故障诊断方法.

故障诊断方法许美蓉2016-6-20故障诊断方法的分类•故障诊断方法分为：（1）基于解析模型的方法（2）基于知识的方法（3）基于信号处理的方法故障诊断方法分类基于信号处理的方法•基于信号处理的方法：通常是利用信号模型，如相关函数、频谱、自回归滑动平均、小波变换等，直接分析可测信号，提取诸如方差、幅值、频率等特征值，从而检测出故障。基于解析模型的方法•是在明了诊断对象数学模型的基础上，按一定的数学方法对被测信息进行处理诊断，它可分为状态估计法、等价空间法和参数估计法。基于知识的故障诊断方法•专家系统故障诊断方法•模糊故障诊断方法•故障树故障诊断方法•神经网络故障诊断方法•数据融合故障诊断方法专家系统故障诊断方法•数据库：对于在线监视或诊断系统，数据库的内容是实时监测到的工作数据；对于离线诊断，可以是故障时检测数据的保存，也可以是人为检测的一些特征数据。即存放推理过程中所需要和产生的各种信息•知识库：存放的知识可以是系统的工作环境，系统知识（反映系统的工作机理及结构知识）；规则库则存放一组组规则，反映系统的因果关系，用来故障推理。知识库是专家领域知识的集合。•人机接口：人与专家系统打交道的桥梁和窗口，是人机信息的交接点。•推理机：根据获取的信息综合运用各种规则进行故障诊断，输出诊断结果。是专家系统的组织控制结构。专家系统故障诊断局限性•依赖于专家的领域知识获取，而知识获取被公认为专家系统研究开发中的瓶颈问题。•另外，在自适应学习，学习能力及实时性方面也都存在不同程度的局限。模糊故障诊断方法•建立故障与征兆之间的模糊关系矩阵R，也叫隶属度矩阵。矩阵中的每个元素的大小表明了它们之间的相互关系的密切程度。•式中：表示可能发生故障的集合，n为故障总数；表示由上面这些故障所引起的各种特征元素（征兆）的集合，m为各种特征元素（征兆）总数。•测试待诊断对象待检状态的特征参数，提取特征参数向量矩阵X。•求解关系矩阵方程Y=XR，得到待检状态的故障向量Y，再根据一定的判断原则，如最大隶属度原则，阙值原则或择近原则等，得到诊断结果。模糊故障诊断的特点及局限性•构造隶属函数是实现模糊故障的前提，但是由于隶属函数是人为构造的，含有一定的主观因素；另外，对特征元素的选择也有一定的要求，如果选择不合理，诊断精度会下降，甚至诊断失败。故障树故障诊断方法•故障树模型是一个基于被诊断对象结构、功能特征的行为模型，是一种定性的因果模型，以系统最不希望事件为顶事件，以可能导致顶事件发生的其他事件为中间事件和底事件，并用逻辑门表示事件之间联系的一种倒树状结构。它反映了特征向量与故障向量之间的全部逻辑关系。•图3中顶事件：系统故障，由部件A或者B触发，而A的故障又是由两个元件1，2中的一个失效引起，部件B的故障是在两个元件3，4同时失效时发生的。故障树诊断法步骤•选择合理的顶事件。•建造正确合理的故障树。•故障搜寻与诊断，分为逻辑推理诊断法和最小割集诊断法。（1）逻辑推理诊断法：从上而下的测试方法，从故障数顶事件开始，先测试最初的中间事件，根据中间事件测试结果判断测试下一级中间事件，直到测试底事件，搜寻到故障原因及部位。（2）最小割集诊断法：所谓割集是指故障树的一些底事件集合，当这些底事件同时发生时，顶事件必发生；而最小割集是指割集中所含事件出去任何一个时，就不再成为割集了。一个最小割集代表系统的一种故障模式。故障诊断时，可逐个测试最小割集，从而搜寻故障源，进行故障诊断。故障树诊断的局限性•故障树法的局限性在于对建造正确合理的故障树的依赖。如果一旦故障树建立不全面或不正确，则此诊断方法将失去作用。神经网络故障诊断法神经网络故障诊断过程•学习过程：是在一定的标准模式样本的基础上，依据某一分类规则来设计神经网络分类器，并用标准模式训练。•诊断过程：是将未知模式与训练的分类器进行比较来诊断未知模式的故障类别。预处理和特征提取•学习和诊断两个过程都包括了预处理和特征提取。•预处理：通过删除原始数据中的无用信息得到另一类故障模式，由样本空间映射成数据空间，再通过某种变换使其有利于故障诊断。•特征提取：对要诊断的对象从获得的数据来看，一般可看作一组时间序列。通过对该时间序列的分段采样，可以将输入数据映射成样本空间的点。这些数据可能包含故障的类型、程度和位置等信息。但从样本空间看，这些特征信息的分布是变化的，因此，一般不能直接用于分类。需经合适的变化来提取有效地故障特征。常用方法包括：傅里叶变换、小波变换、分形维数等。•网络分类器：常用于故障诊断分类的神经网络有：BP网络、双向联想记忆（BAM）网络、自适应共振理论（ART）、B样条网络等。神经网络与其他故障诊断方法的结合•与专家系统相结合•模糊神经网络故障诊断系统和神经网络数据融合故障诊断系统神经网络故障诊断的局限性•训练样本获取困难•忽视了领域专家的经验知识•网络权值形式表达方式难以理解数据融合故障诊断法•数据融合就是利用计算机对来自多传感器的信息按一定的准则加以自动分析和综合的数据处理过程，以完成所需要的决策和判定。•数据融合应用于故障诊断的起因有三个方面：一是多传感器形成了不同通道的信号；二是同一信号形成了不同的特征信息；三是不同诊断途径得出了有偏差的诊断结论。•方法主要有：Bayes推理、D-s证据推理及神经网络数据融合等。贝叶斯定理法•先验概率假设：设备运行过程是一个随机过程，各类故障出现的概率一般是可以估计的。这种根据经验知识对故障所作出的概率估计称为先验概率。记为表示正常工作的概率。对一故障样本X（由多传感器对被诊断对象测试而得），，表示输入模式为i类故障的条件概率密度函数，其中•后验概率计算：根据贝叶斯公式有：式中：•：•为输入模式样本：称为已知样本条件下•出现的概率。称为后验概率。•故障判定：根据极大后验概率判定逻辑时•即X属于故障模式D-s证据推理数据融合故障诊断•在设备故障诊断中若干可能的故障产生一些症状，每个症状下各故障都可能有一定的发生概率，D-s证据理论中，用信度函数表达概率大小，通过多传感器测试被诊断对象，得出每一传感器在某症状下属于各类故障的信度函数，然后利用D-S组合规则进行信息融合，得到融合后症状分别属于各类故障的信度函数，最后根据一定的判定准则确定故障类型。故障融合的方法•各传感器信度函数确定•它是通过测试被诊断对象的症状参数，通过一定的数据变换（如小波变换、概率统计、隶属函数等），得到各传感器测得症状属于各类故障的信度函数，•信度函数表示传感器j测得的属于故障的信度函数，为不确定信度函数。•D-S组合规则对两个独立可信度函数m1和m2，存在于一个公共的辨识框架，再假设可以将划分为分别运用与两个可信度函数的不同子集和•。D-S组合为：•在故障诊断中是故障样本集：m(A)为融合故障信度函数。•故障判定原则：一是信度函数值最大原则；而是信度函数值阙值原则；三是最大最小信度函数之差阙值原则；四是不确定性信度函数最小阀值原则。神经网络数据融合故障诊断方法•通过多传感器测试被诊断对象，求出每一传感器在某症状下对故障集中各类故障的隶属度值，将所有传感器的故障隶属度值矢量作为神经网络的输入，网络输出即为融合后该症状属于各类故障的隶属度值矢量，最后利用基于规则的判定原则进行故障决策。神经网络数据融合故障诊断方法•各传感器故障隶属度值确立：•通过传感器测试带诊断对象的症状参数，经过一定的变换处理，得到各传感器所测症状属于各类故障的隶属度值。，•表示传感器j测得症状属于故障的隶属度值；n为故障的类型总数。•神经网络融合：•先用标准样本对神经网络进行训练，其样本由实验测定，然后将各传感器的故障隶属度矢量作为训练后网络的输入，输出即为融合后的故障隶属度矢量。•故障决策：•类似于D-S融合诊断的判定原则。数据融合局限性•贝叶斯方法中先验概率难以确定•D-S证据理论中故障信度函数的确定也存在人为因素•神经网络数据融合，不仅存在故障隶属度值确定的困难，而且存在训练样本难以获取的问题。