一、網絡控制系統

近年來，網絡控制系統（NCS）己成為學術界和工業界的研究熱點之一。將網絡集成到控制系統中取代傳統的計算機控制系統中的點對點連線具有很多優點，如：布線成本的降低，電纜重量的減少，安裝過程的簡化以及可靠性的提高等。網絡控制系統（NCS）便于實現系統的診斷和維護，同時也可提高系統的柔性。但是，在反饋控制回路中加入通信網絡的同時，也增加了控制系統分析和設計的復雜性。因此，網絡控制系統必須解決的關鍵問題之一，就是在網絡帶寬有限的情況下如何保證控制系統的實時性與穩定性。

（一）網絡控制系統的概述

圖1.1網絡控制系統結構圖

網絡控制系統涵蓋了兩方面的內容：系統節點的分布化和控制回路的網絡化。而通過網絡形成控制回路是NCS最大的一個特點。網絡控制系統結構圖，見圖1.1。

（二）典型的網絡控制系統

目前應用于控制領域中的網絡控制系統有現場總線控制系統(FieldbusSystem)、工業以太網(IndustrialEthernet)控制系統以及無線網控制系統(WirelessNCS)等。典型網絡控制系統結構圖見圖1.2。分類：1.現場總線控制系統；2.工業以太網(IE)控制系統；3.無線局域網控制系統。

圖1.2典型網絡控制系統的結構圖

（三）網絡控制系統的基本問題

一般控制系統的研究內容，如控制算法、可靠性、實時性、互操作性、安全性等仍然屬于網絡控制系統的研究內容，但由于網絡技術的應用，呈現出新特性，便產生了新問題，以下是網絡控制系統的主要研究內容：1.控制時延；2.網絡控制系統體系結構；3.網絡控制系統通信協議與企業信息集成；4.抖動；5.網絡控制系統的穩定性；6.網絡控制系統的控制算法與調度優化方法；7.網絡控制系統的互操作性；8.網絡控制系統容錯控制；9.數據包丟失；10.數據包的時序錯亂；11.結點驅動方式；12.網絡安全改進。

隨著控制系統向大型化和網絡化發展，網絡控制系統的故障診斷己成為一個新的研究課題。在工程實現中，NCS對安全性和可靠性要求很高，如果某些微小故障不能及時排出將造成巨大的災難和損失。

二、網絡控制系統的故障診斷技術

（一）故障診斷的基本概念與基本方法

1.基本概念

所謂故障診斷,就是利用被診斷系統的各種狀態信息和已有的各種知識,進行信息的綜合處理,最終得到關于系統運行和故障狀況綜合評價的過程。其基本目標是確定診斷對象有無故障,若有,則進一步確定故障的性質、原因、類型,以及發生的部位等。

2.基本方法

從不同的角度出發有多種故障診斷分類方法，概括的講可以分為兩大類：基于數學模型的方法和基于人工智能的方法。如圖2.1所示。

圖2.1故障診斷方法分類示意圖

（二）故障診斷方法的研究

1.基于數學模型的方法

⑴基于直接測量系統輸入輸出及信號處理的方法

該診斷方法是直接測量被診斷對象有關的輸出量，如果輸出超出正常變化范圍，則可以認為對象已經或將要發生故障。這種方法簡單，但容易出現故障的誤判和漏判。另一種較為可行的方法是用一定的數學手段描述輸出在幅值、相位、頻率及相關性上與故障源之間的聯系，通過分析與處理這些量，來判斷故障的位置。常用的方法有譜分析法、概率密度法、相關分析法等。

⑵基于狀態估計的方法

被診斷過程的狀態，通過估計出系統的狀態并結合適當模型則可進行故障診斷。首先重構被診斷過程的狀態，并構成殘差序列，殘差序列中包含各種故障信息。基于這個序列，通過構造適當的模型并采用統計檢驗法，才能把故障從中檢測出來并做進一步的分離、估計和決策。狀態估計的方法通常是狀態觀測器及濾波器。采用這個方法的前提條件是：①過程數學模型知識（結構及參數）；②噪聲的統計特征；③系統可觀測或部分可觀測；④方程解析應有一定精度；⑤在許多場合下將模型線性化并假設干擾為白噪聲。

⑶基于過程參數估計的方法

此方法與基于狀態估計的診斷方法不同，它不需要計算殘差序列，而是根據參數變化的統計特性來檢測故障的發生，而后進行故障分離、估計和分類。由于可以建立故障與過程參數的精確聯系，因此這種方法比基于狀態估計的方法更有利于分離故障。最小二乘法簡單實用，是參數估計的首選方案。采用此方法的前提條件是：①需建立精確的數學模型；②需要有效的參數估計方法；③被控過程的充分激勵；④選擇適當的過程參數；⑤必要的統計決策方法。

基于數學模型的故障診斷方法，其優點是能深入系統本質的動態性質和實現實時診斷，缺點是當系統模型未知、不確定或具有非線性時，這種方法不易實現。

2.基于人工智能的方法

⑴基于專家系統（ES）的方法

基于專家系統的診斷方法是故障診斷領域中最為引人注目的發展方向之一，也是研究最多，應用最廣的一類智能診斷技術。它大致經歷了兩個發展階段：基于淺知識（領域專家的經驗知識）的故障診斷系統和基于深知識（診斷對象的模型知識）的故障診斷系統。①基于淺知識的診斷方法。淺知識是指領域專家的經驗知識。此診斷系統通過演繹推理或產生式推理來獲取診斷結果，其目的是尋找一個故障集合使之能對一個給定的征兆（包括存在的和缺席的）集合產生的原因做出最佳解釋。此方法具有知識表達直觀、形式統一、模塊性強、推理速度快等優點，但也具有較大的局限性，如知識集不完備，對沒有考慮到的問題系統容易陷入困境；對診斷結果的解釋能力弱等。②基于深知識的診斷方法。深知識則是指診斷對象的結構、性能和功能的知識。此診斷系統要求對象的每一個環節具有明確的輸入輸出表達關系，診斷時首先通過診斷對象實際輸出與期望輸出之間的不一致，生成引起這種不一致的原因集合，然后根據診斷對象領域中的第一定律知識（具有明確科學依據的知識）及其他內部特定的約束關系，采用一定的算法，找出可能的故障源。這種方法具有知識獲取方便、維護簡單、完備性強等優點，但搜索空間大，推理速度慢。近年來發展了基于經驗知識和模型知識相結合的故障診斷方法。③基于淺知識和深知識的混合診斷方法。對于復雜設備系統而言，無論單獨使用淺知識還是深知識，都難以很好地完成診斷任務，只有將兩者結合起來，才能使診斷系統的性能得到優化。因此，為了使故障智能診斷系統具備與人類專家能力相近的知識，研制者在建造智能診斷系統時，越來越強調不僅要重視領域專家的經驗知識，更要注重診斷對象的結構、功能、原理等知識，研究的重點是淺知識與深知識的集成表示方法和使用方法。事實上，一個高水平的領域專家在進行診斷問題求解時，總是先將他具有的深知識和淺知識結合起來，完成診斷任務。一般優先使用淺知識，找到診斷問題的解或者是近似解，必要時用深知識獲得診斷問題的精確解。

專家系統方法一直是基于知識的故障診斷中的研究重點，經多年發展已比較成熟。它不需要一個人類問題求解的精確匹配，而能夠通過計算機提供一個復制問題求解的合理模型。圖2.2是一個基于知識的專家系統的工作模型，由知識庫、全局數據庫、推理機、知識獲取機制、解釋機制和用戶界面六個部分組成。分為專家系統運行和知識庫管理兩個功能模塊。專家系統運行模塊用來實現基于知識的故障診斷和故障碼的速查。知識庫管理模塊用來實現推理規則和故障碼的錄入、存儲、校驗以及知識庫的轉換。

圖2.2基于知識的專家系統工作模型

⑵基于案例的診斷方法

此方法能通過修訂相似問題的成功結果來求解新問題。它能通過將獲得新知識作為案例來進行學習，不需要詳細地診斷對象模型。在這種推理方法中，主要包括：案例表達和索引、案例的檢索、案例的修訂、從失敗中學習等。此方法的原理是，對于所診斷的對象，根據其特征從案例庫中檢索出與該對象的診斷問題最相似匹配的案例，然后對該案例的診斷結果進行修訂作為該對象的診斷結果。此方法適用于領域定理難以表示成規則形式，而易表示成案例形式并且已經積累了豐富的案例的領域。它的局限性是：傳統的方法難以表示案例之間的聯系；對于大型案例庫進行檢索非常費時，并且難以決定應選擇那些癥狀及它們的權重；此方法難以處理案例修訂時的一致性檢索，難以對診斷結果加以解釋。

⑶基于人工神經網絡（ANN）的方法

神經網絡在故障診斷領域的應用研究主要集中在兩個方面：一是從模式識別的角度，應用神經網絡作為分類器進行故障診斷；二是將神經網絡與其他診斷方法相結合而形成的復合故障診斷方法。

人工神經元網絡用于故障診斷主要有四種方式：①用神經元網絡產生殘差；②用神經元網絡評價殘差；③用神經元網絡做進一步診斷；④用神經元網絡作自適應誤差補償。把模糊數學與神經網絡相結合，可以在神經網絡框架下引入定性知識，能得到更好的診斷性能，具有巨大的應用前景。聯合多個神經網絡的診斷方法能提高故障診斷的可靠性。因為神經網絡存在諸如：訓練樣本獲取困難、網絡權值表達方式難以理解、忽視了領域專家的經驗知識等問題，所以通過與基于模型的方法、專家系統、信息融合等理論相結合，可以彌補其不足。

神經網絡是由大量的神經元廣泛互連而成的網絡。根據連接方式不同，可分為兩大類：沒有反饋的前向網絡和相互結合型網絡。ANN的工作過程有兩個階段組成。一個是學習期（自適應期或設計期），此時各計算單元狀態不變，各連接權值可修改（通過學習樣本或其它方法）。另一個階段是工作期，此時各連接權值固定，計算單元的狀態變化，以求達到穩定狀態。神經網絡的優點是，具有復雜多模式及進行聯想、推理和記憶功能。目前有五種常用于故障診斷的神經網絡模型種類，如圖2.6所示。文獻[10]對這五種模型作了詳細介紹。

圖2.65種常用于故障診斷的神經網絡模型

⑷基于模糊數學的方法

此方法不需要建立精確的數學模型，適當地運用隸屬函數和模糊規則，進行模糊推理就可以實現模糊診斷的智能化。但對于復雜的診斷系統，要建立正確的模糊規則和隸屬函數是非常困難的，而且要花費很長的時間。對于更大的模糊規則和隸屬函數集合而言，難以找出規則與規則之間的關系，也就是說規則有“組合爆炸”現象發生。另外由于系統的復雜性、耦合性，由時域、頻域特征空間至故障模式特征空間的映射關系往往存在著較強的非線性，這時隸屬函數形狀不規則，只能用規范的加以代替處理，從而使得非線性系統的診斷結果不夠理想。

⑸基于故障樹的方法

故障樹方法是由計算機依據故障與原因的先驗知識和故障率知識自動輔助生成故障樹，并自動生成故障樹的搜索過程。診斷過程從系統的某一個故障開始，沿著故障樹不斷提問而逐級構成一個遞接故障樹，通過對此故障樹的啟發式搜索，最終查處故障的根本原因。

三、故障智能診斷發展的現狀

故障智能診斷系統的發展歷史雖然短暫，但在電路與數字電子設備、機電設備、軍事設備等方面已取得了令人矚目的成就。

在20世紀80年代，故障智能診斷系統被認為是診斷技術的重要發展方向，這是因為，一方面故障智能診斷具有傳統診斷方法無法比擬的優點，另一方面，復雜的設備診斷在很大程度上需要依賴專家的經驗知識。因此國內外專家學者陸續開發了一大批基于知識的故障診斷系統，各種診斷方法和技術也在診斷系統中得到了應用。但從已取得的研究成果來看，目前的故障智能診斷系統還存在許多尚需進一步解決的問題。下面從診斷知識的角度給予分析：①知識庫龐大；②解決問題能力的局限性；③深、淺知識結合能力差；④自動獲取知識能力差；⑤容錯能力差；⑥對不確定性知識的處理能力差。

總之，故障智能診斷系統無論在理論上還是在系統開發方面都已取得了很大進步，但真正投入使用并且功能完善的系統并不多，大多數研究成果仍然停留在實驗室階段。造成這種理論與實踐脫節有兩個方面的原因，一方面是由理論研究所限定的條件與實際應用時的情況相差甚遠，另一方面是由于對診斷對象缺乏深刻的認識和研究，而且作為人工智能技術本身也有待進一步發展和完善。

四、故障智能診斷系統的發展趨勢

隨著知識工程的發展以及數據庫、神經網絡等技術的日新月異，必然引起故障智能診斷系統的在各個方面的不斷發展。其發展趨勢可概括為以下幾點：1多種知識表示方法的結合；2經驗知識與原理知識的緊密結合；3診斷系統與神經網絡的結合

五、結論

本論文系統而深入的討論了ANN和ES。到目前為止，這兩種方法基本上還是分開研究的，不論哪種方法實現的系統都是有局限性的，兩種方法各有所長，傳統的ES擅長模擬人類的邏輯思維，而ANN方法擅長模擬人類的形象思維，兩種方法綜合在一起研究則是模擬智能必然的道路。

ANN和ES相結合的神經網絡專家系統，其可預見的優點是：它不但具有高度并行及容錯性、實時性和自適應性，還具有自組織、自學習、聯想記憶以及在工作中不斷創新等功能?？傊?，神經網絡專家系統具有很大的潛力。未來智能計算機可能就是這兩者有機的、最佳的結合，ES或知識工程將更進一步沿著這條道路向縱深發展?？梢灶A言，ANN和ES的成功結合將推動故障診斷系統方法的研究進入一個新的時期，也將為其在復雜電子裝備系統中的應用提供新的領域。

參考文獻：

⑴譚民.控制系統故障檢測與診斷技術及其可靠性問題的研究.

⑵張結斌，文代剛，基于工Internet/Intranet分布式網絡控制系統的實現

⑶張識越，聞新，周露.國內控制系統故障診斷技術的現狀與發展.火力指揮控制

⑷聞新.故障系統的智能容錯控制理論研究及應用.哈爾濱工業大學博士學位論文

⑸焦李成.神經網絡系統理論

⑹楊士元.數學系統的故障診斷與可靠性設計.北京：清華大學出版社

⑺虞和濟.故障診斷的基本知識.北京：冶金工業出版社

⑻關惠玲，王偉.模糊神經網絡故障診斷專家系統.鄭州工業大學學報

⑼吳今培，肖建華.故障診斷專家系統得一種新設計方案，振動、測試與診斷

⑽周華東等.故障檢測與診斷技術.控制理論與應用