故障检测和诊断（Fault Detection and Diagnosis，FDD）技术是一门相对独立发展的学科，同时又是一门应用型边缘学科，其理论基础涉及现代控制理论、可靠性理论、信号处理、模式识别、计算机、鲁棒控制、人工智能、应用数学和统计学等，它的发展同很多现代学科互相交叉和融合。对线性系统的故障诊断技术的研究已经形成了相对完善的理论体系，对非线性系统的故障诊断技术也已逐渐成为研究人员关注的焦点，然而将其成功应用到实际系统的道路还很长。

故障可以从两方面来解释[10]：一是系统本身的故障，如元器件故障、执行器故障和传感器故障等；二是由系统外部工况的改变而引起的实际运行特性的下降，如系统本身参数和外界干扰的改变等，这些变化均会使得系统无法正常工作，性能出现不可接受的下降[11]。

对于控制系统，故障的时间特性和发生形式都呈现一定的多样性，文献[12，13]对故障进行了分类。按照时间特性划分，故障可分为突变故障、缓变故障和间歇故障；按照发生形式，故障可分为加性故障和乘性故障。本书针对电流传感器的故障诊断，充分考虑了潜在发生的上述各种故障形式。

故障诊断主要采用硬件或软件的方法，对自动控制系统运行状态进行监测和评判，并快速判断出故障发生的时间、位置和大小等信息。故障诊断的主要研究内容包括[14]：故障建模、故障检测、故障分离、故障辨识和故障的评价与决策。

1.2.1.1　故障诊断的基本方法

在过去的近40 年中，专家和学者提出的各种不同的故障检测与诊断方法基本可以划分为三大类[15]：基于知识的故障诊断、基于信号处理的故障诊断和基于解析模型的故障诊断。

1. 基于知识的故障诊断

基于知识的故障诊断方法主要有：神经网络、专家系统、模糊数学、定性分析、故障树分析和基于 Agent（代理）的方法等。主要通过引入诊断对象的多种信息，特别是专家诊断知识，来进行故障检测与诊断。该方法不要求定量的系统数学模型，有利于处理不确定、不准确的知识，对于复杂系统和非线性系统的诊断，具有较高的实际意义，有着很好的发展应用前景。文献[16-19]分别基于神经网络、专家系统、模糊数学和故障树分析等方法开展了基于知识的故障诊断研究，但是基于知识的故障诊断的各种方法有自身的优缺点，许多方法的理论尚不成熟，单独应用于工业实际过程的并不多，有待进一步完善和深入研究。

2. 基于信号处理的故障诊断

依据信号模型的差异，基于信号处理的故障诊断方法主要有：相关函数、高阶统计量、小波变换、频谱分析和自回归滑动平均等。主要是通过直接分析，从可测信号中提取方差、幅值、频率等信息来获取故障特征信息，通过比较进行故障检测和诊断。文献[20，21]分别基于高阶统计量和小波变换等方法开展了基于信号处理的故障诊断方面的研究，然而该方法只适用于对故障的检测，对故障的分离和辨识方面较弱，不能准确判断故障的类型，在检测时，需要利用能够准确反映故障特征的测量信号，因此对数据依赖性大，但其实现起来相对容易，对过程监控有很大作用。

3. 基于解析模型的故障诊断

依据残差产生形式的差异，基于解析模型的故障诊断方法分为状态估计法、参数估计法和等价空间法。主要通过系统的数学模型，利用观测器、滤波器、参数在线辨识和等价空间方程等方法产生残差，对残差进行分析和处理而实现故障检测和诊断，即基于解析模型的故障诊断系统主要包含残差生成和残差评价两个阶段，其诊断过程如图1-1 所示。通过文献[22]对基于解析模型的故障诊断方法的研究可知，该方法能对系统内在的深层次信息进行挖掘，更有利于系统的故障诊断，特别是对微小故障的早期诊断；其缺点是系统的建模误差和外部扰动会给检测结果造成重大的影响。该方法对线性系统已经有了大量的研究成果，而未来在非线性系统中的研究相对会具有更大的价值。

总之，上述3 种方法在处理故障诊断问题时存在各自的优势与不足，同时又具有密不可分的联系，不能相互取代。在实际的工程应用中，为了取得良好的效果，需要选对诊断方法或者把某几种方法综合起来进行研究。

图1-1　基于解析模型的故障诊断结构

1.2.1.2　基于观测器的鲁棒故障诊断

基于解析模型的故障诊断尽管取得了多种研究成果，但基于观测器的方法一直最受人们的关注[23-25]。据调查研究，工程中有多于50%的传感器故障以及很大一部分执行器故障均选用基于观测器的方法来检测和诊断[23，26]。其一般思路是利用可测信息和控制系统的定量模型来重构系统的状态，将测量值和相应的估计值之间的差值作为残差，无故障发生时，残差为零或者为一个接近于零的很小的量；有故障发生时，残差会产生较大的变化。当可以建立精确的系统数学模型时，利用观测器生成残差，并通过对残差的分析来检测和分离系统中的故障。然而在实际操作中，非线性以及噪声、干扰等不确定因素使得该方法很难获取精确的数学模型，而且这些不确定因素会直接影响故障诊断的性能。因此，为了尽量避免这些问题，目前采用基于观测器方法来研究故障诊断问题时，主要工作重心放在怎样使所采用的故障检测方法对系统的不确定性具有鲁棒性，而且对故障保有较好的敏感度，即实现所谓的基于观测器的鲁棒故障诊断。(www.daowen.com)

鲁棒故障诊断的基本方法可归纳为两大类[27]：第一类是鲁棒残差生成，即构造鲁棒残差发生器，使产生的残差对模型不确定性、外界扰动和噪声不敏感，而对故障信号敏感；第二类是鲁棒诊断决策，即通过自适应阈值来获得故障诊断的鲁棒性。基于观测器的方法属于第一类，其具有代表性的方法有：Luenberger 鲁棒故障检测观测器[28，29]、强跟踪滤波器[30]、未知输入观测器[31，32]、滑模观测器[33，34]、线性矩阵不等式[35，36]、自适应观测器[37，38]、迭代观测器[39]、数据驱动Kalman 滤波器[40，41]、H∞滤波器[42，43]等。这些方法要么没有提出进一步彻底消除扰动影响的解决方法，要么无法很好地解决加权矩阵参数选取困难的麻烦。

1.2.1.3　基于观测器的鲁棒故障重构

利用观测器生成残差进行故障检测和分离的技术来源于系统输出和观测器输出比较的结果，并不能直接对故障进行估计，而且若阈值选择不合理，很有可能出现故障的漏报等问题。因此在实际工程应用中，要求故障诊断系统对微小和缓变故障具有比较高的灵敏度，同时对各种不确定性具有鲁棒性，从而降低误报和漏报率。针对这种情况，根据已被故障影响的过程变量的测量值估计出故障值的鲁棒故障重构技术较好地解决了这个问题[44]，该技术几乎能够完好地复现故障信息，可以直观地反映故障的发生和发展过程，而且还可十分方便地获取故障的类型、严重程度以及可能对系统造成的影响等相关信息。

基于观测器的非线性系统故障重构方法可以归为两类[45]：

1. 基于自适应观测器和强跟踪滤波器的鲁棒故障重构

这种方法实际上属于参数估计的范畴，其主要思想是把控制系统的各种故障归结为参数偏差型故障进行处理，并且假定故障在数学上都可以从模型参数的变化中有所反映。该故障重构方法已有很多研究成果[46-49]，然而其实现的困难之处是：系统故障的随机性和不确定性既可能引起系统模型结构阶次的变化，也可能引发系统模型参数的变化，即故障重构实际上面对的是一个不确定时变结构和变参数的辨识问题。

2. 基于滑模观测器的鲁棒故障重构

滑模变结构控制技术使得受控系统表现出对外界扰动和内部摄动具有比鲁棒性更强的不变性，因此其已被成功引入基于模型的故障诊断方法中并表现出了很大的应用潜力[50-52]。基于滑模观测器的鲁棒故障重构采用独特的等值原理有效解决了基于参数估计方法所存在的固有问题。但当考虑不确定性时，基于滑模观测器得到的故障重构的结果只能作为对故障信号的估计。

1.2.1.4　基于观测器的故障诊断与重构技术未来发展趋势

尽管基于观测器的故障诊断与重构研究在理论与应用方面已经取得了丰硕的成果，但它仍属于新兴领域范畴。其进一步的研究重点应当放在如何更好地克服不确定性的影响，有效提高故障诊断和重构的精度以及重构方法的实用性上。大致可以从以下两个方面进行更为深入的研究：

1. 增强观测器的观测精度

对含有各种不确定性的非线性系统，设计状态观测器以实现对各个系统状态的有效估计，为进一步实现鲁棒故障诊断奠定基础。

2. 实现鲁棒故障检测与重构

故障和未知输入扰动之间往往具有耦合关系，当系统对外部扰动表现出鲁棒性时，也很可能对故障也不敏感，这成为故障诊断系统的主要矛盾。如何消除系统扰动对故障检测与重构的影响，实现对系统故障的精确重构，即实现所谓的鲁棒故障检测与重构已经成为开展研究的难点和热点问题。针对此问题，解决方法可分为两个层次：一是有效抑制系统中扰动对故障诊断和重构方法的影响，使系统既对未知扰动不敏感，又对故障保持较高的灵敏度；另一较高层次目标是将故障和扰动完全解耦，使故障系统完全不受未知扰动的影响，实现对故障甚至是微弱故障的精确重构。