3.4贝叶斯网络法

　　贝叶斯网络又称为信度网络(Belief Networks)，是目前不确定知识表达和推理领域最有效的理论模型之一。贝叶斯网络故障诊断法(BPN)是建立在概率理论知识之上一种图形化的方法，该网络表示了故障征兆的原因和影响关系可能分布，网络节点表示变量，弧线表示这些变量之间的可能存在的关系。实际上这些节点可以表示任何东西，一个故障或者是某些中间值。其结构图如图2所示。

　　风扇流量 风扇效率 低压压气机效率 低压压气机流量 低压压气机转速 低压压气机转速 低压压气机进气压 高压压气机进气压 高压压气机流量 高压压气机效率 高压涡轮流量 高压涡轮效率 低压涡轮流量 低压涡轮效率 排气系统 高压压气机进气温度 高压压气机出口气压 高压压气机出口温度 低压涡轮进气温度 低压涡轮出口压力 燃油流量 子节点 图2.贝叶斯网络

Fig.2 Bayesian network 父节点

　　在国内，西北工业大学傅军在柴油机动力装置的故障诊断中，采用贝叶斯网络故障诊断模型，提高了故障诊断的精度和速度，并进行专家知识积累。2003年Adamb [14]旨在诊断对4个以上运行参数依赖于非线性模型的部件降级过程的诊断;C.Romessis 等在2006年将基于 Bayesian Belief 网络(BBN)的方法应用于气路故障诊断。尽管贝叶斯网络法应用比较广泛，但采用贝叶斯网络进行气路故障诊断还存在以下不足：(1)没有对传感器偏置进行处理;(2)大量的时间和精力都用来收集信息。

　　3.5专家系统法

　　专家系统是(ES)研究时间最长，应用比较广泛的诊断技术。专家系统诊断方法有以下几种：

　　(1)基于规则的诊断系统

　　早期的故障诊断专家系统都是基于规则的，是根据被诊断的专家以往的经验，将其归成规则，并通过规则推理进行故障诊断。这种方法过分依赖于经验，且存在知识获取的瓶颈问题。对于发动机这种复杂非线性系统，容易陷入无法诊断一些新类型故障的困境。

　　(2)基于模型的诊断系统

　　该方法是运用被诊断系统的运行模型和故障类型，由模型预测形态和测量观测形态之间差异计算出诊断系统故障。相对于基于经验的专家系统而言，这种方法称为深知识诊断方法。这些年基于知识的方法逐渐引起重视，也取得了重大进展。如Reggia的节约覆盖集方法;Yager的模糊解释模型以及Davis的基于结构与功能的诊断推理模型。现在也有基于经验知识和模型知识相结合的方法，如Gallanti和Fink提出的集成诊断模型、Peng的层次因果模型[15]。目前神经网络专家系统在知识获取、适应性学习等方面具有明显的优越性，成为专家系统领域中较为常用的方法。

　　3.6模糊逻辑法

　　模糊逻辑系统在一定条件下可以以任意精度逼近给定的非线性函数。基于模糊模型的故障诊断主要有以下两种基本方法：一种是先建立征兆与故障类型之间的因果关系矩阵，再建立故障与征兆的模糊关系方程;另一种方法是根据先验知识建立起故障征兆与对应的原因之间的模糊规则库，利用规则库进行模糊逻辑推理。

　　Healy在1997年[16]针对传感器故障提出了基于模型的模糊逻辑法;Siu等人针对发动机诊断提出了基于规则的专家系统。Tang在1999年[17]就发动机气路部件、设备、转子和油路子系统故障介绍了基于模糊逻辑和人工神经网络的发动机故障诊断法;Ogaji[18]对人工神经网络法和模糊逻辑法做了比较，他指出模糊逻辑对于非确定性故障诊断具有较高的诊断能力。

　　3.7信息/数据融合法

　　航空发动机上安装有2万多个传感器，这些传感器采集不同的信息，它们分别表示有压力、温度、转子转速、角速度等。如果不对这些信息进行组织和管理，必将会导致信息组合“大爆炸”。信息/数据融合根本任务即是综合利用来自多种信息源的、多参数、多传感器信息，以减小故障诊断差错，提高置信度。

　　信息融合技术主要分为三种：基于统计学、基于信息、基于认识论模型的方法。当前大量应用案例采用数据融合诊断方法，例如用卡尔曼滤波法对传动系统进行数据融合、采用自动推理对齿轮箱振动与油污进行数据融合，采用权重方法和贝叶斯推理方法对直升机传动系统进行数据融合等。2001年由美国NASA格林研究中心牵头成立的C-17研究团队采用信息融合技术对C-17军用运输机进行故障诊断[19][20]。

　　3.8混合方法

　　当前国内外对于诊断方法的研究开始集中到对几种方法进行综合上来。蔡开龙等人进行模糊神经网络研究故障诊断;2005年陈恬和郝英[21][22]把人工神经网络和D-S证据理论的方法应用到航空发动机气路故障诊断当中，他们采用改良的D-S证据理论对基于自组织竞争网络和神经网络2个诊断子系统的诊断结果进行决策级融合。袁春飞[23]等人采用基于KF和遗传算法(GA)对发动机性能进行诊断。方前以机载模型输出与发动机测量参数之间的误差最小为目标，通过遗传算法优化计算，找出存在测量偏差的传感器，并确定其偏差，最终消除测量偏差对性能诊断的影响。在DR.MICHAEL和J.ROEMER的一篇报告中，他们提到采用人工神经网络(BP和自组织映射网络)与模糊逻辑结合的方法对发动机进行故障诊断，并对SBIR(Small Business Innovation Research)开发的航空发动机监控系统软件EHM Demo Software做了较详细介绍[24]。

　　4各种方法比较

　　基于线性模型和非线性模型方法都是根据发动机的气热动力学理论建立航空发动机的数学模型，这些模型有它们的物理含义。目前建立足够反应发动机真实工作情况的模型还是比较困难的事情。

　　人工神经网络具有高度非线性、容错和联想记忆等优点，但也存在许多不足。例如，该方法属“黑箱”方法，不能对诊断过程给予明确解释。另外，网络训练时间较长、获取训练样本困难、容易落入能量最小点、易发生过学习或欠学习。而且性能过于依赖结构和初始值的选择，这些都增加了神经网络在实际应用中的困难。

　　当前，尽管信息融合技术己经在众多领域得到了广泛地应用，但故障诊断领域中的应用与研究仍然停留在较低水平上。限制其发展的因素主要有以下几点：(1)多源信息的获取大大增加了信号测试系统的复杂性和成本;(2)随着信息源的增加，系统结构的复杂性随之增大，因此系统的实时性难以保证;(3)机械设备的多样性和复杂性使得相应设备故障诊断系统的专用性强，移植性差。航空发动机气路故障诊断方法复杂性、快速性]如表1所示。模糊逻辑可以用于对不全面或不确定的故障进行诊断，一般使用与短期故障。遗传算法作为一种全局搜索技术已引起人么关注，具有避开局部最佳的潜能。马尔科夫链是一种时间域内的离散时间线性模型。它在同一模型中组合了确定元件和随机元件。隐式马尔科夫十一中随机有限状态模型。每个状态只与以前的时间步调状态有关。贝叶斯理论采用条件概率来识别最可能的故障，但在实际中通常难以采用[25]。表2中列出了十种关键技术。一些方法是前提条件的，比如假设健康参数变化相对较小，并且主要方程能够线性化等。由于线性模型不足产生了非线性模型方法，其它一些技术，比如，最小二乘法和模糊逻辑法是专门解决针对参量参数不确定性的问题。含故障影响矩阵逆矩阵的算法仅适合两参数的个数大于健康参数的个数的情况，但是它不能够处理测量参数不确定的问题。此外，参数估计法、和基于人工智能的方法能够解决少量参数不确定问题[26]。这些算法使用的范围及其特点如表2所示。

 2/4   首页 上一页 1 2 3 4 下一页 尾页