CN110045716B - 一种闭环控制***早期故障检测和诊断方法和*** - Google Patents
一种闭环控制***早期故障检测和诊断方法和*** Download PDFInfo
- Publication number
- CN110045716B CN110045716B CN201910312767.0A CN201910312767A CN110045716B CN 110045716 B CN110045716 B CN 110045716B CN 201910312767 A CN201910312767 A CN 201910312767A CN 110045716 B CN110045716 B CN 110045716B
- Authority
- CN
- China
- Prior art keywords
- control system
- loop control
- closed
- wavelet transform
- residual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种闭环控制***早期故障检测和诊断方法，所述方法包括：S0、根据实际需求建立现场真实闭环控制***；S1、基于数据同化技术和设备的数学机理模型，建立虚拟闭环控制***；S2、基于所述真实闭环控制***和虚拟闭环控制***分析获得所述真实闭环控制***相对于所述虚拟数值控制***存在的残差；S3、根据获得的所述残差，识别真实闭环控制***中的故障类型。本发明解决了现有技术中微小故障诊断准确率低和诊断困难的技术问题，可实现快速准确的识别闭环控制***中的微小故障。
Description
技术领域
本发明涉及一种适用于核电厂闭环控制***的故障检测技术，尤其涉及一种闭环控制***早期故障检测和诊断方法和***。
背景技术
现代控制***和设备的复杂性不断增加、规模不断扩大，这类***一旦发生故障便会造成巨大的生命和财产损失。作为提高***可靠性和降低事故风险的重要方法和有力措施，故障诊断变得越来越重要。然而，无论故障的规模多大、来势多凶猛，这些故障都是从微小故障(早期故障、初始故障、初期故障)开始的。早期微小故障检测面临以下困难：(1)外界干扰造成微小故障诊断困难。设备运行环境复杂多变，而微小故障由于其征兆微弱，早期不会对整个***造成严重的影响，此时各项主要运行参数都在可接受的设计范围内。(2)闭环的控制结构会补偿故障对设备的影响并且导致微小故障的传播和演变。核电厂的控制***一般采用闭环控制结构，对于一定等级范围内的故障都有相当的容错能力。故障自发生伊始，***都不会产生大幅的性能下降，即所谓的控制器“补偿作用”，这种补偿作用会使列车的监控***对早期微小故障产生大量的故障漏报。
在现有技术中，其中一种技术方案是基于符号有向图(SDG)的故障诊断方法是基于定性模型的一种诊断技术。该方法的基本思想是：利用SDG模型描述***在正常或故障状态下的***因果行为，根据所建立的因果关系图，捕捉有用的信息以完成故障诊断，并结合一定的搜索策略，沿着支路方向找出故障源和故障在过程内部的发展演变过程。并进一步提出了将SDG乘和定性趋势分析(QTA)相结合的故障诊断框架进行早期故障的诊断。在此框架下SDG是第1级，提供了故障的可能候选集；第2级根据传感器测量的当前时刻值的变化，使用QTA完成对早期故障的诊断。现有技术二的技术方案是在线近似法，在线近似法(OLA)诊断微小故障的基本思想是：根据自适应理论，设计自适应估计器。通过设计在线可调节参数的自适应率，使得构造的模型以足够的精度和原来的***相匹配。当在线近似故障函数的输出不为零时，就意味着发生故障。在实际的工程中，故障并不都表现为外部的线性故障，为此，针对一类幅值系数以负指数规律变化的非线性早期故障，设计了OLA以捕捉故障的非线性特性，建立一个早期故障检测的学习方法，在此框架内，用非线性自适应故障估计器监测***中故障引起的任何偏差，从而实现故障诊断。
在实际应用中发现上述技术至少存在如下技术问题：在现有技术方案一中，SDG的节点数量、支路数量、节点和支路之间的复杂关系随着***的复杂程度而增加，节点和支路数量的增多会增加SDG建模任务的繁重和用SDG进行故障诊断的推理负担，因此当用SDG方法诊断复杂***的故障时会出现实时性变差、诊断的准确率变低的情况；SDG节点阈值难于准确确定，而这对于微小故障的诊断而言至关重要；相同的故障症状采用SDG推理出来的故障原因不止一个，所推理出的故障原因具有相同的可能性，难以进一步区分。在现有技术方案二中，自适应估计器设计在工程上较难实现；且需要通过在线自适应估计器对故障进行估计，估计结果可用于进行故障分离和故障辨识，但是，故障估计的准确性现在尚未能够在理论上得到证明。
基于此，急需寻找一种新的故障检测和诊断方法来准确检测和诊断闭环控制***中的微小故障。
发明内容
本申请通过提供一种闭环控制***早期故障检测和诊断方法和***，解决了现有技术中因闭环控制的结构补偿或容错能力，无法识别微小故障的技术问题，实现了检测效率高和速度快且更符合现场实际需求的目的。
一方面，本申请提供了一种闭环控制***早期故障检测和诊断方法，所述方法包括步骤：
S0、根据需求建立现场真实闭环控制***；S1、基于数据同化技术和设备的数学机理模型，建立虚拟闭环控制***；S2、基于所述真实闭环控制***和虚拟闭环控制***分析获得所述真实闭环控制***相对于所述虚拟闭环控制***的残差；S3、根据获得的所述残差，识别真实闭环控制***中的故障类型。
可选的，所述步骤S2包括：S21、根据所述真实闭环控制***，分析获得所述现场真实闭环控制***中的第一检测偏差值；S22、根据所述虚拟闭环控制***，分析获得所述虚拟闭环闭环控制***中的第二检测偏差值；S23、根据所述第一检测偏差值和所述第二检测偏差值，获取所述真实闭环控制***相对于所述虚拟闭环控制***中的残差。
可选的，所述步骤步骤S3包括：S31、利用小波变换对获得的所述残差进行多尺度多分辨率细化分析，并通过离散化获得所述残差连续小波变换系数；S32、根据所述残差连续小波变换系数构建残差连续小波变换系数模糊规则库；S33、根据所述残差连续小波变换系数模糊规则库获取真实闭环控制***中的故障类型。
步骤S32还包括：S321、计算所述残差连续小波变换系数的平均值，并将其作为阈值；S322、计算所述残差连续小波变换系数的和，计算所述阈值和残差连续小波变换系数的和的差值，根据所述差值并通过隶属度函数将所述残差连续小波变换系数的和分为有限个范围；S323、根据所述残差连续小波变换系数的和的有限个范围，对应建立有限种故障类型，构建残差连续小波变换系数模糊规则库。
可选的，所述小波变换采用的小波为mexica-hat小波。
另一方面，本申请还提供了一种闭环控制***早期故障检测和诊断***，所述***包括：
真实闭环控制***建立模块，用于根据需求建立现场真实闭环控制***；虚拟数值控制***建立模块，连接所述真实闭环控制***建立模块，用于基于数据同化技术和设备的数学机理模型，建立虚拟闭环控制***；残差分析与获取模块，连接所述真实闭环控制***和虚拟数值控制***，用于基于所述真实闭环控制***和虚拟数值控制***分析获得所述真实闭环控制***相对于所述虚拟数值控制***的残差；故障识别模块，连接残差分析与获取模块，用于根据获得的所述残差，识别真实闭环控制***中的故障类型。
可选的，所述残差分析与获取模块包括：第一检测偏差值获取模块，连接所述真实闭环控制***建立模块，用于根据所述真实闭环控制***，分析获得所述现场真实闭环控制***中的第一检测偏差值；第二检测偏差值获取模块，连接所述虚拟数值控制***建立模块，用于分析获得所述虚拟数值闭环控制***中的第二检测偏差值；残差获取模块，连接所述第一检测偏差值获取模块和第二检测偏差值获取模块，用于根据所述第一检测偏差值和所述第二检测偏差值，获取所述真实闭环控制***相对于所述虚拟闭环控制***的残差。
可选的，所述故障识别模块包括：连续小波变换系数获取模块，连接所述残差获取模块，用于利用小波变换对获得的所述残差进行多尺度多分辨率细化分析，并通过离散化获得所述残差连续小波变换系数；模糊规则库建立模块，连接所述连续小波变换系数获取模块，用于根据所述残差连续小波变换系数构建残差连续小波变换系数模糊规则库；故障类型识别模块，连接所述连续小波变换系数获取模块和模糊规则库建立模块，用于根据所述残差连续小波变换系数模糊规则库获取真实闭环控制***中的故障类型。
可选的，所述模糊规则库建立模块包括：阈值模块，连接所述连续小波变换系数获取模块，用于计算所述残差连续小波变换系数的平均值，并将其作为阈值；分段模块，连接所述连续小波变换系数获取模块和阈值模块，用于计算所述残差连续小波变换系数的和，并计算所述阈值和残差连续小波变换系数的和的差值，根据所述差值并通过隶属度函数将所述残差连续小波变换系数的和分为有限个范围；模糊规则库规则建立模块，连接所述连续小波变换系数获取模块和分段模块，用于根据所述残差连续小波变换系数的和的有限个范围，对应建立有限种故障类型，构建残差连续小波变换系数模糊规则库。
可选的，所述小波变换采用的小波为mexica-hat小波。
本发明实施例提供的技术方案，至少具有如下技术效果或优点：本发明解决了现有技术中诊断复杂***的故障时会出现实时性变差、诊断的准确率变低的技术问题，实现了快速准确识别闭环控制***中微小故障的技术效果。首先，基于数据同化技术建立虚拟数值控制***，用于与真实闭环控制***进行比较，避免出现因闭环控制***中的闭环控制的结构补偿或容错能力，造成无法识别微小故障的问题；其次，本发明采用连续小波变换提取故障参数，识别微小故障，其具有效率高和速度快的特点；并且，本申请通过隶属度函数将故障参数进行分段，将故障分为有限个类型，提高了故障检测和诊断的有效性；最后，本申请基于自适应模糊推理技术识别初始故障，避免了由于刚性阈值设置方法不当可能导致的误判的技术问题，使识别的故障更符合现场实际需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例一提供的一种闭环控制***早期故障检测和诊断方法流程图；
图2为本申请实施例一提供的真实闭环控制***和虚拟闭环控制***的结构示意图；
图3为本申请实施例一提供的步骤S2的流程图；
图4为本申请实施例一提供的步骤S3的流程图；
图5为本申请实施例一提供的步骤S32的流程图；
图6为本申请实施例二提供的一种闭环控制***早期故障检测和诊断***示意图；
图7为本申请实施例二提供的一种闭环控制***早期故障检测和诊断***残差分析与获取模块示意图；
图8为本申请实施例二提供的一种闭环控制***早期故障检测和诊断***故障识别模块示意图；
图9为本申请实施例二提供的一种闭环控制***早期故障检测和诊断***模糊规则库建立模块示意图；
具体实施方式
本发明提出的通过建立一种闭环控制***早期故障检测和诊断方法及***，解决了现有技术中诊断复杂***的故障时会出现实时性变差、诊断的准确率变低，且检测效率不高的技术问题，实现了快速准确识别闭环控制***中微小故障的目的。本发明首先基于数据同化技术建立虚拟闭环控制***，并将用其与真实闭环控制***进行比较，由此可以避免出现因闭环控制***中的闭环控制的结构补偿或容错能力，造成无法识别微小故障的问题；其次，本发明采用连续小波变换提取故障参数，并通过故障参数来识别微小故障，具有效率高和速度快的特点；并且，本申请通过隶属度函数将故障参数进行分段，将故障分为有限个类型，提高了故障检测和诊断的有效性；最后，本申请基于自适应模糊推理技术识别初始故障，避免了由于刚性阈值设置方法不当可能导致的误判的技术问题，使识别的故障更符合现场实际需求。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行进一步详细的说明。
实施例一
本申请实施例提供了一种闭环控制***早期故障检测和诊断方法，请参考图1，所述方法包括步骤：
S0、根据需求建立现场真实闭环控制***；如根据实际的被控对象，测量设备及不同的控制器等建立真实闭环控制***；
S1、基于数据同化技术和设备的数学机理模型，建立虚拟闭环控制***；基于数据同化技术建立虚拟闭环控制***其与真实闭环控制***是一一映射的；建立的虚拟闭环控制***可随着真实闭环***的变化而变化，不需要反复重新建立；避免了由于人为建立虚拟闭环控制***带来的干扰，提高故障识别的准确度；
S2、基于所述真实闭环控制***和虚拟闭环控制***分析获得所述真实闭环控制***相对于所述虚拟闭环控制***的残差；可通过数值模型直观的看到由于微小故障带来的差别；避免出现因闭环控制的结构补偿或容错能力，造成无法识别微小故障的问题；
S3、根据获得的所述残差，识别真实闭环控制***中的故障类型。
结合附图2，可以看出：真实闭环控制***中包括***输入R(s)，真实闭环控制***控制器模型CP；真实闭环控制***的测量设备或传感器SP；真实闭环控制***的被控对象的机理模型PP；真实闭环控制***的输出YP(s)以及真实闭环控制***的测量设备或传感器发出的调节量EP(s)；
虚拟闭环控制***中包括与真实闭环控制***中相同的***输入R(s)，虚拟闭环控制***的控制器模型CS；虚拟闭环控制***的测量设备或传感器SS；虚拟闭环控制***的被控对象的机理模型PS；虚拟闭环控制***的输出Ys(s)；真实闭环控制***和虚拟闭环控制***中均会受到预期的***扰动D(s)，不同的是，在真实闭环控制***中存在***微小故障F(s)。
故障检测的具体过程为：在真实闭环控制***中，真实闭环控制******输入R(s)至真实闭环控制******控制器模型CP，在***微小故障F(s)和预期的***扰动D(s)的影响下，作用至被控对象的模型为PP，最后输出YP(s)，其中，在被控对象的模型PP输出端还连接有真实闭环控制***的测量设备或传感器Sp，用于根据测量真实闭环控制***的输出值，具体反馈调节过程为：在期望输入值R(s)下，控制***平稳运行，当控制***发生微小故障F(s)和扰动D(s)后，通过设置在被控对象PP下游的测量设备或传感器SP进行在线检测，其检测到的输出值与预期输入值R(s)进行比较得到EP(s)，经过控制器到达扰动和干扰作用点前(形成一个完整的回路)，设置一个比较点用于与虚拟控制***比较点进行比较，甄别微小故障量；
在虚拟闭环控制***中，虚拟闭环控制******输入R(s)至控制器模型CS，在预期的***扰动D(s)的影响下，作用至被控对象的模型为PS，最后输出YS(s)，其中，在被控对象的模型Ps输出端还连接有虚拟闭环控制***的测量设备或传感器SS，用于根据测量设备或传感器SS对真实闭环控制***进行反馈调节，在与真实控制***同样的期望输入值R(s)下，控制***平稳运行，当控制***发生扰动D(s)后，通过设置在被控对象PP下游的测量设备或传感器Sp进行在线检测，其检测到的输出值与预期输入值R(s)进行比较得到EP(s)，经过控制器到达扰动和干扰作用点前(形成一个完整的回路)，设置一个比较点用于与真实控制***比较点进行比较，真实***的检测值与虚拟***的检测值差异即为微小故障；
由上述分析可知，真实闭环控制***受到***微小故障F(s)和预期的***扰动D(s)影响，虚拟闭环控制***仅受到预期的***扰动D(s)影响，因此，通过分析真实闭环控制***和虚拟闭环控制***由***扰动D(s)和微小故障F(s)造成的偏差值，可以得到真实闭环控制***相对于虚拟闭环控制***的残差UF(s)；
在图2的基础上结合图3，可以看出：步骤S2包括：
S21、根据所述真实闭环控制***，分析获得所述现场真实闭环控制***中的第一检测偏差值UP(s)；第一偏差值包括***扰动和微小故障信号，其中，UP(s)的表达式为：
S22、根据所述虚拟闭环控制***，分析获得所述虚拟闭环闭环控制***中的第二检测偏差值US(s)；第二偏差值仅包括***扰动，其中，US(s)的表达式为：
S23、根据所述第一检测偏差值和所述第二检测偏差值，获取所述真实闭环控制***相对于所述虚拟数值控制闭环***中的残差。由于虚拟闭环控制***是基于数据同化技术建立的，且为了诊断微小故障，因此，虚拟闭环控制***和真实闭环控制***中的控制器模型、测量设备或传感器及被控对象的机理模型均相同，即：CP＝CS，SP＝SS，PP＝PS，在此基础上，可以获得残差UF(s)，且UF(s)的表达式为：
通过上述残差的分析过程，建立残差与***输入、传感器以及控制器模型等之间的数学模型，可通过数值直观的看到微小故障带来的影响。
进一步的，结合附图4，步骤S3包括：
S31、利用小波变换对获得的所述残差进行多尺度多分辨率细化分析，并通过离散化获得所述残差连续小波变换系数；多尺度多分辨率细化分析是建立在函数空间概念上的理论，其基本思想是随着尺度由大到小的变化，在各尺度上可以由粗到细地观察目标。通过多尺度多分辨率喜欢分析残差，可以全面细致的获得所残差的特征点，进一步的，通过离散化可在不丢失原始信号的情况下，最大程度的消除和降低冗余性，方便后续处理。
S32、根据所述残差连续小波变换系数构建残差连续小波变换系数模糊规则库；其中，在本发明的其中一个实施例中通过K-means聚类算法构建残差连续小波变换系数模糊规则库；
S33、根据所述残差连续小波变换系数和所述残差连续小波变换系数模糊规则库获取真实闭环控制***中的故障类型；具体识别过程为：将所述残差连续小波变换系数输入至所述残差连续小波变换系数模糊规则库进行故障识别，识别真实闭环控制***中的故障类型。基于模糊规则库识别初始故障，避免刚性阈值设置方法不当导致的误判，更符合现场实际需求。
进一步的，结合附图5，构建小波变换系数模糊规则库的具体过程为：
S321、计算所述残差连续小波变换系数的平均值，并将其作为阈值；提供一个参考值，可更好的衡量微小故障类型；
S322、计算所述残差连续小波变换系数的和，并计算所述阈值和残差连续小波变换系数的和的差值，根据所述差值并通过隶属度函数将所述残差连续小波变换系数的和分为有限个范围；由于对于不同的被控对象，残差连续小波变换系数会有微小差别，若对每个差别都进行故障类型设定，工作量复杂，且没有必要，通过隶属度函数，根据差值将残差连续小波变化系数的和分为有限个范围，可降低工作量，提高工作效率，在本发明的其中一个是实例中，分为三个范围，且三个范围分别为低、中、高。
S323、根据所述残差连续小波变换系数的和的有限个范围，对应建立有限种故障类型，构建残差连续小波变换系数模糊规则库。即：如果残差连续小波变换系数的大小之和为A，那么对应的故障为B，在本发明的其中一个是实例中，低、中、高分别对应的是零故障、单故障或多故障。
进一步的，在本发明的其中一个实施例中，小波变换采用的小波为mexica-hat小波，mexica-hat小波相对于其他小波更适用于对信号进行处理，其表达式为：
其中，Ψt,a,b表示平方可积函数，a为收缩因子，b为平移因子，t为时间，e为常数，为自然对数的底数。
实施例二
本发明实施例提供了一种闭环控制***早期故障检测和诊断***，适用于实施例一所示的一种闭环控制***早期故障检测和诊断方法，为了实现上述基于数据同化技术的闭环控制***早期故障检测和诊断方法，图6是本发明实施例二提供的一种闭环控制***早期故障检测和诊断***示意图，所述***包括：
真实闭环控制***建立模块100，用于根据实际需求建立现场真实闭环控制***；如根据实际的被控对象，测量设备及不同的控制器等建立真实闭环控制***；
虚拟闭环控制***建立模块200，连接真实闭环控制***建立模块100，用于基于数据同化技术和设备的数学机理模型，建立虚拟闭环控制***；基于数据同化技术建立虚拟闭环控制***其与真实闭环控制***是一一映射的；建立的虚拟闭环控制***可随着真实闭环***的变化而变化，不需要反复重新建立；避免了由于人为建立虚拟闭环控制***带来的干扰，提高故障识别的准确度；
残差分析与获取模块300，连接真实闭环控制***建立模块100和虚拟闭环控制***建立模块200，用于基于所述真实闭环控制***和虚拟闭环控制***分析获得所述真实闭环控制***相对于所述虚拟数值控制***的残差；可通过数值模型直观的看到由于微小故障带来的差别；避免出现因闭环控制的结构补偿或容错能力，造成无法识别微小故障的问题；
故障识别模块400，连接残差分析与获取模块300，用于根据获得的所述残差，识别真实闭环控制***中的故障类型。
进一步的，结合图7，残差分析与获取模块300包括：
真实闭环控制***受到***微小故障F(s)和预期的***扰动D(s)影响，虚拟闭环控制***仅受到预期的***扰动D(s)影响，因此，通过分析真实闭环控制***和虚拟闭环控制***由***扰动D(s)和微小故障F(s)造成的偏差值，可以得到真实闭环控制***相对于虚拟闭环控制***的残差UF(s)；具体为：
第一检测偏差值获取模块310，连接真实闭环控制***建立模块100，用于根据所述真实闭环控制***，分析获得现场真实闭环控制***中的第一检测偏差值UP(s)；第一偏差值包括***偏差和微小故障信号，其中，UP(s)的表达式为：
第二检测偏差值获取模块320，连接虚拟数值闭环控制***建立模块200，用于分析获得虚拟闭环闭环控制***中的第二检测偏差值US(s)；第二偏差值仅包括***偏差，其中，US(s)的表达式为：
残差获取模块330，连接第一检测偏差值获取模块310获取模块和第二检测偏差值获取模块320，用于根据所第一检测偏差值和所述第二检测偏差值，获取真实闭环控制***相对于虚拟闭环控制闭环***的残差UF(s)，且UF(s)的表达式为：
进一步的，结合附图8，故障识别模块400包括：
连续小波变换系数获取模块410，连接残差获取模块330，用于利用小波变换对获得的残差进行多尺度多分辨率细化分析，并通过离散化获得所述残差连续小波变换系数；通过多尺度多分辨率喜欢分析残差，可以全面细致的获得所残差的特征点，进一步的，通过离散化可在不丢失原始信号的情况下，最大程度的消除和降低冗余性，方便后续处理。
模糊规则库建立模块420，连接连续小波变换系数获取模块410，用于根据所述残差连续小波变换系数构建残差连续小波变换系数模糊规则库；
故障类型识别模块430，连接连续小波变换系数获取模块410和模糊规则库建立模块420，用于根据残差连续小波变换系数模糊规则库获取真实闭环控制***中的故障类型。基于模糊规则库识别初始故障，避免刚性阈值设置方法不当导致的误判，更符合现场实际需求。
进一步的，结合图9，模糊规则库建立模块420包括：
阈值模块421，连接连续小波变换系数获取模块410，用于计算残差连续小波变换系数的平均值，并将其作为阈值；阈值的建立为衡量微小故障提供一个参考。
分段模块422，连接连续小波变换系数获取模块410和阈值模块421，用于计算残差连续小波变换系数的和，并计算阈值和残差连续小波变换系数的和的差值，根据差值并通过隶属度函数将残差连续小波变换系数的和分为mexica-hat小波个范围；由于对于不同的被控对象，残差连续小波变换系数会有微小差别，若对每个差别都进行故障类型设定，工作量复杂，且没有必要，在本发明的其中一个是实例中，通过隶属度函数，根据差值将残差连续小波变化系数的和分为三个范围，三个范围分别为低、中、高，可很大程度的在保证故障识别准确的同时降低工作量，提高工作效率。
模糊规则库规则建立模块423，连接连续小波变换系数获取模块410和分段模块422，用于根据残差连续小波变换系数的和的有限个范围，对应建立有限种故障类型，构建残差连续小波变换系数模糊规则库。在本发明的其中一个是实例中，低、中、高分别对应的是零故障、单故障或多故障。
其中，小波变换采用的小波为mexica-hat小波。
本发明提出的通过建立一种基于数据同化技术的闭环控制***早期故障检测和诊断方法及***有以下技术效果：基于数据同化技术建立虚拟闭环控制***其与真实闭环控制***是一一映射的；建立的虚拟闭环控制***可随着真实闭环***的变化而变化，不需要反复重新建立；避免了由于人为建立虚拟闭环控制***带来的干扰，提高故障识别的准确度；同时，本发明通过建立残差与***输入、传感器精度以及控制器模型等之间的数学模型来判断微小故障，通过数值模型直观的看到由于微小故障带来的差别，可以量化各参数对残差的影响；本发明通过连续小波变换即mexica-hat小波提取故障参数，可快速有效的识别微小故障，提高工作效率；另外，本发明通过隶属度函数将残差连续小波变换系数的和分为三个范围；降低工作量，提高微小故障识别效率，本发明基于自适应模糊推理技术即通过建立模糊规则库识别故障，避免刚性阈值设置方法不当导致的误判，更符合现场实际需求。
需要说明的是：上述实施例提供***在培训方法实现时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的***和方法实施例属于同一构思，其具体实现过程详见方法实施例的描述，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种闭环控制***早期故障检测和诊断方法，其特征在于，所述方法包括：
根据实际需求建立现场真实闭环控制***；
基于数据同化技术和设备的数学机理模型，建立虚拟闭环控制***；
基于所述真实闭环控制***和虚拟闭环控制***分析获得所述真实闭环控制***相对于所述虚拟闭环控制***的残差；
利用小波变换对获得的所述残差进行多尺度多分辨率细化分析，并通过离散化获得残差连续小波变换系数；根据所述残差连续小波变换系数构建残差连续小波变换系数模糊规则库；根据所述残差连续小波变换系数和所述残差连续小波变换系数模糊规则库识别真实闭环控制***中的故障类型。
2.如权利要求1所述的早期故障检测和诊断方法，其特征在于，所述基于所述真实闭环控制***和虚拟闭环控制***分析获得所述真实闭环控制***相对于所述虚拟闭环控制***的残差进一步包括：
根据所述真实闭环控制***，分析获得所述现场真实闭环控制***中的第一检测偏差值；
根据所述虚拟闭环控制***，分析获得所述虚拟闭环闭环控制***中的第二检测偏差值；
根据所述第一检测偏差值和所述第二检测偏差值，获取所述真实闭环控制***相对于所述虚拟闭环控制***中的残差。
3.如权利要求1所述的早期故障检测和诊断方法，其特征在于，所述根据所述残差连续小波变换系数构建残差连续小波变换系数模糊规则库还包括：
计算所述残差连续小波变换系数的平均值，并将其作为阈值；
计算所述残差连续小波变换系数的和，并计算所述阈值和残差连续小波变换系数的和的差值，根据所述差值并通过隶属度函数将所述残差连续小波变换系数的和分为有限个范围；
根据所述残差连续小波变换系数的和的有限个范围，对应建立有限种故障类型，构建残差连续小波变换系数模糊规则库。
4.如权利要求1所述的早期故障检测和诊断方法，其特征在于，所述小波变换采用的小波为mexica-hat小波。
5.一种闭环控制***早期故障检测和诊断***，其特征在于，所述***包括：
真实闭环控制***建立模块，用于根据需求建立现场真实闭环控制***；
虚拟闭环控制***建立模块，连接所述真实闭环控制***建立模块，用于基于数据同化技术和设备的数学机理模型，建立虚拟闭环控制***；
残差分析与获取模块，连接所述真实闭环控制***和虚拟闭环控制***建立模块，用于基于所述真实闭环控制***和虚拟闭环控制***分析获得所述真实闭环控制***相对于所述虚拟闭环控制***的残差；
故障识别模块，所述故障识别模块包括：
连续小波变换系数获取模块，连接所述残差分析与获取模块，用于利用小波变换对获得的所述残差进行多尺度多分辨率细化分析，并通过离散化获得残差连续小波变换系数；
模糊规则库建立模块，连接所述连续小波变换系数获取模块，用于根据所述残差连续小波变换系数构建残差连续小波变换系数模糊规则库；
故障类型识别模块，连接所述连续小波变换系数获取模块和模糊规则库建立模块，用于根据所述残差连续小波变换系数和所述残差连续小波变换系数模糊规则库获取真实闭环控制***中的故障类型。
6.如权利要求5所述的早期故障检测和诊断***，其特征在于，所述残差分析与获取模块包括：
第一检测偏差值获取模块，连接所述真实闭环控制***建立模块，用于根据所述真实闭环控制***，分析获得所述现场真实闭环控制***中的第一检测偏差值；
第二检测偏差值获取模块，连接所述虚拟闭环控制***建立模块，用于分析获得所述虚拟闭环闭环控制***中的第二检测偏差值；
残差获取模块，连接所述第一检测偏差值获取模块和第二检测偏差值获取模块，用于根据所述第一检测偏差值和所述第二检测偏差值，获取所述真实闭环控制***相对于所述虚拟闭环控制***的残差。
7.如权利要求5所述的早期故障检测和诊断***，其特征在于，所述模糊规则库建立模块包括：
阈值模块，连接所述连续小波变换系数获取模块，用于计算所述残差连续小波变换系数的平均值，并将其作为阈值；
分段模块，连接所述连续小波变换系数获取模块和阈值模块，用于计算所述残差连续小波变换系数的和，并计算所述阈值和残差连续小波变换系数的和的差值，根据所述差值并通过隶属度函数将所述残差连续小波变换系数的和分为有限个范围；
模糊规则库规则建立模块，连接所述连续小波变换系数获取模块和分段模块，用于根据所述残差连续小波变换系数的和的有限个范围，对应建立有限种故障类型，构建残差连续小波变换系数模糊规则库。
8.如权利要求5所述的早期故障检测和诊断***，其特征在于，所述小波变换采用的小波为mexica-hat小波。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910312767.0A CN110045716B (zh) | 2019-04-18 | 2019-04-18 | 一种闭环控制***早期故障检测和诊断方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910312767.0A CN110045716B (zh) | 2019-04-18 | 2019-04-18 | 一种闭环控制***早期故障检测和诊断方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110045716A CN110045716A (zh) | 2019-07-23 |
| CN110045716B true CN110045716B (zh) | 2020-08-11 |
Family
ID=67277791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910312767.0A Active CN110045716B (zh) | 2019-04-18 | 2019-04-18 | 一种闭环控制***早期故障检测和诊断方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110045716B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906473B (zh) * | 2021-01-19 | 2023-06-20 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6996442B2 (en) * | 2003-01-15 | 2006-02-07 | Xerox Corporation | Systems and methods for detecting impending faults within closed-loop control systems |
| CN103941725B (zh) * | 2014-04-24 | 2017-09-08 | 淮海工学院 | 一种非线性网络控制***的故障诊断方法 |
| CN105807611B (zh) * | 2016-03-05 | 2018-06-12 | 华中科技大学 | 一种闭环控制***的模型与对象不匹配的检测方法 |
| CN107272660B (zh) * | 2017-07-26 | 2019-05-17 | 江南大学 | 一种带丢包的网络化控制***的随机故障检测方法 |
| CN108667673B (zh) * | 2018-06-22 | 2022-02-22 | 东北大学 | 基于事件触发机制的非线性网络控制***故障检测方法 |
| CN109542080B (zh) * | 2018-10-16 | 2020-05-08 | 中国人民解放军国防科技大学 | 一种基于对偶空间变换的闭环控制***故障检测方法 |
-
2019
- 2019-04-18 CN CN201910312767.0A patent/CN110045716B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110045716A (zh) | 2019-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | LSTM-based analysis of industrial IoT equipment | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| Khelif et al. | Direct remaining useful life estimation based on support vector regression | |
| Bezerra et al. | An evolving approach to unsupervised and real-time fault detection in industrial processes | |
| KR102189269B1 (ko) | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 | |
| Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
| CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
| Amiruddin et al. | Valve stiction detection through improved pattern recognition using neural networks | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
| Fravolini et al. | Experimental interval models for the robust fault detection of aircraft air data sensors | |
| Yu | Machine health prognostics using the Bayesian-inference-based probabilistic indication and high-order particle filtering framework | |
| Baghernezhad et al. | Computationally intelligent strategies for robust fault detection, isolation, and identification of mobile robots | |
| Wei et al. | A novel deep learning model based on target transformer for fault diagnosis of chemical process | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| Wang et al. | Adaptive prognosis of centrifugal pump under variable operating conditions | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN110045716B (zh) | 一种闭环控制***早期故障检测和诊断方法和*** | |
| CN109324591B (zh) | 基于鲁棒估计器的随机混杂***的故障诊断装置及方法 | |
| CN113158448A (zh) | 一种船舶***设备阈值的自适应计算方法 | |
| Aremu et al. | Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems | |
| Wang et al. | Nonlinear system identification and fault detection using hierarchical clustering analysis and local linear models | |
| CN114037012A (zh) | 基于相关性分析与深度学习的飞行数据异常检测方法 | |
| Zhao et al. | A unified framework for fault detection and diagnosis using particle filter | |
| Shimizu et al. | Real-time techniques for fault detection on railway door systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |