引論：我們為您整理了13篇故障診斷方法綜述范文，供您借鑒以豐富您的創作。它們是您寫作時的寶貴資源，期望它們能夠激發您的創作靈感，讓您的文章更具深度。

篇1

故障診斷(fd)全名是狀態監測與故障診斷(cmfd)。基于解析冗余的故障診斷技術被公認為是這一技術的起源。所謂解析冗余，是指被診斷對象的可測變量之間(如輸入與輸出間，輸出與輸出間，輸入與輸入間)存在的冗余的函數關系，故障診斷在過去的十幾年里得到了迅速的 發展 ，一些新的理論和方法，如遺傳算法、神經 網絡 、小波分析、模糊理論、自適應理論、數據融合等均在這里得到了成功的應用。

1　基于小波分析的故障診斷方法

小波分析是20世紀80年代中期發展起來的新的數學理論和方法，它被認為是傅立葉分析方法的突破性進展。小波分析最初由法國學者daubeches和callet引入信號處理領域，它具有許多優良的特性。小波變換的基本思想類似于fourier變換，就是用信號在一簇基函數張成空間上的投影表征該信號。小波分析優于博立葉之處在于：小波分析在時域和頻域同時具有良好的局部化性質。小波分析方法是一種窗口大小(即窗口面積)固定但其形狀、時間窗和頻率都可以改變的時頻局部化分析方法。即在低頻部分具有較高的頻率分辨率和較低的時間分辨率。因此，小波變換被譽為分析信號的顯微鏡，小波分析在信號處理、圖像處理、話音分析、模式識別、量子物理、生物醫學工程、 計算 機視覺、故障診斷及眾多非線性 科學 領域都有廣泛的應用。

動態系統的故障通常會導致系統的觀測信號發生變化。所以我們可以利用連續小波變換檢測觀測信號的奇異點來檢測出系統的故障。其基本原理是利用信號在奇異點附近的lipschitz指數。lipschitz指數時，其連續小波變換的模極大值隨尺度的增大而增大；當時，則隨尺度的增大而減小。噪聲對應的lipschitz指數遠小于0，而信號邊沿對應的lipschitz指數大于或等于0。因此，可以利用小波變換區分噪聲和信號邊沿，有效地檢測出強噪聲背景下的信號邊沿(援變或突變)。

2　專家系統故障診斷方法

專家系統故障診斷方法，是指計算機在采集被診斷對象的信息后，綜合運用各種規則(專家經驗)，進行一系列的推理，必要時還可以隨時調用各種應用程序，運行過程中向用戶索取必要的信息后，就可快速地找到最終故障或最有可能的故障，再由用戶來證實。此種方法國內外已有不少應用。專家系統的故障診斷方法可用圖1的結構來說明：它由數據庫，知識庫，人機接口，推理機等組成。其各部分的功能為：

數據庫：對于在線監視或診斷系統，數據庫的內容是實時檢測到的工作數據；對于離線診斷，可以是故障時檢測數據的保存，也可是人為檢測的一些特征數據。即存放推理過程中所需要和產生的各利，信息。

知識庫：存放的知識可以是系統的工作環境，系統知識(反映系統的工作機理及結構知識)：規則庫則存放一組組規則，反映系統的因果關系，用來故障推理。知識庫是專家領域知識的集合。

人機接口：人與專家系統打交道的橋梁和窗口，是人機信息的交接點。

推理機：根據獲取的信息綜合運用各種規則進行故障診斷，輸出診斷結果，是專家系統的組織控制結構。

3　基于數據融合的故障診斷方法

數據融合是針對一個系統中使用多個傳感器這一問題而展開的一種信息處理的新的研究方向。數據融合將各種途徑、任意時間和任意空間上獲取的信息做為一個整體進行綜合分析處理，為決策及控制奠定基礎，產生比單一信息源、單一處理機制更精確、更完全的估計和判決。

篇2

隨著設備復雜化程度的提高，對故障診斷的快速性和準確性提出了更高的要求。將神經網絡應用于故障診斷中已成為一個非常活躍的研究領域。利用神經網絡強大的分類能力，進行故障模式的分類與學習，診斷出故障。

Huang在前人研究的基礎上提出了一種稱為極限學習機（Extreme Learning Machine，ELM）的學習方法，在保留計算精度的同時可以大幅度的縮減訓練的時間。將ELM運用到設備故障診斷中，極大提高了診斷的快速性和準確性。

一、極限學習機研究現狀

ELM自2004年提出就一直受到學者的極大興趣。我們從ELM的理論和應用兩方面進行闡述。

1.1 ELM的理論

對于傳統ELM算法，網絡結構、激活函數類型以及隱層神經元的選擇對其泛化性能都有重要的影響。為了提高計算效率，使得ELM適用于更多應用領域，研究者提出了許多ELM擴展算法。

1.2 ELM的應用

研究人員已嘗試利用ELM方法解決現實中各種模式分類問題。隨著ELM自身理論的進一步發展和完善，在人臉識別、文本分類、醫療診斷等領域中應用廣泛。

二、故障診斷技術研究現狀

故障診斷技術是由于建立監控系統的需要而發展起來的。其發展至今經歷了3個階段。新的診斷技術帶來了領域內算法的革新，設備精密程度的提高也對診斷實時性提出了更高的要求。如何保證故障的快速準確診斷成了診斷技術發展重要內容。

基于神經網絡的故障診斷運用廣泛，然而傳統的神經網絡學習方法存在許多問題。與傳統的神經網絡相比，極限學習機方法通過隨機選取輸入權值及隱層單元的偏置值，可以產生唯一的最優解，并具有參數易于選擇以及泛化能力好等特點，在眾多領域有著廣泛應用。

三、基于極限學習機的故障診斷方法研究

3.1基于ELM的故障診斷流程

（1）數據預處理。按照選取的特征向量和故障類型對故障樣本進行預處理，并將處理后的樣本按比例分為訓練樣本集和測試樣本集。

（2）ELM的學習算法主要有以下3個步驟：確定隱含層神經元個數；隨機設定輸入層與隱含層間的連接權值和隱含層神經元的偏置；選擇隱含層神經元激活函數，進而計算隱含層輸出矩陣計算輸出層權值。

（3）用訓練好的ELM模型對測試樣本集進行分類，并輸出分類結果。

3.2基于改進ELM的故障診斷

篇3

近年來，隨著故障診斷技術理論研究的不斷深入，各種方法相互滲透借鑒，目前該領域我國在大系統故障診斷、多元統計分析、基于信息融合方法、基于神經網絡的方法、基于專家系統方法等方面取得了一系列的研究成果，其中部分領域處于國際領先地位[1-2]。盡管故障診斷技術的相關研究不斷深入，取得了很多成果，但工業技術的整體進步迅猛，使得故障診斷技術理論及應用研究都急需加強。目前該領域的研究熱點問題有[3]：復雜系統多故障檢測；基于人工智能的故障推理機制；多信息融合故障診斷方法；強擾動系統故障診斷；實用化工程故障診斷軟件的開發。

聚類分析是近二十年發展起來的一種新的數學方法，聚類就是將一個數據集劃分為若干組或類的過程并使同一組內的對象具有較高相似度，而不同組的對象之間相似度較差，組內對象之間的相似度越高而不同組對象之間的差別程度越大，聚類的質量也就越高。故障診斷領域應用最多的是基于模糊理論衍化的各種模糊聚類分析方法[4]，因為對故障的識別問題往往伴有模糊性，即需要確定的不僅是定性的有或者無，更重要的是相識程度，這些問題用模糊語言來表達更為自然和符合實際。

1 模糊聚類故障診斷模型

5 結束語

利用G-K算法提出了一種在輸入輸出乘積空間中，通過模糊聚類獲得基于知識的故障診斷模型的方法。該方法可以發現數據集中不同形狀和方向的故障模式，同時該方法比傳統的故障診斷模型更具柔性，具有更強的處理噪聲數據的能力。

【參考文獻】

[1]周東華.國內動態系統故障診斷技術的一些最新進展[J].自動化博覽，2007（10）：16-18.

[2]于春梅，楊勝波，陳馨.多元統計方法在故障診斷中的應用綜述[J].計算機工程與應用，2007，43（8）：205-208.

[3]BO-SUK YANG，XIAO DI，TIAN HAN，Random forests classifier for machine fault diagnosis[J].Journal of Mechanical Science and Technology，2013，22（9）：16-25.

篇4

引言

電力系統故障診斷是近年來十分活躍的研究課題之一。主要包括系統故障診斷和元件故障診斷兩個方向，系統級故障診斷是指通過分析電網中各級各類保護裝置產生的報警信息、斷路器的狀態變位信息以及電壓電流等電氣量測量的特征，根據保護、斷路器動作的邏輯和運行人員的經驗來推斷可能的故障元件和故障類型的過程。

1國內外研究發展狀況

1.1 基于專家系統的診斷方法

專家系統(expert System)利用專家推理方法的計算機模型來解決問題，已獲得日益廣泛的應用。目前，專家系統用于電力系統故障診斷是比較成功的。根據故障診斷的知識表示和所用推理策略的不同，專家系統主要有兩類:

(1)基于啟發式規則推理的系統。此類系統把保護、斷路器的動作邏輯以及運行人員的診斷經驗用規則表示出來，形成故障診斷專家系統的知識庫，采用數據驅動的正向推理將所獲得的征兆與知識庫中的規則進行匹配，進而獲得故障診斷的結論。現在大多數故障診斷屬于這一類。

(2)結合正、反推理的系統。此類系統結合了正反向混合推理方法，根據斷路器和繼電保護與被保護設備之間的邏輯關系建立推理規則，同時通過反向推理，有效地縮小可能故障的范圍，以動作的繼電保護與故障假設的符合程度計算可信度。文獻[1]介紹了基于事例推理(CBR)和基于規則推理(RBR)的混合推理的故障診斷專家系統。由于采用了混合推理，提高了故障診斷專家系統的適應性與自學習能力。

基于專家系統的診斷方法的主要特點是可以方便地把保護、斷路器的動作邏輯以及運行人員的診斷經驗用規則表示出來，并允許在知識庫中增加、刪除或修改一些規則，以確保診斷系統的實時性和有效性，同時還能夠給出符合人類語言習慣的結論，并具有相應的解釋能力等，比較適合中小型電力系統和變電站的故障診斷。該方法在實際應用中仍然存在如下主要缺陷:①建立知識庫及驗證其完備性比較困難;②容錯能力較差，缺乏有效的方法識別錯誤信息;③大型專家系統的知識庫的維護難度很大;④專家系統在復雜故障診斷任務中會出現組合爆炸和推理速度慢的問題。這些缺陷使得專家系統難以滿足大規模電力系統在線故障診斷的需要，目前主要應用于離線故障分析。

1.2基于人工神經網絡的診斷方法

與專家系統相比，基于人工神經網絡(ANN—artifieial neural network)的故障診斷方法具有魯棒性好、容錯能力強和學習能力強等特點。

目前應用于電力系統故障診斷的ANN有:基于BP(baekpropagation)算法的前向神經網絡和基于徑向基函數的神經網絡等。文獻[1]給出了典型的故障診斷神經網絡BP模型，其實現方法是:以電力系統繼電保護信息作為ANN的輸人，以可能發生的故障作為其輸出，選擇適當的樣本集訓練ANN。整個訓練過程為:首先根據網絡當前的內部表達，對輸人樣本進行前向計算;然后比較網絡的輸出與期望輸出之間的誤差，若誤差滿足條件，則訓練結束，否則，將誤差信號按原有的通路反向傳播，逐層調整權值和闌值，如此反復，直至達到誤差精度要求。文獻[2]將大型輸電網絡分區，對各個區域分別建立基于BP算法的故障診斷網絡，然后綜合獲得最終的故障診斷結果。

基于ANN的診斷方法的主要特點是避免了專家系統故障診斷所面臨的知識庫構造等難題，不需要推理機的構造。由于用于ANN訓練的完備樣本集獲取困難，目前該方法只比較適合中小型電力系統的故障診斷。ANN方法在故障診斷應用中存在的問題主要是:①其性能取決于樣本是否完備，而大型的電力系統的完備樣本集獲取非常困難;②與符號數據庫交互的功能較弱;③不擅長處理啟發性的知識;④不知如何確保ANN訓練時收斂的快速性和避免陷人局部最小;⑤缺乏解釋自身行為和輸出結果的能力。以上缺點限制了ANN故障診斷方法在線應用于大型電力系統。如何設計適用于大型電力系統的故障診斷系統，仍然是一個有待進一步研究的問題。

1.3 基于粗糙集理論的診斷方法

粗糙集理論(roughSettheory)是波蘭Z.Pawlak教授于1982年提出的一種處理不完整性和不確定性問題的新型數學工具。粗糙集理論的主要思想:在保持分類能力不變的前提下，通過知識約簡，導出問題的決策或分類規則。它無需提供問題所需處理的數據集合之外的任何先驗信息，能有效地分析和處理不精確、不一致、不完整等各種不完備數據，從中發現隱含知識，揭示潛在規律。鑒于粗糙集理論的優越性，已經有不少研究人員把它引人到故障診斷系統中。

文獻[3][4]把粗糙集理論應用于電力系統故障診斷和警報處理，嘗試應用粗糙集理論來處理因保護裝置和斷路器誤動作、信號傳輸誤碼而造成的錯誤或不完整警報信號，提出的方法考慮各種可能發生的故障情況，建立決策表(類似于ANN故障診斷的訓練樣本集)，然后實現決策表的自動化簡和約簡的搜索，刪除多余屬性后抽取出診斷規則，揭示警報信息內在冗余性。

文獻[5]提出了基于粗糙集理論與二元邏輯運算相結合的屬性約簡算法以及改進的值約簡算法，并將其應用于由斷路器和保護作為條件屬性、故障區域作為決策屬性的診斷決策表的約簡過程中，利用決策表的約簡形成綜合混合知識模型。文獻[5]提出和構造了四類不同的粗糙集與神經網絡(NN)組合的故障診斷模型，給出了粗糙集與NN在四類模型中實現不同的互補性、關聯關系、應用機理和原則及相應的局限性。

2 電力系統故障診斷發展趨勢

隨著電網建設的發展、計算機技術和網絡技術以及數學和智能科學理論的發展，不斷有新的電網故障診斷方法出現，從電力系統故障診斷理論與方法研究和應用的深度、廣度可以清晰地看到，其研究仍停留在理論和模型的探索階段，基本上沒有非常成功的成型實用系統，實用化方面一直未有太大的發展。由于以前技術和設施的原因，導致信息資源比較有限，從發表的文獻來看，電網故障診斷系統大多依托于調度端或變電站內，分別利用調度SCADA系統的實時信息或站內綜合百動化系統收集的信息來實現;隨著系統、計算機和網絡技術的發展，以及故障錄波專用網絡的建設，后來又發展了基于故障錄波信息的故障診斷系統。此系統的建設，使諸多的信息孤島納入系統中，對故障后所有相關的故障信息，例如保護裝置信息、錄波器信息、雷電定位信息、監控裝置信息等，進行采集、傳輸、存儲和處理，為電網故障處理提供了信息支持。這些寶貴的信息為新的電網故障診斷方法提供了基礎，大大拓展了電網故障診斷的研究方向。因此，在電網故障診斷理論的實用化過程中，必須充分重視信息的收集與整理工作，包括用于故障診斷的數據倉庫的構建、故障綜合信息的預處理和診斷知識的提取等。

3結束語

電力系統故障診斷是關系到電力系統安全穩定運行的重要問題，國內外從20世紀80年代起已經進行了大量的研究工作，提出了多種故障診斷技術和方法，但實際系統中該問題并未很好地解決。隨著電力系統規模日趨龐大，結構更加復雜，對電力系統故障診斷提出了更高的要求。本文綜述了電力系統故障智能診斷的研究方法，評述了這些方法中需要改進之處，進一步指出了該領域的一些主要發展趨勢。它們對構建電力系統故障診斷智能輔助決策系統具有重要的指導意義，對保證電力系統的安全運行、減少事故的經濟損失具有重要的理論和現實意義。

參考文獻

[1]杜一，張沛超，郁惟墉.基于事例和規則棍合推理的變電站故障診斷系統[J].電網技術，2004，28(l).

[2]YANGH，CHANGW，HUANGC.power system Distributed On line Fault Seetion EstimationUsingDeeisionTreeBasedNeuralNetsApproaeh.IEEETransonPowerDelivery，1995，10(1).

篇5

隨著現代工業技術的迅速發展，各種大型自動化系統的結構日益復雜，有關系統的異常檢測和故障診斷一直是學術界關注的重點問題[1-5]。相對于傳統的故障診斷方法， 微小故障診斷是一類更精細的診斷形式， 其診斷難度也更大。現有微小故障診斷方法大致可分為三類：定性診斷方法、定量診斷方法、半定型半定量診斷方法[1]。其中，定量的診斷方法又被分為基于解析模型的方法和數據驅動的方法。基于解析模型的方法多數是利用被診斷對象的數學模型，由于建模過程中難以避免誤差和未知干擾，很難保證高精度。而數據驅動的方法與數學模型的選取無關，該方法以采集到的過程數據為基礎，通過各種數據處理與分析方法挖掘出數據中隱含的信息，提高系統的監控能力，實用性較強。上述方法在多數文獻中已被廣泛用作預處理方法。郝小禮等為提高“小”故障檢測能力，對基于PCA的方法進行了改進，用小波濾波技術對數據進行過濾，提高故障檢測的能力[6]；文獻[7]提出一種中值濾波和奇異值分解（Singular Value Decomposition，SVD）對信號的聯合降噪方法，對原始聲發射信號進行中值濾波，去除幅值較大的異常值，并對去除后的信號進行空間重構和SVD分解，從而達到去噪的目的。基于濾波的方法有一個相似性就是僅僅通過降低噪聲的能量而不是故障大小來增加故障信號的信噪比。

本文為進一步提升早期微小故障檢測能力，提出一種基于累加和平均（AA）的時變異常檢測方法，在減小噪聲能量的同時對故障信號進行累加，從而可以顯著地提高故障信號的信噪比。針對累加平均后觀測數據不再獨立同分布的問題，建立了基于AA-PCA的時變異常檢測模型，以進行緩變微小故障的早期檢測。

2 基于PCA的故障檢測方法

主元分析是將多個相關的變量轉化為少數幾個相互獨立的變量一個有效的分析方法[3]。將歷史正常數據矩陣Y00∈Rn×P可以分解為個向量的外積之和，如式（1）所示：

其中，P是變量個數，n是樣本個數，bi∈Rn是得分向量（主元），vi∈Rp是負荷向量。

對正常數據矩陣Y00進行主元分解，如式（2）所示：

建立起系統正常運行情況下的PCA模型后，可以應用多元統計控制量進行故障檢測與診斷的分析，常用的統計量有2個，即HotellingT2統計量和SPE統計量。

SPE統計量位于殘差子空間，對于加性偏差類故障較敏感，其定義為：

其中Bv是負荷矩陣的前v列構成的矩陣。

SPE的控制限可由正態分布確定

在這里，？姿是歷史數據的協方差矩陣的特征值，C？琢是正態分布在檢驗水平？琢下的臨界值。

3 基于AA-PCA的早期故障時變檢測模型

上小節介紹了基于PCA的故障檢測方法對早期異常檢測的效果并不令人滿意。本小節提出一種基于AA-PCA的時變異常檢測模型，在減小噪聲能量的同時對故障信號進行累加，可以較好地實現早期微小故障檢測。具體實現步驟如下所示：

3.1 離線建模

（1）假設有N組離線正常觀測數據Y00∈Rn×p，將其按層堆疊構成三維矩陣Y0∈Rn×p×N。

（2）分別計算正常觀測數據做累加平均后的觀測數據矩陣

（3）對每個累加后的數據矩陣 建立N個PCA

模型，根據公式（4），求每個PCA模型的SPE控制限UCL（k）。

（4）通過式（6）確定基于AA的時變PCA異常檢測模型的控制限，然后將其歸一化。

（6）

3.2 在線檢測

（1）假設在線數據矩陣Y∈Rn×p定義如下：

其中，Y00（i，j）是第j個變量在樣本時間i的在線正常觀測值，F（i，j）是當系統發生異常時第j個變量在采樣時間i的觀測變化值。將Y進行累加可得：

（8）

（2）將累加后的矩陣，根據公式（3）分別計算每個樣本點的SPE統計量值。

（3）對在線統計量SPE（k）歸一化處理，得 。

（4）求早期故障檢測點te，若在線計算的 統計量的值超過了第k個主元模型的控制限，則在第k個樣本點系統出現異常。

4 仿真

本節取p=10，n=1000，N=1000用于仿真。設正常觀測數據Y00∈Rn×p由p個傳感器的觀測樣本數據組成， 將Y00的產生方式運行N次，便可以得到N組正常觀測數據構成的三維矩陣Y0。分別利用PCA、CUSUM-PCA、AA-PCA對系統從201時刻個樣本的開始加入的緩變異常情況進行檢測。仿真結果如下所示：

圖1給出了用傳統PCA對觀測數據做監控的SPE圖，虛線是在檢測水平1-？琢=0.997下的控制限，也就是說系統的異常是在較高的檢測水平下，因此將這個樣本點稱為失效點。從圖中可以看出，系統在從第819個樣本點發生異常。但是緩變故障的發生時刻遠早于失效樣本點。在失效之前，故障沒有達到足夠明顯特征，以至于未被提前檢測到。

圖2呈現的是基于CUSUM-PCA的SPE檢測圖。此圖中，早期故障趨勢在第546個樣本點被檢測到。基于CUSUM的方法是累加故障大小，雖能實現早期檢測，但是檢測效果并不好。圖3給出了時變AA-PCA的早期故障檢測結果，故障趨勢可以從第201個樣本點被檢測到。表1中列出了上述各種方法的檢測樣本點，誤檢率以及漏檢率。不難看出，基于AA-PCA的時變早期緩變故障檢測在有效地減少噪聲的同時也對故障大小進行累加。

5 結論和展望

為實現在減小噪聲能量的同時對故障信號進行累加，本文將PCA作為特征抽取工具，提出了基于AA-PCA的時變早期緩變微小故障檢測方法。為系統剩余壽命的早期預測維護提供必要基礎。由于PCA具有模式復合問題，不能實現故障診斷，從而不能對系統造成致命影響的關鍵部件進行實時剩余壽命預測。所以，研究基于關鍵部件的早期故障檢測和剩余壽命預測方法是下一步待開展的工作。

參考文獻

[1]李娟，周東華，司小勝，等.微小故障診斷方法綜述[J].控制理論與應用，2012，29（12）：1517-1529.

[2]文成林，呂菲亞，包哲靜，等.基于數據驅動的微小故障診斷方法綜述[J].自動化學報，2016，09：1285-1299.

[3]鄭茜予.基于主元分析的微小故障檢測[D].華北電力大學，2015.

[4]尚駿，陳茂銀，周東華.基于變元統計分析的微小故障檢測[J].上海交通大學學報，2015，49（6）：799-811.

[5]周福娜，文成林，等.基于指定元分析的多級相對微小故障診斷方法[J].電子學報，2010，38（8）：1874-1879.

篇6

隨著科學與經濟的發展，電力系統在國民經濟中發揮著日益深淵的影響，在人們的經濟生活與生產的地位越來越突出，因此人們對電力系統的要求也逐漸提高。目前我國的電網的規模日益擴大，結構也逐漸復雜化，對區域之間電網系統的聯系要求也越來越高，做好電力系統故障的診斷研究有利于維護區域經濟與生產的穩定性，為人們生產與生活帶來更高的效益。

電力系統具有設備的復雜性與電網拓撲的確定性，因此對于電力統故障診斷的研究是具有綜合性的課題。國內外對電力統故障診斷的進行研究得出了很多相關技術與方法，比如：專家系統法ES、遺傳算法GA、模糊理論法FT等等，文章對幾種電力統故障診斷方法進行了闡述與歸納，并提出電力系統故障診斷的研究發展方向。

二、電力系統故障診斷國內外研究發展現狀

所謂的電力統故障診斷指的是對保護裝置中的信息進行采集與分析，利用相關經驗與理論基礎對故障區域進行及時的處理，SCAD/EMS系統[1]的應用為電力系統故障診斷提供了便捷，但是還不能完全實現電網故障時信息的全面處理，因此建立一套完備的電力系統故障診斷系統是現階段我們需要解決的問題。

2.1基于專家系統的方法ES

專家系統ES是發展較為成熟的一種智能技術，是建立在智能計算機程序的包含大量知識與經驗的綜合系統，利用現有專業的知識與經驗技巧進行系統故障相關問題的解決。

專家系統中知識庫與推理機是量大核心組成，知識庫是用來存放問題與相關專業知識的媒介，推理機是負責對整個系統工作的協調。專家電力系統的運作中，通過保護器等結構與運行人員的經驗相結合，使用恰當的表達式錄入知識庫，當系統故障發生，推理機可根據報警系統提供的數據進行診斷分析并得出結果，縮小了搜索和問題推理的范圍，有效的利用了專家相關的經驗知識，提高了故障診斷的效率。科學技術的發展提高了專家系統的表達多樣性，使其廣泛運用于電網故障診斷中。

電網運行復雜性的提高，對專家系統的運行程度提出了接近極限的要求，使其漸漸暴露出一些問題：（1）專家系統知識庫不具備較高的靈活性，知識的獲取方式單一，普遍依靠傳統的人工移植方式，不能與復雜的網絡結構相適應，需要

設計出具備自動升級與知識獲取的完備系統，提高知識庫對信息的存儲與檢索能力。（2）專家系統中知識不具備模仿學習的能力，對于沒有出現過的故障容易造成誤判，影響相關人員操作的準確性。 （3）知識庫維護困難，系統不具備簡便的維護與修復功能。（4）系統容錯能力低[2]，容易造成由于裝置誤動作而引起的錯誤診斷。 （5）系統故障診斷過程中多次迭代的產生會對系統正常運行造成不同程度的影響，尤其影響了信息診斷的實時性。

2.2基于模糊理論的方法FT

模糊理論的方法FT指的是運用語言變量和近似推理的模糊邏輯進行故障推理的技術[3]。模糊理論在運用中加入變量的結構，更有利于表達專家經驗，有效增加了系統的容錯能力，對于系統不確定問題可以進行有效的解決。

由于其推理理論自身的特殊性與局限性，在電力故障的分析與處理中常常與其他方法同時使用，對于較為復雜的具體問題，還需要進一步進行研究與推理。

如果故障診斷過程中利用模糊理論不能有效地解決故障的不確定性問題，可以建立復雜的的數學模型與函數關系進行故障信息的處理。但模糊理論在邏輯語言上還不夠規范，信息修改的理論也不夠成熟。

三、電力系統故障診斷的研究發展方向

不同的電力系統故障診斷系統都具備各自的優勢和不足，電網的規模的擴大與結構的復雜性發展對電力系統故障診斷技術提出了更高的要求，我們需要對以下幾個問題進行深入的研究：

（1）利用不同診斷方法相結合的方法：不同診斷方法都自身優勢，實現各種方法的結合使用，有利于故障系統之間的進行優勢互補，彌補各自在電力系統故障診斷不足。比如在同一個故障問題中利用數學建模，并結合遺傳算法進行信息數據的處理，從而達到良好的解決效果。

（2） 故障診斷在信息不完整情況下的處理方法：通常清空下調度中心所記錄的信息具備完整與準確性，但是當斷路器等裝置出現錯誤操作時，狀態信息的傳輸就會出現錯誤，往往會影響故障診斷的結果的正確性。我們要將故障診斷過程中信息不完整的情況作為重點研究內容，深入研究并尋找出最有效的診斷方法。

（3）非正常的電網故障相關問題與方法：當電網的指標沒有處于允許范圍時，就應當考慮到信息的錯誤傳輸。常用的方法是將信息傳送到運行中心，對故障進行預測與防范，但目前對于非正常的參數與指標還沒有建立起完善的應對方法，

這將成為診斷故障與預防的重點問題。

（4）各種算法與處理器結合的方法：電力故障診斷的過程中會發生數據信息的

多次迭代或多次循環現象，反復計算的過程延長了故障診斷的時間，對故障診斷的時效性造成了很大的影響。我們需將不同的算法與合適的高速處理器進行結合，為解決故障處理的時效問題提供了方向。

四、結語

電力系統網絡規模日益擴大，系統結構也更加復雜化，只有提高電力系統故障診斷的水平才能適應電力發展的現狀。今年來國內外對電力故障診斷的研究逐漸深入，結合基礎理論采用了多種手段為故障診斷提出了相關解決技術，但實際應用中還存在一些問題與不足。我們需把握電力系統故障診斷的發展趨勢，在實踐中建立起更加完善、成熟的電網診斷系統，為提高經濟生產效益奠定良好的基礎。

參考文獻：

篇7

1.2實施電機故障診斷的意義

電機的驅動易受逆變器故障的影響，在交流電機驅動系統中，逆變器短路故障將會使電機產生有規律波動的或是恒定的饋電扭矩，使車輛突然減速。研究表明：逆變器出現故障時，永磁感應電機將產生較大的饋電扭矩，而且永磁電機也有存在潛在的高消磁電流的問題。而感應電機在逆變器出現故障時所產生有規律的饋電扭矩將由于有持續的負載而迅速衰減，這說明了感應電機具有較高的容錯能力，適應混合動力系統的要求。開關電機磁阻是最具有故障容錯能力的電機，而且當其有一個逆變器支路出現故障時電機仍能產生凈扭矩，另外，開關磁阻電機成本低，結構緊湊，但是開關磁阻電機有較大的噪聲和扭矩脈沖，而且需要位置檢測器，而這些缺點使得開關磁阻電機在現階段不適合應用于混合動力客車上。在混合動力客車動力系統中，電機是作為輔助動力的，而且電機屬于高速旋轉設備，如果電機出現故障，電機產生的瞬態扭矩將使車輛的穩定性和動力性將受到影響，而且，電機由高壓電池組驅動，如果電機出現故障而不能及時容錯，電機產生的瞬態電流將使電池受到損害，因此在混合動力系統中對電機進行故障診斷是非常必要的。

2.電機的故障診斷方法及典型故障診斷分析

2.1電機故障的診斷方法

（1）傳統的電機故障診斷方法

在傳統的基于數學模型的診斷方法中，經典的基于狀態估計或過程參數估計的方法被應用于電機故障檢測。圖1為用此類方法進行故障診斷的原理框圖。這種方法的優點是能深入電機系統本質的動態性質，可實現實時診斷，而缺點是需建立精確的電機數學模型，選擇適當決策方法，因此，當電機系統模型不確定或非線性時，此類方法就難以實現了。

（3）基于模糊邏輯的電機故障診斷方法

圖3為基于模糊邏輯的電機故障診斷方法框圖，故障診斷部分是一個典型的模糊邏輯系統，主要包括模糊化單元、參考電機、底層模糊規則和解模糊單元。其中，模糊推理和底層模糊規則是模糊邏輯系統的核心，它具有模擬人的基于模糊概念的推理能力，該推理過程是基于模糊邏輯中的蘊涵關系及推理規則來進行的。模糊規則的制定有兩種基本方法：第一，啟發式途徑來源于實際電機操作者的語言化的經驗。第二，是采用自組織策略從正常和故障電機測量獲得的信號進行模糊故障診斷的制定，將此方法通過計算機仿真實現，對電機故障有較好的識別能力。

（4）基于遺傳算法的電機故障診斷方法

遺傳算法是基于自然選擇和基因遺傳學原理的搜索算法，它的推算過程就是不斷接近最優解的方法，因此它的特點在于并行計算與全局最優。而且，與一般的優化方法相比，遺傳算法只需較少的信息就可實現最優化控制。由于一個模糊邏輯控制器所要確定的參變量很多，專家的經驗只能起到指導作用，很難根據指導準確地定出各項參數，而反復試湊的過程就是一個尋優的過程，遺傳算法可以應用于該尋優過程，較有效地確定出模糊邏輯控制器的結構和數量。

遺傳算法應用于感應電機基于神經網絡的故障診斷方法的框圖如圖4所示。設計神經網絡的關鍵在于如何確定神經網絡的結構及連接權系數，這就是一個優化問題，其優化的目標是使得所設計的神經網絡具有盡可能好的函數估計及分類功能。具體地分，可以將遺傳算法應用于神經網絡的設計和訓練兩個方面，分別構成設計遺傳算法和訓練遺傳算法。許多神經網絡的設計細節，如隱層節點數、神經元轉移函數等，都可由設計遺傳算法進行優化，而神經網絡的連接權重可由訓練遺傳算法優化。這兩種遺傳算法的應用可使神經網絡的結構和參數得以優化，特別是用DSP來提高遺傳算法的速度，可使故障響應時間小于300μs，不僅單故障信號診斷準確率可達98%，還可用于雙故障信號的診斷，其準確率為66%。

近年來，電機故障診斷的智能方法在傳統方法的基礎上得到了飛速發展，新型的現代故障診斷技術不斷涌現：神經網絡、模糊邏輯、模糊神經網絡、遺傳算法等都在電機故障診斷領域得到成功應用。隨著現代工業的發展，自動化系統的規模越來越大，使其產生故障的可能性和復雜性劇增，僅靠一種理論或一種方法，無論是智能的還是經典的，都很難實現復雜條件下電機故障完全、準確、及時地診斷，而多種方法綜合運用,既可是經典方法與智能方法的結合，也可是兩種或多種智能方法的結合，兼顧了實時性和精確度,因此多種方法的有機融合、綜合運用這一趨勢將成為必然，也將成為電機故障在線診斷技術發展的主流方向。

參考文獻：

篇8

1.1電機故障診斷的特點

電機的功能是進行電能與機械能量的轉換,涉及因素很多,如電路系統、磁路系統、絕緣系統、機械系統、通風散熱系統等。哪一部分工作不良或其相互之間配合不好,都會導致電機出現故障。因此,電機故障要比其它設備的故障更復雜,其故障診斷所涉及到的技術范圍更廣,對診斷人員的要求也就更高。一般來說,電機故障診斷涉及到的知識領域主要有[20]:電機理論、電磁測量、信號處理、計算機技術、熱力學、絕緣技術、人工智能等。電機故障診斷的復雜性還表現在故障特征量的隱含性、故障起因與故障征兆之間的多元性。一種故障可能表現出多種征兆,有時不同故障起因也可能會反映出同一個故障征兆,這種情況下很難立即確定其真正的故障起因。另外,電機的運行還與其負載情況、環境因素等有關,電機在不同的狀態下運行,表現出的故障狀態各不相同,這進一步增加了電機故障診斷難度,所以要求對電機進行故障診斷首先必須掌握電機本身的結構原理、電磁關系和進行運行狀況分析的方法,即掌握電機各種故障征兆與故障起因間的關系的規律。

1.2實施電機故障診斷的意義

電機的驅動易受逆變器故障的影響,在交流電機驅動系統中,逆變器短路故障將會使電機產生有規律波動的或是恒定的饋電扭矩,使車輛突然減速。研究表明:逆變器出現故障時,永磁感應電機將產生較大的饋電扭矩,而且永磁電機也有存在潛在的高消磁電流的問題。而感應電機在逆變器出現故障時所產生有規律的饋電扭矩將由于有持續的負載而迅速衰減,這說明了感應電機具有較高的容錯能力,適應混合動力系統的要求。開關電機磁阻是最具有故障容錯能力的電機,而且當其有一個逆變器支路出現故障時電機仍能產生凈扭矩,另外,開關磁阻電機成本低,結構緊湊,但是開關磁阻電機有較大的噪聲和扭矩脈沖,而且需要位置檢測器,而這些缺點使得開關磁阻電機在現階段不適合應用于混合動力客車上。在混合動力客車動力系統中,電機是作為輔助動力的,而且電機屬于高速旋轉設備,如果電機出現故障,電機產生的瞬態扭矩將使車輛的穩定性和動力性將受到影響,而且,電機由高壓電池組驅動,如果電機出現故障而不能及時容錯,電機產生的瞬態電流將使電池受到損害,因此在混合動力系統中對電機進行故障診斷是非常必要的。

2.電機的故障診斷方法及典型故障診斷分析

2.1電機故障的診斷方法

(1)傳統的電機故障診斷方法

在傳統的基于數學模型的診斷方法中,經典的基于狀態估計或過程參數估計的方法被應用于電機故障檢測。圖1為用此類方法進行故障診斷的原理框圖。這種方法的優點是能深入電機系統本質的動態性質,可實現實時診斷,而缺點是需建立精確的電機數學模型,選擇適當決策方法,因此,當電機系統模型不確定或非線性時,此類方法就難以實現了。

(3)基于模糊邏輯的電機故障診斷方法

圖3為基于模糊邏輯的電機故障診斷方法框圖,故障診斷部分是一個典型的模糊邏輯系統,主要包括模糊化單元、參考電機、底層模糊規則和解模糊單元。其中,模糊推理和底層模糊規則是模糊邏輯系統的核心,它具有模擬人的基于模糊概念的推理能力,該推理過程是基于模糊邏輯中的蘊涵關系及推理規則來進行的。模糊規則的制定有兩種基本方法:第一,啟發式途徑來源于實際電機操作者的語言化的經驗。第二,是采用自組織策略從正常和故障電機測量獲得的信號進行模糊故障診斷的制定,將此方法通過計算機仿真實現,對電機故障有較好的識別能力。

(4)基于遺傳算法的電機故障診斷方法

遺傳算法是基于自然選擇和基因遺傳學原理的搜索算法,它的推算過程就是不斷接近最優解的方法,因此它的特點在于并行計算與全局最優。而且,與一般的優化方法相比,遺傳算法只需較少的信息就可實現最優化控制。由于一個模糊邏輯控制器所要確定的參變量很多,專家的經驗只能起到指導作用,很難根據指導準確地定出各項參數,而反復試湊的過程就是一個尋優的過程,遺傳算法可以應用于該尋優過程,較有效地確定出模糊邏輯控制器的結構和數量。

遺傳算法應用于感應電機基于神經網絡的故障診斷方法的框圖如圖4所示。設計神經網絡的關鍵在于如何確定神經網絡的結構及連接權系數,這就是一個優化問題,其優化的目標是使得所設計的神經網絡具有盡可能好的函數估計及分類功能。具體地分,可以將遺傳算法應用于神經網絡的設計和訓練兩個方面,分別構成設計遺傳算法和訓練遺傳算法。許多神經網絡的設計細節,如隱層節點數、神經元轉移函數等,都可由設計遺傳算法進行優化,而神經網絡的連接權重可由訓練遺傳算法優化。這兩種遺傳算法的應用可使神經網絡的結構和參數得以優化,特別是用DSP來提高遺傳算法的速度,可使故障響應時間小于300μs,不僅單故障信號診斷準確率可達98%,還可用于雙故障信號的診斷,其準確率為66%。

近年來,電機故障診斷的智能方法在傳統方法的基礎上得到了飛速發展,新型的現代故障診斷技術不斷涌現:神經網絡、模糊邏輯、模糊神經網絡、遺傳算法等都在電機故障診斷領域得到成功應用。隨著現代工業的發展,自動化系統的規模越來越大,使其產生故障的可能性和復雜性劇增,僅靠一種理論或一種方法,無論是智能的還是經典的,都很難實現復雜條件下電機故障完全、準確、及時地診斷,而多種方法綜合運用,既可是經典方法與智能方法的結合,也可是兩種或多種智能方法的結合,兼顧了實時性和精確度,因此多種方法的有機融合、綜合運用這一趨勢將成為必然,也將成為電機故障在線診斷技術發展的主流方向。

參考文獻:

篇9

【文章編號】1007-4309（2013）04-0062-1.5

發動機的診斷技術是根據發動機在正常與非正常兩種狀態下的某些指標的對比及變化趨勢，對發動機的技術狀況和故障隱患進行定性、定量的分析，為故障的診斷和決策提供科學的依據的一種技術。為了適應現代柴油機使用維修的需要，必須以檢測診斷技術為基礎，加強故障潛伏期的監控，實現狀態監控下的針對性維修。

一、常用發動機監測技術

目前，比較成熟的性能指標測試方法有以下幾種：無負荷測功法。一般情況下，采用國產無負荷加速測功儀，將發動機從中低速（一般在l000r/min）猛加速至額定轉速，以實測功率值不小于額定功率的80%為使用標準；轉速的測定。用最高空轉轉速、額定功率時轉速、最大扭矩時轉速的測定值與其對應的標定值進行對比，以不低于標定值的90%為使用標準；發動機各運轉部件磨損程度的檢測分析。目前，比較成熟的手段是鐵譜分析法，通過鐵譜儀觀測油中金屬顆粒的數量、大小、形貌、濃度和顏色的變化，據此確定其磨損部位、性質與程度。它為發動機的磨損分析提供了有效依據。

二、發動機故障診斷技術的分類

目前，發動機故障診斷領域涌現出很多的方法，其中依據診斷的流程可分為經驗儀表診斷法（利用專家的經驗或借助儀表進行診斷）、專家系統診斷法（將專家的經驗以計算機程序的形式進行表達，是一種智能化的診斷方法）、基于特征狀態識別的方法（通過提取故障信號進行分析和識別）、車載自診斷方法（主要用于車輛電控系統的故障診斷）以及近幾年來發展的集成化和網絡化故障診斷方法等。

三、專家系統故障診斷方法在發動機故障診斷中的應用

專家系統的基本結構。基于專家系統的故障診斷方法其實是一個計算機智能程序，計算機在采集診斷對象的信息后，綜合運用各種規則（專家經驗）進行一系列的推理，必要時還可以隨時調用各種應用程序，運行過程中向用戶索取必要的信息后，就可快速地找到最終故障或最有可能的故障，再由用戶來證實，應用人工智能技術，模擬人類專家求解問題的思維過程來進行汽車故障診斷的一種智能化方法。

專家系統的實現關鍵技術。知識獲取是指如何獲得專家的知識和經驗的問題，一般知識獲取的方式有如下幾種：通過知識工程師與領域專家接觸，在專家的指導下以一種適當的計算機內部表示將知識編入知識庫；通過一種智能的知識獲取機制，讓專家與專家系統直接打交道，由智能編輯器直接生成知識庫；通過建立一個帶有歸納、類比或其他高級學習功能的知識發現系統，使之通過實例或實際問題來總結發現出一些尚未被專家掌握或認識到的知識裝入知識庫。

知識表示是關于各種存儲知識的數據結構及其對這些結構的解釋過程的結合。傳統故障診斷專家系統主要有以下幾種知識表示方法：產生式，又稱規則式表示法，是人工智能中最常用的知識表示方法；語義網絡式，通過概念以及語義關系來表達知識的一種網絡圖；框架式，是一種表示定性狀態的數據結構，可表達知識之間的結構關系，但是框架表示法不善于表達過程性知識。

推理方法是專家系統解決具體問題的思維過程，一般由程序實現。常用的推理方式有基于規則的演繹推理，包括正向推理、反向推理和正反向混合推理等；還有歸納推理，包括完全歸納推理和不完全歸納推理等，這些都是關于精確知識的推理。對于不精確知識推理主要采用概率法、可信度方法、證據論證法和模糊子集法等。

專家系統的改進：基于案例的專家系統。基于案例推理是近年來人工智能領域興起的一種診斷推理技術。它是類比推理的一個獨立子類。其基本思想是利用過去求解成功或失敗的經驗，通過對歷史案例知識的挖掘，獲得蘊涵于過去中的豐富經驗和知識，并且可利用計算機進行推理。該方法主要用于分析不確定性故障，適用于診斷領域源知識難以表示成規則而易于表達成案例的情況。

基于模糊理論的專家系統。在發動機故障診斷方法中，針對界限不分明的模糊概念，可以采用將模糊理論與專家系統技術相結合的方法。采用人工智能的方法，利用專家知識動態建立模糊診斷矩陣，并經過適應修正得到比較客觀的故障原因和故障征兆的判斷。

基于神經網絡的專家系統。人工神經網絡從1943年心理學家W.S.McCulloch和數學家W.Pitts研究并提出M-P神經元模型起至今，已成為人工智能領域內除專家系統外的又一重要分支。人工神經網絡采用神經元及它們之間的有向權重連接來隱含處理問題的知識，因此，它善于處理復雜問題，且具有自學習能力。神經元處理信息是相對獨立的，便于處理并行問題。

基于行為的專家系統。基于行為的專家系統采用神經網絡模塊化單元，以確保系統與對象的實時交互。它是一種相對獨立且能夠動態構建故障診斷子神經網絡模塊單元的變結構單元，該模塊同車輛電控單元（ECU）之間進行數據交互，可以實現實時在線的監測與診斷。開發基于行為的診斷專家系統的關鍵是故障行為征兆（語義征兆、網絡征兆）的自動獲取問題，新故障的自動識別和分類問題也是開發的重點。隨著網絡的不斷進步，網絡技術和專家技術結合，可發展為基于網絡的故障診斷專家系統，可實現基于Web的數據庫技術、實時數據傳輸技術和網絡安全技術的遠程裝甲車輛故障診斷技術。

四、信息融合技術在裝甲車輛發動機故障診斷中的應用

發動機的工作過程是復雜的，其故障診斷信息也是非常復雜的。對于現代的發動機，需要再用多種傳感器協同來獲取不同種類、不同狀態的信息，然而，不同的信息之間也是相互獨立或耦合，甚至會出現相互矛盾的情況。發動機工作過程故障由于系統結構的復雜性，各機構運動的非線性，傳統的基于單傳感器診斷又由于故障與癥兆之間的不確定性而導致其診斷結果的不確定性，有效的解決方法是應用多傳感器的信息融合技術和模糊邏輯推理方法。

相比于傳統的故障診斷技術來說，還會出現更多先進的可遠程控制的裝甲車輛發動機狀態監測與故障分析技術，適應裝甲部隊信息化高科技戰爭條件下的技術保障要求，為作戰部隊提供強有力的保障。

【參考文獻】

篇10

一、傳統電子設備故障診斷技術

傳統的故障診斷技術，以特定領域的理論知識作為技術支撐，需要操作人員保持清醒的認識，能夠通過邏輯判斷來確定故障的位置、種類及可修復程度等。傳統故障診斷技術經歷了閾值診斷和算法診斷兩個階段。較為常用的主要有：

1.1單信號處理

由于早期電子設備的集成度不高，一個機組內往往同時存在著大量的集成和分散元件。當操作人員人工使用各種儀表檢測時，若檢測儀表的輸入和輸出值不在理論范圍內，則被認定故障將會出現或已經出現。

1.2多信號模型

考慮到元件之間的信號耦合問題，借助信息理論中的定量或定性的方法綜合分析電子設備出現的故障，實現診斷。

1.3單信號濾波

濾波診斷改進了傳統單信號處理方法中未考慮動態數據的問題，通過校對時間序列信號傳輸的數據，在濾波變換作用下記錄信號的特征變量，對采集到的特征量賦予閾值實施診斷。

在多信號模型和單信號濾波中，還積極應用計算機進行仿真實驗來輔助診斷。通過一定的仿真建模，能實時采集動態數據，監控整個系統的運行。

二、智能電子設備故障診斷技術

面對結構更加復雜的電子設備，其故障診斷的難度在不斷增加，所提出的診斷技術要求在不斷提高。傳統故障診斷技術在應用過程中逐漸出其不足之處。技術操作本身需要的知識儲備較多，且針對更加深層次的故障發力不足。相比之下，智能故障診斷技術的發展，迅速成為了電子設備故障診斷的首選。

2.1分類

智能故障診斷技術根據理論技術的不同可以分為模糊技術、灰色理論、專家系統、模式識別和失效樹分析等。其中，以模糊技術、灰色理論、模式識別和失效樹分析為代表的技術都著重于借助邏輯判斷推理的相關知識，能夠將電子設備診斷中故障模糊定位及定性分類等問題部分解決。而專家系統技術，則重點以自身作為技術開發平臺，融合多種診斷技術，構建完善的智能故障診斷系統。本文探討的電子設備智能故障診斷技術著重以專家系統作為研究對象。

2.2專家系統

一個成熟的職能故障診斷專家系統，應該在結構中包含系統知識庫、集合數據庫、推理機、解釋機構、知識獲取和人機交互系統、故障預兆分析和識別系統等。專家系統的不同種類具有不同的區別方式，如按照理論運用方式的不同，可將專家系統分為借助符號處理和借助數值處理兩類；按照理論描述的不同，可以將專家系統的符號處理類再分為框架式、產生式、語義拓撲、面向對象的系統、基于案例分析的推理等，而借助數值處理的專家系統可分為模糊技術、灰色理論、人工神經網絡等。專家系統一般需要考慮以下技術內核：

2.2.1知識庫

故障診斷需要建立在一定的知識儲備基礎上，因此建立專家系統的知識庫并積極規劃其中的內容十分必要。規劃后的知識庫更有利于技術理論的搜索和整合維護。具體的規劃方法有：①不同的設備故障具有不同的預兆。根據各類預兆情況整合獨立的知識模塊存入知識庫中供診斷使用。②可以針對電子設備的不同部位常見故障分別做知識儲備。③搭建數學模型，通過不同的表示方法確定不同的知識模塊，用來描述不同的知識運用。④對各領域的專業意見進行收集整理，包括設備理論、標準故障知識、專家的歷史經驗、操作要領等信息。建立不同模塊的知識庫，能夠在故障診斷推理中更便捷的調動知識信息，由各模塊交流診斷對象的內容并自由調度提供服務。

2.2.2 推理機

推理機是專家系統的重要部分，充分調動知識來進行邏輯判斷。在借助符號處理的專家系統中，推理機采用符號匹配的形式進行邏輯分析和狀態搜索。而在數值處理的專家系統中，推理機運用數值進行計算來獲得工作進程。推理機使用的推理機制主要是正向、反向和混合推理。一般而言，邏輯推理中的假設由正向推理提出，而反向則用來驗證邏輯的真偽。

2.2.3 不確定性

故障診斷存在一定的不確定性。引發不確定性的原因可能來自于故障預兆模糊、實施傳遞的信號數據不精確、系統在讀取知識規則時出現失效等情況。一旦出現不確定性的問題，需要借助包括整理理論、模糊判斷、灰色理論在內的確定性理論來解決。

三、智能電子設備故障診斷技術的發展前景

智能故障診斷技術因其技術先進，操作便捷必然成為未來電子設備故障診斷的主要手段。智能診斷技術具有良好的發展前景。首先可以繼續擴大當前其在遠程故障診斷的優勢，拓展使用領域，提高異地的診斷反應能力。其次，可以加深其在分布式多層次的大型電子設備中的應用。同時，與智能故障診斷技術相匹配的微型便攜式專用儀器的開發，必然提高智能診斷技術的普及率。

四、結語

智能故障診斷技術和傳統故障診斷技術在使用操作中是可以相互補充的。這樣能夠快速獲取被診斷對象的故障信息，分析故障并準確定位，同時測試判斷具體的故障部件，及時恢復設備。相信，利用智能故障診斷技術，能夠為大型電子設備的維護管理保駕護航。

參 考 文 獻

篇11

電網故障診斷系統的多Agent模型包括數據采集層、數據處理層、故障診斷層、故障決策層、檢修計劃層，系統的整體結構如圖1所示。

圖1 基于Multi-Agent的電網故障精確診斷系統結構

各Agent的功能描述如下：

（1）實時數據采集Agent：從SCADA系統中獲取電網狀態的數據并對數據整理傳至故障診斷Agent，同時監聽故障跳閘事件，喚醒結線分析Agent與故障診斷Agent。

（2）結線分析Agent：確定并顯示停電區域，對該區域接線進行局部結線分析。

（3）故障類型庫、故障診斷Agent與診斷結果評估Agent：這是整個診斷系統的核心部分。故障類型庫多個Agent并行工作，根據開關跳閘信號，來判斷可能的故障類型;故障診斷Agent求得故障隸屬度最大的故障，初步確定故障類型;診斷結果評估Agent則得到故障的嚴重程度。

（4）案例分析Agent：是通過實時數據得到的診斷結果處理成案例，為以后的診斷工作提供輔助。

（5）規則庫管理Agent：提供診斷規則，對規則庫的維護和管理。

（6）接線圖生成Agent：自動生成廠站接線圖，以便故障類型庫調用;在故障發生后，可以將故障跳閘區域顯示在屏幕上。

2.電網故障診斷系統的核心部件設計

2.1 故障類型庫

診斷Agent內部結構如圖2所示：

圖2 故障分析Agent內部結構

主要部件功能如下：

（1）控制部件：對Agent的動作及任務進行分析、優化、監控以及執行。

（2）數據存儲器：負責存儲收到的用于診斷的故障數據，以及診斷過程中產生的中間結果。

（3）推理機控制器：實現對多Agent協作的聯合調度，負責啟動、監控、終止推理機的工作，并對診斷結果進行評價。

（4）推理機：利用數據及知識對故障進行診斷。啟動執行面向基本活動的計算，推理產生的中間結果送入數據存儲器，最終結果送給推理機控制器。

2.2 故障診斷Agent與結果評估Agent

故障診斷評估過程如圖3所示：

圖3 故障診斷評估過程

模糊算法是通過對現實對象的分析，處理數據并構建模糊型數學模型，用隸屬關系將數據元素集合靈活成模糊集合，確定隸屬函數，獲得現實對象的隸屬度。

設給定論域U，U在閉區間[0，1]中的任一映射μA。

可確定U的一個模糊子集A。

μA（x）稱為A的隸屬函數，μA（xi）稱為元素xi的隸屬度。當μA（xi）=1時，則xi完全屬于模糊集合A，當μA（xi）=0則xi完全不屬于模糊集A.μA（xi）越接近于1，xi屬于A的程度就越大。

BP網絡是一種誤差反向傳播的神經網絡，BP算法的基本思想是梯度下降法，它采用梯度搜索技術，以期使網絡的實際輸出值與期望輸出值的誤差均方值為最小。輸入樣本的預測權重處理方法對BP神經網絡進行訓練能夠進一步確認故障類型并很好地區分故障的嚴重的程度。

采用下述方法獲得多組預測組合的樣本輸出Q：

n為該樣本采用的預測個數，m為該故障的最大預測數。

其中：

3.診斷系統的通信與編碼實現

（1）由圖2與圖3所示，系統的通信采用FIPA ACL通信語言編程實現。FIPA ACL通信語言是智能物理Agent基金會（FIPA）做的對Agent通信語言標準化的工作，其特點是層次結構清晰，由通信層、消息層、內容層組成，具有可行前提條件和預期通信效果并且具有標準EBNF格式語法，具有標準化內容語言。

FIPA規定了22個通訊動作。如圖4所示FIPA請求協議的通信行為：

圖4 FIPA請求協議

（2）故障類型庫Agent的故障類型推理部分使用PROLOG語言進行編程，PROLOG語言是一種說明性語言，具有表達能力強、堅實的數學基礎（一階謂詞邏輯）、自動回溯、支持遞歸調用等特點，廣泛應用于AI領域，只要給出求解問題所需要的事實和規則，PROLOG就能使用演繹推理的方法去解決問題。

其余采用JAVA語言編程實現，利用JAVA的多線程編程接口，開發人員可以方便得寫出支持多線程的應用程序，提高程序執行效率。多線程關鍵代碼如下：

創建線程之后，可用getName（）或setNam （）來創建線程名字。通過start（）來激活線程，Thread.sleep（）來讓線程等待。線程在執行之后消除，也可以終止線程。

4.結論

本文研究設計了電網的故障診斷系統，并將Multi-Agent技術應用其中，滿足診斷對象的網絡分布化、故障多元化的要求，使用多種語言混合編程，可以互相彌補缺點，發揮優勢，提高Agent系統的質量，并使用多線程技術提高系統效率，采用模糊-神經算法的混合診斷策略，提高系統的診斷精度。

參考文獻

[1]陳華，陳少華，楊宜民.多Agent系統及其在電力系統繼電保護中的應用[J].電氣應用，2005.

[2]朱永利，盧錦玲，等.基于Multi-agent的電網故障診斷系統的研究[J].繼電器，2006.

[3]陳玉林，等.電網故障診斷方法綜述[J].中國電力，2006.

[4]楊行峻，鄭君里.人工ANN[M].北京：高等教育出版社，1992.

[5]周明.基于模糊推理的分布式電力系統故障診斷專家系統[J].電力系統自動化，2001，25（24）：33-36.

[6]蔣偉進，許宇勝.基于MAS的分布式智能故障診斷模型與關鍵技術研究[J].南京大學學報：自然科學版，2004，40（4）：483-496.

[7]蔣偉進，許宇勝.多智能體的分布式智能故障診斷[J].控制理論與應用，2004，21（6）：945-950.

[8]王慧，孫鐵利.一種新的基于Java和Prolog的智能Agent實現方案[J].計算機科學，2006.

[9]董愛兵，王小平，曹立明.基于FIPA ACL和RDF的Agent通信語言[J].計算機應用研究，2005.

基金項目：國家科技型中小企業創新基金（項目編號民：No.11c26216203816）。

篇12

Keywords: power grid failure diagnosis; Fault diagnosis method; looking

中圖分類號：U665.12文獻標識碼：A 文章編號

1引言

我國電力正處于一個高速發展的時期，電力系統的迅速發展、受端負荷的持續增長、跨區域聯網規模的擴大、電力工業市場化改革以及生態環境的約束使電網結構和運行方式日趨復，使電網狀態趨近其運行極限，系統運行的不穩定因素增多，種種情況導致因偶發故障引發大規模停電風險的概率增高。電網是國民經濟發展的大動脈，一旦發生大面積停電[1]，后果不堪設想。客觀上講，電力系統作為一個龐大的、高度復雜的動態系統，常處于不同的擾動之中，故障的發生又往往是無法完全避免的，這些問題給電網故障診斷提出了新的挑戰。隨著我國電力工業的發展，故障診斷研究具有很大的現實意義和實用價值[2]。

2 電網故障診斷方法研究

電力系統故障診斷是根據事發環境下各類信息進行故障識別的過程。電力系統發展使得電網的規模越來越大，結構越來越復雜，電網發生故障關系到電力系統安全穩定運行的重要問題。為了適應各種簡單和復雜事故情況下故障的快速、準確識別，需要電網故障診斷系統進行決策參考。因此，從20世紀80年代起國內外專家學者們進行了大量的研究工作，提出了多種故障診斷技術和方法[3]，主要有專家系統、人工神經網絡、優化技術、Petri網絡、粗糙集理論、模糊集理論、貝葉斯網絡、基于電網潮流分布特征法和信息理論法。下面分別介紹這幾種應用在電網故障診斷的研究發展狀況。

2.1專家系統法

專家系統是發展最早，也是比較成熟的一種人工智能技術。它利用計算機技術將相關專業領域的理論知識和專家的經驗知識融合在一起，通過數據庫、知識庫、推理機、人機接口、解釋程序和知識獲取程序的有機連接，達到具備解決專業領域問題的能力。

70年代初期專家系統就被引入到電網故障診斷研究領域。其在電網故障診斷[4]中的典型應用是基于產生式規則的系統，即把保護、斷路器的動作邏輯以及運行人員的診斷經驗用規則表示出來，形成故障診斷專家系統的知識庫，進而根據報警信息對知識庫進行推理，獲得故障診斷的結論，具有直觀性、實時性和有效性；能夠在一定程度上解決不確定性問題；能夠給出符合人類語言習慣的結論并具有相應的解釋能力等優點。但是不可避免在實際應用中存在一些缺陷：知識獲取瓶頸、系統維護難、容錯能力差等問題。現在多是將專家系統與其他方法結合起來進行故障診斷。

2.2 人工神經網絡

人工神經網絡是通過模擬人類的神經系統來處理信息過程的一種人工智能技術。它具有并行處理、非線性映射、聯想記憶能力和在線學習能力等特點，在電力系統和其他領域中都有著廣泛的應用。

電網中不同的故障組合模式會產生不同的故障信息組合模式，可以將故障診斷問題視為模式識別問題，采用人工神經網絡進行處理。為此需要建立比較完全的訓練樣本，用預選事故集作為輸入，故障信息集作為監督輸出，對神經網絡進行訓練。文獻[5]較早將BP(誤差反向傳播)神經網絡應用于電力系統故障診斷，但該方法存在訓練速度慢的缺點。徑向基函數（RBF）神經網絡具有任意函數逼近能力，且學習速度更快，因此文獻[6]提出用新型神經網絡解決故障診斷問題。與專家系統診斷方法相比, 神經網絡故障診斷方法可避免專業知識和專家啟發性知識的形成、表達及管理等繁瑣工作。同時, 如何保證訓練神經網絡所用的樣本庫的完全性、提高訓練速度和收斂性，仍是神經網絡需要重點解決的問題。

2.3 優化技術

隨著計算機技術和計算數學的發展，國內外學者提出了多種優化算法，采用優化算法進行電網的故障診斷是一種新的思路。采用優化算法需要根據電網故障的特點設定假想事故集的目標函數或適應度函數，各種優化算法根據適應度值對假想事故集進行更新，直至搜索到適應度最大的假想事故集,以作為最終故障診斷的結果。其實質是將故障診斷問題轉化為無約束的一整數規劃問題進行尋優處理。目前研究得較多的是遺傳算法、禁忌搜索、模擬退火等算法等等。

2.4 Petri網

Petri網是數學家C.A.Petri于1960-1965年提出的一種通用的數學模型，可用圖形表示，并用矩陣運算進行嚴格的數學描述。Petri網既可用位置節點（Place）和變遷節點（Transition）對系統進行靜態的結構分析，又可以通過節點上的令牌（Token）進行動態的行為分析，可用于描述電網故障及切除的離散事件動態行為。

Petri網作為一種簡潔、高效的形式化語言，在故障診斷領域有著巨大的潛力。但另一方面，在對大規模或復雜性網絡進行網建模時，可能出現狀態組合爆炸的情況,，而且Petri網容錯能力較差，不易識別錯誤信息。為此還需研究對網進行化簡和分解的歸納分析技術,或考慮采用更高級的有色網。

2.5粗糙集理論

粗糙集理論是一種新的研究不完整、不確定且不精確信息的表達、學習和歸納的數學工具。它建立在分類機制的基礎之上，將分類理解為等價關系， 用這些等價關系對特定空間進行劃分，提取出組涵的“知識”，知識約簡是粗糙集理論的核心內容之一。

文獻[7]根據電網故障信息中的冗余性，利用粗糙集理論對不同故障模式所對應的警報信息組合進行化簡，識別出必不可少的警報信息，在決策表中剔除可有可無的警報信息，以便從樣本數據中提煉出簡潔、高效、具有一定容錯能力的規則知識庫。粗糙集理論用于電網故障診斷的缺點是有些先驗信息不能得以有效利用, 且電網規模過大時, 決策表的形成也會比較困難。

2.6 模糊集理論

模糊集理論是在模糊集合理論的基礎上發展起來的，它采用模糊隸屬度的概念來描述不精確、不確定的對象，并采用近似推理規則，使專家知識得以有效表達，且具有很強的容錯能力。

綜上可看出，模糊集理論比較適合用來處理電網故障診斷中繼電保護動作的不確定性和故障信息的不完備性。文獻[8]不僅引人了保護和斷路器的動作信息，而且按額定值將遙測量進行模糊化用于故障診斷，為故障診斷的多信息融合提供了新的思路。采用模糊集理論進行電網故障診斷也存在一些問題：像隸屬度函數的選擇無明確的標準、可維護性較差等。所以在電網故障診斷領域中，模糊集理論通常與其他診斷方法相結合，互相滲透、取長補短。

2.7貝葉斯網絡

貝葉斯網絡是基于圖論和嚴格的概率理論的一種不確定性知識表達和推理模型。目前貝葉斯網的理論研究主要集中在其網絡的構造、學習、推理和應用等幾個方面。它將因果知識和先驗概率信息有機結合，使用概率理論來處理不同知識成分之間因條件相關而產生的不確定性，同時它能夠有效的進行多源信息的表達和融合。

基于貝葉斯網絡及其改進方法的電網故障診斷方法[9]能針對電網故障中存在的信息不完備和不確定性問題，建立完備和不完備信息下的貝葉斯網絡模型進行故障診斷，但該方法需要先驗概率信息，給出的亦是故障概率，而且貝葉斯的訓練復雜，從理論上講，它是一個NP-complete問題，也就是說，對于現在的計算機是不可計算的。但是，對于某些應用，這個訓練過程可以簡化，并在計算上實現。

2.8 基于電網潮流分布特征法

基于電網潮流分布特征法[10]立足故障前后電網潮流分布特征的變化，借助支路開斷分布因子，智能選擇量測支路和量測數據,在線預生成故障模式庫，供不斷提取的潮流分布特征模式進行匹配，具有快速、準確、自適應智能診斷的特性。

此方法能自適應跟蹤電網運行方式并動態選擇量測對象和量測數據，在線分析電網潮流分布特征與網絡結構變化的關系，以提取潮流分布特征與故障模式庫中模式進行匹配來實現電網故障的在線診斷。文[10]中算例表明，此方法準確高效，具有在線自適應智能診斷的功能，有助于提高把握網絡事態和正確應對事故的能力。

2.9 信息理論法

信息理論由Shannon于1948年首先提出，它從概率論出發,建立了信息熵、互信息等概念，比較科學地解決了概率信息的測度問題。目前，信息的統計定義已擴展到能夠對非統計意義的信息予以度量。從信息理論的角度看，電網故障診斷還可視為一個多信息融合[11]的過程。如何將保護和斷路器的動作信息、遙測量信息、錄波信息、歷史統計信息及專家經驗信息等多種信息加以有效綜合利用，這些難題將來也許可借鑒多信息融合技術中的信號處理、參數優化、統計和模式識別等方法加以解決。

3.結論

本文介紹了電網故障診斷的意義及其各種故障診斷方法的研究狀況，為以后研究電網故障診斷的學者們奠定了一定的基礎，具有現實的意義。

4.電網故障方法研究展望

電力系統是一個分布式的高維數、高度非線性的動態系統，而且有一系列比較特殊的物理特點，受其影響，電網的故障診斷也有一些比較突出的難點。目前，電網發生故障時候，故障信息反應為電氣量、繼電保護和開關量的異常變化。而事實表明：依靠單一信息往往不能滿足診斷的性能要求，多源信息的異構特性，加上診斷中的不確定性，使綜合利用多源信息以及信息融合非常困難，目前這方面的理論研究也還遠遠不夠，所以信息融合技術方法研究是以后研究的方向。

參考文獻：

李春艷,陳洲,肖孟金等.西歐“11.4”大停電分析及對華中電網的啟示[J].高電壓技術, 2008,34(1):163-167.

郭創新,朱傳柏,曹一家,等.電力系統故障診斷的研究現狀與發展趨勢[J].電力系統自動化,2006,30(8):98-103.

陳玉林,陳允平,孫金莉等.電網故障診斷方法綜述[J].中國電力,2006,39(5):27-31.

Angeli C.Online expert systems for fault diagnosis in technical processes[J].Expert Systems,2008(3):115-132.

CHEN E.Application of neural network computing in intelligent alarm processing[A].Power industry Computer Application Conference[C].Seattle,USA:IEEE,1989.246-251.

劉志遠,呂劍虹,陳來九.新型RBF神經網絡及在熱工過程建模中的應用[J]. 2002,22( 9):118-122.

劉育名,周全,唐捷,等.粗糙集理論提取配電網故障診斷規則的方法[J].高電壓技術, 2006,32(8):97-99.

周明,任建文,李庚銀等.基于模糊推理的分布式電力系統故障診斷專家系統[J].電力系統自動化,2001,25(24):33-36.

吳欣,郭創新,曹一家.基于貝葉斯網絡及信息時序屬性的電力系統故障診斷方法[J].中國電機工程學報,2005,25(13):14-16.

陳彬,于繼來.基于電網潮流分布特征的在線故障智能診斷[J].電力系統自動

篇13

關鍵詞 故障診斷；粗糙集理論；決策表；屬性約簡

0　引言

在現代設備的故障診斷過程中，由于計算機技術、自動化技術和網絡通訊技術的快速發展及廣泛應用，故障診斷技術進入了它的第三個階段——智能化階段。在診斷方法上也由傳統的對故障源的直接測量和判斷轉變為對故障信號的分析研究及邏輯推理，這種方法不需要系統的精確數學模型，可以利用各種知識推理的相關技術，目前，專家系統、模糊推理和模式識別等在故障診斷領域已經取得了非常多的應用[1]。

但是，無論是傳統方式，還是智能化手段，通常只有在信息準確完整的情況下才會得到滿意的結果。而實際過程中所獲得的信息通常是不準確的，并且當設備發生故障時，這些信號往往是冗余的，只需要少量特征信號就可以表征出該設備的整體故障信息。所以，將粗糙集理論引入到故障診斷領域中，利用其對診斷特征的壓縮和約簡，去除冗余的信息，從而可以大大減少診斷的計算量，提高診斷的效率。

在20世紀70 年代，波蘭學者Z.Pawlak和一些波蘭科學院、波蘭華沙大學的邏輯學家們一起從事關于信息系統邏輯特性的研究，粗糙集理論就是在這些研究的基礎上產生的。1982年，Z.Pawlak 發表了經典論文Rough Sets，宣告了粗糙集理論的誕生[2,3]。目前，粗糙集已成為人工智能領域中一個較新的學術熱點，在機器學習，知識獲取，決策分析，過程控制等許多領域得到了廣泛的應用。

本文主要研究局域粗糙集理論的屬性約簡故障特征提取方法，并將該方法應用于齒輪的故障診斷中，得到對齒輪故障模式識別起主要作用的特征。

1　粗糙集理論的基本概念

粗糙集理論是一種處理不精確、不確定和不完善數據新的數學方法，其主要興趣在于它恰好反映了人們用粗糙集方法處理不分明問題的常規性，即以不完全信息或知識去處理一些不分明現象的能力[4]。在此基礎上引入成員關系、上近似和下近似等概念來刻畫不精確性與模糊性[5-7]。

1.1　信息系統

設S=（U，A，V，f）是一個知識表達系統，其中U：對象的非空有限集合，稱為論域；A：屬性的非空有限集合；，Va是屬性a的值域；f：U×AV是一個信息函數，它為每個對象的每個屬性賦予一個信息值。

1.2　決策表

通常采用二維表格來表達信息系統數據集，這種數據表稱為決策表，表中的每一列表示屬性，每一行表示對象。一個屬性對應一種等價關系，一張表可看作是定義的一族等價關系，即知識庫。決策表是一類特殊而且重要的知識表達系統，它指當滿足某些條件時，決策應當如何進行，故障診斷涉及到決策問題，因此可以用決策表這一工具來表示。

1.3　知識約簡·核

在決策表中，決策表的簡化首先就是化簡決策表的條件屬性，使得化簡后的決策表具有和化簡前的決策表相同的功能，但是化簡后的決策表具有更少的條件屬性。條件屬性的簡化在故障診斷中具有相當重要的意義，可以使得數據庫規模大大減少，而且基于更少的條件屬性可以得到相同的決策。

令P和Q為等價關系族，Q的正域記為posP(Q)，且R∈P，若

posind(P-{0R})（ind（Q））= posind(P) (Q)（1）

則稱R為P中Q必要的。P中所有Q必要的原始關系構成的集合稱為P的Q核，記為coreD(C)，在知識約簡中的核是不能消去的知識特征集合。

區分矩陣：設信息系統S=（U，A，V），A為屬性集合且A=C∪D，C、D分別為條件屬性集和決策屬性集，ai(xj)表示樣本xj在屬性ai上的取值，MT(i,j)表示區分矩陣第i行第j列的元素，則區分矩陣定義為：

其中∧表示析取運算，∨表示合取運算。

2　基于區分矩陣的屬性約簡算法

基于區分矩陣的屬性約簡算法，其基本步驟如下：

（1）計算決策表的區分矩陣；

（2）對區分矩陣中取值為非空集合的元素，建立相應的析取范式；

（3）將所有的析取范式進行合取運算，得到一個合取范式S，該合取范式中的每一個單獨元素組成的集合為最后約簡的核；

（4）輸出屬性約簡的結果。

3　齒輪故障診斷實例

3.1　建立原始齒輪診斷信息表

分別采集齒輪剝落、斷齒、裂紋三種故障狀態以及正常狀態下的振動信號數據各若干組，利用小波分析方法對采集的振動信號進行三層分解，然后對得到的八個頻段進行重構，提取重構后各個頻段的能量，由這些能量特征構成原始特征向量，并根據樣本所屬的故障模式類，建立齒輪故障診斷決策表。表1為根據采集數據建立的齒輪故障診斷決策表，其中C1,…,C8為條件屬性，D為決策屬性。

3.2　屬性約簡

粗糙集只能處理離散化數據，然而實驗中獲得的數據大多是連續的，因此，必須先對原始診斷決策系統中的數據進行離散化處理。本文采用不定長的劃分區間來給定數據劃分區間寬度。

按照第二節的計算方法得到整個決策表的最小條件屬性集為{C1，C2，C6}，獲得最小決策表。

通過比較可得最小屬性集的結構非常簡單，僅包含決策時所必需的條件屬性值和決策規則。它不僅具有原決策表的知識和分類能力，能對齒輪故障進行正確診斷，而且揭示了特征信息的冗余性。

4　結論

應用粗糙集理論進行齒輪故障診斷，從采集的齒輪參數為著眼點從其中獲取診斷知識，不需要建立相關的診斷模型。所以，基于粗糙集理論的齒輪故障診斷方法，不存在對齒輪參數的主觀評價，而是對參數進行客觀的、定量分析，另外診斷規則的提取約簡計算依據嚴格的數學方法。本文的研究內容為粗糙集理論在齒輪故障中的應用，但應用的一些其它難題，如診斷特征數量的選取、約簡復雜性的降低等方法尚需進一步研究。

參考文獻

［1］葉銀忠.故障診斷技術的發展趨勢及我們的對策[J].自動化博覽,2002,3:54-55.

［2］IEEE1516—2000.IEEE Standard for Modeling and Simulation (M&S) High Level Architecture (HLA)—Framework and Rules[S].

［3］IEEE1516,1—2000.IEEE Standard for Modeling and Simulation (M&S) High Level Architecture (HLA)—Federate Interface Specification[S].

［4］王志海,等.基于粗糙集理論的知識發現綜述[J].模式識別與人工智能,1998,11(2):176-183.

［5］曾黃麟.粗糙集理論及其應用[M].重慶大學出版社,1998.