故障诊断
开篇：润墨网以专业的文秘视角，为您筛选了八篇故障诊断范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
故障诊断范文第1篇
关键词：汽车；故障诊断；专利
引言
随着汽车工业的发展，汽车的电子化程度越来越高，增强了汽车的安全性和舒适度。但这些复杂的系统同时也会导致汽车故障率的提高和故障维修更为复杂。在汽车发生故障以后，对故障的准确定位和快速排除变得尤为重要，利用汽车故障诊断技术，能够实现汽车故障准确快速地排除。
1 专利申请整体状况分析
1.1 全球专利申请分析
为了研究汽车故障诊断技术的发展状况，在专利数据库中进行了检索，并对专利申请量按照年份进行了统计，如图1所示。从图1中可以看出，在1986年以前，全球汽车故障诊断技术的专利申请量较少，几乎一直维持在10件以下；从1987年开始至1992年，专利申请量逐年略有增加，其中1991年的申请量达到了30件；1993年之后，专利申请量有了较大幅度提升，进入了快速发展期，典型地，2001年申请量达到了175件，2008年申请量达到了346件。从图1中也可以看到，最后两年的专利申请量大幅下降，这是由于近两年申请的专利大部分还没有公开，并非专利申请量急剧下降。
另外，对各国专利申请量占全球申请量的比例进行了统计，申请量较大的依次是日本（JP，23%）、美国（US，18%）、中国（CN，15%）、德国（DE，12%）、韩国（KR，9%）等。其中中国（CN）的申请量占全球的15%，而日本（JP）以23%的占有量位列第一。汽车故障诊断技术的发展状况也从一定程度上反映了该国汽车行业的发展状况。
图1 全球专利申请量
1.2 国内专利申请分析
图1中也对汽车故障诊断技术国内专利申请量的统计。从图中可以看出，在2000年之前，中国在汽车故障诊断技术领域的专利申请量较少，每年的申请量一直处于个位数；从2001年开始，申请量才有较快提升，到2008年达到了37件，2013年达到了104件。同样，最后两年的专利申请量大幅下降，也是由于近两年申请的专利大部分还没有公开造成的。
将我国在这一领域的专利申请量变化与全球申请量变化进行对比，不难发现，相比于全球专利申请量1993年开始由较大幅度提升，我国在2001年之后申请量才有较快提升，说明我国在这一技术领域起步相对较晚。而同时参考各国申请量的比例，我国现在在这以领域的专利申请量已达全球总量的15%，位列第三，说明我国在近些年在这一技术领域也有较快的发展。
2 主要的汽车故障诊断技术及其专利申请状况
汽车故障诊断技术主要有：经验诊断法、简单仪器故障诊断法、专用仪器故障诊断法、针对特定部件的故障诊断法和智能故障诊断法。
经验诊断法是早期的故障诊断方法，主要依赖人工的耳听、眼看、手模、鼻嗅、拆试等手段根据逻辑推理的方式对汽车故障进行诊断。针对该经验诊断法的专利申请几乎没有，以下主要分析另外四种故障诊断方法。
2.1 简单仪器故障诊断法
简单仪器故障诊断法是使用万用表、示波器、电感式电流探测针等仪器获取汽车的相关信息，与系统正常工作的标准值进行对比，从而判断是否存在故障以及故障可能的位置。典型的专利申请有：International Business Machines Corp.公司的申请号为US198608
69870的专利申请涉及了一种使用多功能测试探针的汽车故障隔离装置；专利申请GB8803397涉及了一种适用于不具备汽车专业知识的人员使用的汽车万用表。
2.2 专用仪器故障诊断法
专用仪器故障诊断法就是利用专门设备对汽车故障进行综合诊断，该方法在汽车总成不解体的情况下，使用仪器对汽车的状态进行监测，然后分析监测的数据，从而确定故障原因。在这一阶段专利的申请量较之前有明显增多。典型的专利申请有：专利申请CN201120553282公开了一种基于无线技术的汽车OBD故障诊断仪；专利申请KR20120135369公开了一种汽车故障诊断设备。
2.3 针对特定部件的故障诊断法
对于某些特定汽车部件，通过专门的故障检测设备进行故障诊断，可以提高故障诊断的效率和准确度。针对特定部件的故障诊断方法，可以分别针对汽车中的发动机、制动装置、变速箱、空调等部件进行有针对性的故障检测。典型的专利申请有：专利申请US2014
14525915公开了一种用于内燃机的故障诊断系统和故障诊断方法；专利申请CN01143927公开了一种变速器输出轴RPM传感器的故障诊断方法及系统。
2.4 智能故障诊断法
20世纪90年代开始，专家系统、计算机智能化等技术得到了快速的发展，这些技术也逐渐应用到汽车故障诊断领域中，把汽车故障诊断技术推向了智能化阶段。典型的专利申请有：专利申请US19950476077公开了一种基于模式识别的在板汽车故障诊断装置；专利申请CN201210499356公开了一种基于维修资料和专家系统的汽车故障诊断方法。
故障诊断范文第2篇
关键词:多Agent;信息融合;故障诊断;装备
中图分类号:TP391文献标识码:A文章编号:1009-3044(2010)11-2721-01
Multi-Agent Data Fusion Research in Fault Diagnosis
FU Xiao, LIU Jin, ZHANG Ming-hui
(Computer Office, Aviation University of Air Force, Changchun 130022, China)
Abstract: This paper descibes the equipment intelligent fault diagnosis technology used by data fusion fault diagnosis with the Multi-Agent System. We dynamicly associate with the multi-agent system and information fusion technology, and we also research the information fusion fault diagnosis's theories and methods. At last, We study to analyze the structure based on this technology, frameworks and models.
Key words: Multi-Agen; data fusion; fault diagnosis; equipment
装备故障诊断是根据检测量所获得的某些故障表征以及系统故障源与故障表征之间的映射关系,找出系统故障源的过程。为了充分利用检测量所提供的信息,在可能的情况下,可以对每个检测量采用多种诊断方法进行诊断,这一过程称为局部诊断,再将各诊断方法所得结果加以综合,得到系统故障诊断的总体结果称为全局诊断融合。因此故障诊断的过程是一个信息融合的处理过程。与此同时,若将人工智能技术应用其中,使系统具备一定的智能特性,就可形成更符合实际需要的智能故障诊断系统,这种方法将很大程度上提高装备故障诊断的能力。
1 多Agent信息融合故障诊断研究
通常在复杂设备操作的过程中,每天都会产生大量的数据,这些数据持续的增长,不断地增多,会逐渐形成难于处理的海量数据信息,而设备的故障诊断,正是要利用这些复杂的异构的数据信息来推断存在的错误或问题,因此如何有效地利用这些海量数据对设备进行管理优化和故障诊断,已经成为装备设备运行过程中的一个重要问题,针对这些异构的、海量的数据,我们很难通过建立精确的模型进行管理,因此需要利用人工智能等领域的知识对这些数据进行智能化的管理与分析。随着信息化技术的发展和计算机网络技术的广泛应用,智能分布式信息系统和信息融合技术的优越性日益突出,多Agent系统的出现,高效的信息融合体系的形成,都使这一复杂问题的处理成为可能。
1.1 将多Agent应用于故障诊断
近年来随着系统设备不断趋于大型化、复杂化,使得系统故障产生的因素在不断地增多,因此,故障诊断的方法也开始逐步趋向于分布化和智能化。其主要体现在:
1)分布性
由于分布式系统的广泛应用,诊断系统已经不仅仅局限于本地的、单一的系统,而逐渐成为由多个分布在不同区域的子系统所构成的复杂大型的系统;在故障诊断的过程中,由于单一传感器获取的信息十分有限,因此常常利用多个传感器对系统设备的状态进行检测。通过多源传感器获取的信息量常常很大,并且具有实时性、异构性等特点。
2)智能化
传统的故障诊断方法在诊断分布式系统故障时有一定的局限性。随着人工智能故障诊断方法的应用,在提高诊断效率的同时也对故障诊断系统的体系结构提出了新的要求,如何设计并建立有效的系统结构来适应大量信息的处理及动态的外部环境就成为了一个非常重要的问题。
1.2 多Agent诊断模型的体系结构
Agent理论与方法作为一门新兴的人工智能技术,己在众多领域中展现了其优越的性能。在多Agent系统中包含了各种功能的传感器,系统需要利用特定的功能实体来获取这些传感器中的信息,另外还需要对传感器提供的众多信息进行标准化处理,然后才能对多源信息进行融合。同时,在系统运行过程中,需要对各个Agent之间的行为进行协调,对不同的议题进行协商,从而使多Agent系统能够稳定、高效的运行。因此在系统中,可将多Agent系统中的Agent划分为多种角色,如监视Agent、融合Agent、管理Agent、交互Agent、协商Agent等角色。多Agent系统通过多个担任监视Agent的角色获取环境中传感器所检测到的信息源数据,然后对这些获取的信息进行分析、加工和预处理,并在融合Agent中产生待合成的标准化的证据源,再利用多Agent信息融合方法对这些证据进行合成,得到融合结果;管理Agent角色则对多Agent系统中的协商策略、融合规则、交互策略等进行管理;协商Agent角色将对不同的议题进行协商与协调;而用户则可以通过交互Agent角色与多Agent系统进行交互式的操作。系统中的各个Agent均利用通信语言与交互协议相互协作,整个多Agent系统的角色模型如图1所示。
2 结论
本文通过对智能故障检测技术的分析,重点讨论了智能故障检测的基本理论,并研究了将多Agent分布式系统与信息融合相结合,并将其运用到故障诊断研究中的模型方法。该方法具备更加自由灵活的智能体系,容错能力强,鲁棒性高,充分利用了分布式系统的优点和信息融合处理信息的优势,可以更好的对故障进行分析检测。复杂装备的诊断一直是高性能技术装备面对的一个重要问题,因此该领域的研究是非常具有现实价值的。
参考文献:
[1] Wooldridge M.多Agent系统引论[M].石纯一,译.北京:电子工业出版社,2003.
[2] 李常洪.多Agent合作机制与合作结构研究[D].天津:天津大学,2002.
[3] 罗贺.多Agent信息融合与协商及其在故障诊断中的应用[D].合肥:合肥工业大学,2009.
[4] 韩晓娟.多源信息融合技术在火电厂热力系统故障诊断中的应用[D].保定:华北电力大学,2008.
故障诊断范文第3篇
1故障诊断系统总体框架
目前，大部分船舶故障诊断系统的诊断对象没有覆盖机舱的全部设备，多数的研究只是针对船舶主机的故障诊断，同时不同种类的船舶使用的主机型号也繁杂多样，没有通用的诊断系统［3］。一般而言，现代船舶都配备了机舱集中监控报警系统，船舶机舱各个设备的工作参数(各缸爆压、油温油压、冷却水进出口温度、排气温度、转速等)都可以通过传感器获取并上传到集控台进行数据存储和处理，船舶所有设备运行状态和历史故障信息以及解决方案都被存储在船端的“本地故障诊断系统数据库”中，供以后查询分析使用。同时，这些数据也会通过海事卫星或3G信道传输到岸基地，保存到岸基地的远程故障诊断中心数据库，在岸上的工作人员可以随时获得船舶设备的运行状况及相关参数，进而实现船舶远程故障诊断与分析。船舶故障诊断系统总体框架如图1所示。船端的本地故障诊断系统具有查询故障征兆、故障类型以及相应解决方案的功能，出现故障时，船上工作人员通过该系统可以得到故障处理的措施和应急方案。当船上工作人员运用本身的经验知识和本地故障诊断系统不足以处理复杂异常的故障时，船舶局域网通过海事卫星/3G网络把设备当前运行参数以及故障状态发送到岸端的船舶公司，远程故障诊断中心获取这些数据后，结合专家和知识库中的知识进行推理，得出故障解决方案。随着系统运行时间越来越长，数据库中关于船舶设备运行参数的记录、历史故障信息以及各种故障的解决方案都在不断扩充、完善，系统故障诊断的正确率也会得到相应的提高。
2船舶设备故障分类表示
船舶结构十分复杂，一个故障症状常常是多种原因导致，而且同一个故障原因又涉及多种故障类型。故障诊断必须具备相应的专业知识。本系统主要通过查阅与船舶相关的文献，与相关领域的人员交流，咨询船舶相关设备的设计人员、船舶设备制造单位的实施人员以及长期使用这些设备的人员等方式，获取船舶的初始故障分类信息;同时，通过船舶机舱监控报警系统对机舱内的设备设置监控点，以实时获取设备运行状态信息;在日常的故障诊断推理中，系统发现新规则时，把评价为优的规则作为新的知识存入知识库内。主机作为船舶的核心设备，其故障及故障产生的原因多种多样，主要有滑油压力低、转速不稳、水温/机温过高等，每一种故障都可能由多种原因造成。通过对船舶设备说明书及设备运行历史数据的分析、总结，船舶主机最常见故障、产生原因及相应的处理措施见表1。
3基于粗糙集的数据预处理方法
对设备运行状态的监测是故障诊断的基础，因此采集数据的准确性对故障诊断结果影响很大。船舶机舱集控台对船舶主要设备进行实时监控，并获取大量的设备状态数据，这些数据存在冗余，因此利用粗糙集理论对船舶监控中采集的实时数据进行属性约简、值约简，从而实现冗余数据的清理。基于粗糙集的数据归约处理主要分两个步骤完成:一是决策表中条件属性集的约简求核;二是条件属性值的约简［4］。在实际应用中，用传统的属性约简和值约简算法对设备运行状态的实时数据直接进行约简难以满足故障诊断的需求，因为求解的时间复杂度及所需存储空间较大，处理效率较低。为此，本文设计了一种基于区分矩阵的改进属性约简和改进的启发式值约简算法，改进算法的主要思想是在计算决策表的属性核的同时，将仅由属性核就能判断出决策的记录删除，从而实现对属性值的约简。区分矩阵是决策表中所有不可区分关系的一种抽象表示，定义了决策表中全部与属性区分相关的信息，从而能够快速地获取决策表属性核。设系统S=(R，T∪J，V，f)(T为条件属性，J为决策属性)，t(x)是属性t(t∈T)的值，T(i，j)为可区分阵中第i行、第j列的元素，则相应的区分矩阵表示为:区分矩阵中元素的取值由样例之间的关系决定，其对角元素均为0，且矩阵中元素沿对角线对称。当两个样例的决策相同时，则矩阵中对应的元素取0;当两样例的条件属性和决策属性均不相同时，区分矩阵中对应的矩阵元素取属性值不相同的条件属性的组合。当系统中条件属性和记录的数量较少时，传统的属性约简算法效果很好，但是当决策表中的条件属性与记录的数量很多时，算法的效率会大大降低［5］。为此，本文设计的改进的区分矩阵约简算法，是应用启发式算法来求取其次优约简。其中，启发式采用属性重要度表示，属性的重要度用该属性在区分矩阵中出现的次数来衡量，即当某属性在区分矩阵中出现的频率高时，说明该属性有较高的重要度，则可以用该属性区分较多的记录。设X表示决策表，A表示决策表中的条件属性约简后的集合，C表示由式(1)求出的与决策表X相对应的区分矩阵，ak∈{cij}，p(ak)为区分矩阵C中属性ak的频率函数，C0为决策表X的核属性集合，改进的区分矩阵约简算法的求解过程如下:随着系统使用中船舶设备运行状态信息的不断积累，系统规则库得到相应的扩充，这样可进一步提升系统的故障诊断能力。同时，在大量历史数据的基础上，系统还可实现故障预测，即当检测到设备运行参数异常时，系统利用历史数据及设备当前状态进行推理分析，从而可以在设备发生故障前提醒或指导用户进行有针对性的检查与维护，以确保船舶的安全运行。
4结束语
故障诊断范文第4篇
【关键词】液压系统；现状；发展趋势；故障诊断技术
一、液压系统故障诊断技术发展现状
液压系统故障诊断技术是随着液压设备不断高度自动化和复杂化以及对液压系统工作可靠性要求越来越高而发展起来的，是针对现代液压设备需要及时排除液压故障而提出来的，是将医疗诊断中的基本思想推广到液压工程技术而形成的，是建立在液压控制理论，信息理论和电子技术、传感器技术、人工智能技术等基础上的一门综合性新技术。液压传动是三大传动技术之一，与机械传动、电力传动相比，液压传动系统具有其独特的优点，即广泛的工艺适应性、优良的控制性能和较低廉的成本，并且功率大、响应快、精度高，已经广泛应用于冶金、制造等领域。
二、液压系统的故障原因分析
（1）主观诊断法。主观诊断法主要是依靠简单的诊断仪器，凭借个人的实践经验，判别故障发生的部位及其原因。这种方法要求诊断人员掌握丰富的故障机理知识和诊断经验，需利用系统或元件的结构、模型和功能等方面的知识，综合分析才能了解。（2）基于模型诊断法。基于模型的诊断法是先运用一定的数学手段描述系统某些可测量特征量，这些特征量在幅值、相位、频率及相关性上与故障源之间存在着联系，然后通过测量、分析、处理这些特征量信号，来判断故障源所在。这种方法实质上是以传感器技术和动态测试技术为手段，以信号处理和建模处理为基础的诊断技术。（3）智能诊断技术。液压系统故障智能诊断技术是人工智能技术在液压系统故障诊断领域中的应用，它是计算机技术和液压系统故障诊断技术相互结合与发展进步的结果。智能诊断的本质特点是模拟人脑的机能，又能比人脑更有效地获取、传递、处理、再生和利用故障信息，成功地识别和预测诊断对象的状态。因此，智能诊断技术是液压系统故障诊断的一个极具生命力的发展方向。目前的智能诊断研究主要从两个方面开展：基于专家系统的故障智能诊断技术和基于神经网络的液压系统故障智能诊断技术。
三、液压故障诊断技术发展趋势
（1）多种知识表示方法的结合。近几年来，在面向对象程序设计技术的基础上，发展起来了一种称为面向对象的知识表示方法，为这一问题提供了一条很有价值的途径。在面向对象的知识表示方法中，传统的知识表示方法如规则、框架、语义网络等可以被集中在统一的对象库中，而且这种表示方法可以对诊断对象的结构模型进行比较好的描述，在不强求知识分解成特定知识表示结构的前提下，以对象作为知识分割实体，明显要比按一定结构强求知识的分割来得自然、贴切。（2）经验知识与原理知识的紧密结合。关于深浅知识的结合问题，可以各自使用不同的表示方法，从而构成两种不同类型的知识库，每个知识库有各自的推理机，它们在各自的权利范围内构成子系统，两个子系统再通过一个执行器综合起来构成一个特定诊断问题的专家系统。这个执行器记录诊断过程的中间结果和数据，并且还负责经验与原理知识之间的“切换”。这样在诊断过程中，通过两种类型知识的相互作用，使得整个系统更加完善，功能更强。（3）多种智能故障诊断方法的混合。混合智能故障诊断系统的发展有如下趋势：由基于规则的系统到基于混合模型的系统、由领域专家提供知识到机器学习、由非实时诊断到实时诊断、由单一推理控制策略到混合推理控制策略等。（4）虚拟现实技术将得到重视和应用。虚拟现实技术是继多媒体技术以后另一个在计算机界引起广泛关注的研究热点，它有四个重要的特征，即多感知性、对存在感、交互性和自主性。从表面上看，它与多媒体技术有许多相似之处。（5）数据库技术与人工智能技术相互渗透。人工智能技术多年来曲折发展，虽然硕果累累，但比起数据库系统的发展却相形见绌。其主要原因在于缺乏像数据库系统那样较为成熟的理论基础和实用技术。人工智能技术的进一步应用和发展表明，结合数据库技术可以克服人工智能不可跨越的障碍，这也是智能系统成功的关键。对于故障诊断系统来说，知识库一般比较庞大，因此可以借鉴数据库关于信息存储、共享、并发控制和故障恢复技术，改善诊断系统性能。
故障诊断范文第5篇
关键词： 汽轮机；振动故障；诊断技术
中图分类号：F407文献标识码： A
汽轮机是一种高速旋转机械，其主要的构造部件包括转子、转子轴承、汽缸以及联轴器等。由于在加工或者安装过程中存在缺陷，将导致汽轮机在运行的过程中出现振动。根据振动的类型可以将振动分为横向振动、轴向振动以及扭转振动三种。而根据导致振动的激励方式，又可以将振动分为基频振动和二倍频振动。其中，导致汽轮机运行不稳定或者是破坏的主要原因是由横向振动或者是基频振动而导致的。
1 汽轮机故障分析方法
对于汽轮机而言，其故障普遍表现为机组振动过大。在现场故障诊断中，常用到的故障分析方法便是振动分析法。
波形分析法
时间波形是最初的振动信息源。由传感器进行输出的振动信息在普遍情况下均为时间波形。对一些有着明显特征的波形，可以直接用于设备故障的判断。波形分析简易直观，这也是波形分析法的优势之所在。
轨迹分析法
对于轴承座的运动轨迹而言，转子轴心直接性地对转子瞬时的运动状态反应出来，并且涵盖了很多关于机械运作情况的信息[2]。由此可见，对于设备故障的诊断，轨迹分析法的作用是非常明显的。基于正常状态，轴心轨迹具有稳定性，每一次转动循环一般情况下均保持在相同的位置上，且轨迹普遍上是相互重合的。在轴心轨迹的形状与大小呈现不断变化的势态时，便表现转子运行状态不具稳定性。面对此种情况，需进行及时有效的调整工序，不然极易致使机组失去稳定性，进而造成停车事故的发生。
频谱分析法
对于设备故障的分析，频谱分析法在应用方面极具广泛性。普遍应用到的频谱有两种：其一是功率谱；其二是幅值谱。其中，功率谱代表在振动功率随振动频率的分布状况，其物理含义较为清晰。幅值谱代表相对应的各个频率的谐波振动分量所具备的振幅，在应用过程中，幅值谱具有直观的特点。并且，幅值谱的谱线高度便是此频率分量的振幅大小。总之，对于频谱分析法而言，其目的便是把形成信号的每一种频率成分均进行分解，以此为振源的识别提供方便。
汽轮机振动故障诊断技术探究
汽轮机存在多方面的振动故障，笔者主要对启动过程中暖机或胀差过大等原因引起的振动、造成故障诊断准确率低的原因以及振动故障诊断步骤三大方面进行探究。
启动过程中暖机时间不够或胀差过大而引起的振动分析
启动过程中暖机或胀差过大而引起的振动极具明显性。汽轮机在启动及停止过程中，转子和气缸的热交换条件是有所区别的。所以，两者之间在轴向形成的膨胀也有所区别，即为出现相对膨胀现象。所谓的相对膨胀又可称之为长差。通过胀差的大小，能够反映出汽轮机轴向动静间隙的改变状况。为了让由轴向间隙改变进而引起的动静摩擦得到有效规避，不但需要对胀差进行严密监视，还需要充分认识到胀差对汽轮机运行所造成的严重影响。我们知道，机组从升速至定速过程中，时间短，蒸汽温度及流量基本上没有发生改变，因此对胀差造成的影响只能在定速之后才能够很好地反映出来。定速之后，胀差所增加的幅度比较大的，并且持续时间长。另外，基于低负荷暖机阶段，蒸汽对转子及气缸的加热程度较为激烈。大致上分析，造成机组暖机或者胀差的原因主要有：凝汽器真空的改变、暖机时间的长短、轴封供汽温度的高低以及供汽时长等。因此，在机组启动过程中，需要从三方面做好：1）在低速阶段进行听音；2）在高速阶段对机组的振动引起足够重视，尤为重要的是在过临界的状况下，如果振动超标，是不能够硬闯的；3）当机组并网之后，因为汽缸温度较低，额转子膨胀又比气缸要打，所以要以差胀的状况为基础，进而对进汽温度进行有效控制，并使低负荷暖机得到有效保证。
造成故障诊断准确率低的原因分析
在汽轮机中，振动诊断技术当前已经得到广泛的应用。造成故障诊断准确率低的原因表现在三个方面：1）对振动特征的掌握程度不够；2）在认识上对故障机理存在偏差；3）只重视直观的故障，对内部故障不深入了解。并且，在实际应用中，如果遇到振动故障，作业人员只是凭借自身的经验进行处理。然而振动诊断的实际价值之所在便是对振动状况进行有效规避。如果故障诊断的准确率大于50%，便说明消除振动的指导作用极具明显性。如果准确率只在20%至30%之间，那么说明消除振动的效果不具良好性，甚至可能是一种误导。对于汽轮机的振动故障诊断，常用的两种方法便是正向推理法与反向推理法。在对机组振动故障正确的认识之下，适宜采用正向推理法。但从实践情况上分析，对于振动故障诊断并不经常使用正向推理法。因此，便经常性采用反向推理法。该方法是根据振动的特征进行分析，并对故障的特点进行反推，以此获取多种结论，让振动故障在引导之下得到处理。此种方法会使故障诊断的准确率大大降低。
振动故障诊断步骤分析
对传统故障诊断的方法进行改善是使诊断故障诊断准确率得到提升的有效策略。若想要使诊断故障准确率大大提升，还需要进行充分做好以下步骤：1）首先对振动的种类进行确认。主要是对振动频谱及外在特征进行观察，进而将各类振动进行有序的分类。将所存在的故障的原因充分确认之后，再实施判断措施；2）先对轴承座刚度进行检查，看是不是正常，然后对激振力故障原因进行分析；3）对转子进行检查，检查是不是存在不平衡力、不平衡电磁力以及平直度偏差等故障，进而对基于稳定的普通强迫振动是否存在进行确认，最终使故障类型能够得到有效诊断。 3 汽轮机振动故障诊断实例分析
实例概况：以某热电厂4#汽轮发电机组为实例，它是由上海汽轮机厂所生产的50 MW汽轮发电机，其型号为C50-90/1.2-1，并且是单缸冲动一级调整抽汽凝汽式机组，在配装方面，配置了由上海电机厂生产的发电机，其型号为QFs-60-2。
振动情况：此机组在运作过程当中有3#瓦轴向振动偏大的现象存在，高达20 mm/s，经过反复检查后依旧没有找出其中的原因[3]。
诊断：3#瓦轴向振动的主频率为50 Hz，据分析可知为普通强迫振动。造成普通强迫振动存在两方面的原因：其一，轴承座动刚度偏低；其二，激振力偏大。
处理因素：通过对3#瓦轴承座检查发现轴承座存在多方面的问题，主要有球面垫铁接触性能不良、轴承紧力不够、地脚螺栓较为松动以及轴承座垫片不具合理性等。其中，在对压轴承紧力进行检修时发现，轴承体球面和球面座两者间有0.02毫米的间隙，轴承盖和轴承体两者间有0.15毫米的间隙。此机的检修标准在轴承体球面和球面座两者间为0.02毫米到0.04毫米时呈过盈状态；轴承盖和轴承体两者间在0.02毫米到0.05毫米时呈过盈状态。由此可见，整个轴瓦的紧力明显不够，且垂直方向没有办法对振动进行控制。
故障诊断结论：通过数据分析可知，在垂直振动的差异达到两倍的情况下，轴向振动可达到9 mm/s；在垂直振动的差异振动比较小的情况，轴向振动便偏小。振动故障出现后，不能仅靠现场动平衡进行解决，应该对问题的根源进行严谨分析，然后对问题进行有效解决。
结束语
通过本文的探究，充分认识到造成故障诊断准确率低的现象存在三方面的原因，分别为：对振动特征的掌握程度不够、在认识上对故障机理存在偏差、只重视直观的故障，对内部故障不深入了解。因此充分掌握汽轮机振动故障诊断技术便显得尤为重要。最后笔者通过实例进行深入分析，希望以此为今后关于汽轮机振动故障诊断技术的研究提供一些具有建设性的参考依据。
参考文献
[1]谢亮.汽轮机振动故障诊断技术探讨[J].科技传播，2011（07）.
故障诊断范文第6篇
随着我国航天事业的迅速发展，多种携带不同类型载荷的航天器成功在轨运行，在气象环境监测、国土资源普查等方面发挥着重要作用。一旦航天器有效载荷出现故障，将会造成巨大损失，因此及时发现其在运行过程中出现的故障情况，是非常有必要的。
2航天器故障分类
航天器在轨工作状态监视主要分为两种方式：遥感数据和遥测数据。遥感数据是航天器有效载荷的工作目的，对其进行分析可以间接发现部分的载荷故障；而遥测数据则直接全面地反映了是航天器各分系统工作状况，因此一直以来，遥测数据都是航天器工作状态监视的一个重要输入。从对遥测数据进行分析的角度，航天器故障可分为以下三种：单点故障、组合故障、时态故障。单点故障是指对单个遥测参数进行判断即可确定的故障，无需其它的辅助信息；组合故障是指需要对多个有逻辑关系的遥测参数进行组合判断才能确定的故障，这种故障比较复杂，一般需要通过领域专家会诊才推出故障原因；时态故障是指对多个既有逻辑关系又有时间关系的遥测参数进行综合判断才能确定的故障，这类故障更为复杂，还需要结合相关遥测参数的变化情况才能推出结果。对于单点故障，由于只需要进行简单的阈值判断，因此传统的遥测处理方法已经可以实现对其快速准确的报警。对于组合故障和时态故障，传统的做法是由汇集航天器研制方各部件专家会诊，通过大量的人工分析给出诊断结论。但这种做法已经无法满足信息化的发展要求，为了解决后两种故障诊断的效率问题，可在航天器故障诊断中引入基于知识的故障诊断方法。
3基于知识的故障诊断方法
基于知识的故障诊断方法将综合应用了专家经验和人工智能技术，将专家经验抽象成诊断知识，并通过计算机程序设计实现复杂故障的自动诊断。这种诊断方法不需要复杂的模型分析，具有较高的诊断效率，因此得到了广泛的应用。基于知识的故障诊断方法主要分为以下几种。
3.1基于规则推理的诊断方法
基于规则推理的诊断方法，又称产生式方法，通过归纳总结专家经验，抽象为故障的判断处理规则来进行故障诊断。该种方法的优点在于知识的表达很直观，容易理解，便于解释。能够很方便地将领域专家的经验转化为知识表达，不容易在知识的翻译过程中出错。而且由于知识的表达比较简单，对数据存储空间的要求也不高，容易进行软件系统开发。其缺点是不具备自适应能力和自学习能力，当出现库中没有相应规则的故障时，则会诊断错误或失败，不适用于缺乏经验知识的领域。
3.2基于故障树的诊断方法
故障树表现了系统内各部件的逻辑关系。一般是将系统中最不希望发生的故障作为顶事件，按照诊断系统的结构和功能关系逐层展开,直到不可分事件(底事件)为止。该种诊断方法优点是：能够清晰地表达复杂故障问题的逻辑关系，提高诊断效率；便于对知识库进行动态修改；诊断技术与领域无关,只要相应的故障树给定,就可以实现诊断。缺点是诊断结果严重依赖故障树信息的完全程度，不能诊断不可预知的系统故障。
3.3基于案例推理的诊断方法
基于案例的推理（CBR，Case-BasedReasoning）方法核心是通过查找案例知识库中已有的近似案例处置经验来获取当前问题的解决方案。CBR诊断方法具备较强的自适应能力，并且是一种增量式方法，能够持续地更新知识库，具备较强的学习能力，克服了传统诊断方法知识获取瓶颈的问题。其缺点是知识库过于庞大时，案例搜索速度较慢，且得到的处理方案未必最优；此外，使用该种方法的前提是已有一定的案例积累。
3.4多信息融合的故障诊断方法
多信息融合的故障诊断方法是指将通过多种方式获取的多种状态信息进行综合分析应用，最终得到一个综合诊断结论。该种诊断方法能够有效提高故障诊断结果的可靠性、精确性，但也存在着易受人为因素影响、故障隶属度难确定等缺点。
4有效载荷在轨故障诊断模型
对于航天器有效载荷在轨管理来说，地面需要快速、准确地掌握载荷工作状态，需要知道故障导致的后果，避免对载荷的操作引起进一步的危害。结合人工智能和计算机技术的发展，对于有效载荷在轨故障诊断来说，应该基于故障分类区别对待：对于单点故障，采用阈值判断即可；对于组合异常和时序异常，其判断流程和故障树结构有很大的相似之处，可采用基于故障树的诊断方法，此外为避免故障树不全无法诊断的问题，可以用案例推理方法作为补充。第一，故障树和案例都来源于专家或者经验知识构建的，这在客观上符合实际情况；第二，这种模型可以给出推理过程，描述因果关系，用户可据此了解异常程度和涉及部件。第三，这种模型可有效结合两种故障诊断方法的优点，避免缺点，诊断速度快，诊断全面，可以满足用户对异常监视的实时性和准确性要求。图1给出了一种基于故障树和案例推理的故障诊断模型。
4.1诊断知识构建
在该种混合诊断模型中，需要用到两种故障诊断知识：一是故障树诊断知识；二是故障案例诊断知识，下面具体介绍两种诊断知识的构建方法。4.1.1故障树诊断知识的构建故障树是表示系统故障事件与它的各个子系统或各个部件故障事件之间的逻辑结构，通过这种结构对系统故障产生原因进行逐层分析。如图2所示的故障树，其系统故障（顶事件）为R301，当子系统故障（中间事件）T201、T202中任一个发生时即会引起系统故障的发生，其中T201又是由部件故障（底事件）L101、L102、L103中任一个发生引起的，T202是由L104、L105中任一个发生引起的。由此可见故障树诊断知识之间具有层次性，本文采用框架作为知识的基本表示形式，每个框架结构对应于故障树的一个节点。框架中的各个槽分别表示激发节点的报警信息、对应的子框架号、判断规则等。框架知识的结构如图3所示，将图2所示故障树转换为框架知识表示如图4所示。4.1.2故障案例诊断知识的构建一般来说，案例需要包含问题和问题的解两部分内容，不同领域的案例包含的具体内容也大不相同。对于航天器有效载荷来说，其结构组成复杂，工作过程涉及多个分系统，发生的故障也多种多样。通过对大量发生的航天器故障事件进行分析，根据故障发生流程本文建立了如图5所示的故障案例模型。其中产生原因表示引发该故障的根本原因；发展过程表示故障从发生到处理的过程，具体包含有故障发生时刻、故障的特征现象等；处理结果包含有故障的处理措施，以及处理是否成功等；相关影响表示此次故障对航天器此次任务及后续使用造成的影响。一个航天器载荷故障案例可以用一个四元组表示：C=<D,F,S,M>，其中D={d1,d2,......dn}用于描述故障的基本特征，包括故障编号、故障名称、故障类型等信息；F={f1,f2,......fn}用于描述故障对应的特征现象；表示故障的诊断结果，包括解决措施、产生原因等；M表示故障造成的影响。在具体系统实现时，航天器有效载荷故障案例可用面向对象的方法表示如图6所示：
4.2混合推理流程
根据前文分析，当地面收到航天器遥测数据时，首先使用基于故障树的方法对载荷状态进行诊断，如果库中未能搜索到相应的故障树，则采用基于案例推理的诊断方法，如果两种方法都未能成功，则转入人工处理。混合推理的流程如图7所示。
5结束语
故障诊断范文第7篇
关键词：电力变压器；故障诊断；传统方法；智能方法
引言
近年来我国的发展非常迅速，人们的需求越来越高，生活中的电量消费也非常多，因此电力事业就显得非常重要。为了加速发展，就要大力加强电力设施的建设。在电力系统中，有很多重要的输变电装置，其中非常重要装置就是电力变压器。因为，电力变压器是在我们生活用电要经过的第一步。电厂里发出来的电，都必须要经过电力变压器进行变压，生成一定的高电压进行传输。在到达用电区时，还要使用变压器对其进行降压，供人们使用。由此可见，电力变压器在供电中的重要性。现在，我国电力网错综复杂，发电厂有很多的种类，这些电厂分布广泛，这些电都要经过变压器进行变压，才可以进行统一的传输。这些都要求电力变压器在运行时一定要可靠，稳定。否则，就有可能出现巨大的损失。对于如何快速地诊断变压器运行问题，目前都还处在研究之中。世界各国都没有比较好的方法，现在使用的方法大多是基于实践中积累的经验。从各国地使用的方法来看，大致分为两种类型。其一，采用变压器的预防性电气实验和特征气体判别法，及其基于特征气体的比值法等传统的方法。另外的一种是模糊逻辑方法、专家系统、人工神经网络、支持向量机、贝叶斯网络和遗传算法等智能方法。我们就是要从这两个方面研究如何保证电力变压器的正常运行。
1变压器故障诊断传统方法及其研究现状
1.1变压器预防性电气实验
为了保障电力系统的安全运行，必须要进行预防性电气实验。通过对变压器进行及时有效地检测，能够找到问题，并予以解决。根据DL/T596-1996电力设备预防性试验规程规定，主要包括一些检测，这其中的检测是色谱的分析，线圈的绕组直流电阻和线圈绝缘的吸收比值。另外还包括检测变压器线圈铁心的导磁性，变压器中绝缘隔绝的效果等。
1.2特征气体判别法
电力变压器在发生故障的时候，会产生一些比较特殊的气体。我们可以利用这些气体，来判别和诊断电力变压器发生了何种问题，这就是气体判别法。这种特征性气体具体有一氧化碳、氢气和一些烃类气体等。区分判别这些气体的方法，就是看它们能否在油中部分或全部溶解。这种方法虽然是比较的简单和快速，但是不适用于气体量较少的情况。
1.3基于特征气体的比值法
基于特征气体的比值法有很多的种类，人们具体在使用方法上也有一些不同。但是在国际惯例中，通常有以下的几种方法，三比值法、改良版的三比值法、四比值法、无编码比值法等。这些方法在使用诊断的时候非常方便，但是只能够判断单一的问题，不能够处理不同问题的叠加，因此这种方法使用不多。
2变压器故障诊断智能方法及其研究现状
2.1模糊逻辑方法
模糊逻辑方法是以模糊理论和模糊关系为基础的，通过积累经验，依靠平常自己的知识来判断故障和原因的不确定性。文献[1]提出了基于模糊数学和概率论的变压器故障诊断，通过建立变压器故障性质与故障征兆之间的完全因果强度关系，提高了模型的诊断精度。文献[2]将模糊聚类的数据挖掘技术应用到变压器故障诊断中，通过建立故障样本数据的相似关系矩阵而实现了对故障样本集的聚类分析，最终实现了对故障样本的诊断分析。文献[3]以变压器各个部件诊断为基础，通过模糊理论来构造变压器状态诊断模型，并用实例证明了该模型的有效性。
2.2专家系统
专家系统是现在经常使用的一种方法。专家系统是累积大量的这方面的专家的经验，和他们在日常工作中遇到的问题及其解决这些问题方法来进行推理，从而学习到前人经验和知识，还有对问题的解释功能。现在，这一种方法已经开始在电力系统运行得到了很大应用，尤其是在电气设备的问题和线路故障上。有效地解决了使用单一的方法，造成结果不全的问题，可以使电力系统问题得到快速的解决。文献[4]把人工智能专家系统引入到变压器故障诊断中，实例测试表明该方法降低了判断的随机性，提高了诊断水平。文献[5]将基于模糊Petri网的知识表示方法应用于变压器故障诊断专家系统中，并用实例证明了这种应用的有效性。但是，有时专家系统也会出现一些问题，专家系统都是根据以往的经验，使用前人累积的方法。然而现在电力系统发展迅速，问题也是越来越新颖和复杂化，这时专家系统的功能就显出了不足。
2.3人工神经网络
人工神经网络是依据人类大脑高度的集成化和处理信息的快速化，再进行节点互联构成信息处理的方法。这种人工神经网络可以做到复杂的逻辑操作和非线性映射。这种方法之所以能够在电力变压器上使用，是因为其在发生问题和电力运行故障的时候，可以建立非线性映射关系，这种关系符合人工神经网络的原理。这一种方法，在我国还没有被应用，但是在国外，已经开始得到了应用，并得到了很不错的效果。
2.4支持向量机
支持向量机（SupportVectorMachine，SVM）是一种新兴且对解决变压器故障非常有效的方法，它是一种机器学习方法。它的理论最开始是针对模式识别问题提出的，主要是来解决这一方面问题的。后来经过人们的学习和研究，才扩展到现在这一领域。支持向量机这种方法在处理变压器的数据问题和技术样本上，非常有优势。因为，它在样本较少的时候，有很强的适应能力，能够及时地将数据分类并提高计算能力。尤其是在面临电力变压器一类的问题时，更是非常方便。
2.5贝叶斯网络
贝叶斯网络是现在比较新兴的一种方法，它的主要优点是解决复杂的问题造成的故障。还有就是对于问题的不确定性，我们利用贝叶斯网络都能得到很好地处理。我们知道变压器运行时的变化是很不确定的，而且可能受到人为的影响，因此贝叶斯网络对处理变压器问题行之有效。
2.6遗传算法
遗传算法是基于生物进化理论的一种方法，现在是和计算机系统中的自适应全局优化概率结合到一起的算法。这种算法可以应用于很多的领域，不完全固定在某一方面。因此，遗传算法同样可以应用于电力变压器故障。
3结束语
文章是针对变压器的运行故障，讨论其可以采用的两类诊断方法。这两类方法分别是传统的和智能化的方法，并总结了针对变压器故障的国内外研究现状。传统的故障诊断方法和智能诊断方法是可以相互补充的，以便更好地解决变压器故障问题。
参考文献
[1]符洋，等.基于模糊数学和概率论的变压器故障诊断[J].高电压技术，2007，8（33）：66-70.
[2]印力群，郑广瑞.面向模糊聚类的数据挖掘技术在变压器故障诊断中的研究[J].科技探索，2012，384：26-28.
[3]焦振毅，任建文，陈鹏.基于模糊理论的变压器故障诊断模型研究[J].电力科学与工程，2012，28（6）：39-43.
[4]魏鲁原，崔霞.专家系统在变压器故障诊断中的应用[J].机床与液压，2007，35（7）：251-253.
故障诊断范文第8篇
关键词：STOA-VMD；均方根熵值；PSO-SVM；MCKD
滚动轴承被广泛应用于机械领域，数据显示因滚动轴承故障引发的事故高达70%，因此尽早发现故障并提前干预以降低损失、提高生产效率具有重大意义。考虑轴承振动信号的非平稳特性，采用噪声鲁棒性好、适应性强的变分模态分解（VMD）方法，极大程度地降低了模态混叠、端点效应、分解错误等问题的出现；分解前进行预先的降噪处理可进一步提高信噪比；故障分类法繁多，考虑到支持向量机（SVM）对小样本数据的分类能力具有很大的优势，因此选用SVM进行轴承故障诊断，并结合智能算法更好地完成故障诊断。基于以上问题，本文提出了基于最大相关峭度解卷积算法（MCKD）、乌燕欧算法（STOA）优化VMD和粒子群算法（PSO）优化SVM的滚动轴承故障诊断模型，并由实验和仿真对比结果表明本文所提方法的实用性。
1基本理论
（1）MCKD算法受工作环境的影响极大，实测信号被噪声严重干扰，直接使用往往存在误差，此时的初期故障信号尤其微弱，所以先使用MCKD算法对信号降噪预处理以凸显故障脉冲信号，其本质是计算寻得l长度的滤波器f（l），并以相关峭度为指标，不断实现解卷积，滤除噪声干扰成分凸显故障脉冲，即故障冲击成分VMD能够迭代求解变分问题，把信号自适应地分解为k个调幅调频分量信号（IMFs），主要是建立变分模型并对模型进行求解。实现步骤：①把模态函数uk、中心频率ωk、拉格朗日乘子λ和n初始化；②n=n+1次迭代；③更新ωk、uk、λ，其中：没有坚实理论支撑的传统方法，任凭人为主观的经验确定VMD的［k，α］组合，产生误差会严重影响到VMD算法的分解精度。为此，引用STOA对VMD的参数进行优化，这种算法具有很强的全局搜索能力，迭代时全局寻优，避免陷入局部最优解，具有精度较高、寻优速度较快、计算量小且容易实现等优点。（3）均方根熵值振动信号瞬时幅度在采样时段内的变化可以用均方根误差来表示，其中的均方根值能较好地反映出信号里隐含的能量信息。信息熵则代表的是系统复杂程度，系统可能具有若干的不确定原因，越混乱越无序的系统，信息熵值就越高。把两者概念有机融合就得到了兼具两者优点的均方根熵值ERMS，每种故障的ERMS是不同的且计算简单，十分适合用作特征向量。滚动轴承振动信号的特征并不平稳,实际中又无法获取大量故障数据用来训练,此时SVM就是故障分类的最佳方法，即使现实中难以获得大量故障样本仍然能较好地解决滚动轴承这类非线性问题。PSO的规则相对更简约，并没有遗传算法交叉等复杂步骤，利用PSO确定SVM内核函数中的参数g和c，2个算法相结合完成故障识别的重要一步。本文所提故障诊断流程如图1所示。
2实验验证
为了验证方法的有效性及适用性，采用实验数据对故障诊断方法进行验证。采用DDS实验台，轴承型号ER-12K，8个直径φ7.9mm滚动体，节径φ33.5mm，在轴承主要部件上分别加工直径φ0.51mm、深度0.24mm的凹槽模拟点蚀故障。样频率为24kHz，数据长度12000点，电机转速2100r/min，即旋转频率为27Hz，信号分析时长截取0.35s。获取正常状态以及内圈、滚动体和外圈故障3类数据，任取不同状态下的一组振动信号，因篇幅有限，只列举内圈故障时轴承时域、频谱图如图2所示。由图2可知，滚动轴承频谱中存在干扰，故障特征频率难以识别，且低频部分所受噪声影响更加明显，由于轴承故障设置的较为微弱，这表明表征故障特征的很多能量较小的冲击成分被淹没在噪声成分中。为提高故障特征提取的准确性，使用MCKD降噪，降噪后滚动体故障信号时域图如图3所示。使用STOA对VMD的参数组合［k，α］进行优化，得到适应度随种群迭代次数变化的曲线如图4所示，由图4可以看出，当第9次迭代时适应度函数取最小值，此时可以得出内圈故障时参数的最优组合［6，1624］，其余3种状态优化结果为正常状态［6，1722］、外圈故障［6，1857］、滚动体故障［6，1893］。VMD分解结果如图5所示。任意选择15组数据作为训练样本，对4种不同状态样本进行STOA-VMD分解和VMD分解，分别计算出分解后每组的特征向量ERMS的值。STOA-VMD方法训练组样本的ERMS值如表1所示，VMD方法训练组样本的ERMS值如表2所示。由图6可知，轴承处于不同的状态时其对应的ERMS值分布曲线清晰且独立，分别在各自特征范围内波动，相互之间明显具有区分度。由图7可知，曲线中有3条在相近的范围内波动，特征向量ERMS数值区别度小，不易区分不同的状态，也不利于输入SVM中训练。本文中滚动轴承4种振动信号一共收集了80组数据样本，其中每种振动信号包含20组样本，每种状态前10组作为样本输入PSO-SVM。测试结果如图8所示，准确率为100%。
3结语