故障诊断方法综述篇1
故障诊断(fd)全名是状态监测与故障诊断(cmfd)。基于解析冗余的故障诊断技术被公认为是这一技术的起源。所谓解析冗余，是指被诊断对象的可测变量之间(如输入与输出间，输出与输出间，输入与输入间)存在的冗余的函数关系，故障诊断在过去的十几年里得到了迅速的 发展 ，一些新的理论和方法，如遗传算法、神经 网络 、小波分析、模糊理论、自适应理论、数据融合等均在这里得到了成功的应用。
1 基于小波分析的故障诊断方法
小波分析是20世纪80年代中期发展起来的新的数学理论和方法，它被认为是傅立叶分析方法的突破性进展。小波分析最初由法国学者daubeches和callet引入信号处理领域，它具有许多优良的特性。小波变换的基本思想类似于fourier变换，就是用信号在一簇基函数张成空间上的投影表征该信号。小波分析优于博立叶之处在于：小波分析在时域和频域同时具有良好的局部化性质。小波分析方法是一种窗口大小(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。因此，小波变换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。
动态系统的故障通常会导致系统的观测信号发生变化。所以我们可以利用连续小波变换检测观测信号的奇异点来检测出系统的故障。其基本原理是利用信号在奇异点附近的lipschitz指数。lipschitz指数时，其连续小波变换的模极大值随尺度的增大而增大；当时，则随尺度的增大而减小。噪声对应的lipschitz指数远小于0，而信号边沿对应的lipschitz指数大于或等于0。因此，可以利用小波变换区分噪声和信号边沿，有效地检测出强噪声背景下的信号边沿(援变或突变)。
2 专家系统故障诊断方法
专家系统故障诊断方法，是指计算机在采集被诊断对象的信息后，综合运用各种规则(专家经验)，进行一系列的推理，必要时还可以随时调用各种应用程序，运行过程中向用户索取必要的信息后，就可快速地找到最终故障或最有可能的故障，再由用户来证实。此种方法国内外已有不少应用。专家系统的故障诊断方法可用图1的结构来说明：它由数据库，知识库，人机接口，推理机等组成。其各部分的功能为：
数据库：对于在线监视或诊断系统，数据库的内容是实时检测到的工作数据；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利，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。
3 基于数据融合的故障诊断方法
数据融合是针对一个系统中使用多个传感器这一问题而展开的一种信息处理的新的研究方向。数据融合将各种途径、任意时间和任意空间上获取的信息做为一个整体进行综合分析处理，为决策及控制奠定基础，产生比单一信息源、单一处理机制更精确、更完全的估计和判决。
故障诊断方法综述篇2
1 往复式压缩机诊断方法研究现状分析
往复式压缩机是一种应用广泛的通用机械设备，在工作过程中经常由于高耗损引发故障的出现，进而难以维持工作的正常进行，对于故障诊断技术的研究一直以来受到国内外学者的广泛关注。在国内，有的学者通过对往复式压缩机缸盖振动信号进行分析，有的通过对缸内气体压力的影响方面进行分析，有的通过对压缩机常规性能参数的监测和控制方面进行研究，力求改变目前操作人员凭经验判断故障的局面；在国外，美国学者曾提出利用气缸内侧的压力信号图像判断气阀故障及活塞杆的磨损，捷克学者对各个不同类型的压缩机通过建立常规数据库，确定评定参数来判断压缩机的工作状态是否正常。然而，虽然引起各大学者的关注和寻求各种解决办法，但是对故障诊断技术到目前为止还没有一套成熟的得到认可的诊断系统来获取有效特征参数。
2 往复式压缩机常见故障及措施
2.1 排气温度过高
排气温度过高主要是由于使用过程中出现冷却情况或是排气阀泄露造成的。
措施：通过降低进口冷却水的温度或是增大冷却水流量，将冷却水温控制在规定范围内，对冷却器进行定期的零件检查与维修；通过测温装置对排气阀进行温度检测，如果过热，则需拆开气阀进行修理，更换气阀弹簧。
2.2 曲轴断裂
曲轴断裂轴颈与曲臂的圆角过渡处。曲轴断裂产生的原因比较多：曲轴过渡圆角太小，热处理时，圆角处理不到位；圆角有局部断面突变，加工不规则；油孔处出现裂缝，油渗入后使裂缝逐渐扩大，造成断裂；长期超负荷运转，减少使用寿命。
措施：适当增大曲轴的过渡圆角，热处理保持均匀；提高曲轴加工质量和精确度；提高曲轴油孔的加工质量；从压缩机使用情况来讲应充分考虑曲轴强度问题，禁止超负荷运转。
2.3 轴承过热
轴承过热主要是由轴承间隙过小，油形成不了油膜，起不到冷却的作用或是油泵出现故障造成断油及油路堵塞等问题，致使轴承产生热量引起的。轴承过热将加快摩擦，产生的热量不断积累烧毁摩擦面造成重大事故。
措施：及时对轴承间隙做调整，将间隙控制在合适的范围内；提高油黏度，定期对油泵进行检查，疏通油路，促使轴承得到良好的。
2.4 连杆螺栓断裂
连杆螺栓断裂的原因表现在安装或检修螺栓紧固时产生偏斜，承受不均匀的载荷；长期使用产生塑性变型；连杆螺帽松动或开口销折断，连杆螺栓因承受过大的冲击而被拉断。
措施：应使连杆螺帽的端面与连杆体上的接触面紧密配合，必要时用涂色法进行检查；定期检查连杆螺栓的受力和变型情况；安装或检修后，连杆螺栓一定要拧紧，必要时穿上新的开口销，以免松动。
2.5 气流脉冲引起的管路振动
气流脉冲引起的管路振动是由气流的脉动性和压缩机未被平衡的惯性力和力矩两方面引起的振动。
措施：注意弯管和异径管的正确设计，使设计的管路长度要避开共振管长；现场采取消振措施，可增设缓冲器，还可以加节流孔板，或适当增设管路支架来起到减振作用。
3 往复式压缩机故障诊断方法
3.1 振动诊断法
出现故障的往复式压缩机在振动及噪音上会出现差异性，通过对差异性的掌握可有效对往复式压缩机进行故障诊断。针对往复式压缩机在振动及噪音方面的不同表现研制出对其进行监测的振动监测仪，但在使用过程中振动频率过大，存在噪音不受控制、信号不平稳等因素，使得振动监测仪仍处于实验阶段，尚未全面普及。
3.2 直观诊断法
作为往复式压缩机故障诊断方法中最基础的一种诊断方法，主要是工作人员通过身体感官（眼睛看、耳朵听）及自身经验来诊断故障，这种诊断方法在准确度上存在瑕疵，适用于故障的初步诊断或是在没有检测装置情况下进行应急使用。目前压缩机机械设备逐渐向自动化方向发展，直观诊断法缺乏科学性，对诊断往复式压缩机故障起不到关键性的作用。
3.3 热力诊断法
热力诊断法是借助仪器对往复式压缩机各项数据进行测量和分析，以达到故障诊断的目的，包括对压缩机的油温、水温、排气量、冷却水量等数据信息的监测。在对往复式压缩机进行数据收集时，由于不同部件出现故障在数据上表现不同，采用热力诊断法在诊断和预测故障时容易缺乏准确性，目前主要应用于压缩机的运行状态和监测参数等方面。
3.4 油液诊断法
油液诊断法是一种比较特殊的故障诊断方法，包括油液中磨损信息分析和油液物理化学性能分析两方面。诊断过程中，有关人员对往复式压缩机中的油液进行取样，通过对油液自身属性的分析和油液磨损信息的了解，掌握往复式压缩机在运行中是否存有故障。在对油液进行分析时需引入大量现代的高新技术仪器，才可确保油液诊断的准确性。
3.5 人工智能诊断法
该诊断方法是往复式压缩机故障诊断过程中应用最频繁的一种方法，具有易于构造、预测简单、解释机制强等优势，同时也具有推理机制简单、专家知识不够精确等缺陷，人工智能诊断法是在专业知识和大量实践经验的基础上建立一套具有人工智能的计算机程序，主要用于解决难度较大且复杂的故障问题。但人工智能诊断系统主要收集的是专家的意见，不能对知识进行判断，容易产生错误的知识应用，造成故障诊断失败。
4 往复式压缩机故障诊断过程中的注意事项
4.1 完善诊断方法
从事往复式压缩机故障诊断的技术人员，具有一定的技术优势，但是对理论知识的掌握存在不足，不利于新技术的使用，导致系统诊断方法过于单一，应要求相关技术人员通过企业培训或是网络课程的学习来增强理论知识的学习与技术的创新，进而推动往复式压缩机故障诊断工作的提升，同时还应加强计算机辅助实验的开发工作。
4.2 强化全面诊断
通过对往复式压缩机诊断方法的研究发现，各种诊断方法在诊断过程中都存在一定的缺点，不能做到对故障的全面诊断，要求有关人员在进行往复式压缩机诊断过程中注重全面性，采取小波分析、人工智能理论等多种分析技术相结合的方法，通过多种技术交叉应用的方法弥补诊断上的片面性。
4.3 避免诊断失误
在往复式压缩机故障诊断的过程中，工作人员主要是对收集的信息进行确定分析，以达到准确的故障检测的目的。但是在日常工作过程中，由于设备的落后、人员的疏忽等，故障监测准确率不高，间接采集到的信息带有一定程度的不确定性，常常会出现误诊。因此，要想保障往复式压缩机故障的诊断，就要对往复式压缩机的故障信息进行准确的收集，提高信息的正确性。
同时，对于往复式压缩机的在线状态监测及故障诊断问题，还应加深识别理论的研究与定量关系的研究，包括对气阀的故障诊断、前期裂纹存在的预测、不同裂纹的类型长度等进行深入研究。加强对传感器与监测仪的研制，建立系统的数学模型，通过振动分析获得往复式压缩机故障诊断与参数之间的对应关系。
参考文献
[1] 程艳霞，铁占续，孙付伟，等.往复式压缩机故障诊断方法研究综述[J].仪器仪表用户，2006，（5）.
[2] 付希涛.往复式压缩机故障诊断研究与展望[J].技术与市场，2014，（7）.
故障诊断方法综述篇3
一、汽车自动变速器中的故障诊断
（一）容易产生打滑 汽车运行过程中，在踩油门后车速无法提高，或汽车在上坡时缺乏行驶的动力，产生此类情况时，驾驶员应快速思考是否是自动变速器发生了故障。而导致这一故障的原因有很多：（1）汽车自动变速器的制动器内密封圈使用过久，未进行及时更换，致使零件过度磨损产生脱落，从而使自动变速器漏油；一旦油压与供油减少，就会使汽车缺乏运行动力；（2）汽车自动变速器内的油泵被损坏也会使汽车漏油、油压减少，让汽车缺乏运行动力且无法提速。
（二）容易产生漏油 汽车自动变速器产生漏油的关键因素是汽车自动变速器平面发生了变形，或者是由于自动变速器在进行加工时工作人员缺乏耐心，从而使汽车关键部件中的固定螺栓产生松动。一旦发生此类故障，须从集中漏油的地方着手，判断具体的故障原因，采用具有针对性的排除方法。
（三）无法升档 汽车在运行过程中自动变速器无法提升到高速档或超速档，产生此故障的原因有：节气门拉索的调整不正确；节气门的位置传感器与电路故障；调速阀及其油路故障；车速传感器故障；换档电磁阀故障；高档离合器与制动器故障；档位开关故障等。
二、主要的诊断方法
（一）磨损残余物分析诊断方法
对于汽车变速箱齿轮而言，其最为主要也是最为常见的失效形式就是磨损失效；汽车在运行过程中，若出现齿面磨损，则可以在油中找到这些磨损的残余物；对于磨损残余物分析诊断方法来讲，其对机器失效有关信息的快速获取，主要是基于对机械零部件磨损残余物在油中残余物含量的测定来完成的。当前进行测定的主要有两种方法：1对残余物进行直接检查，以及通过对油浑浊度变化、电感的变化以及油膜间隙内电容的测定来快速获得有关零件失效的重要信息；2收集残余物，例如，应用特殊的过滤器或者磁性探头等来把工作表面因疲劳而形成的大块剥落物收集起来。实践表明，应用磨损残余物故障这种分析方法来对变速器中的磨损类型故障进行检测诊断，是相当有效的；相比于其他故障诊断方法，诸如振动诊断方法，这种诊断方法在对磨损类型故障诊断方面，更具有优势，因而对汽车变速器磨损故障进行判断的有力手段就是磨损残余物分析诊断方法。
（二）振动检测技术诊断法 有关机械振动信号，这是当前诊断技术采用最多的一种信号，这主要是基于由振动所产生的机械损坏具有相当高的比率；根据相关资料可知，由机械振动而带来的机械故障超过三分之二；此外，最容易获得的振动信号，是来自机械运转中所产生的，而且在振动信号中，还具有数量众多的能对机械设备状态进行反映的信号，通过振动的异常可把许多机械故障反应出来。振动检测技术诊断法，主要是基于对设备振动参数及特征的检测，来对设备状态和故障进行分析的一种方法。
（三）声发射技术诊断法 这种诊断方法，就是应用仪器进行检测、对声发射信号进行分析和利用的一种故障诊断方法。对汽车变速箱齿轮而言，因其的高速旋转，致使运行中不可避免地产生热弯曲、不对称等现象，带来转子碰撞，故在金属以内的晶格，将出现重新排列或滑移，此过程因能量发生变化，变化的能量将通过弹性波这种形式来进行释放，这就形成了声发射信号；一定要应用专门技术，来把背景噪声的干扰排除掉。声发射监测这种检测方法，具有无损动态检测特点，但它又不同于其他无损检测方法，因声发射信号是产生于外部条件的作用下，故对于那些缺陷变化，相当敏感，对于那些微米数量级的显微裂纹的扩展和发生的相关信息，可以轻而易举地检测出来，故具有极高的灵敏度。
（四）光纤传感技术诊断法 这种故障诊断方法，主要是基于光纤对一些特定的物理量所具有的敏感性，来把外界物理量向可进行直接测量的信号进行转换的一种汽车变速器齿轮故障诊断方法。就光纤而言，不仅可直接作为光波的直接传播媒质，而且光纤传播中的光波，其特征参数会因外界因素的影响而产生变化，故可把光纤当作传感元件来对各种物理量进行探测。对于光纤传感器而言，因具有极高的灵敏度、超强的抗电磁干扰能力、超好的电绝缘性急耐腐蚀等等优点，故在汽车这个行业也受到了极为普遍的应用。当前，光纤传感技术已朝着智能化、功能化及集成化等方向快速发展着，可以预见，随着科技的不断发展，这种故障诊断方法将在汽车变速器齿轮故障诊断中将得到越来越广泛的应用。
参考文献：
[1]ThomasMerath，JoachimNaas，FranzJoachim等.基于有限元法的汽车变速器齿轮与轴承优化[J].传动技术，2015，29（2）：3-13，20.DOI：10.3969/j.issn.1006-8244.2015.02.001.
故障诊断方法综述篇4
自20世纪60年代末美国国家宇航局就创立了美国故障预防小组以来，故障诊断技术逐渐发展起来的一门以数学、物理、现代控制论、计算机工程、通讯技术、信号处理、模式识别、人工智能、人工神经网络以及相应的应用学科为基础的多学科综合交叉的新学科。它通过获得机械设备在静止或运行中的状态信息，并参考设备过去的运行经历，来获得设备的实时状况，并推断未来的趋势，从而确定必要的维修策略。本研究主要针对控制系统的故障诊断方法进行综述。
1 基于解析模型的方法
该方法是研究最早、最深入、最成熟的方法，需要建立被诊断对象的较精确的数学模型，包括状态估计方法、等价空间方法和参数估计方法。尽管这三种方法是独立发展起来的，但它们之间存在一定的联系。
1.1状态估计方法
状态估计方法的基本思想是利用系统的解析模型和可测信息，设计检测滤波器（观测器） ，重建系统某一可测变量，然后由滤波器的输出与真实系统的输出的差值构造残差，再对残差进行分析处理，以实现系统的故障诊断。在能够获得系统精确数学模型的情况下，状态估计方法是最直接有效的方法，然而在实际中，这一条件往往很难满足。所以目前对于状态估计方法的研究主要集中在提高检测系统对子建模误差、扰动、噪声等未知输入的鲁棒性及系统对于早期故障的灵敏度。
1.2等价空间法
等价空间法的基本思想是利用系统的输入/输出的实际测量值检验系统数学模型的等价性（即一致性），以检测和分离故障。其在诊断时存在问题：低阶等价向量在线实现较简单但性能不佳，而高阶等价向量能带来较好的性能却计算量大，且漏报率高。因此，目前的研究普遍都采用改进过的等价空间法[1]。
2 基于信号处理的方法
当难以建立被控对象的解析数学模型时，可采用基于信号处理的方法。此方法是利用信号模型（如相关函数、频谱、高阶统计量、自回归滑动平均、小波变换等）直接分析可测信号，提取方差、幅值、频率等信息来进行故障检测与诊断。这种方法适用于线性系统和非线性系统。但是，避开对象数学模型的优点是实现简单、实时性较好；缺点则是对潜在的早期故障的诊断显得不足，多用于故障检测，对故障分离和诊断的效果不很理想，若与其他方法结合可望提高故障诊断性能。
2.1基于小波变换的方法
小波变换是一种信号的时间—尺度分析方法，具有多分辨率分析的特点。在时频域都具有表征信号局部特征的能力，适合于非平稳信号的奇异性分析。利用连续小波变换可以区分信号突变和噪声，而利用离散小波变换可检测随机信号频率结构的变化。小波变换对噪声的抑制能力较强，具有较高的灵敏度，运算量也不大，是一种很有前途的方法。近年来，利用小波变换的优点，将小波变换与数学模型、神经网络、专家系统、模糊理论、矩阵奇异值等方法相结合，提出了一些新的方法，进一步提高了动态系统的故障检测与诊断性能，在实际工程应用中获得成功。
2.2主元分析法
主元分析法（Principal Component Analysis，PCA）是依据输入变量的线性变换，由输入变量相关矩阵的主要特征值的大小来确定坐标变换和变量压缩，目的是在数据空间中找到一组m个正交基，这组正交基最大可能地表示数据的方差和协方差，以便将数据从原始的n维空间映射到由这组正交基所构成的m维子空间上，从而达到降维的目的（m
3 基于知识的方法
人工智能及计算机技术的快速发展，为故障诊断技术提供了新的理论基础，产生了基于知识的诊断方法。此方法与基于信号的故障诊断方法类似，也不需要定量的数学模型。不同之处在于，它引入诊断对象的许多信息，特别是可以充分利用专家诊断知识，而且它具有“智能”特性，是一种很有生命力的方法，尤其是在非线性系统领域。
3.1 基于神经网络的方法
神经网络具有模拟任意连续非线性函数、从样本学习、大规模并行处理、自适应、自学习、容错、联想记忆、分布式信息存储、推理、处理复杂多模式等优良性能，使其在复杂系统的监测及诊断中发挥着重要作用，为故障诊断技术开辟了一条有效途径。由于神经网络从故障诊断实例中学到的知识只是一些分布式规则，诊断推理过程不能够解释，缺乏透明度。因此，近年来，基于神经网络的故障诊断研究开始向神经网络与其他诊断方法相结合的方向发展。比如把模糊数学与其相结合，可以在神经网络框架下引入定性知识，以取得更好的诊断性能；采用多个神经网络的诊断方法可以提高故障诊断的可靠性。
3.2 基于模糊数学的方法
模糊故障诊断方法是利用集合论中的隶属函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系，进而实现故障的检测与诊断。模糊诊断的基本原则有：分层分段诊断，逐步深入原则；假设与验证相结合原则；综合评判原则；获取信息原则；通过对外在特性的考证来判断系统内部结构的劣化原则；对比判断确定故障原则；找出最严重的故障点原则。单纯利用模糊推理进行故障诊断具有一定的局限性，一般利用复合式方法来进行故障诊断，如模糊故障树法、模糊专家系统法、模糊神经网络法、模糊小波神经网络法等，这些方法的诊断性能得到明显提高。
4 故障诊断技术发展趋势
随着传统控制系统向网络化发展，近年来远程网络控制系统得到广泛重视，并涌现很多成果。网络控制系统具有网络时延、数据包时序错乱甚至数据包丢失等缺点，因此为保证网络控制的可靠性有必要针对远程网络控制系统故障诊断问题进行研究。远程诊断系统是一个分布式控制系统，它基于监测设备、计算机网络及软件，实现对监测信息的处理、传输、存储、查询、显示和交互，以达到诊断专家无须到现场就可以完成对远距离发生的故障的诊断，并可以实现异地专家的实时协同诊断。其研究内容包括远程监测、远程诊断、协同诊断等几个主要部分。5 结语
控制系统故障诊断是一个复杂的问题，对于不同的研究对象选择不同诊断方法有积极意义。而有效方法的选择很大程度上取决于实际因素。随着微电子、计算机、智能技术和网络技术的发展，故障诊断技术也得到了不断的发展和进步，故障诊断方法呈现向复合式、综合化方向发展的趋势，且设备故障检测诊断技术的准确性会越来越高，操作使用越来越方便，在设备维修中会起着越来越重要的作用。它可以直接提高企业设备管理和维护水平，提高企业效益和国际竞争力[3]。
参考文献
故障诊断方法综述篇5
现代高技术局部战争表明，可靠性、维修性和保障性是提高武器装备战备完好性和快速出动能力的基础，也是武器装备形成战斗力的前提条件。综合故障诊断维修体系是实现武器装备可靠性、维修性和保障性的重要技术手段和发展方向。国外在新一代战机中广泛使用了综合故障诊断维修保障技术。
1 综合故障诊断维修体系在外军战机中的应用
美国B-1A飞机采用了机载中央综合测试系统（CITS），CITS是一个与飞机航空电子系统和非航空电子系统相连、但又完全独立的测试系统。它是通过一个机载数字计算机和一个存储的实时软件来对飞机实施测试，该系统具有下述能力：测试并检查飞机分系统在飞行中和地面上的性能；向机组人员显示故障分系统的使用模式；识别故障并将其隔离到故障的LRU（利用机载手段）；在尽可能不使用地面设备的情况下，为地面进行故障识别和隔离（LRU）提供测试数据和测试结果；记录故障及趋势数据并打印故障数据。为了完成上述功能，CITS可提供下述三种情况的信息：飞行中飞机的性能信息、地面时飞机的战备完好性信息和故障隔离信息[1]。
俄罗斯SU-37、SU-47飞机采用综合信息系统，使整个装备故障定位可达到单个的插件级。在飞行中发生故障时，综合信息系统的显示器将向飞行员提供有关故障和建议如何纠正的信息或指示下一步的操作，这些信息同时以语音形式给出。
“阵风”是21世纪法国海空军的主力战斗机，在可靠性、保障性、测试性、持续能力和机动部署能力等方面都进行了较大改进。“阵风”飞机上的所有系统都由集成在任务计算机中的状态监测系统（HMS）进行实时监控，可对故障进行精确的定位。该系统还对机体的部件进行单个跟踪，监控疲劳情况。这种独特而完全自动化的监控系统有助于缩短飞机的再次出动准备时间，便于排故和修理，大大减少对地面保障设备的需求。测试性目标要求可达到95%的故障检测率，并能检测所有安全关键的故障。
F-22是美国空军用以代替F-15的第四代战斗机，是美国21世纪空军的主战飞机。F-22采用机载综合诊断系统，具有广泛的机内检测（BIT）能力，如在发动机和机身上、航空电子系统中可分别产生15000个故障报告，诊断系统可以深入到外场可更换模块（单个的电路板）级确定故障。该系统还有各种机内检测传感器、故障过滤器和重要故障数据记录。通过故障过滤器，可以确定某个故障是否足够严重，需要向驾驶舱里的飞行员发出提示或警告。通过故障数据记录，使维修人员准确掌握部件何时失效。
F-35多用途联合攻击机（JSF）是美国国防部的最新战术飞机，和F-22一起构成21世纪的主战飞机。在JSF中全面引入飞机故障预测和完好状态管理系统，其基本思想就是采用先进的传感器技术、飞机实时故障监测和预测技术、多传感器数据融合技术等对飞机飞行过程中的故障和飞机状况进行实时监测和预报，对飞机剩余寿命进行预测；向地面实时传输记录的故障数据，实现地面的预测维修和后勤保障，即实现了故障诊断、维修和后勤保障的一体化。该系统可增加系统的安全性，减少寿命周期成本。在工业和武器装备领域，21世纪将是以先进的传感器技术和故障分析技术为基础的故障预测和完好状态管理系统的时代。JSF中综合诊断的目标是与现有攻击机相比，减少人力需求20%～40%，增加作战出动架次25%，减少后勤保障复杂度50%[2]。
2 外军战机综合故障诊断维修体系的发展趋势
综合外军作战飞机的故障诊断体系结构和技术，其发展趋势表现为以下几个方面。
（1）数字化。以计算机为中心的故障检测与诊断自动化，带来故障诊断和维修保障过程技术数据的数字化，可改善飞机装备的保障能力，缩短保障时间，提高新一代飞机装备的战备完好性，降低装备的使用和保障费用。如交互式电子技术手册（IETMS）的使用等。
（2）综合化。飞机设计、制造、故障诊断、维修和后勤保障过程信息的综合化，以及诊断、维修和后勤保障的综合化，可提高故障诊断的准确性和速度以及维修和后勤保障的效率，减少飞机的寿命周期成本。
（3）层次化。飞机故障诊断通过机载实时诊断、地面综合诊断相结合的层次结构来实现。机载实时诊断系统完成对飞机飞行过程中故障的实时检测、隔离和系统重构，为地面诊断提供初始诊断基础；地面诊断系统则根据各种信息对飞行中的可疑故障进行深层次的综合诊断，可提高故障诊断的准确度和速度，减少维修工作量和时间。
（4）网络化。利用当今快速发展的数字化通信、网络传输等信息技术来完善故障诊断、维护和后勤保障体系，已成为一条必由之路，如美国在JSF等新机中通过网络传输实现机载诊断和地面诊断、维修和后勤保障的综合，实现自治后勤系统等。
（5）仿真化。建模仿真与虚拟现实技术在故障诊断、维修保障领域的应用具有广阔的前景。它不仅可用于系统指标论证、方案权衡、分析与设计，还可用于系统的试验验证与评价，系统的使用培训等方面，从而大大提高设计与分析的精度、缩短研制周期、降低寿命周期费用。
（6）智能化。人工智能技术在各种武器装备的发展中得到了广泛应用，使各种系统具有在复杂状态下进行自动处理和推理以完成规定功能的能力，实现智能化。在新一代作战飞机的故障监测、诊断、容错与系统重构以及维修保障管理中大量使用包括模糊逻辑、神经网络、智能体、信息融合、数据挖掘等在内的人工智能技术，可提高故障诊断的速度和准确率以及维修保障的效率，其中智能传感器是重要基础[3]。
（7）小型化。美军在F-22以及JSF等新机中大量使用便携式诊断维修辅助设备（PMA），可进行诊断维修技术数据的存储、分析和显示，系统状态监测与预报，飞行计划数据的上传和飞行数据的下载，对故障隔离和维修过程进行指导，进行部件的查询和订购等。PMA是野战环境下飞机外场诊断维修的重要设备，在美国国防部的武器装备项目中得到广泛的应用。
参考文献
故障诊断方法综述篇6
1水电机组故障诊断特点
水电机组故障诊断主要包括水轮机诊断和发电机诊断，二者互为关联。
水轮机诊断包括：轴系、叶轮、叶片、导轴承、系统、支撑系统、控制系统等部位故障的诊断。主要故障特征包括：油箱油位的升高和降低、油温的升高、轴瓦平均温度升高、轴瓦温度上升率、摆度升高、轴承振动升高、振动和摆度随转速、负荷变化的趋势、有无负荷的振动情况。
发电机诊断包括：定子线圈、定子磁心、转子、轴系等部位故障的诊断。定子线圈的诊断采用局部放电法（脉冲高频容量）用于检测线圈、线棒、线棒支撑的绝缘情况及线圈断路。定子铁芯和转子的诊断运用一组气隙测量传感器监测定子孔径和转子圆周、偏心所造成的动态气隙情况。
检测的参数一般有：机架振动、摆度、温度、电量、气隙、绝缘监测、气蚀、压力脉动等。
对于诊断导轴承、推力轴承以及其它一些复杂的故障，诊断系统要综合考虑分析各检测参数。
2故障诊断系统结构
机组故障诊断系统包括数据预处理和数据规范化、信息处理、故障诊断知识建模、故障检测、故障分离与估计、故障分类评价和决策、知识模型库、数据库、智能决策支持系统、人机对话界面、监控中心等。故障诊断系统构成见图1。
数据预处理和数据规范化模块对在线采样的可测变量先进行预处理以消除噪音，然后将其转化为规范数字信号输入数据库中。
信息处理、故障诊断知识建模模块将从机组录入的振摆、水压脉动等信号进行再处理并建成知识模型库。
知识模型库、数据库在故障检测、故障分离与估计、故障分类评价和决策模块实时起支撑性作用。智能决策支持系统模块负责对机组不同的运行状态选择哪种或哪几种诊断方法，以及各诊断方法之间的集成，给出相应的故障处理方案，和优化运行决策与检修计划决策，并对知识模型库中的知识进行协调调用。
人机对话界面、监控中心分别负责机组信息的输入与输出，包括深层和浅层知识的录入、故障信息的输出，以及在判定故障时启动保护措施，通过执行机构去完成。另外还有数据的报表输出及打印等功能。
3知识模型库
如何具体实现故障诊断知识建模的功能，进行诊断知识模型的获取，形成知识模型库，从而实施在线故障检测、故障分离与估计、故障分类评价和决策模块的功能是系统的难点。
在文献［1］中，杨杰等提出了一种基于综合模型的故障诊断建模与推理的方法，即人工神经网、案例、规则和对象模型，来有效地进行诊断知识模型的获取。
水电机组的知识模型可由机组模型、诊断经验规则、诊断神经网模型、诊断案例4种方式来表示。
诊断知识模型由一般到特殊分四层组织：第一层描述最一般的诊断知识，由水轮机、发电机的机组模型组成。运行模型描述了机组正常工作时的形态，故障模型描述了机组在故障时的形态，它们被用于基于模型的诊断、真值维护和解释。第二层描述一般的诊断知识，由根据水电机组的技术标准、规程和专家诊断经验归纳出的诊断规则组成，用于基于规则的诊断。第三层是根据类似诊断事例经训练构造的人工神经网模型，用于基于神经网模型的诊断。第四层由案例－子案例等级框架表示组成，它描述各电厂机组或电厂各机组间的特殊诊断案例知识，用于基于案例的诊断。
3．1第一层
机组定量信息描述一般包括参数描述和状态描述两种。
参数描述指由机组参数的显著变化来描述故障的发生如温度量、电量等的量值越阈或突变。状态描述指由机组开、停机过程及机组运行状态来描述所包含的故障信息。
由机组定量信息描述形成的运行模型和故障模型，构成机组模型子库，形成模型知识库的第一层。由该层支持的基于机组模型的故障诊断方法有：参数估计诊断法和状态估计诊断法。
参数估计诊断法在进行故障检测、故障分离与估计、故障分类评价和决策时，诊断的过程参数为机组模型模拟量与机组实际运行参数的比较值，所得残余偏差为二者之间的相对变化值。在系列残余偏差中包含有各种故障信息，结合机组模型库中相应模型对基本残差序列采用统计检验法，检测机组的故障部位和原因，并进一步分离、估计与决策。
状态估计诊断法由根据水电生产过程的控制逻辑来判断机组是否有故障状态，可由机组监控系统直接支持。
3．2第二层
基于标准和经验归纳出的诊断规则，故障可分为确定性故障和不确定性故障两种。
对于确定性故障，也就是一般的产生式故障，可建立用于逻辑推理的知识模型库。而对于非确定性故障，一般采用模糊产生式规则来表示故障诊断知识，即用模糊关系矩阵来表示前提条件与结论之间的因果关系。
此外，还可采用可信度方法、概率方法等来描述其不确定性。可对这些方法进行充分收集，整理优化后形成一个较完整的诊断推理机制。
3．3第三层
根据类似故障诊断事例训练构造的人工神经网模型，其实质是一个故障分类和识别过程。人工神经网络在此作为一个自适应的模式识别技术，利用自身的学习机制，通过对案例样本的学习，自动形成相对应的决策区域。而且样本变化时，如案例增加时，神经网络训练所获得的映射关系可以自适应，达到对准确诊断的进一步逼近。
3．4第四层
该层知识由案例－子案例等级框架表示组成，形成了最特殊知识的诊断案例子库。
对机组在线状态的信息诊断同案例子库中的案例描述进行匹配，得出解策略。
以上四层次知识模型子库既有其独立性又紧密关联。当机组的新类型故障被诊断出来后，可对其进行描述，添加到案例－子案例等级框架中。新类型故障同框架内的原有相似故障可用于构造和训练新的神经网模型，加入到第三层的人工神经网络模型子库中去。
新类型故障同原有相似类型故障的诊断方法规则，加入到第二层的规则子库中去。
而以上三层的知识表示如可以采用定量信息表示，又可建模加入到第一层的机组模型库中。
4融合诊断推理
对于复杂故障的诊断，不能简单地仅通过某一种方法诊断出来，有效的方法是将各检测信息有效结合判断的融合诊断法。
文献［2］中，彭涛等提出一种基于信号处理的人工神经网络诊断方法，即基于小波变换的特征提取、基于遗传算法的特征选择和基于神经网络的状态识别理论。
该方法可将机组多个传感器信号，如振摆、气蚀、水压脉动信号等，用加权法实现信息的初级融合，按给定的小波函数进行小波变换，提取其特征成分，用遗传算法搜索选择输入参数中最为重要的特征参数，与已知目标特征信息一起作为训练样本，送神经网络训练，实现状态识别和故障诊断。对某些复杂检测信息也采用小波变换法，如对于绝缘监测中所测局部放电数据的处理，针对其局放信号微弱、噪声大的特点，采用小波变换进行分析，可充分利用小波分析良好的时频分析特性。理的策略，直至给出最佳处理方案，得出最精确的预测控制和诊断结果。
故障诊断方法综述篇7
随着矿山开采技术的不断发展和煤矿企业的科学技术水平、安全管理水平的不断提高，综采机电的模式也发生了改变，从简单单一型向综合复合型转变，这样对煤矿的职工的素质和综采机电的诊断技术又提出了更高的要求。综采机电在开发矿业资源、促进矿业发展、实现矿山生产现代化的进程中起着十分重要的作用，其中在矿山岩石钻进、铲装、运输、破碎及选矿等设备中，液压技术已得到广泛的应用。但是，正是由于煤矿企业的工作环境的限制，煤矿大部分都是在井下工作，煤矿的机械在井下工作时，同样也会受到井下环境和作业空间等因素的影响，使得煤矿机械设备易于发生故障，甚至事故，使得机械设备的故障率更高；另一个方面，因为煤矿企业的生产特性等一些自身固有因素的影响，直接决定了使得这些工作在井下的机械的工作空间过小，使得粉尘比较大，而且湿度也加强，更甚至是压力太大的这样的环境下，也给机械设备出现故障的排除增加了更大的困难。尤其新世纪以来，随着采矿业规模日益增大，采矿机械设备也更趋于大型化，连续化，机电一体化，其性能与复杂程度不断提高，对设备故障的诊断也更为复杂。因此，为了达到能够使得综采机电设备处于一种良好的正常工作状态，我们必须要将煤矿机械设备和信息技术管理方面协调统一起来，对综采机电设备进行诊断和维修，这样处理对于煤矿机械的维修管理是相当有必要的。建立矿井调度室远程故障诊断及专家维护系统是解决问题的很好的方法。
2、故障诊断技术及专家系统
设备故障诊断技术包括故障检测与故障诊断.通常合在一体统称为故障检测和诊断（FDD）。
2.1故障的定义和故障诊断的机理
设备工作正常是指在煤矿机械设备不出现任何问题，不影响煤矿正常安全生产时，并发挥了其应有的作用、不会造成一些损失等；设备出现异常是煤矿机械设备在运行的过程中，由于机械设备的内部某个部分出现了问题，直接影响到了煤矿机械设备的正常工作，使得机械设备的缺陷进一步被放大，使得机械设备的性能不能发挥，情况恶化，但是机械设备仍然能够进行工作。故障则是指当机电设备的某个部分的缺陷发展到使得机械设备不能正常工作，使得其设备的性能和功能基本丧失的程度。正是因为监测与故障是在设备不停机的情况下进行的，所以，最终这些故障都是通过以状态信号为依据。监测与诊断就是要快速、准确地提取设备运行时二次效应所反映的特征。
故障诊断技术是以可靠性理论、信息论、控制论和系统论为理论基础，以现代测试仪器和计算机为技术手段，结合各种诊断对象（系统、设备、机器、装置、工程结构以及工艺过程等）的特殊规律逐步形成的一门新技术，主要包括检查和发现异常、诊断故障状态和部位、分析故障类型、提出诊断决策方案及诊断结论四个基本环节。其基本原理是根据机械、电气等设备运行过程中产生的各种信息，判断设备运行是属于正常还是异常，识别设备或机器是否发生故障，并对设备未来状态进行预测，确定最合适的维修方案和检修周期。作为一门交叉性学科领域，故障诊断技术在过去的几十年里得到了飞速发展，一些新的理论与方法已经得到了成功的应用。而非线性系统的故障诊断是当前故障诊断领域研究的热点与难点问题。在生产过程中，大型设备发生的故障是各种各样的，而根据系统采用的特征描述和决策方法的差异，形成了不同的故障诊断方法，具体可分为基于解析模型的方法、基于信号处理的方法和基于知识的方法三大类。
2.2故障诊断过程
1）状态监测。主要是与设备运行有关的状态信号。
2）特征提取。就是从设备运行的状态信号中发现并提取一些与设备运行过程中出现的故障及相关的特征信息。
3）故障诊断。故障诊断就是根据之前所获取的信息，并且通过相关的补充测试等一些辅助性的信息来找到设备故障的位置。
4）决策。根据设备故障特征状态，和趋势，做出决策。设备诊断是经过分析处理以获得最能识别设备状态的特征参数。机械设备运行时产生多种信息，当其功能出现相应的异常信息，机械劣化过程产生的油液成分变化的化学信号等。利用检测仪器，做出正确的分析和诊断，可以及时预测机器设备可能发生的故障。
2.3设备故障诊断技术及专家系统概述
专家系统是一种以知识为基础的智能化的故障诊断技术的应用系统，使用知识与推理过程，求解那些专家才能求解的高难度问题。在采用先进传感技术与信号处理技术的基础上研制开发的设备故障诊断专家系统，将现代科学的优势同领域专家丰富经验与思维方式的优势结合起来，已成为设备诊断技术发展的主要方向。如果系统在运行过程中发生故障，则专家系统很快就可以根据经验确定故障的原因和部位。这种方法对于复杂系统
的故障诊断非常有效。随着计算机和人工智能技术的发展，专家系统诊断方法的智能化不断提高，它克服了基于模型的故障诊断方法对模型的过分依赖性，成为故障诊断的有效方法，并在很多系统中得到了广泛应用。
3、机电故障诊断技术及专家系统的特点
随着科学技术的高速发展，促进了现代维修理论等相关基础学科理论和各种检查技术的发展，并且工艺手段也在不断的更新和完备。根据煤矿机械设备故障的发生时间、位置等总结了机电故障诊断技术及专家系统的特点。我们可以从以下三个方面进行分析。
3.I目的明确
为了更好的确定机械运行的状态、检查相关部位的故障情况，从而可以分析出故障所发生的原因，并且可以根据原因制定经济有效的维修方案.
3.2实践性强
正是由于煤矿企业的工作环境的限制，煤矿大部分都是在井下工作，煤矿的机械在井下工作时，同样也会受到井下环境和作业空间等因素的影响，使得煤矿机械设备易于发生故障，甚至事故，使得机械设备的故障率更高，使用故障诊断技术，使得处理结果能够很快得到实践验证。
4、煤矿机电设备诊断专家系统的构建
煤矿机电设备诊断专家系统是利用各种类型的诊断知识通过对监测到的信息进行分析、处理，对设备运动状态进行判断和推理的软件系统。一旦设备发生异常，它可以通过推理判断找出故障的原因和发生故障的位置，最后给出诊断推理过程的解释和故障处理对策，在设备性能下降到一定程度或故障将要发生之前主动实施维修。它为设备安全、稳定、长周期、全性能、优质运行提供了可靠的技术和管理保障。司马煤业公司机电设备诊断专家系统以设备运行状况及计算机网络构成为依据，以数据库技术和NET技术为手段开发，采用C/S模式，应用范围可涵盖所有在役设备，主要由设备综合管理模块、故障诊断模块、维修助手模块、预警提醒模块等功能模块或子系统等组成。
4.1设备综合管理模块
设备故障诊断需要大量描述设备状态及其演变过程的准确数据，即要有足够的信息用于分析与决策，这就是设备数据综合管理。该模块管理、存储所有设备资产清单、设备台帐图纸、设备设计数据、设备安装状况及系统图、维修历史数据、设备变更与维修记录、设备状态监测与诊断数据、事故及异常记录、测点设置、设备可靠性状态统计分析数据等等。
4.2故障诊断模块
1）专家库维护：主要用于维护专家库内的知识和经验，具体的说就是维护选定设备的征兆库，故障库以及征兆与故障之间的逻辑关联。
2）诊断推理：对选定设备进行故障诊断，推理方式包括正向推理、反向推理及正反向混合推理，并根据推理结果给出维修对策。
4.3维修助手模块
维修助手中分门别类的存放了关于设备资料、维修资料、专家资料及应急预案在内的所有文件和资料，实现了对与设备相关的所有文件资料的规范化统一管理。在需要之时可以迅速找到相关资料，包括设备说明书、设备性能参数、设备图片、设备图纸、设备视频、维修作业标准、维修技术标准、维修方法、专家资料、应急预案等。为设备的安装维护，检查调试，定期检修，故障处理，事故应对，专家咨询等各个方面提供技术支持和操作帮助。
4.4预警提醒模块
1）故障预警：根据在线监测设备采集到的各项性能数据和指标对选定设备出现的故障进行预警，以便及早采取措施。
2）维修提醒：根据选定设备的维修或维护周期，提醒设备维修人员在合理的时间对设备进行维修或维护。对单一设备，根据不同运行方式和维修方式，运用技术经济分析方法，对维修费用、效益进行评估，给出对该设备来说最佳维修时间、维修措施和维修项目，并形成维修决策报告。
5、应用与分析
在煤矿生产过程中，正是综采机电故障的多样性，成因的复杂性和进行故障诊断所需要的知识对诊断策略的依赖性。因此，基于综采机电自身的工作特性，提出了机电一体化产品的综采机电远程故障诊断。因此，传感信息融合的自适应能力是非常重要的，这样将有利于提高诊断策略的可靠性。
5.1矿井提升机检测与故障诊断
矿井提升机的功能和作用，对于煤矿工作人员来说，这并不陌生，因为矿井提升机是煤矿企业实现矿井生产、运输的主要设备之一。而且还是连接井下和地面的关键部位，它主要的作用是起到提升原煤、矸石等，下放材料和升降人员等运输任务。煤矿提升机的安全高效的运行，与煤矿企业的安全生产和整个煤矿系统人员的生命安全有着密切的关系。煤矿提升机的故障主要表现在两个方面，第一个就是“硬故障”，第二个就是“软故障”等这两类。硬故障是指由于机电设备在工作过程中，在已经设计好的参数出现了超限，使得机电设备遭到破坏，所以此类故障我们可以通过保护装置来处理；而“软故障”需要测量许多设计的工况参数，并且还需要经过数据处理才能得出一些诊断结果出来，但是由于在诊断过程中，测量的数据较多，从而导致了起准确性比较低，综合而言，“软故障”往往是“硬故障”的前兆。所以，这就说明了“软故障”的诊断准确性和及时性，对预防“硬故障”有着重要的作用，为了有效的保证矿井提升机的安全高效的为煤矿企业服务，通过许多科学技术人员的不懈努力，取得了很多的可喜成果，并且研制出了很多提升机的检测诊断装置。
5.2通风机的检测诊断技术
在当前情况下，关于主风机故障检测诊断方面的相关产品还不是很多，然而比较典型装置是KFCA型通风机集中检测仪、FJZ型矿井主风机在线监测与故障诊断仪。FJZ型矿井主风机在线监测与故障诊断仪是一个以809机为核心的通风机在线检测与故障诊断系统，它将主风机在线监测与机械故障诊断一体化。8098单片机系统是目前面向控制应用领域性能价格比最高的单片微型计算机系统。
系统的主要功能：
第一，主要起到实时检测的功能，主要检测量：轴心轨迹、轴温量、负压、通风机电流，并可巡回显示。
第二，报警、打印。各种参数报警值可任意设定超限时即可进报警并随机打印。
第三，智能诊断。利用主机内专家系统，对通风机常见的“转子”等机械故障进行诊断。故障诊断采用灰度理论对风机故障类型进行快速定位。首先测出通风机敏感部位的振动加速度，并计算其烈度值和功率谱，再根据设备标准故障模式进行灰色关联度分析，并且按照关联度的大小，以此来诊断通风机的机械故障类型。
煤矿机电设备诊断系统在神东已经得到实际应用，到目前为止，设备的说明书、性能参数、图片资料、图纸资料、视频资料、维修资料、专家资料、应急预案等资料和数据的录入工作已经基本完成，其他相关数据的录入和试运行工作进展情况良好。诊断知识库也正在以大型关键设备为试点，有计划有步骤地建立和完善。系统的应用对煤矿企业机电设备资源和技术资源进行统一集成管理，规范和完善了现有机电设备管理体系，大大简化了设备管理和维护的过程，并实现了企业机电设备的故障智能诊断，提高了设备管理的效率和水平，为企业带来了一定的经济和社会效益。它的高效性、科学性对于提高企业设备管理部门的工作效率，提升管理水平具有十分重要的意义，为提高安全生产管理水平提供了更为广阔的空间。
故障诊断专家系统的优点是：适于人的思维，容易理解，知识可用基本规则表示，无需输入大量的细节知识；个别事实发生变化时易于修改；能解释自己的推理过程。然而，在智能诊断专家系统的应用取得初步成果的后面仍存在明显的局限性，如实现故障诊断的准确度依赖于知识库中专家知识的丰富程度和专家知识水平高低；建立知识库困难，有些经验难以通过形式化的方式来描述；当系统规模较大时还存在着“冲突消解”和“组合爆炸”等问题；推理效率低，缺少自学习和自适应机制。
6、结语
设备故障诊断专家系统是煤矿机电设备完好率的重要保障。系统的应用使煤矿机电设备的检修逐渐实现了预知维修、状态维修，以保证机电设备可靠运转，为煤矿企业安全生产提供了有力保障。而专家系统由于其自身特点，在设备诊断和维修中越来越显示出其优越性，虽然故障诊断技术已得到很大发展，但还存在各种问题有待研究和解决。欲使故障诊断技术不断取得进展并在生产实践中得到应用，必须和当代的前沿学科相结合，引入相关学科中的新思维和新方法，并善于从生产实际中提出问题，归纳提高到理论和方法的高度进行研究和探讨。
参考文献：
[1]张东初.设备诊断系统的建立及应用[J].郑州轻工学院学报，1994（12）：45-49.
[2]邓克、方庆琯、叶维明、刘丽萍，矿山机械液压系统的故障及诊断[J]，金属矿山，2006
故障诊断方法综述篇8
1 引言
旋转机械如：汽轮机、发电机、离心压缩机、风机等，是工业部门中应用最为广泛的一类机械设备，在电力、能源、交通、国防及石油化工等领域发挥着无可替代的作用。随着科学技术的发展，旋转机械正在向大型化、综合化（在同一台设备中多种技术的应用）、连续化（从投料到产品整个过程的连续化）、自动化（操作、检测等的非人工化）、严格化（如技术指标严格化）的方向发展，造成设备构造复杂，零部件之间的联系更加紧密。在设备复杂化的同时，发生故障的潜在可能性和方式也在相应增加，且故障一旦发生，就可能引起连锁反应，导致设备甚至整个生产过程不能正常运行乃至破坏，轻则造成巨大的经济损失，重则导致灾难性的人员伤亡和社会影响。近年来，国内外因设备故障而引起的灾难性事故仍时有发生，如2003年，国内某钢铁企业高线初轧机因一齿轮箱主输出轴轴承破碎，造成设备紧急停机68小时，直接经济损失1500万元以上。2001年阜新电厂2号机组断轴事故的发生，给电厂带巨大的经济损失。1988年我国秦岭电厂zoomw汽轮发电机组因振动引起的断轴毁机事件。灾难性事件的不断发生，使人们认识到对大型机械装备实施在线监测与故障诊断的必要性。
2 现行故障识别与诊断分析方法简介
当前，故障识别与诊断决策过程中采用的方法较多，按照它们隶属的学科体系，大体可分为三类：基于控制模型故障诊断、基于模式识别故障诊断及基于人工智能故障诊断。它们具体的诊断方式如下：
2.1基于控制模型的故障诊断。对于一个旋转机械系统，若通过理论或实验方法能够建立其模型，则系统参数或状态的变化可以直接反映该系统及其动态过程，从而为故障诊断提供依据。基于控制模型的故障诊断方法主要涉及到模型建立、参数与状态估计和观测器应用等技术。其中，参数与状态估计技术是该方法的关键"参数估计的参数包含两类：第一，系统参数，即描述系统动态特性的参数。基于系统参数估计的故障诊断方法与状态估计方法相比较，前者更有利于故障的分离，但是它也存在不足之处：求解物理元件参数很困难；系统故障引起系统模型结构和参数变化的形式是不确定的，目前还缺少有效的方法。第二，故障参数，即用于描述系统出现的故障时信号自身特性的参数。其基本思想是：对故障系统构造适当形式的包含有可调参数的状态观测器，并使其处于零状态"当系统发生故障时，用观测器中的可调部分来补偿故障对系统状态和输出的影响，使得观测器在系统处于故障状态下仍然保持零状态观测误差，此时观测器中可调部分的输出即为故障参数的估计结果。使用该方法的优点是可对故障信号进行在线建模，但是当系统出现强非线性时，目前仍无有效算法。
2.2基于模式识别的故障诊断。故障诊断实质上是利用被诊断系统运行的状态信息和系统的先验知识进行综合处理，最终得到关于系统运行状况和故障状况的综合评价过。如果事先对系统可能发生的故障模式进行分类，那么故障诊断问题就转化为模式识别问题。当系统的模型未知或者非常复杂时，模式识别则为解决故障诊断问题提供了一种简便有效的手段。基于模式识别的故障诊断方法主要分为统计模式识别和句法模式识别两大类，它们在旋转机械故障诊断领域中得到广泛应用。基于bayes分类器的统计模式识别法是旋转机械故障诊断中一种经典方法。
2.3基于人工智能的故障诊断。基于人工智能故障诊断的研究主要分为两类：基于知识（符号推理）的故障诊断和基于神经网络（数值计算）的故障诊断。首先，基于知识的故障诊断大致包含两种情况：基于浅知识的专家系统和基于深知识的专家系统。前者是以领域专家和操作者的经验知识为核心，通过演绎推理来获取诊断结果。其特点是利用领域专家的知识和经验为故障诊断服务，但是这种方法具有较大的局限性，如知识集不完备，过于依赖领域专家等。而后者则要求诊断对象的每一个环节具有明确的输入输出表达关系，诊断时首先通过诊断对象的实际输出与期望输出之间的不一致，生成引起这种不一致的原因集，然后根据诊断对象领域中
第一定律知识（具有明确科学依据知识）及其内部特定的约束关系，采用一定的算法，找出可能的故障源。它比前者具有更大的优越性，但其搜索空间大，推理速度慢。其次，基于神经网络的故障诊断作为一种自适应的模式识别技术，人工神经网络以其全新的信息表达方式、高度并行分布处理、联想、自学习及自组织等能力和极强的非线性映射能力使它渗透到科学技术的各个领域。人工神经网络在机械故障诊断中的应用主要集中在三个方面：一是从模式识别角度应用神经网络作为分类器进行故障诊断；二是从预测角度应用神经网络作为动态预测模型进行故障诊断；三是从知识处理角度建立基于神经网络的诊断专家系统。如采用径向基函数网络、概率神经网络和自适应特征映射网络作为分类器对旋转机械故障进行研究。
3 现行故障信号诊断分析方法的局限性
大型旋转机械在运行过程中易受到噪声、速度突变、结构变形及摩擦的变化等因素影响，尤其是在发生故障的情况下，从机械设备测得的振动信号往往表现出非线性非平稳特征，深入考虑目前用于旋转机械振动信号处理的前述方法，对于全面提取旋转机械振动特征信息而言仍然存在着一定的局限性：首先fft谱分析仅反映了振动信号整体的统计特性，频谱中无法体现非平稳时频细节，且频谱分辨率受到限制；其次、arma时序模型虽然可以推广应用于某些非线性、非平稳振动信号的特征提取，但应用中建模复杂、阶数选择和计算量之间矛盾等问题，制约了该方法的实用性，不宜在大型旋转机械状态监测和故障诊断中应用；对于短时傅里叶变换通过对信号的分段截取来处理时变信号，是基于对所截取的每一段信号认为是线性、平稳的。因此，严格地说，短时傅里叶变换是一种平稳信号分析法，只适用于对缓变信号的分析；最后，小波变换虽然在机械故障诊断领域得到了成功应用，但由于存在小波基等参数的选择敏感性、非自适应性等特点，制约了小波变换的应用性能。此外，小波变换本质上是窗口可调的傅立叶变换，其小波窗内的信号则视为平稳状态，因而没有摆脱傅立叶变换的局限。
故障诊断方法综述篇9
Key words： transport machine；fault diagnosis；fuzzy；iron spectrum
中图分类号：TH165+.3 文献标识码：A 文章编号：1006-4311（2014）08-0076-02
0 引言
随战争发展起来的液压技术由于其独特的优势，在世界各国各行业的装备中得到了广泛的应用，当然在现代各型车辆中也不例外。但液压系统一旦出现故障，很难诊断。若车辆中液压系统的故障不能及时发现并排除，势必影响车辆正常的使用。为减少液压系统故障诊断的盲目性以及拆装工作量，本文结合某型车辆输送机构典型液压故障，提出了一种基于模糊控制理论的新型液压系统故障诊断方法。
1 某型车辆输送机构液压系统模糊故障诊断模型
1.1 典型故障现象及故障原因 输送机构是某型车辆的重要组成部分，其主要功能是将车载物品输送至车辆物品出口处，为物品的向外卸载做好准备。输送机构液压系统主要由液压泵、液压马达、电磁换向阀、储油罐、电机等组成，在工作过程中其典型故障现象为输送不到位或输送过程欠速，输送不到位故障原因主要有以下几种：电机故障；双联泵故障；液压马达故障；电磁换向阀故障；油液泄漏量较大；油液杂质较多；储液罐液位过低。输送过程欠速的故障原因主要有以下几种：电机故障；双联泵故障；液压马达故障；油液泄漏量较大；系统内进入空气；油液粘度较低。由于液压系统故障诊断存在着典型的模糊性，考虑利用模糊诊断评价方法简单的特点来进行故障诊断应收到良好的效果。
1.2 建立故障征兆集与故障源集 根据故障征兆是否出现情况，得到故障征兆向量■={x1，x2，…，xm}，其中xi=0或1，1代表故障征兆出现，否则为0。将上述输送机构在运行过程中的两种典型的故障现象作为故障诊断的故障征兆集，即■={x1，x2}，其中x1表示输送不到位；x2表示输送过程欠速。将故障征兆的自然语言描述用模糊语言变量值及评价从属度来描述，将其语义分为5档，输送不到位的语言变量为：完全不到位、很不到位、较不到位、稍不到位、完全到位，分别对应区间[1.0，0.8]，[0.8，0.6]，[0.6，0.4]，[0.4，0.2]，[0.2，0]；输送过程欠速的语言变量为：速度为零、速度很低、速度较低、速度稍低、速度正常，分别对应区间[1.0，0.8]，[0.8，0.6]，[0.6，0.4]，[0.4，0.2]，[0.2，0]。
输送机构液压系统故障由1种或几种原因引起的，将所有的故障原因作为故障诊断的故障源集，即f={f1，f2，…，fn}，若输送机构出现输送不到位和输送过程欠速两种故障征兆，其故障源集f={电机故障f1，双联泵故障f2，液压马达故障f3，电磁阀故障f4，油液泄漏量较大f5，油液杂质较多f6，储液罐液位过低f7，系统内进入空气f8，油液粘度较低f9}。模糊诊断矩阵■是表达输送机构液压系统故障征兆向量与故障源向量之间因果关系的，矩阵中每个元素rij即第i种征兆xi属于第j种故障原因fj的隶属度，因此隶属度函数的确定是模糊诊断中的重要环节。由于模糊规则的制定者在专业知识、实践经验等方面存在着差异，因此对于同一个现象，不同的人会使用不同的确定隶属度的方法。考虑到液压系统的不断运行，由于磨损和疲劳等因素的影响，隶属度在不同工作状况而有所不同，本文在基于多因素加权综合法构建模糊矩阵的基础上提出了一种以铁谱技术为基础的模糊关系动态变化的隶属度确定方法。
1.3 模糊诊断矩阵的构造
1.3.1 采用多因素加权综合评判 常用确定隶属度的方法有两种：模糊统计法和专家经验法。
模糊统计法是基于概率统计的基本原理，对于n次试验，u0对A的隶属频率=■。结合车辆管理部门对输送机构故障的维修记录，由记录数据统计确定隶属度aij：aij=■。
专家经验法是根据专家的实践经验给出相应权系数值来确定隶属函数的一种方法。为了提高专家经验的可信度，找到多位该领域的专家，每位专家根据经验将产生同一故障现象的各个原因按产生故障的概率从小到大进行排序，N位专家共作出N种排序数，将每个专家的排序数求和，进行归一化处理，可得到隶属度bij。这种方法要求专家具有丰富的液压系统维修经验，才能保证经验知识的准确性。
由于车辆管理部门对故障统计方面的数据记录有限，又由于专家主观判断难免出现纰漏，为了更为客观准确地确定隶属度值，本文综合模糊统计法和专家经验法，采用两种方法分别加权，综合得到隶属度的方法，即多因素加权综合评判法，为了反映各评判因素的相对重要程度，对每个因素按其重要程度赋予相应的权重：设模糊统计权重为A1，专家经验权重为A2，其中A1？叟0，A2？叟0，A1+A2=1。则由经验数据及专家经验的综合模糊隶属度为rij=A1aij+A2bij，（i=1，2，…，m；j=1，2，…，n），从而构造模糊诊断矩阵■=（rij）m×n。
1.3.2 建立动态模糊关系 动态模糊理论是为了适应实际的需要，各因素的相对权重和模糊关系矩阵在评判对象不同的发展阶段，做出相应的调整。液压系统发生故障的原因有80%～90%是由于油液污染造成的，其中固体颗粒的危害极大，它主要来源于液压元件在长期使用过程中零部件的不断磨损，磨损不仅破坏了液压元件的密封、增大了泄漏，磨损颗粒混入油液后还会导致磨损的恶性循环，使液压系统产生故障，因此液压系统故障诊断与定期监测液压油液中磨损颗粒的形态、数量等关系重大。
通过对磨损颗粒进行铁谱分析，可以准确地获得液压系统有关磨损方面的重要信息。它能够在不拆开系统的情况下报告其磨损状态，反映运行情况。因此，通过定期抽检输送机构液压油油样，进行磨粒浓度及形态分析，可实现输送机构液压系统磨损状态监测。通常按照铁谱监测的液压系统的磨损颗粒大小将系统运行分为正常运行阶段、异常磨损阶段、严重磨损阶段三个阶段，磨粒尺寸小于属正常磨损，当出现尺寸为的磨粒时，表明系统已处于严重磨损阶段，故障随时可能发生。元件磨损程度不同，说明系统运行时间不同，元件疲劳程度及油液质量也就不同，故障原因排序自然会发生变化，就以这三个阶段的分隔点作为模糊关系动态变化的分隔点，根据专家经验，将各个故障原因在不同阶段赋予不同的隶属度。
1.4 诊断原则 模糊推理的公式为■=■？莓■，公式中■为故障征兆的隶属度组成的向量，“？莓”为模糊算子，■为由模糊隶属度组成的模糊诊断矩阵，■是由推理公式得到的故障原因模糊向量。公式中模糊算子“？莓”有几种运算方法：模糊变换法、以“乘”代替“取小”、以“加”代替“取大”等，拟采用模糊变换法。对于计算出的故障原因模糊向量，利用最大隶属度原则来推断。即设yt=max{yj|j=1，2，3，…，n}，则由最大隶属度原则推断故障原因为yt，即为第t故障原因。
1.5 诊断流程（图1）
2 应用实例
某型车辆在使用过程中发现出现输送机构输送不到位且速度稍显不足的故障，采用模糊理论与铁谱分析相结合的方法对该液压系统故障进行诊断，主要步骤如下：
现场观测，确定故障征兆集：■={输送很不到位，速度稍低}，用模糊语言变量表述可得到征兆向量隶属度为■=（0.7，0.3）。
确定故障源集：f={电机故障f1，双联泵故障f2，液压马达故障f3，电磁阀故障f4，油液泄漏量较大f5，油液杂质较多f6，储液罐液位过低f7，系统内进入空气f8，油液粘度较低f9}。
由铁谱分析确定系统使用时间：油液抽样进行铁谱检测，磨粒尺寸小于15？滋m，属正常磨损阶段。现有三名专家根据铁谱分析结果，即在正常磨损阶段下，分别给出产生故障的各个原因的概率从小到大的排序数：
专家一给出排序数：■
专家二给出排序数：■
专家三给出排序数：■
求和归一化处理得专家经验隶属度：
■
将统计数据隶属度与专家经验隶属度进行综合加权，设专家经验权重为A1，经验数据权重为A2，其中A1？叟0，A2？叟0，A1+A2=1，则由统计数据和专家经验确定的综合模糊隶属度为rij=A1aij+A2bij。由车辆管理队长期积累经验确定A1=0.5，A2=0.5，则由
rij=0.5aij+0.5bij得综合模糊诊断矩阵为：
■
利用模糊变换法求解模糊方程■=■？莓■，
y1=（0.7∧0.202）∨（0.3∧0.111）=0.202
y2=（0.7∧0.179）∨（0.3∧0.048）=0.179
y3=（0.7∧0.179）∨（0.3∧0.127）=0.179
y4=（0.7∧0.226）∨（0.3∧0.000）=0.226
y5=（0.7∧0.107）∨（0.3∧0.254）=0.254
y6=（0.7∧0.036）∨（0.3∧0.000）=0.036
y7=（0.7∧0.071）∨（0.3∧0.000）=0.071
y8=（0.7∧0.000）∨（0.3∧0.238）=0.238
y9=（0.7∧0.000）∨（0.3∧0.222）=0.222
最终得到诊断故障原因向量为■=（0.202，0.179，0.179，
0.226，0.254，0.036，0.071，0.238，0.222），由最大隶属度原则，y5=max{yj|j=1，2，3，…，9}，所以诊断的故障原因为第5原因，即系统油液泄漏量较大。
3 结论
液压系统由于其自身的特点，能快速准确地得到故障原因实在不是一件容易的事情。由于车辆液压系统在故障诊断过程中普遍存在着模糊的概念和方法，将模糊理论应用到某型车辆液压系统故障诊断中。考虑到液压系统由于磨损和疲劳等因素的影响，其故障隶属度在不同工作状况而有所不同，本文提出了一种基于先期的铁谱分析技术来确定系统磨损情况，进而由专家根据系统运行状况来给定模糊隶属度的方法，最后采用最大隶属原则进行故障诊断，为某型液压系统故障诊断提供了一种新的方法，提高了诊断的准确性和可靠性，为建立故障诊断专家系统提供了较有价值的设计思路。
参考文献：
故障诊断方法综述篇10
引言
电力系统故障诊断是近年来十分活跃的研究课题之一。主要包括系统故障诊断和元件故障诊断两个方向，系统级故障诊断是指通过分析电网中各级各类保护装置产生的报警信息、断路器的状态变位信息以及电压电流等电气量测量的特征，根据保护、断路器动作的逻辑和运行人员的经验来推断可能的故障元件和故障类型的过程。
1国内外研究发展状况
1.1 基于专家系统的诊断方法
专家系统(expert System)利用专家推理方法的计算机模型来解决问题，已获得日益广泛的应用。目前，专家系统用于电力系统故障诊断是比较成功的。根据故障诊断的知识表示和所用推理策略的不同，专家系统主要有两类:
(1)基于启发式规则推理的系统。此类系统把保护、断路器的动作逻辑以及运行人员的诊断经验用规则表示出来，形成故障诊断专家系统的知识库，采用数据驱动的正向推理将所获得的征兆与知识库中的规则进行匹配，进而获得故障诊断的结论。现在大多数故障诊断属于这一类。
(2)结合正、反推理的系统。此类系统结合了正反向混合推理方法，根据断路器和继电保护与被保护设备之间的逻辑关系建立推理规则，同时通过反向推理，有效地缩小可能故障的范围，以动作的继电保护与故障假设的符合程度计算可信度。文献[1]介绍了基于事例推理(CBR)和基于规则推理(RBR)的混合推理的故障诊断专家系统。由于采用了混合推理，提高了故障诊断专家系统的适应性与自学习能力。
基于专家系统的诊断方法的主要特点是可以方便地把保护、断路器的动作逻辑以及运行人员的诊断经验用规则表示出来，并允许在知识库中增加、删除或修改一些规则，以确保诊断系统的实时性和有效性，同时还能够给出符合人类语言习惯的结论，并具有相应的解释能力等，比较适合中小型电力系统和变电站的故障诊断。该方法在实际应用中仍然存在如下主要缺陷:①建立知识库及验证其完备性比较困难;②容错能力较差，缺乏有效的方法识别错误信息;③大型专家系统的知识库的维护难度很大;④专家系统在复杂故障诊断任务中会出现组合爆炸和推理速度慢的问题。这些缺陷使得专家系统难以满足大规模电力系统在线故障诊断的需要，目前主要应用于离线故障分析。
1.2基于人工神经网络的诊断方法
与专家系统相比，基于人工神经网络(ANN—artifieial neural network)的故障诊断方法具有鲁棒性好、容错能力强和学习能力强等特点。
目前应用于电力系统故障诊断的ANN有:基于BP(baekpropagation)算法的前向神经网络和基于径向基函数的神经网络等。文献[1]给出了典型的故障诊断神经网络BP模型，其实现方法是:以电力系统继电保护信息作为ANN的输人，以可能发生的故障作为其输出，选择适当的样本集训练ANN。整个训练过程为:首先根据网络当前的内部表达，对输人样本进行前向计算;然后比较网络的输出与期望输出之间的误差，若误差满足条件，则训练结束，否则，将误差信号按原有的通路反向传播，逐层调整权值和阑值，如此反复，直至达到误差精度要求。文献[2]将大型输电网络分区，对各个区域分别建立基于BP算法的故障诊断网络，然后综合获得最终的故障诊断结果。
基于ANN的诊断方法的主要特点是避免了专家系统故障诊断所面临的知识库构造等难题，不需要推理机的构造。由于用于ANN训练的完备样本集获取困难，目前该方法只比较适合中小型电力系统的故障诊断。ANN方法在故障诊断应用中存在的问题主要是:①其性能取决于样本是否完备，而大型的电力系统的完备样本集获取非常困难;②与符号数据库交互的功能较弱;③不擅长处理启发性的知识;④不知如何确保ANN训练时收敛的快速性和避免陷人局部最小;⑤缺乏解释自身行为和输出结果的能力。以上缺点限制了ANN故障诊断方法在线应用于大型电力系统。如何设计适用于大型电力系统的故障诊断系统，仍然是一个有待进一步研究的问题。
1.3 基于粗糙集理论的诊断方法
粗糙集理论(roughSettheory)是波兰Z.Pawlak教授于1982年提出的一种处理不完整性和不确定性问题的新型数学工具。粗糙集理论的主要思想:在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。它无需提供问题所需处理的数据集合之外的任何先验信息，能有效地分析和处理不精确、不一致、不完整等各种不完备数据，从中发现隐含知识，揭示潜在规律。鉴于粗糙集理论的优越性，已经有不少研究人员把它引人到故障诊断系统中。
文献[3][4]把粗糙集理论应用于电力系统故障诊断和警报处理，尝试应用粗糙集理论来处理因保护装置和断路器误动作、信号传输误码而造成的错误或不完整警报信号，提出的方法考虑各种可能发生的故障情况，建立决策表(类似于ANN故障诊断的训练样本集)，然后实现决策表的自动化简和约简的搜索，删除多余属性后抽取出诊断规则，揭示警报信息内在冗余性。
文献[5]提出了基于粗糙集理论与二元逻辑运算相结合的属性约简算法以及改进的值约简算法，并将其应用于由断路器和保护作为条件属性、故障区域作为决策属性的诊断决策表的约简过程中，利用决策表的约简形成综合混合知识模型。文献[5]提出和构造了四类不同的粗糙集与神经网络(NN)组合的故障诊断模型，给出了粗糙集与NN在四类模型中实现不同的互补性、关联关系、应用机理和原则及相应的局限性。
2 电力系统故障诊断发展趋势
随着电网建设的发展、计算机技术和网络技术以及数学和智能科学理论的发展，不断有新的电网故障诊断方法出现，从电力系统故障诊断理论与方法研究和应用的深度、广度可以清晰地看到，其研究仍停留在理论和模型的探索阶段，基本上没有非常成功的成型实用系统，实用化方面一直未有太大的发展。由于以前技术和设施的原因，导致信息资源比较有限，从发表的文献来看，电网故障诊断系统大多依托于调度端或变电站内，分别利用调度SCADA系统的实时信息或站内综合百动化系统收集的信息来实现;随着系统、计算机和网络技术的发展，以及故障录波专用网络的建设，后来又发展了基于故障录波信息的故障诊断系统。此系统的建设，使诸多的信息孤岛纳入系统中，对故障后所有相关的故障信息，例如保护装置信息、录波器信息、雷电定位信息、监控装置信息等，进行采集、传输、存储和处理，为电网故障处理提供了信息支持。这些宝贵的信息为新的电网故障诊断方法提供了基础，大大拓展了电网故障诊断的研究方向。因此，在电网故障诊断理论的实用化过程中，必须充分重视信息的收集与整理工作，包括用于故障诊断的数据仓库的构建、故障综合信息的预处理和诊断知识的提取等。
3结束语
电力系统故障诊断是关系到电力系统安全稳定运行的重要问题，国内外从20世纪80年代起已经进行了大量的研究工作，提出了多种故障诊断技术和方法，但实际系统中该问题并未很好地解决。随着电力系统规模日趋庞大，结构更加复杂，对电力系统故障诊断提出了更高的要求。本文综述了电力系统故障智能诊断的研究方法，评述了这些方法中需要改进之处，进一步指出了该领域的一些主要发展趋势。它们对构建电力系统故障诊断智能辅助决策系统具有重要的指导意义，对保证电力系统的安全运行、减少事故的经济损失具有重要的理论和现实意义。
参考文献
[1]杜一，张沛超，郁惟墉.基于事例和规则棍合推理的变电站故障诊断系统[J].电网技术，2004，28(l).
[2]YANGH，CHANGW，HUANGC.power system Distributed On line Fault Seetion EstimationUsingDeeisionTreeBasedNeuralNetsApproaeh.IEEETransonPowerDelivery，1995，10(1).
故障诊断方法综述篇11
航空；电子设备；故障诊断；信息不完备诊断学
随着系统控制的复杂化、智能化程度越来越高，航电设备的集成规模也越来越大，设备的故障报告率大幅提高。航空电子设备是系统的核心控制部件，目前多为集成印刷电路板作为功能模块单元，出于航空安全的考虑，重要的模块，还需要多余度的设计以互为备份。而故障的发生往往可能起源于模块上微小的电子元件故障。对于航空电子设备而言，准确的故障诊断，不仅能保证安全有效的运行，还能大大降低维修的成本。故航空电子设备故障诊断技术是航空工业领域研究热点，也是各个零部件修理厂商的技术核心。目前，故障诊断方法可分为基于信号处理、基于解析模型以及基于系统知识三类。航空电子设备十分复杂，包含大量的元素，故障诊断初检通过后，需要经过完整的整机测试诊断，但因很多原因，有时获得的信息与现实情况存在较大出入，从而导致诊断不准确。本次研究简要概述基于测试信息不完备条件下航空电子设备故障诊断策略。
1.理论基础
信息不完备是指诊断系统中的某个或多个数据丢失、不完全或不确定，导致信息数据不完整。Kryszkiewiez等认为采用粗糙集理论是处理不完全信息的有效手段，其实际上一种基于参数诊断方法策略，通过构建不完整的决策树，表示故障树，通过合适的算法来确定最可能出现不模糊信息的故障，从而诊断故障，其需要深入分析实际系统行为和预测行为系统行为之间不一致的原因者，从而找到可能的故障源[1]。理论上，越是复杂的仪器设备，内部诊断参数相互之间的联系便越复杂，与此同时可以获得的诊断信息也越多，缺失部分的信息对整个检测信息的影响也明显减弱，缺失部分能够被知识集中其它等价元素取代，通过挖掘知识结合，能够处理不精确以及模糊信息，为模糊诊断创造了条件。
2.不完全信息条件下航空电子设备故障诊断国内外进展
2.1国外进展
随着计算机技术、信号处理技术、现代探测技术的进步，发动机孔探等无损检测技术以及智能机测试等技术成熟。飞机的数字化程度提高，同时机载系统、飞行数据记录系统、机载维护系统也飞速发展。以上都推动了飞行器诊断信息学发展，可以获得诊断信息越来越多。如波音747-400采用状态监控技术逻辑方程进行故障诊断，空客的飞机电子中央飞机监控系统（ECAM）和飞机综合数据系统（AIDS）。美国Deb博士等人率先提出了从信号多维属性出发，分析系统原理、功能，确认信号以及检测信号之间的因果关系，将系统中的材料流、能量流、信息流、故障添加到组成模块中，多信号模型可提供被诊断系统的测试性、诊断分析特性，从而合理安排测试帮助提高故障诊断效应，在这样的系统中，部分信号的丢失会有其他关联信号补充[2]。Deb博士等成立的QSI公司基于这种模型开发了TEAMS工具箱，并用于UH-60通用直升机的故障诊断。NASA下属的Ames研究中心的诊断引擎通过根据待诊断对象的定性模型和输入参数计算当前理论预测值，而后通过检测获得实际观测值，对比两者差异，采用广义约束传播、模糊集等方法获得最小的冲突集，通过最佳的搜索策略，生成故障候选集。实际上在国外测试信息不完全条件下的故障诊断已早早的用于太空科技领域，发展数十年基本成熟，成为综合诊断的组成部分。
2.2国内研究进展
禹航等[3]认为粗糙集仅能处理完全信息系统，对描述知识不确定性问题过于简单。其所在的团队尝试构建了一种基于冲突信息条件下的装备故障诊断方法，其构建了近似于表示空间的策略，采用冲突诊断信息系统描述故障信息，对其属性进行约检，设计了包含度的针对完全信息对象的故障诊断策略，针对不完全信息对象采用向量补齐的策略，将其用于航空发动机故障诊断，结果显示其有效的提高故障诊断准确率。翟颖烨等[4]尝试基于ATE故障诊断系统，设计了一种通用的故障诊断系统软件，其采用XML语言编写了所需以及产生信息的模型，结合粗糙集、故障树分析方法，尝试构建了某类型飞机电子对抗设备综合测试与故障诊断系统软件系统框架。ATE测试设备，是国内航电系统部件故障测试的主流测试方法。不得不提的是，目前ATE测试设备的测试准确性，完全受制于测试模型的构建和语言的编写。这将取决于机载航电设备的知识产权和国内的研发水平，对于国内运行的主流民航客机来说，此模块核心技术基本由国外部件制造厂商掌握。因而国内达不到足够的检测和维修深度，检测维修均停留在高一级的零部件上，这也导致了高的维修成本。从整体来看，我国基于测试信息不完备条件下的诊断研究相对滞后，研究人员少，局限性较大。基于以上的现状，电子设备的诊断依然有可提升的方面。现在机载系统的设计均具备自测功能（bite），该功能不仅保障系统工作的正确，也能在系统内部失效时存储相关信息到电子设备的存储器NVM中，对于部件自带NVM数据的解读，将弥补测试设备的不完善。基于系统知识，通过分析建立模型，将NVM中提供的信息应用于设备的诊断中。
3.小结
基于测试信息不完备条件下航空电子设备故障诊断的关键在于构架诊断知识的获取模型，通过合适的算法构建基于特征关系的粗糙集拓展模型，对诊断信息表进行规则提取，同时对特征值进行离散化处理，提高决策规则的准确性。另外基于系统知识对NVM数据的解读，也是有效的提高诊断准确性的方法。
参考文献：
故障诊断方法综述篇12
一、汽车故障诊断时要注意的问题
（一）查找合适的维修信息。对于装有自诊断系统的待检查的汽车来说，检查诊断的第一步就是查找合适的维修信息。必须拥有修汽车的说明书，不能用推测、猜想，如果实在找不到原车说明书，用同类车型作 参考 也可以，但要注意数据的差异。除此之外，最好拥有要维修汽车的服务通报。
同时，必须拥有汽车的电路图和结构图，没有相应的电路图对于诊断 计算 机系统的故障是很困难的，甚至是不可能的。制造商提供的维修手册、通用维修手册或 电子 数据系统中必须载有维修程序信息。诊断结果可以由专用的输出传感器表明是否有故障，但无法显示故障是出在传感器本身还是出在导线上，必须有合适的检查程序以确定出准确的故障原因。一本部件位置手册可以帮助找到汽车上的某一个部件，从而节省时间。
（二）积极的查找故障。有些汽车的间歇性故障是难于诊断的，除非是你检查汽车时正好故障显现。换句话说，当我们进行诊断测试时，故障症候不出现，故障就难以诊断。
当故障一出现，立即直接到现场去诊断故障。这一方法对无法启动的故障尤为适用。如果出现这种情况，应当告知顾客不要再试图启动汽车。这样做的费用可能偏高，但有时候，这可能是成功地诊断故障原因的唯一方法。一定要乐于多跑上几千米为顾客诊断，排除故障。
在汽车检修中，如果计算机装有可拆卸的“可编程只读存储器”，那么必须拥有最新的“可编程只读存储器”刷新的信息。假如不具备这类知识，而汽车制造商却推荐更换“可编程只读存储器”来修正一项特别的驾驶性能，那么将在检查、诊断上浪费时间。
再有一点需要注意的常识是，必须知道发动机的机械故障也能产生诊断故障代码，因此诊断故障代码并不一定是发动机计算机系统某一元件的故障。例如，如果是由于排气阀烧坏而使汽缸压缩性变差，而诊断故障代码显示的一直是氧传感器提供的缺氧信号。事实上，大量的油气混合气在这个汽缸内未燃烧，氧传感器能感应到排气气流中附加的氧气。这时必须能决定到底是传感器故障导致缺氧故障码还是有机械上的原因。
二、根据故障的性质不同进行不同的维修
汽车维修很重要的一点就是确定故障性质。根据汽车故障性质、状态的不同采用不同的维修方法。
（一）按工作状态可分为间歇性故障和永久性故障。间歇性故障就是有时发生、有时消失的故障。永久性故障是故障出现后，如果不经人工排除，它将一直存在。
（二）按故障程度可分为局部功能故障和整体功能故障。局部功能故障是指汽车某一部分存在故障，这一部分功能不能实现，而其它部分功能仍完好。整体功能故障虽然可能是汽车的某一部分出现了故障，但整个汽车的功能不能实现。
（三）按故障形成速度分，有急剧性故障和渐变性故障。急剧性故障是故障一经发生后，工作状况急剧恶化，不停机修理汽车就不能正常运行。渐变性故障 发展 较缓慢，故障出现后一般可以继续行驶一段时间后再修理。与急剧性故障相类似的一种故障叫突发性故障。在故障发生的前一刻没有明显的症状，故障发生往往导致汽车功能丧失，甚至危及人身、车辆安全。
（四）按故障产生的后果分，有危险性故障和非危险性故障。突发性故障和急剧性故障属于危险性故障，常引起汽车损坏，危及到车辆和人身安全，是汽车故障诊断与预防的重点。渐变性故障属非危险性故障，故障发生后一般可以修复。
三、汽车诊断时要注意以下三点
（一）要有详细的汽车诊断参数。汽车诊断参数是诊断技术的重要组成部分。在不解体的条件下直接测量结构参数十分困难，因此必须通过状态参数进行描述。此时用来描述系统、零件和过程性质的状态参数称为诊断参数。一个结构参数的变化可能引起很多状态参数的变化。究竟选择哪些状态参数作为诊断参数，应从技术上和 经济 上综合分析来确定。
（二）合理使用汽车诊断方法。汽车在工作过程中，各种零件和总成都处于装配状态，无法对其零件进行直接测试，例如汽缸的磨损量、曲轴轴承的间隙等，在发动机不解体的情况下是无法测量的。因此，对汽车进行诊断时都是采用间接测量，如通过振动、噪声、温度等物理量的测量，来间接诊断汽车的技术状况。由于采用间接测量方法进行判断，必然会带来一些“不准确性”，例如，发动机工作时，曲轴主轴承的工作状态可分为正常状态和不正常状态两种情况，如果采用机油温度作为判断轴承工作状态的特征，并将油温分为“正常”、“过高”两种情况，则可能会产生误判。因为机油温度过高，固然可能是由于轴承运转失常所致，但也可能是其它原因(如机油粘度不合适、机油量不足、机油散热器不良等)造成机油温度上升。
“故障树”分析法，是根据汽车的工作特征和技术状况之间的逻辑关系构成的树枝状图形，来对故障的发生原因进行定性分析，并能用逻辑代数运算对故障出现的条件和概率进行定量估计。这是一种可靠性分析技术，它普遍应用于汽车等复杂动态系统的分析。树枝图分析法用于汽车诊断，不仅可以分析由单一缺欠所导致的系统故障，而且还可以分析两个以上零件同时发生故障时才发生的系统故障，还能分析系统组成中除硬件以外的其它成份，例如可以考虑汽车维修质量或人员因素的影响。
汽车故障的发生带有随机性，属于偶然性事件，如若建立树枝图，并用它来分析故障，则有助于弄清楚故障发生的机理，除可进行定性分析外，还可以根据树枝图中影响故障发生因素的出现概率，定量地预测出故障发生的可能性(即故障发生的概率)。
故障诊断方法综述篇13
一、汽车故障诊断时要注意的问题
（一）查找合适的维修信息。对于装有自诊断系统的待检查的汽车来说，检查诊断的第一步就是查找合适的维修信息。必须拥有修汽车的说明书，不能用推测、猜想，如果实在找不到原车说明书，用同类车型作参考也可以，但要注意数据的差异。除此之外，最好拥有要维修汽车的服务通报。
同时，必须拥有汽车的电路图和结构图，没有相应的电路图对于诊断计算机系统的故障是很困难的，甚至是不可能的。制造商提供的维修手册、通用维修手册或电子数据系统中必须载有维修程序信息。诊断结果可以由专用的输出传感器表明是否有故障，但无法显示故障是出在传感器本身还是出在导线上，必须有合适的检查程序以确定出准确的故障原因。一本部件位置手册可以帮助找到汽车上的某一个部件，从而节省时间。
（二）积极的查找故障。有些汽车的间歇性故障是难于诊断的，除非是你检查汽车时正好故障显现。换句话说，当我们进行诊断测试时，故障症候不出现，故障就难以诊断。
当故障一出现，立即直接到现场去诊断故障。这一方法对无法启动的故障尤为适用。如果出现这种情况，应当告知顾客不要再试图启动汽车。这样做的费用可能偏高，但有时候，这可能是成功地诊断故障原因的唯一方法。一定要乐于多跑上几千米为顾客诊断，排除故障。
在汽车检修中，如果计算机装有可拆卸的“可编程只读存储器”，那么必须拥有最新的“可编程只读存储器”刷新的信息。假如不具备这类知识，而汽车制造商却推荐更换“可编程只读存储器”来修正一项特别的驾驶性能，那么将在检查、诊断上浪费时间。
再有一点需要注意的常识是，必须知道发动机的机械故障也能产生诊断故障代码，因此诊断故障代码并不一定是发动机计算机系统某一元件的故障。例如，如果是由于排气阀烧坏而使汽缸压缩性变差，而诊断故障代码显示的一直是氧传感器提供的缺氧信号。事实上，大量的油气混合气在这个汽缸内未燃烧，氧传感器能感应到排气气流中附加的氧气。这时必须能决定到底是传感器故障导致缺氧故障码还是有机械上的原因。
二、根据故障的性质不同进行不同的维修
汽车维修很重要的一点就是确定故障性质。根据汽车故障性质、状态的不同采用不同的维修方法。
（一）按工作状态可分为间歇性故障和永久性故障。间歇性故障就是有时发生、有时消失的故障。永久性故障是故障出现后，如果不经人工排除，它将一直存在。
（二）按故障程度可分为局部功能故障和整体功能故障。局部功能故障是指汽车某一部分存在故障，这一部分功能不能实现，而其它部分功能仍完好。整体功能故障虽然可能是汽车的某一部分出现了故障，但整个汽车的功能不能实现。
（三）按故障形成速度分，有急剧性故障和渐变性故障。急剧性故障是故障一经发生后，工作状况急剧恶化，不停机修理汽车就不能正常运行。渐变性故障发展较缓慢，故障出现后一般可以继续行驶一段时间后再修理。与急剧性故障相类似的一种故障叫突发性故障。在故障发生的前一刻没有明显的症状，故障发生往往导致汽车功能丧失，甚至危及人身、车辆安全。
（四）按故障产生的后果分，有危险性故障和非危险性故障。突发性故障和急剧性故障属于危险性故障，常引起汽车损坏，危及到车辆和人身安全，是汽车故障诊断与预防的重点。渐变性故障属非危险性故障，故障发生后一般可以修复。
三、汽车诊断时要注意以下三点
（一）要有详细的汽车诊断参数。汽车诊断参数是诊断技术的重要组成部分。在不解体的条件下直接测量结构参数十分困难，因此必须通过状态参数进行描述。此时用来描述系统、零件和过程性质的状态参数称为诊断参数。一个结构参数的变化可能引起很多状态参数的变化。究竟选择哪些状态参数作为诊断参数，应从技术上和经济上综合分析来确定。
（二）合理使用汽车诊断方法。汽车在工作过程中，各种零件和总成都处于装配状态，无法对其零件进行直接测试，例如汽缸的磨损量、曲轴轴承的间隙等，在发动机不解体的情况下是无法测量的。因此，对汽车进行诊断时都是采用间接测量，如通过振动、噪声、温度等物理量的测量，来间接诊断汽车的技术状况。由于采用间接测量方法进行判断，必然会带来一些“不准确性”，例如，发动机工作时，曲轴主轴承的工作状态可分为正常状态和不正常状态两种情况，如果采用机油温度作为判断轴承工作状态的特征，并将油温分为“正常”、“过高”两种情况，则可能会产生误判。因为机油温度过高，固然可能是由于轴承运转失常所致，但也可能是其它原因(如机油粘度不合适、机油量不足、机油散热器不良等)造成机油温度上升。
“故障树”分析法，是根据汽车的工作特征和技术状况之间的逻辑关系构成的树枝状图形，来对故障的发生原因进行定性分析，并能用逻辑代数运算对故障出现的条件和概率进行定量估计。这是一种可靠性分析技术，它普遍应用于汽车等复杂动态系统的分析。树枝图分析法用于汽车诊断，不仅可以分析由单一缺欠所导致的系统故障，而且还可以分析两个以上零件同时发生故障时才发生的系统故障，还能分析系统组成中除硬件以外的其它成份，例如可以考虑汽车维修质量或人员因素的影响。
汽车故障的发生带有随机性，属于偶然性事件，如若建立树枝图，并用它来分析故障，则有助于弄清楚故障发生的机理，除可进行定性分析外，还可以根据树枝图中影响故障发生因素的出现概率，定量地预测出故障发生的可能性(即故障发生的概率)。
