故障诊断技术发展现状

安全检测与故障诊断 题目：故障诊断技术发展现状 导师：魏秀琨 学生姓名：刘典 学号：14114263 目录目录 1 引言 3 2 故障诊断的研究现状.3 1.1基于物理和化学分析的诊断方法3 1.2基于信号处理的诊断方法对3 1.3基于模型的诊断方法3 1.4基于人工智能的诊断方法4 2故障诊断研究存在的问题.6 2.1故障分辨率不高7 2.2信息来源不充分7 2.3自动获取知识能力差7 2.4知识结合能力差7 2.5对不确定知识的处理能力差7 3发展方向. 8 3.1多源信息的融合8 3.2经验知识与原理知识紧密结合8 3.3混合智能故障诊断技术研究9 3.4基于物联网的远程协作诊断技术研究9 4发展方向. 9 1 引言 故障可以定义为系统至少有一个特性或参数偏离正常的范围，难于完成系 统预期功能的行为。故障诊断技术是一种通过监测设备的状态参数，发现设备的 异常情况，分析设备的故障原因，并预测预报设备未来状态的技术，其宗旨是运 用当代一切科技的新成就发现设备的隐患， 以达到对设备事故防患于未然的目的， 是控制领域的一个热点研究方向。它包括故障检测、故障分离和故障辨识。故障 诊断能够定位故障并判断故障的类型及发生时刻， 进一步分析后可确定故障的程 度。故障检测与诊断技术涉及多个学科，包括信号处理、模式识别、人工智能、 神经网络、计算机工程、现代控制理论和模糊数学等，并应用了多种新的理论和 算法。 2 故障诊断的研究现状 1.11.1基于物理和化学分析的诊断方法基于物理和化学分析的诊断方法 通过观察故障设备运行过程中的物理、 化学状态来进行故障诊断，分析其声、光、气味 及温度的变化，再与正常状态进行比较， 凭借经验来判断设备是否故障。 如对柴油机常见的 诊断方法有油液分析法，运用铁谱、光谱等分析方法，分析油液中金属磨粒的大小、组成及 含量来判断发动机磨损情况。对柴油机排出的尾气 (包含有 NOX，COX 等气体) 进行化学 成分分析，即可判断出柴油机的工作状态。 1.21.2基于信号处理的诊断方法对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、频域以及峰值等指标。 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。 1.31.3基于模型的诊断方法基于模型的诊断方法 基于模型的诊断方法， 是在建立诊断对象数学模型的基础上， 根据模型获得的预测形态 和所测量的形态之间的差异， 计算出最小冲突集即为诊断系统的最小诊断。 其中，最小诊断 就是关于故障元件的假设， 基于模型的诊断方法具有不依赖于被诊断系统的诊断实例和经验。 将系统的模型和实际系统冗余运行， 通过对比产生残差信号， 可有效的剔除控制信号对系统 的影响，通过对残差信号的分析，就可以诊断系统运行过程中出现的故障。 它具有以下优点： (1) 可以直接借用控制系统的设计模型而无须另行建模； (2) 可以检测首次出现的故障而无须依赖系统运行的先前状况； (3) 不但可以检测系统及元件故障，还可以检测传感器中出现的故障。 1.41.4基于人工智能的诊断方法基于人工智能的诊断方法 近年来， 人工智能及计算机技术的迅猛发展为故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。 1.4.1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，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) 采用神经网络产生或评价残差，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。 1.4.2基于粗糙集的诊断方法 粗糙集理论是 Pawlak 教授于 1982 年提出的一种刻画不完整性和不确定性的数学工具， 能有效地分析和处理不精确、不一致及不完整等各种不完备信息，并从中发现隐含的知识， 揭示潜在的规律。 它最主要的优点是无需提供所需处理的数据集合之外的任何先验信息， 对 问题不确定性的描述和处理比较客观。 基于粗糙集的故障诊断基本思想是把观察或测量到的 故障征兆，作为对故障分类的条件属性，实际存在的故障作为决策属性，建立决策表， 利用 RS 理论强大的约简能力对原始决策表进行化简而得到多个与原始决策表等价的约简，然后 对约简进一步化简，化简决策表删除多余的属性后就可以得到故障诊断规则。单一RS 理论 要求采集的信息是准确完整的。 但实际上得到的采集信息不可能永远是完备的， 它会遇到噪 声、数据丢失及海量数据等问题，且传统 RS 不适合处理连续属性，因而实际应用过程中， RS 通常与其他智能技术融合起来使用。 1.4.3遗传算法 20 世纪 60 年代中期，美国学者 John Holland 在 Fraser 等人提出了位串编码技术， 并将该技术应用于自然和人工系统的自适应行为的研究。 于 1975 年出版了专著 《Adaptation in Natural and Artificial Systems》 ，系统阐述了遗传算法的基本理论和方法。该算法以随机产 生的一群候选解为初始群体， 对群体中的每一个体进行编码， 以字符串形式表示，然后根据 对个体的适应度随机选择双亲， 并对个体的编码进行繁殖、 杂交和变异等操作，产生新的个 体，组成新的种群， 如此不断重复进行，使问题的解逐步向最优方向进化，直到得出在全局 范围内具有较好适应值的解。它具有很强的全局优化搜索能力，和简单通用、鲁棒性强、隐 并行处理结构等显著优点。 将其应用于故障诊断中的专家系统推理和自学中， 可克服专家系 统存在的推理速度慢和先验知识很少的情况下知识获取困难的障碍，具有广阔的应用前景。 另外，基于遗传算法的故障诊断在实际系统中也得到了应用， 如变压器的故障诊断、