故障診斷

故障診斷也稱診斷，查找設備或系統的故障的過程。用來檢查尋找故障的程序稱為診斷程序，對其它設備或系統執行診斷的系統稱為診斷系統 ^[2]  。

故障診斷是一種瞭解和掌握機器在運行過程中的狀態，確定其整體或局部正常或異常，早期發現故障及其原因，並能預報故障發展趨勢的技術，油液監測、振動監測、噪聲監測、性能趨勢分析和無損探傷等為其主要的診斷技術方式。系統故障診斷是對系統運行狀態和異常情況作出判斷，並根據診斷作出判斷，為系統故障恢復提供依據。要對系統進行故障診斷，首先必須對其進行檢測，在發生系統故障時，對故障類型、故障部位及原因進行診斷，最終給出解決方案，實現故障恢復 ^[3]  。

故障診斷的主要任務有：故障檢測、故障類型判斷、故障定位及故障恢復等。其中：故障檢測是指與系統建立連接後，週期性地向下位機發送檢測信號，通過接收的響應數據幀，判斷系統是否產生故障；故障類型判斷就是系統在檢測出故障之後，通過分析原因，判斷出系統故障的類型；故障定位是在前兩部的基礎之上，細化故障種類，診斷出系統具體故障部位和故障原因，為故障恢復做準備；故障恢復是整個故障診斷過程中最後也是最重要的一個環節，需要根據故障原因，採取不同的措施，對系統故障進行恢復 ^[4]  。

評價故障診斷系統性能的指標大體上可分為以下三個方面 ^[5]  。

1、早期檢測的靈敏度。是指一個故障檢測系統對“小”故障信號的檢測能力。檢測系統早期檢測的靈敏度越高，表明它能檢測到的最小故障信號越小 ^[5]  。

2、故障檢測的及時性。是指當診斷對象發生故障後，檢測系統在儘可能短的時間內檢測到故障發生的能力。故障檢測的及時性越好，説明從故障發生到被正確檢測出來之間的時間間隔越短 ^[5]  。

3、故障的誤報率和漏報率。誤報率是指系統沒有發生故障卻被錯誤地判定出現了故障；漏報則是指系統中出現了故障卻沒有被檢測出來的情形。一個可靠的故障檢測系統應當保持儘可能低的誤報率和漏報率 ^[5]  。

1、故障分離能力。是指診斷系統對不同故障的區分能力。這種能力的強弱取決於對象的物理特性、故障大小、噪聲、干擾、建模誤差以及所設計的診斷算法。分離能力越強，表明診斷系統對於不同故障的區分能力越強，那麼對故障的定位也就越準確 ^[5]  。

2、故障辨識的準確性。是指診斷系統對故障的大小及其時變特性估計的準確程度。故障辨識的準確性越高，表明診斷系統對故障的估計就越準確，也就越有利於故障的評價與決策 ^[5]  。

1、魯棒性。是指故障診斷系統在存在噪聲、干擾、建模誤差的情況下正確完成故障診斷任務，同時保持滿意的誤報率和漏報率的能力。一個故障診斷系統的魯棒性越強，表明它受噪聲、干擾、建模誤差的影響越小，其可靠性也就越高 ^[5]  。

2、自適應能力。是指故障診斷系統對於變化的被診斷對象具有自適應能力，並且能夠充分利用由於變化產生的新信息來改善自身。引起這些變化的原因可以是被診斷對象的外部輸入的變化、結構的變化或由諸如生產數量、原材料質量等問題引起的工作條件的變化 ^[5]  。

基於專家系統的診斷方法是故障診斷領域中最為引人注目的發展方向之一，也是研究最多、應用最廣的一類智能型診斷技術。它大致經歷了兩個發展階段：基於淺知識領域專家的經驗知識的故障診斷系統、基於深知識診斷對象的模型知識的故障診斷系統 ^[6]  。

淺知識是指領域專家的經驗知識。基於淺知識的故障診斷系統通過演繹推理或產生式推理來獲取診斷結果，其目的是尋找一個故障集合使之能對一個給定的徵兆（包括存在的和缺席的）集合產生的原因作出最佳解釋。基於淺知識的故障診斷方法具有知識直接表達、形式統一、高模組性、推理速度快等優點。但也有侷限性，如知識集不完備，對沒有考慮到的問題系統容易陷入困境；對診斷結果的解釋能力弱等缺點 ^[6]  。

深知識則是指有關診斷對象的結構、性能和功能的知識。基於深知識的故障診斷系統，要求診斷對象的每一個環境具有明顯的輸入輸出表達關係，診斷時首先通過診斷對象實際輸出與期望輸出之間的不一致，生成引起這種不一致的原因集合，然後根據診斷對象領（域中的第一定律知識）及其具有明確科學依據的知識他內部特定的約束聯繫，採用一定的算法，找出可能的故障源 ^[6]  。

基於深知識的智能型專家診斷方法具有知識獲取方便、維護簡單、完備性強等優點，但缺點是搜索空間大，推理速度慢 ^[6]  。

基於複雜設備系統而言，無論單獨使用淺知識或深知識，都難以妥善地完成診斷任務，只有將兩者結合起來，才能使診斷系統的性能得到優化。因此，為了使故障智能型診斷系統具備與人類專家能力相近的知識，研發者在建造智能型診斷系統時，越來越強調不僅要重視領域專家的經驗知識，更要注重診斷對象的結構、功能、原理等知識，研究的重點是淺知識與深知識的整合表示方法和使用方法。事實上，一個高水平的領域專家在進行診斷問題求解時，總是將他具有的深知識和淺知識結合起來，完成診斷任務。一般優先使用淺知識，找到診斷問題的解或者是近似解，必要時用深知識獲得診斷問題的精確解 ^[6]  。

知識獲取上，神經網絡的知識不需要由知識工程師進行整理、總結以及消化領域專家的知識，只需要用領域專家解決問題的實例或範例來訓練神經網絡；在知識表示方面，神經網絡採取隱式表示，並將某一問題的若干知識表示在同一網絡中，通用性高、便於實現知識的總動獲取和並行聯想推理。在知識推理方面，神經網絡通過神經元之間的相互作用來實現推理 ^[6]  。

前在許多領域的故障診斷系統中已開始應用，如在化工設備、核反應器、汽輪機、旋轉機械和電動機等領域都取得了較好的效果。由於神經網絡從故障事例中學到的知識只是一些分佈權重，而不是類似領域專家邏輯思維的產生式規則，因此診斷推理過程不能夠解釋，缺乏透明度 ^[6]  。

許多診斷對象的故障狀態是模糊的，診斷這類故障的一個有效的方法是應用模糊數學的理論。基於模糊數學的診斷方法，不需要建立精確的數學模型，適當的運用局部函數和模糊規則，進行模糊推理就可以實現模糊診斷的智能化 ^[6]  。

故障樹方法是由電腦依據故障與原因的先驗知識和故障率知識自動輔助生成故障樹，並自動生成故障樹的搜索過程。診斷過程從系統的某一故障“為什麼出現這種顯現”開始，沿着故障樹不斷提問而逐級構成一個梯階故障樹，透過對此故障樹的啓發式搜索，最終查出故障的根本原因。在提問過程中，有效合理地使用系統的及時動態數據，將有助於診斷過程的進行。於故障樹的診斷方法，類似於人類的思維方式，易於理解，在實際情況應用較多，但大多與其他方法結合使用 ^[6]  。

設備故障診斷是一種給設備“看病”的技術，是瞭解和掌握設備在使用過程中的狀態，確定其整體或局部是正常或異常，早期發現故障及其原因並能預報故障發展趨勢的技術。隨着科學技術與生產的發展，設備工作強度不斷增大，生產效率、自動化程度越來越高，同時設備更加複雜，各部分的關聯更加密切，從而往往某處微小故障就引發連鎖反應，導致整個設備乃至與設備有關的環境遭受災難性的毀壞，這不僅會造成巨大的經濟損失，而且會危及人身安全，後果極為嚴重。因此，設備診斷技術日益發揮重要作用，它可使設備無故障、工作可靠，發揮最大效益；保證設備在將有故障或已有故障時能及時診斷出來，正確地加以維修，以減少維修時間，提高維修質量，節約維修費用 ^[7]  。