智能故障诊断系统文献综述和参考文献

菜单

现代系统正朝着大规模、复杂化的方向发展，这类系统一旦发生事故就有可能造成人员和财产的巨大损失。人们迫切需要提高现代系统的可靠性与安全性。智能故障诊断系统就是要通过对系统进行检测，对故障发展趋势进行早期诊断，找出故障原因，采取措施避免设备的突然损坏，使之安全经济地运转。44571

智能故障诊的研究内容包括以下几个环节：故障的特征描述与提取、故障的分离与估计、故障的评价与决策。

智能故障诊断系统的传统方法有:基于信号处理的方法、基于解析模型的方法。

在现代分析方法中，基于人工智能方法为系统障诊断技术提供了新的理论基础，出现了基于知识、不需要对象精确数学模型的故障诊断方法。

2．智能故障诊断系统的方法

2.1 基于信号处理的诊断方法

对故障设备工作状态下的信号进行诊断，当超出一定的范围即判断出现了故障。信号处理的对象主要包括时域、频域以及峰值等指。运用相关分析、频域及小波分析等信号分析方法，提取方差、幅值和频率等特征值，从而检测出故障。如在发动机故障领域中常用的检测信号是振动信号和转速波动信号。如以现代检测技术、信号处理及模式识别为基础，在频域范围内，进行快速傅里叶变换分析等方法，描述故障特征的特征值，通过采集到的发动机振动信号，确定了试验测量位置，利用加速传感器、高速采集卡等采集了发动机的振动信号，并根据小波包技术，提取了发动机故障信号的特征值。该诊断方法的缺点在于只能对单个或者少数的振动部件进行分析和诊断。而发动机振动源很多，用这种方法有一定的局限性。

2.2 基于解析模型的诊断方法

基于模型的故障检测诊断技是通过构造观测器估计出系统输出，然后将它与输出的测量值比较，从中取得故障信息。该方法能与控制系统紧密结合，是监控、容错控制、系统修复和重构的前提；是以现代控制理论和现代优化方法为指导，以系统的数学模型为基础，利用观测器(组)、等价空间方程、滤波器、参数模型估计和辨识等方法产生残差，然后基于某种准则或阈值对该残差进行评价和决策。

2.3 基于人工智能的诊断方法:

2.3.1　基于神经网络的诊断方法

神经网络是一种通过模拟人脑而建立起来的自适应非线性动力学系统，它具有自学性和并行计算能力论文网，可以实现分类、优化、自组织、联想记忆和非线性映射等功能。它以分布式的方式储存信息，利用网络的拓扑结构和权值分布实现非线性的映射，并利用全局并行处理实现从输入空间到输出空间的非线性信息变换。它在故障诊断中的具体应用方式有： (1) 神经网络诊断系统。对特定问题建立适当的神经网络故障诊断系统，可以从其输入数据 (代表故障症状) 直接推出输出数据 (代表故障原因)，从而实现故障检测与诊断； (2) 采用神经网产生或评价残差，并做进一步诊断； (3) 采用神经网络做自适应误差补偿。但是，神经网络在故障诊断应用也存在一些局限性，比如无法融入经验性的知识，且需要足够的学习样本才能保障诊断的可靠性，其“黑箱”结构难以了解系统的行为，在对复杂系统进行诊断时，往往由于网络规模过于庞大和学习训练时间太长等问题，降低了神经网络的实用性等。目前的神经网络诊断方法主要运用于提取稳态特征参数。

2.3.2　基于故障树的诊断方法

故障树模是一个基于研究对象结构、功能特征的行为模型；是一种定性的因果模型；是一种体现故障传播关系的有向图。它从诊断对象最不希望发生的事件为顶事件，按照对象的结构和功能关系逐层展开，直到不可分事件 (底事件) 为止。故障树分析法原来用于系统的可靠性设计，现已广泛用于故障诊断领域。但是，由于故障树是建立在部件联系和故障模式分析的基础之上，因此不能诊断不可知的故障。故障诊断的结果严重依赖于故障树信息的完整程度。如果给定的故障树不完全、不详细、不精确，那么对应的诊断也会不完全、不详细、不精。