故障檢測和診斷技術是指對系統的異常狀態的檢測、異常狀態原因的識別以及包括異常狀態預測在內的各種技術的總稱，它是一項建立在機械工程、測試是技術、信號處理、計算機應用技術、人工智能技術等眾多理論基礎上的綜合性科學技術。隨著生產工程日益大型化和復雜化，提高控制系統的可靠性尤為重要。而故障檢測和診斷技術是提高系統可靠性的有效途徑。在控制系統中，按故障部件劃分，其主要故障有執行器故障、被控對象故障、傳感器故障和控制器故障。而執行器和傳感器的故障發生較多。特別是執行器的故障往往危及整個系統的控制策略，因此對執行器的可靠性提出了很高的要求，執行器的故障診斷研究就具有重要的現實意義。但是由于執行器存在固有的非線性、時滯等特性使得執行器的故障診斷方法的研究比較困難。在過去的20多年的研究中它的發展直接依賴于控制理論、可靠性理論、信號處理、模式識別、人工智能等學科的發展。在這些理論的基礎上，已形成多種執行器故障診斷的方法。

 一、故障診斷方法的分類                                        現有故障診斷的方法可以分為基于解析模型的方法、基于信號處理的方法和基于知識的方法等三大類。可以建立較為準確的被診斷對象的數學模型時，基于解析模型的方法是首選的方法。當可以得到被診斷對象的輸入輸出信號，但難以建立診斷對象的解析模型時，可以采用基于信號處理的方法。因為這種方法回避了抽取對象的數學模型難點，而直接利用信號模型。而基于知識的方法與基于信號處理的方法類似，也不需要系統的定量數學模型，但是它克服了后者的缺點，引入了診斷對象的大量信息。

1．基于解析模型的方法

    基于模型的方法是隨著解析冗余思想的提出而形成的，可以進一步分為等價空間法，狀態估計法，參數估計法等。相比之下參數估計法比狀態估計方法更適合于非線性系統，通常等價空間方法僅適用于線性系統。基于模型的故障檢測是利用不同可測信號間的依賴性，這種依賴性表現為數學過程模型。通過可測輸入信號和數學模型得到預測輸出信號，和可測輸出信號進行比較產生殘差，參數估計或者狀態估計來實現故障檢測。故障診斷則是通過對殘差等的分析得到。因此故障的診斷由殘差產生和殘差評估兩階段組成。     狀態估計法是重構系統狀態，將估計值與測量值進行比較，構成殘差序列，再構造適當的模型，并采用統計檢驗法，分析殘差進行故障檢測，并做進一步的分離、估計與決策進行診斷。通常用Lnenberger觀測器、Kalman濾波器和自適應觀測器進行狀態估計。參數估計法是通過對系統模型參數的辨識來達到故障診斷的目的，即由參數的顯著變化來描述故障。把理論建模與參數辨識結合起來，根據參數變化的統計特性來檢測故障信息，根據參數估計值與正常值之間的偏差情況來判斷故障的情況。在實際應用中經常將參數估計法與其它解析模型的方法結合起來使用，以便獲得更好的故障檢測和分離性能。文獻將參數估計法與自適應觀測器法結合，針對確定性線性系統，用帶未知增益形式的參數表示執行器故障，提出了一種用于執行器故障檢測和故障估計的檢測觀測器和自適應診斷觀測器的設計方法，利用該參數的估計直接獲得故障診斷。     由于執行器帶有非線性，雖然在基于模型的執行器故障診斷研究中，基于線性模型的故障診斷較為成熟，但主要研究的方向是非線性系統。而非線性系統故障診斷目前處理的方法主要可以分為兩類：一類方法是將非線性系統在一個或幾個工作點附近線性化，用一個線性模型集表示系統，建模誤差當作未知輸入，應用未知輸入解耦方法設計殘差，使之不受建模誤差的影響。另一類方法是基于非線性模型的方法，如基于非線性觀測器的方法和基于非線性參數估計的方法。目前對于非線性系統的執行器故障診斷，研究較多的是基于自適應觀測器的方法。文獻用一個帶有一組參數的非線性函數來描述非線性執行器的輸入和輸出，提出了基于參數估計的非線性自適應觀測器方法。它通過比較固定的檢測觀測器的輸出量和執行器輸出量之間的差值是否超過指定閾值，判斷故障存在。然后根據系統狀態利用增益矩陣和時變故障參數的估計等構造非線性自適應觀測器，通過選擇合適的增益矩陣，并利用參考模型自適應控制，在某些假設下，可以獲得對一個對閉集收斂的估計，得到估計故障參數的自適應算法，估計出故障隨時間變化的形狀。     在執行器故障診斷研究和實用化過程中，考慮到可能存在的建模誤差、參數時變、外部擾動、噪聲等未知輸入的影響，系統故障診斷設計需要具有一定的魯棒性，即診斷方法不受不確定項的影響。目前，基于模型的執行器故障診斷研究也多集中在如何提高診斷方法的魯棒性，加強診斷策略本身對模型失配的適應性以及提高診斷結果的準確性，減少漏報率和誤報率等方面。魯棒技術通常有兩種方法：當系統含未知干擾輸入時，可采用未知輸入觀測器解耦技術。當不確定性部分為一有界未知函數時，采用閾值限定技術。

2．基于信號處理的方法                                         這種方法直接利用信號模型，如相關函數、高階統計量、頻譜和自回歸滑動平均過程以及小波變換技術。分析可測信號提取諸如方差，幅值，頻率等特征值從而診斷出故障。這種方法對于線性系統和非線性系統都適用，從執行器本身特性出發不需要過程模型且易于實現，具有較強的工程應用價值。     基于小波變換的故障診斷方法是一種時間－尺度分析方法，具有多分辨率分析的特點。連續小波變換可區分信號突變和噪聲，離散小波變換可檢測隨機信號頻率結構的突變。一般來說，有三種基于小波變換的故障診斷方法：利用觀測信號的奇異性進行故障診斷；利用觀測信號頻率結構的變換進行故障診斷；利用脈沖響應函數的小波變換進行故障診斷。小波變換不需要系統的數學模型，對噪聲的抑制能力強，有較高的靈敏度。文獻提出了利用小波變換模極大值在多尺度上的變化來表征信號奇異點的方法，應用于判斷執行器閥門受堵或閥桿卡塞等故障的情況。      基于部件信息的診斷方法是利用執行器本身的測量數據，以及某些中間結果和系統知識，提取有關執行器故障的特征進行故障診斷的。文獻討論了根據正常情況下作用在閥桿上的力的平衡得到的等式關系，通過對閥行程，流體壓力，流體流速的測量計算得到執行器氣壓的估計值，和實際的測量值比較判斷是否出現故障。另外通過對粘滯－滑動現象的分析，發現此故障發生與否，閥桿速度變化的頻率分布差異較大，故可利用閥桿速度變化的頻率分布實現對此故障的診斷。文獻通過檢測執行器的輸入、反饋、控制結果輸出等三個信號本身以及它們之間關系發生的異常變化，研究了執行器在粘滯-滑動、死區、卡死、恒偏差故障下的診斷算法。

3．基于知識的方法                                        基于知識的智能故障診斷技術是故障診斷領域最為引人注目的發展方向之一，它大致經歷了兩個發展階段；基于淺知識的第一代故障診斷專家系統和基于深知識的第二代故障診斷專家系統，后來出現的混合結構專家系統，將上述兩種方法結合使用，互補不足，相得益彰。它在執行器故障診斷領域的應用，主要集中在專家系統，神經網絡和模糊邏輯等幾個方面。     專家系統方法是通過系統知識的獲取，在計算機上根據相應的算法和規則進行編程，實現對執行器的故障檢測。但在實際系統診斷過程中，淺知識使用較多，深知識利用不足，從而造成診斷系統的解釋能力不足；而且在實際應用中知識的獲取很困難，系統知識庫未能包含診斷對象全部故障信息。     神經網絡方法，在知識獲取上，知識只需要用領域專家解決問題的實例或者范例來訓練神經網絡，與專家系統相比，具有更高的時間效率，又能保證更高的質量；在知識表示方面，神經網絡采取隱式表示，獲取知識的同時，自動產生的知識由網絡的結構及權值來表示，并將某一問題的若干知識表示在同一網絡中，通用性強，便于實現知識的自動獲取和并行聯想推理；在知識推理方面，神經網絡通過神經元之間的相互作用來實現推理。因此神經網絡具有非線性大規模并行處理的特點以及容錯性和學習能力，因而被廣泛應用于控制系統元部件診斷，執行器診斷和傳感器故障診斷。      模糊邏輯由于其處理非線性，模糊性問題的適應能力適應了故障的非線性和模糊性的特點，也被廣泛的應用。它的不足之處在于，對復雜的診斷系統，要建立正確的模糊規則和隸屬函數是非常困難的，而且需要花費很長的時間。因此在實際應用中常與其他診斷方法結合使用。

二、基于神經網絡的故障診斷技術                                        神經網絡在故障診斷中主要有四種功用：代