传感器智能数据确认与故障诊断方法研究

2019-08-26 01:30宋聪
山东工业技术 2019年24期
关键词:支持向量机故障诊断

宋聪

摘 要:故障检测与诊断(Fault Detection and Diagnosis,FDD)技术广泛应用于航空航天、能源、石油化工等生产领域中。FDD 应用于传感器领域的基本术语有:传感器故障诊断(Sensor Fault Diagnosis,SFD)、传感器自确认(Sensor SelfValidation,SEVA)、传感器数据确认(Sensor Data Validation,SDV)和传感器性能监视(Sensor Performance Monitoring,SPM)等。本文主要对传感器数据确认和故障诊断的研究成果进行了总结,希望可以抛砖引玉,对相关领域的研究有所贡献。

关键词:传感器数据确认;故障诊断;支持向量机

DOI:10.16640/j.cnki.37-1222/t.2019.24.072

1 传感器数据确认和故障诊断的研究方法分类

传感器数据确认和故障诊断方法通常按照硬件冗余和解析冗余进行分类,这里根据传感器数据确认和故障诊断基准点的不同,结合本文的研究思路,给出另一种分类方法。通过对近年来发展的方法进行分析,根据开展工作基准点的不同,传感器数据确认和故障诊断可以分为基于单传感器(变量)角的方法和基于系统模型的方法两大类,图1所示为研究方法分类图。

2 基于单传感器的数据确认和故障诊断方法概述

基于单传感器(单变量)的方法从单个传感器的角度考虑数据确认和故障诊断问题,主要包括硬件冗余法、信号分析法和传感器预测器法等。由于自确认传感器所采用的方法和目的都具有一定的特殊性.常见的方法有:硬件冗余方法;信号分析方法;传感器预测器方法;自确认传感器等方法。

3 基于系统模型的数据确认和故障诊断方法概述

3.1 解析模型方法

3.1.1 状态观测器法

作为状态观测器法,龙伯格观测器(Luemberger observers)和卡尔曼滤波器(Kalman filters)被广泛应用于系统的故障检测与分离。状态观测器或滤波器利用测量值及相关可用信息重构系统的状态,当系统没有故障时,测量值与重构估计值之间的残差为零均值且噪声的统计特性(如方差)在容许范围之内;当系统含有故障时,残差信号的均值则不为零或/和噪声将超出设定的阈值。

卡尔曼滤波器法的原理是:被测量与卡尔曼滤波器输出所产生的残差在系统传感器工作正常情况下为零均值白噪声序列,当传感器出现故障后,残差将多出一个增量从而不再具有零均白噪声特性。汪声远根据上述原理,研究了发动机电控系统传感器的故障检测与分离问题。Dalle Molle 等人首先将EKF 应用于非线性化工生产过程的传感器故障检测与诊断中,取得了满意的效果。

为了实现多传感器故障诊断,基于状态观测器(估计器或滤波器)的方法需要为每个传感器都设计一个专用的观测器,以便生成残差空间,将多个故障传感器检测和分离出来。基于状态观测器方法的优点在于:该方法对于传感器故障比较灵敏;可以处理噪声带来的影响;可以处理非线性系统。但是同时也具有如下的一些缺点:设计观测器需要建立系统或过程较为精确的数学模型;当传感器数量比较大时,需要很大的计算量。

3.1.2 等价关系法

等价关系法利用系统数学方程中的两类冗余关系,即直接冗余( DirectRedundancy)和时间冗余(Temporal Redundancy),作为系统或传感器故障检测与诊断的基础。根据这两类关系,可建立系统的标称模型,此模型可以对传感器输出进行一致性检验,利用适当的残差函数产生残差,从而实现系统故障或者传感器故障的检测与分离。Gertler 等学者对基于等价关系的故障检测与分离方法进行了系统的研究,指出观测器与等价关系之间具有密切的联系,并详细讨论了等价关系的有关理论和实现方法。

3.1.3 参数估计法

参数估计法(也可称为基于参数模型的方法)比状态观测器法更适合与非线性系统。参数估计的方法有强跟踪滤波器法、最小二乘法、突变检测法等。

刘志成研究了强跟踪滤波器在过程控制系统传感器故障诊断中的应用。Huang 等学者把突变检测法引入到控制回路性能监视与评估中,目的在于通过对系统(回路)参数的微小变化进行检测来监视回路的工作性能,并作出评估。局部渐进法能非常有效地检测系统参数的小变化,因而有利于早期微小故障的检测。Huang 还结合了总体最小二乘(Total LeastSquares,TLS)模型与突变检测法。Ashish 等人将局部渐进法与输入独立卡尔曼滤波器(Input Independent Kalman Filter,IIKF)相结合,对一类输入未知系统的性能监视进行研究,利用IIKF 输出与实际系统输出所产生的残差作为充分统计量进行监视,从而到监视系统的目的。

3.2 非解析模型方法

3.2.1 人工神经网络模型

人工神经网络(Artificial Neural Network,ANN)是以计算机网络系統模拟生物神经网络的智能计算系统。网络上的每个结点相当于一个神经元,经可以记忆(存储)、处理一定的信息,并与其它结点并行工作。

ANN 由于强大的并行运算和联想能力,因而非常适合于系统的故障诊断与状态识别。由于ANN 具有优良的非线性映射功能,因此也被用作构造系统观测器。基于ANN 观测器的方法是一种借鉴传统观测器原理发展而来的故障诊断的方法。此方法根据借鉴传统观测器模型的思想,利用系统正常运行时获取的数据样本训练神经网络并构建ANN 观测器,训练所得到的ANN 络观测器可用于产生故障残差。

Guo等学者利用神经网络构建了航天飞机主引擎控制系统传感器故障检测与数据恢复系统。此系统利用主引擎中被测变量的数目远高于系统阶数,包含内在冗余关系的特性检验和恢复传感器数据。系统包括两级神经网络,第一级用来识别与其它数据不符的传感器输出,第二级根据其他正常的数据对发生异常的传感器输出数据进行重构。李东辉针对空调系统的系统建模非常复杂,而且在运行过程中存在工况变化及参数漂移等情况,将小波神经网络应用于空调机组传感器故障诊断问题。

3.2.2 支持向量机模型

支持向量机(Support Vector Machines,SVM)是一种新兴的基于统计学习理论的机器学习方法,能够较好的解决小样本学习问题,已成为国际上机器学习领域新的研究热点。近些年来被引入到动态系统故障检测与诊断领域当中,并进行了初步的应用研究。

3.2.3 核主元分析模型

核主元分析方法(Kernel Principal Component Analysis,KPCA)是Scholkopf 等学者提出的一种非线性PCA 方法。KPCA 通过“核技巧”将输入空间映射到高维的特征空间中,从而将原输入空间中的非线性问题转化为特征空间中的线性问题。KPCA 方法的优点在于结构简洁,易于实现,近年来引起了许多学者的关注,并被成功应用于非线性系统的故障检测与诊断。

4 总结

基于单传感器输出序列预测器的方法获得了充分的研究,目前的趋势集中在如何建立精确地预测器模型方面,SVM 的出现为这一问题提供了新的思路解决方法;基于信号处理的方法无需对象数学模型,而且可明显地抑制噪声,在传感器故障诊断领域也获得广泛研究,由于小波包在信号处理方面体现出的良好的时频特性,使之成为近年的研究热点。

基于系统解析模型的方法诊断机理清楚,非解析系统模型,是以观测数据为依据,建立一种诊断模型是通过一定的学习方式,使之区别于系统物理(机理)模型和解析模型。这一类模型主要包括人工神经网络模型、支持向量机模型、主元分析模型以及核主元分析模型等。已经成为一个重要的研究内容。

参考文献:

[1]王冰,刁鸣,宋凯.基于小波奇异熵和相关向量机的氢气传感器故障诊断[J].电机与控制学报,2015(01):96-101.

[2]马天兵,杜菲,熊能,钱星光.柔性机械臂振动控制中的压电传感器故障诊断[J].电子测量与仪器学报,2014(12):1408-1413.

[3]赛吉尔呼,戴盛芳,董爱华,苗清影.基于SVM和RBFN的汽车主动降噪系統传感器故障诊断[J].传感技术学报,2014(04):512-517.

[4]丁硕,常晓恒,巫庆辉,杨友林,胡庆功.基于Elman神经网络的传感器故障诊断研究[J].国外电子测量技术,2014(04):72-75.

[5]王通,高宪文,蔺雪,刘春芳.SWE-IPCA方法在传感器故障诊断中的应用[J].仪器仪表学报,2013(08):1841-1846.

猜你喜欢
支持向量机故障诊断
风力发电机组齿轮箱轴承故障诊断分析
基于人工神经网络的故障诊断专利浅析
浅谈机电一体化设备的故障诊断技术研究
基于EMD和SSAE的滚动轴承故障诊断方法
基于改进支持向量机的船舶纵摇预报模型
基于SVM的烟草销售量预测
动态场景中的视觉目标识别方法分析
论提高装备故障预测准确度的方法途径
基于熵技术的公共事业费最优组合预测
基于支持向量机的金融数据分析研究