故障诊断方法范文

故障诊断方法范文第1篇

[关键词]故障诊断 人工智能 专家系统

中图分类号：TM78 文献标识码：A 文章编号：1009-914X（2017）12-0112-01

0.引言

S着新军事革命的爆发以及军事科技的迅猛发展，大量的高新技术武器装备到部队，在现代高新技术战争条件下，部队不仅要有先进装备，还要有快速反应能力，这样就对武器装备的维修提出了较高的要求。向维修保障要时间、要效益、要战斗力，已成为世界各国军方热切关注的话题。对于大量列装的先进复杂的武器装备，如果不配备与武器装备相适应的故障检测与诊断系统，就不能够及时地对设备进行维修和保养，那么对武器装备实用有效性的潜在威胁是不言而喻的。故障诊断技术水平将直接影响到武器装备维修的效率和效能，对于提高武器装备的战斗力，降低维修费用具用重要意义。故障诊断在武器装备维修中的应用研究正是在这样的背景下迅速发展起来的。

1.故障诊断技术的几种方法

经过几十年的发展，故障诊断技术先后出现了很多种方法。不同的系统可以采取不同的故障诊断方法，目前，故障诊断的方法基本上可以分为三类：基于模型的方法、基于数字信号处理的方法和基于人工智能的方法。

1.1 基于模型的方法

基于解析模型的方法应用在线性系统辨识技术来实时地为系统建立数学模型，当系统中存在故障时，系统的输入输出关系就会改变，这些变化就会反映在数学模型中，因而通过观测系统数学模型的参数变化，便能判定系统是否存在故障。

基于模型的方法包括：基于数学模型的方法、基于故障过程模型的方法。基于模型的方法可以充分利用系统的内容知识，有利于系统整体的故障诊断。其缺点是系统的建模误差或外部干扰将对故障诊断结果产生重大的影响。

1.2 基于信号处理的方法

基于信号处理的方法是一种传统的故障诊断技术。信号处理是故障诊断的前提和基础，其有效程度直接影响故障诊断结果。当系统输入输出在正常范围时，认为系统运行正常。当输入正常，而输出超过正常范围时，则认为故障发生或将要发生。它基于系统的输入、输出特性在幅值、相位、频率、相关性上与故障源存在联系，通过对系统信号进行分析与处理，便可判断故障源位置。

1.3 基于人工智能的方法

基于人工智能的诊断方法是近年来兴起的一种故障诊断方法。由于实际过程的流程越来越复杂，建立精确的数学模型也越来越难，而利用人工智能方法在复杂系统的诊断方面有一定的优势。伴随着计算机技术、现代测试技术和信号处理技术的迅速发展，设备故障诊断技术取得了很大的进展，带动了人工智能技术的进步，知识工程、专家系统和人工神经网络在诊断领域中得到广泛应用，人们对智能诊断问题的研究也更加深入、系统。

2.故障诊断技术在舰载武器故障诊断中的应用意义

故障诊断技术的出现，为保证舰载武器先进性能提供了技术支持和保障。故障诊断技术能及早发现舰载武器的潜在故障，防患于未然，确保各项训练和作战任务的圆满完成，进而取得战争的主动权，乃至赢得战争的胜利，还可以提高舰载武器装备的运行管理水平和维修效能，节省维修费用。可见，故障诊断技术是维修与保障工作的前提和基础，是实施正确、及时、可靠维修与保障的先决条件。

3.非线性故障诊断技术在舰载武器装备故障诊断中的应用前景

众所周知，任何系统和设备都或多或少地具有非线性特性，线性系统都是理想化的，舰载武器装备的高精度化、多功能化、大型化和自动化更是具有大量的非线性特性。因此，只有运用非线性的方法和手段才能对实际系统和武器装备进行精确的描述。尽管在某些场合，对非线性系统线性化后可以代替真实系统，但在另一些场合线性化的结果却不理想，失去了系统最本质的特征和本来面目，不能准确地描述原系统，因此对非线性理论的研究仍很重要和不可缺少。

非线性故障诊断方法按传统方式通常可以分为：基于解析模型的方法、基于信号处理的方法和基于知识的方法三大类。

基于解析模型的方法：给系统设计检测滤波器，然后将滤波器的输出与真实系统的输出比较，产生残差，将残差进行分析、处理，以实现对系统的故障诊断，这种方法需要准确的被控对象数学模型。它主要包括参数估计方法和状态估计诊断法，相比之下，参数估计方法比状态估计方法更适合非线性系统，因为状态估计方法不利于故障的分离。

基于信号处理的方法回避了抽取对象数学模型的难点，直接利用信号模型，如相关函数、高阶统计量（高阶谱）、频谱和自回归滑动平均过程、小波分析技术、混沌和分形理论进行故障分析。这种方法通用，对于线性系统和非线性系统没有本质的区别。但是，避开对象数学模型既是这种方法的优点也是它的缺点，它一般只用于故障检测。

基于知识的方法特点介于前二者之间。它引入了对象的许多重要信息，但又不苛求于系统的定量数学模型，因而克服了前两种方法的缺点，成为一种很有前途的方法，尤其是在非线性系统领域。一般情况下，不如基于信号处理的方法简单，其精度也不如基于解析模型的方法。基于知识的方法可以分为基于症状的方法和基于定性模型的方法。基于症状的方法包括专家系统方法、模糊推理方法、模式识别方法和神经网络方法等；基于定性模型的方法包括定性观测器、定性仿真和知识观测器等方法。由于神经网络具有自学习和能拟合任意连续非线性函数，以及并行计算的能力，使得它在处理非线性问题和在线估计方面有着很强的优势。另外，模糊推理，定性观测器等善于处理不确定、不准确的知识，符合人的自然推理过程，容易引入经验知识，与神经网络结合，有着巨大的应用前景。

4.专家系统在故障诊断中的应用

在很多领域，故障机理的研究还处于很浅的阶段，而在武器设备运行中可供监测的信号往往不是很丰富，因此实际过程中往往依靠现场操作人员的丰富经验来解决，而这种经验除了学习丰富的理论知识外还必须经过长时间的工程实际才能够得到。因此，如何积累专家的宝贵智慧并达到缩短知识传承和专家养成时间，就目前日益提高的人力成本而言，成为一个非常重要的课题。

专家系统依据专家处理问题的方式构建，具有保存知识和积累相关经验来提供解决问题参考的功能，可以疏解专家缺乏和取代部分专家的功能。因此在故障诊断领域，专家系统具有很大的发展空间。近几年来基于专家系统的故障诊断系统不断被开发出来，用来解决各种不同领域的问题。

5.结束语

近年来，用于舰载武器的故障诊断技术取得了一定的进步和成果，在改善和提高装备维修和保障水平、充分发挥装备保障效能等方面取得了一定的成就，呈现出崭新的局面，并取得了一定的军事和经济效益，有力推动了舰载武器装备的现代化发展。但应清醒的认识到，与世界发达国家相比，我们在故障诊断技术的理论研究和实践应用上还存在很大的差距，武器装备的维修与保障还缺乏科学性和准确性，而且时效性差，传统的故障诊断技术对于现代化的武器装备的维修与保障已表现出了极大的局限性。因此，研究和采用非线性故障诊断技术是舰载武器装备维修当前和今后的一个发展趋势。

参考文献

[1] 黄文虎，夏松波，刘瑞岩，等.设备故障诊断原理、技术及应用[M].科学出版社，1996.

故障诊断方法范文第2篇

Abstract： Characteristics of the neural network and expert system are analyzed. Fault diagnosis for equipment base on neural network is constructed. A weak of the traditional method of fault diagnose is overcome. And availability of the method based on neutral network system is verified by experimental results of one equipment fault.

关键词： 神经网络；故障诊断；装备

Key words： neural network；fault diagnose；equipment

中图分类号：E911 文献标识码：A 文章编号：1006-4311（2012）32-0316-02

0 引言

随着武器装备复杂性不断增加，对武器装备维护和故障诊断提出了更高的要求。近年来，一些逐渐兴起的智能故障诊断方法，比传统方法能够更加快速，有效的诊断装备故障。

目前，人工智能技术的发展，特别是基于知识的专家系统技术在故障诊断中的应用，使得设备故障诊断技术进入了一个新的智能公发展阶段。传统的故障诊断专家系统虽然在某些领域取得了成功，但这种系统在实际应用中存在着一定的局限性，而人工神经网络技术为解决传统的专家系统中的知识获取，知识学习等问题提供了一条崭新的途径[1][2][3]。

1 神经网络模型原理

人工神经网络简称神经网络（Neural Network），具备并行性、自学习、自组织性、容错性和联想记忆功能等信息处理特点而广泛用于故障诊断领域，它通过对故障实例及诊断经验的训练和学习，用分布在神经网络中的连接权值来表达所学习的故障诊断知识，具有对故障联想记忆、模糊匹配和相似归纳等能力。人工神经网络在故障诊断中的应用研究主要有三个方面：一是从预测角度应用神经网络作为动态预测模型进行故障预测；二是从模式识别角度应用神经网络作为分类器进行故障诊断；三是从知识处理角度建立基于神经网络的专家系统[4][5]。

1.1 神经网络基本模型 基于神经细胞的这种理论知识，在1943年McCulloch和Pitts提出的第一个人工神经元模型以来，人们相继提出了多种人工神经元模型，其中被人们广泛接受并普遍应用的是图1所示的模型[6]。

图1中的x0，x1，…，xn-1为实连续变量，是神经元的输入， θ称为阈值（也称为门限），w0，w1，…，wn-1是本神经元与上级神经元的连接权值。

神经元对输入信号的处理包括两个过程：第一个过程是对输入信号求加权和，然后减去阈值变量θ，得到神经元的净输入net，即

net=■w■x■-θ

从上式可以看出，连接权大于0的输入对求和起着增强的作用，因而这种连接又称为兴奋连接，相反连接权小于0的连接称为抑制连接。

下一步是对净输入net进行函数运算，得出神经元的输出y，即y=f（net）

f通常被称为变换函数（或特征函数），简单的变换函数有线性函数、阈值函数、Sigmiod函数和双曲正切函数。

根据本文的研究特点，变换函数f取为Sigmoid函数，即f（x）=■

1.2 神经网络知识表示 传统的知识表示都可以看作是知识的一种显示表示，而在ANN中知识的表示可看作是一种隐式表示。在ANN中知识并不像传统方法那样表示为一系列规则等形式，而是将某一问题的若干知识在同一网络中表示，表示为网络的权值分布。如下所示阈值型BP网络表示了四条“异或”逻辑产生式规则[7]：

IF x1=0 AND x2=0 THEN y=0

IF x1=0 AND x2=1 THEN y=1

IF x1=1 AND x2=0 THEN y=1

IF x1=1 AND x2=1 THEN y=0

基于这种网络知识表示结构，其BP网络结构如图2所示。

网络通常由输入层、隐层和输出层组成。网络第一层为输入层，由信号源节点组成，传递信号到隐层；第二层为隐层，隐层节点的变换函数是中心点对称且衰减的非负线性函数；第三层为输出层，一般是简单的线性函数，对输入模式做出响应。理论上已证实，在网络隐含层节点根据需要庙宇的前提下，三层前向神经网络可以实现以任意精度逼近任意连续函数的功能。

对于三层神经网络，其隐层节点和输出层节点输出为：

Hj=f[■wijxi-θj]，i=1，2，…，N；j=1，2，…，L

yk=g[■TjkHj-λk]，j=1，2，…，L；k=1，2，…，M

1.3 隐层神经元数 神经网络输入和输出神经元个数的确定可以根据实际需求而定，隐层神经元个数的确定对网络的能力也有直接的影响，个数太少，则神经网络的认知能力较差，影响其收敛程度和泛化能力，个数太多，则增加了计算量，降慢了网络的收敛速度，通常用以下几个公式来确定隐层神经元数：

l=■+a，a∈[1，10]，p

式中：l为隐层神经元数；n为输入层神经元数；m为输出层神经元数；p为样本总数。

2 故障诊断实例

以某型装备导弹测试车为例，说明神经网络在装备故障诊断过程中的学习和自适应过程。该装备故障知识表示如表1所示。左侧为装备故障征兆，右侧为装备故障原因。图中所示故障征兆与故障原因为对应关系，左侧故障征兆必然由右侧某一或多个故障原因引起。因此，故障征兆为神经网络的输入，由x1、x2…x9表示，如表2 所示。神经网络接收故障原因后，通过运算、诊断、判别，最终输出引起某一故障征兆的原因，由y1、y2…y8来表示。

2.1 故障诊断流程 故障诊断流程如图3所示。根据专家整理的故障征兆、故障原因知识，对知识进行区别、分类，形成神经网络知识库。并通过已知的学习样本对神经网络进行训练。故障诊断时，对故障现象进行知识表示，输入诊断系统，经过神经网络运算得出相应故障原因结果，由系统解释机制最终解释出来，到达输出端，提供给用户。如果系统诊断不到故障原因（即，无解），得出相应的结论，把该结论反馈至知识库存储，并更新网络知识库。

针对该型装备，我们选择8个样本进行网络系统训练，其中，xi=0表示无故障现象，xi=1表示故障现象；yj=0表示无故障原因，yj=1表示故障原因。神经网络训练知识表示样本，如表3。神经网络训练过程中，通过误差反向传播，不断自动学习，修改各个节点的连接权值和相应节点的阈值，一旦误差小于规定的ξ时，网络就会停止训练。网络训练完成后，就可得到固定的连接权值和相应节点的阈值。

2.2 故障诊断结果 根据网络训练结果进行诊断，把故障征兆输入系统，系统调用已经训练好的各层的连接权值和相应节点的阀值进行向前计算，最终得出训练结果，由输出端提供给用户。在实际输出与理想输出之间有差别，实际输出值可以无限接近理想输出值，但往往不能完全相同。如表4所示。

3 结论

本文研究了模糊神经网络的原理和实现形式，提出了基于神经网络的故障诊断系统构建原则，并以某型装备故障为例，进行了实验。实验结果表明：人工神经网络故障诊断可以克服以往传统装备故障诊断不足，提高装备故障诊断效率，体现出了重要的意义和价值，代表着一个新的发展方向。

参考文献：

[1]杨迎化，唐大全，卢建华.神经网络在智能故障诊断技术中的应用及其发展趋势[J].测控技术学报，2003，22（9）：1-5.

[2]陈维，陈永革，赵强.基于BP神经网络的装备故障诊断专家系统研究[J].指挥控制与仿真，2008，30（4）103-106.

[3]王改良，武妍.用入侵的自适应遗传算法训练人工神经网络[J].红外与毫米波学报，2010，29（2）136-139.

[4]汪振兴，刘臣宇，李丽等.基于改进BP神经网络的某型装备故障诊断专家系统[J].计算机与现代化，2010，174（2）200-206.

[5]王凡重.基于小波神经网络和支持向量机的电机故障诊断与研究[D].太原理工大学硕士学位论文，2011.

[6]王晓垠.基于神经网络和专家系统的智能故障诊断系统研究[D].东南大学硕士学位论文，2005.

故障诊断方法范文第3篇

关键词：故障诊断；小波分析；专家系统：数据融合

引言

故障诊断(fd)全名是状态监测与故障诊断(cmfd)。基于解析冗余的故障诊断技术被公认为是这一技术的起源。所谓解析冗余，是指被诊断对象的可测变量之间(如输入与输出间，输出与输出间，输入与输入间)存在的冗余的函数关系，故障诊断在过去的十几年里得到了迅速的 发展 ，一些新的理论和方法，如遗传算法、神经 网络 、小波分析、模糊理论、自适应理论、数据融合等均在这里得到了成功的应用。

1　基于小波分析的故障诊断方法

小波分析是20世纪80年代中期发展起来的新的数学理论和方法，它被认为是傅立叶分析方法的突破性进展。小波分析最初由法国学者daubeches和callet引入信号处理领域，它具有许多优良的特性。小波变换的基本思想类似于fourier变换，就是用信号在一簇基函数张成空间上的投影表征该信号。小波分析优于博立叶之处在于：小波分析在时域和频域同时具有良好的局部化性质。小波分析方法是一种窗口大小(即窗口面积)固定但其形状、时间窗和频率都可以改变的时频局部化分析方法。即在低频部分具有较高的频率分辨率和较低的时间分辨率。因此，小波变换被誉为分析信号的显微镜，小波分析在信号处理、图像处理、话音分析、模式识别、量子物理、生物医学工程、 计算 机视觉、故障诊断及众多非线性 科学 领域都有广泛的应用。

动态系统的故障通常会导致系统的观测信号发生变化。所以我们可以利用连续小波变换检测观测信号的奇异点来检测出系统的故障。其基本原理是利用信号在奇异点附近的lipschitz指数。lipschitz指数时，其连续小波变换的模极大值随尺度的增大而增大；当时，则随尺度的增大而减小。噪声对应的lipschitz指数远小于0，而信号边沿对应的lipschitz指数大于或等于0。因此，可以利用小波变换区分噪声和信号边沿，有效地检测出强噪声背景下的信号边沿(援变或突变)。

2　专家系统故障诊断方法

专家系统故障诊断方法，是指计算机在采集被诊断对象的信息后，综合运用各种规则(专家经验)，进行一系列的推理，必要时还可以随时调用各种应用程序，运行过程中向用户索取必要的信息后，就可快速地找到最终故障或最有可能的故障，再由用户来证实。此种方法国内外已有不少应用。专家系统的故障诊断方法可用图1的结构来说明：它由数据库，知识库，人机接口，推理机等组成。其各部分的功能为：

数据库：对于在线监视或诊断系统，数据库的内容是实时检测到的工作数据；对于离线诊断，可以是故障时检测数据的保存，也可是人为检测的一些特征数据。即存放推理过程中所需要和产生的各利，信息。

知识库：存放的知识可以是系统的工作环境，系统知识(反映系统的工作机理及结构知识)：规则库则存放一组组规则，反映系统的因果关系，用来故障推理。知识库是专家领域知识的集合。

人机接口：人与专家系统打交道的桥梁和窗口，是人机信息的交接点。

推理机：根据获取的信息综合运用各种规则进行故障诊断，输出诊断结果，是专家系统的组织控制结构。

3　基于数据融合的故障诊断方法

数据融合是针对一个系统中使用多个传感器这一问题而展开的一种信息处理的新的研究方向。数据融合将各种途径、任意时间和任意空间上获取的信息做为一个整体进行综合分析处理，为决策及控制奠定基础，产生比单一信息源、单一处理机制更精确、更完全的估计和判决。

数据融合模型一般可表为图2所示的三级结构。数据融合模型的每一级内部又可有相应子结构，其中，第一级为原始信息融合层，其输入是由信息源提供的各种原始数据，其输出是特征提取的结果或某种局部决策。第二级为特征融合层，它以原始信息融合层的输出做为输入。其输出为目标的局部标识。第三级是决策融合层，其输入为特征融合层的输出，并以全局决策做为本层的输出。全局决策一般既要有硬决策，如故障类别、部位、程度，也要给出软决策，如可信度。

4　小结

故障诊断方法范文第4篇

关键词：民机；故障诊断；FTA；CBR；SDG；神经网络；人工智能

中图分类号：TP18文献标识码：A文章编号：1009-3044(2011)28-7061-02

Introduction of Civil Aircraft Fault Diagnosis

XUE Li-yin, ZUO Hong-fu, SU Yan

(College of Civil Aviation, Nanjing University of Aeronautics & Astronautics, Nanjing 210016, China)

Abstract: Aircraft to safety complete the mission is the normal operation of the basic requirements of the airline. The fault diagnosis for civil aircraft as aircraft maintenance is an important part in ensuring the safety of aircraft performance, plays a vital role. Describing the fault diagnosis method based on FTA, fault diagnosis method based on CBR, fault diagnosis method based on SDG and fault diagnosis method based on neural network, meantime the article illustrates the differences between these approaches and their strengths and weaknesses.

Key words: aircraft; fault diagnosis; FTA; CBR;SDG; neural network; artificial intelligence

对民航业而言，航班安全、按时是航空公司追求的第一目标。它不仅会影响到企业形象及经济效益，同时也是乘客和飞机机组人员人身安全的重要保证。维修部门是航空公司正常运作的重要后勤保障部门，主要负责保持飞机处于适航和完好状态并保证航空器能够安全运行。随着科学技术的发展，越来越多新型的故障诊断技术运用到民机故障诊断中，这样做不仅可以降低维修成本（人力，物力和时间），而且能偶减少飞机的定期维修时间，延长设备的使用寿命，极大的促进民航业的发展。

1 基于故障树分析的故障诊断方法

故障树作为一种最基本的故障诊断方法很早就被应用于民机的故障诊断。通常在飞机的设计阶段，飞机制造公司就利用绘制故障树的方法将飞机可能发生的故障绘制出来，这样做不仅方便日后排故手册的编制，同时也可以将故障树提供给飞机维修单位，帮助其完成飞机维修任务。

在传统的故障树基础上谢慧、李德英[1]提出了名为“广义故障树知识表示”的方法。传统的知识表示方法有着很多不足：比如基于规则的表示方法比较繁琐与复杂，基于模型的表示方法不适用于复杂系统且容易产生主观性错误，基于过程的表示方法一旦系统形成便难于修改等问题。针对以上这些不足，“广义故障树知识表示方法”在传统的故障树分析法基础上，引入面向对象的技术对传统的知识表示方法进行了改进，构建了如图1所示的故障树描述框架。

在故障树描述框架中包括框架名，类型槽，父节点槽，子节点槽，约束数据槽，监测点类变量槽，结构类变量槽，对策建议槽和故障对策验证槽。通过定义这些槽使得“广义故障树”相比普通的故障树所包含的信息内容更加丰富，同时也能清楚的表明各个部件之间的逻辑关系。因此“广义故障树知识表示方法”具有以下优点：1）可以求解从未发生过的新故障；2）使得知识库更加模块化，层次分明；3）处于广义故障树分类关系中的诊断对象结点可以继承所有父辈诊断对象结点中的属性，因而可以减少知识表达上的冗余；4）由于广义故障树中诊断对象结点具有很好的封装性，因此对某个诊断对象结点的框架槽值进行修改不会影响其它的诊断对象，从而达到对知识库进行适时修正的目的；5）极大的提高诊断推理效果。

2 基于案例的故障诊断方法

基于案例的推理方法被广泛用于民机空调系统的故障诊断中。该方法是一种基于经验知识的推理方法，适用于没有完整、精确的数学模型，而有丰富经验和大量历史记录的领域，如设计、诊断[2-3]，因此该方法常用于维修经验较为丰富的机型。针对飞机售后服务过程中积累的大量故障诊断和维修经验，通过构建案例库并将发生的故障与案例库中的案例进行比对，从而找出最近似的案例帮助维修人员能够迅速的定位故障源。李青，史雅琴[4]等人探讨了基于案例的故障诊断方法在民机故障诊断中的应用。基于案例的故障诊断方法包括：案例的表示，案例的检索与匹配，案例的调整与修改和案例的添加。

案例的表示是基础，如何能够清楚、有效的描述一个案例对于后续的案例检索与匹配起到了至关重要的作用。依据民机案例所包含内容的特点，通常将案例拆解为以下两大属性：故障描述属性和排故维修属性。其中故障描述属性主要负责清晰、准确的描述故障发生时的现象与飞机的状态。因此故障描述属性又可以划分为：故障机型，故障发生时间，故障发生现象，飞机所处状态等一系列更加细致的小属性。划分的小属性数量越多，故障描述的越准确，案例匹配所得结果就越精确，但存储的数据也较多，检索与匹配耗时较长。另一属性排故维修属性包括的内容是确定故障源后的维修解决方案。通常包括手册的选取，注意事项，维修经验等小属性。

案例的检索目前常用的方法是分词法。该方法是将故障信息分割，并与数据字典中的内容进行匹配，找出符合条件的关键词，同时对案例库中的信息进行同样的处理。找出关键词后利用KNN法[5]计算相似度，比较相似度就可以找到与故障最相似的案例。

如果维修人员发现故障与案例并非完全匹配，则排除故障后可以添加新的案例或者通过在原有案例上进行修改，丰富案例库的内容，以便于日后相同情况的处理。

基于案例的故障诊断方法不需要构建复杂的系统模型，表达起来清晰，直观。

3 基于图论的故障诊断方法

基于图论的故障诊断方法早已被广泛的应用于工业设备的故障诊断中，较为常见的是SDG（Signed Directed Graph）建模方法。SDG建模方法通常用来描述大规模复杂系统，利用节点和有向支路表示了系统中变量之间的相互影响关系。叶思远，左洪福[6]等人利用SDG建模方法建立了民机空调系统的模型，并通过模型进行故障诊断取得了良好的效果。

3.1 SDG介绍

SDG的基本表示形式如图1所示，包括节点以及节点之间的连线。这些连线都具有方向性，代表了节点之间的影响关系。通常用实线表示正影响（增强），虚线表示负影响（减弱）。

3.2 SDG建模方法

SDG建模方法包括三种：基于数学模型的建模方法，基于流程图的建模方法和基于经验知识的建模方法。

1）基于数学模型的建模方法根据系统的定量数学模型由差分方程直接转化得到。SDG的节点就是系统的变量，有向支路通过对方程求偏导得到。该建模方法准确度比较高，但是对于建模人员的数学要求高，且故障的表达方法不清晰。

2）基于流程图的建模方法相比数学模型的方法更加直观。通过将系统分为若干个元件，根据系统工作时各元件之间的相互影响关系建立模型。节点就是元件的状态，有向支路反映了元件之间的影响关系。该建模方法简单直观，建模人员只需了解系统工作状态即可。但是由于人的主观因素易产生错误，所以建立的模型不够准确，需要经过若干次调整才能达到满意的效果。

3）基于经验知识的建模方法相比流程图的方法更加清晰明了。运用该方法建模通常要求建模人员具有丰富的故障诊断经验，能够从故障节点开始直接给出影响该故障节点的原因节点，以此向上追溯出故障源。但是这种方法往往工作量巨大，冗余路径较多。

3.3 SDG故障诊断方法

通过SDG建模方法建立系统模型后，定位故障源通常是从故障节点开始利用寻找相容路径的方法寻找可能的故障源。

相容：某一刻两个相邻节点的状态符合它们之间连线的状态，则称这两个节点相容。对于未知状态的节点视为相容。

相容路径：由相容节点及它们的连线组成的路径成为相容路径。

故障诊断系统只需要从故障节点开始，沿着指向故障节点的反方向向上追溯，满足相容路径的上层节点保留并以该节点作为新的节点向上追溯，不满足相容路径的上层节点则剔除。最终保留下的节点与有向支路就形成了故障传播的路径，根节点即为可能的故障源。

SDG故障诊断方法的优点在于不仅能定位故障源，而且可以直观的描绘故障传播的路径，为维修人员的维修排故工作提供了极大的支持。

4 基于神经网络的人工智能故障诊断方法

除了以上3种应用于民机故障诊断的方法，神经网络等技术也被运用于民机的故障诊断。神经网络不仅能够模仿人类的逻辑思维，又可以人脑的思维方式，同时它又具有强大的学习能力和数据处理能力，并且具有较强的结构知识表达能力、自然语言处理能力和很强的容错能力。杨鹏，李春龙[6]将神经网络运用于空调系统的故障诊断。作者建立了空调系统的神经网络模糊模型，网络的输入向量代表了空调系统的不同故障征兆，输出向量代表不同的故障模式。通过将神经网络方法和专家系统的相结合，不仅利用神经网络消除了专家系统数据量大，应变能力低得缺点，同时利用专家系统解决了神经网络收敛速度慢，网络参数选取随意性大的毛病。因此该系统能够帮助维修人员迅速确定故障源，给出恰当的解决措施，提高了维修效率。

乔佳， 史艳霞[7]将信息融合技术与神经网络相结合，首先对某一时刻采样取得的信息神经网络进行初步判断，再采集多个时刻的故障信息并进行融合，通过这些信息建立了神经网络信息融合模型。该模型能够准确诊断处于运行状态的系统所发生的故障，有效地解决了干扰因素对诊断结果的影响，使故障综合诊断结果的可靠性大大提高。采样时间点越多，得到的故障诊断结果越精确。

5 结束语

随着各种新技术的开发与应用，民机故障诊断的方法也在逐渐增加和完善。但是无论技术怎样变化，故障诊断的目标却始终不变，就是更加准确迅速的诊断出故障源并帮助维修人员即时排除故障，为旅客飞行的安全提供保障。

参考文献：

[1] 李德英,谢慧.空调系统故障诊断的广义故障树知识表示方法[J].北京建筑工程学院学报,2005,21(2):1-6.

[2] Chen Wei-Chou, Tseng Shian-Shyong, Chen Jin-Huei, et a1.Framework of features selection for the case-based reasoning [C]//Piscataway, NJ:Proc IEEE Int Conf Syst Man Cybern.IEEE,2000,1:1-5.

[3] Chiu C, Chiu N-H, Hsu C-I. Intelligent aircraft maintenance support system using genetic algorithm and case-based reasoning[J].Int J Adv Manuf Technol, 2004,24(5/6):440-446.

[4] 李青,史雅琴,周扬.基于案例推理方法在飞机故障诊断中的应用[J].北京航空航天大学学报,2007,33(5):622-626.

[5] 李永平.基于CBR方法的飞机排故支持技术研究与应用[D].南京:南京航空航天大学民航学院,2006.

[6] 杨鹏,李春龙,孙旭东.神经网络在空调故障诊断中的应用[J].河北建筑工程学院学报,2002,20(3):34-38.

故障诊断方法范文第5篇

1基本原理

1.1接地网模型由于土壤电阻率远远大于接地网电阻率，忽略土壤对接地网的影响，接地网可视为纯电阻网络，接地引线就是该网络的可及节点，可以看成一个多端口网络，如图1所示。假设接地网有n+1个节点，b条支路，m+1个可及节点，为消除电容耦合及电感耦合的干扰，测量中针对图1地网中两节点施加直流电流激励。规定地网各段电流方向后得到其有向图，进而可以得到网络节点关联矩阵A，根据电网络理论可得。其中I为节点的电流源列向量；Y为支路导纳矩阵；U为节点的电压列向量；Y为节点导纳矩阵。由式(1)可推导出单个支路电阻R的变化对节点电压值U的影响。依次计算出R(j=1,2,…,b)变化对n个节点电压的影响值，得到全灵敏度矩阵U。上述方法求得网络的全灵敏度矩阵为U，U是从U中取出的与m根可测量引线有关行向量组成的新灵敏度矩阵。

1.2建立故障诊断方程设m个可及节点电压在地网支路电阻为标称值时的理论计算值为U，地网腐蚀后从m根引线上所测值为U，节点电压增量为ΔU。式（3）即为故障诊断方程，X是b维列向量，x（j=1,2,…,b）代表第j段导体电阻增加的倍数。因实际地网可测引线数m总是小于接地网支路数b，故障诊断方程是欠定方程，无唯一解，要得到实际地网的准确诊断结果就必须求出唯一解，所以必须引入目标函数和约束条件来求解。这是一非线性函数，所需约束条件是前面的故障诊断方程和接地网各段导体在发生不同程度腐蚀后，电阻值只会增大，即电阻增量的非负性。得到约束条件为：至此便构建出了良好的数学模型。利用合适的优化算法解数学模型就能得到各段导体电阻值的增大倍数x，从而判断其是否发生腐蚀或断裂。

2接地网仿真故障诊断

根据上一章介绍诊断方法，先求得ΔU，然后按如下步骤进行求解：①选择接地网一个节点为公共点，生成接地网的关联矩阵A和支路导纳矩阵Y；②选择接地网的另两个节点，在这两个节点中施加恒定电流源，由电网络理论计算出节点电压值U；③生成R与节点电压的全灵敏度矩阵U；④假设某一支路或几条支路发生腐蚀或断裂，其支路电阻变大。选择测量节点，计算出其相对于公共点的电压值U；⑤由ΔU=U-U，建立故障诊断方程；⑥对目标函数进行优化计算，得到各个支路电阻的变化值，分析结果。现对一3×3小型接地网进行仿真。电路拓扑图如图2所示，正常支路电阻为0.05Ω，假设5号支路发生故障，电阻变为5Ω，图中“”为可及节点，仿真结果如图3所示。由图3可以看出，最终准确诊断出5号支路发生故障。

3结论

本文基于电网络理论和故障诊断理论，建立了接地网故障诊断方程，并通过MATLAB优化算法解诊断方程。通过仿真计算和接地网模拟试验验证了本文方法的有效性和实用性。

故障诊断方法范文第6篇

1.1凝汽器真空故障诊断方法

凝汽器故障诊断的目的是预测凝汽器的早期故障，并安排运行人员及时排除。其基本方法是：收集凝汽器的各种故障集和征兆集，经过大量的真实数据训练形成一个网络，当监测凝汽器的运行参数出现征兆集中对应的某些征兆时，就可以判断为相应的故障[3]。基于模糊神经网络的故障诊断方法中有两个关键问题：一是专家知识库必须要非常完善，二是模糊隶属度函数的选取要合理。对于第一个问题，建立起合理的专家知识库结构，随着时间和经验的积累来不断进行扩充和完善。对于第二个关键问题，需要经过大量的试验和计算，来确定符合的模糊隶属度函数，因为模糊隶属度函数的确定目前尚未统一标准，其函数的选取会对最后的诊断结果精度造成一定的影响。模糊理论是建立在模糊集合论、模糊语言变量及模糊逻辑推理基础上的一种计算机数字控制理论，它因在设计系统时不需要建立被控对象精确的数学模型而得到了日益广泛的应用[4]。模糊语言变量的定量描述由它的隶属函数确定，正确地确定隶属函数，是运用模糊集合理论解决实际问题的基础，是能否用好模糊控制的关键之一。隶属度函数的确定过程，本质上说应该是客观的，但每个人对于同一个模糊概念的认识理解又有差异，因此，隶属度函数的确定又带有主观性。隶属度函数的确立目前还没有一套成熟有效的方法，大多数系统的确立方法还停留在经验和实验的基础上。对于同一个模糊概念，不同的人会建立不完全相同的隶属度函数，尽管形式不完全相同，只要能反映同一模糊概念，在解决和处理实际模糊信息的问题中仍然殊途同归。其中常用的确定方法有：模糊统计法、例证法、专家经验法、二元对比排序法等[5]。

1.2隶属度函数的确定

根据电力行业标准《DL/T932-2005凝汽器与真空系统运行维护导则》，凝汽器真空系统的主要故障有：a）真空系统泄漏，b）冷却水系统故障，c）凝汽器水位升高，d）抽气设备工作失常，e）轴封系统故障，f）热负荷增加，g）循环冷却水进口温度高，h）凝汽器清洁系数降低，i）凝结水过冷度大，j）凝结水含氧量大。本文针对某电厂凝汽器的特性，确定了21个典型故障，22个典型征兆参数。在征兆参数中，取0.0为参数下降到下限故障报警值，即急剧下降，0.25为缓慢下降，0.5为正常运行值，0.75为缓慢上升，1.0为参数上升到上限故障报警值，即急剧上升。凝汽器的形式为单壳体、双流程、表面式凝汽器。根据现场考察，发现该凝汽器的汽侧分开，水侧相连。按照征兆集中确定的参量，从DCS上采得相关参量的实际数据，根据凝汽器设备运行的影响因素（及征兆参数）对凝汽器的影响程度来确定主要故障的自定义函数。

1.3故障征兆知识库

对故障征兆知识集中的训练样本，采用BP神经网络进行学习训练，确定BP网络结构为3层，输入层有22个节点，对应于22个征兆，经仿真训练，隐层节点定为24个，输出层节点为21个，对应21个典型故障。输入层到隐含层采用tansig函数，隐含层到输出层采用logsig函数，采用traingdx进行训练。训练样本的知识库如表2所示。表中列为征兆集：1-凝汽器真空；2-循环水泵电机电流；3-循环水进口压力（A侧）；4-循环水进口压力（B侧）；5-凝汽器水阻（A侧）；6-凝汽器水阻（B侧）；7-低压缸转子胀差；8-凝结水泵出口母管压力（凝泵有三台，读电流值不方便）；9-凝结水导电度；10-7号低加水位；11-8号低加水位；12-循环冷却水温升（A侧）；13-循环冷却水温升（B侧）；14-凝汽器传热端差（A侧）；15-凝汽器传热端差（B侧）；16-凝结水过冷度；17-真空泵抽出的空气温度与冷却水进口温度之差；18-凝汽器抽气口与真空泵入口之间的压差；19-凝汽器热水井水位；20-冷却塔出塔水温；21-真空泵电机电流；22-轴封蒸汽母管压力。表中行为故障集：1-循环水泵工作不正常，发生严重故障；2-凝汽器出口水室有空气进入或冷却管脏污（A侧）；3-凝汽器出口水室有空气进入或冷却管脏污（B）；4-凝汽器出口水室有空气进入或冷却管脏污（A、B侧）；5-低压缸供汽中断或供汽不足；6-凝汽器内水位很高淹没铜管，即凝汽器满水；7-凝汽器内非正常途径漏入空气，真空不严密；8-凝结水泵工作异常；9-凝汽器冷却管损坏致使循环冷却水内漏（A侧）；10-凝汽器冷却管损坏致使循环冷却水内漏（B侧）；11-凝汽器冷却管损坏致使循环冷却水内漏（A、B侧）；12-凝汽器低压加热器管路损坏；13-凝汽器冷却管路内部堵塞（A侧）；14-凝汽器冷却管路内部堵塞（B侧）；15-凝汽器冷却管路内部堵塞（A、B侧）；16-真空泵损坏；17-真空系统管路破裂或存在大的漏点；18-冷却水塔故障；19-抽气设备工作不正常；20-凝结水泵盘根漏水或取样器泄漏；21-循环水流量不足。

1.4故障诊断流程

故障诊断的大致步骤为先确定凝汽器故障征兆知识库的专家系统，然后通过训练得到一个网络，再把从DCS系统上采得的征兆实际值，通过模糊隶属度函数进行模糊化处理，代入到训练好的网络中即可显示出诊断的结果。见图1。把从电厂DCS中采集到的故障征兆参数经适当的隶属度函数模糊化，模糊化后的结果为[0.01,0.5,0.180075,0.202975,0.5,0.5,0.317104,1,0.5,0.5,0.5,0.217346,0.145241,1,1,1,0.5,0.5,0.61578,0.318924,0.75,0.5]

2结论

本文研究了采用基于模糊神经网络的凝汽器真空故障诊断方法，针对其中的隶属函数选取进行针对性研究，取得了期望的诊断效果。文中所采用的数据和征兆集是针对某电厂的凝汽器建立的，对于后期凝汽器故障诊断系统的数字化配套技术，为数字化的全面覆盖提供了技术保障。在地面工艺流程优化、简化的基础上，配套适用于生产环节的自动化技术，必将提高生产管理水平，减少员工劳动强度、提高安全生产水平。不断完善前端数据采集，为中端系统的综合利用提供了数据支撑。油井分类管理，安全预警分类分级管理，综合治理防盗管理是挖掘数据价值的重要体现，为生产、安全、安防的精细管理提供了分析决策手段，是实现精细化管理的技术创新。1）长庆油田在面向生产操作过程的数字化技术配套方面作出了有益的探索和实践，并取得一定的效果，为“油气生产物联网系统（A11）”积累了经验。2）不断完善数字化关键技术配套，有利于提升油田生产自动化、信息化水平和企业形象。3）SCADA系统数据共享、集中控制优势，将促进作业区由按区域管理的模式向按集输、注水流程管理的方式转变，生产单元职能由目前的生产运行管理向专业技术管理转变。4）数字化系统功能完善只有与工艺改造，地质研究、生产安全、综合治理相结合，才能为油田实现精细化管理提供技术支撑。

故障诊断方法范文第7篇

关键词：汽车故障 诊断方法

汽车故障有的是突发性的,有的是渐进性的。当汽车发生故障时,如能够用经验和科学知识准确快速地诊断出故障原因和部位,找出损坏的零部件,及时修复或更换,排除故障,恢复汽车原有的性能,就能发挥汽车高效、便捷的交通作用。

一、故障成因

汽车在使用过程中不发生故障是相对的,而发生各种各样的故障是必然的。汽车故障的形成原因主要有:

1.存在易损零件。汽车在设计中不可能做到所有零件都具有同等寿命,有些零件为易损零件。例如:空气滤清器滤芯,火花塞,离合器摩擦片等使用寿命较短,均需定期更换,如没有及时更换就会发生故障。

2.零件质量差异。汽车零件批量大,并由不同厂家生产,因此不可避免地存在质量差异。

3.运行材料质量。汽车上的消耗品主要有燃油和油等,这些用品质量差会严重影响汽车的使用性能和寿命,使汽车易发生故障。加入劣质燃油和机油对发动机危害极大。

4.使用环境影响。汽车使用环境变化很大,涉及气温高低,风霜雪雨,道路不平使汽车振动颠簸严重,容易发生故障或引起突发性损坏。

5.驾驶技术影响。驾驶技术对汽车故障的产生影响很大,使用方法不当影响更大。如汽车新车磨合期超速超载,不定期维护,就会使汽车损坏和出现故障。

6.维修技术影响。汽车在使用中要定期维护,出了故障要作出准确的诊断,及时排除。要求汽车使用、维修工作人员要了解和掌握汽车技术性能和高新技术在汽车上的应用。

二、故障症状

汽车常见故障的表现和症状有:

1.性能异常

动力性和经济性变差,如最高行驶速度明显降低；汽车燃油消耗量大和机油消耗大。乘坐舒适性差,如汽车振动和噪声明显加大。汽车操纵稳定性差,如汽车易跑偏,车头摆振；制动侧滑和距离长,排放超标等。

2.工况异常

使用中突然出现某些不正常现象,如行驶中发动机突然熄火；制动无效；冬季起动困难；发动机熄火后再也起动不了等。

3.声响异常

使用中发生的故障往往以异常响声的

形式表现出来,如果响声比较沉闷并且伴有强烈的振抖时,故障比较严重。

4.排烟异常

汽车排气管冒黑烟一般为混合气过浓,燃烧不完全；排气管冒蓝烟，一般为烧机油；排气管冒白烟，一般为燃油中有水,或气缸有水,或室外温度过低。

5.操作异常

汽车不能按驾驶员意愿进行加速、转向、制动。如油门踏板、离合器踏板、制动踏板、转向盘、变速杆操作不灵活等。

6.气味异常

刹车片和离合器片的非金属材料发出的烧焦味；蓄电池电解液的特殊臭味；电气系统导线烧毁的焦糊味；漏机油滴到排气管的烧焦味和汽油味。

7.外观异常

汽车停放在平坦场地上时,检查外观时会发现汽车纵向倾斜或横向歪斜；灯光、信号、仪表失常；表面碰伤、擦痕损伤等。

8.过热

各部温度超出正常使用温度范围。如水箱“开锅”、变速器、制动器、后桥壳发热烫手。

9.渗漏

燃油、机油、冷却液、制动液、电解液、制冷剂等漏液;电气系统漏电;气缸垫,进、排气管垫,真空管等漏气。

三、故障诊断方法

汽车发生故障,如果查不出故障原因和故障部位,就无法动手修理。汽车故障种类繁多,千变万化,但万变不离其中,只要掌握汽车的构造、原理、性能,且具有丰富的维修实践经验,就很容易作出准确的判断。内行的人只要汽车一开过他身旁,他一听一看就可以判断出该车的技术状况。汽车一般故障诊断方法大概归纳为深问历程、慎察症状、细听异响、触感变化、辨嗅气味、试验求证、部件替换、分离检查和局部拆装等过程,对于疑难故障,在利用仪器和设备进行检测的过程中也要结合维修经验,灵活运用检测结果,对故障进行综合诊断。

1.深问历程

中医诊病要望、闻、问、切,汽车故障诊断也是一样。其中深问也是快速诊断汽车故障的方法之一。维修人员一定要向车主询问使用年限、修理历史、发生故障时的症状以及发生故障后的状态,进一步深入地了解故障产生的原因,判断故障的部位。

2.慎察症状

所谓慎察症状是对初步判断的故障发生部位进行仔细观察或模拟检测。

3.细听异响

用听觉判断汽车故障是常用的简便方法。当汽车某个部位发生故障时,就会出现异常响声,有经验者可以根据响声判断故障部位。

4.触感变化

凭触感来诊断汽车故障就像中医切脉一样,以传到人体上感觉到的汽车状况来判断故障。如柴油机动力不足、怠速不稳、加速不顺有突突声,用手指触碰各缸高压油管,如果哪一条高压油管没有脉动感,说明该缸不工作(缺缸工作)；如用手摸水泵出水口胶管可以感觉到水流压力波动,说明水泵工作正常；如感觉不到水流压力波动,说明水泵坏或者水箱无水；如用手指的压力检查风扇皮带的松紧度:用拇指从皮带中间用40N的力按下皮带,其挠度为10-15mm为合适,否则说明皮带过松或过紧。

5.辨嗅气味

汽车上不同的气味代表着不同的状态。如闻到焦糊味是电线短路烧焦味,必须立即关掉电源,查找故障部位。当手摸到发烫的地方就是电线短路的部位。当停车时或行驶中闻到汽油味,可能是某处油管或油箱漏油,要查明原因；如汽车载重上坡,发动机转速很高,但车速很慢,且在车后闻到一股古怪难闻的焦臭味,这是离合器打滑的故障。

6.试验求证

所谓的试验求证就是以试验来证明汽车技术状态的变异程度,以确定故障原因和部位。如汽车液压制动不灵的故障诊断。

7.部件替换

所谓的部件替换就是对可能发生故障的部件用合格的部件替换。

8.分离检查

分离检查就是对具有系统性的结构进行分段或隔离检查,以确定故障部位。

9.局部拆装

所谓局部拆装就是已经判明故障发生在某个总成以后,还不能准确判断具体某个零件发生故障时,可按总成工作原理,局部拆卸某个零件进行检查。

四、结语

通过汽车一般常见故障形成的原因及故障表现的症状和故障诊断方法的论述。便于汽车使用和维修工作人员在汽车发生故障时能够快速诊断出故障的原因和部位,及时修复,提高汽车的维修工作效率和汽车的使用效率,使汽车造福于人类。

参考文献:

[1]董国平.汽车维护与故障排除.1995.

故障诊断方法范文第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

（1）首先采用MCKD对滚动轴承早期故障信号进行降噪，突显出信号的信噪比；（2）信噪比提高后，再利用STOA-VMD方法分解信号，获得若干IMFs分量，以均方根熵值作为故障特征参量；（3）最后输入PSO-SVM分类器中测试得出结果，实现不同故障类型的判别。对比实验结果，诊断结果与实际故障情况相符度较高，验证了本文提出的方法行之有效。

故障诊断方法范文第9篇

关键词：汽车故障 诊断方法

1 汽车故障

汽车故障就是指汽车部分或完全不能工作的情况，或是汽车零件本身以及零件之间配合状态不正常。

1.1 汽车故障类型

从知识表示的方便性出发，汽车故障主要包括以下两种：①汽车异响故障，如发动机异响、传动系异响等。这类故障的特点是一个故障部位会有几个不确定的故障。这些不确定性主要涉及到两点：一是在故障现象个数上是不确定的，二是在故障现象是否明显上不确定的，这些不确定，使它的知识表示与其他类型不一样。②汽车功能故障，如果发生了这样的故障，通常会有某些功能上的丧失或不完善的情况，如发动机不能启动、汽车制动跑偏等。这类故障的特点是两、三个故障现象事实上发生在一个故障部位，实际上，汽车使用者或维修人员是不难查出这类故障的。

1.2 汽车常见故障

常见故障是指汽车在行驶的时候可以及时排除的故障或无法排除的局部故障，严重故障是指汽车在行驶的时候不能排除的完全故障，致命故障是指造成汽车重大损坏的故障。

①汽车性能异常。这种故障主要是指汽车的动力性和经济性不好，这样就会造成很低的汽车最高行驶速度，也不具备较好的加速性能，耗油量明显的增多，在汽车里坐着也不舒服，过大的振动和噪声影响汽车使用者和其他人，汽车操纵上不具备良好的稳定性，很容易跑偏等。②汽车使用工况异常。汽车在使用过程中可能会出现一些突发的异常状况，要对这些可能发生的异常状况做好及时的预防措施，例如，如果汽车在运行的过程中出现突然熄火的情况，冬季发动机熄火后无法再发动，运行过程中突然不能进行中转了，还有更严重的情况就是汽车爆胎和汽车自燃起火等。这类异常的症状表现的比较明显，造成这种故障的原因并不简单那，主要是忽略了汽车内部的一些故障，最后转变成了突发性的故障。③汽车异常响声。汽车在运行中的种种故障，一般情况下都会通过异常响声的形式引起驾驶员和乘坐者的注意，有经验的驾驶员或者是车上的乘客，都能够通过声音产生的部位、频率、音色等找到汽车故障，如果这种响声比较沉闷并且伴有较强烈的抖振，说明发生了较厉害的故障，需要及时停车、使发动机的转速变小，也可以直接关闭发动机去查看故障部位，分析故障原因，有时候我们虽然听到了异常的声音，能够判断的确有某些部位产生了故障，但是汽车仍然能够正常行驶，所以不能当即找出是哪里发生了故障，故障原因是什么，出现这种情况时，要将汽车驶回基地或者是附近的汽车维修部门，让专业的维修人员查找故障并进行维修。④汽车异味。汽车在运行过程中最要注意的就是是否有异味出现，人可以通过鼻子的嗅觉闻到异味的存在。如果出现了异味，首先确定这异味是不是来自汽车，汽车异味主要有制动器和离合器上的非金属摩擦材料发出的焦臭味，蓄电池电解液的特殊臭味，汽车电气系统和导线烧毁的焦糊味。还有就是漏机油的烧焦味以及异常的汽油味，这些方面都要倍加注意。⑤汽车过热。这主要是指汽车各部的温度都要比正常使用温度要高。发动机温度过高，最显著的表现就是散热器开锅，汽车过热只有通过进一步的检查才能找出产生故障的原因，如果是因为行使的时间太久了，通常情况下还能正常使用。如果是内部机构故障，就要尽快对其进行故障诊断，及时采取排除故障的措施。⑥排气烟色异常。我们可以通过发动机排气的烟色来判断发动机是不是在正常运行，如果没有正常运行，发生了怎样的故障。当其处于正常工作状态时，排气烟色也是正常的颜色，如果排气烟色异常，那么说明发动机出现了不正常工作的情况。如果发动机烧机油排气呈蓝色，那么这是在警示我们要对发动机进行维修；发动机燃烧不完全排气呈黑色，如果燃油中或汽缸中有水，发动机排气呈白色，此时就要严格检查燃油或发动机。⑦汽车渗漏。主要包括燃油渗漏、机油渗漏、制动液渗漏、油渗漏等，以及电气系统渗漏蓄电池液和电气系统漏电等。汽车渗漏非常容易导致汽车过热和损坏机构的情况出现。⑧汽车外观失常。有时候我们会发现虽然汽车停放在平坦的地面上，但是却发现外观出现某种程度的歪斜，表现为外观失常。这时就要求我们仔细检查汽车轮胎气压是不是正常、是否出现了车架和悬架损坏的情况等。

1.3 汽车故障产生的原因

汽车故障的发生，是因为汽车在使用过程中，由于汽车零件的失效，其失效的主要形式是磨损、腐蚀、断裂、变形和老化等，使汽车的某些技术指标(如汽车的动力性、经济性、可靠性和安全性等)下降到允许限度以下时，汽车技术状况也就逐渐地或突然地发生变化，此时，汽车不能正常使用，就会发生故障。故障直接影响到汽车的零部件或总成甚至整个汽车的使用寿命，同时还影响到汽车燃料、油的消耗、运输效益和效率高低以及行车安全等问题。

2 汽车故障诊断的概念

汽车故障诊断是指在不解体（或仅拆个别小零件）的情况下，通过一定的技术手段，确定汽车技术状况，查明故障部位及故障原因的汽车应用技术。随着科学技术的发展，现代汽车已成为高新技术的载体，故障出现后其诊断难度越来越大，因此，快速、准确、有效的诊断是保证汽车运行安全，提高经济效益，减少排放和噪音，提高维修效率，降低维修成本并延长汽车使用寿命的前提，而要做到这些，维修人员必须具备以下几个条件。①熟悉汽车结构和工作原理，能判定故障现象相关的系统的总成范围，掌握判定对象的机、电、液结构和工作原理，这是进行故障诊断的基础。②具有清晰的检测思路，明确检测参数、正确的检测方法、参数检测顺序、参数测量值的变化形式和正常范围，这是实现快速、准确诊断故障的关键。③具有较强的综合分析、逻辑推理和判断能力，这一方面直接决定着诊断结论的准确性，同时也影响着检测思路，这是实现快速、准确、有效诊断故障的核心。

故障诊断方法范文第10篇

关键词：液压系统；机械故障；故障诊断

随着科学技术的发展，液压系统广泛用于工程机械、冶金机械、交通运输机械、轻工机械、机床、农业机械及航天、航空、舰船及武器装备等国防工业的设备中，液压系统成为机械设备中不可缺少的重要组成部分。随着液压伺服控制和电液比例技术的发展，大大提高了其控制精度和响应的快速性，但液压系统在使用时也存在许多方面的问题，液压系统由机械、液压、电气及仪表等装置组合而成。因此，在分析液压系统的故障时必须先了解整个液压系统的传动原理、结构特点和元件及材料配置情况。液压系统的故障既不像机械传动那样显而易见，又不如电气传动那样易于检测。因此，熟悉了解液压系统常见故障点对于液压系统故障迅速恢复及维修尤为重要。

1.液压系统故障原因分析。

一套完整的液压系统要能正常、可靠 地工作，必须具备许多性能要求，主要包括：液压缸的行程、推力、速度及其调节范围，液压马达的转向、转速及其调节范围等技术性能；以及运转平稳性、精度、噪声、效率等。如果在实际运行过程中，能完全满足这些要求，整个机械设备将正常、可靠地工作；如果有某些不正常情况，从而不完全能或不能满足这些要求时，则认为液压系统出现了故障。引起液压系统故障点较多，常见故障主要有以下几个方面：

1.1. 设备的机械故障

液压系统机械故障包括液压系统设计不合理，安装间隙不正确，液压元件质量问题，密封件选用不当等，由这些问题引起的液压系统故障一般与液压油没有关系。

1.2.操作失误造成液压系统故障。

液压系统在正常运转时由于操作人员操作不当而造成，如错误开闭阀门，突然中断电源，操作温度或压力过高，补油时加错油品，油箱油面过高或过低，不及时从油箱底部放出分离的水等。由于操作失误造成的液压系统故障，都不是液压油质量问题造成，大都不涉及液压油，但有些则从液压油的质量变化可以反映出来。

1.3. 液压油的质量造成液压系统故障。

液压系统有3个基本的“致病”因素：污染、过热和进入空气。这3个不利因素有着密切的内在联系，出现其中任何一个问题，就会给液压油带来质量问题，就会连带产生另外一个或多个问题。或者由于选油不当或使用了不合格的油品的所致，可能液压油使用时间过长，不及时更换新油所造成。由实践证明，液压系统75%“致病”的原因，均是这液压油质量造成的。

2.引起液压系统的常见故障分析

2.1. 液压油温度过高

液压缸油温过高使橡胶密封件、软管早期老化、变质，降低使用寿命。由于密封部分丧失密封性能，液压系统严重泄漏，会使油液氧化至失效，从而引起腐蚀和形成沉积物，以至堵塞阻尼孔和加速阀的磨损，从而影响液压系统正常工作。油温过高，液压油黏度显著降低，液压缸泄漏则显著增加，液压系统效率明显下降。油温过高会引起热膨胀系数不同的运动副之间的间隙变化，壳体由于周围空气接触进行热交换而膨胀不大，但阀芯在高温下体积增大，使运动副间的间隙变小，影响阀芯的移动， 增加磨损，严重时会“卡阀”，失去工作能力和破坏应有的精度；甚至产生事故，还会带来其他安全问题。液压油温过高会严重影响机器的正常使用、 缩短液压元件的使用寿命，并增加机器的维修成本。

2.2. 液压油污染

液压油污会造成液压系统零件的磨损与腐蚀，尤其是对于精加工的零件，它们会擦伤胶皮管的内壁、油封环和填料，而这些东西损伤后又会导致更多的污物进入系统中，这样就形成恶性循环的损坏。据统计，液压装置的故障，70%与液压油有关，而且这70%中约90%是由于杂质所造成的。

2.3. 泵、伐的原因

因泵不供油、油箱油位过低吸油困难、油液粘度过高、泵转向不对、泵堵塞或损坏、接头或密封泄漏、主泵或马达泄漏过大、油温过高、溢流阀调定值低或失效、泵补油不足、阀工作失效造成的系统无压力或压力不足。油中的污染物是阀失效的主要原因，少量的纤维、脏物、氧化物或淤渣都会引起故障或阀的损坏。

3. 液压系统故障诊断方法

液压系统是由机械、液压、电气仪表等检测装置组合而成的，故出现的故障也是多种多样的。出现的故障往往可能因多种因素造成的，因此分析液压系统故障必须了解和熟悉液压系统原理图，对液压原理系统中的相关元件了解，根据故障现象进行分析、判断，针对许多因素引起的故障原因需逐一分析，抓住主要矛盾，才能较好的解决和排除。

3.1. 简易故障诊断法

简易故障诊断法是目前采用最普遍的方法，它是靠液压维修人员凭个人的经验，利用简单仪表根据液压系统出现的故障，通过询问液压系统操作者了解液压系统设备状况，包括液压系统有无异常现象，对液压元件、密封件、液压油清洁度、滤芯清洗和更换状况进行了解，察液压系统压力、速度、油液、泄漏、振动等系统工作的实际状况，听液压系统实际工作状态下的声音，对联接处的松紧程度判定，通过一系列的基本判断方法对液压系统进行分析、诊断、确定产生故障的原因和部位。

3.2. 液压系统原理图分析法

根据液压系统原理图分析液压传动系统出现的故障，找出故障产生的部位及原因，并提出排除故障的方法。液压系统图分析法是目前工程技术人员应用最为普遍的方法，它要求人们对液压系统具有一定基础并能看懂液压系统图掌握各图形符号所代表元件的名称、功能、对元件的原理、结构及性能也应有一定的了解，有这样的基础，结合动作循环表对照分析、判断故障就很容易了。所以认真学习液压基础知识掌握液压原理图是故障诊断与排除最有力的助手，也是其它故障分析法的基础。

3.3. 智能诊断技术。

智能诊断技术运用大量独特的专家经验和诊断策略，识别和预测诊断对象包括模糊诊断法、灰色系统诊断法、专家系统诊断法、神经网络系统诊断法等。将故障现象输入计算机，计算机根据输入现象及知识库中知识按推理集中存放的推理方法，推算出故障原因，并提出维修或预防措施。

结束语：