故障诊断技术的发展和研究现状
故障诊断技术的发展史全球机械工业飞速发展，各种高科技技术如雨后春笋般出现，企业的各种生产活动也越来越趋向于大型机械化。虽然机械化为生产带来了便利，但是，各种机械出现的故障也是层出不穷，并且变得愈加复杂和麻烦。比如一台大型机械，它可能出现故障的地方和故障的类型是我们无法预料的，同时，它的相同地方出现的故障在不同时间不同环境下的表现也可能不同。对于这些故障，如若没有丰富的经验的话，很难找到相应的错误，更别说要解决问题了。为此，设备故障诊断也在快速的发展着，同时还越来越复杂和困难。64609
故障诊断最开始来源于设备故障诊断，它包含两方面的内容：即对设备运行状态的监测和发现异常情况后对设备故障进行的分析、诊断、排除操作。设备故障诊断是随着设备管理和设备维修发展起来的。故障诊断总体上可以分为四个阶段[3]：
（1）原始诊断阶段
19世纪末至20世纪初，是故障诊断的萌芽阶段，各个领域的专家都只靠亲临现场去获取设备的状态信息，并根据自己的经验作出直接判断。这种方法简单而直接，因此在一些简单设备的故障诊断中显得经济实用。
（2）基于材料寿命分析的诊断阶段
20世纪初至1960年代，可靠度理论的发展和应用使得人们能够利用对材料寿命的分析与估计，以及对设备材料性能的部分检测，来估测设备的可能故障和使用情况以完成诊断任务。
（3）基于传感器与电脑技术的诊断阶段
该阶段始于1960年代中期，这期间，由于传感器技术的发展，各种诊断系统与数据的测试都变得更加的容易；另外再加上电脑的使用，这些都弥补了人们在数据处理上的低效率与困难。
（4）智能型的诊断阶段
人工智能技术的发展，特别是专家系统在故障诊断领域中的应用，进一步推动了故障诊断技术的发展。智能型的故障诊断是将原来以数值计算与信号处理为核心的诊断过程，用以知识处理和知识推理为核心的诊断过程所代替的诊断技术。目前已有不少成功的该类型系统，智能型诊断已成为当前诊断技术发展的新方向。
概括而言，故障诊断技术从最初的简单的现场鉴定到现在的人工智能检测，经历了一个艰辛的过程。同时也融合了更多的高科技技术，这不仅推动了故障诊断技术的发展，也促进了各种信息和技术的融合。
2 故障诊断技术的研究现状
近代故障诊断技术已有三十几年的发展历史，它作为一门综合性的学科，在这个科技飞速发展的年代，也有了飞跃性的发展。从不同的角度来看，故障诊断有着不同的分类方法，但总的说来，故障诊断方法可以分为两大类：基于数学模型的故障诊断方法和基于人工智能的故障诊断方法。
最初的故障诊断技术主要是依靠数学模型进行人工估算而进行设备的故障诊断，这些一般是基于设备的输入输出与信号处理、状态估算和过程参数估算的方法。最近几年发展起来的智能型诊断系统则是基于电脑和网络来实现的。基于人工智能的故障诊断主要包括七种诊断方法，其中基于浅知识的方法、基于深知识的方法和基于深浅知识的混合方法都属于专家系统的方法[3]。基于专家系统的诊断方法是故障诊断领域中最为引人注目的发展方向之一，也是研究最多、应用最为广泛的一种智能型诊断技术。其他几种诊断方法分别是：基于案例的方法、基于类神经网络的方法、基于模糊数学的方法和基于故障树的方法。
我国的机械故障诊断技术在理论研究的方面一直紧跟国外发展的脚步，但是，在实践应用上离国外还有着一定的差距。在我国，故障诊断的研究与生产的实际联系不怎么紧密，进行研究的人员一般都在做着自己的研究，非常缺乏现场故障诊断的经验，这就使得他们的研究情况与实际应用相差很远。研究往往是从高等院校或科研部门开始，然后到个别的企业。在国外，故障诊断的研究则往往是从现场发现问题，进而反映到高等院校或者科研单位。论文肉故障诊断技术的发展和研究现状:http://www.youerw.com/yanjiu/lunwen_71888.html
轴承故障诊断领域的论文到底有多水
0.引言开始读研时，想象着自己能够发几篇中文核心甚至于SCI。那个时候对发论文的难度一概不知，而且相关论文是真的看不懂，中文英文的都是。用哪个框架？哪个数据集？什么方法？哪个模型？都是一团浆糊，等把这些理清楚，再等第一篇中文核心终于录用了，才印证了一些自己的初步想法。随着学习的深入，回过头来再读以前的一些论文，一个结论已经呼之欲出，那就是这个领域真的很水。
由于自己没有足够大的学术交流圈子，为了尽量避免误判，我在原来13篇论文的基础上又读了18篇，这些论文至少都出自中文核心，有一些还有EI的title，事实上近几年能找到的文章也不算多，这些基本能说明问题了。
1.几种典型的“水文”特征一是只做单工况测试这31篇论文基本都有用到西储大学数据集，因此相对好比较。我前面的文章已经验证过，在这个数据集上，要想在单工况下达到100%的准确率其实非常容易，基本上也就是一个课后作业的程度。刚入门会觉得太夸张了，这还怎么创新，怎么提高性能？你以为大家会在更严苛的条件下去增加难度，挑战方法或者模型的极限能力吗？事实上是，绝大部分人还在单工况下折腾。这31篇里，只有6篇做了多工况测试，2篇做了噪声测试。绝大部分还在比较99.6%更好还是99.8%更好的问题。
二是关键信息缺失这个是最让人困惑的，就好像你说自己证明了某个方法更好，但是你却没有交代自己怎么做的，或者说你交代的过程有外行话或者逻辑上的缺陷，但是你就这么给出个结果完事了。最突出的是大部分论文都不好好交代训练集、验证集和测试集的构成。凡是做过模型训练的都知道这个构成比例对于结
智能故障诊断方法总结
1.故障诊断方法可分为三个步骤：信号处理、特征提取、模式分类。
2.信号处理方法通常包括：时域处理（提取振动信号的相关指标）；频域处理（包络谱分析，频谱分析）；时频域分析（小波分析，傅里叶变换）
3.故障诊断方法：专家系统故障诊断法，模糊故障诊断、灰色关联度故障诊断、神经网络故障诊断、数据融合故障诊断。
4.智能故障诊断与预测的发展趋势预测：
4.1.分布式人工智能
分布式人工智能的出现更多是为了解决大规模诊断与预测系统的需求。它通过协调各个子系统并行地，相互协作地进行问题求解。但是这一般是由老师申请国家基金时候用到的话题，这方面论文不太好做。
4.2多种方法的融合
例如：模糊方法与神经网络的结合，专家系统与神经网络的结合。
4.3.新的数学工具与智能算法
例如：针对高维数据给神经网络带来的结构复杂，训练速度慢，收敛速度慢，将粗糙集引入神经网络。此外，经验模式分解，混沌与分形，支持向量机，粒子群、遗传等优化算法，都会在故障诊断领域有不断的应用于创新。
故障诊断技术国内外研究现状综述
国内外的研究历史故障诊断技术诞自生于美国，始于（机械）设备故障诊断，故障诊断(FD)始于(机械)设备故障诊断，其全名是状态监测与故障诊断(CMFD)[2]。
故障诊断是根据系统运行状态信息，查找故障源，并进行相应决策的一门综合性的新兴学科[3]。从故障诊断技术问世以来，学术界便认为此发现对于世界设备故障诊断发展具有和重大的意义，需要着重研究。自上世纪70年代初起，以软件为主导的故障检测及故障诊断技术在美国开始广泛研究，在此基础上，随着微电子技术、传感技术、计算机技术等的深入研究和推广，使铁路设备故障诊断技术更加完善。例如美国德克萨斯州在三家大发电厂七台汽轮机组上实现了属于人工智能的检测和故障诊断[4]。美国、日本、英国都将故障诊断系统大范围投入生产以及运输上使得故障诊断技术越来越成熟。69873
我国虽然在本技术的发展上起步较晚，大概始于70年代末，但我国努力向外国学习，不断吸收欧美登过的先进技术。
在现今世界上，我国正在奋起直追，虽然可能起点比较低，但是我国在借鉴世界的先进技术方面，可以立足于前人的研究结果，帮助中国在此方面快速的学习和进步，近年中国的故障技术研究成果让我们觉得，我国在故障诊断技术方面正在快速的进步着，这样的现象还是可喜可贺的，我国必须要不断的努力、进步，成为世界的技术强国，在故障诊断方面成为翘楚。
以下内容介绍了中国的故障诊断技术的前进步伐。论文网
（1）1979年前
中国的一些先进的院校及科研单位联合起来对设备故障诊断技术进行教学与研究进行结合探讨[5]，开始对机械设备状态监测技术和故障诊断技术进行小范围涉猎并进行分析探讨和研究[6]。
（2）1979-1983年
中国有关设备故障研究的企业开始逐渐引进和进一步研究、开发故障诊断技术，进行下一步的研究。
（3）1983年
原国家经委和有关部门经过对当前故障诊断研究情况的分析后，决定将对设备故障诊断工作的开展并入《国营工业交通设备管理实行条例》中。与此同时，中国机械工程学会的设备维修协会在南京召开了首次设备诊断技术的专题座谈会[7]。
（4）1985年
国内研究机械设备检测和故障诊断技术方面的专业研究人员，在中国第一次建立了以“机械设备故障诊断”命名的研究会[8]。同时召开了“中国机械设备诊断技术学会第一次会暨国际学术讨论会”[9]。
（5）1986年
中国在诊断技术研究进程上取得了理想的进步，大型的专家会议和研究者经验相互传授次数越来越多，国际上的专业人才也开始与我国的专业性人才进行经验交流。
2课题研究发展趋势
现今，我国虽说在铁路信号设备故障系统方面已经有了很大进展，但是仍旧与世界在此方面明显有很大的差距。从历史上就可以知道，在中国第一条营运式铁路是由英国建造的淞沪铁路，中国在高速铁路方面落后了世界先进技术很多，中国在高速铁路上的发展，借鉴多于自己研究，对于故障诊断，我国大多数还是采取人工的方式进行检测，且是计划性的，且应用范围、规模有限。这使得故障在突发时应对能力偏弱，不能达到外国标准，那么我们便需要设计出更好的铁路信号设备故障诊断系统来达到这个标准，而且很多设备自己都是没有深度的研究就已经用在了实际运输中，这导致了当设备发生故障时，处理故障解决故障没有一个完备的、快速的解决模式，我国很多诊断技术也都是引用了外国的先进技术，现今的铁路安全系统也有以下需要改进的方面。故障诊断技术国内外研究现状综述:http://www.youerw.com/yanjiu/lunwen_78928.html
人工智能在机械故障诊断中的应用方向
且看以下的人工智能在机械故障诊断中的应用方向便知了！
[[342398]]一、人工智能在机械故障诊断中的应用方向所谓机械故障诊断,就是通过机械运行中的相关信息来识别其技术状态是否正常,确定故障的性质与部位,寻找故障起因,预报故障趋势,并提出相应对策;它以故障机理和技术检测为基础,以信号处理和模式识别为其基本理论与方法。一般的机械系统故障诊断系统从物理上划分为机械测量、监视与保护、数据采集、振动状态分析、网络数据传输五个部分;从功能上,机械系统状态监测与故障诊断系统又可分成数据采集、状态监测、故障诊断三个部分。随着现代工业设备和系统日益大型化和复杂化,机械故障诊断设备的可靠性、可用性、可维修性与安全性的问题日益突出,从而促进了人们对机械故障诊断机理及机械故障诊断技术的研究。并且随着计算机技术及数字信号处理技术的迅速发展,机械设备振动监测与机械故障诊断技术被广泛应用于电力、石油化工、冶金等行业的大型、高速旋转机械中。目前这种技术己成为设备现代化管理和提高企业综合效益的技术基础。国内外实践表明,以振动监测与机械故障诊断技术为基础的设备预知维修能节省大量的维修费用,取得显著的经济效益,而且还能保证设备的安全运行,预防和减少恶性事故的发生,消除故障隐患,保障人身和设备安全,提高生产率。传统的机械故障诊断方法和理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用,对于多过程、多故障和突发性故障以及复杂庞大、高度自动化的大型设备和系统,例如汽轮发动机组等,就具有较大的局限性。当前,典型的机电一体化产品——数控机床、交流伺服驱动装置等正在向数字化、小型化、高精度等方向发展,为监控带来新的挑战,由于模糊神经网络控制不依赖控制对象和数学模型,具有较强的鲁棒性,是一种非线性的控制方法,在解决此类问题中有很好的优势。而专家系统主要用于复杂的机械系统,能够克服基于模型的机械故障诊断方法对模型的过分依赖性。而人工神经网络对于故障的模式识别具有独特的优点。将人工智能的理论和方法应用于机械故障诊断,发展智能化的机械故障诊断技术,是机械故障诊断的一个新的途径。智能化的机械故障诊断专家系统现已得到广泛的应用,成为机械故障诊断的一个重要方向。二、人工智能在机械故障诊断中的应用方法人工智能在机械故障诊断主要研究用人工的方法和技术来模仿、延伸及扩展人的智能,从而实现机器智能。应用机械故障诊断系统的ai技术传统上可以分为专家系统(es)、人工神经网络(ann)、模糊集理论(fst)三大类。01.专家系统(expertsystem.es)专家系统(expertsystem,简称es)是20世纪60年代初产生的一门实用学科,目前是人工智能技术中较活跃、较成功的领域之一。它是一个由知识库、推理机和人机接口等三个主要部分组成的计算机软件系统,在知识表达方面,利用产生式规则进行知识表达,一方面得有益于现有人工智能语言,另一方面,是它的表达合乎人的心理逻辑,便于进行知识获取,利于人们接受,利用框架进行知识表达得到了越来越多的应用。在诊断推理方面,主要表现在对推理逻辑和推理模型的研究,在人工智能领域,存在着许多推理逻辑,在专家系统中广泛使用模糊推理逻辑降低系统复杂性,在机械故障诊断上能产生很好的效果。其威力在于所拥有的专家知识和运用知识解题的推理机制。由于建立在冯·诺伊曼计算机体系结构之上,专家系统在其发展过程中逐渐暴露出以下问题:知识获取的“瓶颈”、知识“窄台阶”、推理组合爆炸和无穷递归、智能水平低、系统层次少和在线实用性差等。机械故障诊断专家系统的研究与开发机械故障诊断专家系统的出现与逐渐成熟是机械故障诊断领域最显著的成就之一。因为人类关于机械故障诊断与维修的科一学知识往往落后于专家的实践和经验知识,从而为专家系统提供了广阔的应用前景。02.人工神经网络(artificialneuralnetwork.ann)人工神经网络简称神经网络,它是由大量简单的处理单元(称为神经元)广泛相互连接而形成的复杂网络,是对生物神经系统的模拟,其信息处理功能是由网络的单元的输入输出特性(激活特性)、网络的拓扑结构(神经元的连接方式)所决定。为了使系统具有良好的透明性,在神经网络的推理中引用了模糊规则,为人工神经网络建立良好的解释机制提供了方便。由于神经网络具有原则上容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行和处理复杂模式的功能,使其在工程实际存在着大量的多故障、多过程、突发性故障、庞大复杂机器和系统的监测及诊断中发挥着较大作用。系统故障有层次性、相关性、延时性和不确定性,这就使得机械故障诊断问题变得十分复杂和困难,利用单个子神经网络解决问题需要大量的故障样本、适于诊断多类故障的网络结构难以确定,即使确定,也易陷入局部极小,自适应调整和误差函数的改进、加速收敛;对初始随机权值在量级上进行限定,克服了局部最小问题。在机械故障诊断中的应用方式有:从模式识别角度应用神经网络作为分类器进行机械故障诊断;从预测角度应用神经网络作为动态预测模型进行故障预测;利用神经网络极强的非线性动态跟踪能力进行基于结构映射的机械故障诊断;从知识处理角度建立基于神经网络的诊断专家系统等。目前,为提高神经网络在实用中的学习和诊断性能,主要从神经网络模型本身改进和模块化模型诊断策略两方面开展研究。