Issuu on Google+

Scientific Journal of Control Engineering October 2012, Volume 2 Issue 5, PP.143-150

Review of Fault Diagnosis in Control Systems Aishe Shui#, Lichuan Liu, Weihong Fang, Shenglin Li, Changhua Xie, Haitao Zhang Department of Information Engineering, Logistical Engineering University, Chongqing 401311, China Email: shuiaishe@163.com

Abstract The major achievements on the research of fault detection in control systems are reviewed in detail from three aspects which including signal threshold based approaches, signal model based approaches and process model based approaches. Particular emphasis is put on the process model based approaches which is using the closed-loop monitoring information in control systems to establish the quantitative and qualitative process model, detecting and then isolating the main failures in sensors, actuators, and the controlled process. The corresponding application problems are stated within a purpose of acquiring small probability of both the false alarm rate and missed alarm rate. As a result of the growing demand for higher performance, efficiency, reliability, sensitivity and rapidity in fault diagnosis systems , the robust fault detection in the transition process, the knowledge acquisition for quantitative and qualitative diagnosis based on processing history data, and hybrid intelligent fault diagnosis system architecture are worthy of a deeper research. Keywords: Control System; Fault Diagnosis; Fault Detection and Isolation; Sensor Failures; Actuator Failures; Process Failures

控制系统故障诊断方法综述* 税爱社,刘丽川,方卫红,李生林,谢昌华,张海涛 后勤工程学院 信息工程系,四川 重庆 401311 摘

要:本文主要从基于信号阈值的故障检测方法、基于信号模型的故障检测方法及基于过程模型的故障检测方法三方

面综述控制系统故障诊断研究的主要成果。故障检测和故障分离是诊断过程中的两个重要环节;混合智能故障诊断是目 前研究的热点。充分利用控制系统闭环回路测控信息,建立定量和定性过程模型,检测和分离传感器、执行器及被控过 程故障是控制系统故障诊断研究的主要特点;降低误报率与漏报率、提高灵敏度与速度一直是控制系统故障诊断研究的 重点和难点。过渡过程中的鲁棒故障检测、基于过程历史数据的定量与定性诊断知识获取、混合智能故障诊断系统架构 是值得今后重点关注的研究内容。 关键词:控制系统;故障诊断;故障检测与分离;传感器故障;执行器故障;过程故障

引言 典型的控制系统由控制器、输入/输出接口、传感器、执行器及被控过程组成。由于自然的或人为的因 素,控制系统组成部件难免会发生故障。目前,作为控制系统关键部件的控制器及输入/输出接口,通过采 用标准的工业控制计算机、可编程控制器或可编程自动化控制器,已具有很高的可靠性,不易发生故障; 传感器、执行器及被控过程由于常处于恶劣的现场环境,介质侵蚀、温湿度变化、电磁干扰、雷击、施工 破坏等因素易造成其部件性能劣化或损毁,是控制系统的主要故障源。控制系统中高可靠的控制器为用软 件冗余为主的故障诊断奠定了基础。基于软件冗余的故障诊断已取得了许多应用成果,提出了大量的诊断 *

基金资助: 总后军需物资油料部重点攻关课题(42412332) - 143 -


方法,对这些方法的分类方式也多种多样,如国际控制系统故障诊断权威,德国杜伊斯堡大学的 Frank 教授 将故障诊断方法划分为基于知识的方法、基于解析模型的方法和基于信号处理的方法三种[1];美国普渡大学 Venkatasubramanian 教授将控制系统故障诊断方法分为基于定量模型的方法、基于定性模型的方法和基于过 程历史数据的方法三大类[2~4],突出了基于数据驱动的故障诊断知识获取方式。控制系统故障诊断过程中, 故障检测和故障分离是两个重要环节,据此可将控制系统故障诊断方法分为故障检测方法和故障分离方法; 随着现代人工智能及其在故障诊断中应用的不断深入,混合智能故障诊断已成为研究的热点[4, 5]。基于上述 的认识,控制系统故障检测、故障分离和混合智能故障诊断将是本文综述的三大主要内容。

1

故障检测主要方法 控制系统传感器、执行器及被控过程任何环节发生故障,系统测控信号均将不同程度偏离正常值。故

障检测的主要目的是确定系统是否发生了异常状态,并获取异常状态下的故障征兆。根据系统测控信号的 不同利用形式,控制系统故障检测方法可以分为三大类:基于信号阈值的方法、基于信号模型的方法和基 于过程模型的方法。

1.1 基于信号阈值的故障检测方法 如果样本信号数据值超出正常变化范围,即设定阈值,则可认为系统已经或将要发生故障,基于信号 阈值的故障检测方法可分为固定阈值、自适应阈值、趋势变化阈值。固定阈值的故障检测,具有简单易用 的优点,但由于其不能适应系统无故障变化,如正常的给定控制、扰动调节、工艺流程的改变和背景噪声 等引起的工况瞬变及工作点的变化,因此常用于超高限或低限故障的检测;自适应阈值的故障检测克服了 固定阈值的缺点,考虑了系统结构、给定控制、扰动调节和背景噪声等的变化,改善了对系统无故障变化 的适应能力,提高了故障检测的可靠性,自适应阈值获取方法主要有基于统计的方法、基于知识的方法、 基于解析模型的方法[6, 7];基于趋势变化阈值的故障检测常根据单位时间内样本信号数据变化、数据变化率 是否超过设定阈值来检测故障[8]。 在传感器、执行器及被控过程故障检测中,自适应阈值获取是提高故障检测鲁棒性的关键 [9~12],选取过 大将增加系统的故障漏报率,过小又会增大误报率。在工程应用中,常以系统正常运行状态下三倍的标准 差(±3  )作为样本信号的极限误差,并据此确定超限故障检测的阈值,这种方法存在的主要问题是无法 同时保证检测结果的误报率和漏报率都足够小,证明过程如例 1 所示。 例 1:对于服从正态分布的样本信号 x ,其分布均值为  ,标准差为  ,即 x ~ N

 ,  。假设由于传 2

感器的偏置故障导致样本信号 x 分布均值由   0 变化为   1 1  0 ,分布密度函数将由 1 x  平移到

2 x ,如图 1 所示。

 (x)

 2 ( x)

1 ( x)

1

0 K

x

图 1 传感器的偏置故障导致样本信号分布均值发生变化的概率密度分布

在误报率   0.05 和漏报率   0.05 的条件下,设检测阈值为 K ,根据概率论与数理统计知识,可得: - 144 -


  Px  K   0.05  x2  1  2 2 e  1 x   2  

(1)

  Px  K   0.05   x1 2  1  e 2 2  2 x   2  

(2)

由式(1)、式(2)可得检测阈值: 2  K  1  2 ;根据检测阈值 K ,可得分布均值: 1  4 。 由此可知,只有当传感器的偏置故障引起均值变化超过 4 后,故障检测结果才能同时满足误报率

  0.05 和漏报率   0.05 的条件。基于信号固定阈值的故障检测方法检测灵敏限难以进一步提高。 1.2 基于信号模型的故障检测方法 基于信号模型的方法利用相关分析、谱分析、时间序列分析、序贯概率比检验及小波分析等信号处理 模型,提取样本信号的幅域、时域、频域、功率谱、自回归滑移平均(ARMA)模型参数、检验统计量及 奇异点等特征信号,根据特征信号是否超出检测阈值来检测故障 [13~17]。利用多变量间存在的相关性,应用 主元分析首先对多变量降维,提取主元变量,然后对主元变量提取故障检测特征信号,并将其与故障检测 阈值比较,获取解析故障征兆,可提高复杂多变量系统的故障检测效率。基于信号模型的优点是不依赖于 控制系统的动态模型,对线性和非线性系统都适用,但获取的故障征兆难以与实际系统的故障模式建立对 应关系。 可以证明,与直接利用测控信号固定阈值的故障检测方法相比,基于信号模型的故障检测能提高检测 灵敏度及灵敏限。例如,使用序贯概率比检验方法,构造 1.1 中例 1 的检验统计量信号模型,能够在误报率

  0.05 和漏报率   0.05 、样本容量 n  24 的前提下,检测出 0.495  0.126  的分布均值变化量, 远小于基于固定信号阈值的故障检测方法。

1.3 基于过程模型的故障检测方法 过程模型反映了控制系统不同测控变量之间的内在联系,充分利用闭环回路测控信息建立过程模型, 检测并分离传感器、执行器及被控过程中的主要故障,是控制系统故障诊断的重要特点。过程模型可分为 定量模型和定性模型。定量模型主要有解析模型、神经网络模型、主元分析模型等,定性模型主要有定性 趋势、符号有向图等。 1.3.1

基于解析模型的故障检测方法 如图 2 所示,基于解析模型的故障检测方法构建了并行运行的软件冗余检测通道,由三大环节组成:解

析模型、残差产生、故障检测。解析模型通过机理建模或系统辨识建模获得;利用解析模型输出冗余变量 及系统可测变量,残差产生环节产生残差序列;故障检测环节利用残差序列检测故障。 输入

执行器

传感器

被控过程

U

输出 Y

解析模型

冗余

残差产生

VR

残差 R

图 2 基于解析模型的故障检测方法原理框图 - 145 -

故障检测

解析 征兆


在控制系统正常工况下,被控系统输出变量 Y 和解析模型输出冗余变量 VR 均随输入变量 U 在正常范围 内变化,两者比较产生的残差 R 在理想情况下应是零均质白噪声,但由于建模误差、未知噪声的干扰,残 差将在某阈值范围内波动。残差产生的方法主要有直接法、基于观测器的方法及参数估计方法[18],直接法 将输出变量 Y 与解析模型估计输出冗余变量 VR 比较产生残差序列;基于观测器的方法将观测器输出与解析 模型估计输出比较产生残差序列,观测器在此环节实现了对可测输出变量的重构输出;参数估计法则根据 解析模型估计参数与正常工况下的物理参数的比较产生的残差来进行故障检测。 基于解析模型的故障检测方法,其优点是诊断模型的机理清楚,能深入系统本质的动态性质和实现实 时检测,缺点是当系统模型未知、不确定或具有非线性时,这种方法不易实现,且由于建模误差、扰动及 噪声的存在,使得鲁棒性问题突出,适用范围受到了限制。因此,研究对模型误差及不确定因素具有鲁棒 性的故障检测算法是基于解析模型的故障检测方法重要的研究内容[19]。 1.3.2

基于神经网络模型的方法

在实际中很难建立控制系统精确的解析数学模型,当存在建模误差时,基于解析模型的故障诊断方法 将出现误报、漏报等现象。由于神经网络具有自学习和能拟合任意连续非线性函数的能力,以及其并行处 理、全局作用的能力,使得它在处理非线性问题和在线估计方面有着很强的优势。针对控制系统的非线性 特征,利用神经网络强大的非线性映射能力、极强的鲁棒性等特征,通过离线学习构建神经网络观测器、 神经网络辨识器或神经网络预测器模型;用神经网络模型替换如图 2 所示的解析模型,在线将模型估计输出 与系统实际输出比较得到残差,通过对残差进行分析和处理,从而获取故障征兆检测故障。 如何确定合适的网络结构和规模、算法的收敛性、快速性、实时性,以及如何保证学习样本的完整性 和代表性是有待进一步研究的问题。文献[10]采用数据处理组合方法结合限定误差界方法,建立了一种能输 出自适应阈值的神经网络模型并用于阀门执行器系统的故障检测。为克服神经网络的过训练、局部最优等 局限性,将神经网络同一些智能算法相结合,如模糊理论、数据挖掘、专家系统、遗传算法等,是一种发 展趋势[20~24]。 1.3.3

基于主元分析模型的方法

基于主元分析(Principal Component Analysis:简称 PCA)模型的故障检测利用过程的多自由度,通过 提取多变量间的相关性破坏特征来检测过程的异常。采用离线 PCA 建模,在线应用,是故障检测的一种典 型模式。离线模型是事先对正常工作状态下相关变量的数据进行多次采样和修正处理后得到的统计模型。 将离线模型移植到在线过程监测中,实时计算 PCA 模型的平方预测误差(Squared Prediction Error,简称 SPE)值和统计量 T

2

值,并将它们与阈值比较,从而检测故障。自适应主元分析(Adaptive PCA)、移动

主元分析(Moving PCA,简称 MPCA)和多尺度主元分析(Multi-Scale PCA,简称 MSPCA)是传统 PCA 的扩展[25~29]。当被控过程具有正常的慢时变特性时,应选用自适应主元分析;当具有异常的慢时变特性时, 如传感器漂移,应选用 MPCA 或 MSPCA。 1.3.4

基于定性趋势分析模型的方法

基于定性趋势分析模型的方法通过趋势建模,利用过程监测数据,获取参数定性变化趋势或过程行为 状态来诊断过程故障、解释过程重要事件及预测过程行为状态,具有简洁、直观、能够处理大规模系统及 较快检测与分离故障的特点,故障诊断的准确性高,误报警率低,已成为过程监控及故障诊断的重要方法[4]。 应用趋势提取算法及趋势识别算法,从定量过程数据中提取定性信息,将时间序列数据变化为基元序列模 型,即构建了定性趋势描述模型;应用趋势匹配算法,建立相容度检验或基于模糊逻辑的相似度检验 [30~33] 趋势匹配模型,将实时趋势模型与正常趋势模型匹配,即可检测过程异常行为状态,获取故障征兆。为提 高故障检测的效率及故障分离的分辨率,文献[31~33]提出了集成诊断方法,如基于 PCA-QTA 和基于 SDG- 146 -


QTA 的方法。定性趋势分析模型在过程故障检测与分离中的应用仍有较多亟待改进的问题,如时间窗宽度 的确定、识别阈值的确定、趋势建模及诊断算法速度的进一步提高、趋势分析模型的适应性和鲁棒性及未 知故障的识别等。 1.3.5

基于符号有向图模型的方法

符号有向图(Signed Direct Graph,简称 SDG)模型用有向图将故障传播模型化,具有包容大规模潜在 信息的能力,特别适合于具有根部原因及多重因果关系问题的故障检测与分离[34]。在 SDG 中,节点可以表 示状态变量、操作部件或一个事件。节点的状态函数值  (0,,) ,某个节点取“+”值表示该物理变量超 过了上限,取“-”表示低于下限,取“0”表示变量正常。支路的状态函数值  (0,,) ,当取值为“+”, 表明原因变量与结果变量变化方向相同;当取值为“-”,表明变化方向相反。因而,系统运行状态可由 一张有向图的节点符号组合来表示。在 SDG 中,故障只能通过“一致边”传播,所谓“一致边”就是原因 节点的符号乘以支路的符号再乘以结果节点的符号结果为正。综合 SDG 多节点状态进行检测故障,通过 “一致边”传播路径搜索,分离和定位故障源。基于已知的数学模型并对其抽象,能够建立比较准确的 SDG 模型,但在实际问题中,系统的数学模型往往不具备,因此,根据过程数据或操作者的经验来建造模 型具有重要的应用研究价值。文献[35]针对稳态控制回路故障,提出了一种基于 SDG 的诊断算法,文献[36] 针对间歇过程故障, 提出了动态 SDG 建模方法;文献[37]将基于 SDG 故障检测的完备性和基于 QTA 故障 分离的高可分性结合,提出了一种用于早期故障诊断的系统集成架构;为有效处理 SDG 定性模型中不可测 节点干扰、计算量大和规则组合爆炸等问题,文献[38]研究了一种将 SDG 定性定量模型、主元统计法 (PCA)和遗传算法相结合的智能故障诊断方法,遗传算法的应用提高了故障传播路径搜索算法的效率。

2

故障分离主要方法 故障分离的主要目的是根据故障检测获取的故障征兆,结合先验诊断知识,利用诊断推理策略或自动

分类器,对传感器、执行器及被控过程故障进行分离,从而获取产生故障的原因,包括确定故障的种类、 故障发生的部位、故障的大小以及故障发生的时间。可分离性是评价故障分离方法性能的重要指标[2, 39],未 知故障及多故障源的存在给故障分离增加了难度。根据诊断知识的获取方式,控制系统故障分离方法可以 分为两大类:基于分类的方法和基于推理的方法[18]。

2.1 基于分类的方法 基于分类的方法适用于难于建立因果关系模型的故障分离,参考模式的确定及分类器设计是关键。分 类器设计可采用贝叶斯决策理论[12]、神经网络[13,20~23]、模糊聚类[19]等方法。

2.2 基于推理的方法 基于推理的方法适用于因果关系模型已知或部分已知的故障分离 [35]。因果关系可采用故障树、模糊关 系、专家系统知识等表示,推理策略常采用产生式规则表示[19, 40]。文献[32]基于模糊逻辑推理方法,解决了 定性趋势故障分离的模糊性问题。

3

混合智能故障诊断 由于控制系统的在线实时测控特点、控制模式的多样性、被控过程的非线性等,导致系统诊断特征提

取困难,误检、漏检的可能性增大。因此,如何充分利用控制器采集的传感器检测信息、控制器输出的执 行器控制信息及被控过程先验知识,应用现代人工智能技术,集成多种故障检测与分离方法,优势互补, 形成混合智能故障诊断[4, 5, 41, 42],就成为及时发现早期故障和提高故障检测正确率的有效途径,这也是当前 的研究重点和发展趋势。文献[5]介绍的美国四大研究团队构建的四大智能监控和故障诊断系统:IRTW、

- 147 -


INTEMOR、OOSE 和 DKIT,文献[4]、[42]提出的集成框架,均体现了过程集成、信息集成、诊断方法集成 的混合智能监控与诊断技术应用特点。过程集成将诊断过程与控制、调度、管理过程,包括人融为一体; 信息集成将多源数据、诊断知识及其相应的表达方法进行了合理融合处理和综合应用;诊断方法集成将多 种故障诊断方法组合应用,特别是定量模型与定性模型的互补结合,降低了故障诊断的误报率[37]。 为适应复杂系统故障检测的实时性和故障分离的精确性需要,混合智能故障诊断系统采用分级分布式 架构、快速在线故障检测、精确集中式故障分离、多种数据采集方式相结合的实现途径。等时间间隔采样、 等变化率采样和报警采样是数据采集常用的三种方式,可分别用于正常状态、系统开停机状态及报警事件 触发后的数据采集;简单的阈值判定、PCA 和推理迅速的简易专家系统用于在线快速故障检测;小波分析、 QTA 用于获取运行过程趋势信息;SDG、故障树及专家系统等用于提高诊断结论的解释能力。

4

结语 理想的诊断系统应是一个故障检测与分离快、故障定位准确、对非故障变化的适应性好、对未知故障

及多故障源的可辨性好、对诊断结论的解释能力强的系统。这对系统故障检测的鲁棒性、故障检测与分离 的高效性及诊断系统架构的柔性等方面均提出了挑战。从理论如何更好地应用于工程实际角度看,鲁棒故 障检测、基于过程历史数据的定量与定性诊断模型知识获取及混合智能故障诊断系统架构是值得今后重点 关注的研究内容。 参考文献 [1]

Frank P M. Analytical and qualitative model-based fault diagnosis-a survey and some new results[J]. European J of Control, 1996, 2(1): 6-28

[2]

Venkatasubramanian V, Rengaswamy R, Yin K, et al. A review of process fault detection and diagnosis Part I: quantitative modelbased methods[J]. Computer & Chemical Engineering, 2003, 27 (3): 293-311

[3]

Venkatasubramanian V, Rengaswamy R, N S, et al. A review of process fault detection and diagnosis Part II: Qualitative models and search strategies[J]. Computers and Chemical Engineering, 2003, 27(3): 313-326

[4]

Venkatasubramanian V, Rengaswamy R, N S, et al. A review of process fault detection and diagnosis Part III: Process history based methods[J]. Computers and Chemical Engineering, 2003, 27(3): 327-346

[5]

Uraikul V, Chan C W, Tontiwachwuthikul P. Artificial intelligence for monitoring and supervisory control of process systems[J]. Engineering Applications of Artificial Intelligence, 2007, 20(2): 115-131

[6]

Frank P M, Ding X. Survey of robust residual generation and evaluation methods in observer-based fault detection systems[J]. Journal of Process Control, 1997, 7(6): 403-424.

[7]

刘春恒, 周东华. 故障监测中阈值的一种自适应选择方法[J]. 上海海运学院学报, 2001, 22(3): 46-50

[8]

税爱社, 周绍骑, 李生林, 等. 长输管道泄漏诊断专家系统的开发[J]. 油气储运, 2002, 21(4): 1-3

[9]

Ding E L, Fennel H, Ding S X. Model-based diagnosis of sensor faults for ESP systems[J]. Control Engineering Practice, 2004, 12(7): 847-856

[10] Witczak M, Korbicz J, Mrugalski M, et al. A GMDH neural network-based approach to robust fault diagnosis: Application to the DAMADICS benchmark problem[J]. Control Engineering Practice, 2006, 14(6): 671-683 [11] Puig V, Stancu A, Escobet T, et al. Passive robust fault detection using interval observers: Application to the DAMADICS benchmark problem[J]. Control Engineering Practice, 2006, 14(6): 621-633 [12] Mehranbod N, Soroush M, Panjapornpon C. A method of sensor fault detection and identification[J]. Journal of Process Control 2005, 15(3): 321-339 [13] Kimmich F, Schwarte A, Isermann R. Fault detection for modern Diesel engines using signal and process model based methods[J]. Control Engineering Practice, 2005, 13(2): 189-203 [14] 盛兆顺, 尹琦岭. 设备状态监测与故障诊断技术及应用[M]. 北京: 化学工业出版社, 2003: 38-73 - 148 -


[15] Assaleh K, Al-assaf Y. Features extraction and analysis for classifying causable patterns in control charts[J]. Computers & Industrial Engineering, 2005, 49(1): 168-181 [16] 周小勇, 叶银忠. 小波分析在故障诊断中的应用[J]. 控制工程, 2006, 13(1): 70-73 [17] Shunfeng Cheng, Michael Pecht. Using cross-validation for model parameter selection of sequential probability ratio test[J]. Expert Systems with Applications. 2012, 39(9): 8467-8473 [18] Isermann R. Model-based fault-detection and diagnosis-status and applications[J]. Annual Reviews in Control, 2005, 29(1): 71-85 [19] Frank P M. Non-Analytical Approaches to Model-Based Fault Detection and Isolation[M]// Bouchon-Meunier B, Foulloy L, Yager RR. Intelligent Systems for Information Processing: From Representation to Applications, London: JAI Press, 2003: 407-418 [20] Calado JMF, Sa da Costa JMG, Bartys M, et al. FDI approach to the DAMADICS benchmark problem based on qualitative reasoning coupled with fuzzy neural networks[J]. Control Engineering Practice, 2006, 14(6): 685-698 [21] Saxena A, Saad A. Evolving an artificial neural network classifier for condition monitoring of rotating mechanical systems[J]. Applied Soft Computing, 2007, 7(1): 441-454 [22] Tan S C, Lim C P, Rao M V C. A hybrid neural network model for rule generation and its application to process fault detection and diagnosis [J]. Engineering Applications of Artificial Intelligence, 2007, 20(2): 203-213 [23] Uppala F J, Patton R J, Witczak M. A neuro-fuzzy multiple-model observer approach to robust fault diagnosis based on the DAMADICS benchmark problem[J]. Control Engineering Practice, 2006, 14(6): 699-717 [24] Lo C H, Chan P T, Wong Y K. Fuzzy-genetic algorithm for automatic fault detection in HVAC systems[J]. Applied Soft Computing, 2007, 7(2): 554-560 [25] Gertler J, Cao J. Design of optimal structured residuals from partial principal component models for fault diagnosis in linear systems[J]. Journal of Process Control, 2005, 15(5): 585–603. [26] Gertler J, Cao J. PCA-based fault diagnosis in the presence of control and dynamics[J]. AIChE Journal, 2004, 50(2): 388-402 [27] Yang Q S. Model-based and data driven fault diagnosis methods with applications to process monitoring[D]. Ohio: Case Western Reserve University, 2004: 8-10 [28] Misra M, Yue H H, Qin S J, et al. Multivariate process monitoring and fault diagnosis by multi-scale PCA[J]. Computers & Chemical Engineering, 2002, 26(9): 1281-1293 [29] Huang Y, Gertler J, McAvoy T. Sensor and actuator fault isolation by structured partial PCA with nonlinear extension[J]. Process Control, 2000, 10(5): 459-469 [30] Maurya M R, Rengaswamy R, Venkatasubramanian V. Fault diagnosis using dynamic trend analysis: A review and recent developments[J].Engineering Applications of Artificial Intelligence, 2007, 20:133-146 [31] Charbonnier S, Garcia-Beltan C, Cadet C, et al. Trends extraction and analysis for complex system monitoring and decision support[J]. Engineering Applications of Artificial Intelligence, 2005:18(1): 21-36 [32] Dash S, Rengaswamy R, Venkatasubramanian V. Fuzzy-logic based trend classification for fault diagnosis of chemical processes[J]. Computers & Chemical Engineering, 2003, 27(3): 347-362 [33] Maurya M R, Rengaswamy R, Venkatasubramanian V. Fault Diagnosis by Qualitative Trend Analysis of the Principal Components[J]. Chemical Engineering Research and Design, 2005, 83(9): 1122-1132 [34] 杨帆, 萧德云. SDG建模及其应用的进展[J]. 控制理论与应用, 2005, 22(5): 767-774 [35] Maurya M R, Rengaswamy R, Venkatasubramanian V. A signed directed graph-based systematic framework for steady-state malfunction diagnosis inside control loops[J]. Chemical Engineering Science, 2006, 61(6): 1790-1810 [36] 张贝克, 郑然, 马昕, 等. 间歇过程动态SDG建模[J]. 化工学报, 2008, 59(7): 1863-1868 [37] Maurya M R, Rengaswamy R, Venkatasubramanian V. A Signed Directed Graph and Qualitative Trend Analysis-Based Framework for Incipient Fault Diagnosis[J]. Chemical Engineering Research and Design, 2007, 85(10): 1407-1422 [38] 曹文亮, 王兵树, 马进, 等. 基于符号有向图节点定量化模型的故障诊断方法[J]. 中国电机工程学报, 2006, 26(7): 67-71 - 149 -


[39] Koscielny JM, Bartys M, Rzepiejewski P, et al. Actuator fault distinguishability study for the DAMADICS benchmark problem[J]. Control Engineering Practice, 2006, 14(6): 645-652 [40] White C J, Lakany H. A fuzzy inference system for fault detection and isolation: Application to a fluid system[J]. Expert Systems with Applications, 2008, 35(3): 1021-1033 [41] Jaradat M A K, Reza Langari. A hybrid intelligent system for fault detection and sensor fusion[J]. Applied Soft Computing, 2009, 9(1): 415-422 [42] Leung D, Romagnoli J. An integration mechanism for multivariate knowledge-based fault diagnosis[J]. Journal of Process Control, 2002, 12(1): 15-26

【作者简介】 1

税爱社(1964-),女,汉族,硕士,教授,研究方向为智能检测与控制。

Email: shuiaishe@163.com

- 150 -


Review of Fault Diagnosis in Control Systems