第三章基于数据驱动的故障诊断方法

控制系统的故障诊断与容错控制自动化专业本科生选修课主讲教师：邓方副教授复杂系统智能控制与决策国家重点实验室北京理工大学自动化学院模式识别与智能系统研究所第三章基于数据驱动的故障诊断方法控制系统的故障诊断与容错控制3作业检查•1、数学模型的故障诊断方法的主要步骤是什么？•2、主要方法有哪些？控制系统的故障诊断与容错控制4第三章基于数据驱动的故障诊断方法一、基本原理及主要步骤二、基于神经网络的故障诊断四、基于小波分析的故障诊断三、基于支持向量机的故障诊断控制系统的故障诊断与容错控制5几个问题：1、当我们不知道对象的数学模型时，如何进行故障诊断？2、即使知道模型，但无法精确描述时，又怎么办？3、我们手里只有大量的监测数据或传感器数据时，怎么办？基于数据驱动的故障诊断！！一、基于数据驱动的故障诊断控制系统的故障诊断与容错控制6基于数据驱动故障诊断的基本原理是利用机器学习、统计分析、信号分析等方法直接对大量的离、在线过程运行数据进行分析处理，找出故障特征、确定故障发生原因、发生位置及发生时间的方法。一、基于数据驱动的故障诊断—主要原理控制系统的故障诊断与容错控制7一、基于数据驱动的故障诊断—主要方法统计分析方法主元分析（PrincipalComponentAnalysis,PCA）、偏最小二乘（PartialLeastSquares,PLS）、Fisher判别分析等统计学习方法支持向量机（SVM）、Kernel学习等数字信号处理方法谱分析、小波分析等人工智能方法神经网络、粗糙集、模糊推理、专家系统等控制系统的故障诊断与容错控制81.无需知道系统精确的解析模型，它所处理也可以说它所面对的对象只有一个——数据。2.不需要对诊断对象进行定性描述。3.数据容易得到，但模型和定性知识不易获得。4.非常适合现有的工业生产和设备控制的结构、形式，软件和硬件系统。5.满足大数据时代到来的需要。一、基于数据驱动的故障诊断—主要特点控制系统的故障诊断与容错控制9一、基于数据驱动的故障诊断—主要步骤数据采集•离线•在线预处理•数据特点•数据的简单处理数据处理•统计特性•特征分类•数据模型故障诊断•阈值分析•故障分类•残差分析控制系统的故障诊断与容错控制10第三章基于数据驱动的故障诊断方法一、基本原理及主要步骤二、基于神经网络的故障诊断四、基于小波分析的故障诊断三、基于支持向量机的故障诊断控制系统的故障诊断与容错控制11通过对控制系统故障问题建立相应的神经网络诊断系统，根据系统输入的数据（即系统故障）可以直接得到输出数据（即故障产生的原因），从而实现故障的诊断。二、基于神经网络的故障诊断—主要概念主要过程控制系统的故障诊断与容错控制121.神经网络对故障情况具有记忆、联想和推测的能力，能够进行自学习，并且拥有非线性处理能力，因此在非线性系统故障诊断中得到越来越多的重视。2.神经网络技术的出现，为故障诊断问题提供了一种新的解决途径。特别是对复杂系统，由于基于解析模型的故障诊断方法面临难以建立系统模型的实际困难，基于知识的故障诊断方法成了重要的、也是实际可行的方法。3.故障诊断神经网络实现的功能实质用系统辨识、函数逼近、模式识别和回归分析等理论解释都是一致的。二、基于神经网络的故障诊断—主要特点控制系统的故障诊断与容错控制13(1)神经网络诊断系统对于特定问题建立的神经网络故障诊断系统，可以从其输入数据（代表故障症状）直接推出输出数据（代表故障原因）。(2)采用神经网络残差的方法利用系统的输入重构某些待定参数，并与系统的实际值作比较，得到残差。(3)采用神经网络评价残差的方法这种方法是利用神经网络对残差进行聚类分析。(4)采用神经网络作进一步诊断直接用神经网络来拟合系统性能参数与执行器饱和故障之间的非线性关系，神经网络的输出即对应执行器的故障情况。二、基于神经网络的故障诊断—主要方法控制系统的故障诊断与容错控制14(5)采用神经网络做自适应误差补偿的方法其中的非线性补偿项由神经网络实现。(6)采用模糊神经网络的故障诊断在普通的神经网络的输入层加入模糊化层，在输出层加入反模糊化层。较一般神经网络有更高的诊断率。(7)采用小波神经网络的故障诊断一是小波变换与常规神经网络相结合，比较典型的是利用小波分析对信号进行预处理，然后用神经网络进行学习与判断；另一种途径是小波分析与前馈神经网络融合的小波网络，即把小波分析的运算融入到神经网络中去。二、基于神经网络的故障诊断—主要方法控制系统的故障诊断与容错控制151986，Rumelhart和McCelland领导的科学家小组在《ParallelDistributedProcessing》一书中提出的BP(BackPropagation)算法又称为反向或向后传播算法。使用BP算法进行学习的多级非循环网络称为BP网络。BP算法利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此下去，就获得了所有其他各层的误差估计。2.1.1BP神经网络模型的基本思想二、基于神经网络的故障诊断—诊断实例控制系统的故障诊断与容错控制16BP算法是非循环多级网络的训练算法。BP算法的收敛速度非常慢，在高维曲面上局部极小点逃离。BP算法的出现结束了多级神经网络没有训练算法的历史，对神经网络的第二次高潮的到来起到很大的作用。BP算法具有广泛的适用性。2.1.2BP神经网络模型—基本特征和意义二、基于神经网络的故障诊断—诊断实例控制系统的故障诊断与容错控制17X=(x1,x2,…,xn)W=(w1,w2,…,wn)net=xiwinet=XW神经元网络输入：x1x2xnnet=XWw1w2wn2.1.3BP神经网络模型—构成神经元二、基于神经网络的故障诊断—诊断实例控制系统的故障诊断与容错控制18按照算法要求，神经元的激励函数必须是处处可导的通常取S型函数：x1x2xnnet=XWw1w2wno=f(net)1o=f(net)=1+e-netf’(net)=o(1-o)neto(0,0.5)(0,0)2.1.4BP神经网络模型—激励函数二、基于神经网络的故障诊断—诊断实例控制系统的故障诊断与容错控制19BP算法适用于非循环多级网络的训练x1x2xno1o2om...但在说明BP算法的具体原理时，只需一个二级网络x1x2xno1o2om2.1.5BP神经网络模型—网络的拓扑结构二、基于神经网络的故障诊断—诊断实例控制系统的故障诊断与容错控制201.设网络有n层，第h(1=h=n)层神经元的个数为Lh,该层神经元的激活函数用Fn表示，联结矩阵用W(h)表示。2.输入向量和输出向量的维数由问题直接决定，而层数和各层神经元的个数则与问题相关。3.目前还很难确定它们与问题类型和规模的关系。4.隐藏层数及其神经元个数的增加不一定能够提高网络精度和表达能力。BP网一般都选二级网络。2.1.6BP神经网络模型—网络的拓扑结构二、基于神经网络的故障诊断—诊断实例控制系统的故障诊断与容错控制211、样本集（输入向量，理想输出向量）--实际系统采集2、向前传播阶段(1)从样本集中取一个样本(Xp，Yp)，将Xp输入网络；(2)计算相应的实际输出Op；3、向后传播阶段(1)计算实际输出Op与理想输出Yp的差；(2)根据这个误差，按极小化误差方式调整权矩阵；2.1.7BP神经网络模型—BP网络训练过程二、基于神经网络的故障诊断—诊断实例控制系统的故障诊断与容错控制222.2基于BP网络的齿轮箱故障诊断下面以某齿轮箱为工程背景，利用MATLAB的神经网络工具箱，基于BP网络进行齿轮箱故障诊断。很多故障出现于变速箱中齿轮即传动轴等机械系统中。传统的齿轮箱故障诊断手段往往依赖于专家的经验判断。但是，由于齿轮箱是一个非常复杂的传动机构，它的故障模式和特征向量之间是一种非常复杂的非线性关系，仅仅依靠专家经验并不能解决所有的诊断问题。而神经网络的自适应、自学习和对非线性系统超强的分析能力，使得它可以适用于齿轮箱的故障诊断。二、基于神经网络的故障诊断—诊断实例2.2.1对象描述控制系统的故障诊断与容错控制232.2.2输入和目标向量设计神经网络输入的确定实际上就是特征向量的提取。对于特征向量的选取，主要考虑它是否与故障有比较确定的因果关系，如果输入/输出征兆参数和故障没有任何关系，就不能建立它们之间的联系。统计表明，齿轮箱故障中有60%左右都是由齿轮故障导致的，所以在这里只讨论齿轮故障的诊断。二、基于神经网络的故障诊断—诊断实例控制系统的故障诊断与容错控制24对于齿轮的故障这里选取了频域中的几个特征量。频域中齿轮故障比较明显的是在啮合频率处的边缘带上。所以，在频域特征信号的提取中选取了在2、4、6档时，在1、2、3轴的边频带族fs±nfz处的幅值Ai,j1、Ai,j2和Ai,j3，其中fs表示齿轮的啮合频率，fz是轴的转频，n=1,2,3，i=2,4,6表示档位，j=1,2,3表示轴的序号，由于在2轴和3轴上有两对齿轮啮合，所以用1、2分别表示两个啮合频率。这样，网络的输入就是一个15维的向量。由于这些数据具有不同的单位和量级，所以在输入神经网络之前应该首先进行归一化处理。下表给出了输入向量的9组数据，它们都是已经归一化后的样本数据。二、基于神经网络的故障诊断—诊断实例数据序号特征样本齿轮状态10.22860.12920.0720.15920.13350.07330.11590.0940.05220.13450.0090.1260.36190.0690.1828无故障20.2090.09470.13930.13870.25580.090.07710.08820.03930.1430.01260.1670.2450.05080.1328无故障30.04420.0880.11470.05630.33470.1150.14530.04290.18180.03780.00920.22510.15160.08580.067无故障40.26030.17150.07020.27110.14910.1330.09680.19110.25450.08710.0060.17930.10020.07890.0909齿根裂纹50.3690.22220.05620.51570.18720.16140.14250.15060.1310.050.00780.03480.04510.07070.088齿根裂纹60.03590.11490.1230.5460.19770.12480.06240.08320.1640.10020.00590.15030.18370.12950.07齿根裂纹70.17590.23470.18290.18110.29220.06550.07740.22730.20560.09250.00780.18520.35010.1680.2668断齿80.07240.19090.1340.24090.28420.0450.08240.10640.19090.15860.01160.16980.36440.27180.2494断齿90.26340.22580.11650.11540.10740.06570.0610.26230.25880.11550.0050.09780.15110.22730.322断齿表1齿轮箱状态样本数据二、基于神经网络的故障诊断—诊断实例控制系统的故障诊断与容错控制26接下来确定网络的输出模式，由于齿轮包括3种故障模式，因此可以采用如下的形式来表示输出：无故障：（1，0，0）；齿根裂纹：（0，1，0）；断齿：（0，0，1）。二、基于神经网络的故障诊断—诊断实例控制系统的故障诊断与容错控制272.2.3、BP网络设计（1）网络创建BP网络模型结构的确定有两条比较重要的指导原则：1）对于一般的模式识别问题，三层网络可以很好地解决。2）三层网络中，隐含层神经元个数n2和输入层神经元个数n1之间有以下近似关系：n2＝2n1+1由此，可按照如下的方式设计网络：网络的输入层神经元个数为15个，输出层神经元个数为3个，隐含层的神经