非线性滤波下的智能故障诊断方法

摘要：针对大型机械设备运行中存在的强扰动、多干扰噪声存在的问题，建立合理的故障混合智能诊断模型，确定不同模型的分界阈值，深入分析多噪声相关情况下噪声联合概率密度的数学分解表达式及噪声统计特性的分布函数，以高斯噪声为背景，推导最优建议分布函数的具体解析表达式，实现强扰动、多噪声干扰情况下故障诊断的精确、鲁棒滤波。

关键词：非线性；滤波；故障诊断

前言

2010年开始，随着大数据与人工智能技术的迅猛发展，研究人员将专家系统、模糊逻辑、神经网络、遗传算法等技术应用于大型复杂设备的故障诊断中，实现了设备的混合智能故障诊断，大大提高了设备故障诊断的精确度。随着研究的不断深入，研究者发现，由于系统运行的强扰动及应用环境中的复杂噪声影响，单一的检测模型无法满足复杂工程应用中精确性与鲁棒性的要求，急需一种新思路和新途径来解决这些问题。因此，综合运用多种人工智能技术和现代智能信息处理技术，结合复杂系统的非线性及故障的不确定性特点，基于智能演化的滤波推理技术受到了研究人员的青睐，用混合智能故障诊断与预测技术对大型复杂关键设备进行状态监测、故障诊断与智能预测处理，能够有效提高监测诊断系统的敏感性、鲁棒性、精确性，降低误诊率和漏诊率，在不用理解系统机理和分析数据的情况下，为一般的操作人员提供了准确的诊断决策，对于提升智能诊断系统的精确性和鲁棒性具有非常重要的理论价值和现实意义。

1基于滤波技术的智能故障诊断

随着大型复杂机械设备对故障诊断精度要求的不断提高，从20世纪80年代开始，基于非线性滤波技术的混合智能故障诊断与预测方法已经成为本领域的研究热点。其具体的应用原理框图如图1所示。大型运行设备在获取多个特征信息以后，如何通过有效的非线性滤波方法对系统的状态进行精确的滤波处理是混合智能诊断技术的关键一步。目前，在工程实际应用中的非线性滤波方法主要有：交互式多模型（interactingmultiplemodel,IMM）、序贯概率比检验（sequentialprobahilityratiotest,SPRT）、强跟踪滤波（strengthtrackingfilter，STF）等几种方法。其中，IMM是一种模型自适应滤波器,该方法缺少对于模型参数的自适应能力，容易使得IMM在模型转换时刻出现较大的估计误差；SPRT基于信息积累的假设检验思想,在丰富的专家知识和充分先验信息的前提下可行实现很好的效果,但故障修复后自适应处理能力比较差,工程应用中不好推广；STF是一种系统状态和参数自适应算法，采用强行残差白化策略实现偏差自适应校正,在一定程度上提升了EKF估计精度,但缺乏对于模型的自适应能力。

2研究现状

2.1非线性滤波方法的发展现状及优势分析

随着计算机运算能力存储的提升,一种基于递推贝叶斯滤波原理的序贯蒙特卡罗粒子滤波器（par－ticlefilter，PF）的新非线性滤波方法渐渐受到人们的关注,并且在相关研究领域推广应用[1]。新非线性滤波方法的核心思想是基于一系列赋予相应权重信息的随机采样粒子，通过以加权求和的方法形式，求得近似系统的后验状态概率密度函数，然后在最小均方误差的准则下实现系统状态的估计。与目前采用线性近似技术的非线性滤波方法的扩展卡尔曼滤波器（ExtendedKalmanFilter，EKF）和无迹卡尔曼滤波器（UnscentedKalmanFilter，UKF）相比，新非线性滤波方法摆脱了对系统线性、高斯特性的假设依赖性，从理论上来说，可以适应任意的非线性非高斯系统。目前，在这方面的研究，已经形成领域专家的共同关注的热点，国内学者已经将PF引入到非高斯噪声下的非线性系统故障诊断中：比如，国内学者雷亚国、何正嘉、訾艳阳等给出一种基于粒子滤波器和联合参数估计的故障诊断方法。该方法将所有可能会发生故障的参数为状态变量,虽然效果不错。但是由于状态维数的增加，粒子数也会受到影响，出现递增情况,从而影响诊断的实时性[2]；国内学者田承伟、宗长富、姜国彬等人将进化策略和序贯概率比检验的思想引入粒子滤波器的基本框架构建，虽然能够解决故障的诊断与隔离问题，但是故障恢复后状态估计的自适应性问题依然存在[3]。

2.2粒子滤波方法的研究现状及存在问题分析

为了便于采样和计算，标准粒子滤波器算法通常选用系统状态一步转移概率的方法对建议分布函数进行采样处理。该方法虽然实现难度不大，但是其滤波精度依然要依赖系统模型的构建误差产生情况。如果模型建立误差比较大，受所选取的建议分布函数最新观测信息的低效率修正作用影响，经过多次迭代就会导致系统模型失配误差增大，从而导致“粒子权值退化”。最终的结果是滤波估计精度大幅降低。与此同时，在工程应用领域实践过程中,受环境噪声和人为干扰的影响,模型偏移误差是一种常态。因此，标准粒子滤波器算法的核心是高效的建议分布函数选取问题。虽然粒子滤波方法在混合智能故障诊断与预测技术中获得了很好的应用，但是，当前的研究均是针对粒子滤波“权值退化”问题开展的相关研究，其主要思想就是在采样粒子滤波进行重采样阶段通过一系列的优化技术对采样密度进行修正[4]。上述所提到的改进算法通过消弱因重采样带来的权值退化问题实现总体滤波精度提升，但这些研究均是假设高斯白噪声在系统噪声和量测噪声相互独立的前提下展开，并且认为系统的过程与量测噪声特性是先验已知的。因此，为了实现复杂系统对滤波精度的要求，实现强扰动、多干扰情况下相关噪声统计特性未知的非线性精确、鲁棒滤波技术是目前该领域急需解决的重点问题。

3关键技术实现

本论文针对当前研究中存在的问题，以大型机械设备运行中存在的强扰动、多干扰噪声为背景，建立合理的故障混合智能诊断模型，确定不同模型的分界阈值；深入分析多噪声相关情况下噪声联合概率密度的数学分解表达式及噪声统计特性的分布函数，以高斯噪声为背景，推导最优建议分布函数的具体解析表达式，实现强扰动、多噪声干扰情况下故障诊断的精确、鲁棒滤波。具体而言，本文拟开展以下三个方面内容的研究，其相互之间的逻辑关系如图2所示。

3.1建立故障混合智能诊断的交互多模型

在强扰动与多噪声干扰的情况下，噪声信号及扰动信号相互干扰，为系统模型的建立带来了很大的挑战，如何确定合理的分界阈值，实现系统噪声特性未知与已知情况下诊断模型的自适应分类与更新，是实现强非线性系统故障诊断滤波技术首要解决的问题。为了解决这个问题，通过多种传感器对信号的丰富检测，建立完备的特征信息观测空间，以强扰动信息及多干扰噪声为背景，建立噪声统计特性未知与已知情况下的混合交互模型，并确定不同模型在应用中的分界阈值。

3.2确定多噪声相关情况下最优建议分布函数的表达形式

在故障混合诊断系统中，由于需要对多种传感器的量测信息进行离散化处理，加之工程应用环境中复杂噪声的影响，无法满足噪声相互独立的条件，导致目前基于噪声独立的非线性滤波算法在实际工程应用中收敛性较差，甚至发散。因此，本文深入分析系统模型噪声与多个观测噪声之间的相互关系，并给出噪声联合概率密度的分解表达式与噪声相关情况下的故障诊断系统状态模型，并以高斯相关噪声为背景，在一定最优准则下推导噪声相关情况下最优建议分布函数的具体数学表达形式。

3.3实现相关噪声未知特性与故障状态的联合滤波估计

由于强扰动和工程应用环境复杂噪声的影响，系统噪声的统计特性是无法预先精确获取的，如何建立合理的噪声未知统计特性数学模型，并在前期建立的相关噪声最优非线性滤波方法的基础上实现噪声未知统计特性的实时估计与修正，是建立精确有效的故障混合智能诊断系统的基础支撑理论之一。因此，本文尝试在基于相关噪声未知统计特性的具体概率分布函数基础上，建立联合估计的噪声统计特性与故障检测状态滤波方程，从而实现精确、精确的强扰动、多噪声干扰背景下故障混合智能诊断的非线性滤波方法。

4结束语

近年来的研究充分证明了PF算法是一种行之有效且非常具有发展潜力的强非线性滤波方法，特别适合大型复杂非线性系统的滤波处理。本论文所提出的方案从理论上解决了大型机械故障诊断过程中交互多模型的建立、相关噪声概率密度的分解及噪声未知特性的在线估计的问题，具体表现在下面几个方面：（1）各种噪声特性下已经建立的状态模型为复杂系统多模型的建立提供了有效的借鉴，联测信息完备与缺失状态下的模型交互技术为交互多模型的建立奠定了技术基础。（2）借助于独立噪声联合概率密度函数的分解思想，通过分析观测信息与系统模型之间的关系，借助随机信号处理技术及概率统计的思想，可以在条件概率的基础上对联合噪声密度进行有效可行的分解。（3）在系统噪声能够满足高斯分布特性情况下，PF算法可以根据联合高斯噪声的分布情况，可以借助不同的滤波方法对噪声时变的统计特性进行实时的预测、估计。

参考文献：

[1]雷亚国，何正嘉.混合智能故障诊断与预示技术的应用进展[J].振动与冲击，2010,30（9）：129-135.

[2]雷亚国，何正嘉，訾艳阳，等．基于混合智能新模型的故障诊断[J].机械工程学报，2009，44（7）：112-117.

[3]田承伟，宗长富，姜国彬，等.基于双自适应Kalman滤波的线控转向汽车传感器故障诊断[J].中国公路学报，2009，22（4）：115-121.

[4]曹洁，李伟.一种改进的粒子滤波算法及其性能分析[J].计算机工程与应用，2012，48（8）：144-147.

[5]曲彦文，张二华，杨静宇.改进的无迹粒子滤波算法[J].控制理论与应用，2010，27（9）：1152-1158.

作者：廖应学 马振锋 单位：百色职业学院