基于粒子濾波的分布式智能故障診斷系統(tǒng)研究

孟志強 朱志亮 朱建波 張正江 戴瑜興

摘 要：針對傳統(tǒng)故障診斷系統(tǒng)硬件結(jié)構(gòu)以及故障識別算法過于復雜的問題，提出并研究了一種基于粒子濾波的分布式智能故障診斷系統(tǒng).該系統(tǒng)采用ZigBee無線傳感網(wǎng)絡實現(xiàn)系統(tǒng)分布式多變量參數(shù)的實時采集，基于粒子濾波算法在線處理各變量數(shù)據(jù)，并基于簡易模式識別算法獲得系統(tǒng)真實狀態(tài)的準確估計，實現(xiàn)系統(tǒng)故障的智能診斷與故障預示.智能故障診斷系統(tǒng)由ZigBee無線傳感數(shù)據(jù)采集網(wǎng)絡、粒子濾波算法、系統(tǒng)狀態(tài)模型和故障模式識別四部分構(gòu)成.粒子濾波算法基于粒子序貫重要性重采樣和蒙特卡洛方法對傳感器采集數(shù)據(jù)濾波，抑制或消除干擾及顯著性誤差對系統(tǒng)狀態(tài)估計的影響，可避免粒子退化.故障模式識別就是求取與粒子濾波輸出的系統(tǒng)狀態(tài)估計曲線殘差之和最小的系統(tǒng)狀態(tài)模型.智能故障診斷系統(tǒng)的實現(xiàn)和實例實驗結(jié)果表明該系統(tǒng)能實現(xiàn)對象的遠程監(jiān)測、對象狀態(tài)的精確估計、對象故障的準確診斷，拓寬了分布式傳感網(wǎng)絡的應用范圍，并具有成本低、可靠性高、實時性好和易實現(xiàn)的優(yōu)點.

關(guān)鍵詞：故障診斷；ZigBee；粒子濾波；模式識別

中圖分類號： TP13 文獻標志碼：A

Abstract：Due to the shortcomings of traditional fault diagnosis system， such as too complicated hardware system and fault recognition algorithm， a distributed intelligent fault diagnosis system based on particle filter was proposed and studied. Real-time collection of distributed multi-variable parameters was realized by adopting ZigBee wireless sensor network， on-line processes variable data based on particle filter， and precise estimate about real system states were obtained based on simple pattern recognizing algorithm in order to realize the intelligent forecast and diagnose for system fault. The distributed fault diagnosis system includes ZigBee network， particle filter algorithm， system states model and malfunction mode recognition. Particle filter can filter data collected by sensor， suppress and eliminate the interference or significant error that affects the estimate of system states based on sequential importance sampling and Monte-Carlo method. Finding a system state model that has the minimum sum of residuals with an estimate curve about system states from a particle filter is the process of the malfunction mode recognition. Realization of the distributed intelligent fault diagnosis system and the result of the experiment show that the system can realize the remote monitor， accurate state estimation and fault diagnose， and it has the advantage of low cost， high reliability and easy to realize. The work can expand the application range of distributed sensor network and improve the diagnosis level of the fault diagnosis system.

Key words：fault detection； ZigBee； particle filter； pattern recognition

隨著世界各國工業(yè)化進程不斷加快，工業(yè)生產(chǎn)中的設備規(guī)模越來越大、系統(tǒng)也愈加復雜[1]，對系統(tǒng)運行可靠性、安全性的要求愈趨嚴格.實時監(jiān)測系統(tǒng)運行狀態(tài)，并實現(xiàn)故障在線診斷是提高系統(tǒng)可靠性和安全性行之有效的辦法，國內(nèi)外學者對此展開了廣泛的研究，并取得了大量的研究成果，有些成果在電網(wǎng)、工廠、交通等領域得到了應用.

基于系統(tǒng)實時運行狀態(tài)監(jiān)測的故障診斷技術(shù)與方法研究主要包含數(shù)據(jù)采集和診斷算法兩大方面：

1）狀態(tài)監(jiān)測技術(shù)：田壘等人利用多傳感器檢測構(gòu)成輸油泵機組的狀態(tài)監(jiān)測系統(tǒng) [2]；王碩等人對風光互補發(fā)電的數(shù)據(jù)進行采集監(jiān)測[3]；楊惠采集溫度和濕度的數(shù)據(jù)來監(jiān)測工農(nóng)業(yè)生產(chǎn)[4]；Anita等人提出基于無線局域網(wǎng)協(xié)議的數(shù)據(jù)采集系統(tǒng)，通過測量大氣中的環(huán)境參數(shù)來監(jiān)測自然災害[5]；姬志國采用RS-485通訊接口、Modbus通信協(xié)議，實現(xiàn)電力系統(tǒng)運行的遠程監(jiān)測和控制[6]等.但現(xiàn)有大部分系統(tǒng)僅能完成原始的數(shù)據(jù)采集和集中，基本未考慮數(shù)據(jù)采集的可靠性，缺乏有效的濾波和故障診斷算法支撐，不能對系統(tǒng)故障進行有效的診斷和預示.

2）故障診斷算法研究：目前國內(nèi)外在此領域做了大量基礎性的研究和開創(chuàng)性的應用.主要基于振動信息、電流、頻率特性、溫度變化、液體粘度等故障信號，伊利諾伊大學He教授多年來圍繞故障診斷和預測、統(tǒng)計信號分析等問題做了卓有成效的工作[7]，文獻[8]指出西安交通大學在基于多小波分析的機械設備早期故障預示方面取得了一系列成果，楊宇等人提出了基于EMD（Empirical Mode Decomposition）和VPMCD（Variable Predictive Model based Class Discriminate）的故障診斷方法，并應用于滾動軸承的故障診斷[9]，避免了神經(jīng)網(wǎng)絡的結(jié)構(gòu)和類型、支持向量機核函數(shù)及其參數(shù)的選擇問題.

研究與分析上述研究成果可以看出，這些成果大多沒有考慮數(shù)據(jù)采集過程的干擾，采集系統(tǒng)的結(jié)構(gòu)不夠簡潔，故障診斷算法復雜且計算量較大，在實時性要求較高的系統(tǒng)中不能很好地應用.

針對上述問題和不足，本文使用ZigBee無線傳感技術(shù)實現(xiàn)大系統(tǒng)分布式運行狀態(tài)的數(shù)據(jù)采集，使用粒子濾波算法對傳感器數(shù)據(jù)進行數(shù)字濾波處理，實現(xiàn)狀態(tài)的精確估計，通過實時性強的簡易故障模式識別算法實現(xiàn)智能故障診斷，并構(gòu)建了一套分布式智能故障診斷系統(tǒng)，該系統(tǒng)能實時顯示采集數(shù)據(jù)、狀態(tài)曲線、診斷結(jié)果等信息.該系統(tǒng)的實驗結(jié)果驗證了本文方法與技術(shù)的有效性.

1 故障診斷原理

1.1 故障診斷流程

故障診斷的基本過程包含3個階段：首先建立系統(tǒng)正常和所有可能不同故障模式的數(shù)學模型；其次對系統(tǒng)進行監(jiān)測，包括采用各種檢測、測量、監(jiān)視、分析和判別的方法，獲得系統(tǒng)的真實狀態(tài)——正常狀態(tài)和故障狀態(tài)；然后對故障模式進行識別和預測，指導設備的管理和維修.

實際系統(tǒng)在運行過程中可能出現(xiàn)大量的干擾，導致常規(guī)故障診斷系統(tǒng)對系統(tǒng)真實狀態(tài)的誤判.為了得到系統(tǒng)運行的真實狀態(tài)，本文對傳感器檢測數(shù)據(jù)使用粒子濾波算法進行濾波.然后，計算濾波輸出曲線與系統(tǒng)所有可能模型及觀測方程輸出曲線之間的殘差.殘差最小的濾波輸出曲線所對應的模型即為系統(tǒng)所處的狀態(tài).

本文提出的故障診斷系統(tǒng)整體構(gòu)架如圖1所示，故障診斷流程如下：

1）建立系統(tǒng)正常狀態(tài)與不同故障狀態(tài)的模型；

2）基于ZigBee網(wǎng)絡采集各類數(shù)據(jù)；

3）基于粒子濾波算法實現(xiàn)系統(tǒng)狀態(tài)的精確估計；

4）根據(jù)3）得到的狀態(tài)判斷系統(tǒng)所處模式.

1.2 數(shù)據(jù)濾波

鑒于會出現(xiàn)傳感器突然失效或環(huán)境偶然干擾等情況，為了得到更精確的系統(tǒng)狀態(tài)，本文對傳感器采集數(shù)據(jù)使用粒子濾波算法進行濾波.

粒子濾波是一種基于遞推貝葉斯估計和蒙特卡洛方法的濾波方法[10-11]，Gordon 等人提出的自舉濾波（ Bootstrap Filter，BF） 算法[12]和使用重采樣步驟奠定了粒子濾波算法的基礎，其基本思想是通過一組粒子來估計系統(tǒng)的狀態(tài).

在采樣粒子確定的情況下，讓所有粒子均依照系統(tǒng)狀態(tài)空間模型運動，如式（1）和式（2），并且向前傳遞，通過蒙特卡羅方法處理貝葉斯估計中的積分運算[13]，對樣本中的粒子進行序貫重要性采樣，樣本中對預測值貢獻大的粒子被賦予更大的權(quán)重，樣本中對預測值貢獻小的粒子被賦予較小的權(quán)重.為了避免粒子退化問題，增加重采樣過程，即使用（0，1）均勻分布產(chǎn)生隨機數(shù)，若隨機數(shù)落到某個粒子上，則該粒子就會被復制一次，權(quán)重大的粒子被選中的概率自然也大，從而得到系統(tǒng)狀態(tài)的最小均方差估計.當粒子數(shù)量趨于無窮時，可以逼近任意概率分布的系統(tǒng)狀態(tài)，從而可以估計出系統(tǒng)任意時刻的樣本狀態(tài).

2 分布式智能故障診斷系統(tǒng)

本文使用CC2530設計采集節(jié)點來獲取診斷對象的物理參數(shù)，基于ZigBee構(gòu)建分布式智能故障診斷系統(tǒng).TI 公司系統(tǒng)級SOC芯片CC2530內(nèi)嵌C8051CPU核，支持IEEE802.15.4、ZigBee和RF4CE標準，且具有超低的功耗.ZigBee采集節(jié)點將采集的數(shù)據(jù)通過無線傳感網(wǎng)絡傳輸至系統(tǒng)主機進行顯示、保存、數(shù)據(jù)濾波，并調(diào)用故障診斷算法完成故障診斷.分布式故障診斷數(shù)據(jù)采集系統(tǒng)總框圖如圖2所示.

2.1 網(wǎng)絡通信模型

在 ZigBee 網(wǎng)絡中定義了三種邏輯設備類型：協(xié)調(diào)器（Coordinator），路由器（Router）和終端設備（End-Device）.協(xié)調(diào)器是網(wǎng)絡的第一個設備，完成信道和網(wǎng)絡ID（也稱之為PAN ID，即Personal Area Network ID） 選擇，并啟動整個網(wǎng)絡[14].路由器的主要功能是允許其他設備加入網(wǎng)絡，實現(xiàn)協(xié)調(diào)器與終端設備的通訊.一個ZigBee網(wǎng)絡由一個協(xié)調(diào)器、多個路由器和多個終端設備組成.圖3是一個簡單的ZigBee 網(wǎng)絡示意圖，其中黑色圈為協(xié)調(diào)器，空心圈為路由器，灰色圈網(wǎng)格節(jié)點為終端設備.

2.2 數(shù)據(jù)傳輸原理

終端設備中各類傳感器定時采集數(shù)據(jù)，采集的數(shù)據(jù)均以規(guī)定的報文格式進行封裝，再通過無線方式發(fā)送給協(xié)調(diào)器.在不采集數(shù)據(jù)時，芯片休眠以降低功耗，待下次采集時再喚醒.因此，使用定時方式控制數(shù)據(jù)采集和芯片喚醒.終端設備傳感器的數(shù)據(jù)采集流程如圖4所示.

整個系統(tǒng)的控制核心是協(xié)調(diào)器節(jié)點，它需要獲取終端節(jié)點的網(wǎng)絡地址，判斷其是否聯(lián)網(wǎng)，若聯(lián)網(wǎng)則接受終端采集節(jié)點傳送過來的數(shù)據(jù)，否則等待其聯(lián)網(wǎng)；再對網(wǎng)絡進行管理與控制，分析各個節(jié)點的ID和數(shù)據(jù)傳輸方向，為節(jié)點配置本網(wǎng)絡中可用的無線信道和網(wǎng)絡標識，由于協(xié)調(diào)器位于距PC機較近位置，故基于RS232協(xié)議通過串口將接收的數(shù)據(jù)信息傳輸至電腦進行下一步處理.協(xié)調(diào)器的數(shù)據(jù)流程如圖5所示.

2.3 系統(tǒng)主機

系統(tǒng)主機程序和顯示界面采用C#語言編寫，能夠清晰直觀地監(jiān)測各類所需數(shù)據(jù).重點監(jiān)測數(shù)據(jù)配有實時曲線圖，并保存在指定位置，輔助監(jiān)測數(shù)據(jù)僅顯示當前數(shù)值.當某個數(shù)據(jù)的值高于設定閾值時，數(shù)據(jù)旁的綠燈將變?yōu)榧t燈以示警.主機界面如圖6所示.

界面中串口接收波特率需與協(xié)調(diào)器發(fā)送速率一致，默認為115 200 bps.

通過串口接收到的傳感器采集數(shù)據(jù)并不是真正的數(shù)值本身，而是包含了一系列幀頭、包長度、控制命令等信息的數(shù)據(jù)包.數(shù)據(jù)包及解析規(guī)則如表1、表2所示.

因此，主機需要對數(shù)據(jù)包進行解析，將接收到的數(shù)據(jù)包緩存在數(shù)組中，按照上述規(guī)則，通過程序?qū)?shù)據(jù)包進行分類處理，最終得到所需要的數(shù)據(jù)并顯示在界面的對應位置.

例如，主機接受數(shù)據(jù)包如下：

0x02 0x0F 0xB9 0x46 0xF1 0xF1 0x86 0x01 0x00 0x00 0x41 0x3C 0x2B 0x33 0x1D 0x1E 0x0F 0xB0

Byte10的數(shù)據(jù)為0x41，判斷出該數(shù)據(jù)包來自第一個節(jié)點，再根據(jù)第一個節(jié)點所包含的傳感器類型，解析出部分我們所需要監(jiān)測的數(shù)據(jù).在第一節(jié)點中我們所需要的數(shù)據(jù)包括電壓、芯片溫度、煙霧和酒精濃度，分別為Byte11～14位.根據(jù)表1及表2數(shù)據(jù)包規(guī)則和解析規(guī)則，得到表3所示的數(shù)據(jù)解析.

3 實例驗證

3.1 系統(tǒng)建模

本試驗系統(tǒng)實物照片如圖7所示，該系統(tǒng)由1個協(xié)調(diào)器，2個路由器以及多個終端構(gòu)成，終端設備由電壓、溫度、壓力、可燃氣體、酒精濃度以及氣壓檢測等模塊組成.

這里終端設備取硬件系統(tǒng)中電壓模塊對本文所設計的方案性能進行實例驗證，其模型如圖8所示.輸入電壓E為1～5 V內(nèi)變化、周期為8 s的三角波，由芯片編程產(chǎn)生.測量變量為R3兩端的電壓U，通過電壓的采集、主機軟件的數(shù)據(jù)處理來驗證對于預設故障的診斷.

系統(tǒng)可建立以下3種模式：

3.2 系統(tǒng)測試

系統(tǒng)各模塊完成連接后上電，初始化后通過串口傳輸數(shù)據(jù)至主機，各項數(shù)據(jù)在系統(tǒng)界面實時顯示.系統(tǒng)采樣周期設為1 s，實驗測試了100組數(shù)據(jù)，并預設在第50時刻時將電阻R2斷開模擬故障模式1.同時為了驗證粒子濾波算法的實用可靠性，在第15和72時刻對系統(tǒng)進行人為干擾，即在對應時刻產(chǎn)生較大電壓來進行干擾模擬測試，對比濾波前后的差異.由于需要10個時刻點才能更好地進行故障模式識別，故判別模式與真實模式的對比從第11時刻開始.

圖9所示為得到的所有系統(tǒng)狀態(tài)曲線.圖10為前40個時刻的狀態(tài)曲線.圖11為35～60時刻的狀態(tài)曲線.

圖中“True”表示為真實狀態(tài)，“PF”為濾波后的狀態(tài)，“ES”為測量狀態(tài)，Mod1～3分別表示正常模式、故障模式1、故障模式2對應的模型曲線.

圖12為濾波前和濾波后各時刻系統(tǒng)模式判別對比圖，圖中縱坐標“1”表示正常模式，“2”表示故障模式1，“3”表示故障模式2.表4為真實狀態(tài)與診斷狀態(tài)的對比.

由圖9～11可以看出，粒子濾波算法在過濾干擾和系統(tǒng)狀態(tài)跟蹤方面的顯著優(yōu)勢.在有干擾的情況下，傳感器數(shù)據(jù)不準確，而經(jīng)過粒子濾波算法后，能很好地過濾掉這種干擾實現(xiàn)精確估計，并能通過模式識別算法實時動態(tài)顯示當前所處模式.由圖12和表4的數(shù)據(jù)可進一步看出增加粒子濾波算法的優(yōu)勢.濾波前，在52～57及72～84時刻均出現(xiàn)了誤判為故障模式2的情況；濾波后，僅在第52～57時刻，即剛出現(xiàn)故障的短時間內(nèi)將故障模式1誤判為故障模式2，然后系統(tǒng)通過自調(diào)節(jié)能迅速跟蹤并正確識別出故障.總體看來，模式識別方法簡易、有效、可行.同時，對比濾波前后故障模式的判別結(jié)果可知濾波后的效果明顯優(yōu)于濾波前.

4 結(jié) 論

目前大部分針對工業(yè)現(xiàn)場設備的故障診斷系統(tǒng)未對采集數(shù)據(jù)的可靠性進行分析，部分學者為了得到精確數(shù)據(jù)，采取硬件去噪，但是成本較高.本文基于ZigBee無線傳感網(wǎng)絡技術(shù)構(gòu)成分布式數(shù)據(jù)采集系統(tǒng)實時采集各類數(shù)據(jù)，通過粒子濾波算法進行數(shù)據(jù)處理消除各種干擾，實現(xiàn)對象狀態(tài)的精確估計，并對濾波后狀態(tài)進行故障模式匹配和識別，最終在上位機實時顯示狀態(tài)檢測和故障診斷結(jié)果.實驗證明該系統(tǒng)可達到預期效果，并具有成本低、可靠性高、實時性好和易實現(xiàn)的優(yōu)點.

參考文獻

[1] 許穎麗. 從“兩化融合”到“中國制造2025”[J].上海信息化， 2015（1）：24-27.

XU Y L. From “two integration” to “made in China”[J].Shanghai Informatization，2015（1）： 24-27. （In Chinese）

[2] 田壘，劉軍輝，孫向東，等.狀態(tài)監(jiān)測與故障診斷系統(tǒng)在輸油泵機組中的應用[J].當代化工，2015（3）：567-569.

TIAN L， LIU J H， SUN X D， et al. Application of condition monitoring and fault diagnosis system in oil pump unit[J]. Chemical Engineering， 2015 （3）： 567-569. （In Chinese）

[3] 王碩，李曉樂，向睿，等.風光互補發(fā)電數(shù)據(jù)采集監(jiān)測系統(tǒng)的設計[J].信息與電腦，2011（7）：23-25.

WANG S，LI X L， XIANG R， et al. The design of the monitoring system for the integrated power generation data collection[J].China Computer & Communication， 2011（7）：23-25.（In Chinese）

[4] 楊惠.基于ZigBee技術(shù)的數(shù)據(jù)采集系統(tǒng)的設計[J].工業(yè)儀表與自動化裝置， 2016（2）：54-57.

YANG H. Design of data acquisition system based on ZigBee technology[J]. Industrial Instrumentation and Automation，2016 （2）： 54-57.（In Chinese）

[5] ANITA， SINGH R， CHOUDHURY S， et al. Wireless disaster monitoring and management system for dams[J]. Procedia Computer Science，2015， 48：381-386.

[6] 姬志國. 智能電力監(jiān)測系統(tǒng)的設計與實現(xiàn)[D]. 西安：西安電子科技大學機電工程學院， 2009.

JI Z G. Design and implementation of intelligent power monitoring system[D].Xian： School of Mechanical and Electrical Engineering， Xi'an Electronic and Science University， 2009.（In Chinese）

[7] HE M， HE D， QU Y. A new signal processing and feature extraction approach for bearing fault diagnosis using AE sensors[J]. Journal of Failure Analysis & Prevention，2016，16（5）：1-7.

[8] CHEN J， LI Z， PAN J， et al. Wavelet transform based on inner product in fault diagnosis of rotating machinery： a review[J]. Mechanical Systems & Signal Processing，2016，70：1-35.

[9] 楊宇， 王歡歡， 曾鳴，等.基于變量預測模型的模式識別方法在滾動軸承故障診斷中的應用[J].湖南大學學報（自然科學版）， 2013，40（3）：36-40.

YANG Y， WANG H H， ZENG M， et al. Application of pattern recognition approach based on VPMCD in roller bearing fault diagnosis[J].Journal of Hunan University（Natural Sciences），2013， 40（3）：36-40.（In Chinese）

[10]METROPOLIS N， ULAM S. The Monte Carlo method[J]. Journal of the American Statistical Association，1949，44（247）：335.

[11]LEE H.A Bayesian approach to problems in stochastic estimation and control[J]. IEEE Transactions on Automatic Control， 1964，9（4）：333-339.

[12]GORDON N J， SALMOND D J， SMITH A F M. Novel approach to nonlinear/non-Gaussian Bayesian state estimation[J]. IEE Proceedings F-Radar and Signal Processing， 1993， 140（2）：107-113.

[13]SMITH A F M， GELFAND A E. Bayesian statistics without tears： a sampling-resampling perspective[J]. American Statistician， 1992， 46（2）：84-88.

[14]李兵. 基于ZigBee的無線嵌入式設備的設計與實現(xiàn)[D].北京：北京郵電大學， 2007.

LI B. Design and implementation of wireless embedded devices based on ZigBee[D]. Beijing： Beijing University of Posts and Telecommunications，2007. （In Chinese）