

3. 神經網絡法

神經網絡具有非線性、自學習、高容錯性和并行處理能力，因此在非線性故障診斷中具有很強的優勢。在模擬電路的故障診斷時應用人工神經網絡，其作用是類似于模式識別法中的分類器。但是要構建一個完整的模式識別系統，神經網絡訓練所需的數據準備是必不可少的一個環節。從電路板上所采集的原始數據大多都是粗糙的，沒有體現出良好的故障特征，因此在構建一個神經網絡前需要對數據進行預處理，以便提取的向量能很好表征故障的特征。

4. 小波分析

小波分析主要用于分析和處理非平穩信號。小波分析方法與神經網絡方法相似，對系統的要求不高。它不僅克服了傳統硬件冗余和分析冗余的缺點，而且結合了這兩種方法的優點。小波分析是將信號疊加成一系列小波函數。它基于局部化函數所形成的小波基，具有許多特殊的性質和優點。小波分析具有良好的時域和頻域局部化特性。用小波分析方法分析信號時，分析中所用窗口的大小不變，但窗口的形狀可以改變，即可以改變時間窗口和頻率。小波分析是一種時域局部化分析方法，它在低頻和低時間分辨率下具有較高的頻率分辨率，在高頻部分具有較低的頻率分辨率和高的時間分辨率。

從診斷的角度來看，任何類型的診斷信息是模糊的和不確定的。任何一種診斷對象，只有一個方面的信息來反映其狀態是不完整的。每種方法都有其自身的特點，適用于不同的故障類型。對于更復雜的系統，各種診斷方法經常被綜合起來用來建立一個診斷系統。從發展趨勢來看，開發一種更加智能化的方法，對各種診斷方法的綜合應用更為重要。

參考文獻：

[1]楊建平.傳感器故障診斷的研究與應用.華北電力大學學位論文，2004.

[2]A. T. Vemuri， M. M. Polycarpou.Robust nonlinear fault diagnosis in inputoutputsystems. Int. J. Control， 1996，8（2）：343-360.

[3]李勝.基于STF的重載夾持裝置液壓驅動控制系統故障診斷研究.中南大學學位論文，2009.

[4]陳軼.基于BP神經網絡的模擬電路故障診斷[J].電子世界，2014，（11）下.