文/卿宇搏 莫學(xué)芳 吳上海

隨著現(xiàn)代科學(xué)技術(shù)水平的日益提高，尤其是計(jì)算機(jī)科學(xué)和控制科學(xué)的飛速發(fā)展，現(xiàn)代控制系統(tǒng)的結(jié)構(gòu)日益復(fù)雜，功能越來(lái)越完善，規(guī)模也越來(lái)越龐大，人們對(duì)于設(shè)備的安全性、可靠性和有效性的要求也越來(lái)越高，因此故障診斷技術(shù)愈來(lái)愈受到人們的重視。

在部隊(duì)中對(duì)系統(tǒng)、設(shè)備的安全要求更高，對(duì)快速、準(zhǔn)確、高效的故障診斷技術(shù)的需求更迫切。比如在軍隊(duì)油料儲(chǔ)運(yùn)過(guò)程中，油泵房是管道輸油中最關(guān)鍵的場(chǎng)所，泵房的運(yùn)行管理水平的高低直接關(guān)系著輸油能否安全、平穩(wěn)、高效、低能耗和部隊(duì)保障能力的好壞。而目前，油料儲(chǔ)運(yùn)過(guò)程在用故障診斷模式主要為人工巡檢獲取故障征兆，基于專家經(jīng)驗(yàn)實(shí)施人工故障診斷。在油庫(kù)泵房的具體工作過(guò)程中，由于其工作環(huán)境惡劣、工作狀態(tài)復(fù)雜，當(dāng)故障發(fā)生時(shí)，很難及時(shí)準(zhǔn)確地判斷故障發(fā)生的部位及原因。因此，如何將人工診斷模式轉(zhuǎn)變?yōu)樽詣?dòng)診斷模式，實(shí)時(shí)獲得低誤報(bào)率和低漏報(bào)率的故障檢測(cè)與診斷結(jié)果，是進(jìn)一步提高油料儲(chǔ)運(yùn)安全與穩(wěn)定的前提。

1.故障診斷技術(shù)發(fā)展概述

眾所周知，基于解析冗余的故障診斷技術(shù)是從二十世紀(jì)七十年代初首先在美國(guó)發(fā)展起來(lái)的。1967 年，在美國(guó)宇航局和海軍研究所的倡導(dǎo)和組織下，成立了美國(guó)機(jī)械故障預(yù)防小組（MFPG），對(duì)故障診斷技術(shù)分專題進(jìn)行研究。1971 年，麻省理工學(xué)院的Beard發(fā)表的博士論文[1]和Mehra和Peschon發(fā)表在Automatica上的論文[2]，首先提出了用軟件冗余代替硬件冗余、通過(guò)系統(tǒng)自組織使系統(tǒng)閉環(huán)穩(wěn)定、通過(guò)比較器的輸出得到系統(tǒng)故障信息的新思想，標(biāo)志著控制系統(tǒng)故障診斷技術(shù)的開(kāi)端。

在國(guó)內(nèi)，第一篇故障診斷技術(shù)的綜述文章[3]由葉銀忠等人于1985年在《信息與控制》上發(fā)表； 1994 年，清華大學(xué)出版社出版了國(guó)內(nèi)第一本動(dòng)態(tài)系統(tǒng)故障診斷技術(shù)的學(xué)術(shù)專著，即周東華等人編寫(xiě)的《控制系統(tǒng)的故障檢測(cè)與診斷技術(shù)》[4]。隨后幾年又有新的論文發(fā)表和學(xué)術(shù)專著出版。

1990年，國(guó)際控制系統(tǒng)故障診斷權(quán)威、德國(guó)杜伊斯堡大學(xué)的P.M.Frank教授將基于軟件冗余的故障診斷方法劃分為三大類(lèi)[5]：基于解析模型的方法、基于知識(shí)的方法和基于信號(hào)處理的方法?；诮馕瞿Ｐ偷墓收显\斷方法是最早發(fā)展起來(lái)的，適用于被控過(guò)程能夠建立精確的數(shù)學(xué)模型。基于信號(hào)處理的故障方法適用于那些雖然被控對(duì)象的精確的解析數(shù)學(xué)模型很難建立，但是可以得到輸入輸出信號(hào)的被控過(guò)程?；谥R(shí)的故障診斷方法則適用于被控對(duì)象的數(shù)學(xué)模型和輸入輸出信號(hào)都不能得到的被控過(guò)程。

在理論研究的深入和相關(guān)領(lǐng)域的發(fā)展的同時(shí), 各種新的診斷方法也層出不窮，上述劃分方式已不是十分準(zhǔn)確，尤其對(duì)于工業(yè)過(guò)程故障診斷領(lǐng)域發(fā)展起來(lái)的新方法更是如此。如控制圖方法、主元分析法(PCA)和部分最小二乘法(PLS)等與統(tǒng)計(jì)學(xué)有關(guān)的方法，歸為信號(hào)處理的方法并不恰當(dāng)。此外基于圖論的一些方法，把它們歸于基于知識(shí)的方法也不是很合適。美國(guó)Purdue 大學(xué)Venkatasubramanian 教授將控制系統(tǒng)故障診斷方法分為：基于定量模型的方法、基于定性模型的方法和基于過(guò)程歷史數(shù)據(jù)的方法三大類(lèi)[6]，突出了基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷知識(shí)獲取方式。

2.故障診斷方法及其研究現(xiàn)狀

2.1 基于定量模型的方法

基于定量模型的方法是發(fā)展最早、研究最系統(tǒng)的一種故障診斷方法。它隨著解析冗余思想的提出而形成發(fā)展，指導(dǎo)思想是用解析冗余取代硬件冗余，通過(guò)比較診斷對(duì)象的可測(cè)信息和由冗余數(shù)學(xué)模型表達(dá)的系統(tǒng)先驗(yàn)知識(shí)，產(chǎn)生殘差，并對(duì)殘差進(jìn)行分析和處理，獲取故障信息，從而實(shí)現(xiàn)故障診斷[7]。基于定量模型的故障診斷方法分為基于狀態(tài)估計(jì)的方法和基于參數(shù)估計(jì)的方法。

（1） 基于狀態(tài)估計(jì)的故障診斷方法。

由于被控過(guò)程的狀態(tài)直接反映系統(tǒng)的運(yùn)行狀態(tài)，所以只要估計(jì)出系統(tǒng)的狀態(tài)，并結(jié)合適當(dāng)?shù)哪Ｐ图纯蓪?duì)被控對(duì)象進(jìn)行故障診斷。這種方法首先利用系統(tǒng)的解析模型和可測(cè)信息，重構(gòu)系統(tǒng)的被控過(guò)程，構(gòu)造殘差序列，殘差序列中包含豐富的故障信息，再對(duì)殘差進(jìn)行分析處理，從而實(shí)現(xiàn)故障的檢測(cè)與診斷[8]。殘差序列通過(guò)設(shè)計(jì)檢測(cè)濾波器(觀測(cè)器)產(chǎn)生。通?？捎肔uenberger 觀測(cè)器及卡爾曼濾波器進(jìn)行狀態(tài)估計(jì)。如Caliskan將Kalman 濾波器用于傳感器的故障檢測(cè)[9]。Keller 則仔細(xì)分析了用于故障診斷的Kalman 濾波器的結(jié)構(gòu)，并對(duì)其殘差進(jìn)行了解耦，使得能夠同時(shí)檢測(cè)多個(gè)傳感器故障[10]。國(guó)內(nèi)應(yīng)用kalman濾波器進(jìn)行故障診斷的方法如文獻(xiàn)[11]采用卡爾曼濾波器組，建立航空發(fā)動(dòng)機(jī)控制系統(tǒng)傳感器故障診斷系統(tǒng)，實(shí)現(xiàn)對(duì)單個(gè)傳感器故障的檢測(cè)、隔離與重構(gòu)（FDIA），并分析了測(cè)量噪聲對(duì)故障診斷系統(tǒng)性能的影響，為發(fā)動(dòng)機(jī)在線傳感器故障診斷系統(tǒng)的實(shí)現(xiàn)提供了理論依據(jù)?；跔顟B(tài)估計(jì)的故障診斷方法依然是人們研究的一個(gè)熱點(diǎn)。狀態(tài)估計(jì)方法，在能獲得系統(tǒng)的精確數(shù)學(xué)模型的情況下，是最簡(jiǎn)單、有效的故障診斷方法。然而由于實(shí)際控制系統(tǒng)大多是非線性系統(tǒng)，且非線性系統(tǒng)對(duì)象的數(shù)學(xué)模型很難建立，所以基于狀態(tài)估計(jì)的故障診斷方法研究主要集中于線性系統(tǒng)，對(duì)非線性系統(tǒng)的研究成果還比較少。目前處理非線性系統(tǒng)主要有兩種方法，一是將非線性系統(tǒng)整體或局部線性化，二是基于非線性觀測(cè)器和參數(shù)估計(jì)的方法。

（2） 基于參數(shù)估計(jì)的故障診斷方法。

參數(shù)估計(jì)的故障診斷方法是根據(jù)模型參數(shù)及相應(yīng)的物理參數(shù)的變化量序列的統(tǒng)計(jì)特性來(lái)進(jìn)行故障診斷。其基本思想是根據(jù)系統(tǒng)參數(shù)及相應(yīng)的過(guò)程參數(shù)變化來(lái)檢測(cè)故障。因?yàn)楸辉\斷對(duì)象的故障可以視為其過(guò)程參數(shù)的變化，而過(guò)程參數(shù)的變化又往往導(dǎo)致系統(tǒng)參數(shù)的變化?；趨?shù)估計(jì)的故障診斷方法主要有濾波器方法和最小二乘法。參數(shù)估計(jì)方法與狀態(tài)估計(jì)方法相比，前者更利于故障的分離，但計(jì)算量偏大。

2.2 基于定性模型的方法

基于定性模型的故障診斷方法不需要系統(tǒng)精確的數(shù)學(xué)模型?；诙ㄐ阅Ｐ偷姆椒ò堰^(guò)程特性的外部表現(xiàn)和人類(lèi)專家對(duì)故障判斷和處理的經(jīng)驗(yàn)，通過(guò)抽象化方法直接建立各種過(guò)程變量與故障模式之間的定性模型，對(duì)系統(tǒng)進(jìn)行推理，預(yù)測(cè)系統(tǒng)的定性行為，通過(guò)與實(shí)際的系統(tǒng)行為比較，檢測(cè)系統(tǒng)是否發(fā)生故障，并診斷系統(tǒng)的故障原因[12]?；诙ㄐ阅Ｐ偷姆椒梢苑譃橐蚬Ｐ头椒ê统橄髮哟畏椒?，主要包括定性過(guò)程理論法(QPT)、定性仿真法(QSIM)和知識(shí)觀測(cè)器法、定性觀測(cè)器法(QOB)、有向圖方法(SDG)、故障樹(shù)方法(fault tree)等。其中，定性仿真方法是基于定性模型的故障診斷方法的重要部分。定性仿真方法于1994 年由Kuipers提出，它依據(jù)系統(tǒng)的故障模型進(jìn)行診斷推理。該方法首先利用定性變量（系統(tǒng)物理參數(shù)）和定性微分方程（參數(shù)間相互關(guān)系）構(gòu)造約束模型，然后通過(guò)約束模型描述和模仿系統(tǒng)的結(jié)構(gòu)，從而得到由約定初始狀態(tài)出發(fā)的系統(tǒng)狀態(tài)。文獻(xiàn)[13]提出了一種全新的類(lèi)似于基于解析模型的方法中的狀態(tài)觀測(cè)器和Kalman濾波器的知識(shí)觀測(cè)器。該知識(shí)觀測(cè)器由定性模型、差異檢測(cè)器、候選人發(fā)生器及相應(yīng)診斷策略組成，其核心是定性模型。

基于定性模型的故障診斷方法一般比較簡(jiǎn)單，構(gòu)造模型容易、可靠性高、解析能力強(qiáng)、魯棒性好，具有新故障辨識(shí)能力等。但是此方法也存在許多不足，如：利用定性方法描述系統(tǒng)，預(yù)測(cè)較為保守，因此微小的故障往往容易被忽略。

2.3 基于歷史數(shù)據(jù)的方法

基于歷史數(shù)據(jù)的故障診斷方法的研究與應(yīng)用興起于上世紀(jì)90年代。不同于基于模型的方法需要過(guò)程先驗(yàn)知識(shí)（不管是定性的還是定量的），基于歷史數(shù)據(jù)的方法僅需要大量有效的過(guò)程歷史數(shù)據(jù)?；谶^(guò)程歷史數(shù)據(jù)的方法以采集的過(guò)程數(shù)據(jù)為基礎(chǔ)，通過(guò)各種數(shù)據(jù)處理與分析方法（如多元統(tǒng)計(jì)方法、聚類(lèi)分析、頻譜分析、小波分析等）挖掘出數(shù)據(jù)中隱含的信息，提高監(jiān)控系統(tǒng)的監(jiān)控和故障診斷能力?；跉v史數(shù)據(jù)的故障診斷方法又分為定性方法和定量方法。

（1） 定性方法。

定性方法中應(yīng)用最廣的是基于規(guī)則的專家系統(tǒng)方法和定性趨勢(shì)分析方法。

①專家系統(tǒng) 專家系統(tǒng)方法通過(guò)系統(tǒng)知識(shí)的獲取，由推理機(jī)根據(jù)故障特征診斷出故障。專家系統(tǒng)通常由數(shù)據(jù)庫(kù)、推理機(jī)和知識(shí)庫(kù)組成。文獻(xiàn)[14]利用專家系統(tǒng)工具CLIPS并結(jié)合C語(yǔ)言開(kāi)發(fā)傳感器故障在線診斷專系統(tǒng)。專家系統(tǒng)的優(yōu)點(diǎn)是不依賴于系統(tǒng)模型，規(guī)則易于增加和刪除，但也有不易克服的缺陷，如實(shí)際應(yīng)用中知識(shí)獲取的“瓶頸”問(wèn)題，而且對(duì)新故障不能診斷。傳統(tǒng)的專家系統(tǒng)進(jìn)行傳感器的故障診斷存在局限性。

②定性趨勢(shì)分析方法 趨勢(shì)可以反映仿真系統(tǒng)[15]運(yùn)行狀態(tài)的重要參數(shù)、發(fā)展速度與趨勢(shì)，為故障的早期判定提供一個(gè)有效的手段?；诙ㄐ在厔?shì)分析的故障診斷方法的基本思想是首先利用趨勢(shì)提取算法，將時(shí)間序列轉(zhuǎn)換為基元序列，然后采用相容度檢驗(yàn)或基于模糊邏輯的相似度檢驗(yàn)，將實(shí)時(shí)趨勢(shì)與知識(shí)庫(kù)里的特征趨勢(shì)相匹配，以檢測(cè)過(guò)程狀態(tài)或行為，獲取故障類(lèi)型，實(shí)時(shí)診斷故障。基于定性趨勢(shì)分析的故障診斷方法具有快速檢測(cè)診斷故障、解析能力強(qiáng)、魯棒性好并新故障辨識(shí)能力等優(yōu)點(diǎn)，已被廣泛地用于過(guò)程狀態(tài)監(jiān)測(cè)、數(shù)據(jù)壓縮、故障檢測(cè)和診斷。但由于這種方法是基于數(shù)據(jù)的，在提取和識(shí)別趨勢(shì)的過(guò)程中，計(jì)算的時(shí)間會(huì)限制這種方法的應(yīng)用。

（2） 定量方法。

基于歷史數(shù)據(jù)的故障診斷定量方法分為統(tǒng)計(jì)學(xué)方法和非統(tǒng)計(jì)學(xué)方法。這兩類(lèi)方法都是對(duì)實(shí)時(shí)數(shù)據(jù)的抽樣進(jìn)行特征提取的方法。統(tǒng)計(jì)學(xué)方法包括支持向量機(jī)（SVM）、主元分析法(PCA)、部分最小二乘法(PLS)等，非統(tǒng)計(jì)學(xué)方法即常用的神經(jīng)網(wǎng)絡(luò)法。

①主元分析法 主元分析法的基本思想是用一組互不相關(guān)的新變量代替原變量。這組新變量是原變量的線性組合，不但個(gè)數(shù)比原變量少，而且盡可能地?cái)y帶原變量的有用信息。

②神經(jīng)網(wǎng)絡(luò)方法 神經(jīng)網(wǎng)絡(luò)具有以任意精度逼近任何連續(xù)非線性函數(shù)的能力，以及從樣本學(xué)習(xí)的能力，已經(jīng)廣泛應(yīng)用于控制系統(tǒng)元部件、執(zhí)行器和傳感器的故障診斷。針對(duì)控制系統(tǒng)的非線性特征，利用神經(jīng)網(wǎng)絡(luò)的非線性大規(guī)模并行處理方面的能力，以及容錯(cuò)性及學(xué)習(xí)能力[16]，通過(guò)離線學(xué)習(xí)構(gòu)建神經(jīng)網(wǎng)絡(luò)觀測(cè)器、神經(jīng)網(wǎng)絡(luò)辨識(shí)器或神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器模型，在線將模型輸出與系統(tǒng)實(shí)際輸出比較得到殘差，通過(guò)對(duì)殘差進(jìn)行分析和處理，獲取故障信息，從而實(shí)現(xiàn)控制對(duì)象故障的實(shí)時(shí)診斷。

③支持向量機(jī) 下面將著重介紹支持向量機(jī)的故障診斷方法。

3.支持向量機(jī)的研究現(xiàn)狀

作為支持向量機(jī)的奠基者，Vapnik早在60年代就開(kāi)始了統(tǒng)計(jì)學(xué)習(xí)理論的研究，1971年，Vapnik和Chervonenkis提出了SVM的一個(gè)重要理論基礎(chǔ)——VC維理論。1982年，Vapnik進(jìn)一步提出了具有劃時(shí)代意義的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，堪稱SVM算法的基石。

1992年，Boser、Guyon和Vapnik，提出了最優(yōu)邊界分類(lèi)器。

1993年，Cortes和Vapnik進(jìn)一步討論了非線性最優(yōu)邊界的分類(lèi)問(wèn)題。

1995年，Vapnik完整地提出了SVM分類(lèi)器。

1997年，Vapnik、Gokowich和Smola詳細(xì)介紹了基于SVM方法的回歸算法和信號(hào)處理方法。

Vapnik在1995年出版了專著“The Nature of Statistical Learning Theory”[17]之后，在國(guó)際范圍內(nèi)引起了研究學(xué)習(xí)統(tǒng)計(jì)學(xué)習(xí)理論(Statistical Learning Theory, SLT)和支持向量機(jī)(Support Vector Machines, SVM)算法的熱潮，各種雜志都紛紛撰文介紹SLT和SVM的內(nèi)容[18,19]，各個(gè)領(lǐng)域的研究人員也紛紛將SLT理論和SVM算法應(yīng)用到不同的領(lǐng)域，如模式識(shí)別[20,21]，回歸分析[22]，信號(hào)處理[23]等。

和目前比較常用的神經(jīng)網(wǎng)絡(luò)診斷方法相比，SVM具有以下顯著的優(yōu)勢(shì)[17,24]：

①堅(jiān)強(qiáng)的理論背景使得SVM有很高的推廣能力，可以避免過(guò)度訓(xùn)練。

②SVM通常有解，可以使用一個(gè)標(biāo)準(zhǔn)的算法(二次規(guī)劃)很快地求得解，而且這個(gè)解通常是全局最優(yōu)解，因此不會(huì)出現(xiàn)局部能量最小點(diǎn)的問(wèn)題。

③SVM不需要事先確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，當(dāng)訓(xùn)練過(guò)程結(jié)束時(shí)自動(dòng)地確定拓?fù)浣Y(jié)構(gòu)。

④SVM可被看作信息縮減的一種表達(dá)，它可以解決高維問(wèn)題而且可以避免“維數(shù)災(zāi)難”。

⑤SVM對(duì)小樣本機(jī)器學(xué)習(xí)有著良好的性能。

由于SVM算法的潛在的應(yīng)用價(jià)值，吸引了國(guó)際上眾多的知名學(xué)者，近幾年對(duì)其研究不斷深入，出現(xiàn)了許多發(fā)展和改進(jìn)的支持向量算法[25]。SVM機(jī)器學(xué)習(xí)算法很好地執(zhí)行了統(tǒng)計(jì)學(xué)習(xí)理論的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，其應(yīng)用于故障診斷最大的優(yōu)勢(shì)在于它適合于小樣本決策，其學(xué)習(xí)方法的本質(zhì)在于能夠在有限特征信息情況下，最大限度地發(fā)掘數(shù)據(jù)中隱含的分類(lèi)知識(shí)，這一點(diǎn)對(duì)于故障診斷而言有很強(qiáng)的實(shí)際意義。

支持向量機(jī)理論表現(xiàn)出來(lái)的良好性能吸引了故障診斷領(lǐng)域研究人員的注意，國(guó)內(nèi)外眾多學(xué)者對(duì)其在智能故障診斷領(lǐng)域的應(yīng)用進(jìn)行了研究。如 Poyhonen.S 等人在電子機(jī)器故障診斷方面對(duì) SVM 的應(yīng)用進(jìn)行了研究[26]；Achmad Widodo 等將 SVM應(yīng)用于異步電動(dòng)機(jī)故障診斷中[27]；JunFeng Gao 等將 SVM 用于往復(fù)式泵故障診斷[28]；肖健華對(duì)應(yīng)用于故障診斷的 SVM 進(jìn)行了理論研究[29]，對(duì)樣本不對(duì)稱情況進(jìn)行了算法改進(jìn)[30]并在齒輪故障診斷中進(jìn)行了應(yīng)用研究[31]；胡壽松將 SVM 應(yīng)用于非線性系統(tǒng)故障診斷[32]；重慶大學(xué)博士馬笑瀟對(duì) SVM 在智能故障診斷中的應(yīng)用[33,34]進(jìn)行了詳細(xì)的探討；西安交通大學(xué)博士祝海龍?jiān)谄洳┦繉W(xué)位論文[25]中對(duì)統(tǒng)計(jì)學(xué)習(xí)理論的工程應(yīng)用進(jìn)行了不同領(lǐng)域的研究，涉及信號(hào)消噪機(jī)械故障診斷和人臉檢測(cè)，其中故障診斷方面研究了汽車(chē)發(fā)動(dòng)機(jī)振動(dòng)故障的自動(dòng)診斷；張周鎖等對(duì)基于支持向量機(jī)的機(jī)械故障診斷方法進(jìn)行了研究[35]；董明等將其用于大型電力變壓器故障診斷模型研究[36]；朱凌云等從數(shù)據(jù)挖掘的角度運(yùn)用 SVM 分類(lèi)算法進(jìn)行自動(dòng)缺陷識(shí)別的方法研究[37]。

這些針對(duì)不同故障對(duì)象的診斷研究在理論和仿真方面都取得了基本令人滿意的結(jié)果，表明了支持向量機(jī)算法適合于故障診斷領(lǐng)域。可考慮將支持向量機(jī)引入油庫(kù)泵房過(guò)程監(jiān)控和故障診斷中，以確保油庫(kù)泵房的正常運(yùn)行。

4.故障診斷發(fā)展趨勢(shì)

基于定性模型、基于定量模型、基于歷史數(shù)據(jù)的診斷方法各有其優(yōu)勢(shì)和特點(diǎn)，但它們各自也存在著局限性。對(duì)于實(shí)際對(duì)象的故障診斷，如用單一的方法，有時(shí)難以準(zhǔn)確快速地完成對(duì)復(fù)雜對(duì)象的故障診斷。因此，多種診斷方法的結(jié)合將多種不同的智能技術(shù)結(jié)合起來(lái)的混合診斷系統(tǒng)，是智能故障診斷研究的一個(gè)發(fā)展趨勢(shì)。集成診斷方法能綜合各診斷方法的特點(diǎn)，能克服各診斷方法的局限性，從而提高診斷系統(tǒng)的智能性和診斷效率。比如陳淼峰將時(shí)頻分析的經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和模式識(shí)別的支持向量機(jī)(SVM)應(yīng)用于轉(zhuǎn)子系統(tǒng)的故障診斷中[38]；高東等提出一種 PCA 與 SDG（符號(hào)有向圖）相結(jié)合的傳感器故障診斷的方法[39]智能故障診斷系統(tǒng)的核心問(wèn)題是它的學(xué)習(xí)能力。知識(shí)的自動(dòng)獲取一直是智能故障診斷系統(tǒng)研究中的難點(diǎn)。解決知識(shí)獲取問(wèn)題的途徑是機(jī)器學(xué)習(xí)，即讓機(jī)器自身具有獲取知識(shí)的能力，能在實(shí)際工作中不斷總結(jié)成功和失敗的經(jīng)驗(yàn)教訓(xùn)，對(duì)知識(shí)庫(kù)中的知識(shí)自動(dòng)進(jìn)行調(diào)整和修改，以豐富和完善系統(tǒng)的知識(shí)。機(jī)器學(xué)習(xí)是提高故障診斷系統(tǒng)智能的主要途徑，也是衡量一個(gè)系統(tǒng)智能程度的主要標(biāo)志。因此，發(fā)展和完善現(xiàn)有的機(jī)器學(xué)習(xí)方法，探索新的學(xué)習(xí)方法，建立實(shí)用的機(jī)器學(xué)習(xí)系統(tǒng)，特別是多種學(xué)習(xí)方法協(xié)同工作的智能診斷系統(tǒng)，將是今后研究的一個(gè)重要方向。

[1]Beard R V.Fault accommodation in linear systems throughself-reorganization. ReportVT-71-1,ManVehicleLab, MIT,Cambridge, Massachusetts,1971

[2]Mehra R K,Peschon J.An innovation approach to fault detection anddiagnosis in dynamics.Automatica,1971,7:637～640

[3]葉銀忠,潘日芳,蔣慰孫.動(dòng)態(tài)系統(tǒng)的故障檢測(cè)與診斷方法.信息與控制1985,15(6):27～34

[4]周東華,孫優(yōu)賢.控制系統(tǒng)的故障檢測(cè)與診斷技術(shù)[m].北京:清華大學(xué)出版社,1994

[5]Frank P M. Fault diagnosis in dynamics systems using analytical and knowledge-based redundancy: a survey and some new results [J]. Automatica, 1990, 26(3): 459～474.

[6]Venkatasubramanian V, Rengaswamy R, N S ,et al.A review of process fault detection and diagnosis: Quantitative model-based methods [J]. Computers and Chemical Engineering,2003,27(3): 293～346

[7]Isermann R. Model-based fault-detection and diagnosis—status and applications [J]. Annual Reviews in Control, 2005, 29(1):71～85

[8]聞新，張洪鑰，周露.控制系統(tǒng)的故障診斷和容錯(cuò)控制[M].北京:機(jī)械工業(yè)出版社，1998.

[9]Caliskan F, Hajiyev C M.Aircraft Sensor Fault Diagnosis Based on Kalman Filter Innovation Sequence [C]. Proceedings of 37th Conference on Decision &Control.Tampa, USA,1998:1313～1314.

[10]Keller J Y. Fault isolation filters design for linear stochastic systems [J]. Automatica, 1999,35:1701～1706.

[11]陳毅, 黃金泉, 張鵬.航空發(fā)動(dòng)機(jī)控制系統(tǒng)傳感器FDIA系統(tǒng)仿真[J].航空動(dòng)力學(xué)報(bào),2008,23(2): 396～400.

[12]王文輝，周東華. 基于定性和半定性方法的故障檢測(cè)與診斷技術(shù)[J].控制理論與應(yīng)用,2002,19(5):653～666.

[13]Frank,P.M.,New developments using AI in fault diagnosis[J].Proc.of IFAC Workshop on Artifical Intelligence in Real～time Control,Bled,Slovenia,1995.

[14]蔣東翔,張禮勇.基于知識(shí)的傳感器故障在線診斷系統(tǒng)[J].電測(cè)與儀表, 1993(11): 39～41.

[15]楊明, 張冰, 王子才. 建模與仿真技術(shù)發(fā)展趨勢(shì)分析[J].系統(tǒng)仿真學(xué)報(bào), 2004, 16(9):1901～1904.

[16]從爽.神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)及其在運(yùn)動(dòng)控制中的應(yīng)用[M]，北京：中國(guó)科學(xué)技術(shù)大學(xué)出版社，2002

[17]Vapnik V.N. The nature of statistical learning theory, New York: Springer～Verlag, 1995

[18]Vapnik V.N. An overview of statistical learning theory [J],IEEE Trans Neural Networks,1999,10(5):988～999

[19]Vidgasagar. A theory of learning and generalization. New York: Springer-Verlag, 1997

[20]Burges C.J.C. Simplified Support Vector Learning.Cambridge, MA:MIT Press, 1999

[21]Scholkopf. B, Mika S, Burges C.J.C. etc. Input space versus feature space in kernel based methods [J]. IEEE Trans Neural Networks, 1999,10(5):1000～1017

[22]Smola A., Scholkopf B. A tutorial on support vector regression. Neuro COLT: Technical Report,19, 1998

[23]Vapnik V.N. Support vector method for function approximation, regression, and signal processing.In:Proc.NIPS’9,San,1997

[24]張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動(dòng)化學(xué)報(bào)，2000,26(1):32～42

[25]祝海龍.統(tǒng)計(jì)學(xué)習(xí)理論的工程應(yīng)用[D].[博士學(xué)位論文],西安:西安交通大學(xué),2002

[26]Poyhonen S, Negrea M, Arkkio A. etc. Support vector classification for fault diagnostics of an electrical machine[C].Proc. of international conference on signal processing (ICSP’02), Beijing,China, August, 2002,26～30

[27]Achmad Widodo, Bo Suk Yang, Tian Han. Combination of independent component analysis and support vector machines for intelligent faults diagnosis of induction motors [J]. Expert Systems with Applications.2006,233～242

[28]Junfeng Gao, Wengang Shi, Jianxun Tan, etc. Support Vector Machines based on Approach for Fault Diagnosis of Valves in Reciprocating Pumps[C]. Proc of the 2002 IEEE Canadian Conference of Electrical & Computer Engineering.1622～1627

[29]肖健華,樊可清,吳今培.應(yīng)用于故障診斷的SVM理論研究[J].振動(dòng)、測(cè)試與診斷,2001,21(4):258～262

[30]肖健華,吳今培.樣本數(shù)目不對(duì)稱時(shí)的SVM模型[J].計(jì)算機(jī)科學(xué),2003,30(2):165～167

[31]肖健華,吳今培,樊可清.基于支持向量機(jī)的齒輪故障診斷方法[J].中國(guó)制造業(yè)信息化,2003,32(2):107～109

[32]胡壽松,王源.基于支持向量機(jī)的非線性系統(tǒng)故障診斷[J].控制與決策,2001,16(5):617～620

[33]馬笑瀟,黃席樾.基于SVM二叉樹(shù)分類(lèi)算法及其在故障診斷中的應(yīng)用[J].控制與決策,2002,18:272～276

[34]馬笑瀟,黃席樾,柴毅.基于支持向量機(jī)的故障過(guò)程趨勢(shì)預(yù)測(cè)研究[J].系統(tǒng)仿真學(xué)報(bào),2002,14(11):1548～1551

[35]張周鎖,李凌均,何正嘉.基于支持向量機(jī)的機(jī)械故障診斷方法研究[J].西安交通大學(xué)學(xué)報(bào),2002,36(12):1303～1306

[36]董明,孟源源,徐長(zhǎng)響.基于支持向量機(jī)及油中溶解氣體分析的大型電力變壓器故障診斷模型研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2003,23(7):88～92

[37]朱凌云,曹長(zhǎng)修.基于支持向量機(jī)的缺陷識(shí)別方法[J].重慶大學(xué)學(xué)報(bào),.2002,25(6):42～45

[38]陳淼峰. 基于EMD與支持向量機(jī)的轉(zhuǎn)子故障診斷方法研究[D].[碩士學(xué)位論文],長(zhǎng)沙:湖南大學(xué),2005

[39]高 東, 吳重光, 張貝克, 馬 昕. 基于 PCA 和 SDG 的傳感器故障診斷方法研究及應(yīng)用[J]. 系統(tǒng)仿真學(xué)報(bào), 2011, 23(3):567～573