PDF《《自动化仪表》第＂# 卷第 $ 期＂%》

0 %(#'

&

0)112 (2(#%/ (34567) ,'

(#8'

#%92 *+ * 0) % +'

.0# ,)'

9 0#)/*,%0 )( (#'

#%,: 5)8(#,'

98*0(0)($%, &

2 .()

9 34567,0#)/*,%0 0# ,)'

9 2(8.-#.8%, #* -8%9 '

0: 0'

0.8%0# *--.88%9'

8%$% (): 5'

.0# ,)'

9 0) % ,)'

9 0#)/*,%0 7%0+A'

4%.8'

0 %#B*8C 5.112 ) +%8% -% D

8 . 引言 随着现代工业对高可靠和高性能系统的要求愈来 愈多, 智能故障诊断的研究受到了广泛重视. 故障诊断的关键是建立对象的模型, 而传统的建 模方法不适用于具有非线性的、 工作机理没有彻底清 楚和定义不清的 ()00 E ,%+) %,) 的对象, 例如气动和液压 伺服执行器.而模糊建模能够充分利用专家的知识和 推理能力, 而不必进行精确的定量分析, 因此很受广大 工程技术人员的青睐 [F G H] .但是, 模糊建模存在两个 明显的缺欠: ! 没有通用的方法把专家的知识和经验转换成 规则库和模糊推理系统数据库;

没有一个有效的方法通过实现输出误差最小 化或最大化性能指标来调整输出的模糊隶属函数, 即 无法保证最优化或此优化建模. 神经网络建模作为一种通用的学习算法可以赋予 模糊系统学习能力.基于自适应神经网络的模糊推理 系统不仅能够从专家的经验中提取语言规则, 而且能 够利用输入 E 输出数据优化模型.也就是说

34567 为 模糊建模提供了从数据中获取信息, 通过调节隶属函 数, 使该模型最好地吻合给定数据的模糊建模方法. 因此,

34567 对像气动执行器这类非线性对象的建模 具有突出的优势 [I, J] . 基于模型或多模型的故障诊断和容错控制是非常 具有实际意义的研究领域.在文献 [K] 中, 作者用 L%1C? . *'

'

C? '

(*C>

F '

?)C>

E ( 故障诊断 (&

故障诊断系统的结构 基于多模型的故障诊断要求有一组模型来标示 不同的工作状况或不同的故障, 通过比较这些模型产 生的偏差来识别故障的发生.因此, 基于多模型的故 障诊断策略由两部分组成: 多模型组和故障在线诊断 策略, 如图 * 所示.这里, 我们假设可能存在 <

种故 障. 我们应用 ! #$% 建模方法, 利用各种工作和故障 ) ( 《自动化仪表》 第!) 卷第 * 期!++, 年*月-./01'

'

#23/4#3&

/$ &

$'

3.241$3#3&

/$,5678!),$68*, 9:78,!++, 图!基于多模型在线故障诊断系统结构 状态下的实验数据, 对此非线性对象进行模型训练与 校验, 从而得到 ! 个模型 # ! # # $, 其中 $ 表示正常工 作状态下的模型, #, # # %, &

, …, ! 代表第 # 个故障 状态下的模型.在多模型组部分, 通过同时在线运行 多个模型, 可以产生如图 '

所示的 ! 个偏差信号 $# (%) # &

( %)( '

&

# ( %) , 其中 &

( %) 是气动执行器的输 出, '

&

# ( %) 是)*+,- 模型 # 的预测输出, # # %, &

, …, !.在线故障诊断部分, 首先对偏差的绝对值进行累 加求和, 即(# (%)) ! % * ) % $# (*) (%$) 式中: $# (%) 表示第 # 个模型的偏差.令(./0 (%)) ./0 {($ (+) , (% (%) , (&

(%) , …, (! (%) } (%%) 图'

气动执行器 )*+,- 模型的训练结果 我们可以利用 (./0 (%) 探测故障的发生, 也就是如 果在给定的时间段内, (# (%) 持续为 (./0 (%) , 那么系统 在%时刻就有可能发生第 # 种故障.综合考虑鲁棒性 和灵敏度, 还引入一个独特的故障指数 +, (12345 /0678) 来指示发生故障的类型. 实际上, 在运动开始时若没有考虑对象的动态特 性, 因为在暂态过程中即使没有故障发生, 偏差也可能 变化很大, 或者变化很小.例如, 当气动执行器工作在 正常状态时, 因为 $ 是用正常工作状态下的数据训 练的模型, $$ 应该是最小的偏差, 但实验曲线显示未 必尽然.因此, 考虑到对象的动态特性和算法的通用 性, (# (%) 更适合用来指示对象的工作条件和故障的发 生.一旦有故障发生, 首先最小化指数 (./0 (%) 就会发 生变化, 然后由故障指数 +, 指示可能发生故障的类 型.为了恰当地发出故障警告, 我们选择当 (# ( %) 持续,$ 时为 (./0 ( %) , 故障识别器探测到可能有故障发 生, 只有当它再持续 ,%, 故障诊断器才能确定有故障发 生, 并用故障指数指示故障类型. !- 故障诊断的鲁棒性与灵敏度 故障诊断的鲁棒性是指在存在模型不确定性时系 统具有的防止错误报警的能力, 即如果对象发生第 . 种故障, 故障诊断系统应该指示出是第 . 种故障发 生, 而不是其他类型的故障或正常工作状态.故障探 测和诊断策略通过选择警告时间项 ,$ 和延迟时间项 ,% 获得鲁棒性.时间项 ,$ 和,% 越短, 该策略的灵敏度 越高;