故障診斷技術(shù)的國內(nèi)外發(fā)展現(xiàn)狀

1、故障診斷技術(shù)的國內(nèi)外發(fā)展現(xiàn)狀國際上，故障檢測與診斷技術(shù)(Fault Detection and Diagnosis, FDD)的發(fā) 展直接促成了 IFAC技術(shù)過程的故障診斷與安全性技術(shù)委員會的成立(1993)。 從1991年起，IFAC每三年定期召開FDD方面的國際專題學(xué)術(shù)會議。在我國， 自動(dòng)化學(xué)會也于1997年批準(zhǔn)成立中國自動(dòng)化學(xué)會技術(shù)過程的故障診斷與安全性 專業(yè)委員會，并于1999年5月在清華大學(xué)召開了首屆全國技術(shù)過程的故障診斷 與安全性學(xué)術(shù)會議o故障診斷是一門涉及信號處理、模式識別、人工智能、統(tǒng)計(jì)學(xué)、計(jì)算機(jī)科學(xué) 等多個(gè)學(xué)科的綜合性技術(shù)5 o 20世紀(jì)60年代初期，美國、日本和歐洲的一些發(fā)

2、 達(dá)國家相繼開展了設(shè)備診斷技術(shù)的研究，主要應(yīng)用于航天、核電、電力系統(tǒng)等尖端工業(yè)部門，自20世紀(jì)80年代以后逐漸擴(kuò)展到冶金、化工、船舶、鐵路等許多 領(lǐng)域。近年來故障診斷技術(shù)得到了迅速發(fā)展，概括地講可以分為3類：基于信號處理的方法、基于解析模型的方法和基于知識的智能故障診斷方法。(1) 基于信號處理的方法基于信號處理的方法，通常是利用信號模型(如相關(guān)函數(shù)、頻譜、小波變換 等)直接分析可測信號，提取諸如方差、幅值、頻率等特征值，以此為依據(jù)進(jìn)行 故障診斷?；谛盘柼幚淼姆椒ㄖ饕懈盗⑷~變換6, 2小波變換8,印、主元分析 10、Hilbert-Hua ng 變換11等。文獻(xiàn)12提出利用諧波小波對長輸管

3、的小泄漏診斷問題，取得了較好的應(yīng)用 效果；文獻(xiàn)13提出了一種針對機(jī)車故障振動(dòng)信號的局域均值分解(LMD )解調(diào) 診斷方法；文獻(xiàn)14提出了一種基于時(shí)頻指標(biāo)的自適應(yīng)移頻變尺度隨機(jī)共振算法 用于軸承的故障診斷；文獻(xiàn)15利用形態(tài)學(xué)的消噪特性對信號進(jìn)行消噪，之后利 用小波對故障進(jìn)行定位，在傳感器故障診斷方面取得了較好的應(yīng)用效果。(2) 基于解析模型的方法基于解析模型的方法是以診斷對象的數(shù)學(xué)模型為基礎(chǔ)，按照一定的數(shù)學(xué)方法 對被測信息進(jìn)行診斷處理，其優(yōu)點(diǎn)是能深入系統(tǒng)本質(zhì)的動(dòng)態(tài)性質(zhì)和實(shí)現(xiàn)實(shí)時(shí)診 斷。主要有狀態(tài)估計(jì)法16, 17和參數(shù)估計(jì)法18等等。文獻(xiàn)19利用滑模觀測器對魯棒故障進(jìn)行診斷； 文獻(xiàn)20利用YJB

4、K參數(shù)化方 法對動(dòng)態(tài)系統(tǒng)的參變量故障進(jìn)行診斷；文獻(xiàn)21提出利用滑模狀態(tài)觀測器進(jìn)行自 行高炮穩(wěn)定跟蹤系統(tǒng)的異常檢測。文獻(xiàn)22將基于解析模型的方法和信號處理的 方法進(jìn)行了結(jié)合用于連續(xù)和離散動(dòng)態(tài)混合的系統(tǒng)故障診斷當(dāng)中。由于通常很難獲得被測對象(特別是復(fù)雜武器裝備)的精確數(shù)學(xué)模型，從而 大大限制了基于解析模型的故障診斷方法的應(yīng)用。(3) 基于知識的智能方法20世紀(jì)80年代后期，隨著人工智能和計(jì)算機(jī)技術(shù)的飛速發(fā)展，產(chǎn)生了基于 知識的智能故障診斷方法，并成為故障診斷研究的主流和發(fā)展方向。 故障診斷系 統(tǒng)的智能主要體現(xiàn)在它能有效地獲取、傳遞、處理、再生和利用診斷信息，具有 對給定環(huán)境下的診斷對象進(jìn)行正確的狀

5、態(tài)識別、診斷和預(yù)測的能力。智能故障診斷方法主要包括：(1) 基于專家系統(tǒng)的診斷方法23。專家系統(tǒng)(Expert System, ES)是一個(gè)具有專門知識與經(jīng)驗(yàn)的程序系統(tǒng)，通常由知識庫(Knowledge Base)、推理機(jī)(Inference En gi n、人機(jī)接口( Man-Machi ne In terface)等部分組成，是當(dāng)前研 究最多、應(yīng)用最廣的一類智能診斷技術(shù)。專家系統(tǒng)的優(yōu)點(diǎn)有：可以用類自然語言 方式來表達(dá)無法用數(shù)學(xué)模型表達(dá)的專家知識；能在特定領(lǐng)域內(nèi)模仿專家工作，處理非常復(fù)雜的情況；在已知其基本規(guī)則的情況下，無需大量細(xì)節(jié)數(shù)據(jù)即可運(yùn)行； 能對系統(tǒng)的結(jié)論做出解釋。專家系統(tǒng)擅長邏輯推理

6、和符號信息處理，適用于復(fù)雜 系統(tǒng)的故障診斷。然而專家系統(tǒng)自身的一些缺點(diǎn)限制了它的廣泛應(yīng)用，如知識獲取的瓶頸問題。文獻(xiàn)24對車站控制信號的故障診斷專家系統(tǒng)的研制與實(shí)現(xiàn)進(jìn)行 了較詳細(xì)的探討；文獻(xiàn)25針對水壓試驗(yàn)機(jī)的故障診斷問題提出了基于減聚類和 人機(jī)交互的方法進(jìn)行知識獲取，以解決專家系統(tǒng)知識獲取的瓶頸問題。(2) 基于神經(jīng)網(wǎng)絡(luò)的診斷方法。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network ，ANN、具有大規(guī)模并行分布處理、聯(lián)想記憶、自組織學(xué)習(xí)、魯棒性和容錯(cuò)性等 優(yōu)良特性，對于非確定性的知識具有極強(qiáng)的處理能力，能夠解決許多傳統(tǒng)方法所無法解決的問題。然而，ANN的一些缺點(diǎn)限制了它的一些應(yīng)

7、用，如網(wǎng)絡(luò)結(jié)構(gòu)難 以確定、局部極小點(diǎn)等問題。文獻(xiàn)26聯(lián)合多個(gè)神經(jīng)網(wǎng)絡(luò)用于故障診斷，能夠較 好的緩解ANN的缺點(diǎn)；文獻(xiàn)27首先利用LDB算法進(jìn)行特征提取，之后利用 SOM網(wǎng)絡(luò)將特征映射到高維空間，最后利用 BP網(wǎng)絡(luò)進(jìn)行故障分類。(3) 基于模糊理論的診斷方法28?；谀：碚摰脑\斷方法不需要建立精確的數(shù)學(xué)模型，適當(dāng)?shù)剡\(yùn)用隸屬函數(shù)和模糊規(guī)則，進(jìn)行模糊推理就可以實(shí)現(xiàn)模糊 診斷的智能化。然而對復(fù)雜的診斷系統(tǒng)，要建立正確的模糊規(guī)則和隸屬函數(shù)是非 常困難的，而且需要花費(fèi)很長的時(shí)間。對于更大的模糊規(guī)則和隸屬函數(shù)集合而言， 難以找到規(guī)則與規(guī)則之間的關(guān)系，也就是說規(guī)則有“組合爆炸”現(xiàn)象發(fā)生。另外 由于系統(tǒng)的復(fù)雜性、耦合性，由時(shí)域、頻域特征空間至故障模式特征空間的映射 關(guān)系往往存在較強(qiáng)的非線性，這時(shí)隸屬函數(shù)形狀不規(guī)則，只能利用規(guī)則形狀的隸 屬函數(shù)來加以處理，從而使得非線性系統(tǒng)的診斷結(jié)果不理想。文獻(xiàn)29總結(jié)了模糊理論故障診斷的框架。文獻(xiàn)30針對故障診斷中只有確認(rèn)故障而不進(jìn)行故障否 認(rèn)，從而將Type-2模糊理論進(jìn)行了改進(jìn)并用于故障診斷當(dāng)中。另外，還有很多其它的智能診斷方法