自動(dòng)化設(shè)備電子系統(tǒng)故障診斷方法淺析

　　1故障診斷中的譜分析方法

　　電力電子電路的實(shí)際運(yùn)行表明，大多數(shù)故障表現(xiàn)為功率開(kāi)關(guān)器件的損壞，其中以功率開(kāi)關(guān)器件的開(kāi)路和直通為常見(jiàn)。電力電子電路故障診斷與一般的模擬電路、數(shù)字電路的故障診斷存在較大差別，由于電力電子器件過(guò)載能力小，損壞速度快，其故障信息僅存在于發(fā)生故障到停電之前數(shù)十毫秒之內(nèi)，因此，需要實(shí)時(shí)監(jiān)視、在線診斷;另外電力電子電路的功率已達(dá)數(shù)千千瓦，模擬電路、數(shù)字電路診斷中采用的改變輸入看輸出的方法不再適用，只能以輸出波形來(lái)診斷電力電子電路是否有故障及有何種故障。 故障診斷的關(guān)鍵是提取故障的特征。故障特征是指反映故障征兆的信號(hào)經(jīng)過(guò)加工處理后所得的反映設(shè)備與系統(tǒng)的故障種類、部位與程度的綜合量。故障診斷方法按提取特征的方法的區(qū)別，可分為譜分析方法、基于動(dòng)態(tài)系統(tǒng)數(shù)學(xué)模型的方法、采用模式識(shí)別的方法、基于神經(jīng)網(wǎng)絡(luò)的方法、專家系統(tǒng)的方法、小波變換的方法和利用遺傳算法等。這些方法將在下文具體介紹。

　　2參數(shù)模型與故障診斷

　　如果系統(tǒng)的數(shù)學(xué)模型是已知的，就可以通過(guò)測(cè)量，估計(jì)系統(tǒng)的狀態(tài)和參數(shù)，確定狀態(tài)變量和系統(tǒng)參量是否變化。采用基于系統(tǒng)數(shù)學(xué)模型的故障診斷方法，可以從較少的測(cè)量點(diǎn)去估計(jì)系統(tǒng)的多個(gè)狀態(tài)量或系統(tǒng)參數(shù)，從而實(shí)現(xiàn)故障診斷。 進(jìn)一步又可以分為檢測(cè)濾波器方法、狀態(tài)估計(jì)法和參數(shù)辨識(shí)方法三種. 6.2.1檢測(cè)濾波器方法

　　它將部件、執(zhí)行機(jī)構(gòu)和傳感器的故障的輸出方向分別固定在特定的方向或平面上。 6.2.2狀態(tài)估計(jì)法

　　狀態(tài)估計(jì)法 通過(guò)監(jiān)測(cè)系統(tǒng)的狀態(tài)變化，也能反映由系統(tǒng)參數(shù)變化引起的故障，并對(duì)故障進(jìn)行診斷。與一般的狀態(tài)估計(jì)不同，在進(jìn)行故障診斷時(shí)，并不是去估計(jì)未知的狀態(tài)信息，而是借助觀測(cè)器或卡爾曼濾波器去重構(gòu)系統(tǒng)的輸出，以便取得系統(tǒng)輸出的估計(jì)值。這個(gè)估計(jì)值與實(shí)際輸出值之差就叫量測(cè)殘差。殘差中含有大量的系統(tǒng)內(nèi)部變化的信息，因此可以作為故障診斷的依據(jù)。狀態(tài)估計(jì)法的優(yōu)點(diǎn)是在線計(jì)算量小，診斷速度快。 6.2.3參數(shù)辨識(shí)方法

　　實(shí)時(shí)辨識(shí)出系統(tǒng)模型的參數(shù)，與正常時(shí)模型的參數(shù)比較，確定故障。常用的有小二乘法。故障的模式識(shí)別就是從那些反映系統(tǒng)的信息中抽取出反映故障的特征，并根據(jù)這些特征的不同屬性，對(duì)故障進(jìn)行分類。用模式識(shí)別方法進(jìn)行故障診斷，是根據(jù)樣本的數(shù)學(xué)特征來(lái)進(jìn)行的，因此它不需要精確的數(shù)學(xué)模型。對(duì)于一些被診斷對(duì)象數(shù)學(xué)模型過(guò)于復(fù)雜、不易求解的問(wèn)題，模式識(shí)別方法也是適用的。另外，在對(duì)工業(yè)系統(tǒng)的故障診斷中應(yīng)盡量利用非數(shù)學(xué)(包括物理和結(jié)構(gòu))方面的特征，設(shè)計(jì)出各種各樣的特征提取器，這樣將有利于利用對(duì)已有系統(tǒng)的知識(shí)，有利于減少計(jì)算工作量。由于特征的選擇和提取與待識(shí)別的模式緊密相關(guān)，故很難有某種泛泛的規(guī)律可循。目前常用的方法有：小距離分類法，Bayes分類法，F(xiàn)isher判別法，從參數(shù)模型求特征，用K-L變換提取特征等

　　3基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法

　　利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自歸納能力，經(jīng)過(guò)一定的訓(xùn)練，建立起故障信號(hào)與故障分類之間的映像關(guān)系。利用學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)故障診斷。神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元廣泛互連而成的網(wǎng)絡(luò)，這里以BP網(wǎng)絡(luò)為例加以介紹。BP網(wǎng)絡(luò)是單向傳播的多層前向網(wǎng)絡(luò)，它由輸入層、中間層和輸出層組成，中間層可有若干層，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出。BP網(wǎng)絡(luò)中沒(méi)有反饋，同一層的節(jié)點(diǎn)之間沒(méi)有耦合，每一層的節(jié)點(diǎn)只影響下一層節(jié)點(diǎn)的輸入。 BP網(wǎng)絡(luò)一般采取的學(xué)習(xí)算法是：網(wǎng)絡(luò)的輸出和希望的輸出進(jìn)行比較，然后根據(jù)兩者之間的差調(diào)整網(wǎng)絡(luò)的權(quán)值，終使誤差變?yōu)樾?。?dāng)電力電子電路發(fā)生故障時(shí)，如果能夠利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，使故障波形與故障原因之間的關(guān)系通過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)后保存在其結(jié)構(gòu)和權(quán)中，然后將學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)用于故障診斷，神經(jīng)網(wǎng)絡(luò)就可以通過(guò)對(duì)當(dāng)前電壓或電流波形的分析，得出故障原因，從而實(shí)現(xiàn)故障的在線自動(dòng)診斷。

　　4模式識(shí)別在故障診斷中的應(yīng)用

　　故障的模式識(shí)別就是從那些反映系統(tǒng)的信息中抽取出反映故障的特征，并根據(jù)這些特征的不同屬性，對(duì)故障進(jìn)行分類。用模式識(shí)別方法進(jìn)行故障診斷，是根據(jù)樣本的數(shù)學(xué)特征來(lái)進(jìn)行的，因此它不需要精確的數(shù)學(xué)模型。對(duì)于一些被診斷對(duì)象數(shù)學(xué)模型過(guò)于復(fù)雜、不易求解的問(wèn)題，模式識(shí)別方法也是適用的。另外，在對(duì)工業(yè)系統(tǒng)的故障診斷中應(yīng)盡量利用非數(shù)學(xué)(包括物理和結(jié)構(gòu))方面的特征，設(shè)計(jì)出各種各樣的特征提取器，這樣將有利于利用對(duì)已有系統(tǒng)的知識(shí)，有利于減少計(jì)算工作量。由于特征的選擇和提取與待識(shí)別的模式緊密相關(guān)，故很難有某種泛泛的規(guī)律可循。目前常用的方法有：小距離分類法，Bayes分類法，F(xiàn)isher判別法，從參數(shù)模型求特征，用K-L變換提取特征等

　　5專家系統(tǒng)

　　由于故障診斷是從被監(jiān)測(cè)和診斷的對(duì)象表征去尋找故障的成因、部位，并確定故障的嚴(yán)重程度的，因此，如 果把由已知故障去分析系統(tǒng)或設(shè)備的運(yùn)行特性與表征叫做正問(wèn)題，那么故障診斷就是逆問(wèn)題了。這種逆問(wèn)題的求解明顯不同于正問(wèn)題的求解，而人工智能AI(Artificial Intelligence)技術(shù)中的專家系統(tǒng)ES(Expert System)正是解這種逆問(wèn)題的有利工具。專家系統(tǒng)是人工智能研究的一個(gè)分支，它是通過(guò)模擬專家的經(jīng)驗(yàn)，實(shí)現(xiàn)故障診斷。專家系統(tǒng)的結(jié)構(gòu)如下表所示：一個(gè)典型的診斷專家系統(tǒng)通過(guò)在線監(jiān)測(cè)并進(jìn)行數(shù)據(jù)采集、存貯，然后傳送到診斷運(yùn)行中心，在這里由專家系統(tǒng)進(jìn)行處理、分析和診斷，后將診斷結(jié)果和處理建議自動(dòng)地反饋回運(yùn)行現(xiàn)場(chǎng)。因此，專家系統(tǒng)是診斷系統(tǒng)中核心的部分。本文后面將介紹作者在實(shí)際中應(yīng)用專家系統(tǒng)方法進(jìn)行故障診斷的實(shí)例。

　　6小波變換的方法

　　在故障診斷中,突變信號(hào)往往對(duì)應(yīng)著設(shè)備的某種故障，分析和識(shí)別系統(tǒng)中產(chǎn)生的各種波形信號(hào)，并判別其狀態(tài)，是進(jìn)行電路故障診斷中的有效方法之一。設(shè)備正常運(yùn)行時(shí)發(fā)出的信號(hào)較平穩(wěn)，一旦設(shè)備出現(xiàn)故障，就將發(fā)出具有奇異性的動(dòng)態(tài)非平穩(wěn)信號(hào)。為了實(shí)現(xiàn)設(shè)備故障的快速、準(zhǔn)確檢測(cè)，必須有效地識(shí)別故障發(fā)生瞬間的非平穩(wěn)信號(hào)。信號(hào)的處理與分析是故障預(yù)測(cè)和診斷的基礎(chǔ)，提高診斷的準(zhǔn)確度需要信號(hào)處理和分析方法，小波變換以其對(duì)非平穩(wěn)信號(hào)局部化分析，及良好的時(shí)—頻定位功能的突出優(yōu)點(diǎn)，為故障診斷提供了新的、強(qiáng)有力的分析手段，彌補(bǔ)了傳統(tǒng)故障診斷中因?yàn)閷＜业慕?jīng)驗(yàn)知識(shí)很難精確描述，存在知識(shí)獲取的“瓶頸”問(wèn)題。 七、遺傳算法 遺傳算法GA(Genetic Algorithm)是一種新發(fā)展起來(lái)的優(yōu)化算法，目前它已經(jīng)成為人們用來(lái)解決高度復(fù)雜問(wèn)題的一個(gè)新思路和新方法。它依據(jù)適者生存、優(yōu)勝劣汰的進(jìn)化規(guī)則，對(duì)包含可能解的群體進(jìn)行基于遺傳學(xué)的操作，不斷生產(chǎn)新的群體并使群體不斷進(jìn)化，同時(shí)以全局并行搜索優(yōu)化群體中的優(yōu)個(gè)體以求得滿足要求的優(yōu)解。GA以其能以較大概率求得全局優(yōu)解、計(jì)算時(shí)間較少、具有較強(qiáng)魯棒性等特點(diǎn)在電力電子故障診斷系統(tǒng)中也得到了應(yīng)用。合理利用采集信息(即把采集信息分為三層)，運(yùn)用遺傳算法進(jìn)行分層信息故障診斷;將遺傳算法應(yīng)用在故障診斷專家系統(tǒng)的推理和自學(xué)習(xí)中，可以克服專家系統(tǒng)存在的推理速度慢和在先驗(yàn)知識(shí)很少的情況下知識(shí)獲取困難的障礙，提高了專家系統(tǒng)的適應(yīng)性。