故障诊断技术发展历史(最新版)

故障诊断技术发展历史(最新版)故障诊断技术发展历史故障诊断(FD)始于(机械)设备故障诊断，其全名是状态监测与故障诊断(CMFD)。它包含两方面内容：一是对设备的运行状态进行监测；二是在发现异常情况后对设备的故障进行分析、诊断。设备故障诊断是随设备管理和设备维修发展起来的。欧洲各国在欧洲维修团体联盟(FENMS)推动下，主要以英国倡导的设备综合工程学为指导；美国以后勤学(Logistics)为指导；日本吸收二者特点，提出了全员生产维修(TPM)的观点。美国自1961年开始执行阿波罗计划后，出现一系列因设备故障造成的事故，导致1967年在美国宇航局(NASA)倡导下，由美国海军研究室(ONR)主持成立了美国机械故障预防小组(MFPG)，并积极从事技术诊断的开发。美国诊断技术在航空、航天、军事、核能等尖端部门仍处于世界领先地位。英国在60～70年代，以Collacott为首的英国机器保健和状态监测协会(MHMG&CMA)最先开始研究故障诊断技术。英国在摩擦磨损、汽车和飞机发电机监测和诊断方面具领先地位。日本的新日铁自1971年开发诊断技术，1976年达到实用化。日本诊断技术在钢铁、化工和铁路等部门处领先地位。我国在故障诊断技术方面起步较晚，1979年才初步接触设备诊断技术。目前我国诊断技术在化工、冶金、电力等行业应用较好。故障诊断技术经过30多年的研究与发展，已应用于飞机自动驾驶、人造卫星、航天飞机、核反应堆、汽轮发电机组、大型电网系统、石油化工过程和设备、飞机和船舶发动机、汽车、冶金设备、矿山设备和机床等领域。故障诊断的主要理论和方法故障诊断技术已有30多年的发展历史，但作为一门综合性新学科——故障诊断学——还是近些年发展起来的。从不同的角度出发有多种故障诊断分类方法，这些方法各有特点。从学科整体可归纳以下理论和方法。(1)基于机理研究的诊断理论和方法从动力学角度出发研究故障原因及其状态效应。针对不同机械设备进行的故障敏感参数及特征提取是重点。(2)基于信号处理及特征提取的故障诊断方法主要有时域特征参数及波形特征诊断法、时差域特征法、幅值域特征法、信息特征法、频谱分析及频谱特征再分析法、时间序列特征提取法、滤波及自适应除噪法等。今后应注重实时性、自动化性、故障凝聚性、相位信息和引入人工智能方法，并相互结合。(3)模糊诊断理论和方法模糊诊断是根据模糊集合论征兆空间与故障状态空间的某种映射关系，由征兆来诊断故障。由于模糊集合论尚未成熟，诸如模糊集合论中元素隶属度的确定和两模糊集合之间的映射关系规律的确定都还没有统一的方法可循，通常只能凭经验和大量试验来确定。另外因系统本身不确定的和模糊的信息(如相关性大且复杂)，以及要对每一个征兆和特征参数确定其上下限和合适的隶属度函数，而使其应用有局限性。但随着模糊集合论的完善，相信该方法有较光明的前景。(4)振动信号诊断方法该方法研究较早，理论和方法较多且比较完善。它是依据设备运行或激振时的振动信息，通过某种信息处理和特征提取方法来进行故障诊断。在这方面应注重引入非线性理论、新的信息处理理论和方法。(5)故障树分析诊断方法它是一种图形演绎法，把系统故障与导致该故障的各种因素形象地绘成故障图表，能较直观地反映故障、元部件、系统及因素、原因之间的相互关系，也能定量计算故障程度、概率、原因等。今后研究应注重与多值逻辑、神经元网络及专家系统相结合。(6)故障诊断灰色系统理论和方法该方法是从系统的角度来研究信息的关系，即利用已知的诊断信息去揭示未知的诊断信息。它有自学习和预测功能。它利用灰色系统的建模(灰色模型)、预测和灰色关联分析等方法进行故障诊断。由于灰色系统理论本身还不完善，如何利用已知信息更有效地推断未知信息仍是一个难题。(7)故障诊断专家系统理论和方法该方法是近年来故障诊断领域最显著的成就之一。它的内容包括诊断知识的表达、诊断推理方法、不确定性推理以及诊断知识的获取等。目前存在的主要问题：缺乏有效的诊断知识表达方式，不确定性推理方法，知识获取和在线故障诊断困难等。今后研究应注重与模糊逻辑、多值逻辑、故障树、机器学习和人工神经网络等理论和方法的结合、集成。(8)故障模式识别方法该方法是一种十分有用的静态故障诊断方法，它以已有30年发展历史的模式识别技术为基础。关键是故障模式特征量的选取和提取。现有许多模式分类器，如线性分类器、Bayes分类器、最近邻分类器等。该方法的诊断效果在很大程度上依赖于状态特征参数的提取、样本的数目、典型性和故障模式的类别、训练和分类算法等。未来研究应注重新聚类算法、自动学习识别方法及与ANN相结合。(9)故障诊断神经网络理论和方法神经网络应用于故障诊断是其最成功的应用之一。由于神经网络具有原则上容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行和处理复杂模式的功能，使其在工程实际存在着大量的多故障、多过程、突发性故障、庞大复杂机器和系统的监测及诊断中发挥较大作用。在众多的神经网络中，尤其以基于BP算法的多层感知器(MLP)神经网络理论最坚实，应用最广泛且最成功。神经网络故障诊断方法易实现对非线性系统的故障诊断。但BP算法是非鲁棒性的。重点研究在线学习算法，知识表达和鲁棒学习算法等。(10)基于数学模型的故障诊断理论和方法该方法是以现代控制理论和现代优化方法为指导，以系统的数学模型为基础，利用观测器(组)、等价空间方程、Kalman滤波器、参数模型估计和辨识等方法产生残差，然后基于某种准则或阈值对该残差进行评价和决策。基于模型的故障诊断方法能与控制系统紧密结合，是监控、容错控制、系统修复和重构的前提。目前该领域研究的重点是(线性和非线性)系统的故障诊断的鲁棒性，故障可检测和可分离性，利用非线性理论(突变、分叉、混沌分析方法)进行非线性系统的故障诊断。故障诊断理论和方法分类虽然很多，但可归纳为2类：①基于非模型的故障诊断理论和方法，如信号空间特征、模态和信息处理方法的诊断理论与方法；基于知识推理、人工智能、专家系统的诊断方法；基于模式识别和神经网络的诊断方法。②基于系统数学模型和现代控制理论、方法的故障诊断理论和方法，也包括相互间的结合和集成。现代故障诊断的主要内容现代故障诊断包括3方面的主要内容：①故障检测；②故障分离(诊断)；③故障修复。统称为故障的检测、分离和修复(FDIA)。故障诊断系统的性能：①及时性(速度)；②敏感性和鲁棒性；③误报率、漏报率、错报率和确诊率；④全面性(针对所有类型故障)。故障检测在进行故障检测之前，需做以下假设：系统中的故障导致系统参数有变化，如故障使输出变量、状态变量、残差变量、模型参数、物理参数等其中之一或多个有变化。这是所有故障诊断方式都必须遵守的假设条件。故障检测是指确定系统是否发生故障的过程，即对一非正常状态的检测过程。通过不断监测系统可测量变量的变化，在标称情况下，认为这些变量在某一不确定性下满足一已知模式，而当系统任一部件故障发生时，这些变量偏离其标称状态。通常根据系统输出或状态变量的估计残差的特性来判断故障。目前研究的目标是检测的及时性、准确性和可靠性及最小误报和漏报率。故障诊断故障诊断指根据残差方向和结构来分离出故障的部位，判断故障的种类，估计出故障的发生时间、大小和原因，进行评价与决策的过程。故障分类是将故障按其严重程度进行分类，以便采取相应措施。故障的评价和决策是指根据故障的类别、严重程度，决定是否采取修复、补救、隔离或改变控制率等措施，以防止故障的影响和传播，预防灾难事故的发生。故障修复故障修复指根据故障诊断结论，或是改变控制率或是控制重构或是系统重构，使整个系统在故障发生情况下，保证稳定并改善系统性能。如对传感器故障修复来说，可用一余度传感器或一估计值代替故障传感器的输出值。基于ANN在线估计器的FDIA是一有效方式。故障修复是自主系统(AS)和智能系统(AIS)的重要环节。故障修复把故障状态检测和故障诊断与自动控制紧密联系起来，使故障诊断具有更深远意义和广阔的应用前景。故障修复理论和方法将是目前和将来的研究方向。现代故障诊断的发展趋势现代故障诊断的发展方向是与容错控制、冗余控制、监控控制和余度管理等可靠性系统设计相结合的，是实现主动(视情)维修策略、监测控制、容错控制、自治控制、可信性系统等设计中的一个关键。解析余度管理现代余度管理从硬件余度向综合余度和解析余度管理发展。过去，动态系统的容错设计是基于硬件余度(余度部件、余度系统)而实现的，如三余度和四余度系统，通过简单的表决逻辑来判断故障。硬件余度遇到的主要问题是重量大、体积大、费用高、飞行器承载能力小。同时“同类”余度系统具有相同的寿命周期，假如一个有故障可能其它也发生故障。但用“异类”余度系统又难以保证表决检验的一致性。为了使整个系统可靠、安全，且提高容错系统可利用性，因此有必要研究新方法消除或减少硬件余度。进入70年代，随着计算机技术及其计算能力、可靠性的提高，现代控制理论的产生和发展，出现了以分析冗余取代物理(硬件)冗余的余度可靠性设计和余度管理思想。首先在仪表故障检测(IFD)中出现了这种新方式，其思想是用3个或以上不同类传感器测量系统不同的变量，产生完全不同的信号，通过一复杂综合比较逻辑来检测传感器故障。尽管是异类传感器，但所有都是由系统中同一动态状态激励的，因此具有某种功能关系。这种新方式初期称为本质余度或功能余度，以区别于物理余度或硬件余度。后来人们把它称为分析余度或人工余度。分析余度方式是一利用状态估计、参数估计、自适应滤波、变量阈值逻辑、统计决策理论和综合逻辑的信号处理技术，可以在电子电路或计算机上实现。目前实施的余度管理方式还是一综合方式，即包括硬件余度和解析余度。发展方向是分析余度。1971年Beard首次提出了故障检测滤波器(FDF)概念，标志着基于分析冗余(基于模型)故障诊断技术的诞生。可信性系统设计现代故障诊断是由于实施主动(视情)维修策略和建立监控系统的需要而发展起来的。由于现代机电自动化及控制系统的规模不断扩大、复杂性日益提高，以及系统投资的巨大，人们迫切需要提高机电自动化及控制系统的可信性。因而有必要建立一个监控系统来监督整个自动化系统的运行状态，不断检测系统的变化和故障信息，进而采取必要的措施(如隔离和修复或改变控制率等)来防止故障的传播和灾难性事故的发生。而其前提条件是具有在线实时可靠检测和诊断故障的能力。因此故障诊断是实现可信性系统设计的关键环节。可信性系统指集可靠性、有效性、可维修性和安全性为一体的系统。提高系统可信性的方法，即设计可信性系统的方法：①提高元部件本身的可靠性；②采用余度系统(部件)，如硬件、软件和复合冗余结构；③采用基于FDIA的容错和监控等控制系统。最底层是控制层，功能是实现输入输出和各种控制率；中间层功能是检测传感器、驱动器、控制回路和控制率中的故障状态；最高层功能是状态—事件逻辑，即接受来自检测器的输入并输出执行措施。基于FDIA的容错、监控控制系统的实现过程：①故障(失效)模态和影响分析(FMEA)；②影响严重度评价；③修复、补救措施推导；④故障修复设计(修正控制层、改变到另外控制模态、控制系统重构)；⑤逆FMEA过程；⑥系统建模(解析余度方法的故障检测的基础)；⑦故障检测器设计；⑧监控系统逻辑设计。鲁棒故障诊断故障诊断的鲁棒性是所有故障诊断理论、方法和系统所面临的重要问题。鲁棒故障诊断(RFD)概念首次在基于模型的故障诊断方法中提出。目前能查到的鲁棒故障诊断研究都是基于控制系统数学模型的。特别需指出的是在整个机械系统中，包括液压系统、液压控制系统，还没有见到鲁棒故障诊断的研究报道。基于模型的鲁棒故障诊断研究始于80年代初。经过十几年的研究和发展，提出了不少方法，也进行了一些应用研究，国内一些学者也曾在RFD方面做过有益的研究。总的来说，RFD还是一新研究方向，有待深入研究。基于人工神经网络的故障诊断，国内外已经在这方面做了许多研究。虽然ANN在网络拓扑结构上具有原则鲁棒性，但其BP学习算法是非鲁棒性的。就目前能查到的资料看，对鲁棒学习算法的研究刚刚开始，提出BP算法的非鲁棒