陈轶��

摘要：传感器的故障诊断技术是一门综合学科，涉及到许多领域。故障诊断技术的出现为提高测控系统的可靠性提供了可能。本文对传感器的故障诊断技术做了综述和对比。最后，对传感器故障诊断技术进行了展望。

关键词：传感器；故障诊断；神经网络；小波分析

现代测控系统经过多年的发展朝向大规模、复杂化方向发展，但是这种控制系统的故障一旦发生就很容易造成人员伤亡和巨大的经济损失。因此如何保证现代控制系统的可靠性和安全性非常重要。传感器是任何控制系统不可缺少的部件，它的好坏直接关系到设备的运行状态，甚至关系到安全问题。但是传感器也是最容易出故障的环节，据研究统计在实际发生的故障中，约有70%—80%的故障是源自于传感器故障。因此研究传感器故障是十分有必要的。傳感器的故障诊断技术研究涉及到多个研究领域，出现了多种故障诊断的方法。本文将对传感器的故障诊断技术做简单的分析和对比。

一、 传感器故障诊断技术综述

在传感器故障诊断方法中，线性传感器的故障诊断发展较为成熟。从最简单的检测滤波器、广义似然比、极大似然比到基于观测器/滤波器的方法、参数估计方法、系统辨识法和一致空间法等。但是这些方法都是基于线性定常系统模型的。实际应用中许多测控系统都是非线性的，这就使得对于这类系统的分析与控制比较难，对于它的故障诊断也存在较大的难度。

实际测控系统的生产对象本身大多是非线性系统，这就使基于线性系统故障诊断方法不能取得很好的效果。但是，近年来，随着非线性理论、先进算法、信号处理和智能控制的深入研究，非线性系统的故障诊断技术得到了迅速发展。它主要是基于信号处理方法，基于知识的方法和基于分析模型的诊断方法。如图1所示。

图1故障诊断方法分类图

现分别对这几类方法进行讨论。

二、 依赖解析模型的方法

基于分析模型的非线性系统故障诊断主要有两种方法：一是线性化方法，另一类是非线性模型的方法。线性化方法进行线性化的非线性系统在一个工作点或几个操作点，用一个线性的模型集来表示系统，将扰动、误差和噪声当做未知量输入，对未知输入设计为矩阵解耦的方法，以此来构造残差进行故障诊断的方法。这种方法的优点是不受误差等扰动的影响。而非线性模型的方法则是利用自适应非线性观测器、滤波器等方法来设计诊断算法。因为这些方法基本都是针对某一特定的非线性系统的，因此算法的通用性不强，算法并不是很完善。

线性化方法

1. 近似化方法

早期故障诊断方法是基于近似线性化技术，如平均法、拟线性化方法、线性化族方法、扩展线性化方法和近似输入/输出线性化方法。对于非本质不甚严重的非线性对象，我们可以用公式来近似输入/输出线性化。

2. 精确线性化

在过去的二十年中，微分几何的精确线性化为非线性系统的分析和综合提供了支持。线性故障诊断方法可应用于线性模型。对于具有不同条件的非线性对象，多模型方法可以处理多个操作点，使整个模型可以用来近似的非线性模型的切换干扰，可能会导致误报。

3. 观测器方法

最早的研究是建立一个全阶观测器，观测器增益矩阵可以在线调整的结构残差序列未知的随时间变化的参数或缓慢变化的漂移故障的残差序列的影响进行补偿。文献[2]中提到了用降阶观测器的设计来替代全阶观测器，但它只适用于突变的故障。Bastin等人提出了一种简单的自适应观测器的设计可应用于非线性系统，他们认为处理一些非线性系统的特性可以作为未知参数，通过对未知参数的在线辨识非线性观测器，未知干扰设计、参数时变和不精确的模型可以通过参数辨识的体现。

4. 滤波器法

相比于观测器法，滤波器法的计算量要大的多，但它是要求不高的模型，采用扩展卡尔曼滤波算法可直接估计，残余结构，但鲁棒性的模型失配，和初始值是已知的，噪声的统计特性是已知的，彼此不相关。如果噪声的统计特性是未知的，将产生残差，该算法渐变型故障不敏感。

三、 不依赖模型的方法

目前的控制系统越来越复杂，由于现实中对控制系统要建立精准的解析数学模型难度较大，并且在存在建模误差时，将会出现误报、漏报现象。因此具有不需要对象精确模型且具有良好适应性的不依赖于模型的故障诊断方法越来越受人们的重视。

1. 专家系统法

专家诊断法经历了二代的发展，第一代专家故障诊断方法是基于浅知识的，而第二代则是基于深知识的。不论是哪一代专家故障诊断方法，均是通过对传感器知识的系统提取，在计算机里整理成故障规则库，然后总结现场专家的个人的经验进行推断，进行故障诊断。

2. 模糊推理的诊断方法

模糊诊断不需要诊断对象的精确数学模型，而是利用隶属函数和模糊规则进行模糊诊断。在故障诊断中，故障征兆具有模糊性，如果存在多个故障点，则故障与征兆之间的关系是模糊的，利用模糊语言集合表示能更准确地反映故障与征兆的关系。

3. 神经网络法

神经网络具有非线性、自学习、高容错性和并行处理能力，因此在非线性故障诊断中具有很强的优势。在模拟电路的故障诊断时应用人工神经网络，其作用是类似于模式识别法中的分类器。但是要构建一个完整的模式识别系统，神经网络训练所需的数据准备是必不可少的一个环节。从电路板上所采集的原始数据大多都是粗糙的，没有体现出良好的故障特征，因此在构建一个神经网络前需要对数据进行预处理，以便提取的向量能很好表征故障的特征。

4. 小波分析

小波分析主要用于分析和处理非平稳信号。小波分析方法与神经网络方法相似，对系统的要求不高。它不仅克服了传统硬件冗余和分析冗余的缺点，而且结合了这两种方法的优点。小波分析是将信号叠加成一系列小波函数。它基于局部化函数所形成的小波基，具有许多特殊的性质和优点。小波分析具有良好的时域和频域局部化特性。用小波分析方法分析信号时，分析中所用窗口的大小不变，但窗口的形状可以改变，即可以改变时间窗口和频率。小波分析是一种时域局部化分析方法，它在低频和低时间分辨率下具有较高的频率分辨率，在高频部分具有较低的频率分辨率和高的时间分辨率。

从诊断的角度来看，任何类型的诊断信息是模糊的和不确定的。任何一种诊断对象，只有一个方面的信息来反映其状态是不完整的。每种方法都有其自身的特点，适用于不同的故障类型。对于更复杂的系统，各种诊断方法经常被综合起来用来建立一个诊断系统。从发展趋势来看，开发一种更加智能化的方法，对各种诊断方法的综合应用更为重要。

参考文献：

[1]杨建平.传感器故障诊断的研究与应用.华北电力大学学位论文，2004.

[2]A. T. Vemuri， M. M. Polycarpou.Robust nonlinear fault diagnosis in inputoutputsystems. Int. J. Control， 1996，8（2）：343-360.

[3]李胜.基于STF的重载夹持装置液压驱动控制系统故障诊断研究.中南大学学位论文，2009.

[4]陈轶.基于BP神经网络的模拟电路故障诊断[J].电子世界，2014，（11）下.