基于大数据的控制系统故障诊断方法综述

房汉鸣，税爱社，汪辉，宗福兴，路申易

(1.后勤工程学院 后勤信息与军事物流工程系，重庆401311；2.工程兵学院；3.后勤工程学院 管理科学与工程系)



基于大数据的控制系统故障诊断方法综述

房汉鸣1，税爱社1，汪辉2，宗福兴3，路申易1

(1.后勤工程学院 后勤信息与军事物流工程系，重庆401311；2.工程兵学院；3.后勤工程学院 管理科学与工程系)

大数据技术的发展使得控制系统故障诊断方法进一步丰富和完善，为此在总结大量参考文献的基础上，从控制系统故障诊断方法分类变化角度，简述了其发展历程。通过新的故障诊断方法分类，归纳总结了控制系统故障诊断方法的现状，对比分析了基于解析模型、经验知识和数据驱动方法的优缺点，最后进行了总结展望。

控制系统；故障诊断；数据驱动

引　言

随着计算机的普及、自动化水平的提高，控制系统得到了广泛的应用，与此同时，人们对控制系统的要求也越来越高。当控制系统发生故障时如何快速准确地进行故障诊断成为研究的重点和难点问题。数据驱动的方法在大数据时代备受关注，已成为故障诊断领域研究的热点，控制系统故障诊断方法也因此获得快速发展。本文将从控制系统故障诊断方法发展历程、现状和发展趋势3个方面进行概述。

1　发展历程

故障诊断是指根据系统的相关信息，利用有效手段检测系统是否发生故障，以及发生故障的位置和类型，进而找到故障原因等[1]。广义上的故障诊断包括故障检测、故障分离、故障识别和故障决策4个部分。但是，研究比较多的是故障检测和故障识别两方面内容[2]。

控制系统故障诊断技术开始于1971年Beard在麻省理工学院发表的一篇有关检测滤波器的博士学位论文[3]，以及Mehra与Peschon发表在Automatica上的有关卡尔曼滤波器残差检验的论文[4]，他们首次提出用软件冗余取代硬件冗余的思想，这是基于解析冗余故障诊断技术的雏形。

在此之后，经过国内外专家在各个领域的不断研究，产生了许多故障诊断方法。德国杜伊斯堡大学的P. M. Frank教授作为国际上控制系统故障诊断方面的权威专家，在1990年，将当时社会上基于软件冗余的故障诊断方法分为基于信号处理、基于知识和基于解析模型的3种方法[5]，如图1所示。

随着故障诊断理论的不断发展，许多新的故障诊断方法不断出现，例如独立分量分析、支持向量机方法等基于统计分析的方法就不再属于Frank教授所划分的3类方法中的任何一种。因此，2003年普渡大学的Venkatasubramanian教授又将故障诊断方法分为基于定量模型、基于定性模型以及基于历史数据的3种方法[6-8]，如图2所示。

2　现　状

进入21世纪后，控制系统朝着智能化和集约化的方向发展，过程变量不断增多，系统也存储着大量的历史数据，使得数据挖掘和统计学的方法逐步成为故障诊断领域的研究热点[9]。为了突出基于数据驱动方法的重要性，本文将故障诊断方法分为基于解析模型的方法、基于经验知识的方法以及基于数据驱动的方法[10]，如图3所示。

图1　Frank的故障诊断方法分类

图2　Venkatasubramanian的故障诊断方法分类

图3　本文的故障诊断方法分类

2.1基于解析模型的方法

基于解析模型的方法是故障诊断领域研究最早的一种方法，已经十分成熟，它是利用系统的物理模型对产生的残差进行评价，判断系统是否发生故障。因此，从残差产生的角度，解析模型方法包括状态估计、基于参数估计以及基于等价空间3种方法[11]。

基于状态估计的方法就是通过系统中的变量估计系统的状态，与实际的输出状态进行比对，分析得到的残差序列用于对系统进行故障诊断[12]。基于参数估计的方法根据系统模型中的各参数变化的统计学特征来对系统进行故障诊断[13]。基于等价空间的方法是通过分析系统的模型得到理论上输入、输出变量间的数学关系，然后用实际的输入、输出测量值来检验系统是否满足这种数学关系，用以进行故障诊断[14]。

一方面，3种方法各有优点，状态估计方法对于模型精确的系统，故障诊断效果非常好[15]；参数估计方法避开了对残差序列的计算，使得估计更加方便迅速[16]；等价空间方法可以在没有系统功能部件先验知识的情况下，直接对系统进行故障诊断[17]。另一方面，3种方法都需要精确的模型，但是现在的系统不仅结构复杂，而且内部变量之间关联性非常强，这就给系统精确模型的建立带来了困难。参考文献[18]将状态估计的方法与RBF神经网络方法相结合，将有模型误差的系统转化为便于分析的规范形式进行故障诊断，提高了诊断的准确性和鲁棒性。虽然人们不断寻找模型简化的方法，但是都不能从根本上解决复杂系统多变量给解析模型方法带来的巨大诊断成本的问题。同时，复杂系统中存在各种噪声的干扰，给精确机理模型的建立带来了更大的困难。

2.2基于经验知识的方法

基于经验知识的方法对于系统模型的精确程度要求不高，主要是依赖专家和相关操作人员的经验，利用启发式的知识对系统的故障进行推理判断，以达到故障诊断的目的。现有的基于经验知识的故障-诊断方法一般分为3大类：基于专家系统的方法[19-20]、基于定性仿真的方法[21-22]以及基于模糊逻辑推理的方法[23-24]。

在系统数学模型不能精确建立时，基于经验知识的方法可以根据系统的相关信息，使用定性的方式对系统进行故障诊断，适用范围非常广[25]。但是这些基于知识的方法都存在着一定的局限性，例如参考文献[26]指出专家系统方法可以运用各种专家的经验，对系统的运行状况进行快速地检测，但其过分依赖专家对相关领域知识和经验认识程度，同时该方法的学习能力不是很强。参考文献[27]指出，模糊逻辑推理方法进行故障诊断的前提是构建集合论中的隶属度函数，用于解决故障与征兆间的不确定关系，但是这种隶属度函数的构建与人对系统的认识程度有关，具有相应的主观性。

2.3基于数据驱动的方法

基于数据驱动的方法就是提取系统过程数据中的有用信息，根据这些有用信息来诊断系统的故障。现在的复杂系统具有多变量、强耦合和非线性等特点，使得系统模型的构建非常困难，特别是随着计算机和大数据技术的快速发展，现阶段的系统向着现场总线和集散控制系统(Distributed Control System, DCS)的方向发展[28]，系统内部分布着大量的数字化仪器仪表以及数量众多的传感器，使得大量的过程数据被存储起来。这样基于解析模型和经验知识方法的故障诊断效果就很不明显，而基于数据驱动的方法逐渐得到人们的关注，并成为故障诊断领域的热点[29]。

基于数据驱动的方法一般可以分成以下5类：机器学习法、信息融合法、信号处理法、粗糙集法以及统计分析法[30]。机器学习法的主要思想是利用历史数据去训练学习机器，然后用训练好的机器去诊断系统故障，其主要的代表方法是神经网络方法和支持向量机方法[31]。

信息融合法主要思想是将多源的数据整合起来，通过数据间信息的互补，在一定准则下完成决策，提高故障诊断的可靠性，根据融合信息的不同分为数据层融合方法、特征层融合方法和决策层融合方法[32]。

信号处理法的主要思想是利用信号处理的理论方法和技术手段，对过程数据进行分析，提取其中时域或频域方面的相关信息来诊断系统故障，其代表方法有小波变换方法和谱分析方法[33]。

粗糙集法主要思想是从大量的过程数据中寻找隐藏的知识和分辨系统的某些特点，从而达到故障诊断的目的，它与模糊逻辑推理方法最大的区别是其不需要构建隶属度函数和系统的经验知识[34]。

统计分析法主要思想是在系统过程数据的基础上，通过构建对应的统计量信息，并与统计量的故障阈值进行比较，对系统进行故障诊断，一般分为单变量和多变量统计分析方法[35]。

基于数据驱动的方法避开了控制系统建模的难题，解决了过分依赖经验知识的问题，但该方法也存在一定的局限性，还不能达到故障诊断实时性的要求，并且对于一些未知的故障还不能有效地进行诊断。

结　语

控制系统故障诊断方法的发展趋势具体表现在：一是故障诊断的智能化，现有的故障诊断方法对现有经验知识依赖程度太大，不能很好地对故障自动实施诊断，并且故障诊断系统普适性不强；二是多方法融合的故障诊断方法，面临结构日益复杂、功能逐渐强大的控制系统，仅使用一种方法难以有效地完成故障诊断任务；三是在信息获得、特征提取上仍需进一步的研究，已有的故障诊断方法大多侧重于确认故障元器件及判断故障类型，对于最基础也是最关键的故障信息的提取问题研究不深，如何能够快速、准确、全面地提取特征信息是一个重要发展方向。

[1] 张顺.基于HHT-WNN方法的空调系统传感器故障诊断研究[D].衡阳:南华大学,2013.

[2] Raich A,Cinar A.Statistical process monitoring and disturbance diagnosis in multivariable continuous processes [J].AIChE Journal,1996,42(4):995-1009.

[3] Beard R V.Fault accommodation in linear systems through self-reorganization.Report VT-71-1,Man Vehicle Lab,MIT,Cambridge Massachusetts,1971.

[4] Mehra R K,Peschon J.An innovation approach to fault detection and diagnosis in dynamics[J].Automatica,1971(7):637-640.

[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 Part I:Quantitative model-based methods[J].Computers and Chemical Engineering,2003,27(3):293-311.

[7] Venkatasubramanian V,Rengaswamy R,N S,et al.A review of process fault detection and diagnosis Part II：Qualitative models and search strategies[J].Computers and Chemical Engineering,2003,27(3):313-326.

[8] Venkatasubramanian V,Rengaswamy R,N S,et al.A review of process fault detection and diagnosis Part III:Process history based methods[J].Computers and Chemical Engineering,2003,27(3):327-346.

[9] Chai T,Hou Z,Lewis F L,et al.Guest Editorial Data-Based Control,Modeling and Optimization[J].IEEE Transactions on Neural Networks,2011,22(12):2150-2153.

[10] 李晗,萧德云.基于数据驱动的故障诊断方法综述[J].控制与决策,2011,26(1):1-9.

[11] Timothy Mulumba,Afshin Afshari,Ke Yan,et al.Robust model-based fault diagnosis for handing units[J].Energy and Buildings,2015,86(1):698-707.

[12] Li L L,Zhou D H.Fast and robust fault diagnosis for a class of nonlinear system: Detectability analysis[J].Computers and Chemical Engineering,2004,28(12):2635-2646.

[13] Bagheri F,Khaloozaded H,Abbaszadeh K.Stator fault detection in induction machines by parameter estimation using adaptive Kalman filter[J].Proc of 2007 Mediterranean Conf on Control and Automation,Piscataway:IEEE,2007:1-6.

[14] Janos Gertler.Analytical redundancy methods in fault detection and isolation[C] //Proc of IFAC/IMACS Symposium on Fault Detection，Supervision and Safety for Technical Processes.Baden-Baden:Pergamon Press,1991.

[15] 李青芯,孙宏斌,王晶,等.变电站—调度中心两级分布式状态估计[J].电力系统自动化,2012,36(7):44-50.

[16] 郭洪艳,陈虹,赵海艳,等.汽车行驶状态参数估计研究进展与展望[J].控制理论与应用,2013,30(6):661-672.

[17] 陈莉,钟麦英.奇异模糊系统基于等价空间的故障检测[J].控制与决策,2011,25(2):182-186.

[18] 刘春生,胡寿松.一种基于状态估计的非线性系统的智能故障诊断[J].控制与决策,2005,20(5):557-561.

[19] YANG Zhi-Ling,WANG Bin,DONG Xing-Hui,et al.Expert System of Fault Diagnosis for Gear Box in Wind Turbine[J].System Engineering Procedia，2012(4):189-195.

[20] 孙福安,刘辉峰,段方振.一种雷达故障诊断专家系统设计[J].现代雷达,2014,36(9):74-78.

[21] 邓蕾蕾,张献.基于定性仿真理论的故障与诊断[J].哈尔滨理工大学学报,2012,17(5):79-83.

[22] Mauricio Maestri,Daniel Ziella,Miryan Cassanello,et al.Automatic qualitative trend simulation method for diagnosing faults in industrial processes[J].Computers&Chemical Engineering.2014,64(5):55-62.

[23] 董晓峰,顾煜炯,邱影,等.基于聚类分析与加权模糊逻辑的汽轮机组振动故障诊断方法研究[J].热动力工程,2011,26(3):275-279.

[24] Safdar Abbas Khan,Boubaker Daachi,Karim Djouani.Application of fuzzy inference system to detection of faults in wireless sensor networks[J].Neurocomputing,2012,94(10):111-120.

[25] 朱大奇,于盛林.基于知识的故障诊断方法综述[J].安徽工业大学学报,2002,19(3):197-204.

[26] 卞玉涛,李志华.基于专家系统的故障诊断方法的研究与改进[J].电子设计工程,2013,21(16):83-86.

[27] 甘伟.基于模糊逻辑推理的汽车故障诊断系统的研究与设计[D].成都:电子科技大学,2011.

[28] 李伟,褚伟.基于Profibus现场总线的水泥厂集散控制系统[J].控制工程,2006,13(9):129-133.

[29] 柴天佑.生产制造全流程优化控制与优化理论方法的挑战[J].自动化学报,2009,35(6):641-649.

[30] 周东华,胡艳艳.动态系统的故障诊断技术[J].自动化学报,2009(6):748-758.

[31] 马笑潇.智能故障诊断中的机器学习新理论机器应用研究[D].重庆:重庆大学,2002.

[32] 朱大奇,刘永安.故障诊断的信息融合方法[J].控制与决策,2007,22(12):1321-1328.

[33] 余建青,臧观建,谢世坤,等.旋转机械故障诊断中的信号处理技术综述[J].机床与液压,2011,39(24):107-110.

[34] 谭天乐.基于粗糙集的过程建模、控制与故障诊断[D].杭州:浙江大学,2003.

[35] 陈永禄.基于多元统计方法的田纳西化工过程故障诊断[D].沈阳:东北大学,2011.

房汉鸣(硕士研究生)，主要从事智能检测与控制技术的研究。

Fault Diagnosis Methods of Control System Based on Big Data

Fang Hanming1,Shui Aishe1,Wang Hui2,Zong Fuxing3,Lu Shenyi1

(1.Department of Logistics Information&Logistics Engineering,Logistic Engineering University of PLA,Chongqing 401311,China;2.Engineers Soldiers College;3.Department of Management Science&Engineering,Logistic Engineering University of PLA)

The method of fault diagnosis about the control system has enriched with the technological development of the big data.The development process of fault diagnosis is described from the perspective of classification on the basis of summarizing a large number of literatures.Fault diagnosis methods of the control system are summarized through the new classification.The advantages and disadvantages of the methods based on the analytical model,the experience knowledge and the data driven are analyzed contrastively.Finally,a summary and outlook are made.

control system;fault diagnosis;data driven

TP273.5

A

(责任编辑：薛士然2015-10-15)