非線性濾波下的智能故障診斷方法

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了非線性濾波下的智能故障診斷方法范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：針對大型機(jī)械設(shè)備運(yùn)行中存在的強(qiáng)擾動、多干擾噪聲存在的問題，建立合理的故障混合智能診斷模型，確定不同模型的分界閾值，深入分析多噪聲相關(guān)情況下噪聲聯(lián)合概率密度的數(shù)學(xué)分解表達(dá)式及噪聲統(tǒng)計特性的分布函數(shù)，以高斯噪聲為背景，推導(dǎo)最優(yōu)建議分布函數(shù)的具體解析表達(dá)式，實現(xiàn)強(qiáng)擾動、多噪聲干擾情況下故障診斷的精確、魯棒濾波。

關(guān)鍵詞：非線性；濾波；故障診斷

前言

2010年開始，隨著大數(shù)據(jù)與人工智能技術(shù)的迅猛發(fā)展，研究人員將專家系統(tǒng)、模糊邏輯、神經(jīng)網(wǎng)絡(luò)、遺傳算法等技術(shù)應(yīng)用于大型復(fù)雜設(shè)備的故障診斷中，實現(xiàn)了設(shè)備的混合智能故障診斷，大大提高了設(shè)備故障診斷的精確度。隨著研究的不斷深入，研究者發(fā)現(xiàn)，由于系統(tǒng)運(yùn)行的強(qiáng)擾動及應(yīng)用環(huán)境中的復(fù)雜噪聲影響，單一的檢測模型無法滿足復(fù)雜工程應(yīng)用中精確性與魯棒性的要求，急需一種新思路和新途徑來解決這些問題。因此，綜合運(yùn)用多種人工智能技術(shù)和現(xiàn)代智能信息處理技術(shù)，結(jié)合復(fù)雜系統(tǒng)的非線性及故障的不確定性特點(diǎn)，基于智能演化的濾波推理技術(shù)受到了研究人員的青睞，用混合智能故障診斷與預(yù)測技術(shù)對大型復(fù)雜關(guān)鍵設(shè)備進(jìn)行狀態(tài)監(jiān)測、故障診斷與智能預(yù)測處理，能夠有效提高監(jiān)測診斷系統(tǒng)的敏感性、魯棒性、精確性，降低誤診率和漏診率，在不用理解系統(tǒng)機(jī)理和分析數(shù)據(jù)的情況下，為一般的操作人員提供了準(zhǔn)確的診斷決策，對于提升智能診斷系統(tǒng)的精確性和魯棒性具有非常重要的理論價值和現(xiàn)實意義。

1基于濾波技術(shù)的智能故障診斷

隨著大型復(fù)雜機(jī)械設(shè)備對故障診斷精度要求的不斷提高，從20世紀(jì)80年代開始，基于非線性濾波技術(shù)的混合智能故障診斷與預(yù)測方法已經(jīng)成為本領(lǐng)域的研究熱點(diǎn)。其具體的應(yīng)用原理框圖如圖1所示。大型運(yùn)行設(shè)備在獲取多個特征信息以后，如何通過有效的非線性濾波方法對系統(tǒng)的狀態(tài)進(jìn)行精確的濾波處理是混合智能診斷技術(shù)的關(guān)鍵一步。目前，在工程實際應(yīng)用中的非線性濾波方法主要有：交互式多模型（interactingmultiplemodel,IMM）、序貫概率比檢驗（sequentialprobahilityratiotest,SPRT）、強(qiáng)跟蹤濾波（strengthtrackingfilter，STF）等幾種方法。其中，IMM是一種模型自適應(yīng)濾波器,該方法缺少對于模型參數(shù)的自適應(yīng)能力，容易使得IMM在模型轉(zhuǎn)換時刻出現(xiàn)較大的估計誤差；SPRT基于信息積累的假設(shè)檢驗思想,在豐富的專家知識和充分先驗信息的前提下可行實現(xiàn)很好的效果,但故障修復(fù)后自適應(yīng)處理能力比較差,工程應(yīng)用中不好推廣；STF是一種系統(tǒng)狀態(tài)和參數(shù)自適應(yīng)算法，采用強(qiáng)行殘差白化策略實現(xiàn)偏差自適應(yīng)校正,在一定程度上提升了EKF估計精度,但缺乏對于模型的自適應(yīng)能力。

2研究現(xiàn)狀

2.1非線性濾波方法的發(fā)展現(xiàn)狀及優(yōu)勢分析

隨著計算機(jī)運(yùn)算能力存儲的提升,一種基于遞推貝葉斯濾波原理的序貫蒙特卡羅粒子濾波器（par－ticlefilter，PF）的新非線性濾波方法漸漸受到人們的關(guān)注,并且在相關(guān)研究領(lǐng)域推廣應(yīng)用[1]。新非線性濾波方法的核心思想是基于一系列賦予相應(yīng)權(quán)重信息的隨機(jī)采樣粒子，通過以加權(quán)求和的方法形式，求得近似系統(tǒng)的后驗狀態(tài)概率密度函數(shù)，然后在最小均方誤差的準(zhǔn)則下實現(xiàn)系統(tǒng)狀態(tài)的估計。與目前采用線性近似技術(shù)的非線性濾波方法的擴(kuò)展卡爾曼濾波器（ExtendedKalmanFilter，EKF）和無跡卡爾曼濾波器（UnscentedKalmanFilter，UKF）相比，新非線性濾波方法擺脫了對系統(tǒng)線性、高斯特性的假設(shè)依賴性，從理論上來說，可以適應(yīng)任意的非線性非高斯系統(tǒng)。目前，在這方面的研究，已經(jīng)形成領(lǐng)域?qū)＜业墓餐P(guān)注的熱點(diǎn)，國內(nèi)學(xué)者已經(jīng)將PF引入到非高斯噪聲下的非線性系統(tǒng)故障診斷中：比如，國內(nèi)學(xué)者雷亞國、何正嘉、訾艷陽等給出一種基于粒子濾波器和聯(lián)合參數(shù)估計的故障診斷方法。該方法將所有可能會發(fā)生故障的參數(shù)為狀態(tài)變量,雖然效果不錯。但是由于狀態(tài)維數(shù)的增加，粒子數(shù)也會受到影響，出現(xiàn)遞增情況,從而影響診斷的實時性[2]；國內(nèi)學(xué)者田承偉、宗長富、姜國彬等人將進(jìn)化策略和序貫概率比檢驗的思想引入粒子濾波器的基本框架構(gòu)建，雖然能夠解決故障的診斷與隔離問題，但是故障恢復(fù)后狀態(tài)估計的自適應(yīng)性問題依然存在[3]。

2.2粒子濾波方法的研究現(xiàn)狀及存在問題分析

為了便于采樣和計算，標(biāo)準(zhǔn)粒子濾波器算法通常選用系統(tǒng)狀態(tài)一步轉(zhuǎn)移概率的方法對建議分布函數(shù)進(jìn)行采樣處理。該方法雖然實現(xiàn)難度不大，但是其濾波精度依然要依賴系統(tǒng)模型的構(gòu)建誤差產(chǎn)生情況。如果模型建立誤差比較大，受所選取的建議分布函數(shù)最新觀測信息的低效率修正作用影響，經(jīng)過多次迭代就會導(dǎo)致系統(tǒng)模型失配誤差增大，從而導(dǎo)致“粒子權(quán)值退化”。最終的結(jié)果是濾波估計精度大幅降低。與此同時，在工程應(yīng)用領(lǐng)域?qū)嵺`過程中,受環(huán)境噪聲和人為干擾的影響,模型偏移誤差是一種常態(tài)。因此，標(biāo)準(zhǔn)粒子濾波器算法的核心是高效的建議分布函數(shù)選取問題。雖然粒子濾波方法在混合智能故障診斷與預(yù)測技術(shù)中獲得了很好的應(yīng)用，但是，當(dāng)前的研究均是針對粒子濾波“權(quán)值退化”問題開展的相關(guān)研究，其主要思想就是在采樣粒子濾波進(jìn)行重采樣階段通過一系列的優(yōu)化技術(shù)對采樣密度進(jìn)行修正[4]。上述所提到的改進(jìn)算法通過消弱因重采樣帶來的權(quán)值退化問題實現(xiàn)總體濾波精度提升，但這些研究均是假設(shè)高斯白噪聲在系統(tǒng)噪聲和量測噪聲相互獨(dú)立的前提下展開，并且認(rèn)為系統(tǒng)的過程與量測噪聲特性是先驗已知的。因此，為了實現(xiàn)復(fù)雜系統(tǒng)對濾波精度的要求，實現(xiàn)強(qiáng)擾動、多干擾情況下相關(guān)噪聲統(tǒng)計特性未知的非線性精確、魯棒濾波技術(shù)是目前該領(lǐng)域急需解決的重點(diǎn)問題。

3關(guān)鍵技術(shù)實現(xiàn)

本論文針對當(dāng)前研究中存在的問題，以大型機(jī)械設(shè)備運(yùn)行中存在的強(qiáng)擾動、多干擾噪聲為背景，建立合理的故障混合智能診斷模型，確定不同模型的分界閾值；深入分析多噪聲相關(guān)情況下噪聲聯(lián)合概率密度的數(shù)學(xué)分解表達(dá)式及噪聲統(tǒng)計特性的分布函數(shù)，以高斯噪聲為背景，推導(dǎo)最優(yōu)建議分布函數(shù)的具體解析表達(dá)式，實現(xiàn)強(qiáng)擾動、多噪聲干擾情況下故障診斷的精確、魯棒濾波。具體而言，本文擬開展以下三個方面內(nèi)容的研究，其相互之間的邏輯關(guān)系如圖2所示。

3.1建立故障混合智能診斷的交互多模型

在強(qiáng)擾動與多噪聲干擾的情況下，噪聲信號及擾動信號相互干擾，為系統(tǒng)模型的建立帶來了很大的挑戰(zhàn)，如何確定合理的分界閾值，實現(xiàn)系統(tǒng)噪聲特性未知與已知情況下診斷模型的自適應(yīng)分類與更新，是實現(xiàn)強(qiáng)非線性系統(tǒng)故障診斷濾波技術(shù)首要解決的問題。為了解決這個問題，通過多種傳感器對信號的豐富檢測，建立完備的特征信息觀測空間，以強(qiáng)擾動信息及多干擾噪聲為背景，建立噪聲統(tǒng)計特性未知與已知情況下的混合交互模型，并確定不同模型在應(yīng)用中的分界閾值。

3.2確定多噪聲相關(guān)情況下最優(yōu)建議分布函數(shù)的表達(dá)形式

在故障混合診斷系統(tǒng)中，由于需要對多種傳感器的量測信息進(jìn)行離散化處理，加之工程應(yīng)用環(huán)境中復(fù)雜噪聲的影響，無法滿足噪聲相互獨(dú)立的條件，導(dǎo)致目前基于噪聲獨(dú)立的非線性濾波算法在實際工程應(yīng)用中收斂性較差，甚至發(fā)散。因此，本文深入分析系統(tǒng)模型噪聲與多個觀測噪聲之間的相互關(guān)系，并給出噪聲聯(lián)合概率密度的分解表達(dá)式與噪聲相關(guān)情況下的故障診斷系統(tǒng)狀態(tài)模型，并以高斯相關(guān)噪聲為背景，在一定最優(yōu)準(zhǔn)則下推導(dǎo)噪聲相關(guān)情況下最優(yōu)建議分布函數(shù)的具體數(shù)學(xué)表達(dá)形式。

3.3實現(xiàn)相關(guān)噪聲未知特性與故障狀態(tài)的聯(lián)合濾波估計

由于強(qiáng)擾動和工程應(yīng)用環(huán)境復(fù)雜噪聲的影響，系統(tǒng)噪聲的統(tǒng)計特性是無法預(yù)先精確獲取的，如何建立合理的噪聲未知統(tǒng)計特性數(shù)學(xué)模型，并在前期建立的相關(guān)噪聲最優(yōu)非線性濾波方法的基礎(chǔ)上實現(xiàn)噪聲未知統(tǒng)計特性的實時估計與修正，是建立精確有效的故障混合智能診斷系統(tǒng)的基礎(chǔ)支撐理論之一。因此，本文嘗試在基于相關(guān)噪聲未知統(tǒng)計特性的具體概率分布函數(shù)基礎(chǔ)上，建立聯(lián)合估計的噪聲統(tǒng)計特性與故障檢測狀態(tài)濾波方程，從而實現(xiàn)精確、精確的強(qiáng)擾動、多噪聲干擾背景下故障混合智能診斷的非線性濾波方法。

4結(jié)束語

近年來的研究充分證明了PF算法是一種行之有效且非常具有發(fā)展?jié)摿Φ膹?qiáng)非線性濾波方法，特別適合大型復(fù)雜非線性系統(tǒng)的濾波處理。本論文所提出的方案從理論上解決了大型機(jī)械故障診斷過程中交互多模型的建立、相關(guān)噪聲概率密度的分解及噪聲未知特性的在線估計的問題，具體表現(xiàn)在下面幾個方面：（1）各種噪聲特性下已經(jīng)建立的狀態(tài)模型為復(fù)雜系統(tǒng)多模型的建立提供了有效的借鑒，聯(lián)測信息完備與缺失狀態(tài)下的模型交互技術(shù)為交互多模型的建立奠定了技術(shù)基礎(chǔ)。（2）借助于獨(dú)立噪聲聯(lián)合概率密度函數(shù)的分解思想，通過分析觀測信息與系統(tǒng)模型之間的關(guān)系，借助隨機(jī)信號處理技術(shù)及概率統(tǒng)計的思想，可以在條件概率的基礎(chǔ)上對聯(lián)合噪聲密度進(jìn)行有效可行的分解。（3）在系統(tǒng)噪聲能夠滿足高斯分布特性情況下，PF算法可以根據(jù)聯(lián)合高斯噪聲的分布情況，可以借助不同的濾波方法對噪聲時變的統(tǒng)計特性進(jìn)行實時的預(yù)測、估計。

參考文獻(xiàn)：

[1]雷亞國，何正嘉.混合智能故障診斷與預(yù)示技術(shù)的應(yīng)用進(jìn)展[J].振動與沖擊，2010,30（9）：129-135.

[2]雷亞國，何正嘉，訾艷陽，等．基于混合智能新模型的故障診斷[J].機(jī)械工程學(xué)報，2009，44（7）：112-117.

[3]田承偉，宗長富，姜國彬，等.基于雙自適應(yīng)Kalman濾波的線控轉(zhuǎn)向汽車傳感器故障診斷[J].中國公路學(xué)報，2009，22（4）：115-121.

[4]曹潔，李偉.一種改進(jìn)的粒子濾波算法及其性能分析[J].計算機(jī)工程與應(yīng)用，2012，48（8）：144-147.

[5]曲彥文，張二華，楊靜宇.改進(jìn)的無跡粒子濾波算法[J].控制理論與應(yīng)用，2010，27（9）：1152-1158.

作者：廖應(yīng)學(xué) 馬振鋒 單位：百色職業(yè)學(xué)院