故障诊断方法终稿.pptx

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