0 引言

    對(duì)于大型的復(fù)雜控制系統(tǒng)，如果發(fā)生故障將嚴(yán)重影響到人的生命和財(cái)產(chǎn)安全，帶來(lái)不可估量的損失。因此，為了保障實(shí)際系統(tǒng)的可靠性、可維修性和安全性，迫切需要建立一個(gè)監(jiān)控系統(tǒng)來(lái)監(jiān)督整個(gè)控制系統(tǒng)的運(yùn)行狀態(tài)，實(shí)時(shí)檢測(cè)系統(tǒng)變化和故障信息，采取有效措施，防止發(fā)生災(zāi)難性事故。故障檢測(cè)與診斷(FDD)技術(shù)就是為了滿足“監(jiān)控系統(tǒng)”的需要而發(fā)展起來(lái)的。

    FDD是一門(mén)應(yīng)用型的邊緣學(xué)科，涉及控制理論、計(jì)算機(jī)工程、信號(hào)處理、人工智能等相關(guān)學(xué)科。美國(guó)麻省理工學(xué)院的Beard于1971年首先提出用解析冗余代替硬件冗余，利用系統(tǒng)的自組織使閉環(huán)系統(tǒng)穩(wěn)定，通過(guò)比較觀測(cè)器的輸出得到系統(tǒng)故障信息的新思想，標(biāo)志著FDD技術(shù)的誕生。Willsky于1976年在Automatica發(fā)表第一篇FDD的綜述論文心]。1978年Himmelblau首次出版FDD方面的學(xué)術(shù)專(zhuān)著口]。我國(guó)關(guān)于FDD的研究始于20世紀(jì)80年代。1985年葉銀忠等發(fā)表FDD的第一篇評(píng)述文章，1994年周東華等出版國(guó)內(nèi)第一部關(guān)于故障檢測(cè)與診斷的學(xué)術(shù)著作口]。從1991年起，IFAC每三年召開(kāi)FDD的專(zhuān)題會(huì)議，其它一些重要學(xué)術(shù)會(huì)議如CDC、ACC等也都設(shè)有FDD專(zhuān)題。故障診斷已成為自控界的重要研究方向之一，取得了很多研究成果睜。

    近年來(lái)，F(xiàn)DD在一些新領(lǐng)域不斷取得研究成果。本文擬對(duì)FDD的三類(lèi)基本方法以及最近得到發(fā)展的信息融合方法、多Agent方法、魯棒故障檢測(cè)、網(wǎng)絡(luò)控制系統(tǒng)的故障診斷等的研究現(xiàn)狀和存在問(wèn)題進(jìn)行綜述。

1 基于解析模型的方法

    基于解析模型的方法是研究最早、最深入、最成熟的方法，可分為狀態(tài)估計(jì)方法、等價(jià)空間方法和參數(shù)估計(jì)方法。盡管這三種方法是獨(dú)立發(fā)展起來(lái)的，但它們之間存在一定的聯(lián)系。文獻(xiàn)討論了它們之問(wèn)的關(guān)系，其中基于觀測(cè)器的狀態(tài)估計(jì)法和等價(jià)空間法是等價(jià)的。由于設(shè)計(jì)非線性系統(tǒng)的狀態(tài)觀測(cè)器比較困難，因此參數(shù)估計(jì)法比狀態(tài)估計(jì)法更適合于非線性系統(tǒng)，而一般的等價(jià)空間法僅適用于線性系統(tǒng)。

    1.1 狀態(tài)估計(jì)方法

    基于狀態(tài)估計(jì)的故障診斷方法發(fā)展至今已形成兩種基本方法：(1)Beard提出的故障檢測(cè)濾波器的方法；(2)Menra和Peshon提出的基于Kalman濾波器的方法、Dlark提出的構(gòu)造Kalman濾波器陣列或Luenberger觀測(cè)器陣列的方法。這類(lèi)方法實(shí)現(xiàn)故障診斷一般分為兩步：一是形成殘差，二是從殘差中提取故障特征進(jìn)而實(shí)現(xiàn)故障診斷。目前對(duì)于狀態(tài)估計(jì)方法的研究主要集中在提高檢測(cè)系統(tǒng)對(duì)于建模誤差、擾動(dòng)、噪聲等未知輸入的魯棒性及系統(tǒng)對(duì)早期故障的靈敏度。近年來(lái)出現(xiàn)了許多基于狀態(tài)估計(jì)的故障診斷新方法，如Luenberger魯棒故障檢測(cè)觀測(cè)器方法、線性矩陣不等式(1inear matrix inequalities，LMI)方法、H2估計(jì)、數(shù)據(jù)驅(qū)動(dòng)Kalman濾波器、滑模觀測(cè)器法、時(shí)頻分析(time-fre—quency analysis，TFA)和自適應(yīng)觀測(cè)器相結(jié)合的方法|16、魯棒故障檢測(cè)與反饋控制的最優(yōu)集成設(shè)計(jì)方法、魯棒l，估計(jì)方法”、基于小波分析、模糊模型的故障檢測(cè)與分離(faultdetection and isolation，F(xiàn)DI)方法、基于多模型(multiple—model，MM)估計(jì)的混合估計(jì)方法心¨等。

    1.2 等價(jià)空間法

    傳統(tǒng)的等價(jià)空問(wèn)法在進(jìn)行故障診斷時(shí)存在問(wèn)題：低階等價(jià)向量在線實(shí)現(xiàn)比較簡(jiǎn)單但性能不好，而高階等價(jià)向量能帶來(lái)比較好的性能卻需較大的計(jì)算量，且產(chǎn)生較高的漏報(bào)率。針對(duì)傳統(tǒng)等價(jià)空問(wèn)法的缺陷，一些學(xué)者提出改進(jìn)方法。文獻(xiàn)提出在等價(jià)空間法中引入窄帶IIR濾波器，在提高系統(tǒng)檢測(cè)性能的同時(shí)，幾乎不增加計(jì)算量，但會(huì)產(chǎn)生高的漏報(bào)率。在低階等價(jià)向量中引進(jìn)小波變換能產(chǎn)生較好的檢測(cè)性能，卻增加了計(jì)算量，并使殘差產(chǎn)生器在線實(shí)現(xiàn)復(fù)雜化。為此，文獻(xiàn)通過(guò)在殘差產(chǎn)生器中引入平穩(wěn)小波變換(stationary wavelet transform，SWT)，能降低計(jì)算量，且漏報(bào)率較低。利用神經(jīng)網(wǎng)絡(luò)對(duì)等價(jià)向量進(jìn)行補(bǔ)償，可提高系統(tǒng)對(duì)小幅值故障檢測(cè)與分離的準(zhǔn)確性�；�于時(shí)間冗余的等價(jià)空間法不易實(shí)現(xiàn)故障分離，麗某個(gè)故障在固定時(shí)刻位于等價(jià)空間的固定方向，通過(guò)選取最優(yōu)轉(zhuǎn)換矩陣，將此固定方向與其它因素在等價(jià)空間中對(duì)應(yīng)的方向相分離，可分離故障瞳。

    1.3 參數(shù)估計(jì)方法

    參數(shù)估計(jì)法是根據(jù)模型參數(shù)及相應(yīng)的物理參數(shù)變化的統(tǒng)計(jì)特性來(lái)檢測(cè)和分離故障。由于物理參數(shù)具有明確的物理含義，可由物理參數(shù)的異常得到故障定位和預(yù)估方面的明確信息。與狀態(tài)估計(jì)法相比，參數(shù)估計(jì)法更利于故障的分離。隨著研究的進(jìn)展，基于參數(shù)估計(jì)的故障診斷方法又有一些新成果。例如：基于模糊推理的參數(shù)估計(jì)方法心、基于神經(jīng)網(wǎng)絡(luò)的參數(shù)估計(jì)方法，基于圖像信號(hào)產(chǎn)生器的參數(shù)估計(jì)方法劉等，這些方法都提高了故障檢測(cè)和分離性能。

2 基于信號(hào)處理的方法

    基于信號(hào)處理的方法是利用信號(hào)模型，如相關(guān)函數(shù)、高階統(tǒng)計(jì)量、頻譜、自回歸滑動(dòng)平均和小波變換等，直接分析可測(cè)信號(hào)，提取方差、幅值、頻率等信息來(lái)進(jìn)行故障檢測(cè)與診斷。這種方法適用于線性系統(tǒng)和非線性系統(tǒng)。但是，避開(kāi)對(duì)象數(shù)學(xué)模型的優(yōu)點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單、實(shí)時(shí)性較好；缺點(diǎn)則是對(duì)潛在的早期故障的診斷顯得不足，多用于故障檢測(cè)，對(duì)故障分離和診斷的效果不很理想，若與其他方法結(jié)合可望提高故障診斷性能。

    2.1 基于小波變換的方法

    小波變換是一種信號(hào)的時(shí)間一尺度分析方法，具有多分辨率分析的特點(diǎn)。在時(shí)頻域都具有表征信號(hào)局部特征的能力．適合于非平穩(wěn)信號(hào)的奇異性分析。利用連續(xù)小波變換可以區(qū)分信號(hào)突變和噪聲，而利用離散小波變換可檢測(cè)隨機(jī)信號(hào)頻率結(jié)構(gòu)的變化。

    小波變換對(duì)噪聲的抑制能力較強(qiáng)．具有較高的靈敏度，運(yùn)算量也不大，是一種很有前途的方法。近年來(lái)，利用小波變換的優(yōu)點(diǎn)，將小波變換與數(shù)學(xué)模型、神經(jīng)網(wǎng)絡(luò)、專(zhuān)家系統(tǒng)、模糊理論、矩陣奇異值等方法相結(jié)合，提出了一些新的FDD方法，進(jìn)一步提高了動(dòng)態(tài)系統(tǒng)的故障檢測(cè)與診斷性能，在實(shí)際工程應(yīng)用中獲得成功。

    2.2 主元分析法

    主元分析法(principal component analysis，PCA)是利用統(tǒng)計(jì)原理來(lái)建立描述系統(tǒng)的低維模型，能有效地壓縮數(shù)據(jù)和提取故障信息，特別適合于大型的穩(wěn)態(tài)動(dòng)態(tài)系統(tǒng)進(jìn)行監(jiān)控，且能實(shí)現(xiàn)在線實(shí)時(shí)診斷。

    目前PCA與其它理論相結(jié)合的故障診斷方法，正處于快速發(fā)展之中，如將PCA與小波分析相結(jié)合，將其推廣到多尺度情形，更大地壓縮數(shù)據(jù)矩陣；將非線性PCA方法與徑向基函數(shù)(radial basic function，RBF)神經(jīng)元網(wǎng)絡(luò)相結(jié)合進(jìn)行故障檢測(cè)時(shí)，能獲得更好的故障檢測(cè)靈敏度和故障檢測(cè)精度。PCA方法和基于過(guò)程動(dòng)態(tài)模型的故障診斷方法相結(jié)合，可對(duì)一些復(fù)雜故障和過(guò)程內(nèi)部故障進(jìn)行準(zhǔn)確診斷，將是今后進(jìn)一步研究的方向。

3 基于知識(shí)的方法

    人工智能及計(jì)算機(jī)技術(shù)的飛速發(fā)展，為故障診斷技術(shù)提供了新的理論基礎(chǔ)，產(chǎn)生了基于知識(shí)的診斷方法。，此方法引入診斷對(duì)象的許多信息，特別是可以充分利用專(zhuān)家診斷知識(shí)，而且它具有“智能“特性，是一種很有生命力的方法，尤其是在非線性系統(tǒng)領(lǐng)域。基于知識(shí)的方法主要可分為：神經(jīng)網(wǎng)絡(luò)方法、模糊數(shù)學(xué)方法、定性模型的方法、專(zhuān)家系統(tǒng)方法、故障樹(shù)分析方法、信息融合方法和基于Agent的方法等。

    3.1 基于神經(jīng)網(wǎng)絡(luò)的方法

    神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域的應(yīng)用研究主要集中在兩個(gè)方面：一是從模式識(shí)別的角度．應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器進(jìn)行故障診斷；二是將神經(jīng)網(wǎng)絡(luò)與其他診斷方法相結(jié)合而形成的復(fù)合故障診斷方法。人工神經(jīng)元網(wǎng)絡(luò)用于故障診斷主要有四種方式(1)用神經(jīng)元網(wǎng)絡(luò)產(chǎn)生殘差；(2)用神經(jīng)元網(wǎng)絡(luò)評(píng)價(jià)殘差；(3)用神經(jīng)元網(wǎng)絡(luò)做進(jìn)一步診斷；(4)用神經(jīng)元網(wǎng)絡(luò)作自適應(yīng)誤差補(bǔ)償。

    把模糊數(shù)學(xué)與神經(jīng)網(wǎng)絡(luò)相結(jié)合，可以在神經(jīng)網(wǎng)絡(luò)框架下引入定性知識(shí)，能得到更好的診斷性能，具有巨大的應(yīng)用前景。聯(lián)合多個(gè)神經(jīng)網(wǎng)絡(luò)的診斷方法能提高故障診斷的可靠性。因?yàn)樯窠?jīng)網(wǎng)絡(luò)存在諸如：訓(xùn)練樣本獲取困難、網(wǎng)絡(luò)權(quán)值表達(dá)方式難以理解、忽視了領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)等問(wèn)題，所以通過(guò)與基于模型的方法、專(zhuān)家系統(tǒng)、信息融合等理論相結(jié)合，可以彌補(bǔ)其不足。

    3.2 基于模糊數(shù)學(xué)的方法

    模糊故障診斷方法便于處理定性知識(shí)，適用于測(cè)量值較少且無(wú)法獲得精確模型的系統(tǒng)。其優(yōu)點(diǎn)是：計(jì)算簡(jiǎn)單、應(yīng)用方便、結(jié)論直觀、減少許多不確定因素給診斷工作帶來(lái)的困難；缺點(diǎn)是：構(gòu)造隸屬函數(shù)有一定的主觀因素，而且如果特征元素的選擇不合理，將影響診斷結(jié)果，甚至造成診斷失敗。基于模糊數(shù)學(xué)的方法主要有：(1)基于模糊模型的故障診斷方法；(2)基于自適應(yīng)模糊閾值的殘差評(píng)價(jià)方法；(3)基于模糊聚類(lèi)的殘差評(píng)價(jià)方法；(4)基于模糊邏輯的殘差評(píng)價(jià)方法；(5)基于模糊模式識(shí)別的故障診斷方法。單純利用模糊推理進(jìn)行故障診斷具有一定的局限性，一般利用復(fù)合式方法來(lái)進(jìn)行故障診斷，如模糊故障樹(shù)法、模糊專(zhuān)家系統(tǒng)法、模糊神經(jīng)網(wǎng)絡(luò)法口、模糊小波神經(jīng)網(wǎng)絡(luò)法、模糊信息融合法n玎等，這些方法的診斷性能得到明顯提高。

    3.3 基于定性的方法

    在實(shí)際應(yīng)用中，基于定量信息的故障診斷方法由于種種原因無(wú)法實(shí)現(xiàn)，比如：故障不能用解析模型合理的描述；系統(tǒng)的先驗(yàn)知識(shí)不確定、不完備；系統(tǒng)知識(shí)是定性知識(shí)；系統(tǒng)本身太復(fù)雜，只能采用近似模型來(lái)描述等。為了解決這些問(wèn)題，許多學(xué)者采用定性模型的方法來(lái)進(jìn)行故障診斷，主要的方法有：(1)基于定性仿真理論的診斷技術(shù)；(2)基于定性過(guò)程理論的診斷技術(shù)；(3)基于帶符號(hào)有向圖的診斷技術(shù)；(4)基于定性觀測(cè)器的診斷技術(shù)。利用定性方法進(jìn)行故障診斷可以克服定量方法的魯棒性和頻響特性相對(duì)較差的缺陷，提高診斷精確度，減少誤報(bào)，但定性方法也有其自身的局限性。為此提出了將定性方法與定量方法相結(jié)合的故障診斷新方法，如基于定性推理與定量仿真集成的故障診斷推理方法、隨機(jī)定性推理方法臥陽(yáng)等，這些方法可以彌補(bǔ)各自的不足，實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)。

    3.4 基于專(zhuān)家系統(tǒng)的診斷方法

    傳統(tǒng)的專(zhuān)家系統(tǒng)故障診斷方法存在著一些自身難以解決的問(wèn)題，如：知識(shí)獲取的“瓶頸”問(wèn)題、邏輯推理的“組合爆炸”；在自適應(yīng)、學(xué)習(xí)能力及實(shí)時(shí)性方面也有局限性。為克服這些不足，有人提出～些新的專(zhuān)家系統(tǒng)故障診斷方法�；�于Petri網(wǎng)建立對(duì)象行為模型，結(jié)合專(zhuān)家系統(tǒng)的優(yōu)點(diǎn)，對(duì)電力系統(tǒng)輸電網(wǎng)絡(luò)故障進(jìn)行診斷。該方法不僅有效、準(zhǔn)確、通用，還提高了故障診斷速度。文獻(xiàn)把遺傳算法與專(zhuān)家系統(tǒng)相結(jié)合進(jìn)行故障診斷，提高了系統(tǒng)抑制噪聲的能力，同時(shí)較好地解決了推理速度和知識(shí)獲取困難的問(wèn)題。同樣，在專(zhuān)家系統(tǒng)中引入故障樹(shù)，可以避免建立繁瑣而龐大的規(guī)則庫(kù)�；�于人工神經(jīng)網(wǎng)絡(luò)的專(zhuān)家系統(tǒng)故障診斷方法和基于模糊數(shù)學(xué)的專(zhuān)家系統(tǒng)診斷方法，都能提高故障診斷效率，且有利于知識(shí)的升級(jí)、更新與維護(hù)。

    3.5 故障樹(shù)分析方法

    利用故障樹(shù)分析法(fault tree analysis，F(xiàn)TA)進(jìn)行故障診斷兼顧了基于規(guī)則和基于定量模型的優(yōu)點(diǎn)，為復(fù)雜系統(tǒng)的故障診斷提供了一種有效途徑，是實(shí)際系統(tǒng)中常用的比較有效的診斷方法，近年來(lái)又出現(xiàn)一些新的進(jìn)展。在經(jīng)典故障樹(shù)重要度分析方法的基礎(chǔ)上引入模糊集合理論，可解決可靠性工程中因數(shù)據(jù)不充分而帶來(lái)的模糊性，有效彌補(bǔ)了經(jīng)典概率方法的不足。文獻(xiàn)通過(guò)在給定故障樹(shù)頂事件和底事件概率描述的基礎(chǔ)上，計(jì)算故障樹(shù)最小割集的重要度，并在量級(jí)上進(jìn)行分析比較，為系統(tǒng)的故障源搜尋提供具體有效的測(cè)試步驟，適用于大型復(fù)雜系統(tǒng)的故障診斷，在工程上有廣泛的應(yīng)用前景。Petri網(wǎng)町用于表達(dá)系統(tǒng)邏輯關(guān)系，完成知識(shí)表示和診斷推理，文獻(xiàn)提出把Petri網(wǎng)與故障樹(shù)分析相結(jié)合的故障診斷方法，滿足了實(shí)際復(fù)雜系統(tǒng)的需要，提高了診斷性能。

    3.6 故障診斷的信息融合方法

    基于信息融合原理的智能故障診斷方法，是通過(guò)多傳感器獲取設(shè)備狀態(tài)的特征信號(hào)來(lái)提取征兆，并進(jìn)行多層面的關(guān)聯(lián)組合、數(shù)據(jù)選擇，從而獲得對(duì)診斷對(duì)象故障信息更可靠的認(rèn)識(shí)和潛在故障發(fā)展趨勢(shì)的態(tài)勢(shì)評(píng)估。信息融合用于故障診斷的起因有三個(gè)方面：一是多傳感器形成不同通道的信號(hào)；二是同一信號(hào)形成了不同的特征信息；三是不同診斷途徑得出了有偏差的診斷結(jié)論。融合診斷的最終目標(biāo)是綜合利用各種信息，提高診斷準(zhǔn)確率。

    信息融合故障診斷方法主要包括：Bayes證據(jù)理論、模糊融合、D-S證據(jù)推理、神經(jīng)網(wǎng)絡(luò)信息融合等。目前又提出了許多復(fù)合診斷方法，如模糊神經(jīng)網(wǎng)絡(luò)信息融合方法、集成小波神經(jīng)網(wǎng)絡(luò)信息融合方法、基于多級(jí)支持向量機(jī)(multi-class support vector machines，MSVMs)的集中和分布式數(shù)據(jù)融合方法、神經(jīng)網(wǎng)絡(luò)與證據(jù)推理相結(jié)合的信息融合方法哺?jìng)兊取?/p>

    3.7 基于Agent的故障診斷

    診斷Agent是一種嵌套式多Agent組織模型，它將多傳感器信息融合算法引入Agent設(shè)計(jì)中，設(shè)計(jì)出一組分工協(xié)作的多Agent系統(tǒng)(multi-agent system，MAS)。該方法不僅能提高診斷準(zhǔn)確率，而且增強(qiáng)環(huán)境的適應(yīng)性，使系統(tǒng)在運(yùn)行過(guò)程中發(fā)現(xiàn)和挖掘知識(shí)，提高學(xué)習(xí)能力，實(shí)現(xiàn)診斷系統(tǒng)性能的自我完善、發(fā)展和提高，很適合大規(guī)模診斷問(wèn)題的智能求解。

    一般Agent故障診斷系統(tǒng)需要解決的關(guān)鍵問(wèn)題有：

    (1)故障信號(hào)的檢測(cè)，特征信息的提��；(2)故障診斷Agent的刻畫(huà)；(3)管理控制Agent及數(shù)據(jù)挖掘Agent的i殳計(jì)；(4)各Agent之問(wèn)的通信與協(xié)作。目前主要的診斷方法有：基于模糊數(shù)學(xué)融合診斷Agent，基于模糊神經(jīng)網(wǎng)絡(luò)融合Agent[38l、基于D-S證據(jù)理論的融合Agent、基于案例推理(case-based reasoning，CBR)的多Agent方法等。對(duì)于一個(gè)動(dòng)態(tài)分布的、實(shí)時(shí)的和不確定的復(fù)雜系統(tǒng)，MAS在故障的分辨、診斷和控制方面表現(xiàn)出了極大的優(yōu)勢(shì)：它通過(guò)與所處環(huán)境、人以及個(gè)體之間進(jìn)行相互協(xié)作表現(xiàn)出一定的社會(huì)智能，能解決一些傳統(tǒng)人工智能(artificial intelligence，AI)無(wú)法解決的大規(guī)模復(fù)雜的問(wèn)題，現(xiàn)已成為AI領(lǐng)域研究的主流方向。

4 故障檢測(cè)與診斷的研究熱點(diǎn)

    4.1 魯棒FDD

    由于實(shí)際系統(tǒng)總存在噪聲、擾動(dòng)、模型參數(shù)攝動(dòng)及建模誤差等不確定性因素，因此研究不確定系統(tǒng)的故障檢測(cè)與診斷方法以及FDD的魯棒性現(xiàn)已成為FDD領(lǐng)域研究的熱點(diǎn)。目前對(duì)于魯棒故障診斷系統(tǒng)的研究方法主要有：(1)利用Ricatti方程方法、LMI方法、H∞ 控制、H2控制、l1估計(jì)等魯棒控制理論進(jìn)行優(yōu)化設(shè)計(jì)口；(2)設(shè)計(jì)魯棒故障檢測(cè)濾波器(robust fault detection filter，RFDF)來(lái)實(shí)現(xiàn)其對(duì)被控對(duì)象模型誤差和系統(tǒng)不確定性因素的干擾解耦；(3)系統(tǒng)存在不確定性建模誤差的情況下，反饋控制器與RFDF不能實(shí)現(xiàn)完全獨(dú)立設(shè)計(jì)，閉環(huán)控制系統(tǒng)的性能指標(biāo)與故障檢測(cè)濾波器的魯棒性能指標(biāo)會(huì)相互影響。文獻(xiàn)提出的基于狀態(tài)觀測(cè)器的反饋控制與RFDF集成設(shè)計(jì)最優(yōu)化方法，可通過(guò)適當(dāng)選取后濾波器，達(dá)到控制器和RFDF獨(dú)立設(shè)計(jì)時(shí)所實(shí)現(xiàn)的性能指標(biāo)，解決最優(yōu)集成設(shè)計(jì)問(wèn)題；(4)對(duì)于不確定非線性系統(tǒng)，文獻(xiàn)提出基于自適應(yīng)增益滑動(dòng)觀測(cè)器的滑動(dòng)控制器方法，利用參數(shù)化的正切雙曲函數(shù)作為控制器的開(kāi)關(guān)函數(shù)，通過(guò)選擇合適的開(kāi)關(guān)函數(shù)參數(shù)，可以使觀測(cè)器先于控制器收斂，開(kāi)關(guān)函數(shù)的自適應(yīng)增益在使系統(tǒng)獲得較低的估計(jì)和輸出跟蹤誤差的同時(shí)增強(qiáng)了系統(tǒng)的魯棒性。

    4.2 網(wǎng)絡(luò)控制系統(tǒng)的故障診斷

    網(wǎng)絡(luò)控制系統(tǒng)(networked control system，NCS)是在反饋控制系統(tǒng)的控制回路中通過(guò)各種網(wǎng)絡(luò)信道連接而形成的閉環(huán)系統(tǒng)，具有資源共享、便于系統(tǒng)安裝、維護(hù)、擴(kuò)展等優(yōu)點(diǎn)；網(wǎng)絡(luò)的介入也帶來(lái)諸如：信息傳輸延遲、丟失信息包、帶寬資源限制等問(wèn)題�？刂葡到y(tǒng)網(wǎng)絡(luò)化帶來(lái)的最大變化就是一個(gè)新的數(shù)據(jù)交換環(huán)境，在此新環(huán)境中以往研究的控制理論問(wèn)題均應(yīng)有相應(yīng)的新變化和新結(jié)論。隨著傳統(tǒng)控制系統(tǒng)網(wǎng)絡(luò)化的發(fā)展，近年來(lái)對(duì)NCS的研究引起了眾多學(xué)者的興趣，涌現(xiàn)許多成果。

    為了確保網(wǎng)絡(luò)控制系統(tǒng)運(yùn)行的可靠性，對(duì)于網(wǎng)絡(luò)控制系統(tǒng)的故障診斷問(wèn)題的研究也至關(guān)重要，目前的研究成果還比較少，主要有：通過(guò)參數(shù)設(shè)計(jì)干擾解耦向量的方法；利用LMI理論設(shè)計(jì)NCS的故障診斷濾波器，通過(guò)引入新的性能指標(biāo)，可最大化對(duì)故障信號(hào)的靈敏度和對(duì)不確定網(wǎng)絡(luò)時(shí)延及未知輸入的魯棒性；基于Kalman濾波器的FDI方法；網(wǎng)絡(luò)的隨機(jī)時(shí)延是NCS在線故障檢測(cè)的難點(diǎn)，文獻(xiàn)E66]通過(guò)在NCS中加入緩沖器使隨機(jī)時(shí)延轉(zhuǎn)變?yōu)槎〞r(shí)延，然后設(shè)計(jì)魯棒H。狀態(tài)觀測(cè)器進(jìn)行故障檢測(cè)，與目前的FD方法相比，該方法能實(shí)現(xiàn)在線故障檢測(cè)，且具有較少計(jì)算量、較強(qiáng)魯棒性及對(duì)故障的敏感性；對(duì)于由于數(shù)據(jù)丟失而引起的數(shù)據(jù)信息不可測(cè)問(wèn)題，文獻(xiàn)提出了時(shí)延殘差產(chǎn)生器及其閡值的聯(lián)合設(shè)計(jì)方法，減少了因?yàn)樾畔�丟失而引起的誤報(bào)；因?yàn)門(mén)-S(Takagi—Sugeno)模型不需要網(wǎng)絡(luò)時(shí)延的精確信息，同時(shí)又能解決信息包的丟失，所以文獻(xiàn)應(yīng)用T-S模型來(lái)描述具有不同網(wǎng)絡(luò)時(shí)延的NCS模型，再利用等價(jià)方程和模糊觀測(cè)器方法來(lái)進(jìn)行故障檢測(cè)，該方法具有較高實(shí)用性和有效性�；�于T-S模型的優(yōu)點(diǎn)，用其來(lái)描述更加復(fù)雜的NCS模型進(jìn)而進(jìn)行故障診斷還需要更深入的研究。

5 FDD的應(yīng)用成果

    故障檢測(cè)與診斷技術(shù)不僅在理論上獲得了很多新的進(jìn)展，在應(yīng)用領(lǐng)域也取得了不少研究成果。表1給出FDD技術(shù)的一些典型應(yīng)用。

6 結(jié)束語(yǔ)

    從近年發(fā)表的文獻(xiàn)看出，F(xiàn)DD方法正趨向于綜合化。把定量模型方法與基于定性模型、半定性模型的方法進(jìn)行有機(jī)融合，實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，已成為FDD的一個(gè)研究熱點(diǎn)。雖然基于解析模型方法的研究仍集中于線性系統(tǒng)，但對(duì)非線性系統(tǒng)FDD的研究已得到重視。由于不確定性的影響，對(duì)魯棒性問(wèn)題的研究會(huì)越來(lái)越多，而多目標(biāo)約束的魯棒FDD方法將成為新的研究方向。另外，基于多模型(MM)估計(jì)的診斷方法正引起人們的研究興趣，但如何設(shè)計(jì)最優(yōu)的模型集和合理的估計(jì)器等還需要更深入的研究�；�于信號(hào)處理的方法發(fā)展較完善，將小波分析引入故障診斷。涌現(xiàn)出大量的應(yīng)用成果，仍是今后研究的熱點(diǎn)。Delta算子方法在高速信號(hào)處理和控制方面比移位算子方法具有很大的優(yōu)越性，在故障診斷中引入Delta算子，可以實(shí)現(xiàn)在線實(shí)時(shí)檢測(cè)，具有靈敏度高、計(jì)算量小、抗噪聲能力強(qiáng)等優(yōu)點(diǎn)。因此，Delta算子方法在故障診斷中的應(yīng)用有望成為FDD新的研究方向之一。

    基于知識(shí)的方法對(duì)于非線性系統(tǒng)和復(fù)雜系統(tǒng)具有較高的應(yīng)用價(jià)值，更適用于實(shí)際的工業(yè)裝置。而且其“智能”特性，符合對(duì)系統(tǒng)的自然推理，是一種很有前途的方法。遺傳算法是一種先進(jìn)的全局優(yōu)化算法，將其應(yīng)用于FDD領(lǐng)域，有待于進(jìn)一步研究。把Petri網(wǎng)用到控制系統(tǒng)的故障診斷，能有效實(shí)現(xiàn)診斷系統(tǒng)的模型化，也是一種新方法，值得深入研究。多Agent方法能解決一些傳統(tǒng)人工智能方法無(wú)法解決的大規(guī)模復(fù)雜問(wèn)題，其在故障診斷中的應(yīng)用具有廣闊的發(fā)展前景�；�于NCS自身的特點(diǎn)，對(duì)其進(jìn)行故障檢測(cè)與診斷將是FDD研究的新領(lǐng)域。雖然故障檢測(cè)與診斷在理論上取得了許多突破和進(jìn)展，但用于實(shí)際工業(yè)過(guò)程的還不多見(jiàn)，因此，探索適合實(shí)際應(yīng)用的故障檢測(cè)與診斷方法將是科技人員面臨的具有挑戰(zhàn)性的研究課題。 

核心關(guān)注：拓步ERP系統(tǒng)平臺(tái)是覆蓋了眾多的業(yè)務(wù)領(lǐng)域、行業(yè)應(yīng)用，蘊(yùn)涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務(wù)管理理念，功能涉及供應(yīng)鏈、成本、制造、CRM、HR等眾多業(yè)務(wù)領(lǐng)域的管理，全面涵蓋了企業(yè)關(guān)注ERP管理系統(tǒng)的核心領(lǐng)域，是眾多中小企業(yè)信息化建設(shè)首選的ERP管理軟件信賴(lài)品牌。

轉(zhuǎn)載請(qǐng)注明出處：拓步ERP資訊網(wǎng)http://www.oesoe.com/

本文標(biāo)題：控制系統(tǒng)故障檢測(cè)與診斷技術(shù)的最新進(jìn)展

本文網(wǎng)址：http://www.oesoe.com/html/support/11121510738.html