安全检测与故障诊断题目：故障诊断技术发展现状导师：***学生姓名：***学号：********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1.1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。

1.2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。

1.3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。

1.4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《Adap tation 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、轴承和齿轮等旋转机械的故障诊断、发动机齿轮箱故障监测和诊断等。

但事物都是一分为二的，遗传算法也不是完美无缺的，如何解决遗传算法群体过小带来的早熟、交叉率及变异率的选择等问题，使之成功应用于故障诊断系统还需要进一步研究。

1.4.4基于故障树的诊断方法故障树模型是一个基于研究对象结构、功能特征的行为模型；是一种定性的因果模型；是一种体现故障传播关系的有向图。

它从诊断对象最不希望发生的事件为顶事件，按照对象的结构和功能关系逐层展开，直到不可分事件(底事件) 为止。

故障树分析法原来用于系统的可靠性设计，现已广泛用于故障诊断领域。

但是，由于故障树是建立在部件联系和故障模式分析的基础之上，因此不能诊断不可知的故障。

故障诊断的结果严重依赖于故障树信息的完整程度。

如果给定的故障树不完全、不详细、不精确，那么对应的诊断也会不完全、不详细、不精确。

1.4.5基于专家系统的诊断方法自1965 年以来，斯坦福大学DENDRAL 专家系统开始，专家系统的研究和应用迅速发展，具有人工智能的柴油机故障诊断专家系统也成为现代柴油机管理的研究方向。

20 世纪70 年代美国通用电器公司研制出基于规则的内燃电缆机车故障诊断系统(DELTA专家系统)，1996 年美国EMD 和Rockwell 公司联合开发的柴油机状态监视系统(ICM) 和诊断专家系统(EMD)。

专家系统利用专家经验，从大量的样本中提取故障特征，描述故障和征兆之间的关系网。

在进行故障诊断时，根据已知事实，采用基于推理机通过故障原因与征兆进行匹配。

专家系统是诊断领域最引人注目，也是研究最多、应用最广的一类智能诊断技术。

它主要应用于没有精确数学模型或者很难建立数学模型的复杂系统。

在实际的运用中，有基于网络的故障诊断专家系统的诊断方法，此方法建立基于网络的智能诊断系统，并讨论在建立此系统时的诊断过程和相关困难。

1.4.6小波分析小波分析法是20 世纪80 年代中期由法国学者Daubeches 和Callet 引入信号处理领域而发展起来的数学理论和方法，它能解决许多傅里叶变换难以解决的问题，被认为是傅里叶分析方法的突破性进展。

其基本思想是用信号在一簇基函数张成空间上的投影表征该信号。

小波分析优于傅里叶之处在于：小波分析在时域和频域同时具有良好的局部化性质，是一种窗口大小(即窗口面积) 固定但其形状、时间窗和频率都可以改变的时频局部化分析方法。

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，能聚焦到信号的任意细节，对信号的突变有很强的识别能力，能有效地去噪和提取有用信号，被誉为分析信号的显微镜，小波分析在信号处理、图像处理、话音分析、模式识别、量子物理、生物医学工程、计算机视觉、故障诊断及众多非线性科学领域都有广泛的应用。

基于小波分析的故障诊断方法是先对信号进行多级小波分解，得到各子带数据，通过对小波变换系数模极大值的检测来实现对信号奇异性的检测，从而确定故障发生的时间。

小波变换在故障诊断中的具体应用表现在以下几个方面：利用小波变换检测信号的突变；利用观测信号频率结构的变化；利用脉冲响应函数的小波变换；利用小波变换去噪提取系统波形特征；利用小波网络。

虽然小波分析在信号处理方面得到了广泛的应用，但总体上说，小波变换理论和小波变换在故障诊断中的应用还处于发展阶段，主要存在以下问题：(1) 由于小波变换及小波网络中的小波基的选择没有统一标准，选择不同的小波会得出不同的结论，在实际应用中往往根据经验来选择小波，带有一定的主观性；(2) 如何根据信号的特征选择尺度、平移量，用最少的变化后的数据反映信号的特征，以减少运算量；如果选择不当，将会增加运算量，降低推理速度，影响效率；(3) 小波网络的新模型基学习算法也是当前研究的热点，近年来有人提出多层结构小波网络和局域连接型的小波网络。