宋聰

摘 要：故障檢測與診斷（Fault Detection and Diagnosis，F(xiàn)DD）技術廣泛應用于航空航天、能源、石油化工等生產(chǎn)領域中。FDD 應用于傳感器領域的基本術語有：傳感器故障診斷（Sensor Fault Diagnosis，SFD）、傳感器自確認（Sensor SelfValidation，SEVA）、傳感器數(shù)據(jù)確認（Sensor Data Validation，SDV）和傳感器性能監(jiān)視（Sensor Performance Monitoring，SPM）等。本文主要對傳感器數(shù)據(jù)確認和故障診斷的研究成果進行了總結，希望可以拋磚引玉，對相關領域的研究有所貢獻。

關鍵詞：傳感器數(shù)據(jù)確認;故障診斷;支持向量機

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

1 傳感器數(shù)據(jù)確認和故障診斷的研究方法分類

傳感器數(shù)據(jù)確認和故障診斷方法通常按照硬件冗余和解析冗余進行分類，這里根據(jù)傳感器數(shù)據(jù)確認和故障診斷基準點的不同，結合本文的研究思路，給出另一種分類方法。通過對近年來發(fā)展的方法進行分析，根據(jù)開展工作基準點的不同，傳感器數(shù)據(jù)確認和故障診斷可以分為基于單傳感器（變量）角的方法和基于系統(tǒng)模型的方法兩大類，圖1所示為研究方法分類圖。

2 基于單傳感器的數(shù)據(jù)確認和故障診斷方法概述

基于單傳感器（單變量）的方法從單個傳感器的角度考慮數(shù)據(jù)確認和故障診斷問題，主要包括硬件冗余法、信號分析法和傳感器預測器法等。由于自確認傳感器所采用的方法和目的都具有一定的特殊性.常見的方法有：硬件冗余方法;信號分析方法;傳感器預測器方法;自確認傳感器等方法。

3 基于系統(tǒng)模型的數(shù)據(jù)確認和故障診斷方法概述

3.1 解析模型方法

3.1.1 狀態(tài)觀測器法

作為狀態(tài)觀測器法，龍伯格觀測器（Luemberger observers）和卡爾曼濾波器（Kalman filters）被廣泛應用于系統(tǒng)的故障檢測與分離。狀態(tài)觀測器或濾波器利用測量值及相關可用信息重構系統(tǒng)的狀態(tài)，當系統(tǒng)沒有故障時，測量值與重構估計值之間的殘差為零均值且噪聲的統(tǒng)計特性（如方差）在容許范圍之內(nèi);當系統(tǒng)含有故障時，殘差信號的均值則不為零或/和噪聲將超出設定的閾值。

卡爾曼濾波器法的原理是：被測量與卡爾曼濾波器輸出所產(chǎn)生的殘差在系統(tǒng)傳感器工作正常情況下為零均值白噪聲序列，當傳感器出現(xiàn)故障后，殘差將多出一個增量從而不再具有零均白噪聲特性。汪聲遠根據(jù)上述原理，研究了發(fā)動機電控系統(tǒng)傳感器的故障檢測與分離問題。Dalle Molle 等人首先將EKF 應用于非線性化工生產(chǎn)過程的傳感器故障檢測與診斷中，取得了滿意的效果。

為了實現(xiàn)多傳感器故障診斷，基于狀態(tài)觀測器（估計器或濾波器）的方法需要為每個傳感器都設計一個專用的觀測器，以便生成殘差空間，將多個故障傳感器檢測和分離出來?；跔顟B(tài)觀測器方法的優(yōu)點在于：該方法對于傳感器故障比較靈敏;可以處理噪聲帶來的影響;可以處理非線性系統(tǒng)。但是同時也具有如下的一些缺點：設計觀測器需要建立系統(tǒng)或過程較為精確的數(shù)學模型;當傳感器數(shù)量比較大時，需要很大的計算量。

3.1.2 等價關系法

等價關系法利用系統(tǒng)數(shù)學方程中的兩類冗余關系，即直接冗余（ DirectRedundancy）和時間冗余（Temporal Redundancy），作為系統(tǒng)或傳感器故障檢測與診斷的基礎。根據(jù)這兩類關系，可建立系統(tǒng)的標稱模型，此模型可以對傳感器輸出進行一致性檢驗，利用適當?shù)臍埐詈瘮?shù)產(chǎn)生殘差，從而實現(xiàn)系統(tǒng)故障或者傳感器故障的檢測與分離。Gertler 等學者對基于等價關系的故障檢測與分離方法進行了系統(tǒng)的研究，指出觀測器與等價關系之間具有密切的聯(lián)系，并詳細討論了等價關系的有關理論和實現(xiàn)方法。

3.1.3 參數(shù)估計法

參數(shù)估計法（也可稱為基于參數(shù)模型的方法）比狀態(tài)觀測器法更適合與非線性系統(tǒng)。參數(shù)估計的方法有強跟蹤濾波器法、最小二乘法、突變檢測法等。

劉志成研究了強跟蹤濾波器在過程控制系統(tǒng)傳感器故障診斷中的應用。Huang 等學者把突變檢測法引入到控制回路性能監(jiān)視與評估中，目的在于通過對系統(tǒng)（回路）參數(shù)的微小變化進行檢測來監(jiān)視回路的工作性能，并作出評估。局部漸進法能非常有效地檢測系統(tǒng)參數(shù)的小變化，因而有利于早期微小故障的檢測。Huang 還結合了總體最小二乘（Total LeastSquares，TLS）模型與突變檢測法。Ashish 等人將局部漸進法與輸入獨立卡爾曼濾波器（Input Independent Kalman Filter，IIKF）相結合，對一類輸入未知系統(tǒng)的性能監(jiān)視進行研究，利用IIKF 輸出與實際系統(tǒng)輸出所產(chǎn)生的殘差作為充分統(tǒng)計量進行監(jiān)視，從而到監(jiān)視系統(tǒng)的目的。

3.2 非解析模型方法

3.2.1 人工神經(jīng)網(wǎng)絡模型

人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）是以計算機網(wǎng)絡系統(tǒng)模擬生物神經(jīng)網(wǎng)絡的智能計算系統(tǒng)。網(wǎng)絡上的每個結點相當于一個神經(jīng)元，經(jīng)可以記憶（存儲）、處理一定的信息，并與其它結點并行工作。

ANN 由于強大的并行運算和聯(lián)想能力，因而非常適合于系統(tǒng)的故障診斷與狀態(tài)識別。由于ANN 具有優(yōu)良的非線性映射功能，因此也被用作構造系統(tǒng)觀測器?；贏NN 觀測器的方法是一種借鑒傳統(tǒng)觀測器原理發(fā)展而來的故障診斷的方法。此方法根據(jù)借鑒傳統(tǒng)觀測器模型的思想，利用系統(tǒng)正常運行時獲取的數(shù)據(jù)樣本訓練神經(jīng)網(wǎng)絡并構建ANN 觀測器，訓練所得到的ANN 絡觀測器可用于產(chǎn)生故障殘差。

Guo等學者利用神經(jīng)網(wǎng)絡構建了航天飛機主引擎控制系統(tǒng)傳感器故障檢測與數(shù)據(jù)恢復系統(tǒng)。此系統(tǒng)利用主引擎中被測變量的數(shù)目遠高于系統(tǒng)階數(shù)，包含內(nèi)在冗余關系的特性檢驗和恢復傳感器數(shù)據(jù)。系統(tǒng)包括兩級神經(jīng)網(wǎng)絡，第一級用來識別與其它數(shù)據(jù)不符的傳感器輸出，第二級根據(jù)其他正常的數(shù)據(jù)對發(fā)生異常的傳感器輸出數(shù)據(jù)進行重構。李東輝針對空調系統(tǒng)的系統(tǒng)建模非常復雜，而且在運行過程中存在工況變化及參數(shù)漂移等情況，將小波神經(jīng)網(wǎng)絡應用于空調機組傳感器故障診斷問題。

3.2.2 支持向量機模型

支持向量機（Support Vector Machines，SVM）是一種新興的基于統(tǒng)計學習理論的機器學習方法，能夠較好的解決小樣本學習問題，已成為國際上機器學習領域新的研究熱點。近些年來被引入到動態(tài)系統(tǒng)故障檢測與診斷領域當中，并進行了初步的應用研究。

3.2.3 核主元分析模型

核主元分析方法（Kernel Principal Component Analysis，KPCA）是Scholkopf 等學者提出的一種非線性PCA 方法。KPCA 通過“核技巧”將輸入空間映射到高維的特征空間中，從而將原輸入空間中的非線性問題轉化為特征空間中的線性問題。KPCA 方法的優(yōu)點在于結構簡潔，易于實現(xiàn)，近年來引起了許多學者的關注，并被成功應用于非線性系統(tǒng)的故障檢測與診斷。

4 總結

基于單傳感器輸出序列預測器的方法獲得了充分的研究，目前的趨勢集中在如何建立精確地預測器模型方面，SVM 的出現(xiàn)為這一問題提供了新的思路解決方法;基于信號處理的方法無需對象數(shù)學模型，而且可明顯地抑制噪聲，在傳感器故障診斷領域也獲得廣泛研究，由于小波包在信號處理方面體現(xiàn)出的良好的時頻特性，使之成為近年的研究熱點。

基于系統(tǒng)解析模型的方法診斷機理清楚，非解析系統(tǒng)模型，是以觀測數(shù)據(jù)為依據(jù)，建立一種診斷模型是通過一定的學習方式，使之區(qū)別于系統(tǒng)物理（機理）模型和解析模型。這一類模型主要包括人工神經(jīng)網(wǎng)絡模型、支持向量機模型、主元分析模型以及核主元分析模型等。已經(jīng)成為一個重要的研究內(nèi)容。

參考文獻：

[1]王冰，刁鳴，宋凱.基于小波奇異熵和相關向量機的氫氣傳感器故障診斷[J].電機與控制學報，2015（01）：96-101.

[2]馬天兵，杜菲，熊能，錢星光.柔性機械臂振動控制中的壓電傳感器故障診斷[J].電子測量與儀器學報，2014（12）：1408-1413.

[3]賽吉爾呼，戴盛芳，董愛華，苗清影.基于SVM和RBFN的汽車主動降噪系統(tǒng)傳感器故障診斷[J].傳感技術學報，2014（04）：512-517.

[4]丁碩，常曉恒，巫慶輝，楊友林，胡慶功.基于Elman神經(jīng)網(wǎng)絡的傳感器故障診斷研究[J].國外電子測量技術，2014（04）：72-75.

[5]王通，高憲文，藺雪，劉春芳.SWE-IPCA方法在傳感器故障診斷中的應用[J].儀器儀表學報，2013（08）：1841-1846.