关键字 |
| 致动器,故障检测与诊断、故障检测和隔离,模糊逻辑系统 |
介绍 |
| 常见元素在现代产业只不过是气动执行机构,用于控制流体和气体流。存在断层在这些致动器是负责一些操作条件的变化,在整个过程产生干扰。结果偏差的过程输出和严重的失败,它让计划外的关闭过程。复杂度的上升过程工业以及降低整体生产成本的必要性,要求适当方法的演变也发现也将原因归咎于气动执行机构故障。不同类型的技术故障检测和隔离(FDI)非线性系统的形成,可以应用到气动执行机构。一般而言,FDI的技术监视一些关键的特性或参数相关工厂的操作系统[1]。可测量的参数偏离正常的值时,它肯定发生了一个错误。如果关键性能参数是正确的选择,有可能识别每一个错。一个有效的外国直接投资系统的设计技术要求:(i)方法获得系统性能参数相关的表演,有很高的故障信息,(2)一种决策技术,确定具体故障情况与一组特定的可测量的参数[1]。 |
| 在过去的二十年里,许多的技术,提出了故障诊断的不同的方法。胡子琼斯(1971)和(1973)开发了一个叫做Beard-Jones observer-based故障检测故障检测滤波器[2 - 3]。用& Peschon(1971)和Willsky &琼斯(1974)使用统计方法故障诊断[3]。克拉克,Fosth &沃顿1975)应用Luenberger观察员[4]。Mironovsky(1980)提出了剩余一代方案为目的的检查系统上的输入和输出在一个时间限制[5]。人工智能研究人员(1980)提出了一种基于一阶逻辑故障诊断。弗兰克(1987)介绍了基于观察者的方法[6]和Isermann(1991)提出的平价关系方法[7]也Basseville Nikiforov(1993)提出的参数估计方法[8]。1993年故障检测和隔离社区成立基于经典的故障诊断方法。介绍了解析冗余方法通过与IFAC SAFEPROCESS称为指导委员会(1991)(国际自动控制联合会)。Hamscher et al。(1992)提出了一个基于模型的诊断(MBD) [9]。 Patton et al. (1999; 2000) delivered tutorial on the use intelligence techniques [10]. Recently, hybrid intelligent systems methods are also introduced by Negoita et al. (2005) [11].Right now, Neural Network based fault detection are introduced by Prabakaran K et al. (2013) using Back Propagation algorithm. |
| 按照现代方法解决非线性动态系统的故障诊断问题大致可分为三类。第一个是基于数学模型的方法。但很明显,构建数学模型对复杂系统是非常困难的。尽管数学模型设计,实验模型的评价也很困难。该方法为复杂的系统似乎并不容易。第三种方法是使用人工智能技术作为故障分类器来解决故障诊断问题[12]。本文提出了一个Sugeno类型模糊推理系统诊断故障的气动执行机构。这种方法是一种新的方法,通过使用一个规则来实现有效的故障诊断模式识别方法具有基于模糊代数和发展给传统的评估技术的另一个神话。 |
气压传动装置 |
| 最常用的自动化行业的最终控制元件是气动执行器控制阀。它调整流动的流体,比如水,蒸汽,气体或化学物质补偿负载变量并保持控制的过程变量尽可能接近所需的输入设定值(13、19)。致动器的输入是输出的过程控制器(流或液位控制器)和致动器修改阀的位置允许直接影响主变量为了陪流或水平设定点(13、19)。气动伺服电机的内部结构,这是用作故障检测测试元素如图1所示。 |
| 执行机构主要部件:气动执行器控制阀包括三个主要部分:控制阀,springand -膜片气动伺服电动机,如图1所示。 |
| 控制阀门:控制阀是指用于预防和/或限制流动的液体。改变控制阀的位置是通过伺服电机。 |
| 春天和膜片气动伺服电动机:它可以被定义为一个可压缩压力驱动装置的压力作用在弹性金属膜片,提供阀杆的直线运动。 |
 |
| 定位器:定位器的设备应用于消除气动执行机构阀杆位置不当产生的压力不平衡等内部资源或外部来源,水动力力,摩擦,等。它由一个内循环P控制器的串级控制结构,包括输出信号的外循环流或液位控制器的内部循环位置控制器(14、19)。执行机构的内部部件所示符号和可测量的参数指定为发射机。 |
内部零件的致动器 |
| S -Pneumatic 伺服 马达 |
| V -Control 阀 |
| P –Positioner |
| ZC -Position P Controller (internal 循环 Controller) |
| E/P -Electro-Pneumatic Transmitter |
额外的外部部分 |
| V1 -Cut-Off Valve |
| V2 -Cut-Off Valve |
| V3 -By-Pass Valve |
| PSP -Positioner Supply Pressure |
| PT -Pressure Transmitter |
| FT -Volume Flow Rate Transmitter |
| TT -Temperature Transmitter |
基本物理参数测量 |
| CV -External (Level 或 Flow) Controller Output (%) |
| P1 -Valve Input Pressure (kPa) |
| F -Flow Measurement (m3/h) |
| P2 -Valve Output Pressure (kPa) |
| T1 -Liquid Temperature (°C) |
| X -Rod Displacement (%) |
控制阀故障 |
| 的手稿DAMADICS项目侧重于气动执行机构故障检测方法。DAMADICS委员会集中在进化的执行器故障检测与隔离(FDI)。实时FDI算法适用于工业环境[15]。DAMADICS发现了19个类型的气动执行机构故障发生在整个过程中气动执行机构阀[16]。 |
| 气动执行机构故障分为以下四类:一般故障/外部故障,控制阀故障、故障定位器和气动伺服马达的缺点。也许,单个执行器故障是在工业过程而多个故障很少发生。指Figure.1,观察到的可测量的参数描述执行机构的主要特点。当发生故障时,可测量的参数偏离正常操作条件。使我们能够描述这些可测参数的变化操作执行机构由于发生的缺点[17]。 |
考虑故障诊断 |
| 实时处理大量的错误可能发生在气动执行机构。三个常见的故障,对故障诊断过程 |
| Incorrect 供应 压力 |
| Diaphragm 泄漏 |
| Actuator 排气 口 堵塞 |
可测量的参数考虑故障诊断 |
| 以下5个可测参数被认为是诊断过程识别的三个缺点DAMADICS批准(15、19)。 |
| Rod Displacement (%) |
| Valve Output Pressure (kPa) |
| Valve Input Pressure (kPa) |
| Flow Measurement (m3/h) |
| External (Flow 或 Level) Controller Output (%) |
SUGENO-TYPE模糊推理系统 |
| 模糊逻辑是通过造型,用于故障检测和故障隔离通过一类非线性系统。高木涉和Sugeno提出了一种新的数学工具来创建模糊模型的故障诊断系统。这种类型的模糊模型比Mamdani-type模型更准确的实时建模过程。模糊逻辑通常被用来执行故障隔离任务。之间的关系的测量参数和故障状态监测系统是由一组表示if - then规则。Sugeno-type模型这个任务优先,因为使用语言提供的透明度条款。在测试阶段,可测量参数在模糊分类器的输入映射到相应的使用模糊推理错误状态[18]。 |
模糊建模系统的缺点 |
| 高木涉和Sugeno(1985)使用模糊规则,一般形式由Eq。1,构建系统的模糊模型 |
 |
| ,y是系统的输出,其价值是推断x1,…, xk是系统的输入变量,A1,…,正义与发展党表示与线性模糊集隶属度函数模糊子空间,站在这一规则R可以应用于推理。如果系统是由一组规则描述{R /我1,……n} 我 前面 form, 和 输入 变量 的 值 x1, x2, …, xk 0 x1 , x2 0 ,...分别,xk 0后的输出值y是推断未来三个步骤。 |
| 步骤1:对于每个扶轮,价值易计算如下: |
 |
| 步骤2:命题的真值y =易计算如下: |
 |
| 哪里| * |意味着命题的真值* ^代表最小的操作,和一个x (x) = | |,它代表了x的会员等级A | Ri值|称为置信水平的i规则和被认为是1。 |
| 步骤3:计算输出y的平均重量的所有易| y = |, |
 |
模糊评价的残差 |
| Sugeno-type使用模糊逻辑可以衡量的参数评价,为了隔离测量的缺点。让残差集。每个测量参数ri, i = 1,…, m,所描述的是一个数字的模糊集{ri1 ri2,…, ris},其隶属度函数确定使用方法等领域专家知识。可测量参数和故障之间的因果关系表达的if - then规则类似于装备的一种形式。5。 |
 |
| 模糊分类器的输出是错误的向量f模糊推理过程将分配给每个组件Fi, i = 1,…, m,一个值在0和1之间,表示程度的正常状态(F0)相应的组件,或j断层,影响监控系统,j = 1,…, m。如果有影响的前提下,系统可以一次只有一个错误,那么故障向量只包含一个组件大于预先设定的阈值,和相应的故障状态表示的实际状态监测系统。如果多个故障会影响监控系统,那么的组件分类器输出,大于预定阈值,表明系统中发生的故障[18]。 |
硬件描述 |
| 常闭型的气动执行机构使用定位器故障诊断。控制阀的控制信号应用于通过国家仪器USB采集卡。故障诊断的实验装置图2所示。 |
 |
| 表1显示适当的传感器是用来测量五个参数。 |
 |
| 传感器收集的数据在计算机使用USB采集卡。从硬件设置,2500年的数据收集研究每个参数的变化在每个错误的条件和在正常情况下。收集数据处理通过在MATLAB模糊分类器开发,确定气动执行机构的状况。 |
结果与讨论 |
| 实时数据采集时的过错和无过错是美联储作为输入的模糊推理知识库的规则集。输出是与已知数据计算效率。我/ P隶属函数的数量是5,O / P隶属函数是4和隶属函数的类型是trimf。表2显示了在MATLAB模糊逻辑在运行的输出结果。 |
 |
 |
| 从表2标识,分类错误值只有1.33。这表明98.99%的模糊推理系统的计算精度。推理系统分类的所有类型的断层与最小数量的规则。在这种方法中96条规则创建基于测量参数和故障之间的关联关系。 |
| 图3显示了这五个测量参数作为输入和四个故障条件作为输出包括没有错。 |
 |
| 96的图4显示了规则库的模糊规则用于创建一个模糊系统。基于特定模型的规则数量的控制阀门和阀门的类型。 |
 |
| 模糊推理系统的效率计算使用知道错误数据。已知的故障是饲料作为推理系统的输入和输出比较相同。图5显示了比较的模糊逻辑输出和已知断层。图中的黑色线代表的实际已知输出四种类型的故障条件和法线显示模糊逻辑的输出。合并的两个情节意味着推理正确分类错误。在这种方法的两个情节故障条件合并99%准确而与其他现有技术如神经网络由Prabakaran K et al。(2013)。从模糊逻辑的分析输出,Sugeno类型模糊逻辑具有完美的气动执行器故障诊断的能力。 |
结论 |
| 本文基于模糊逻辑方法的故障诊断技术,提出了气动执行器故障的检测和识别。感兴趣的缺点是不同的。五个可测参数的特定的值观察检测故障的类型。对于每个操作条件,参数形成歧视性断层签名,后来学会了通过模糊逻辑与成功的目标检测和识别的缺点。仿真结果证明了模糊推理系统有能力检测和识别的各种大小与高精度故障。 |
引用 |
- m . Karpenko N。,Sepehri。,âÂÂA Neural Network Based Fault Detection And Identification Scheme For Pneumatic Process Control ValvesâÂÂ, Proceedings of the 2001 IEEE International symposium on Computational Intelligence in Robotics and Automation July 29 âÂÂAugest 1, pp. 166- 180, 2001.
- 胡子V R。,âÂÂFailure accommodation in linear system through selfreorganization (PhD thesis)âÂÂ, MIT, Massachusetts, USA, pp. 21-30, 1971.
- 琼斯霍奇金淋巴瘤。,âÂÂFailure detection in linear systems (PhD thesis)âÂÂ, MIT, Massachusetts, USA, pp. 34-80, 1973.
- RN克拉克。,Fosth DC., Walton WM., âÂÂDetecting instrument malfunctions in control systemsâÂÂ, IEEE Transactions on Aerospace and Electronic Systems AES-11, pp. 465-459, 1975.
- Mironovsky洛杉矶。,âÂÂFunctional diagnosis of linear dynamic systems â a surveyâÂÂ, Automation Remote Control, 41, pp. 1122- 1125, 1980.
- 弗兰克点。,âÂÂFault diagnosis in dynamic system via state estimation â a survey. In: Systems fault diagnostics, reliability and related knowledge-based approachesâÂÂ, D. Reidel Press, Dordrecht, Germany, pp. 34-50, 1987.
- Isermann R。,âÂÂFault diagnosis of machine via parameter estimation and knowledge processingâÂÂ, Tutorial paper. In: Preprints of IFAC/IMACS Symposium SAFEPROCESSâÂÂ91, Baden-Baden, Germany, vol. 1, pp. 121 - 145, 1991.
- Basseville M。,Nikiforov IV., âÂÂDetection of abrupt changes: theory and applicationâÂÂ, Information and System Science, Prentice Hall, New York, pp. 90-95, 1993.
- Hamscher WC。,De Kleer J., Console L., âÂÂReadings in model-based diagnosisâÂÂ, Morgan Kaufmann, San Mateo, CA, USA, pp. 67-70, 1992.
- 巴顿RJ。,âÂÂFault tolerant control: the 1997 situation (survey)âÂÂ, In: Proceedings of the IFAC Symposium SAFEPROCESSâÂÂ97, Pergamon, University of Hull, UK, pp. 1029-1039, 1997.
- Negoita M。Neagu D。,and Palade V., âÂÂComputational Intelligence: Engineering of Hybrid SystemsâÂÂ, Springer-Verlag, pp. 56 -89, 2005.
- M.Karpenko。,N.Sepehri.,D.Scuse., âÂÂDiagnosis of process valve actuator faults using a multilayer neural networkâÂÂ, Control Engineering Practice 11, pp.1289-1298, 2003.
- DAMADICS基准定义。,Warsaw University of Technology, Institute of Automatic Control and Robotics Team with cooperation with UPC, Preliminary, ver. 1.0 March 17, pp. 01- 50, 2002.
- DAMADICS基准定义。,Warsaw University of Technology, Institute of Automatic Control and Robotics Team with cooperation with UPC, Preliminary, ver. 1.0 March 17, pp. 90-110, 2002.
- MichalBartys。,âÂÂHow to build a benchmark problem for FDI evaluationâÂÂ, DAMADICS Vacation School Technical University of Lisbon, August 31- September1, pp. 01-45, 2001.
- MichalBartys。,MichalSyfert., âÂÂUsing Damadics Actuator Benchmark Library (DABLib)âÂÂ, Final, ver. 1.22, April 26, pp. 01-56, 2002.
- Fukai邓。,Erqing Zhang., Qunli Shang., Shan-en Yu., Yifang He., âÂÂApplication of BP Neural Network in Faults Diagnosis of Process Valve ActuatorâÂÂ, Lecture Notes in Electrical Engineering, Volume 107, Computer, Informatics, Cybernetics and Applications, Part 8, pp. 793-800, 2012.
- 瓦西Palade。,CosminDanutBocaniala., Lakhmi Jain (Eds), âÂÂComputational Intelligence in Fault DiagnosisâÂÂ, Springer-Verlag London Limited, pp. 01-30, 2006.
- Prabakaran K。,Uma Mageshwari T., Prakash D., Suguna A., âÂÂFault Diagnosis in Process Control Valve Using Artificial Neural Networkâ International Journal of Innovation and Applied Studies, Vol. 3 No. 1 May 2013, pp. 138-144, 2013.
|
菜单
