电子电路故障诊断与预测技术分析王雅丽 发表时间：2019-07-19T10:38:10.277Z 来源：《新材料.新装饰》2019年2月下作者：王雅丽 [导读] 通过研究电力电子电路故障实例能够发现，大部分的电力电子电路故障通常表现为内部开关元件的损毁。一般来说，功率开关器件的损坏是电力电子电路故障的主要体现。电力电子电路出现故障时，由于电子器件的过载能力较小，往 （身份证号：13022619791016****） 摘要：通过研究电力电子电路故障实例能够发现，大部分的电力电子电路故障通常表现为内部开关元件的损毁。一般来说，功率开关器件的损坏是电力电子电路故障的主要体现。电力电子电路出现故障时，由于电子器件的过载能力较小，往往瞬息之间就会产生停电，为相关电力企业带来严重损失。由于电力电子电路功率极大，甚至可以达到几千千瓦，一旦发生故障，容易引发重大的事故。鉴于此，本文对电子电路故障诊断与预测技术问题进行解析，以供参考。 关键词：电子电路；故障；诊断与预测 引言 随着电子技术的不断完善，电子电路的应用范围越来越广，并显现出了较高的应用价值。电子电路稳定与否，直接关乎其在实际应用中的效果[1]。电子电路在实际应用过程中，不可避免的会出现一些故障，导致电子电路无法正常运作，降低了电子电路的安全性能，因此亟需通过科学有效地检测技术，来对其中的故障进行发现与解决，进而提升电子电路的运行水平。 1电子电路故障原理 1.1故障频率特征的诊断 在对电路出现的故障进行诊断的时候，需要按照传感器所传出的故障信号实施相应采集，然后以故障产生的频率算法对电路可能出现的故障实施鉴别，并对产生的故障进行相应判断。 1.2传统算法的弊端 对于电子的电路而言，其通常与数字以及模拟等相关电路均不相同，其相关器件所具备的过载能力一般比较小，而且受损的速度比较快，仅为10微秒之内，这种情况下，就无法对可能出现的故障进行提前获取。而传统的故障诊断主要是依据频率所输出的波形对缓变的故障进行判断，但是，无法对快速、突变的故障进行有效识别。 1.3遗传算法的故障诊断 由于专家系统应用于电力电子电路故障诊断中需要一定的计算时间，为了能够进一步提高专家系统的诊断效率，可将遗传算法应用于电力电子电路故障诊断工作中。遗传算法主要采取适者生存的进化原则，能够实现群体进化。将遗传算法与电力电子电路相结合，通过对采集信息的合理利用，能够提升电力电子电路故障诊断结果的准确性。而且借助此种算法，电力电子电路故障诊断计算时间将会明显缩减。 2电子电路的常见故障 2.1人为操作失误导致的故障 电子电路在不同领域中进行应用时，均需要通过人为操作来实现有效服务。在现实情况中，也不乏因人为操作失误而使电子电路发生故障。如具体使用过程中，操作人员的专业能力不过关或对电子电路业务不熟悉而将电源进行错误连接，不能实现电子电路中线路的有效安装与连接，无法保障电子电路的稳定性与安全性，也就谈不上安全使用。 2.2因干扰严重而出现故障 电子电路在具体服务过程中，易遭受各种因素的影响，包括设备因素及外界因素等，严重降低了电子电路的稳定性与安全性。如感应干扰、接地故障及直流电源滤波不佳等问题，使电子电路的正常运行受到严重影响。 2.3测试设备故障 测试设备出现故障的情况说明，测试设备所测试的对象—电子电路其自身不存在问题，而是测试设备具有故障，亦或是操作人员专业技能不过关，出现操作失误导致测试设备故障。例如二示波器在实际运用的过程中，没有选择正确的档级，致使档级出现问题。出现这种情况，波形的显示比正常情况波动明显，设备显示出现问题，而这个过程电子电路完全没有问题。 3电子电路故障的检测方法 3.1直观检测法 故障检测中的直观检测法，就是指工作人员利用人身体的器官直接发现故障，主要是利用眼睛、耳朵、手和鼻子。首先整设备的工能开关，同时对设备的指示灯进行观察，判断短路是否正就是用眼睛看，调产，观察设备内部，则需要注意电路板上的元器件是否存在损坏、虚焊、断裂、松动等情况;其次，用耳朵听，设备运行过程中是否存在异常声音;再次，用鼻子闻，设备内部是否存在异常的气味如烧焦等;最后，就是用手摸，感受电路以及三极管等元器件是否有过热的现象 3.2电压测量法 电压测量法则一般是通过仪器来完成，一般利用万用表对原件和电路的电压情况进行明确，从而准确的判断出其是否具有异常情况。电压测量其中还包括直流电压和交流电压。直流电压测量在静态电路测量当中具有很好的使用，主要指的是电视连接有效信号的过程。而交流电压测量则是电视在正常运行过程中接受的电视信号。在检测的过程中，一般采取关键点结合普测方式来进行。接下来则是对于部分电路元器件引脚电压进行有效的测量，从而对于每一元件的稳定情况展开有效的检查。一般情况下，技术人员从元件引脚间电压出发，能够对支路电流进行估计，对故障情况进行明确，在同一节点中焊点的对地电压也是具有差距的，点间电位差是零。我们经常使用的电子元器件在正常使用时所产生的电压，与其出现问题时所具有的电压一般都是不同的。 3.3电流测量法 此方法主要是通过对元器件以及电路的电流测量，从而判断设备故障。电流测量法主要应用在电源负载以及局部的电路工作电流情况。若是经过测量，发现测量电流与其正常电流的数值相差过大，就表明电路或者电源负载存在问题。此种方法具体分为间接测量法和直
故障预测与健康管理系统解决方案 1.国内数字化设备管理存在的问题 今天，随着德国“工业4.0”、美国GE“工业互联网”在全球的风靡，以及“中国制造2025”战略的如火如荼地推进，以新一代信息技术与制造业深度融合为特点的智能制造已经引发了全球性的新一轮工业革命，并成为制造业转型升级的重要抓手与核心动力。 1.1.设备管理问题依然严重 在多年的项目实施过程中深切感觉到，国内不管是大型企业还是中小企业，随着数字化脚步的加快，设备数控化率在逐年飞速的提高，数字化设备的数量与日俱增。但这些设备出现故障以后的维修周期平均在2周以上，属于主轴、丝杠等关键部件损坏所导致的故障维修时间平均在3周以上。维修期间，不仅严重影响生产进度，影响交货期，而且需要花费不菲的维修费用。国外设备厂家提供的维修服务都是从工程师离开国外住地开始计算维修费用，如果请国外工程师维修，光人工费用每次平均都在5万（人民币）以上，加上更换备件等费用，每年企业需支付昂贵的设备维修费用。 企业目前对数字化设备采用传统“事后维修”的管理方法已经严重制约了公司的智能制造发展目标。需要研究和探索，对于大量的离散制造业的设备进行预防性维护和故障预测的方案。 1.2.设备健康管理需求迫在眉睫 设备数据采集系统采集设备数据利用价值没有充分挖掘出来，给工厂决策等提供的分析数据有限。虽然在数字化工厂建设上取得了较好的效果，但是在设备数据利用方面还远远不够。设备数据采集系统经过长期的系统运行，拥有了大量的设备的运行历史数据。
3OEE、开机率、故障率报表显示70% 4报警故障信息次数和内容统计40% 5加工零件信息数量统计30% 6程序传输功能程序上传下载90% 7其它信息报表和看板展示不确定 表格1某企业数据采集利用程度表 设备数据采集系统虽然可以提供与生产效率相关的基本统计信息，但仍然倚重硬件互联的部分，对于数据，尤其是海量互联数据分析来达到机器主件衰退监测、健康状况评估、故障预测预诊断、风险评估、以及决策支持方面，仍然有提升空间： 1)现有的数控机床联网制造了大量数据，然而目前却没有很好的分析方式， 目前仅仅限于原始数据重现，应该进行价值挖掘。 2)数控机床数量多、类型多、系统多样，虽然数据互联，但对于每种不同机 型，缺少每个机台的针对性健康状态监测结果。 3)现有的生产管理系统更多是从设计角度出发，没有对设备健康状况做监测， 并且在管理时没有将生产效率与设备健康连接起来，所使用机器将因为衰 退情况的未知而对生产任务的完成造成未知风险。 4)对于设备生产产品的质量检测，目前没有实现数字化。在发现产品质量问 题时，次品已经产生。缺少提前预测产品质量缺陷手段。 5)在绿色环保方面，对于设备使用的能量没有监测或数字化管理手段。设备 能耗状况的管理相对粗放，没有能够与生产任务协调管理，使得在达到生 产效率最大化的同时实现能效最优化来节省开支，降低碳排放。 6)对于相同设备的维护管理，由于经常依赖于经验以及设备用户手册，所采 用的维护方式大都趋同。然而，根据设备所经历的不同工况，相同的设备 可能衰退的过程不尽相同。如果对于衰退不严重的设备实施了维护，那么 会造成资源浪费以及停机时间，进而影响生产效率；如果对于衰退严重的 设备延迟进行维护，则可能造成设备加速老化，甚至严重的生产安全隐患。
智能故障诊断技术知识总结 一、绪论 □智能： ■智能的概念 智能是指能随、外部条件的变化，具有运用知识解决问题和确定正确行为的能力。 ■低级智能和高级智能的概念 低级智能——感知环境、做出决策和控制行为 高级智能——不仅具有感知能力，更重要的是具有学习、分析、比较和推理能力， 能根据复杂环境变化做出正确决策和适应环境变化 ■智能的三要素及其含义 三个基本要素：推理、学习、联想 推理——从一个或几个已知的判断（前提），逻辑地推断出一个新判断（结论）的思维形式 学习——根据环境变化，动态地改变知识结构 联想——通过与其它知识的联系，能正确地认识客观事物和解决实际问题 □故障： ■故障的概念 故障是指设备在规定条件下不能完成其规定功能的一种状态。可分为以下几种情况： 1.设备在规定的条件下丧失功能； 2.设备的某些性能参数达不到设计要求，超出允许围； 3.设备的某些零部件发生磨损、断裂、损坏等，致使设备不能正常工作； 4.设备工作失灵，或发生结构性破坏，导致严重事故甚至灾难性事故。 ■故障的性质及其理解 1层次性——系统是有层次的，故障的产生对应于系统的不同层次表现出层次性。 一般可分为系统级、子系统级、部件级、元件级等多个层次；高层故 障可由低层故障引起，而低层故障必定引起高层故障。诊断时可采用 层次诊断模型和诊断策略。 2相关性——故障一般不会孤立存在，它们之间通常相互依存和相互影响，如系统 故障常常由相关联的子系统传播所致。表现为，一种故障可能对应多 种征兆，而一种征兆可能对应多种故障。这种故障与征兆间的复杂关 系导致了故障诊断的困难。 3随机性——故障的发生常常是一个与时间相关的随机过程，突发性故障的出现通 常都没有规律性，再加上某些信息的模糊性和不确定性，就构成了故 障的随机性。 4可预测性——设备大部分故障在出现之前通常有一定先兆，只要及时捕捉这些征 兆信息，就可以对故障进行预测和防。 □故障诊断： ■故障诊断的概念 故障诊断就是对设备运行状态和异常情况做出判断。具体说来，就是在设备没有发 生故障之前，要对设备的运行状态进行预测和预报；在设备发生故障之后，要对故 障的原因、部位、类型、程度等做出判断；并进行维修决策。 ■故障诊断的实质及其理解 故障诊断的实质——模式识别（分类）问题
基于统计过程控制(SPC)的故障预测技术 统计过程控制(StatisticalPI’OCes8Control，SPC)是一种有效的数据统计方法，将SPC理论和计算机技术相结合，对机械制造、产品加工等生产过程的产品进行质量管理，以改进生产技术，提高产品质量，具有对生产过程预防和监控的能力。统计过程控制技术运用休哈特(W.A.Shewhart)的过程控制理论即控制图来判断设备是否处于稳定可靠状态，根据控制图上的特征值点分布状况，分析对象系统特性的趋势，并采取预防措施确保对象系统特性始终处于统计控制状态，从而达到改进与保证质量的目的。属于基于数据的故障预测中的一种。 预置损伤标尺方法又称为“基于保险和预警装置的方法”，是通过在实际产品中增加保险或预警装置来提供故障的早期预警。 性能状态检测方法又称为“基于故障预兆监控与推理的方法”、“数据驱动方法”，是利用可以测量的产品性能或者状态变量的变化趋势、故障征兆等进行故
障的预测。 环境应力检测方法又称为“基于失效物理模型的方法”，是基于产品的失效物理模型，对产品的环境应力和工作应力进行监测和累计损伤计算，进而推断出产品的剩余寿命。 2．3．1 基于失效寿命数据的故障预测 失效寿命数据包括失效时间、无故障数据和截尾数据。根据失效寿命数据的分类，KM 估计对三类数据的处理过程如下: ①观测到故障的失效寿命数据，在故障发生前可靠度为1，在故障发生后可靠度为0。其表达式为: ②未观测到故障的样本数据，可靠度估计恒为1，即r( t) = 1。 ③截尾数据。在截尾之前可靠度为1，截尾后采用KM 估计。其表达式为:
2．3．3 基于多输出支持向量机( SVM) 的故障预测 构造的多输出SVM 故障预测模型如图 4 所示。故障预测模型的输入为样本的性能退化数据序列( 每个样本序列均以时间先后为序排列) ，输出为对应样本的可靠度。故障预测模型的工作原理就是，通过训练多输出SVM 来拟合性能退化数据和可靠度间的非线性关系，用训练好的SVM 预测组件将来时刻的可靠度。 2)故障预测技术现有用于机电设备故障/失效预测的方法可归纳分为以下5个主要类别:传统的可靠性方法-基于事件数据(EventData)的预测;预测学(Prognostics)方法-基于状态数据(ConditionMonitoring)的预测;综合集成的方法(Integrated Ap-proaches)-基于事件数据和状态数据的预测;基于定性知识的故障预测方法;其他故障预测方法
随着高科技的不断注入，现代装备的高集成化、高智能化以及分析处理问题的高效化日益增强，随之而来的系统的故障诊断、维修保障和可靠性越来越受到人们的高度重视。 目前世界上大部分装备的维护多以定期检查、事后维修为主，不仅耗费大量的人力和物力，而且效率低下。PHM(Prognosties and Health Management)预测与健康管理技术是综合利用现代信息技术、人工智能技术的最新研究成果而提出的一种全新的管理健康状态的解决方案。PHM系统未来一段时间内系统失效可能性以及采取适当维护措施的能力，一般具备故障检测与隔离、故障诊断、故障预测、健康管理和部件寿命追踪等能力。 PHM技术的发展过得去是人们自我学习和提升的过程，即从对设备的故障和失效的被动维护，到定期检修、主动预防，再到事先预测和综合规划管理。美陆军早期装备直升机的健康与使用监测系统就是PHM最原始的形态。20世纪60年代，由于航空航天领域极端复杂的环境和使用条件驱动了最初的可靠性理论、环境试验和系统试验能及质量方法的诞生。随着宇航系统复杂性的增加，由设计不充分、制造误差、维修差错和非计划事件等各种原因导致故障的机率也在增加，迫使人们在70年代提出了航天器综合健康管理的概念来监视系统状态。随着故障监测和维修技术的迅速发展，先后开发应用的有飞机状态监测系统、发动机监测系统、综合诊断预测系统以及海军的综合状态评估系统等。随后出现的这些诊断故障原和检测状态的技术，最终带来了故障预测方法PHM的诞生。 上世纪末，随着美军重大项目F-35联合攻击机(JSF)项目的启动，正式把以上的故障预测和维修全面解决方案命名为预测与健康管理(PHM)系统，为PHM技术的诞生带来了契机。PHM是JSF项目实现经济承受性、保障性和生存性目标的一个关键所在。JSF的PHM系统是当前飞机上使用的(BIT)和状态监控的发展，这种发展的主要技术要素是从状态(健康)监控向状态(健康)管理的转变，这种转变引入了故障预测能力，借助这种能力从整个系统(平台)的角度来识别和管理故障的发性，其目的是减少维修人力物力、增加出动架次率以及实现自主式保障。 PHM技术的发展大致经历了由外部测试到机内测试(BIT)，进而测试独立出来成为一门学科，然后便是综合诊断的提出与应用，最后便是发展到现在的预测与健康管理(PHM)技术。 在航空航天、国防军事以及工业各领域中应用的不同类型的PHM系统，其体现的基本思想是类似的，区别主要表现在不同领域其具体应用的技术和方法的不同。一般而言，PHM 系统主要有六个部分构成： 1、数据采集利用各种传感器探测、采集被检系统的相关参数信息，将收集数据进行有效信息转换以及信息传输等。 2、信息归纳处理接受来自传感器以及其它数据处理模块的信号和数据信息，将数据信息处理成后续部件可以处理的有效形式或格式。该部分输出结果包括经过滤波、压缩简化后的传感器数据，频谱数据以及其它特征数据等。 3、状态监测接受来自传感器、数据处理以及其它状态监测模块的数据。其功能主要是将这些数据同预定的失效判据等进行比较来监测系统当前的状态，并且可根据预定的各种参数指标极限值/阈值来提供故障报警能力。 4、健康评估接受来自不同状态监测模块以及其它健康评估模块的数据。主要评估被监测系统(也可以是分系统、部件等)的健康状态(如是否有参数退化现象等)，可以产生故障诊断记录并确定故障发生的可能性。故障诊断应基于各种健康状态历史数据、工作状态以及维修历史数据等。 5、故障预测决策故障预测能力是PHM系统的显著特征之一。该部件由两部分组成，可综合利用前述各部分的数据信息，评估和预测被监测系统未来的健康状态，并做出判断，建议、决策采取相应的措施。该部件可以在被监测系统发生故障之前的适宜时机采取维修措施。该部分实现了PHM系统管理的能力，是另一显著特征之一。
轴向柱塞泵故障诊断与预测 李启龙黄志坚 （广东工业大学机电工程学院510090） 摘要：本文主要介绍轴向柱塞泵故障诊断和预测方法。把各故障症状模糊量化作为输入，经过诊断可找出故障的原因，利用故障预测模型对轴向柱塞泵未来的状况进行预测，可减小意外故障对生产的影响。关键词：故障诊断，模糊处理，故障预测，故障症状，故障原因 Diagnosis and forecast for the fault of Axial Plunger Pump Abstract:：The way of diagnosis and forecast for the fault of axial plunger pumps have been introduced in this paper. Using symptoms of fault as input by fuzzy way, the reasons of fault can be got; and by means of forecasting model, the fault of axial plunger pump in future can be forecasted, the affect of faults to producing will be lowest. Key words: diagnosis for fault, fuzzy way，forecast for fault, symptoms of fault, reasons of fault 1 轴向柱塞泵故障诊断与预测概述[1] 液压泵是整个液压系统的动力元件。它将原动机（电动机，内燃机）的机械能转换成油液的压力能，为液压系统提供有一定流量和压力的油液。轴向柱塞泵有其自身的优点，结构紧凑、径向尺寸小,惯性小,容积效率高,目前最高压力可达40.0MPa,甚至更高，因此一般用于工程机械、压力机等高压系统中在很多的场合如矿山机械，钢铁厂等。 液压泵出现故障将导致整个液压系统无法正常工作，液压泵的故障诊断对液压系统和整个生产线都有重大的意义。本文主要针对斜盘式轴向柱塞泵发生的故障进行诊断方法的一个模型建立和讨论。 对柱塞泵的智能故障诊断，一般是开发出故障诊断专家系统等方法直接诊断出故障发生的位置和发生的原因，然后利用专家的知识推理，提出故障解决的方案和措施。而很少对故障进行预测，不能有效的对柱塞泵预先检修，而有可能耽误了最佳的检修时间，影响生产，并使泵遭受不可修复的损坏，缩短泵的使用寿命。由于导致泵故障的因素多样，一个因素会导致多个故障产生，一个故障，也可能是由多个因素共同产生的，因此，在很多情况下，并不能非常准确地描述故障的情况。本文用模糊处理的方法，利用模糊数学的概念，把故障的症状进行模糊化作为诊断的依据，同时输出故障原因的模糊量。对柱塞泵的故障进行诊断，诊断出故障发生的原因和元件，并对柱塞泵故障进行预测，达到预警的目的。 2 故障诊断的方法——故障的分类[2][3] 故障的分类，是同一时间不同故障之间的相互比较，分辨出最可能发生的故障。根据故障症状的明显程度和故障原因对应的模糊关系，以及故障原因和故障源发生难易性的对应关系，两条路径综合考虑的方法来求出最后的故障发生的原因。 以某钢铁公司轧钢线PV250DF型柱塞泵为例，主要的故障症状有液压泵的压力小，压力波动大，油液温度高，内泄漏大，流量小或无流量，振动大等。
故障诊断习题 一、故障诊断概念，诊断过程及主要内容 在机械设备不解体的情况下，对设备完成规定能力和影响因素进行判断和预测。诊断过程见右： 二、常用故障信息有哪些？1、振动；2、声波；3、温度；4、磨屑；5、零部件状态；6、红外线。 三、常见故障诊断类型有哪些？ 1、定期诊断和连续监控诊断； 2、常态诊断和暂态诊断； 3、状态诊断和故障诊断； 4、零部件诊断和整机诊断； 5、仪器诊断和逻辑诊断。 四、常用诊断技术有哪些？1、振动诊断技术；2、声发射诊断技术；3、无损诊断技术；4、红外线诊断技术； 5、逻辑诊断技术； 6、故障树分析技术； 7、油液分析技术。 五、随机信号幅值特征参数有哪些？峰值、均值、 方差、 均方值、波峰因数。 x(t)——各态历经随机过程的样本记录；T ——样本记录时间。 1、峰值 2、均值 样本记录所有值的简单平均，均值反映了随机信号的静态(直流)分量。实际上，取观测时间T 为无限长的样本函数是不可能的， 常用有限的长度样本记录来代替，这样计算的均值称为估计值， 以加注 “∧” 来区分。 3、方差 方差用以描述随机信号的动态分量，其大小反映了随机变量对均值的离散程度，即代表了信号的动态(交流)分量， 其正平方根称为标准差。 4、均方值 均方值是描述了随机信号的强度或平均功率。均方值的正平方根称为均方根值(或称有效值)。 5、波峰因数 六、波峰因数在故障诊断中的应用？ 七、自相关函数的定义，性质，应用。（见笔记）八、互相关函数的定义，性质，应用。（见笔记） 九、什么信号频谱？ 傅立叶变换实际上是一种正交空间变换，以exp(-jwt)为基，如果学过线性代数空间正交基的概念就知道了，把时域信号变成另外一个线性空间的信号，这个线性空间就是频域。 十、什么是离散频谱和连续频谱？ 连续时间信号：是指在某一指定时间内，除若干个第一类间断点外，该函数都可给出确定的函数值的信号。 由不连续的谱线构成,每一条谱线代表一个正弦分量或余弦分量的频谱,称为离散频谱. 十一、什么是自功率（互功率）谱密度？ 自功率谱密度函数Sx(f)是自相关函数Rx(τ)的傅里叶积分变换。互功率谱密度函数Sxy(f)是互相关函数Rxy(τ) 的傅里叶积分变换。 十二、什么倒频谱？ 倒频谱分析是一种二次分析技术，是对功率谱的对数值进行傅立叶逆变换的结果。也称二次频谱分析，包括功率倒频谱和复倒频谱。 其计算公式为： ()()[]{}f S log F t C xx 1a -= 该分析方法受传感器的测点位置及传输途径的影响小，能将原来频谱图上成族的边频带谱线简化为单根谱线，以便提取、分析原频谱图上肉眼难以识别的周期性信号。但是进行多段平均的功率谱取对数后，功率谱中与调制边频带无关的噪声和其他信号也都得到较大的权系数而放大，降低了信噪比。 十三、数字信号处理过程：预处理→A/D 转换→计算机处理→结果显示 十四、采样频率如何确定？ 由采样定理可知： 对于一个频率为0~fm 的有限带宽连续信号进行采样， 只有当采样频率fs ≥2 fm 时， 其离散傅里叶变换才不发生频率混淆， 因而只有用这样采样的点才能得到离散信号的频谱， 同时也只有用这样采样的点才能够完全恢复原时域信号的连续波形x(t)，不 过此时要借助右面的插值公式来求出采样点以外的其它点。 采样定理要求fs ≥2fm ，但采样频率fs 并非选得越高越好。 由N 个时域采样点进行离散傅里叶变换， 得到N 个频域点，通常称为N 条谱线，对应的频率范围为［-fs /2,fs /2］，因此相邻谱线的频率增量见右 可见当采样点数N 一定时，采样频率fs 越高，频率增量大，频率分辨力越低。因此，在满足采样定理的前提下，采样频率不应选得过高， 一般取fs=(2~3)fm 就够了。 f f S R f x x d e )()(2j τπτ?∞ ∞ -=τ ττ πd e )()(2j f x x R f S -∞ ∞-?=自谱密度数学表达式 其傅里叶积分逆变换为 τ ττd e )()(j2π-f xy xy R f S ?∞∞ =互谱密度数学表达式 其傅里叶积分逆变换为 ∑ ∞-∞ =--= n T nT t T nT t nT x t x s s s s s )(π)(πsin )()(222s s s f N f f f =? ?? ??--= ?诊断 不正常 状态识别 信息采集 设备 正常 信息处理 决策 均值、方差和均方值的关系： (){}t x max E X max = 均方值与估计值： 均值与估计值： 方差与估计值： 峰值： ?∞→=T T x t t x T 0 d )(1lim μ?=T x t t x T 0d )(1?μt t x T x T x d ])([lim 0 22?-=∞ →μσt t x T x x d ])([?0 22?-=μσt t x T T x d )(1 ?0 22? =ψt t x T T T x d )(1 lim 2 2? ∞→=ψ222x x x σμψ+=
国外综合诊断、预测与健康管理的发展历程 张宝珍 引言 随着现代武器装备复杂性、综合化、智能化程度的不断提高，为了以更经济有效的方式满足现代战争联合作战和网络中心战等新型作战模式对武器作战效能和敏捷、准确和经济的持续保障能力的需求，综合的故障诊断、预测与健康管理（PHM）技术获得美英等军事强国越来越多的重视和应用。PHM是对武器系统传统使用的机内测试（BIT）和状态（健康）监控能力的进一步拓展，这种发展的主要技术要素是从状态监控向健康管理的转变，这种转变引入了预测能力，借助这种能力识别和管理故障的发生、规划维修和供应保障，其主要目的是降低使用与保障费用、提高装备系统安全性、战备完好性和任务成功性，实现基于状态的维修（CBM）和自主式保障。 所谓预测，即预计性诊断部件或系统完成其功能的状态，包括确定部件的残余寿命或正常工作的时间长度；所谓健康管理，是根据诊断/预测信息、可用资源和使用需求对维修活动做出适当决策的能力。PHM代表了一种方法的转变，即从传统的基于传感器的诊断转向基于智能系统的预测，反应性的通信转向主动性的3Rs（即在准确的时间对准确的部位采取正确的维修活动）。PHM重点是利用先进的传感器的集成，并借助各种算法和智能模型来诊断、预测、监控和管理飞机的状态。这一技术的实现将使传统的事后维修或定期维修被基于状态的维修（CBM，亦称视情维修）所取代。 PHM技术早在2000年就被列入美国国防部威胁减少局的《军用关键技术》报告中，国防部最新的防务采办文件将嵌入式诊断和预测技术视为降低总拥有费用和实现最佳战备完好性的基础，进一步明确确立了PHM技术在实现美军武器装备战备完好性和经济可承受性方面的重要地位。目前，PHM已成为美国国防部采购武器系统的一项要求。 一、 预测与健康管理技术的发展演变过程 PHM技术的演变过程是人们认识和利用自然规律过程的一个典型反映，即从对故障和异常事件的被动反应，到主动预防，再到事先预测和综合规划管理。PHM技术是在传统的状态（健康）监控和故障诊断技术基础上发展起来的。随着系统和设备性能和复杂性的增加以及信息技术的发展，PHM技术的发展经历了由外部测试到机内测试（BIT）→测试性成为一门独立的学科→综合诊断的提出与发展→预测与健康管理（PHM）系统的形成等的发展演变过程。在应用产品层次上，从过去的部件和分系统级发展到现在的覆盖整个平台各个主要
故障预测与健康管理（PHM）技术的现状与发展 曾声奎? 北京航空航天大学可靠性工程研究所，北京 100083 Michael G. Pecht, 吴际? 美国马里兰大学 CALCE电子产品与系统中心，马里兰，2074 Status and Perspectives of Prognostics and Health Management Technology)? ZENG Sheng_kui1, Michael G. Pecht2, Wu Ji2? (1Institute of Reliability Engineering, Beihang University, Beijing# 100083, China)? (2CALCE Electronic Products and Systems Center ,University of Maryland, College Park, MD 20742） 摘要：结合故障预测与健康管理（PHM）的技术发展过程，阐述了PHM的应用价值。论述了PHM技术系统级应用问题，提出了故障诊断与预测的人机环完整性认知模型，并依此对蓬勃发展的故障诊断与故障预测技术进行了分类与综合分析，给出了PHM技术的发展图像。针对故障诊断与预测的不确定性特征，对故障诊断与预测技术的性能要求、定量评价与验证方法进行了分析。最后，以PHM技术的工程应用为线索，提出了PHM技术发展中的几个问题。 关键词：故障预测；故障诊断；故障预测与健康管理 Abstract: This paper has briefed the potential benefits of Prognostics and Health Management (PHM) against its evolution history. The architecture for PHM system-level application is outlined, and a cognition model for diagnostics and prognostics is built based on the integrality of man-machine-environment. Directed by this model, various diagnostics and prognostics methods are classified and analyzed, and a whole picture of PHM is drawn. Uncertainty is a critical factor of PHM，its requirement-making, quantitative assessment and validation are discussed. Finally, key issues to do of PHM are listed with the goal of practical extensive use. Key words: prognostic and Health Management; diagnostics; prognostics; cognition model 1. 引言
故障预测方法综述 1.前言 故障预测与健康状态管理(Prognostics and Health Management, PHM) 技术的提出，对现代复杂装备维修保障能力提出了更高的要求。PHM技术是一种全面故障检测、隔离和预测，以及健康状态管理的技术。它的引入不是为了直接消除故障，而是为了了解和预报故障何时可能发生，或在出现始料未及的故障时触发一种简单的维修活动，从而实现自助式保障，降低使用和保障费用的目标。 故障预测技术是PHM的核心技术之一，它是比故障诊断更高级的维修保障形式，它利用监测参数、实验数据等各种信息，借助相关推理技术评估部件或系统的未来健康状态或剩余使用寿命。故障预测使得设备维护人员能够提前预知设备的健康状态和故障的发生，从而有效地降低故障风险、节约保障资源、减少经济损失。在航天、核能等对可靠性要求较高的领域有着广阔的应用前景，是实现武器装备视情维修、自主式保障、感知与响应后勤的关键技术。 2.目前广泛使用的故障预测方法 目前，故障预测方法可以分为基于模型和数据驱动两类。基于模型的故障预测方法，如卡尔曼滤波器、粒子滤波器等。虽然预测过程简单，但是如果假设的模型与实际不符则性能就较差。 人工神经网络具有模仿连续非线性函数的能力，并且能够从样本进行学习，因而在故障预测中得到了广泛的应用。人工神经网络通过样本的学习可以掌握系统规律，无需对测量信号作模型假设。由于神经网络具有很强的自适应性学习能力和非线性映射能力，适合于实现预测器的设计。但是神经网络训练时需要大量数据样本，且存在收敛速度慢、局部极小点、网络结构难以确定等不足。 灰色预测按灰色系统理论建立预测模型，根据系统的普遍发展规律,建立一般性的灰色微分方程，通过对数据序列的拟合，求得微分方程的系数，从而获得灰色预测模型。灰色预测利用灰色系统理论的GM ( Grey Model ) 模型进行预测。灰色预测在处理小样本、贫信息、不确定问题上具有独特优势，但在预测精度和预测稳定性等问题上仍有待改进。 模糊神经网络吸收了模糊理论和神经网络技术的优点。模糊神经网络可以借助神经网络的逼近能力。同时具有神经网络的低层次学习、计算能力和模糊系统的高层次推理、决策能力。因而采用模糊神经网络技术可以对设备的未来状态进行比较准确的预测。 粒子滤波器是基于蒙特卡罗方法的随机滤波算法，是解决非线性问题的有效算法。粒子滤波器通过一组采样值粒子来近似概率密度函数,因而并不要求系统是线性、高斯的。粒子滤波器使用状态空间里大量的样本点近似实际状态的概率密度函数,这些样本点称为“粒子”。随着粒子数的增加,它们能够很好地近似所求的概率密度函数。粒子滤波器方法是对每个粒子赋予一个权值,许许多多不同权值的点构成的离散分布就可以逼近连续分布。能跟踪多个模式的系统行为,因此可用于估计混杂系统的连续状态和离散状态。粒子退化和对突变状态的跟踪能力差是粒子滤波在故障预测应用中存在的主要问题。 时间序列分析法是把预测对象的历史数据按一定的时间间隔进行排列，构成一个随时间变化的统计序列，建立相应的数据随时间变化的模型，并将该模型外推到未来进行预测。也可以根据己知的历史数据拟合一条曲线，使得这条曲线能反映预测对象随时间变化的趋势。
故障预测与健康管理IEEE标准 John W. Sheppard1, Mark A. Kaufman2, Timothy J. Wilmering3 1. The Johns Hopkins University, 3400 N. Charles Street, Baltimore, MD 21218, jsheppa2@https://www.doczj.com/doc/1e17072960.html, 2. NSWC Corona Division, PO Box 5000, Corona, CA 92878, mark.kaufman@https://www.doczj.com/doc/1e17072960.html, 3. The Boeing Company, PO Box 516, M/C S270-3800, St.Loui,MO63166,timothy.j.wilmering@https://www.doczj.com/doc/1e17072960.html, 摘要：如今，复杂的系统如飞机，发电厂和网络的操作员，一直在强调需要为最大限度地提 高业务目的在线健康监测可用性和安全性。故障预测与健康管理（PHM）这门学科被认为是处理这些管理和预测的要求需要的正式学科。在本文中，我们将探讨在IEEE标准的发展框架下，如何根据目前标准用来支持PHM的申请。特别重点将放在PHM的作用以及国防部（DOD）的PHM的相关标准自动测试系统有关的研究。 关键字—故障预测，PHM，CBA，AI-ESTATE，SIMICA 1．介绍 1976年，IEEE为测试All Systems（ATLAS）的语言的缩写规范的而建立了标准协调委员会20（SCC20）。从那时起，标准协调委员会（SCC20）扩大其工作范围，为开发大型系统级测试和相关系统的诊断标准。1989年，IEEE批准了一个项目授权请求（PAR），授权SCC20开发一个新的标准，这个标准是根据项目P1232，主要针对成熟的人工智能领域——人工智能交流服务领带全部测试环境(AIESTATE)而制定的。1995年，SCC20审查并公布了（全测试环境）AI-ESTATE标准，IEEE 1232-1995，并于2002年，升级了该标准。今天，SCC20下，其诊断和维修控制（DMC）的管理小组正在完成AI-ESTATE标准的一个新的更新，这个标准是强调它的拥抱PHM的相关问题进行广泛的范围。 国防部（DOD）ATS框架工作组是一个多重服务的，有行业学术伙伴关系的机构，这个机构着重于在定义一个信息框架，并确定为下一代自动测试系统（ATS）的标准。基于20世纪90年代，苯丙胺类兴奋剂的研究和开发的集成产品团队定义苯丙胺类兴奋剂的“关键接口的”设置工作的基础上，当前的工作组已选择，支持发展，并表明将在苯丙胺类兴奋剂的使用商业标准。2007年，工作组决定扩大其范围，以拥抱PHM的信息需求，以及和增加了两个新“元素”，以它的框架的一元（生产）预后的数据和一个（投票站）预后服务的元素。工作组决定对这些要素集中平行的诊断数据和诊断服务要素已经在框架中。 故障预测与健康管理（PHM）已经被定义为“PHM的已经被定义为“一个维护和利用的信号、测量、模型和算法，以发现、评估和跟踪恶化的健康状态，并预测可能发生的故障的办法[1]。”正如定义一样，PHM包括的东西比标准协调委员会20（SCC20）的规定要多得多。因此，（全测试环境）AI-ESTATE标准由此建立并发表许多有关于故障诊断的PHM文章。在软件接口维护信息收集与分析(SIMCA)项目下，诊断和维修控制（DMC）小组正在制定标准，这些标准可能会规定其它的PHM信息管理要求。这些标准通过收集可用于分析的维护和诊断过程的历史信息，并把这些分析与整个系统或者单个系统联系起来。其结果是一个标准的集合，这个标准可以诊断成熟，PHM的过程趋于完善。本文的重点是AI-ESTATE和SIMICA标准在PHM系统中的应用。在这个文件的讨论强调了在制定这些标准的最新研究成果和重点介绍了如何使用它们来满足
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。
旋转机械的故障预测方法综述 旋转设备的作用是因旋转来传达的。特别是旋转速度高的设备。现在我们就将烟气轮设备作为一个例子，概括了检测与维护的作用；接着将旋转设备事故预测的方式大概分为两个类型的，定性与定量分析方式，每个种类都有解决方式的介绍与运用情况；最终，分析了旋转设备事故检测技术所存在的问题与以后的发展方向。 标签：旋转机械；故障预防；检测技术 1 故障预测方法的分类与比较 1.1 预测维修的意义 烟气轮机将催化裂化过程中产生的废烟气中所具有的压力能和热能经烟气轮机的膨胀做功化为机械能，驱动轴流式空气压缩机或给发电机提供动能，达到能量回收的目的。一九六三年美国成功的研发出了当时全球唯一一台烟气轮并成功运行，中国是在一九七八年自主研发成功的。近三十年中，中国的烟气轮生产总量一共节约了电量275×105千瓦时，一共达到一百三十八亿元，有非常大的经济收益。但是，烟气轮所在的环境是很差的，因轮子的转动不断磨损，催化剂中不断有灰尘落入，外壳变形与仪器表失控等都是导致事故出现的原因。 我国很多的炼油工厂的烟气轮大多都出现了严重的事故安全。比如，中国石化就在一年之内三十九个烟气轮因事故停止运行五十一次，一共的时间达到了九千零一十四小时，造成巨大的损失。另外，烟气轮在经过回收再次利用废气，从环保来说，这是很重要的。所以，确保烟气轮的正常运行安全也是工业行业必须重视的方面之一。现在，一般企业的维修方式都是预防性的措施，也就是有周期性的进行一次大维修，烟气轮大概是一年左右就必须进行一次大检修。对烟气轮进行周期性的检测与维护可以根据检测的情况第一时间准备好维修的设备，确定好维修的方案。这种熟练的判断技术能够精准的找出事故的种类与部位，防止了维修时无从下手的状况，节约了维修的时间。降低了大事故出现的几率，加快催化裂化设备的安全运行效率，这样就能够有较好的社会与经济效益。 1.2 故障预测方法的分类 猜测维修的重点工艺是事故猜测，没有可行的事故推测方式是对其维护方式的广泛运用的一个难点。事故推断的方式一共有两种，就是定性与定量两种分析方式。现有的旋转机械故障预测方法分类如图1所示。 基于数据的方法包括自回归预测、灰色预测、多层递阶方法、混沌时间序列预测、隐马尔科夫模型、机器学习（神经网络、支持向量机）和统计过程监控方法等。旋转机械的机理模型难以建立，同时专家知识也难以获取，这些都不利于我们对旋转机械进行故障预测。基于数据的方法完全从工业现场数据出发，挖掘