故障智能诊断方法综述
1引言
随着科学技术的迅猛发展，特别是计算机技术的广泛应用，现代工程设备的结构日趋复杂，自动化系统的程度也越来越高。一个大型设备系统有大量的工作部件组成，不同的部件之间关联耦合紧密，一个部件发生故障常常会引起链式反应，进而导致系统甚至整个生产过程无法正常工作。如何保证设备安全、可靠和高效的运行，是现在生产过程中一个迫切需要研究和解决的重要问题。故障智能诊断为此提供一条非常有效的途径。
故障诊断fd（faultdiagnosis）就是对设备运行状态和异常情况作出判断，也就是说，在设备没有发生故障之前，要对设备的运行状态惊醒预测和预报；在设备发生故障后，对故障的原因、部位、类型、程度等作出判断，并进行维修决策。故障诊断的任务包括故障检测、故障识别故障分离与估计故障评价和决策［1］。
2故障智能诊断的研究现状
故障智能诊断是故障诊断领域的前沿学科之一，它是在计算机和人工智能的基础上发展起来的。智能诊断技术在知识层次上实现了辩证逻辑与数理逻辑的集成、符号逻辑与数值处理的统一、推理过程与算法过程的统一、知识库与数据库的交互等功能。
故障诊断是20世纪60年代末发展起来的一门新技术。1967年在美国宇航局nasa（nationalaeronauticsandspaceadministration）倡导下，由美国海军研究室onr率先开始了机械故障诊断技术的开发和研究，并在故障机理研究和故障检测、故障诊断和故障预测等方面取得了许多实用性的研究成果。如johnsmitchel公司的超低温水泵和空压机检测诊断系统，spire公司用于军用机械轴与轴承的诊断系统，iedeco公司的润滑油分析诊断系统，de公司的内燃机车故障诊断系统，delte西屋公司的汽车发电机组智能化故障诊断专家系统等，都在国际上具有特色。在航空方面，波音747、dc9等大型客机上的故障诊断系统，能利用大量飞行中的信息来分析飞机各部位的故障原因并发出小出故障的命令，大大提高了飞行的安全性。英国和日本相继在20世纪70年代初开始了故障诊断的开发研究，并在锅炉、压力容器核发电站、核反应堆、铁路机车等方面取得了许多研究成果。根据资料报道，国外采用故障诊断技术，设备维修费用平均降低15%~20%，美国对故障诊断技术的投入占其生产成本的7.2%，日本为5.6%，德国为9.4%。
国内诊断技术从80年代中期开始进人了迅速发展时期。目前，在理论研究方面，已形成了具有我国特点的故障诊断理论，并出版了一系列相关论著，研制出了可与国际接轨的大型设备状态监测与故障诊断系统，比如华中科技大学研制的用于汽轮机组工况监测和故障诊断的智能系统dest，哈尔滨工业大学和上海发电设备成套设计研究所联合研制的汽轮发电机组故障诊断专家系统mmmd-2，清华大学研制的用于锅炉设备故障诊断的专家系统，山东电力科学研究院同清华大学联合研制的“大型汽轮机发电机组远程在线振动监测分析与诊断网络系统”，重庆大学研制的“便携式设备状态监测与故障诊断系统”等等
3几种现代故障智能诊断方法
目前，智能诊断的理论与方法主要有：基于专家系统的方法、基于神经网络的方法、基于模糊逻辑的方法、基于遗传算法的方法、基于信息融合的方法。
3.1基于专家系统的故障诊断方法
专家系统故障诊断方法就是综合运用各种规则对计算机采集到的被诊断对象的信息进行一系列推理后，同时在必要时还可以随时调用各种应用程序并在运行过程中向用户索取必要的信息，然后能够快速的找到最终故障或最有可能的故障，由用户来确认的一种方法。专家系统获得巨大成功的原因在于，它将模仿人类思维规律的解题策略与大量的专业知识结合在一起。
专家系统主要由知识库、推理机、数据库、知识获取模块、解释程序和人机接口等部分组成。其内部具有某个领域专家的知识和经验，能够利用人类专家的知识和解决问题的方法来解决问题。专家系统解决的问题一般没有算法解，且往往在不完全信息的基础上进行推理、做出结论，故速度快、实时性强。该方法是人工智能理论在故障诊断领域中最成功的应用，也是目前故障诊断领域最常用的方法，其各部分的功能如图1所示。
3.2基于神经网络的故障诊断方法
神经网络用于设备故障诊断是近十几年来迅速发展起来的一个新的研究领域。神经网络具有并行分布处理、联想记忆、自组织及其子学习能力和极强的非线性映射特性，能对复杂的信息进行识别处理并给与准确的分类，因此可以用来对系统设备由于故障而引起的状态变化进行识别和判断，从而为故障诊断与状态监控提供了新的技术手段。
神经网络应用于故障诊断具有很多优点：
（1）并行结构和并行处理方式；
（2）具有高度的自适应性；
（3）具有很强的自学习能力；
（4）具有很强的容错性；
（5）实现了将知识表示、存储、推理三者融为一体。
然而，神经网络也存在固有的弱点。首先，系统性能受到所选择的训练样本集的限制；其次，神经网络没有能力解释自己的推理过程和推理依据及其存储知识的意义；再次，神经网络利用知识和表达知识的方式单一，通常的神经网络只能采用数值化的知识；最后，神经网络只能模拟人类感觉层次上的智能活动，在模拟人类复杂层次的思维方面，如基于目标的管理、综合判断与因果分析等方面还远远不及传统的基于符号的专家系统［7］。模式识别的神经网络诊断过程如图2所示，主要包括学习训练与诊断匹配两个过程，其中每个过程都包括预处理和特征提取两部分。
3.3基于模糊逻辑的故障诊断方法
设备运行过程本身的不确定性、不精确性以及噪声为处理复杂系统的大时滞、时变及非线性等方面带来了许多困难，而模糊逻辑在此显示了优越性。目前用于故障智能诊断的思路主要有三种：
（1）基于模糊关系及合成算法的诊断，先建立征兆与故障类型之间的因果关系矩阵，再建立故障与征兆的模糊关系方程，最后进行模糊诊断；
（2）基于模糊知识处理技术的诊断，先建立故障与征兆的模糊规则库，再进行模糊逻辑推理的诊断过程；
（3）基于模糊聚类算法的诊断，先对原始采样数据进行模糊c均值聚类处理，再通过模糊传递闭包法和绝对值指数法得到模糊c均值法的初始迭代矩阵，最后用划分系数、划分熵和分离系数等来评价聚类的结果是否最佳［8］。
模糊故障诊断系统的基本结构图如图3所示，主要包括模糊化接口、模糊规则库、模糊推理机和费模糊化接口等四部分［1］。
3.4基于遗传算法的故障诊断方法［8］
基于遗传算法的智能故障诊断的主要思想是利用遗传算法的寻优特性，搜索故障判别的最佳特征参数的组合方式，采用树状结构对原始特征参数进行再组织，以产生最佳特征参数组合，利用特征参数的不同最佳组合进行设备故障的准确识别，其识别精度有了很大的提高。其基本点是将信号特征参数的公式转化为遗传算法的遗传子，采用树图来表示特征参数，得到优化的故障特征参数表达式。
3.5基于信息融合的故障诊断方法
目前，信息融合在大多数情况下采用多传感器融合的方式，其原理是通过有效利用不同时间、空间的多个传感器信息资源，最大限度地获得被测目标和环境的信息量，采用计算机技术对获得的信息在一定准则下加以自动处理，获得被测对象的一致性解释和描述，以完成所需的决策。
多传感器信息融合技术应用于故障诊断的主要原因是因为：（1）信息融合能够为故障诊断提供更多的信息；（2）故障诊断系统具有信息融合系统相类似的特征。
概括起来，多信息融合技术在故障诊断方面的应用主要包括以下几点［6］：①对多传感器形成的不同信道的信号进行融合；②对同一信号的不同特征进行融合；③对不同诊断方法得出的结论进行融合。融合诊断的最终目标就是利用各种信息提高诊断的准确率。
3.6故障诊断的新方向［9-10］
（1）多技术融合的故障智能诊断。比如基于多尺度融合估计的故障诊断方法、基于智能诊断技术的故障诊断方法等，由于多传感器信息融合技术涉及到多学科、多领域，且具有多信息量、多层次、多手段等特点，因此，利用信息融合技术可得到比单一信息源更精确、更完全的判断。
（2）虚拟现实技术成为继多媒体技术之后另一研究热点，它可以广泛应用在军事、教育、航天等多领域。由于虚拟现实技术可以解决智能系统中许多无法解决的困难问题，所以它也会对故障智能诊断体统带来一次技术性的革命。
（3）人工智能与数据库技术是计算机科学的两大重要领域，越来越多的研究成果表明，这两种技术的相互渗透将会给故障智能诊断系统带来更为广阔的应用前倾。
4结束语
故障智能诊断系统无论在理论上还是在系统开发方面都已取得了很大的进步，能够使生产安全、高效地运行，减少了一些生产事故的发生，为企业提高了效益。随着现代知识的日益发展以及数据库、虚拟现实等技术的日新月异，也必然会促进故障智能诊断系统在各个方面的发展。
故障诊断技术分类
基于规则的专家系统诊断方法传统专家系统模糊专家系统置信规则库专家系统基于专家系统(Expertsystem)的故障诊断方法是利用领域专家在长期实践中积累起来的经验建立知识库,并设计一套计算机程序模拟人类专家的推理和决策过程进行故障诊断。专家系统主要由知识库、推理机、综合数据库、人机接口及解释模块等部分构成。知识库和推理机是专家系统的核心,传统专家系统中,专家知识常用确定性的IF-THEN规则表示。通常专家知识不可避免地具有不确定性。模糊专家系统在专家知识的表示中引入了模糊隶属度的概念,并利用模糊逻辑进行推理,能够很好地处理专家知识中的不确定性。这些规则是从专家的经验中总结出来，用来描述故障和征兆的关系。
该方法的优点是知识表示简单、直观、形象、方便，使用直接的知识表示和相对简单的启发式知识，诊断推理速度快;要求数据的存储空间相对较小;易于编程和易于开发出快速原型系统。
缺点是知识库覆盖的故障模式有限，对未出现过的和经验不足的故障诊断就显得无能为力；当知识库中没有相应的与征兆匹配的规则时，易造成误诊或诊断失败。
基于模型的故障诊断技术解析模型基于解析模型的故障诊断方法利用系统精确的数学模型和可观测输入输出量构造残差信号来反映系统期望行为与实际运行模式之间的不一致,然后基于对残差信号的分析进行故障诊断。基于解析模型的故障诊断研究的相对较多,也较深入。
参数估计
基于参数估计的故障诊断认为故障会引起系统过程参数的变化,而过程参数的变化会进一步导致模型参数的变化,因此可以通过检测模型中的参数变化来进行故障诊断。
状态估计
基于状态估计的故障诊断方法主要包括滤波器方法和观测器方法。
等价空间
基于解析模型的故障诊断利用了对系统内部的深层认识,具有很好的诊断效果。但是这类方法依赖于被诊断对象精确的数学模型,实际中对象精确的数学模型往往难以建立,此时基于解析模型的故障诊断方法便不再适用。然而系统在运行过程中积累了大量的运行数据,因此需要研究基于过程数据的故障诊断方法。
定性模型故障树
故障树是一种特殊的逻辑图。基于故障树的诊断方法是一种由果到因的分析过程，它从系统的故障状态出发，逐级进行推理分析，最终确定故障发生的基本原因、影响程度和发生概率。
特点：建模简单、结果易于理解和应用范围广等特点。但是,当系统比较复杂时,这类方法的搜索过程会变得非常复杂,而且诊断正确率不高,可能给出无效的故障诊断结果。
符号有向图
符号有向图是一种被广泛采用的描述系统因果关系的图形化模型。
多信号图
Petri网
定量模型没有找到相关资料
基于数据的诊断方法数据驱动的故障诊断方法就是对过程运行数据进行分析处理,从而在不需知道系统精确解析模型的情况下完成系统的故障诊断。
数据驱动的故障诊断方法不需要过程精确的解析模型,完全从系统的历史数据出发,因此在实际系统中更容易直接应用。
基于信号处理的故技术对测量信号利用各种信号处理方法进行分析处理,提取与故障相关的信号的时域或频域特征用于故障诊断。主要包括谱分析(Spectrumanalysis)方法和小波变换(Wavelettransform)方法。
信号处理是其他故障诊断方法的基础：
小波分析
不同的故障会导致测量信号的频谱表现出不同的特征,因此可以通过对信号的功率谱、倒频谱等进行谱分析的方法来进行故障诊断。以傅里叶变换为核心的传统谱分析方法虽然在平稳信号的特征提取中发挥了重要作用,但是实际系统发生故障后的测量信号往往是非平稳的,而且傅里叶变换是一种全局变换,不能反映信号在时频域上的局部特征。而小波变换作为一种非平稳信号的时频域分析方法,既能够反映信号的频率内容,又能够反映该频率内容随时间变化的规律,并且其分辨率是可变的,即在低频部分具有较高的频率分辨率和较低的时间分辨率,而在高频部分具有较高的时间分辨率和较低的频率分辨率。小波变换在故障诊断中的应用主要有以下几种:1)利用小波变换对信号进行多尺度多分辨率分析,从而提取信号在不同尺度上的特征用于故障诊断。2)利用小波变换的模极大值可以检测出信号的突变,因此基于小波变换的奇异性检测可用于突发型故障的诊断。3)根据实际系统中有用信号往往集中在低频部分且比较平稳,而噪声主要表现为高频信号的特点,小波变换还常用于对随机信号进行去噪。小波分解与重构的去噪方法通过在小波分解信号中去除高频部分来达到去噪的目的。此外,近年来还出现了大量将小波变换与其他方法相结合的故障诊断方法。
经验模态分解
相关分析法
包络分析法
最大熵谱法
倒频谱法
同步信号平均法
自回归谱分析法
分形分析
粗糙集粗糙集(Roughset)是一种从数据中进行知识发现并揭示其潜在规律的新的数学工具。与模糊理论使用隶属度函数和证据理论使用置信度不同,粗糙集的最大特点就是不需要数据集之外的任何主观先验信息就能够对不确定性进行客观的描述和处理。属性约简是粗糙集理论的核心内容,它是在不影响系统决策的前提下,通过删除不相关或者不重要的条件属性,从而使得可以用最少的属性信息得到正确的分类结果。因此,在故障诊断中可以使用粗糙集来选择合理有效的故障特征集,从而减小输入特征量的维数,降低故障诊断系统的规模和复杂程度。
信息融合多传感器信息融合的故障诊断方法：由于故障诊断的本质是利用诊断对象系统运行的各状态信息和己知的知识进行信息的综合处理，最终得到关于系统运行和故障状况的综合评价，在这点上具有与信息融合技术相同的目的和要求。该方法在一定程度上能够获得精确的状态估计，增加诊断置信度，改善监测性能，充分利用传感器资源。
信息融合技术对多源信息加以自动分析和综合以获得比单源信息更为可靠结论。信息融合按照融合时信息的抽象层次可分为数据层融合、特征层融合和决策层融合。目前,基于信息融合的故障诊断方法主要是决策层融合方法和特征层融合方法。决策层融合诊断方法是对不同传感器数据得到的故障诊断结果或者相同数据经过不同方法得到的故障诊断结果利用决策层融合算法进行融合,从而获得一致的更加准确的结论。基于DS证据理论(Dempster-Shaferevidencetheory)融合的方法是决策层融合故障诊断中研究最多的一类。特征层融合诊断方法主要是利用神经网络或支持向量机将多个故障特征进行融合,得到融合后的故障特征用于诊断或者直接输出故障诊断结果。故障特征既可以是从多个传感器数据中得到的,也可以是从相同数据中抽象出来的不同特征。
基于信息融合的故障诊断方法利用了多个传感器的互补和冗余信息,但是,如何保证这些信息能够被有效利用,以达到提高故障诊断的准确性及减少虚报和漏报的目标还有待进一步的研究。
多元统计方法基于多元统计分析的故障诊断方法是利用过程多个变量之间的相关性对过程进行故障诊断。这类方法根据过程变量历史数据,利用多元投影方法将多变量样本空间分解成由主元变量张成的较低维的投影子空间和一个相应的残差子空间,并分别在这两个空间中构造能够反映空间变化的统计量,然后将观测向量分别向两个子空间进行投影,并计算相应统计量指标用于过程监控。
基于多元统计分析的故障诊断方法不需要对系统的结构和原理有深入的了解,完全基于系统运行过程中传感器的测量数据,而且算法简单,易于实现。但是,这类方法诊断出来的故障物理意义不明确,难于解释,并且由于实际系统的复杂性,这类方法中还有许多问题有待进一步的研究,比如过程变量之间非线性,以及过程的动态性和时变性等。
主元分析偏最小二乘独立主元分析基于机器学习的故障诊断技术机器学习类故障诊断方法的基本思路是利用系统在正常和各种故障情况下的历史数据训练神经网络(Neuralnetwork)或者支持向量机(Supportvectormachine)等机器学习算法用于故障诊断。
神经网络在故障诊断中神经网络主要用来对提取出来的故障特征进行分类。
支持向量机基于机器学习的故障诊断方法以故障诊断正确率为学习目标,并且适用范围广。但是机器学习算法需要过程故障情况下的样本数据,且精度与样本的完备性和代表性有很大关系,因此难以用于那些无法获得大量故障数据的工业过程。