2026《故障诊断研究现状分析综述》2300字.docxVIP

故障诊断研究现状分析综述

故障诊断方法分类

根据P.M.Frank的观点REF_Re\r\h[12]，故障诊断的方法分为三类，分别是：基于知识的方法、基于解析的方法、基于信号处理的方法。但随着解析求解难度的增大，可以将故障诊断方法分为定性、定量两类。分类如图1.1所示REF_Re\r\h[13]。

图

图STYLEREF1\s1.SEQ图\*ARABIC\s11故障诊断方法分类示意图

基于图论的故障诊断方法包括符号有向图方法和故障树方法REF_Re\r\h[5]。基于图论的故障诊断方法输出结果便于理解，应用范围广和建模简单的特性。不过，当系统复杂度高时，图论的方法就失去了效果，可能无法得到诊断结果。

基于专家系统的故障诊断方法是利用相关专家在该领域上积累的经验的知识库。在此基础上还原推理与决策过程REF_Re\r\h[6]。该方法需要知识库、推理机、数据库等组成。其中知识库和推理机是其核心REF_Re\r\h[14]。尽管专家系统无需对系统进行数学建模且可解释性强，但是在专家经验基础上建立的知识库不确定性较高，且语言条件难以转化为计算机语言，更重要的是知识获取十分困难。近年来，专家系统发展较慢。

基于解析模型的方法可以分为状态估计法、等价空间法、参数估计法。这三种方法虽然独立发展，但又彼此联系。这是因为等价空间方法与观测器方法在结构上是等价的，参数估计法和观测器方法之间也是互补关系REF_Re\r\h[7]REF_Re\r\h[15]。

基于机器学习的方法是通过系统数据训练神经网络等算法进行故障诊断。近年来，随着机器学习的快速发展，该方法也有许多突破，详细讲述见下节。

基于多元分析的方法是利用变量间相关性进行过故障诊断。较常见的方法是利用多元投影将多个变量投影到低维空间，在其基础上进行进一步的分析。该方法不需要对系统结构深入了解，只需要系统数据即可REF_Re\r\h[13]。该方法虽然有易操作的特点，但是其解释性不强，且在复杂系统中难以使用。

基于信号处理的方法是使用信号处理方法对测量的信号进行分析。主要特点是在信号时域或者频域中提取特征来进行分析。该方法的方式主要是频谱分析和小波变换等数字信号处理方法。由于该方法立足于寻找特征，因此在许多方法都有应用。但是信号处理本身应用能力不强，需要其他方法辅助进行故障诊断。

关键故障诊断方法

卷积神经网络在故障诊断中可以结合多尺度特征完成模型的构建REF_Re\r\h[17]。该方法基于WPI和卷积神经网络来进行性轴承故障诊断，见图1.2。得到振动信号后基于相空间重构生成WPI。与传统的特征向量不同的是，该WP相空间图像可以反映二维空间中节点的物理关系。然后将得到的WPI输入卷积神经网络，并通过后向传播算法来优化网络参数。过程中，卷积网络会学习频率的能量与像素的局部关系。卷积网络的输出经过了softmax层得到的概率分布可以用于故障诊断。模型中包含一个多尺度层，能将最后的特征与前面的输出相结合。相较于普通卷积神经网络输出的特征，多尺度特征细节精确，可以有效地进行特征分类。这种思想对本文提出的方法很有启发。此外，此类方式都是将输入的一维数据进行小波变换，将故障诊断问题转化为图像分类问题。这样的转化可以借鉴图像处理领域的相关思想，但是也损失了一维数据的特点。

自编码器及深度学习是一种无监督学习算法REF_Re\r\h[16]，可以自适应地学习特征来克服在特征提取时遇到的问题。自编码器结构简单，易于实现。可以通过堆叠多个自编码器从原始数据中提取特征，然后将提取的特征通过softmax回归来进行故障类型的识别。具体流程如下：先获得旋转机械在不同健康状态下的原始数据，并经过频谱变换得到光谱。之后搭建有多个隐藏层的深度神经网络，并用一维自动编码器对深度神经网络的每一层进行预训练。这一步中如图1.3所示，自编码器对深度神经网络的第一层预训练后得到编码向量，然后再利用编码向量作为输入和输出训练神经网络的第二层参数。这样神经网络的所有隐藏层都经过了预训练的初始化。最后，通过有监督数据实现后向传播算法来微调深度神经网络参数。该方法直接使用原始振动数据，但是性能不理想，因为对于复杂信号，自编码器鲁棒性不好，而且不能保证提取特征的有用性。

图STYLEREF1\s1.SEQ图\*ARABIC\s12卷积神经网络在故障诊断中的应用

图