让复杂机器“乖乖听话”的智能体检新技术

现代工业中，诸如流体流动、热对流和化学反应等过程不仅会随着时间推移发生变化，还会随着空间位置的变化产生差异。这类复杂的系统在数学和工程领域通常用“偏积分微分方程（PIDE）”来描述。为了保障复杂工业过程的安全稳定运行，如何在系统出问题时及时检测和评估故障，一直是一项亟待解决的问题。

自动化系统中，执行器（负责做出“动作”，如阀门）和传感器（负责“感觉”和测量，如温度计）是最容易发生故障的部件。这项研究重点攻克了一种非常棘手的故障类型——“乘性故障”：指未知的故障参数与系统的边界输入信号/边界输出信号发生了“相乘”的关系。这种现象会带来两个问题：

（1）如果未知故障参数和系统本身的信号混合（相乘）在了一起，想要同时推算系统真实状态和故障严重程度，就变成了一个复杂的非线性数学问题。

（2）在没有提前告知的情况下，系统本身很难判断接收到的异常信号是因为“执行器”坏了，还是因为“传感器”坏了，又或者是两者同时都坏了。

为了解决上述的问题，研究人员开发了一套巧妙的工具组合：

• 边界观测器（Boundary Observers）：这是一种极其精简高效的算法模型，它不需要在系统内部到处安装传感器，仅仅利用系统一个边界上的单一测量数据，就能推断出整个系统的内部状态。

• 自适应参数更新律（Adaptive Parameter Update Laws）：针对三种不同的突发情况（仅执行器故障、仅传感器故障、两者同时发生故障），研究人员分别设计了自适应更新律。这些数学法则被巧妙地嵌入到观测器中，像一个不断试错并自我修正的“大脑”，逐步算出真实的故障数值。

• 李雅普诺夫函数（Lyapunov Functions）：为了确定该方法的理论可行性，研究人员借助严谨的李雅普诺夫函数证明了：无论初始情况如何，这套方法算出的状态估计值和故障参数估计值，最终都能收敛到与真实情况极其接近的范围内。

为了验证这套方法的实际效果，研究人员通过计算机对一个代表性的PIDE系统进行了数值模拟实验。实验设定系统在运行到第5秒时，人为注入故障。

1.这套系统展现出了极高的敏锐度。研究记录显示，传感器故障在发生后仅仅0.025秒（即5.025秒时）就成功触发警报并。执行器故障也在发生后0.45秒（即5.45秒时）被揪出。数据表明，观测器对传感器故障的反应更为迅速，这是因为执行器故障产生的影响需要经过一段物理系统中的传输时间，才能被另一端的传感器捕捉到。

2.当系统仅发生执行器故障或仅发生传感器故障时，新方法的表现远超传统方法。

图2和图3中（针对执行器故障案例），使用传统的“Luenberger观测器”计算出的输出预测值（黑色虚线）完全失控并偏离了真实值；而新提出的观测器（蓝色虚线）则紧紧咬合住真实的测量信号。图3证明了故障参数的估计值也成功且平稳地收敛到了真实的数值上。

图4和图5中（针对传感器故障案例），新观测器同样完美地追踪了被干扰的系统状态，并将计算残差降至接近于零，而传统方法呈现出的结果依旧不理想。

当执行器和传感器在第5秒同时发生故障时，系统面临着最大的混乱。但是，借助新设计的“耦合参数更新律”，这套方法在结果呈现上依旧令人满意。

图6和图7直观地展示了，新观测器产生的观测误差和输出残差在经历短暂的波动后，迅速衰减至零附近的极小值；而传统的观测器在面对双重故障时已经彻底失效，无法进行有效的曲线预测。

图8有效的地证明了：无论是负责“动作”的执行器故障参数，还是负责“感觉”的传感器故障参数，新方法都能在各种情况下高效精准地将这两个未知数分别剥离并估算出来。

学者介绍：徐晓东，中南大学自动化学院特聘教授、博士生导师，国家级青年人才（海外优青）。主要从事智能制造技术及工业应用研究，研究方向包括人工智能驱动的分布参数系统感知与控制、工业过程状态估计及故障诊断、数据驱动与强化学习先进控制、工业系统智能建模，以及智能车和机器人巡检与路径优化等，聚焦人工智能、机器学习与先进控制技术在流程工业及有色金属智能制造中的应用。

ORCID：0000-0003-4795-9967

DOI：10.1002/rnc.4700