0 引言
對于大型的復(fù)雜控制系統(tǒng)，如果發(fā)生故障將嚴重影響到人的生命和財產(chǎn)安全，帶來不可估量的損失。因此，為了保障實際系統(tǒng)的可靠性、可維修性和安全性，迫切需要建立一個監(jiān)控系統(tǒng)來監(jiān)督整個控制系統(tǒng)的運行狀態(tài)，實時檢測系統(tǒng)變化和故障信息，采取有效措施，防止發(fā)生災(zāi)難性事故。故障檢測與診斷(FDD)技術(shù)就是為了滿足“監(jiān)控系統(tǒng)”的需要而發(fā)展起來的。
FDD是一門應(yīng)用型的邊緣學(xué)科，涉及控制理論、計算機工程、信號處理、人工智能等相關(guān)學(xué)科。美國麻省理工學(xué)院的Beard于1971年首先提出用解析冗余代替硬件冗余，利用系統(tǒng)的自組織使閉環(huán)系統(tǒng)穩(wěn)定，通過比較觀測器的輸出得到系統(tǒng)故障信息的新思想，標志著FDD技術(shù)的誕生。Willsky于1976年在Automatica發(fā)表第一篇FDD的綜述論文心]。1978年Himmelblau首次出版FDD方面的學(xué)術(shù)專著口]。我國關(guān)于FDD的研究始于20世紀80年代。1985年葉銀忠等發(fā)表FDD的第一篇評述文章，1994年周東華等出版國內(nèi)第一部關(guān)于故障檢測與診斷的學(xué)術(shù)著作口]。從1991年起，IFAC每三年召開FDD的專題會議，其它一些重要學(xué)術(shù)會議如CDC、ACC等也都設(shè)有FDD專題。故障診斷已成為自控界的重要研究方向之一，取得了很多研究成果睜。
近年來，F(xiàn)DD在一些新領(lǐng)域不斷取得研究成果。本文擬對FDD的三類基本方法以及最近得到發(fā)展的信息融合方法、多Agent方法、魯棒故障檢測、網(wǎng)絡(luò)控制系統(tǒng)的故障診斷等的研究現(xiàn)狀和存在問題進行綜述。
1 基于解析模型的方法
基于解析模型的方法是研究最早、最深入、最成熟的方法，可分為狀態(tài)估計方法、等價空間方法和參數(shù)估計方法。盡管這三種方法是獨立發(fā)展起來的，但它們之間存在一定的聯(lián)系。文獻討論了它們之問的關(guān)系，其中基于觀測器的狀態(tài)估計法和等價空間法是等價的。由于設(shè)計非線性系統(tǒng)的狀態(tài)觀測器比較困難，因此參數(shù)估計法比狀態(tài)估計法更適合于非線性系統(tǒng)，而一般的等價空間法僅適用于線性系統(tǒng)。
1.1 狀態(tài)估計方法
基于狀態(tài)估計的故障診斷方法發(fā)展至今已形成兩種基本方法：(1)Beard提出的故障檢測濾波器的方法；(2)Menra和Peshon提出的基于Kalman濾波器的方法、Dlark提出的構(gòu)造Kalman濾波器陣列或Luenberger觀測器陣列的方法。這類方法實現(xiàn)故障診斷一般分為兩步：一是形成殘差，二是從殘差中提取故障特征進而實現(xiàn)故障診斷。目前對于狀態(tài)估計方法的研究主要集中在提高檢測系統(tǒng)對于建模誤差、擾動、噪聲等未知輸入的魯棒性及系統(tǒng)對早期故障的靈敏度。近年來出現(xiàn)了許多基于狀態(tài)估計的故障診斷新方法，如Luenberger魯棒故障檢測觀測器方法、線性矩陣不等式(1inear matrix inequalities，LMI)方法、H2估計、數(shù)據(jù)驅(qū)動Kalman濾波器、滑模觀測器法、時頻分析(time-fre—quency analysis，TFA)和自適應(yīng)觀測器相結(jié)合的方法|16、魯棒故障檢測與反饋控制的最優(yōu)集成設(shè)計方法、魯棒l，估計方法”、基于小波分析、模糊模型的故障檢測與分離(faultdetection and isolation，F(xiàn)DI)方法、基于多模型(multiple—model，MM)估計的混合估計方法心¨等。
1.2 等價空間法
傳統(tǒng)的等價空問法在進行故障診斷時存在問題：低階等價向量在線實現(xiàn)比較簡單但性能不好，而高階等價向量能帶來比較好的性能卻需較大的計算量，且產(chǎn)生較高的漏報率。針對傳統(tǒng)等價空問法的缺陷，一些學(xué)者提出改進方法。文獻提出在等價空間法中引入窄帶IIR濾波器，在提高系統(tǒng)檢測性能的同時，幾乎不增加計算量，但會產(chǎn)生高的漏報率。在低階等價向量中引進小波變換能產(chǎn)生較好的檢測性能，卻增加了計算量，并使殘差產(chǎn)生器在線實現(xiàn)復(fù)雜化。為此，文獻通過在殘差產(chǎn)生器中引入平穩(wěn)小波變換(stationary wavelet transform，SWT)，能降低計算量，且漏報率較低。利用神經(jīng)網(wǎng)絡(luò)對等價向量進行補償，可提高系統(tǒng)對小幅值故障檢測與分離的準確性�；跁r間冗余的等價空間法不易實現(xiàn)故障分離，麗某個故障在固定時刻位于等價空間的固定方向，通過選取最優(yōu)轉(zhuǎn)換矩陣，將此固定方向與其它因素在等價空間中對應(yīng)的方向相分離，可分離故障瞳。
1.3 參數(shù)估計方法
參數(shù)估計法是根據(jù)模型參數(shù)及相應(yīng)的物理參數(shù)變化的統(tǒng)計特性來檢測和分離故障。由于物理參數(shù)具有明確的物理含義，可由物理參數(shù)的異常得到故障定位和預(yù)估方面的明確信息。與狀態(tài)估計法相比，參數(shù)估計法更利于故障的分離。隨著研究的進展，基于參數(shù)估計的故障診斷方法又有一些新成果。例如：基于模糊推理的參數(shù)估計方法心、基于神經(jīng)網(wǎng)絡(luò)的參數(shù)估計方法，基于圖像信號產(chǎn)生器的參數(shù)估計方法劉等，這些方法都提高了故障檢測和分離性能。
2 基于信號處理的方法
基于信號處理的方法是利用信號模型，如相關(guān)函數(shù)、高階統(tǒng)計量、頻譜、自回歸滑動平均和小波變換等，直接分析可測信號，提取方差、幅值、頻率等信息來進行故障檢測與診斷。這種方法適用于線性系統(tǒng)和非線性系統(tǒng)。但是，避開對象數(shù)學(xué)模型的優(yōu)點是實現(xiàn)簡單、實時性較好；缺點則是對潛在的早期故障的診斷顯得不足，多用于故障檢測，對故障分離和診斷的效果不很理想，若與其他方法結(jié)合可望提高故障診斷性能。
2.1 基于小波變換的方法
小波變換是一種信號的時間一尺度分析方法，具有多分辨率分析的特點。在時頻域都具有表征信號局部特征的能力．適合于非平穩(wěn)信號的奇異性分析。利用連續(xù)小波變換可以區(qū)分信號突變和噪聲，而利用離散小波變換可檢測隨機信號頻率結(jié)構(gòu)的變化。
小波變換對噪聲的抑制能力較強．具有較高的靈敏度，運算量也不大，是一種很有前途的方法。近年來，利用小波變換的優(yōu)點，將小波變換與數(shù)學(xué)模型、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、模糊理論、矩陣奇異值等方法相結(jié)合，提出了一些新的FDD方法，進一步提高了動態(tài)系統(tǒng)的故障檢測與診斷性能，在實際工程應(yīng)用中獲得成功。
2.2 主元分析法
主元分析法(principal component analysis，PCA)是利用統(tǒng)計原理來建立描述系統(tǒng)的低維模型，能有效地壓縮數(shù)據(jù)和提取故障信息，特別適合于大型的穩(wěn)態(tài)動態(tài)系統(tǒng)進行監(jiān)控，且能實現(xiàn)在線實時診斷。
目前PCA與其它理論相結(jié)合的故障診斷方法，正處于快速發(fā)展之中，如將PCA與小波分析相結(jié)合，將其推廣到多尺度情形，更大地壓縮數(shù)據(jù)矩陣；將非線性PCA方法與徑向基函數(shù)(radial basic function，RBF)神經(jīng)元網(wǎng)絡(luò)相結(jié)合進行故障檢測時，能獲得更好的故障檢測靈敏度和故障檢測精度。PCA方法和基于過程動態(tài)模型的故障診斷方法相結(jié)合，可對一些復(fù)雜故障和過程內(nèi)部故障進行準確診斷，將是今后進一步研究的方向。
3 基于知識的方法
人工智能及計算機技術(shù)的飛速發(fā)展，為故障診斷技術(shù)提供了新的理論基礎(chǔ)，產(chǎn)生了基于知識的診斷方法。，此方法引入診斷對象的許多信息，特別是可以充分利用專家診斷知識，而且它具有“智能“特性，是一種很有生命力的方法，尤其是在非線性系統(tǒng)領(lǐng)域�；谥R的方法主要可分為：神經(jīng)網(wǎng)絡(luò)方法、模糊數(shù)學(xué)方法、定性模型的方法、專家系統(tǒng)方法、故障樹分析方法、信息融合方法和基于Agent的方法等。
3.1 基于神經(jīng)網(wǎng)絡(luò)的方法
神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域的應(yīng)用研究主要集中在兩個方面：一是從模式識別的角度．應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類器進行故障診斷；二是將神經(jīng)網(wǎng)絡(luò)與其他診斷方法相結(jié)合而形成的復(fù)合故障診斷方法。人工神經(jīng)元網(wǎng)絡(luò)用于故障診斷主要有四種方式(1)用神經(jīng)元網(wǎng)絡(luò)產(chǎn)生殘差；(2)用神經(jīng)元網(wǎng)絡(luò)評價殘差；(3)用神經(jīng)元網(wǎng)絡(luò)做進一步診斷；(4)用神經(jīng)元網(wǎng)絡(luò)作自適應(yīng)誤差補償。
把模糊數(shù)學(xué)與神經(jīng)網(wǎng)絡(luò)相結(jié)合，可以在神經(jīng)網(wǎng)絡(luò)框架下引入定性知識，能得到更好的診斷性能，具有巨大的應(yīng)用前景。聯(lián)合多個神經(jīng)網(wǎng)絡(luò)的診斷方法能提高故障診斷的可靠性。因為神經(jīng)網(wǎng)絡(luò)存在諸如：訓(xùn)練樣本獲取困難、網(wǎng)絡(luò)權(quán)值表達方式難以理解、忽視了領(lǐng)域?qū)＜业慕?jīng)驗知識等問題，所以通過與基于模型的方法、專家系統(tǒng)、信息融合等理論相結(jié)合，可以彌補其不足。
3.2 基于模糊數(shù)學(xué)的方法
模糊故障診斷方法便于處理定性知識，適用于測量值較少且無法獲得精確模型的系統(tǒng)。其優(yōu)點是：計算簡單、應(yīng)用方便、結(jié)論直觀、減少許多不確定因素給診斷工作帶來的困難；缺點是：構(gòu)造隸屬函數(shù)有一定的主觀因素，而且如果特征元素的選擇不合理，將影響診斷結(jié)果，甚至造成診斷失敗�；谀：龜�(shù)學(xué)的方法主要有：(1)基于模糊模型的故障診斷方法；(2)基于自適應(yīng)模糊閾值的殘差評價方法；(3)基于模糊聚類的殘差評價方法；(4)基于模糊邏輯的殘差評價方法；(5)基于模糊模式識別的故障診斷方法。單純利用模糊推理進行故障診斷具有一定的局限性，一般利用復(fù)合式方法來進行故障診斷，如模糊故障樹法、模糊專家系統(tǒng)法、模糊神經(jīng)網(wǎng)絡(luò)法口、模糊小波神經(jīng)網(wǎng)絡(luò)法、模糊信息融合法n玎等，這些方法的診斷性能得到明顯提高。
3.3 基于定性的方法
在實際應(yīng)用中，基于定量信息的故障診斷方法由于種種原因無法實現(xiàn)，比如：故障不能用解析模型合理的描述；系統(tǒng)的先驗知識不確定、不完備；系統(tǒng)知識是定性知識；系統(tǒng)本身太復(fù)雜，只能采用近似模型來描述等。為了解決這些問題，許多學(xué)者采用定性模型的方法來進行故障診斷，主要的方法有：(1)基于定性仿真理論的診斷技術(shù)；(2)基于定性過程理論的診斷技術(shù)；(3)基于帶符號有向圖的診斷技術(shù)；(4)基于定性觀測器的診斷技術(shù)。利用定性方法進行故障診斷可以克服定量方法的魯棒性和頻響特性相對較差的缺陷，提高診斷精確度，減少誤報，但定性方法也有其自身的局限性。為此提出了將定性方法與定量方法相結(jié)合的故障診斷新方法，如基于定性推理與定量仿真集成的故障診斷推理方法、隨機定性推理方法臥陽等，這些方法可以彌補各自的不足，實現(xiàn)優(yōu)勢互補。
3.4 基于專家系統(tǒng)的診斷方法
傳統(tǒng)的專家系統(tǒng)故障診斷方法存在著一些自身難以解決的問題，如：知識獲取的“瓶頸”問題、邏輯推理的“組合爆炸”；在自適應(yīng)、學(xué)習(xí)能力及實時性方面也有局限性。為克服這些不足，有人提出～些新的專家系統(tǒng)故障診斷方法�；赑etri網(wǎng)建立對象行為模型，結(jié)合專家系統(tǒng)的優(yōu)點，對電力系統(tǒng)輸電網(wǎng)絡(luò)故障進行診斷。該方法不僅有效、準確、通用，還提高了故障診斷速度。文獻把遺傳算法與專家系統(tǒng)相結(jié)合進行故障診斷，提高了系統(tǒng)抑制噪聲的能力，同時較好地解決了推理速度和知識獲取困難的問題。同樣，在專家系統(tǒng)中引入故障樹，可以避免建立繁瑣而龐大的規(guī)則庫�；谌斯ど窠�(jīng)網(wǎng)絡(luò)的專家系統(tǒng)故障診斷方法和基于模糊數(shù)學(xué)的專家系統(tǒng)診斷方法，都能提高故障診斷效率，且有利于知識的升級、更新與維護。
3.5 故障樹分析方法
利用故障樹分析法(fault tree analysis，F(xiàn)TA)進行故障診斷兼顧了基于規(guī)則和基于定量模型的優(yōu)點，為復(fù)雜系統(tǒng)的故障診斷提供了一種有效途徑，是實際系統(tǒng)中常用的比較有效的診斷方法，近年來又出現(xiàn)一些新的進展。在經(jīng)典故障樹重要度分析方法的基礎(chǔ)上引入模糊集合理論，可解決可靠性工程中因數(shù)據(jù)不充分而帶來的模糊性，有效彌補了經(jīng)典概率方法的不足。文獻通過在給定故障樹頂事件和底事件概率描述的基礎(chǔ)上，計算故障樹最小割集的重要度，并在量級上進行分析比較，為系統(tǒng)的故障源搜尋提供具體有效的測試步驟，適用于大型復(fù)雜系統(tǒng)的故障診斷，在工程上有廣泛的應(yīng)用前景。Petri網(wǎng)町用于表達系統(tǒng)邏輯關(guān)系，完成知識表示和診斷推理，文獻提出把Petri網(wǎng)與故障樹分析相結(jié)合的故障診斷方法，滿足了實際復(fù)雜系統(tǒng)的需要，提高了診斷性能。
3.6 故障診斷的信息融合方法
基于信息融合原理的智能故障診斷方法，是通過多傳感器獲取設(shè)備狀態(tài)的特征信號來提取征兆，并進行多層面的關(guān)聯(lián)組合、數(shù)據(jù)選擇，從而獲得對診斷對象故障信息更可靠的認識和潛在故障發(fā)展趨勢的態(tài)勢評估。信息融合用于故障診斷的起因有三個方面：一是多傳感器形成不同通道的信號；二是同一信號形成了不同的特征信息；三是不同診斷途徑得出了有偏差的診斷結(jié)論。融合診斷的最終目標是綜合利用各種信息，提高診斷準確率。
信息融合故障診斷方法主要包括：Bayes證據(jù)理論、模糊融合、D-S證據(jù)推理、神經(jīng)網(wǎng)絡(luò)信息融合等。目前又提出了許多復(fù)合診斷方法，如模糊神經(jīng)網(wǎng)絡(luò)信息融合方法、集成小波神經(jīng)網(wǎng)絡(luò)信息融合方法、基于多級支持向量機(multi-class support vector machines，MSVMs)的集中和分布式數(shù)據(jù)融合方法、神經(jīng)網(wǎng)絡(luò)與證據(jù)推理相結(jié)合的信息融合方法哺們等。
3.7 基于Agent的故障診斷
診斷Agent是一種嵌套式多Agent組織模型，它將多傳感器信息融合算法引入Agent設(shè)計中，設(shè)計出一組分工協(xié)作的多Agent系統(tǒng)(multi-agent system，MAS)。該方法不僅能提高診斷準確率，而且增強環(huán)境的適應(yīng)性，使系統(tǒng)在運行過程中發(fā)現(xiàn)和挖掘知識，提高學(xué)習(xí)能力，實現(xiàn)診斷系統(tǒng)性能的自我完善、發(fā)展和提高，很適合大規(guī)模診斷問題的智能求解。
一般Agent故障診斷系統(tǒng)需要解決的關(guān)鍵問題有：
(1)故障信號的檢測，特征信息的提�。�(2)故障診斷Agent的刻畫；(3)管理控制Agent及數(shù)據(jù)挖掘Agent的i殳計；(4)各Agent之問的通信與協(xié)作。目前主要的診斷方法有：基于模糊數(shù)學(xué)融合診斷Agent，基于模糊神經(jīng)網(wǎng)絡(luò)融合Agent[38l、基于D-S證據(jù)理論的融合Agent、基于案例推理(case-based reasoning，CBR)的多Agent方法等。對于一個動態(tài)分布的、實時的和不確定的復(fù)雜系統(tǒng)，MAS在故障的分辨、診斷和控制方面表現(xiàn)出了極大的優(yōu)勢：它通過與所處環(huán)境、人以及個體之間進行相互協(xié)作表現(xiàn)出一定的社會智能，能解決一些傳統(tǒng)人工智能(artificial intelligence，AI)無法解決的大規(guī)模復(fù)雜的問題，現(xiàn)已成為AI領(lǐng)域研究的主流方向。
4 故障檢測與診斷的研究熱點
4.1 魯棒FDD
由于實際系統(tǒng)總存在噪聲、擾動、模型參數(shù)攝動及建模誤差等不確定性因素，因此研究不確定系統(tǒng)的故障檢測與診斷方法以及FDD的魯棒性現(xiàn)已成為FDD領(lǐng)域研究的熱點。目前對于魯棒故障診斷系統(tǒng)的研究方法主要有：(1)利用Ricatti方程方法、LMI方法、H∞ 控制、H2控制、l1估計等魯棒控制理論進行優(yōu)化設(shè)計口；(2)設(shè)計魯棒故障檢測濾波器(robust fault detection filter，RFDF)來實現(xiàn)其對被控對象模型誤差和系統(tǒng)不確定性因素的干擾解耦；(3)系統(tǒng)存在不確定性建模誤差的情況下，反饋控制器與RFDF不能實現(xiàn)完全獨立設(shè)計，閉環(huán)控制系統(tǒng)的性能指標與故障檢測濾波器的魯棒性能指標會相互影響。文獻提出的基于狀態(tài)觀測器的反饋控制與RFDF集成設(shè)計最優(yōu)化方法，可通過適當(dāng)選取后濾波器，達到控制器和RFDF獨立設(shè)計時所實現(xiàn)的性能指標，解決最優(yōu)集成設(shè)計問題；(4)對于不確定非線性系統(tǒng)，文獻提出基于自適應(yīng)增益滑動觀測器的滑動控制器方法，利用參數(shù)化的正切雙曲函數(shù)作為控制器的開關(guān)函數(shù)，通過選擇合適的開關(guān)函數(shù)參數(shù)，可以使觀測器先于控制器收斂，開關(guān)函數(shù)的自適應(yīng)增益在使系統(tǒng)獲得較低的估計和輸出跟蹤誤差的同時增強了系統(tǒng)的魯棒性。
4.2 網(wǎng)絡(luò)控制系統(tǒng)的故障診斷
網(wǎng)絡(luò)控制系統(tǒng)(networked control system，NCS)是在反饋控制系統(tǒng)的控制回路中通過各種網(wǎng)絡(luò)信道連接而形成的閉環(huán)系統(tǒng)，具有資源共享、便于系統(tǒng)安裝、維護、擴展等優(yōu)點；網(wǎng)絡(luò)的介入也帶來諸如：信息傳輸延遲、丟失信息包、帶寬資源限制等問題�？刂葡到y(tǒng)網(wǎng)絡(luò)化帶來的最大變化就是一個新的數(shù)據(jù)交換環(huán)境，在此新環(huán)境中以往研究的控制理論問題均應(yīng)有相應(yīng)的新變化和新結(jié)論。隨著傳統(tǒng)控制系統(tǒng)網(wǎng)絡(luò)化的發(fā)展，近年來對NCS的研究引起了眾多學(xué)者的興趣，涌現(xiàn)許多成果。
為了確保網(wǎng)絡(luò)控制系統(tǒng)運行的可靠性，對于網(wǎng)絡(luò)控制系統(tǒng)的故障診斷問題的研究也至關(guān)重要，目前的研究成果還比較少，主要有：通過參數(shù)設(shè)計干擾解耦向量的方法；利用LMI理論設(shè)計NCS的故障診斷濾波器，通過引入新的性能指標，可最大化對故障信號的靈敏度和對不確定網(wǎng)絡(luò)時延及未知輸入的魯棒性；基于Kalman濾波器的FDI方法；網(wǎng)絡(luò)的隨機時延是NCS在線故障檢測的難點，文獻E66]通過在NCS中加入緩沖器使隨機時延轉(zhuǎn)變?yōu)槎〞r延，然后設(shè)計魯棒H。狀態(tài)觀測器進行故障檢測，與目前的FD方法相比，該方法能實現(xiàn)在線故障檢測，且具有較少計算量、較強魯棒性及對故障的敏感性；對于由于數(shù)據(jù)丟失而引起的數(shù)據(jù)信息不可測問題，文獻提出了時延殘差產(chǎn)生器及其閡值的聯(lián)合設(shè)計方法，減少了因為信息丟失而引起的誤報；因為T-S(Takagi—Sugeno)模型不需要網(wǎng)絡(luò)時延的精確信息，同時又能解決信息包的丟失，所以文獻應(yīng)用T-S模型來描述具有不同網(wǎng)絡(luò)時延的NCS模型，再利用等價方程和模糊觀測器方法來進行故障檢測，該方法具有較高實用性和有效性�；赥-S模型的優(yōu)點，用其來描述更加復(fù)雜的NCS模型進而進行故障診斷還需要更深入的研究。
5 FDD的應(yīng)用成果
故障檢測與診斷技術(shù)不僅在理論上獲得了很多新的進展，在應(yīng)用領(lǐng)域也取得了不少研究成果。表1給出FDD技術(shù)的一些典型應(yīng)用。
6 結(jié)束語
從近年發(fā)表的文獻看出，F(xiàn)DD方法正趨向于綜合化。把定量模型方法與基于定性模型、半定性模型的方法進行有機融合，實現(xiàn)優(yōu)勢互補，已成為FDD的一個研究熱點。雖然基于解析模型方法的研究仍集中于線性系統(tǒng)，但對非線性系統(tǒng)FDD的研究已得到重視。由于不確定性的影響，對魯棒性問題的研究會越來越多，而多目標約束的魯棒FDD方法將成為新的研究方向。另外，基于多模型(MM)估計的診斷方法正引起人們的研究興趣，但如何設(shè)計最優(yōu)的模型集和合理的估計器等還需要更深入的研究�；谛盘柼幚淼姆椒òl(fā)展較完善，將小波分析引入故障診斷。涌現(xiàn)出大量的應(yīng)用成果，仍是今后研究的熱點。Delta算子方法在高速信號處理和控制方面比移位算子方法具有很大的優(yōu)越性，在故障診斷中引入Delta算子，可以實現(xiàn)在線實時檢測，具有靈敏度高、計算量小、抗噪聲能力強等優(yōu)點。因此，Delta算子方法在故障診斷中的應(yīng)用有望成為FDD新的研究方向之一。
基于知識的方法對于非線性系統(tǒng)和復(fù)雜系統(tǒng)具有較高的應(yīng)用價值，更適用于實際的工業(yè)裝置。而且其“智能”特性，符合對系統(tǒng)的自然推理，是一種很有前途的方法。遺傳算法是一種先進的全局優(yōu)化算法，將其應(yīng)用于FDD領(lǐng)域，有待于進一步研究。把Petri網(wǎng)用到控制系統(tǒng)的故障診斷，能有效實現(xiàn)診斷系統(tǒng)的模型化，也是一種新方法，值得深入研究。多Agent方法能解決一些傳統(tǒng)人工智能方法無法解決的大規(guī)模復(fù)雜問題，其在故障診斷中的應(yīng)用具有廣闊的發(fā)展前景�；贜CS自身的特點，對其進行故障檢測與診斷將是FDD研究的新領(lǐng)域。雖然故障檢測與診斷在理論上取得了許多突破和進展，但用于實際工業(yè)過程的還不多見，因此，探索適合實際應(yīng)用的故障檢測與診斷方法將是科技人員面臨的具有挑戰(zhàn)性的研究課題。
核心關(guān)注：拓步ERP系統(tǒng)平臺是覆蓋了眾多的業(yè)務(wù)領(lǐng)域、行業(yè)應(yīng)用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務(wù)管理理念，功能涉及供應(yīng)鏈、成本、制造、CRM、HR等眾多業(yè)務(wù)領(lǐng)域的管理，全面涵蓋了企業(yè)關(guān)注ERP管理系統(tǒng)的核心領(lǐng)域，是眾多中小企業(yè)信息化建設(shè)首選的ERP管理軟件信賴品牌。
轉(zhuǎn)載請注明出處：拓步ERP資訊網(wǎng)http://www.ezxoed.cn/
本文標題：控制系統(tǒng)故障檢測與診斷技術(shù)的最新進展
本文網(wǎng)址：http://www.ezxoed.cn/html/support/11121510738.html
相關(guān)文章
