第4章状态识别方法.ppt

第四章状态识别方法 第四章 状态识别方法 4．1 概述 汽车状态识别问题是故障诊断中的核心问题。对正常或异常信号识别所能达到的准确性是故障诊断成败的关键。 ★ 状态识别的方法 在状态识别中，经常采用的方法是对比分析法。用对比分析，一般会遇到两种情况： (一) 有相关标准，实际情况与相关标准进行比较， 从而作出判断； (二) 没有相关标准，仅有事先已知道的一些实际模式，用现场实际情况与原有的实际模式比较，将其归类，从而作出判断。 实际的汽车技术状况呈现多态，状态识别往往属多类状态识别。诊断技术不仅要用到数字量分析、逻辑推理、还要用到神经网络等方法。 本章以两类问题为主要目标，介绍几种常用的状态识别方法。 如: 时域模型识别法、距离函数分类法、逻辑判别法、贝叶斯分类法、故障树分析法，灰色模型关联度分析诊断法等。有关多类目标的识别分类问题，将在后面介绍。 4.2　时域模型识别法 如果被诊断的系统能用一个数学模型来描述，那么通过观测模型本身的变化或模型参数的变化，就可以判断系统的工作状态。时域模型识别常用AIC指标和残差来进行识别。 １、利用AIC指标进行识别 AIC(A—Information Criterion)称为最小定阶准则，它是由日本学者赤田首先提出，并成功应用于自回归模型的分析定阶中。 AIC 准则的理论研究近年来逐渐丰富，它的实际应用也得到进一步发展。 AIC准则函数定义如下： 设{x(t),1≤t≤N}为一随机序列,用AR（n）来描述它， 是拟合的残差方差，且认为它是模型阶数n的函数，则AIC函数为（式4-1） 当阶数 n 增高时，式4-1中的第一项拟合残差 是下降的。式中 log 表示取自然对 数，它是单调函数；因此整个第一项是单调下降的。对给定的观察数据N，式4-1中的第二项随n而增长。但两项之和有一个极小AIC值，此时 n 为 最佳的自回归模型阶次。 如果在线监测一个系统运行，每隔一段时间对系统的选定参数进行一次采样，设第一次的采样点数为NA，第二次采样点数为NB，用这两组样本建立三个自回归信号模型。若此时用模型的系数进行比较判定，往往质量不会太高。若比较AIC指标，能判断系统是否发生了变化。 对于图4-1所示的模型，如果 （式4-2） 则表明三个模型来自同—总体，即系统运行状态无变化。反之，如果 （式4-3） 则表明系统状态在这一时期已经发生了变化 　 ２、残差分析　　 如果把自回归模型看做是一个外推模型，根据已知参数求出参数Wt+1的外推值(估计值)　　, 然后与观测值Wt+1进行比较，得到残差(式４－４) 　 　 如果残差　　是一个零均值的白噪声，说明系统运行正常。一旦输出残差均值不为零的高斯白噪声时，说明系统产生了异常。 因此，根据对残差数字特征的分析，可以判断系统的工作状态，而且在残差分析的基础上，还可以设计出故障自主诊断系统。该系统不仅可以发现故障、分离故障，而是还可以补偿故障对系统造成的影响。 　 4.3　距离函数分类法 由n个特征参数组成的特征向量相当于n维空间上的一个点。 　　 研究证明：同类模式具有聚类性，不同状态的模式点有各自的聚类域和聚类中心。 所以如果能事先知道各类状态的模式点的聚类域作为参考模式，则可将待检模式与参考模式间的距离作为判别函数用以来判别待检状态的属性。 4.3.1 空间距离函数 (1) 欧氏距离 ( Euclidean Distance ) 在欧氏空间，设矢量 　　x＝ 　，　　　　　　　 　， 两点距离越近表明相似程度越大，或属于同一类别，这种距离称为欧氏