基于RBR和PCA的2.4米风洞故障诊断系统应用研究

0 引言

2.4米跨省速风洞(以下简称2.4米风洞)是我国大型的气动力试验地面模拟平台，其装备保障能力关系到型号研制任务的质量和进度。随着2.4米风洞试验装备智能化水平和集成度的提高、风洞试验任务的日趋增长，试验装备的维护难度与日俱增，为保障试验装备正常运行所花费的维修费用和时间亦越来越多，目前对参试装备的故障监测和诊断(Fault Detection and Diagnosis，FDD)主要靠人工方式，不仅效率和数据利用率低，且效果受人员素质影响大。

针对FDD的关键技术，国内外也进行了深入的理论和应用研究，如基于规则推理(rule-based reasoning，RBR)和案例推理(case-based reasoning，CBR)的专家系统、模糊推理和神经网络、模式识别等方法[1]。基于RBR的专家系统通过知识规则进行推理，有效地模拟专家的决策过程，在FDD中得到了较为广泛的应用[2-4]。但存在知识获取瓶颈问题，难以处理大量信息，且在复杂特殊问题中存在极大的主观性和偶然性，无法充分利用客观数据所提供的信息。基于CBR的方法，能通过处理相似问题的成功经验来诊断新问题，文献[5-7]结合RBR和CBR的优缺点成功的将基于规则的案例推理(rule-based CBR，RCBR)用于FDD系统。针对不确定和不精确的知识与数据，模糊推理方法提供了一种很好的故障诊断处理方法[8]。而神经网络通过模仿人类神经细胞的结构和功能，利用其记忆、学习能力，在难于建立系统模型的FDD对象上得到了广泛应用。FDD在本质上可归为一类模式识别问题，即依据相关征兆通过特征提取对故障模式进行分类。目前，FDD的模式识别方法，主流研究方向是主元分析(principle component analysis，PCA)，主元分析是多元统计分析中常用的方法之一，它将过程中采集的复杂信息数据压缩集中到少数几个主元特征，使其能更集中的反映原始数据中所包含的变化信息，并有效分离系统信息和噪音[9]。PCA方法存在的不足之处，文献[10]已作了详细的描述，并提出了相对主元分析(relative principle component analysis，RPCA)的方法，消除了量纲差异带来的虚假影响。文献[11]提出了将监测数据投影到物理意义明确的指定模式的指定元分析(designated component analysis，DCA)方法，克服了PCA模式的复合效应。文献[12]针对传统PCA贡献图的缺陷提出了一种改进型的PCA方法。然而，上述方法针对某一特定的对象进行故障诊断时有其各自的优点和不足，很难用单一方法完成FDD的最终目标，必须利用多种方法才能获得满意的诊断结果。

本文根据风洞试验装备故障的特点，提出了一种基于RBR和PCA的FDD方法。对因果关系较强的故障通过知识推理的专家系统；对过程控制和传感器故障，用统计检验的方法判别传感器测量值对主元模型的偏离程度实现故障的诊断。

1 基于RBR的专家系统

通常一个以RBR为基础的专家系统主要包括五个组成部分：知识库、推理机、综合数据库、解释系统以及人机界面，结构如图1所示。专家系统的组成部分中，知识库和推理机是核心部件。知识库是推理机的基础，含有事件型知识和功能型知识，通过对经验知识、实例知识以及数据知识的提取，进一步生成标准事实库格式的规则。推理机是对知识的应用，是解决特定问题的计算机程序，与具体的知识表示有关。综合数据库用于存放原始特征数据、中间信息和诊断结果。解释系统则是对推理过程和规则进行解释。人机界面负责把用户输入和输出的信息转换为系统内规范的表示形式和用户易于理解的外部表示形式。

图1 专家系统结构图

2 PCA故障诊断

2.1 PCA数学基础

PCA基本思想是把高维信息投影到低维子空间，并保留主要信息的方法。PCA最早是由Pearson于1901年提出的。通常一个标称的n×m维数据矩阵X可以分解为[12]：

(1)

式中，矩阵X的列表示m个变量(测量传感器)，行表示n组数据。

(2)

(3)

依据上述分析，一个新的监测数据向量可以被分解为：

(4)

2.2 PCA异常检测

构建的PCA模型可用于传感器数据的统计检验，正常情况下，监测数据向量x的投影更多的是在PCS，而在RS上的投影值非常小，当发生故障时，监测数据在RS上的投影值会极大的增加，因此，定义平方预报误差(square prediction error，SPE)：

(5)

式中,δQ是统计量SPE的控制限，可由下式计算:

(6)

2.3 PCA故障诊断

通过上述方法一旦检测到异常，可通过SPE随时间变化的趋势图来进行故障的诊断。SPE也被称为Q统计量，其第j个元素第i时刻的统计量定义为：

(7)

PCA的故障诊断方法，就是以Q统计量在第i时刻的值表示此时刻传感器测量值对主元模型的偏离程度，如果Qij>δQ,表示传感器故障导致该测点数据异常，则表明控制过程出现了某种异常，常用于过程故障的监测。

3 故障诊断系统设计

系统在线监测已数据表的形式存储在实时数据库中，经数据预处理存入历史数据库并进行在线故障诊断，工作流程如图2所示。将实时数据库中的信号与阀值进行比较判断，确定信号状态，再根据知识库中的判据表进行判断，经推理得到该时刻风洞试验装备的运行状态；同时，将实时数据库中传感器和重点装备的监测值进行标准化处理，计算SPE值，与历史数据计算出的控制限进行比较，判断是否存在故障，若存在故障，通过故障辨识诊断出系统故障。

图2 FDD系统工作流程

3.1 专家系统设计

3.1.1 知识表示

基于产生式规则的知识表示法是目前使用最广的知识表示模式，主要用于因果关系较强的专家知识，风洞试验的流程规范和简单装备故障亦具有较强的逻辑和因果关系，适用于基于产生式规则的知识表示。

3.1.2 知识分析

在构建基于规则表示的知识库前，需对风洞试验流程和装备故障诊断知识进行汇总和分析。在风洞试验流程中装备就绪情况、阀门位置及开关情况、压力波动情况具有严格的逻辑关系，根据上述逻辑关系，可自动判别各系统是否准备就绪、联锁系统是否正常等；其次现场装备故障具有明显的因果表现。用专家知识表示的自然语言故障诊断方法如表1所示。

表1 知识表示

b.装备故障诊断专家知识

3.1.3 知识库构建

专家知识库的构建是以产生式规则表的形式来表示，产生式规则表的逻辑表示形式为：

(规则名(IF<条件1> <条件2>…<条件n>)(THEN<结论1> <结论2>…<结论m>))

其中<条件>为故障判据、<结论>为故障原因和故障处理措施。

为方便规则的管理，采用面向对象的编程技术将数据库封装，在知识库管理模块的协调控制下，从判据库中选取响应知识构成规则的前件，从原因库和处理库中选取响应知识构成规则的后件，形成一条完整的故障规则。

例如表1.a中的知识表示对应的诊断规则为，当监测到‘联机’、‘准备开车’、‘开车’状态标志后，判断各项判据是否成立，若判据成立，则进行后续流程，产生式规则表为：

(Rule1(IFandand<1#OILSYS_P≥15Mp>and<2#OILSYS_P≥15Mp>and<4#OILSYS_P≥15Mp>and<_MECH==1>and…)(THEN))；

(Rule2…)；(Rule3…)；…)。

在上述各个规则中，Rule1，Rule2，Rule3为规则名，IF为规则的前件，THEN为规则的后件。

3.1.4 推理机设计

本系统在进行推理机设计时，采用正向推理方式，正向推理也称为实时驱动方式，系统将所要诊断的在线监测数据与知识库中规则的前件条件进行匹配，若匹配成功，则将该知识库的结论作为中间结果，继续与知识库中的规则进行匹配，直到得出风洞试验工况和装备故障的诊断结果。

3.2 PCA故障诊断系统设计

在风洞中，应用了大量的位置、压力及角度控制系统，如引射压力控制系统，总压控制系统，静压控制系统以及模型姿态控制系统等，在本文中，以引射压力控制系统来讨论风洞过程控制的故障诊断。引射压力控制原理如图3所示，在引射压力控制系统中，通过位置伺服系统调节主调压阀的开度，从而实现引射压力的闭环控制。假定，压力测量管路堵塞、轻微漏气或是传感器异常，会导致测量值P1sup.m低于实际值。在闭环控制作用下，为保证引射压力的精确控制，压力控制器输出值Ssup.set变大，使主调压阀开度增加用于补偿压力扰动，则会导致伺服阀流量SW，阀门开度Ssup等变量随之发生变化，至到引射压力P1sup.m保持在设定值P1sup.set。而实际上引射压力真值P1sup始终高于设定值，于是测量故障会蔓延至Ssup.set，SW，Ssup，根据它可以找出引起异常波动的几个可能性最大的量，确定故障的确切原因Fplsup，从SPE图中就会准确的分离出故障。除此之外，其他传感器测量故障Fssup,FSW,Fhy，FT也可以通过SPE图诊断。

图3 引射压力控制系统

4 系统实现

系统将采集的在线监测数据通过基于TCP/IP的OPC和MODBUS协议上传至数据分析层。数据分析层主要完成系统的状态监测与故障诊断，状态监测由WonderWare组态软件实现，故障诊断软件及其脚本语言采用C#编写，数据库是SQLServer。

4.1 数据采集

2.4米风洞试验装备和过程控制中，在线监测数据包括流场控制参数、模型振动参数、现场试验装备状态参数等。依据控制系统的硬件结构和拓扑形式，选择OPC、内存反射卡和数据采集卡等多种数据采集方式，全面采集各状态信息，其数据采集原理如图4所示。

图4 数据采集系统原理图

4.2 软件实现

软件系统由状态监测和故障诊断软件组成，软件架构如图5所示。状态监测软件主要实现监测数据的接收、处理、显示与存储，同时将历史数据分发给故障诊断模块，并将故障诊断结果、预测结果、试验运行状态予以显示。故障诊断软件实现在线监测数据的故障诊断、定位，并将故障诊断结论实时存储于历史数据库。

图5 软件架构及流程

5 结束语

本文针对2.4米风洞自主式维修保障系统建设项目中的故障诊断，设计了基于RBR和PCA的FDD系统，通过PCA方法进行特征提取并实现故障诊断，有效弥补了RBR方式下数据利用率不高的缺陷。利用WonderWare组态软件、C#软件以及SQLServer数据库开发了状态监测与诊断系统软件，该系统能根据在线监测数据准确诊断出风洞运行状态和装备故障，有利于岗位人员快速发现装备故障并采取相对应的解决措施，减少了工作的盲目性。

[1] 张金玉, 张炜. 装备智能故障诊断与预测[M]. 北京：国防工业出版社, 2013.

[2]JeffreySchein,StevenT.Bushby,NataschaS.Castro，JohnM.House.Arule-basedfaultdetectionmethodforairhandlingunit[J].EenrgyandBuildings, 2006,38:1485-1492.

[3] 周汝胜, 焦宗夏, 王少萍, 等. 基于专家系统的导弹发射车液压系统故障诊断[J]. 航空学报, 2008,29(1):197-202.

[4]CenNan,FaisalKhan,M.TariqIqbal.Real-timefaultdiagnosisusingknowledge-basedexpertsystem[J].ProcessSafetyandEnvironmentalProtection, 2008(86):55-71.

[5]TungYuanhsin,TsengShianshyong,WengJuifeng,etal.Arule-basedCBRapproachforexpertfindingandproblemdiagnosis[J].ExpertSystemswithApplications, 2010(37):2427-2438.

[6] 张代胜, 王悦, 陈朝阳. 融合实例和规则推理的车辆故障诊断专家系统[J]. 机械工程学报, 2002,38(7):91-95.

[7] 潘伟, 王汉功. 基于规则和实例混合推理的故障诊断专家系统[J]. 振动工程学报, 2004,17(S):601-604.

[8]WuJianda,WangYuhsuan,BaiMingsianR.Developmentofanexpertsystemforfaultdiagnosisinscooterengineplatformusingfuzzy-logicinference[J].ExpertSystemswithApplications, 2007(33):1063-1075.

[9]DuZhimin,JinXinqiao,YangYunyu.Faultdiagnosisfortemperature,flowrateandpressuresensorsinVAVsystemsusingwaveletneuralnetwork[J].AppliedEnergy, 2009(86):1624-1631.

[10] 文成林, 胡静, 王天真, 等. 相对主元分析及其在数据压缩和故障诊断中的应用研究[J]. 自动化学报学报, 2008,34(9):1128-1139.

[11] 周福娜, 文成林, 汤天浩, 等. 基于指定元分析的多故障诊断方法[J]. 自动化学报学报, 2009,35(7):971-982.

[12]DuZM,JinXQ,WuLZ.FaultdetectionanddiagnosisbasedonimprovedPCAwithJAAmethodinVAVsystems[J].BuildingandEnvironment, 2007(42):3221-3232.

Application Research on FDD System Based on RBR and PCA in 2.4 m WT

Yu Wenshan1,2,Yi Fan1,Man Yuanchen3,Ma Yongyi1

(1.China Aerodynamics Research and Development Center, Mianyang 621000, China;2.College of Mechanics and Automation, National University of Defense Technology, Changsha 410073, China;3.Beijing Aerospace Measurement and Control Technology Co., Ltd, Beijing 100037, China)

In this work, the parallel Fault Detection and Diagnosis(FDD) system based on Rule-Based Reasoning (RBR) and Principal Component Analysis(PCA) was designed to check the fault of equipments in the 2.4 m Wind Tunnel(WT). The RBR method is used to deal with the single equipment fault which involves experiment processes and on-off state information. And the fault from controlling process and important sensor were checked by Square Prediction Error(SPE) basing on the PCA model. The result shows that the system can deal with the fault in time and has a good consistency with the actual experiments. In addition, it also exhibits a strong pertinence for fault from the process.

wind tunnel; rule-based reasoning; principal component analysis; fault detection and diagnosis

2015-11-16；

2016-01-28。

郁文山(1980-)，男，甘肃永登人，博士研究生，工程师，主要从事风洞控制和机电液伺服系统方向的研究。

1671-4598(2016)07-0031-04

10.16526/j.cnki.11-4762/tp.2016.07.009

TP277 文献标识码：A