《故障检测隔离和重构方法的研究》由会员分享，可在线阅读，更多相关《故障检测隔离和重构方法的研究（30页珍藏版）》请在金锄头文库上搜索。
1、 故障检测、隔离和重构方法的调查摘要：故障检测，隔离以及重构（FDIR）在许多工程应用领域是一个重要的，具有挑战性的问题，并且在控制委员会一如既往的是研究的活跃领域。这篇文章呈现了最近十年来各种基于模型的FDIR方法发展的调查。在这篇文章中，FDIR问题被分为故障检测和隔离步骤（FDI），以及控制器重构步骤。对于FDI，我们讨论了能够产生具有鲁棒性残差的不同的基于建模技术，未知干扰和以及在发生突变（或故障）时测试残差的各种统计技术。然后我们讨论在解决故障时各种重构控制策略的实施技术。关键词：解析冗余，故障检测，故障分离，故障重构，调查。第一章 介绍故障检测，隔离和重构（FDIR）在许多学科里是
2、一个重要且挑战性的问题，例如化学工程【1】【4】，核能工程【5】【6】，航空和航天工程【7】【8】和汽车技术【9】。举个例子，在航空和航天工程领域中，虽然飞行系统是由高水平的冗余容错硬件故障和软件故障建立起来的，鲁棒故障诊断系统仍然用于监测器和飞机的飞行安全评估。在某些情况下，如果一个故障能快速的检测和识别出来，那么就可以采取合适的重构控制行动。举一个著名的例子，一个电子遥控飞行控制系统不仅降低了复杂度，易碎性以及一个流体力学飞行控制系统的重量，而且提出了更多可靠性的问题。我们要求一个高水平的冗余技术与一种鲁棒故障诊断方案相结合，这样才能确保这样的系统能满足飞机运营所需要的严格的安全要求。国际
3、自动控制联合组织（IFAC）过程安全技术委员会把故障定义为一个在系统中至少有一个特性或参数与标准条件【10】，【11】不同的偏差。这样的故障也许在机器，传感器，执行器或者转换逻辑元件的个体单元中发生。FDIR是一种确保系统持续安全或者正确运行的控制方法论，当故障发生时通过故障检测和隔离（FDI），以及控制器重构来解决特殊的故障。这个FDI问题包含做一个二元决策要么某些事出现故障，要么一切正常，找出故障的的位置和性质【12】。总之，FDI方法利用冗余的概念，可以是图1中所示的硬件冗余也可以是图1中所示的解析冗余。硬件冗余的基本概念是比较有不同硬件产生的重复信号，例如测量由两个或者多个传感器给出的
4、相同信号。同样应用于硬件冗余方法中的技术是交互频道监视法（CCM），残差生成使用等价生成法（例如：基于传感器的几何或信号模式），以及信号处理方法，如小波变换等。在另一方面，解析冗余用一种数学模型结合一些评估技术来进行故障检测和隔离。因为解析冗余方法通常不需要附加硬件，所以它与硬件冗余方法比起来是一种性价比更高的方法。然而，由于解析冗余方法要确保模型不确定性，噪音和未知干扰的鲁棒性的需要，所以这种方法更加具有挑战性。通常来说，解析冗余方法可以分为定量模型方法和定性模型方法。定量模型法（如观测器法）在FDI中用精确的数学模型和控制理论来产生残差。在另一方面，定性模型法使用人工智能（AI）技术，例如
5、模式识别，在观察行为和模型预期行为之间获取差异。图1 说明FDIR中硬件冗余和解析冗余的概念这篇文章主要集中于定量模型方法。我们只是简单的讨论了人工智能技术，指出了近年的工作成果，目的是为了使人工智能技术与定量模型技术相结合。定性模型技术属于FDI的一个重要的领域，我们希望在将来的工作中，对于这些方法能做一个更详尽的报告。基于解析冗余技术（基于模型）的FDIR系统的基本结构如图2所示。FDIR问题可以分为三步。第一步就是通过一个或多个残差生产过滤器产生一组残差变量。这些残差在理想无故障情况下应该是0（或是零值）。为了是它在实际应用中有用，这些残差应该对噪音，干扰和模型不确定性不敏感，而在最大程
6、度上对故障敏感。某些FDIR方案使用两个或者多个残差生成滤波器并行工作从而故障分离。在这样的方案中，每个残差生成滤波器都设计为只对一个选择性组的故障敏感。第二步就是根据残差判断是否发生故障（故障检测）及发生的故障的类型（故障分离）。这一步通常使用统计工具来检验残差是否明显的偏离零。最后，控制器对检测出的任何故障进行在线重构。在解析冗余方法中，残差是基于系统的数学模型产生的。这个数学模型可能是从基本原则发展起来的，例如机械系统是由牛顿运动定律得出的；也可能是基于过去的经验或观察产生的，例如那些基于系统识别技术的系统。在实际生活中，数学模型常常不可能精确的描述实际系统的行为，因为在模型参数中会有模
7、拟误差和不确定性。此外，实际系统通常遭受噪音和未知的干扰。这个结果就是在无故障的情况下，残差为非零值。下面列举了两种常用的方法来克服这个问题。1） 残差生成量的鲁棒性：一种方法是设计一个能对噪音和不确定性不敏感，同时对故障敏感的鲁棒滤波器或评估器。这种方法的例子是故障检测滤波器【13】【17】，观测器法【18】，【19】，奇偶相关法【20】，【21】，参数估计法【22】，【23】和凯尔曼滤波法【24】。2） 残差生成量评估：另一种FDI策略是发展假设检验算法的鲁棒性来估计被认为是随机变量的残差。这个策略致力于检测与故障有关的信号或系统参数改变的鲁棒方法。最简单的决策规则是当残差的瞬时值超过了不
8、变阈值判定故障发生了。更复杂的决策规则也许包括自适应阈值或基于统计决策理论，例如广义概率比试验（GLR）或序列概率比试验（SPRT）【12】，【25】，【26】。FDIR难题是一个成熟的学科，各种书籍和论文已经著有FDIR。维斯卡在早期调查论文基于模型的FDI中已经陈述了解析冗余的关键概念【12】。佛兰克【19】已经写了基于观察器FDI法的综合性调查。Isermann在他的调查论文中已经呈现了一些基本的故障检测方法，并且用参数监测器和一定相关性的方法来说明故障检测【23】。FDI中的奇偶相关法的各种调查研究在【21】，【27】和【28】中能找到。不同书籍也对基于模型的FDIR法的概念和应用进行
9、了综合评述【26】，【29】【32】。近年来出现了更多的调查论文，包括Venkatasubramanian等【2】【4】写的三部分的回顾论文，这篇论文致力于FDI法在化工过程的应用；也包括Angeli 等【33】著作的集中于FDI法的数量和人工智能上调查论文。在【34】中，Isermann对各种基于模型的FDIR技术做了一个介绍。Isermann给我们介绍了FDIR技术和它在电子线控系统的应用【9】。在过去十年，FDIR问题在各种工程应用领域越来越多的受到考虑。这篇文字的目的就是对过去十年FDI的近期发展和重构技术的有限应用做一个综合调查。此外，一个调查论文既能以有限的页数描述一个详细的比较又
10、能用尽可能多的页数来做一个简短的比较。在这篇论文中，我们计划覆盖尽可能多的出版教材和第六章提出的简短的比较。更多关于一些特殊的FDIR法的仿真结果的详细比较在我们接下来的研究中进行。这篇论文的其余内容如下所述。第二章对基于模型的故障检测，分离和重构法做了一个综述。在第三章，我们研究近期鲁棒残差生成技术的发展。在第四章和第五章分别讨论了统计决策技术和重构控制技术。在第六章，我们对不同的FDI技术在它们的运作，残差特性，复杂度及鲁棒性方面分别作了比较。在第七章得出结论。图2 故障检测，分离及重构方案第二章 故障检测，分离和重构技术的综述在这一章，我们简单的描述了FDI的基本概念。我们假设一个线性系
11、统模型，因为许多基本的FDI法是基于这样的模型实现的，例如检测滤波器和未知输入观测器。A 系统和故障建模故障检测和分离的一般故障模型。设备动力学建模如下： （1） （2）这里的是状态变量，是设备的输入变量，是传感器测量的输出变量。和是噪音或未知干扰变量。假设设备的输入变量已知，系统模型可能包括模型的不确定值等。系统中的故障通常能分为三种类型：执行器故障，传感器故障和元件故障。执行器故障和传感器故障分别代表系统中执行器和传感器的故障。它们通常被模拟为系统中的附加故障（1）-（2）。元件故障通常表示导致系统参数动态变化的故障。它们通常建模为乘法故障等等，模拟系统矩阵参数的改变。例如，飞机副翼或升降
12、机的偏差是执行器故障，而控制器表面损坏或机身损坏就是元件故障。因此，系统一般的故障模型（1）（2）是 （3） （4）这里的代表执行器故障，代表传感器故障，等代表元件故障。FDI法的一个主要目标是产生一种对噪音，干扰和模型不确定性不敏感的残差。然而，通常来说这是很困难的任务。一些FDI算法能设计为对附加的噪音和干扰具有鲁棒性，使矩阵已知，例如典型的未知输入观测器和奇偶关系法。在给出的（3）和（4）的乘法形式中考虑元件故障和模型的不确定性是困难的。解决这个问题的一种方法是把模型不确定量等模拟为时变状态干扰系统矩阵的附加干扰。同样，对于故障分离用一个附加故障变量代替元件故障等是有利的。相关的故障模型
13、是 （5） （6）在上述模型中，变量和可能包含模型不确定量，相关矩阵和也许是时变的。使为噪音变量，为故障变量。状态空间模型（5）（6）可以转化为输入输出构架，如 （7）这里B.残差生成如图3所示，这个残差是基于输入变量和输出变量生成的信号，如 （8） 一般来说，残差是测量输出和基于设备模型算出估计输出量的差值，如 （9）对于故障检测，残差值应满足下列性质。不变性关系：当没有故障发生时，残差的值应为零。故障可检测性:当（5）（6）中的任何故障发生时，应偏离零值。在实际应用中，残差受到系统模型中存在的噪音，未知干扰和不确定性的干扰破坏。因此，许多FDI法的目标是产生鲁棒残差，这些残差对噪音和不确定
14、量不敏感，而对故障敏感。这些方法可以归结为以下几种基本方法，也就是：a) 全状态观测器法；b) 未知输入观测器；c) 奇偶关系法；d) 最优化法；e) 凯尔曼滤波器法；f) 随机法；g) 系统辨识法；h) 非线性系统法；i) 离散事件系统/混合系统的方法；j) 人工智能技术（AI）。上述的残差生成法在第三章将会讨论。C.故障分离 对于故障分离，生成的残差不仅对故障敏感，也要能够区分故障的不同类型。有两种方法能生成便于故障分离的残差。一种方法是著名的定向残差法，它是产生在残差子空间的特殊方向上的残差矢量，这些矢量与每种故障的类型都有关。然后故障隔离问题就转换为确定残差矢量方向的问题了。另一种方法
15、是结构性剩余法，在这个方法中每个残差矢量对单个或某个选择组的故障敏感，而对其他故障则不敏感。结构性残差通常具有一个关联矩阵，关联矩阵的行与残差相关，列与故障相关。在关联矩阵中，“1”代表着残差和故障间的耦合关系，“0”代表没有耦合关系。对于故障分离，所有的纵列一定是不同的。举一个特例，每个残差对应一个单独的故障就是对角结构。D.做决策 一旦产生残差，下一步就是基于残差统计测验判断是否发生故障，判断故障的位置与每个故障的类型。残差矢量的瞬时值超过一个不变阈值时则判定故障发生的，这是最简单判定方法。在一些应用中，会考虑到离散系统模型，已知的或假设的残差生成量由一些概率分布来描述。然后，才有可能依据自适应阈值设计决定测试。更多的鲁棒决策逻辑根据残差的历史和趋势，并利用强大的或是最佳的统计测试技术。这些统计测试技术有名的例子如下所示：a) 序列概率比试验（SPRT）;b)
