本发明属于故障诊断领域，特别是涉及一种基于粒子滤波的分布式智能故障诊断方法及其装置。
背景技术
在现代工业中，大部分监控及控制机制均是在假设系统状态精确可测量的基础上构建的。然而，系统内部状态往往难以通过传感器准确获得，实际的测量系统是有随机误差的，使测量向量也含有随机量，不能通过理想的测量方程直接求出状态真值。
作为最重要的状态估计工具，滤波器已经历了从非递归到递归、频域到时域、非平稳随机过程到状态空间模型的发展历程。如今，有众多用于状态估计的滤波算法，最典型的有：卡尔曼滤波(kalmanfilter，kf)、扩展卡尔曼滤波(extendedkalmanfilter，ekf)、无迹卡尔曼滤波(unscentedkalmanfilter，ukf)和粒子滤波(particlefilter，pf)。
粒子滤波算法可以说是当代非线性滤波中最被重视的一种滤波方法，它在各个领域中都有着极大的作用，近年来国内外学者们将粒子滤波算法结合到状态估计中，构成基于粒子滤波的状态估计，以此方法推动着经济学、控制科学、航空航天、信息科学、电子技术的快速发展与进步。例如，在经济学领域中被应用于经济数据的预测；在机器人领域中它被用于对机器人的全局定位与跟踪；在军事领域被用于雷达、导弹跟踪空中飞行物；特别是在工业过程和设备监控中被用于非线性系统的故障诊断和警示等。
基于粒子滤波极强的实用性，国内外学者对此已经进行了大量研究，提出了许多用于跟踪的有效算法。这些方法主要可以分为两类：(1)基于运动的方法：依据某种强健的算法，把一段时间内的具有运动一致性的点归为一类，如光流法和特征点法，但是计算量较大。(2)基于模型的方法：主要依据高层的语义表示和知识描述来完成目标的跟踪。利用目标中信息部分的不同，可分为基于目标边界、基于目标区域的方法。但由于目标本身的信息较多，如不加简化，将不可避免地带来信息匹配时的大量运算。因此，对于实时性要求很高的运动目标的跟踪技术而言，如何选取目标的特征信息，并在可靠的前提下简化运算是目标跟踪的关键。
故障通常意味系统没有结果输出或者输出的状况结果不满足日常要求，系统处于异常工作状态。系统状况的故障诊断首先是确定系统处于正常还是异常模式，接着进行故障定位与故障排除。主要任务包括：被诊系统状态信息获取、故障形式甄别、趋势分析研究和诊断决策。故障诊断一般能够概括为下面几种形式：根据模型的方法、根据知识的方法与根据信号处理的方法等。根据模型的方法按照模型的不同能够分类为专家系统的方法，模糊识别的方法，神经元网络方法，模糊推理的方法；根据症状的不同能够分类为定性测量法，定性仿真法，知识测量器法；根据参数估计不同能够分类为系统与故障参数估计法；根据状态估计不同能够分类为观察器法与滤波器法。
在故障诊断的模式识别算法方面，目前有神经网络、支持向量机等方法，杨宇等人提出了基于emd(empiricalmodedecomposition)和vpmcd(variablepredictivemodelbasedclassdiscriminate)的故障诊断方法在滚动轴承中的应用，避免了神经网络的结构和类型以及支持向量机核函数及其参数的选择问题，但较为复杂且计算量较大，在对实时性要求较高的系统中不能很好应用。
此外，中国专利申请号cn201510031512.9公开了一种利用粒子滤波与谱峭度的滚动轴承故障诊断方法，同样存在诊断方法复杂且计算量大的问题。
因此，有必要对此进行改进。
技术实现要素：
本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种基于粒子滤波的分布式智能故障诊断方法和装置，突破了有线传输的限制，提高了故障诊断方法的准确性和实时性。
为实现上述目的，本发明的技术方案是s01：根据系统动力学特性建立正常模型和多种故障模型；
s02：通过分布式数据采集获取各类数据参数；
s03：采用粒子滤波算法精确估计系统状态参数；
s04：运用模式识别算法，将滤波处理后的数据参数与所述正常模型和多种故障模型进行对比，得到当前系统的运行模式，进行对系统的故障状态进行诊断。
进一步设置是所述的步骤s01包括：
通过系统和结构分析建立被诊断对象的动力学模型，包括构建正常模型；
针对故障模型，首先推演系统故障演化过程，提炼典型故障动态演化特征，分析系统混杂影响要素及传播特征，根据系统故障传播规律，建立典型故障传播描述关系式，从而建立对象的多种故障模型，并最终实现系统状态空间的构建。
进一步设置是所述的步骤s02包括：
将传感器分布在各个数据采集点，定时采集数据，其所采集的数据均以规定的报文格式进行封装，再将采集的数据发送到协调器。
进一步设置是所述数据是通过无线收发射频单元以无线传输方式发送到协调器，所述协调器通过选择一个信道和一个网络id启动无线通讯网络。
进一步设置是所述的步骤s03包括：
该算法具体流程用如下伪代码表示：
fork＝1,2……，k为各数据采集点对应的时刻；
(1)粒子初始化：
在k＝0时刻，由已知的先验概率p(x0)产生粒子群
(2)序列重要性采样：
①采样：
k时刻，采样重要性分布函数中的粒子
②权重估计：
求得k时刻的观测值zk后，可以得到重要性权重的估计值：
其中
③权值归一化：
(3)重采样：
在由step2得到粒子权重的基础上，剔除掉权重较小的粒子，复制权重较大的粒子，最终得到新的粒子集
(4)输出：
计算k时刻的状态估计值：
此步骤可精确估计系统状态参数。
进一步设置是所述的步骤s04包括：
将滤波处理后的数据参数与所述正常模型和多种故障模型进行对比，具体步骤如下所示：
基于粒子滤波算法所得到的数据，将前δ时刻的数据与对应时刻的各类状态模型计算差值并求和，得到的各个和值中，绝对值最小所对应的模型便是系统目前所处的状态；
其中x表示状态模型类别，如正常状态，故障状态1,2……，fi表示第i时刻滤波后的数据值，mx,i为模型x的第i时刻的状态值；
系统运行模式的判别的方法为真实状态曲线与各个故障或正常状态模型对应的曲线作对比，其最吻合的曲线所对应的即是当前运行模式。
本发明还提供一种基于粒子滤波的分布式智能故障诊断装置，其特征在于：该装置通过所述方法进行故障诊断，该装置包括有：分布式数据采集系统、协调器、多个路由器和多个终端设备；
分布式数据采集系统包括有多个传感器，该传感器分布在各个数据采集点，用于采集各个数据采集点的数据；
所述协调器用于获取终端设备的网络地址，判断其是否联网，若联网则接受终端设备传送过来的数据，否则等待其联网，该协调器通过选择一个信道和一个网络id启动无线通讯网络，所述路由器用于允许设备加入网络，实现多跳路由和协助所述终端设备的通讯；所述终端设备中的传感器定时采集数据，再通过无线方式发送给所述协调器。
进一步设置是分布式数据采集系统还包括有cc2530无线收发射频单元、zigbee无线传输网关、usb转串口通讯和上位机，该上位机上设置有用于实时显示保存数据的上位机软件并进行故障诊断算法调用分析。
本发明通过传感网络实现多变量数据的采集和集中处理，并基于粒子滤波算法实现监测对象状态的精确估计和故障的智能诊断，系统能够实现远程实时监控及故障预示，有效提升现有故障诊断系统的应用范围和诊断水平。
本发明的优点是提高了故障诊断方法的准确性和实时性。通过数据采集装置定时采集数据并通过zigbee网络高速传输数据，由粒子滤波算法精确估计系统状态参数，最终在上位机界面实时显示动态数据，达到准确和实时的目的。
本发明设计了基于无线传感网络的复杂分布式数据采集网络及相应的上位机系统，其分布式、移动性的灵活特点适用于大型移动性对象，扩展了该智能故障诊断系统的适用范围，较好的解决了复杂机电系统信号点分布广、监测参数点距离远、时刻处于运动状态的实际困难，相对传统的有线数据采集系统有了极大的提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1分布式智能故障诊断装置的流程图；
图2基于粒子滤波的分布式智能故障诊断装置；
图3数据传输流程图；
图4协调器的数据传输流程图；
图5软件原理流程；
图6分布式数据采集系统总框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1至图6所示，为本发明实施例中，一种基于粒子滤波的分布式智能故障诊断装置的构建流程包括：根据系统动力学特性建立正常模型和多种故障模型；通过分布式数据采集获取各类数据参数；采用粒子滤波算法精确估计系统状态参数；运用模式识别算法，将滤波处理后的数据参数与所述正常模型和多种故障模型进行对比，得到当前系统的运行模式。
步骤s01：根据系统动力学特性建立正常模型和多种故障模型
通过系统和结构分析建立被诊断对象动力学模型；针对故障模型，首先推演系统故障演化过程，提炼典型故障动态演化特征，分析系统混杂影响要素及传播特征，根据系统故障传播规律，建立典型故障传播描述关系式，从而建立对象的多故障演化模型，并最终实现系统状态空间的构建。此步骤是为了滤波处理后的数据参数有模型进行对比，实现故障模式划分。
步骤s02：通过分布式数据采集获取各类数据参数
传感器分布在各个数据采集点，定时采集数据，其所采集的数据均以规定的报文格式进行封装，再通过无线收发射频单元以无线传输方式发送到协调器。其中，协调器负责启动整个网络，它也是网络的第一个设备，先由其选择一个信道和一个网络id(也称之为panid，即personalareanetworkid)，随后启动整个网络。
整个分布式数据采集网络是基于zigbee网络采集各类数据。在zigbee网络中定义了三种逻辑设备类型：协调器(coordinator)，路由器(router)和终端设备(end‐device)。路由器的主要功能是允许其他设备加入网络，多跳路由和协助子终端设备的通讯。一个zigbee网络由一个协调器以及多个路由器和多个终端设备组成。终端设备中各类传感器定时采集数据，其所采集的数据均以规定的报文格式进行封装，再通过无线方式发送给协调器。在数据不采集时，为降低功耗，则将芯片休眠，待下次采集时再唤醒。如图3所示。
整个系统中控制作用的核心就是协调器节点，它需要获取终端节点的网络地址，判断其是否联网，若联网则接受终端采集节点传送过来的数据，否则等待其联网；再对数据进行分析、处理，随后基于rs232协议通过串口将处理后的数据信息传输至电脑。其流程如下图4所示。其中串口通信达到的目的有进行串－并转换、对数据传输速率——波特率进行选择和控制等。
步骤s03：采用粒子滤波算法精确估计系统状态参数
算法具体流程可用如下伪代码表示：
fork＝1,2……
(1)粒子初始化：
在k＝0时刻，由已知的先验概率p(x0)产生粒子群
(2)序列重要性采样：
①采样：
k时刻，采样重要性分布函数中的粒子
②权重估计：
求得k时刻的观测值zk后，可以得到重要性权重的估计值：
其中
③权值归一化：
(3)重采样：
在由step2得到粒子权重的基础上，剔除掉权重较小的粒子，复制权重较大的粒子，最终得到新的粒子集
(4)输出：
计算k时刻的状态估计值：
此步骤可精确估计系统状态参数。
步骤s04：运用模式识别算法，得到当前系统的运行模式
将滤波处理后的数据参数与所述正常模型和多种故障模型进行对比，具体步骤如下所示：
基于粒子滤波算法所得到的数据，将前δ时刻的数据与对应时刻的各类状态模型计算差值并求和。得到的各个和值中，绝对值最小所对应的模型便是系统目前所处的状态。
其中x表示状态模型类别，如正常状态，故障状态1,2……，fi表示第i时刻滤波后的数据值，mx,i为模型x的第i时刻的状态值。
系统运行模式的判别的基本思想为真实状态曲线与各个故障或正常状态模型对应的曲线作对比，其最吻合的曲线所对应的即是当前运行模式。
为了能够清晰直观的监测各类所需数据，本发明的上位机显示界面采用c#语言编写。其中，需要重点监测的数据配有随时间变化的曲线图，并能将数据保存在指定位置，而辅助监测的仅显示当前数值，当大于设定阈值时，各数据旁的绿灯将变为红灯示警。界面中串口接收波特率需与协调器发送速率一致。
其次，通过串口接收到的传感器采集数据，并不是真正的数值本身，而是包含了一系列帧头、包长度、控制命令等信息的数据包。
因此，需要对数据包进行解析，将接收到的数据包缓存在数组中，按照上述规则通过程序对数据包进行分类处理，最终得到所需要的数据，显示在界面的对应位置。其中，界面设计流程包括：设置port1端口号及波特率；打开port1串口并读取端口字节；将数据转换成16进制字符串形式；自写函数将读出的数据进行分析；将字符串显示在对应位置。如图5所示。
分布式数据采集系统共由传感器采集设备物理参数、cc2530无线收发射频单元、zigbee无线传输网关、usb转串口通讯、上位机软件实时显示保存数据、故障诊断算法调用分析组成。如图6所示。
上位机监控软件通过无线网络把相关数据传送到安装了安卓系统的移动设备上。上位机与手机端的通讯主要依靠蓝牙模块，实现通信功能是基于串口通信设计的，手机会通过蓝牙与上位机之间传送指令，然后主上位机会按照传送的指令将数据利用串口发送至蓝牙模块，随后再通过相关协议发送数据到安卓移动端。
安卓客户端最主要的工作是接收pc客户端发送的数据信息，并展示数据，将数据处理成动态图表的形式展示，并且设置了一条警告线用以警示使用者。主要功能和需求具体如下：(1)安卓界面建立；(2)建立button跳转界面；(3)产生模拟数据；(4)将模拟数据转化为动态图表；(5)数据在曲线上显示；(6)历史数据可以查看；(7)图表可以拉升缩放；(8)设立警告线。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如rom/ram、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。