郁文山, 易 凡, 元臣,馬永一

(1.中國空氣動力研究與發(fā)展中心，四川 綿陽 621000; 2.國防科學技術(shù)大學 機電工程與自動化學院，長沙 410073;3.北京航天測控技術(shù)有限公司，北京 100037)

基于RBR和PCA的2.4米風洞故障診斷系統(tǒng)應(yīng)用研究

郁文山1，2, 易 凡1,元臣3,馬永一1

(1.中國空氣動力研究與發(fā)展中心，四川 綿陽 621000; 2.國防科學技術(shù)大學 機電工程與自動化學院，長沙 410073;3.北京航天測控技術(shù)有限公司，北京 100037)

為解決2.4米風洞試驗裝備的故障監(jiān)測與診斷(FDD)問題，設(shè)計了一種基于規(guī)則推理(RBR)和主元分析(PCA)的并行故障診斷系統(tǒng)；對試驗流程和因果關(guān)系較強的單一裝備故障，采用RBR診斷方法；而對控制過程和重要傳感器的故障，通過構(gòu)建PCA模型，根據(jù)平方預報誤差(SPE)實現(xiàn)系統(tǒng)故障的診斷；運行效果表明：該系統(tǒng)實時性好、診斷結(jié)果與實際相符合、且對過程故障具有較強的針對性。

風洞；規(guī)則推理；主元分析；故障監(jiān)測與診斷

0 引言

2.4米跨省速風洞(以下簡稱2.4米風洞)是我國大型的氣動力試驗地面模擬平臺，其裝備保障能力關(guān)系到型號研制任務(wù)的質(zhì)量和進度。隨著2.4米風洞試驗裝備智能化水平和集成度的提高、風洞試驗任務(wù)的日趨增長，試驗裝備的維護難度與日俱增，為保障試驗裝備正常運行所花費的維修費用和時間亦越來越多，目前對參試裝備的故障監(jiān)測和診斷(Fault Detection and Diagnosis，F(xiàn)DD)主要靠人工方式，不僅效率和數(shù)據(jù)利用率低，且效果受人員素質(zhì)影響大。

針對FDD的關(guān)鍵技術(shù)，國內(nèi)外也進行了深入的理論和應(yīng)用研究，如基于規(guī)則推理(rule-based reasoning，RBR)和案例推理(case-based reasoning，CBR)的專家系統(tǒng)、模糊推理和神經(jīng)網(wǎng)絡(luò)、模式識別等方法[1]?；赗BR的專家系統(tǒng)通過知識規(guī)則進行推理，有效地模擬專家的決策過程，在FDD中得到了較為廣泛的應(yīng)用[2-4]。但存在知識獲取瓶頸問題，難以處理大量信息，且在復雜特殊問題中存在極大的主觀性和偶然性，無法充分利用客觀數(shù)據(jù)所提供的信息?；贑BR的方法，能通過處理相似問題的成功經(jīng)驗來診斷新問題，文獻[5-7]結(jié)合RBR和CBR的優(yōu)缺點成功的將基于規(guī)則的案例推理(rule-based CBR，RCBR)用于FDD系統(tǒng)。針對不確定和不精確的知識與數(shù)據(jù)，模糊推理方法提供了一種很好的故障診斷處理方法[8]。而神經(jīng)網(wǎng)絡(luò)通過模仿人類神經(jīng)細胞的結(jié)構(gòu)和功能，利用其記憶、學習能力，在難于建立系統(tǒng)模型的FDD對象上得到了廣泛應(yīng)用。FDD在本質(zhì)上可歸為一類模式識別問題，即依據(jù)相關(guān)征兆通過特征提取對故障模式進行分類。目前，F(xiàn)DD的模式識別方法，主流研究方向是主元分析(principle component analysis，PCA)，主元分析是多元統(tǒng)計分析中常用的方法之一，它將過程中采集的復雜信息數(shù)據(jù)壓縮集中到少數(shù)幾個主元特征，使其能更集中的反映原始數(shù)據(jù)中所包含的變化信息，并有效分離系統(tǒng)信息和噪音[9]。PCA方法存在的不足之處，文獻[10]已作了詳細的描述，并提出了相對主元分析(relative principle component analysis，RPCA)的方法，消除了量綱差異帶來的虛假影響。文獻[11]提出了將監(jiān)測數(shù)據(jù)投影到物理意義明確的指定模式的指定元分析(designated component analysis，DCA)方法，克服了PCA模式的復合效應(yīng)。文獻[12]針對傳統(tǒng)PCA貢獻圖的缺陷提出了一種改進型的PCA方法。然而，上述方法針對某一特定的對象進行故障診斷時有其各自的優(yōu)點和不足，很難用單一方法完成FDD的最終目標，必須利用多種方法才能獲得滿意的診斷結(jié)果。

本文根據(jù)風洞試驗裝備故障的特點，提出了一種基于RBR和PCA的FDD方法。對因果關(guān)系較強的故障通過知識推理的專家系統(tǒng)；對過程控制和傳感器故障，用統(tǒng)計檢驗的方法判別傳感器測量值對主元模型的偏離程度實現(xiàn)故障的診斷。

1 基于RBR的專家系統(tǒng)

通常一個以RBR為基礎(chǔ)的專家系統(tǒng)主要包括五個組成部分：知識庫、推理機、綜合數(shù)據(jù)庫、解釋系統(tǒng)以及人機界面，結(jié)構(gòu)如圖1所示。專家系統(tǒng)的組成部分中，知識庫和推理機是核心部件。知識庫是推理機的基礎(chǔ)，含有事件型知識和功能型知識，通過對經(jīng)驗知識、實例知識以及數(shù)據(jù)知識的提取，進一步生成標準事實庫格式的規(guī)則。推理機是對知識的應(yīng)用，是解決特定問題的計算機程序，與具體的知識表示有關(guān)。綜合數(shù)據(jù)庫用于存放原始特征數(shù)據(jù)、中間信息和診斷結(jié)果。解釋系統(tǒng)則是對推理過程和規(guī)則進行解釋。人機界面負責把用戶輸入和輸出的信息轉(zhuǎn)換為系統(tǒng)內(nèi)規(guī)范的表示形式和用戶易于理解的外部表示形式。

圖1 專家系統(tǒng)結(jié)構(gòu)圖

2 PCA故障診斷

2.1 PCA數(shù)學基礎(chǔ)

PCA基本思想是把高維信息投影到低維子空間，并保留主要信息的方法。PCA最早是由Pearson于1901年提出的。通常一個標稱的n×m維數(shù)據(jù)矩陣X可以分解為[12]：

(1)

式中，矩陣X的列表示m個變量(測量傳感器)，行表示n組數(shù)據(jù)。

(2)

(3)

依據(jù)上述分析，一個新的監(jiān)測數(shù)據(jù)向量可以被分解為：

(4)

2.2 PCA異常檢測

構(gòu)建的PCA模型可用于傳感器數(shù)據(jù)的統(tǒng)計檢驗，正常情況下，監(jiān)測數(shù)據(jù)向量x的投影更多的是在PCS，而在RS上的投影值非常小，當發(fā)生故障時，監(jiān)測數(shù)據(jù)在RS上的投影值會極大的增加，因此，定義平方預報誤差(square prediction error，SPE)：

(5)

式中,δQ是統(tǒng)計量SPE的控制限，可由下式計算:

(6)

2.3 PCA故障診斷

通過上述方法一旦檢測到異常，可通過SPE隨時間變化的趨勢圖來進行故障的診斷。SPE也被稱為Q統(tǒng)計量，其第j個元素第i時刻的統(tǒng)計量定義為：

(7)

PCA的故障診斷方法，就是以Q統(tǒng)計量在第i時刻的值表示此時刻傳感器測量值對主元模型的偏離程度，如果Qij>δQ,表示傳感器故障導致該測點數(shù)據(jù)異常，則表明控制過程出現(xiàn)了某種異常，常用于過程故障的監(jiān)測。

3 故障診斷系統(tǒng)設(shè)計

系統(tǒng)在線監(jiān)測已數(shù)據(jù)表的形式存儲在實時數(shù)據(jù)庫中，經(jīng)數(shù)據(jù)預處理存入歷史數(shù)據(jù)庫并進行在線故障診斷，工作流程如圖2所示。將實時數(shù)據(jù)庫中的信號與閥值進行比較判斷，確定信號狀態(tài)，再根據(jù)知識庫中的判據(jù)表進行判斷，經(jīng)推理得到該時刻風洞試驗裝備的運行狀態(tài)；同時，將實時數(shù)據(jù)庫中傳感器和重點裝備的監(jiān)測值進行標準化處理，計算SPE值，與歷史數(shù)據(jù)計算出的控制限進行比較，判斷是否存在故障，若存在故障，通過故障辨識診斷出系統(tǒng)故障。

圖2 FDD系統(tǒng)工作流程

3.1 專家系統(tǒng)設(shè)計

3.1.1 知識表示

基于產(chǎn)生式規(guī)則的知識表示法是目前使用最廣的知識表示模式，主要用于因果關(guān)系較強的專家知識，風洞試驗的流程規(guī)范和簡單裝備故障亦具有較強的邏輯和因果關(guān)系，適用于基于產(chǎn)生式規(guī)則的知識表示。

3.1.2 知識分析

在構(gòu)建基于規(guī)則表示的知識庫前，需對風洞試驗流程和裝備故障診斷知識進行匯總和分析。在風洞試驗流程中裝備就緒情況、閥門位置及開關(guān)情況、壓力波動情況具有嚴格的邏輯關(guān)系，根據(jù)上述邏輯關(guān)系，可自動判別各系統(tǒng)是否準備就緒、聯(lián)鎖系統(tǒng)是否正常等；其次現(xiàn)場裝備故障具有明顯的因果表現(xiàn)。用專家知識表示的自然語言故障診斷方法如表1所示。

表1 知識表示

b.裝備故障診斷專家知識

3.1.3 知識庫構(gòu)建

專家知識庫的構(gòu)建是以產(chǎn)生式規(guī)則表的形式來表示，產(chǎn)生式規(guī)則表的邏輯表示形式為：

(規(guī)則名(IF<條件1> <條件2>…<條件n>)(THEN<結(jié)論1> <結(jié)論2>…<結(jié)論m>))

其中<條件>為故障判據(jù)、<結(jié)論>為故障原因和故障處理措施。

為方便規(guī)則的管理，采用面向?qū)ο蟮木幊碳夹g(shù)將數(shù)據(jù)庫封裝，在知識庫管理模塊的協(xié)調(diào)控制下，從判據(jù)庫中選取響應(yīng)知識構(gòu)成規(guī)則的前件，從原因庫和處理庫中選取響應(yīng)知識構(gòu)成規(guī)則的后件，形成一條完整的故障規(guī)則。

例如表1.a中的知識表示對應(yīng)的診斷規(guī)則為，當監(jiān)測到‘聯(lián)機’、‘準備開車’、‘開車’狀態(tài)標志后，判斷各項判據(jù)是否成立，若判據(jù)成立，則進行后續(xù)流程，產(chǎn)生式規(guī)則表為：

(Rule1(IFandand<1#OILSYS_P≥15Mp>and<2#OILSYS_P≥15Mp>and<4#OILSYS_P≥15Mp>and<_MECH==1>and…)(THEN))；

(Rule2…)；(Rule3…)；…)。

在上述各個規(guī)則中，Rule1，Rule2，Rule3為規(guī)則名，IF為規(guī)則的前件，THEN為規(guī)則的后件。

3.1.4 推理機設(shè)計

本系統(tǒng)在進行推理機設(shè)計時，采用正向推理方式，正向推理也稱為實時驅(qū)動方式，系統(tǒng)將所要診斷的在線監(jiān)測數(shù)據(jù)與知識庫中規(guī)則的前件條件進行匹配，若匹配成功，則將該知識庫的結(jié)論作為中間結(jié)果，繼續(xù)與知識庫中的規(guī)則進行匹配，直到得出風洞試驗工況和裝備故障的診斷結(jié)果。

3.2 PCA故障診斷系統(tǒng)設(shè)計

在風洞中，應(yīng)用了大量的位置、壓力及角度控制系統(tǒng)，如引射壓力控制系統(tǒng)，總壓控制系統(tǒng)，靜壓控制系統(tǒng)以及模型姿態(tài)控制系統(tǒng)等，在本文中，以引射壓力控制系統(tǒng)來討論風洞過程控制的故障診斷。引射壓力控制原理如圖3所示，在引射壓力控制系統(tǒng)中，通過位置伺服系統(tǒng)調(diào)節(jié)主調(diào)壓閥的開度，從而實現(xiàn)引射壓力的閉環(huán)控制。假定，壓力測量管路堵塞、輕微漏氣或是傳感器異常，會導致測量值P1sup.m低于實際值。在閉環(huán)控制作用下，為保證引射壓力的精確控制，壓力控制器輸出值Ssup.set變大，使主調(diào)壓閥開度增加用于補償壓力擾動，則會導致伺服閥流量SW，閥門開度Ssup等變量隨之發(fā)生變化，至到引射壓力P1sup.m保持在設(shè)定值P1sup.set。而實際上引射壓力真值P1sup始終高于設(shè)定值，于是測量故障會蔓延至Ssup.set，SW，Ssup，根據(jù)它可以找出引起異常波動的幾個可能性最大的量，確定故障的確切原因Fplsup，從SPE圖中就會準確的分離出故障。除此之外，其他傳感器測量故障Fssup,FSW,Fhy，F(xiàn)T也可以通過SPE圖診斷。

圖3 引射壓力控制系統(tǒng)

4 系統(tǒng)實現(xiàn)

系統(tǒng)將采集的在線監(jiān)測數(shù)據(jù)通過基于TCP/IP的OPC和MODBUS協(xié)議上傳至數(shù)據(jù)分析層。數(shù)據(jù)分析層主要完成系統(tǒng)的狀態(tài)監(jiān)測與故障診斷，狀態(tài)監(jiān)測由WonderWare組態(tài)軟件實現(xiàn)，故障診斷軟件及其腳本語言采用C#編寫，數(shù)據(jù)庫是SQLServer。

4.1 數(shù)據(jù)采集

2.4米風洞試驗裝備和過程控制中，在線監(jiān)測數(shù)據(jù)包括流場控制參數(shù)、模型振動參數(shù)、現(xiàn)場試驗裝備狀態(tài)參數(shù)等。依據(jù)控制系統(tǒng)的硬件結(jié)構(gòu)和拓撲形式，選擇OPC、內(nèi)存反射卡和數(shù)據(jù)采集卡等多種數(shù)據(jù)采集方式，全面采集各狀態(tài)信息，其數(shù)據(jù)采集原理如圖4所示。

圖4 數(shù)據(jù)采集系統(tǒng)原理圖

4.2 軟件實現(xiàn)

軟件系統(tǒng)由狀態(tài)監(jiān)測和故障診斷軟件組成，軟件架構(gòu)如圖5所示。狀態(tài)監(jiān)測軟件主要實現(xiàn)監(jiān)測數(shù)據(jù)的接收、處理、顯示與存儲，同時將歷史數(shù)據(jù)分發(fā)給故障診斷模塊，并將故障診斷結(jié)果、預測結(jié)果、試驗運行狀態(tài)予以顯示。故障診斷軟件實現(xiàn)在線監(jiān)測數(shù)據(jù)的故障診斷、定位，并將故障診斷結(jié)論實時存儲于歷史數(shù)據(jù)庫。

圖5 軟件架構(gòu)及流程

5 結(jié)束語

本文針對2.4米風洞自主式維修保障系統(tǒng)建設(shè)項目中的故障診斷，設(shè)計了基于RBR和PCA的FDD系統(tǒng)，通過PCA方法進行特征提取并實現(xiàn)故障診斷，有效彌補了RBR方式下數(shù)據(jù)利用率不高的缺陷。利用WonderWare組態(tài)軟件、C#軟件以及SQLServer數(shù)據(jù)庫開發(fā)了狀態(tài)監(jiān)測與診斷系統(tǒng)軟件，該系統(tǒng)能根據(jù)在線監(jiān)測數(shù)據(jù)準確診斷出風洞運行狀態(tài)和裝備故障，有利于崗位人員快速發(fā)現(xiàn)裝備故障并采取相對應(yīng)的解決措施，減少了工作的盲目性。

[1] 張金玉, 張 煒. 裝備智能故障診斷與預測[M]. 北京：國防工業(yè)出版社, 2013.

[2]JeffreySchein,StevenT.Bushby,NataschaS.Castro，JohnM.House.Arule-basedfaultdetectionmethodforairhandlingunit[J].EenrgyandBuildings, 2006,38:1485-1492.

[3] 周汝勝, 焦宗夏, 王少萍, 等. 基于專家系統(tǒng)的導彈發(fā)射車液壓系統(tǒng)故障診斷[J]. 航空學報, 2008,29(1):197-202.

[4]CenNan,FaisalKhan,M.TariqIqbal.Real-timefaultdiagnosisusingknowledge-basedexpertsystem[J].ProcessSafetyandEnvironmentalProtection, 2008(86):55-71.

[5]TungYuanhsin,TsengShianshyong,WengJuifeng,etal.Arule-basedCBRapproachforexpertfindingandproblemdiagnosis[J].ExpertSystemswithApplications, 2010(37):2427-2438.

[6] 張代勝, 王 悅, 陳朝陽. 融合實例和規(guī)則推理的車輛故障診斷專家系統(tǒng)[J]. 機械工程學報, 2002,38(7):91-95.

[7] 潘 偉, 王漢功. 基于規(guī)則和實例混合推理的故障診斷專家系統(tǒng)[J]. 振動工程學報, 2004,17(S):601-604.

[8]WuJianda,WangYuhsuan,BaiMingsianR.Developmentofanexpertsystemforfaultdiagnosisinscooterengineplatformusingfuzzy-logicinference[J].ExpertSystemswithApplications, 2007(33):1063-1075.

[9]DuZhimin,JinXinqiao,YangYunyu.Faultdiagnosisfortemperature,flowrateandpressuresensorsinVAVsystemsusingwaveletneuralnetwork[J].AppliedEnergy, 2009(86):1624-1631.

[10] 文成林, 胡 靜, 王天真, 等. 相對主元分析及其在數(shù)據(jù)壓縮和故障診斷中的應(yīng)用研究[J]. 自動化學報學報, 2008,34(9):1128-1139.

[11] 周福娜, 文成林, 湯天浩, 等. 基于指定元分析的多故障診斷方法[J]. 自動化學報學報, 2009,35(7):971-982.

[12]DuZM,JinXQ,WuLZ.FaultdetectionanddiagnosisbasedonimprovedPCAwithJAAmethodinVAVsystems[J].BuildingandEnvironment, 2007(42):3221-3232.

Application Research on FDD System Based on RBR and PCA in 2.4 m WT

Yu Wenshan1,2,Yi Fan1,Man Yuanchen3,Ma Yongyi1

(1.China Aerodynamics Research and Development Center, Mianyang 621000, China;2.College of Mechanics and Automation, National University of Defense Technology, Changsha 410073, China;3.Beijing Aerospace Measurement and Control Technology Co., Ltd, Beijing 100037, China)

In this work, the parallel Fault Detection and Diagnosis(FDD) system based on Rule-Based Reasoning (RBR) and Principal Component Analysis(PCA) was designed to check the fault of equipments in the 2.4 m Wind Tunnel(WT). The RBR method is used to deal with the single equipment fault which involves experiment processes and on-off state information. And the fault from controlling process and important sensor were checked by Square Prediction Error(SPE) basing on the PCA model. The result shows that the system can deal with the fault in time and has a good consistency with the actual experiments. In addition, it also exhibits a strong pertinence for fault from the process.

wind tunnel; rule-based reasoning; principal component analysis; fault detection and diagnosis

2015-11-16；

2016-01-28。

郁文山(1980-)，男，甘肅永登人，博士研究生，工程師，主要從事風洞控制和機電液伺服系統(tǒng)方向的研究。

1671-4598(2016)07-0031-04

10.16526/j.cnki.11-4762/tp.2016.07.009

TP277 文獻標識碼：A