1.4 故障診斷技術概述

1.4.1 故障診斷的含義

診斷（Diagnosis）一詞原是醫學名詞，是醫生收集病人癥狀，并根據癥狀進行分析處理，以判斷患者的病因、嚴重程度，從而確定對患者的治療措施與方案的過程。設備診斷技術借用了上述概念，是指利用各種檢查方法和監視手段，通過對設備運行中各種特性的測量，了解及評估設備在運行過程中的狀態，從而能早期發現故障的技術。其中，特征量的收集過程稱為狀態監測。診斷指故障診斷，含義是指特征量收集后的分析判斷過程。設備的故障診斷有離線診斷和在線診斷，其目的是及時發現設備的潛在故障，通過分析故障形成原因，預防故障的進一步發生；盡可能排除設備故障，保證設備安全穩定運行，可靠發揮設備功能。

設備的故障診斷技術發展源于20世紀60年代，美國是最早研究的國家之一。自1961年執行阿波羅計劃后，因設備故障造成的一系列事故促使美國宇航局倡導，由美國海軍研究室主持成立美國機械故障預防小組，從事診斷技術的研發工作。20世紀六七十年代，英國機器保健和狀態監測協會開始研究故障診斷技術。我國是在1979年才初步接觸設備診斷技術，目前在化工、冶金、航空、電力等領域有較好的應用。由于故障診斷技術是在基本不拆卸設備或設備運行中，了解設備的使用狀態，確定設備正常與否，進而早期辨別設備的故障原因并制定相應的處理措施，因此對于提高設備安全經濟運行具有重要意義。經過多年的研究和現場運行考核，國內外很多公司已成熟地開發出了設備狀態監測與故障診斷系統，并進行了廣泛的應用，如美國西屋公司的GEN-AID系統使得克薩斯州的7臺發電機組的強迫停機率由1.4%降到0.2%，平均可用率從95.2%升高到96.1%；英國CEGB公司下屬的550M W和660M W發電廠因機組故障每年損失750萬英鎊，應用故障診斷技術后，通過對機組振動故障原因的5次正確分析，就獲得直接經濟效益293萬英鎊。設備故障診斷技術經過半個世紀的發展，在理論上和實際上均取得很多進展。

1.4.2 故障診斷系統的性能指標

1.檢測性能指標

（1）早期檢測的靈敏度：指一個故障檢測系統對最小故障信號的檢測能力。

（2）故障檢測的及時性：指對象發生故障后，故障檢測系統能夠在盡可能短的時間內檢測到故障發生的能力。

（3）故障的誤報率和漏報率：系統沒有發生故障卻被錯誤的判定為出現故障的情形稱為誤報；系統中出現了故障卻沒有被檢測出來稱為漏報。

2.診斷性能指標

（1）故障分離能力：指診斷系統對于不同故障的區分能力。分離能力強的系統，對故障的定位也就越準確。

（2）故障辨識的準確性：指診斷系統對故障大小、發生時刻以及隨時間變化特性估計的準確性。故障辨識準確性高的系統，有利于對故障的評估和決策。

3.綜合性能指標

（1）魯棒性：指故障診斷系統在存在干擾、噪聲、建模誤差等情況下正確完成故障診斷，并保持滿意的漏報率和誤報率的能力。魯棒性高的診斷系統，其可靠性越高。

（2）自適應能力：指當被診斷對象變化時，故障診斷系統具有自適應能力，并且可以利用變化中產生的新信息改善自身性能的能力。

1.4.3 故障診斷的基本方法

對于設備的運行管理，早期是發生故障后再維修，稱為事后維修；但對于大型復雜設備系統，這種突發性故障將造成巨大損失。其后，發展為定期試驗和檢修。定期試驗和檢修是離線進行的，所以無法隨時監測設備，判斷準確度有限。而設備故障診斷技術是以運行狀態監測和故障診斷為基礎的設備狀態維修，因此在采取狀態監測與故障診斷技術后，可以使設備由預防性維修向預知性維修（即狀態維修）過渡，從到期必修過渡到該修則修，提高了設備運行效率和可靠性。

經過半個世紀的發展，故障診斷技術的發展大致經歷了三個發展階段。第一階段，主要依靠專家或維修人員的個人經驗和簡單的儀表工具，實現一些簡單設備的故障診斷；第二階段，融合了傳感器技術、動態測試技術及信號分析等方法，提高了故障診斷的準確度；第三階段，智能故障診斷階段，在前者的基礎上應用了神經網絡、模糊理論、遺傳算法、粗糙集理論、數據挖掘、專家系統等計算機技術和人工智能技術，使故障診斷技術逐漸向智能化方向發展，實現復雜生產設備的故障診斷，給技術人員對大型設備的預知維修提供更便利的條件。

現有常用的故障診斷方法可分為基于解析模型的方法和不基于解析模型的方法。基于解析模型的方法可分為狀態估計法、參數估計法和等價空間法等；不基于解析模型的方法可分為基于信號處理的方法和基于知識的方法等。故障診斷方法的分類如圖1-6所示。

1.4.3.1 基于解析模型的方法

此方法是最早發展起來的，一般需要建立被診斷對象的較為精確的數學模型。該類方法應用在線系統辨識技術為系統實時的建立數學模型，當系統發生故障時，系統的輸入輸出關系就會改變，這些變化會反映到數學模型中，因此通過觀測系統數學模型的參數變化，就可以判斷系統是否存在故障。它可進一步分為狀態估計法、參數估計法和等價空間法。這三種方法雖是獨立發展起來的，但它們又存在著一定的聯系。

1.狀態估計法

系統的運行狀態可以通過被控對象的狀態變量反應，因此通過估計出系統狀態，并與適當模型結合就可以進行故障診斷。其基本思想是重構被控過程的狀態。通過與可測變量比較構成殘差序列，由于殘差序列中包含各種故障信息，再構造適當的模型并用統計檢測法，就可從殘差序列中把故障檢測出來，并做進一步分離、估計及決策。所謂殘差，就是與被診斷系統的正常運行狀態無關的、由其輸入輸出信息構成的線性或非線性函數。在沒有故障時，殘差等于零或近似為零（在某種意義下）；而當系統出現故障時，殘差應顯著偏離零點。1971年，Beard首先提出故障診斷的檢測濾波器的概念，標志著基于狀態估計的故障診斷方法的誕生。狀態估計的獲得通常可用各種狀態觀測器或濾波器實現，如卡爾曼濾波器法、自適應觀測器法等。

2.參數估計法

如果參數的顯著變化可以描述故障，那么就可以利用估計參數值技術，根據參數的估計值與正常值之間的偏差情況來判斷系統的故障情況。參數估計法根據模型參數及相應的物理參數的變化量序列統計特性，來進行故障檢測、分離和估計。1984年，Iserman對于參數估計的故障診斷方法作了完整的描述。圖1-7為基于參數估計的故障診斷框圖。常用的參數估計法有最小二乘法、跟蹤濾波法等。

圖1-6 故障診斷方法分類示意圖

3.等價空間法

等價空間法的基本思想是通過系統輸入、輸出的實際測量值檢驗被診斷系統數學關系的一致性，從而進行故障診斷。等價空間法包括奇偶方差方法、方向性殘差方法和約束優化的等價方程等方法。

1.4.3.2 基于信號處理的方法

當被控對象的輸入輸出信號可以獲得，但很難建立診斷對象的解析模型時，可以采用基于信號處理的方法進行故障診斷。此類方法的主要思想是：對于采集到的信號，利用信號分析理論獲得系統時域和頻域中較深層次的多種特征向量，利用這些特征向量與系統故障源之間的關系判斷故障源的位置。這種方法回避了建立對象數學模型的難點，而直接利用信號模型，如相關函數、高階統計量、頻譜和自回歸滑動平均過程以及熱門的小波分析等技術，直接分析可測信號，提取方差、均值、幅值、相位、峭度、散度、頻譜等特征值，從而識別和評估設備的狀態。此方法主要用于診斷對象的解析模型難以建立，但系統的一些狀態或者輸出參數可以測量的系統。

圖1-7 基于參數估計的故障診斷框圖

1.輸入輸出信號閾值簡單判別法

在正常情況下，被控過程的輸入輸出信號應在正常范圍內變化。通過測量系統的輸入信號和輸出信號，當不在正常范圍時，可以認為系統故障。還可通過測量輸入輸出信號的變化率，分析是否滿足正常的范圍，從而判斷是否有故障發生。

2.輸出信號處理法

系統輸出的信號與故障源之間可能會在頻率、相位、幅值、相關性等方面存在一定聯系，利用一定的信號處理的數值計算方法，對信號進行變換、綜合，可以揭示這些特征量，來判斷故障源所在。常用的方法有傅里葉頻譜分析法、功率譜分析法、相關分析法等。例如，采用譜分析對比診斷的基本原理就是將典型狀態下監測信號通過各種數學變換的譜圖和故障譜圖用數據庫形式存放在計算機中，在診斷過程中，通過譜圖的尋找和對比，研究狀態變化和參量分布，參照譜數據庫得出診斷結論。

3.基于小波變換的方法

小波變換是一種全新的時間一尺度分析方法，具有靈敏度高、克服噪聲能力強的特點。小波變換的基函數是一系列尺度可變的函數，具有良好的時間一頻率定位特性。對信號進行小波變換，適當的選取小波尺度，在這些尺度上的小波基進行信號的重構，去掉高頻、工頻噪聲段的小波尺度，可以保證這些重構的信號只包含系統運行信息和故障信息。主要方法有利用測量信號的奇異性進行故障診斷；利用測量信號的頻率結構變化進行故障診斷等方法。

4.基于信息融合的方法

這是一種局部診斷-全局融合的故障診斷方法。為了充分利用檢測量所提供的信息，首先對每個檢測量采用多種診斷方法進行診斷，這一過程稱為局部診斷，然后將各診斷方法所得的結果加以綜合，得到系統故障診斷的總體結果。目前融合故障診斷方法有貝葉斯（Bayes）推理、D-S證據理論、神經網絡融合等。

5.基于信號模態估計的方法

依據系統的死循環特征方程求解與物理參數變化的根軌跡集合，任取一死循環信號采用最小二乘法估計系統的模態參數，最后利用模式識別技術將估計模態與根軌跡進行匹配，從而實現故障分離。

6，統計診斷分析法

運用貝葉斯公式算出某種征兆特定故障引起的概率，進而判別故障類型。這個方法必須要考慮被診斷對象的運行歷史狀況，以獲取各種故障發生的概率變化情況，為各種故障確定先驗概率。統計診斷法容易發生錯報和漏報，只有在觀測樣本較多的情況下效果較好。

1.4.3.3 基于知識的方法

在工程實踐中，對象的精確數學模型是無法得到的，這就大大限制了解析方法的使用范圍。而基于知識的方法恰恰不需要對象的精確數學模型，因此具有很強的生命力。隨著人工智能技術的發展，專家系統、模糊技術、神經網絡技術、知識工程等被引入到過程控制中，進一步應用到故障診斷領域。

1.基于專家系統的故障診斷法

專家系統是人工智能領域非常活躍的分支。這種方法不依賴于系統的數學模型，而是根據專家長期的實際經驗及大量故障信息知識、分析問題和解決問題的思路，建立故障診斷的知識庫、規則庫和推理機，設計一個計算機程序，根據知識庫的知識，規則庫的規則及推理機的推理機制，進行推理和故障診斷。

2.基于神經網絡的故障診斷法

神經網絡技術以分布的方法存儲信息，利用網絡的拓撲結構和權值分布來實現非線性映射。在神經網絡的故障診斷系統中，只需要用該領域專家解決問題的實例或樣例來訓練網絡。神經網絡結構確定、權值學習好后，可以由代表故障癥狀的輸入數據，直接推出代表故障原因的輸出數據。

3.基于模糊邏輯的故障診斷法

模糊集合、模糊運算、模糊邏輯系統對模糊信息有強大處理能力，由于故障征兆是界限不分明的模糊集合，故障診斷的機理非常適合用模糊規則來描述，使模糊邏輯的方法成為故障診斷的一種有力工具。

模糊診斷將某類故障發生時的所有征兆構成征兆群空間，將引起某種故障的所有原因構成一個故障原因空間，故障原因必然會與征兆空間中的某些征兆群相對應。當把故障原因看做征兆空間的模糊子集時，故障診斷的問題就是確定征兆空間的某個元素（即征兆）以多大程度隸屬于哪個模糊子集（即故障原因）的問題。一般用隸屬度來描述這種程度的大小。求出隸屬度的最大值，就得到了診斷結果。模糊診斷是一種很有前途的診斷方法，但過程中隸屬函數的確定有一定難度，精確性的高低取決于統計資料的準確性和豐富程度，以及專家的實際經驗。

4.基于故障樹分析的故障診斷法

故障樹是應用于可靠性分析的一種方法，現已廣泛應用于故障診斷領域。利用故障的層次特性，將故障的成因和后果關系形成一串有很多層次的因果鏈，加上一因多果或一果多因，就構成了描述故障的故障樹。故障樹的診斷方法依靠準確的故障樹結構，而故障樹的建立需要對系統機理的深入了解。故障樹分析法是一種圖形演繹的診斷方法，是通過對可能造成系統故障的各種因素（包括硬件、軟件、環境、人為因素等）進行分析，畫出邏輯框圖（即故障樹），再對系統中發生的故障事件，由總體至分支按樹結構逐級分析，其目的是判明基本故障，確定故障原因、故障影響和發生概率等。

5.基于圖論的模型推理方法

將系統元件定義為圖的節點，利用元器件之間的影響關系將系統模型化為圖，然后進行故障診斷。基于圖論的故障診斷方法主要有基于符合有向圖的診斷方法和基于故障傳播的診斷方法。

6.故障模式及后果分析診斷法

故障模式影響及后果分析是故障診斷分析中一個極為重要的方法。故障模式影響及后果分析（FMEA）是通過分析零部件各種故障模式對整個系統的影響，來鑒定產品的可靠性或確定故障原因的一種分析方法。它可用于零部件或整機系統的分析中，有利于將故障影響減少到最低限度。由于需要分析涉及系統的所有組成部分，所以工作量會隨著系統的復雜程度而加大。

7.基于灰色理論的故障診斷方法

基于灰色理論的故障診斷的主要思想是將預測系統看作是一個灰色系統，然后用已知的信息來預報含有故障模式的不可知信息的特性、狀態以及發展趨勢，預報未來的故障。灰色理論包含灰色預測、灰色關聯度分析、灰色聚類以及灰色決策。其中灰色關聯度在故障診斷中應用最為廣泛，其實施過程為：首先建立故障標準模式特征向量矩陣，然后獲取實測信號的待檢測特征向量，求出待檢測特征向量與標準特征向量的關聯度，并進行由大到小的排序。若待檢測模式序列與某一標準模式序列的關聯度最大，則認為待檢測模式為該類故障模式。

8.粗糙集理論故障診斷分析法

粗糙集理論是一種處理模糊和不確定知識的新型數學工具，它的最大特點是不需要提供求解問題時所需處理的數據集合之外的任何先驗信息（如統計中要求的先驗概率和模糊集中要求的隸屬度），就能有效地分析和處理不確定、不一致、不完整等各種不完備數據，并從中發現隱含知識，揭示其潛在規律。

一般來說，人工智能及其他復雜信息處理問題均以分類作為它們的基本機制之一，粗糙集理論就是建立在分類機制的基礎之上的，它將分類理解為等價關系，而這些等價關系將對待定空間進行劃分。粗糙集理論將等價關系對空間的劃分與知識等同，即將知識理解為對數據的劃分，而被劃分的集合稱為概念。

故障診斷技術是一門以數學、計算機、自動控制、信號處理、仿真技術、可靠性理論等有關學科為基礎的多學科交叉的綜合性學科。故障診斷技術發展至今，已經出現了基于不同原理的眾多方法。如何利用提出的大量故障診斷方法，將多種故障診斷方法有效結合，充分地獲取知識、利用知識，進而提高故障診斷系統的性能將成為故障診斷方法研究的熱點。