故障诊断技术综述及发展趋势

文/卿宇搏 莫学芳 吴上海

随着现代科学技术水平的日益提高，尤其是计算机科学和控制科学的飞速发展，现代控制系统的结构日益复杂，功能越来越完善，规模也越来越庞大，人们对于设备的安全性、可靠性和有效性的要求也越来越高，因此故障诊断技术愈来愈受到人们的重视。

在部队中对系统、设备的安全要求更高，对快速、准确、高效的故障诊断技术的需求更迫切。比如在军队油料储运过程中，油泵房是管道输油中最关键的场所，泵房的运行管理水平的高低直接关系着输油能否安全、平稳、高效、低能耗和部队保障能力的好坏。而目前，油料储运过程在用故障诊断模式主要为人工巡检获取故障征兆，基于专家经验实施人工故障诊断。在油库泵房的具体工作过程中，由于其工作环境恶劣、工作状态复杂，当故障发生时，很难及时准确地判断故障发生的部位及原因。因此，如何将人工诊断模式转变为自动诊断模式，实时获得低误报率和低漏报率的故障检测与诊断结果，是进一步提高油料储运安全与稳定的前提。

1.故障诊断技术发展概述

众所周知，基于解析冗余的故障诊断技术是从二十世纪七十年代初首先在美国发展起来的。1967 年，在美国宇航局和海军研究所的倡导和组织下，成立了美国机械故障预防小组（MFPG），对故障诊断技术分专题进行研究。1971 年，麻省理工学院的Beard发表的博士论文[1]和Mehra和Peschon发表在Automatica上的论文[2]，首先提出了用软件冗余代替硬件冗余、通过系统自组织使系统闭环稳定、通过比较器的输出得到系统故障信息的新思想，标志着控制系统故障诊断技术的开端。

在国内，第一篇故障诊断技术的综述文章[3]由叶银忠等人于1985年在《信息与控制》上发表； 1994 年，清华大学出版社出版了国内第一本动态系统故障诊断技术的学术专著，即周东华等人编写的《控制系统的故障检测与诊断技术》[4]。随后几年又有新的论文发表和学术专著出版。

1990年，国际控制系统故障诊断权威、德国杜伊斯堡大学的P.M.Frank教授将基于软件冗余的故障诊断方法划分为三大类[5]：基于解析模型的方法、基于知识的方法和基于信号处理的方法。基于解析模型的故障诊断方法是最早发展起来的，适用于被控过程能够建立精确的数学模型。基于信号处理的故障方法适用于那些虽然被控对象的精确的解析数学模型很难建立，但是可以得到输入输出信号的被控过程。基于知识的故障诊断方法则适用于被控对象的数学模型和输入输出信号都不能得到的被控过程。

在理论研究的深入和相关领域的发展的同时, 各种新的诊断方法也层出不穷，上述划分方式已不是十分准确，尤其对于工业过程故障诊断领域发展起来的新方法更是如此。如控制图方法、主元分析法(PCA)和部分最小二乘法(PLS)等与统计学有关的方法，归为信号处理的方法并不恰当。此外基于图论的一些方法，把它们归于基于知识的方法也不是很合适。美国Purdue 大学Venkatasubramanian 教授将控制系统故障诊断方法分为：基于定量模型的方法、基于定性模型的方法和基于过程历史数据的方法三大类[6]，突出了基于数据驱动的故障诊断知识获取方式。

2.故障诊断方法及其研究现状

2.1 基于定量模型的方法

基于定量模型的方法是发展最早、研究最系统的一种故障诊断方法。它随着解析冗余思想的提出而形成发展，指导思想是用解析冗余取代硬件冗余，通过比较诊断对象的可测信息和由冗余数学模型表达的系统先验知识，产生残差，并对残差进行分析和处理，获取故障信息，从而实现故障诊断[7]。基于定量模型的故障诊断方法分为基于状态估计的方法和基于参数估计的方法。

（1） 基于状态估计的故障诊断方法。

由于被控过程的状态直接反映系统的运行状态，所以只要估计出系统的状态，并结合适当的模型即可对被控对象进行故障诊断。这种方法首先利用系统的解析模型和可测信息，重构系统的被控过程，构造残差序列，残差序列中包含丰富的故障信息，再对残差进行分析处理，从而实现故障的检测与诊断[8]。残差序列通过设计检测滤波器(观测器)产生。通常可用Luenberger 观测器及卡尔曼滤波器进行状态估计。如Caliskan将Kalman 滤波器用于传感器的故障检测[9]。Keller 则仔细分析了用于故障诊断的Kalman 滤波器的结构，并对其残差进行了解耦，使得能够同时检测多个传感器故障[10]。国内应用kalman滤波器进行故障诊断的方法如文献[11]采用卡尔曼滤波器组，建立航空发动机控制系统传感器故障诊断系统，实现对单个传感器故障的检测、隔离与重构（FDIA），并分析了测量噪声对故障诊断系统性能的影响，为发动机在线传感器故障诊断系统的实现提供了理论依据。基于状态估计的故障诊断方法依然是人们研究的一个热点。状态估计方法，在能获得系统的精确数学模型的情况下，是最简单、有效的故障诊断方法。然而由于实际控制系统大多是非线性系统，且非线性系统对象的数学模型很难建立，所以基于状态估计的故障诊断方法研究主要集中于线性系统，对非线性系统的研究成果还比较少。目前处理非线性系统主要有两种方法，一是将非线性系统整体或局部线性化，二是基于非线性观测器和参数估计的方法。

（2） 基于参数估计的故障诊断方法。

参数估计的故障诊断方法是根据模型参数及相应的物理参数的变化量序列的统计特性来进行故障诊断。其基本思想是根据系统参数及相应的过程参数变化来检测故障。因为被诊断对象的故障可以视为其过程参数的变化，而过程参数的变化又往往导致系统参数的变化。基于参数估计的故障诊断方法主要有滤波器方法和最小二乘法。参数估计方法与状态估计方法相比，前者更利于故障的分离，但计算量偏大。

2.2 基于定性模型的方法

基于定性模型的故障诊断方法不需要系统精确的数学模型。基于定性模型的方法把过程特性的外部表现和人类专家对故障判断和处理的经验，通过抽象化方法直接建立各种过程变量与故障模式之间的定性模型，对系统进行推理，预测系统的定性行为，通过与实际的系统行为比较，检测系统是否发生故障，并诊断系统的故障原因[12]。基于定性模型的方法可以分为因果模型方法和抽象层次方法，主要包括定性过程理论法(QPT)、定性仿真法(QSIM)和知识观测器法、定性观测器法(QOB)、有向图方法(SDG)、故障树方法(fault tree)等。其中，定性仿真方法是基于定性模型的故障诊断方法的重要部分。定性仿真方法于1994 年由Kuipers提出，它依据系统的故障模型进行诊断推理。该方法首先利用定性变量（系统物理参数）和定性微分方程（参数间相互关系）构造约束模型，然后通过约束模型描述和模仿系统的结构，从而得到由约定初始状态出发的系统状态。文献[13]提出了一种全新的类似于基于解析模型的方法中的状态观测器和Kalman滤波器的知识观测器。该知识观测器由定性模型、差异检测器、候选人发生器及相应诊断策略组成，其核心是定性模型。

基于定性模型的故障诊断方法一般比较简单，构造模型容易、可靠性高、解析能力强、鲁棒性好，具有新故障辨识能力等。但是此方法也存在许多不足，如：利用定性方法描述系统，预测较为保守，因此微小的故障往往容易被忽略。

2.3 基于历史数据的方法

基于历史数据的故障诊断方法的研究与应用兴起于上世纪90年代。不同于基于模型的方法需要过程先验知识（不管是定性的还是定量的），基于历史数据的方法仅需要大量有效的过程历史数据。基于过程历史数据的方法以采集的过程数据为基础，通过各种数据处理与分析方法（如多元统计方法、聚类分析、频谱分析、小波分析等）挖掘出数据中隐含的信息，提高监控系统的监控和故障诊断能力。基于历史数据的故障诊断方法又分为定性方法和定量方法。

（1） 定性方法。

定性方法中应用最广的是基于规则的专家系统方法和定性趋势分析方法。

①专家系统 专家系统方法通过系统知识的获取，由推理机根据故障特征诊断出故障。专家系统通常由数据库、推理机和知识库组成。文献[14]利用专家系统工具CLIPS并结合C语言开发传感器故障在线诊断专系统。专家系统的优点是不依赖于系统模型，规则易于增加和删除，但也有不易克服的缺陷，如实际应用中知识获取的“瓶颈”问题，而且对新故障不能诊断。传统的专家系统进行传感器的故障诊断存在局限性。

②定性趋势分析方法 趋势可以反映仿真系统[15]运行状态的重要参数、发展速度与趋势，为故障的早期判定提供一个有效的手段。基于定性趋势分析的故障诊断方法的基本思想是首先利用趋势提取算法，将时间序列转换为基元序列，然后采用相容度检验或基于模糊逻辑的相似度检验，将实时趋势与知识库里的特征趋势相匹配，以检测过程状态或行为，获取故障类型，实时诊断故障。基于定性趋势分析的故障诊断方法具有快速检测诊断故障、解析能力强、鲁棒性好并新故障辨识能力等优点，已被广泛地用于过程状态监测、数据压缩、故障检测和诊断。但由于这种方法是基于数据的，在提取和识别趋势的过程中，计算的时间会限制这种方法的应用。

（2） 定量方法。

基于历史数据的故障诊断定量方法分为统计学方法和非统计学方法。这两类方法都是对实时数据的抽样进行特征提取的方法。统计学方法包括支持向量机（SVM）、主元分析法(PCA)、部分最小二乘法(PLS)等，非统计学方法即常用的神经网络法。

①主元分析法 主元分析法的基本思想是用一组互不相关的新变量代替原变量。这组新变量是原变量的线性组合，不但个数比原变量少，而且尽可能地携带原变量的有用信息。

②神经网络方法 神经网络具有以任意精度逼近任何连续非线性函数的能力，以及从样本学习的能力，已经广泛应用于控制系统元部件、执行器和传感器的故障诊断。针对控制系统的非线性特征，利用神经网络的非线性大规模并行处理方面的能力，以及容错性及学习能力[16]，通过离线学习构建神经网络观测器、神经网络辨识器或神经网络预测器模型，在线将模型输出与系统实际输出比较得到残差，通过对残差进行分析和处理，获取故障信息，从而实现控制对象故障的实时诊断。

③支持向量机 下面将着重介绍支持向量机的故障诊断方法。

3.支持向量机的研究现状

作为支持向量机的奠基者，Vapnik早在60年代就开始了统计学习理论的研究，1971年，Vapnik和Chervonenkis提出了SVM的一个重要理论基础——VC维理论。1982年，Vapnik进一步提出了具有划时代意义的结构风险最小化原理，堪称SVM算法的基石。

1992年，Boser、Guyon和Vapnik，提出了最优边界分类器。

1993年，Cortes和Vapnik进一步讨论了非线性最优边界的分类问题。

1995年，Vapnik完整地提出了SVM分类器。

1997年，Vapnik、Gokowich和Smola详细介绍了基于SVM方法的回归算法和信号处理方法。

Vapnik在1995年出版了专著“The Nature of Statistical Learning Theory”[17]之后，在国际范围内引起了研究学习统计学习理论(Statistical Learning Theory, SLT)和支持向量机(Support Vector Machines, SVM)算法的热潮，各种杂志都纷纷撰文介绍SLT和SVM的内容[18,19]，各个领域的研究人员也纷纷将SLT理论和SVM算法应用到不同的领域，如模式识别[20,21]，回归分析[22]，信号处理[23]等。

和目前比较常用的神经网络诊断方法相比，SVM具有以下显著的优势[17,24]：

①坚强的理论背景使得SVM有很高的推广能力，可以避免过度训练。

②SVM通常有解，可以使用一个标准的算法(二次规划)很快地求得解，而且这个解通常是全局最优解，因此不会出现局部能量最小点的问题。

③SVM不需要事先确定网络拓扑结构，当训练过程结束时自动地确定拓扑结构。

④SVM可被看作信息缩减的一种表达，它可以解决高维问题而且可以避免“维数灾难”。

⑤SVM对小样本机器学习有着良好的性能。

由于SVM算法的潜在的应用价值，吸引了国际上众多的知名学者，近几年对其研究不断深入，出现了许多发展和改进的支持向量算法[25]。SVM机器学习算法很好地执行了统计学习理论的结构风险最小化原则，其应用于故障诊断最大的优势在于它适合于小样本决策，其学习方法的本质在于能够在有限特征信息情况下，最大限度地发掘数据中隐含的分类知识，这一点对于故障诊断而言有很强的实际意义。

支持向量机理论表现出来的良好性能吸引了故障诊断领域研究人员的注意，国内外众多学者对其在智能故障诊断领域的应用进行了研究。如 Poyhonen.S 等人在电子机器故障诊断方面对 SVM 的应用进行了研究[26]；Achmad Widodo 等将 SVM应用于异步电动机故障诊断中[27]；JunFeng Gao 等将 SVM 用于往复式泵故障诊断[28]；肖健华对应用于故障诊断的 SVM 进行了理论研究[29]，对样本不对称情况进行了算法改进[30]并在齿轮故障诊断中进行了应用研究[31]；胡寿松将 SVM 应用于非线性系统故障诊断[32]；重庆大学博士马笑潇对 SVM 在智能故障诊断中的应用[33,34]进行了详细的探讨；西安交通大学博士祝海龙在其博士学位论文[25]中对统计学习理论的工程应用进行了不同领域的研究，涉及信号消噪机械故障诊断和人脸检测，其中故障诊断方面研究了汽车发动机振动故障的自动诊断；张周锁等对基于支持向量机的机械故障诊断方法进行了研究[35]；董明等将其用于大型电力变压器故障诊断模型研究[36]；朱凌云等从数据挖掘的角度运用 SVM 分类算法进行自动缺陷识别的方法研究[37]。

这些针对不同故障对象的诊断研究在理论和仿真方面都取得了基本令人满意的结果，表明了支持向量机算法适合于故障诊断领域。可考虑将支持向量机引入油库泵房过程监控和故障诊断中，以确保油库泵房的正常运行。

4.故障诊断发展趋势

基于定性模型、基于定量模型、基于历史数据的诊断方法各有其优势和特点，但它们各自也存在着局限性。对于实际对象的故障诊断，如用单一的方法，有时难以准确快速地完成对复杂对象的故障诊断。因此，多种诊断方法的结合将多种不同的智能技术结合起来的混合诊断系统，是智能故障诊断研究的一个发展趋势。集成诊断方法能综合各诊断方法的特点，能克服各诊断方法的局限性，从而提高诊断系统的智能性和诊断效率。比如陈淼峰将时频分析的经验模态分解(EMD)和模式识别的支持向量机(SVM)应用于转子系统的故障诊断中[38]；高东等提出一种 PCA 与 SDG（符号有向图）相结合的传感器故障诊断的方法[39]智能故障诊断系统的核心问题是它的学习能力。知识的自动获取一直是智能故障诊断系统研究中的难点。解决知识获取问题的途径是机器学习，即让机器自身具有获取知识的能力，能在实际工作中不断总结成功和失败的经验教训，对知识库中的知识自动进行调整和修改，以丰富和完善系统的知识。机器学习是提高故障诊断系统智能的主要途径，也是衡量一个系统智能程度的主要标志。因此，发展和完善现有的机器学习方法，探索新的学习方法，建立实用的机器学习系统，特别是多种学习方法协同工作的智能诊断系统，将是今后研究的一个重要方向。

[1]Beard R V.Fault accommodation in linear systems throughself-reorganization. ReportVT-71-1,ManVehicleLab, MIT,Cambridge, Massachusetts,1971

[2]Mehra R K,Peschon J.An innovation approach to fault detection anddiagnosis in dynamics.Automatica,1971,7:637～640

[3]叶银忠,潘日芳,蒋慰孙.动态系统的故障检测与诊断方法.信息与控制1985,15(6):27～34

[4]周东华,孙优贤.控制系统的故障检测与诊断技术[m].北京:清华大学出版社,1994

[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: Quantitative model-based methods [J]. Computers and Chemical Engineering,2003,27(3): 293～346

[7]Isermann R. Model-based fault-detection and diagnosis—status and applications [J]. Annual Reviews in Control, 2005, 29(1):71～85

[8]闻新，张洪钥，周露.控制系统的故障诊断和容错控制[M].北京:机械工业出版社，1998.

[9]Caliskan F, Hajiyev C M.Aircraft Sensor Fault Diagnosis Based on Kalman Filter Innovation Sequence [C]. Proceedings of 37th Conference on Decision &Control.Tampa, USA,1998:1313～1314.

[10]Keller J Y. Fault isolation filters design for linear stochastic systems [J]. Automatica, 1999,35:1701～1706.

[11]陈毅, 黄金泉, 张鹏.航空发动机控制系统传感器FDIA系统仿真[J].航空动力学报,2008,23(2): 396～400.

[12]王文辉，周东华. 基于定性和半定性方法的故障检测与诊断技术[J].控制理论与应用,2002,19(5):653～666.

[13]Frank,P.M.,New developments using AI in fault diagnosis[J].Proc.of IFAC Workshop on Artifical Intelligence in Real～time Control,Bled,Slovenia,1995.

[14]蒋东翔,张礼勇.基于知识的传感器故障在线诊断系统[J].电测与仪表, 1993(11): 39～41.

[15]杨明, 张冰, 王子才. 建模与仿真技术发展趋势分析[J].系统仿真学报, 2004, 16(9):1901～1904.

[16]从爽.神经网络、模糊系统及其在运动控制中的应用[M]，北京：中国科学技术大学出版社，2002

[17]Vapnik V.N. The nature of statistical learning theory, New York: Springer～Verlag, 1995

[18]Vapnik V.N. An overview of statistical learning theory [J],IEEE Trans Neural Networks,1999,10(5):988～999

[19]Vidgasagar. A theory of learning and generalization. New York: Springer-Verlag, 1997

[20]Burges C.J.C. Simplified Support Vector Learning.Cambridge, MA:MIT Press, 1999

[21]Scholkopf. B, Mika S, Burges C.J.C. etc. Input space versus feature space in kernel based methods [J]. IEEE Trans Neural Networks, 1999,10(5):1000～1017

[22]Smola A., Scholkopf B. A tutorial on support vector regression. Neuro COLT: Technical Report,19, 1998

[23]Vapnik V.N. Support vector method for function approximation, regression, and signal processing.In:Proc.NIPS’9,San,1997

[24]张学工.关于统计学习理论与支持向量机[J].自动化学报，2000,26(1):32～42

[25]祝海龙.统计学习理论的工程应用[D].[博士学位论文],西安:西安交通大学,2002

[26]Poyhonen S, Negrea M, Arkkio A. etc. Support vector classification for fault diagnostics of an electrical machine[C].Proc. of international conference on signal processing (ICSP’02), Beijing,China, August, 2002,26～30

[27]Achmad Widodo, Bo Suk Yang, Tian Han. Combination of independent component analysis and support vector machines for intelligent faults diagnosis of induction motors [J]. Expert Systems with Applications.2006,233～242

[28]Junfeng Gao, Wengang Shi, Jianxun Tan, etc. Support Vector Machines based on Approach for Fault Diagnosis of Valves in Reciprocating Pumps[C]. Proc of the 2002 IEEE Canadian Conference of Electrical & Computer Engineering.1622～1627

[29]肖健华,樊可清,吴今培.应用于故障诊断的SVM理论研究[J].振动、测试与诊断,2001,21(4):258～262

[30]肖健华,吴今培.样本数目不对称时的SVM模型[J].计算机科学,2003,30(2):165～167

[31]肖健华,吴今培,樊可清.基于支持向量机的齿轮故障诊断方法[J].中国制造业信息化,2003,32(2):107～109

[32]胡寿松,王源.基于支持向量机的非线性系统故障诊断[J].控制与决策,2001,16(5):617～620

[33]马笑潇,黄席樾.基于SVM二叉树分类算法及其在故障诊断中的应用[J].控制与决策,2002,18:272～276

[34]马笑潇,黄席樾,柴毅.基于支持向量机的故障过程趋势预测研究[J].系统仿真学报,2002,14(11):1548～1551

[35]张周锁,李凌均,何正嘉.基于支持向量机的机械故障诊断方法研究[J].西安交通大学学报,2002,36(12):1303～1306

[36]董明,孟源源,徐长响.基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究[J].中国电机工程学报，2003,23(7):88～92

[37]朱凌云,曹长修.基于支持向量机的缺陷识别方法[J].重庆大学学报,.2002,25(6):42～45

[38]陈淼峰. 基于EMD与支持向量机的转子故障诊断方法研究[D].[硕士学位论文],长沙:湖南大学,2005

[39]高 东, 吴重光, 张贝克, 马 昕. 基于 PCA 和 SDG 的传感器故障诊断方法研究及应用[J]. 系统仿真学报, 2011, 23(3):567～573