[发明专利]一种基于模型的设备故障诊断方法

说明书

技术领域

本发明属于自动化领域，涉及设备故障诊断技术方法。

背景技术

近年来，随着现代工业及科学技术的迅速发展，特别是计算机技术的发展，过程工业系统的结构日益复杂，规模越来越大，投资也越来越高。一个大型设备的各系统往往由大量的工作部件组成，不同的部件之间互相关联，紧密耦合，这一方面提高了系统的自动化水平，为生产带来了可观的经济效益，另一方面，由于影响系统运行的因素骤增，使其产生故障或失效的潜在可能性越来越大。故障诊断技术的最终目的是避免故障，尤其是重大事故的发生，使零部件的寿命得到最充分的发挥，提高维修精度和速度，降低维修费用，获得最佳经济效益，因此，故障检测与诊断技术的应用隐含着巨大的经济效益。目前设备故障诊断方法有两种方式：第一，基于硬件的故障监测与诊断，用专用监控传感器监测硬件状态，这种方法虽然直接可靠，但使设备变得更加复杂，增加设备的建造成本；第二，基于软件的故障监测与诊断，利用观测器检测变速系统是否处于故障状态，这种间接方式通过比较状态估计值与测量值实现故障检测与诊断，在设计成本方面具有极大优势。例如，文献[1]设计了基于H_-/H_∞方法的系统故障检测系统，保证系统存在建模不确定情况下仍能够有良好的检测性能。然而，文献[1]仅研究系统的故障检测问题，而未能拟合出故障函数的具体形式，即没有实现故障诊断。近年来，神经网络故障观测器发展非常迅速[2-3]，该故障观测器能够实现故障函数的估计，并已应用到各类设备的故障诊断中，但是，由于神经网络自身的特点，导致神经网络故障观测器容易陷入局部最优和速度相对较慢的缺点，不适合系统的快速精确诊断的要求。2007年，Gao在文献[4]提出了非线性比例高阶积分微分观测器，该观测器避免了神经网络的缺点，实现了任意有界和无界故障函数的快速精确诊断，为建立设备故障观测器提供了有利的技术支持。然而，由于系统复杂性，设备的精确数学模型往往难以建立，当系统模型存在未知非线性函数，该函数用于弥补线性化带来的建模偏差[1]，故障诊断过程中如果不考虑该未知非线性函数，必将大大影响故障诊断的精度，甚至引起故障误报问题。但是，GAO在文献[4]没有进一步讨论系统包含未知非线性项情况下的故障情诊断问题，同时微分环节的引入增加系统复杂性，因此，本专利首先针对系统未发生故障情况下采用反卷法和最小二乘支持向量机对未知非线性项进行辨识，然后将辨识模型作为补偿项加到新型的非线性比例高阶积分故障观测器中，建立了基于最小二乘支持向量机非线性项辩识模型的比例高阶积分故障观测器，使该观测器能够对系统故障进行精确估计，李雅普诺夫函数证明了该故障观测器的稳定性。最后，针对变速风力机器系统，设计了基于最小二乘支持向量机非线性项辩识模型的比例高阶积分故障观测器的诊断方法，实验结果验证了本方法的快速收敛性和诊断精度。

发明内容

针对系统模型存在未知非线性项的故障诊断问题，本发明提出一种基于模型的故障诊断方法，该方法利用最小二乘支持向量机和反卷法对未知非线性项进行辨识，辨识模型加入到非线性比例高阶积分观测器中，解决了未知非线性项对故障诊断精度的影响，实现了系统故障的快速精确估计。

本发明使用以下技术方案实现的，包括如下步骤：

一种基于模型的设备故障诊断方法，

利用最小二乘支持向量机和反卷法对未知非线性项进行辨识，辨识模型加入到非线性比例高阶积分观测器中，建立新型非线性比例高阶积分故障观测器，以解决未知非线性项对故障诊断精度的影响，实现系统故障的快速精确估计，针对变速风力机故障模型的实验表明了本方法的有效性。

进一步，包括以下步骤：

以反卷法获取未知非线性项的辨识样本；

利用最小二乘支持向量机对辨识样本进行建模，获取未知非线性项辨识模型；

建立新型非线性比例高阶积分故障观测器，将未知非线性项作为补偿项加入该观测器中，实现系统故障的快速精确估计；

利用了变速风力机故障模型进行过仿真验证，以表明本专利提供方法的有效性。

所述的利用最小二乘支持向量机和反卷法对模型未知非线性项辨识是首先建立诊断对象在未发生故障情况下的离散模型；其次，针对该离散模型建立添加控制向量的离散龙伯格观测器；然后强迫离散龙伯格观测器输出等于原系统的输出，通过反卷法获取控制向量序列值，即为未知非线性项的辨识样本。最后利用最小二乘支持向量机对辨识样本进行建模，获取了未知非线性项辨识模型。