故障診斷

利用各種檢查和測試方法，發現系統和設備是否存在故障的過程是故障檢測；而進一步確定故障所在大致部位的過程是故障定位。故障檢測和故障定位同屬網路生存性範疇。要求把故障定位到實施修理時可更換的產品層次（可更換單位）的過程稱為故障隔離。故障診斷就是指故障檢測和故障隔離的過程。

基本介紹

• 中文名：故障診斷
• 主要任務：故障檢測、故障定位等
• 實質：故障檢測和故障隔離的過程
• 範疇：網路生存性

基本釋義

故障診斷也稱診斷，查找設備或系統的故障的 過程。用來檢查尋找故障的程式稱為診斷程式，對其它 設備或系統執行診斷的系統稱為診斷系統。

故障診斷的由來

系統故障診斷是對系統運行狀態和異常情況作出判斷，並根據診斷作出判斷為系統故障恢復提供依據。要對系統進行故障診斷，首先必須對其進行檢測，在發生系統故障時，對故障類型、故障部位及原因進行診斷，最終給出解決方案，實現故障恢復。就本系統而言，為保證寬高儀系統穩定性，專門設計了故障診斷方案。

故障診斷的任務

故障診斷的主要任務有：故障檢測、故障類型判斷、故障定位及故障恢復等。其中：故障檢測是指與系統建立連線後，周期性地向下位機傳送檢測信號，通過接收的回響數據幀，判斷系統是否產生故障；故障類型判斷就是系統在檢測出故障之後，通過分析原因，判斷出系統故障的類型；故障定位是在前兩部的基礎之上，細化故障種類，診斷出系統具體故障部位和故障原因，為故障恢復做準備；故障恢復是整個故障診斷過程中最後也是最重要的一個環節，需要根據故障原因，採取不同的措施，對系統故障進行恢復。

故障診斷的性能指標

評價一個故障診斷系統的性能指標有：

1）故障檢測的及時性：是指系統在發生故障後，故障診斷系統在最短時間內檢測到故障的能力。故障發生到被檢測出的時間越短說明故障檢測的及時性越好。

2）早期檢測的靈敏度：是指故障診斷系統對微小故障信號的檢測能力。故障診斷系統能檢測到的故障信號越小說明其早期檢測的靈敏度越高。

3）故障的誤報率和漏報率：誤報指系統沒有出去故障卻被錯誤檢測出發生故障；漏報是指系統發生故障卻沒有被檢測出來。一個可靠的故障診斷系統應儘可能使誤報率和漏報率最小化。

4）故障分離能力：是指診斷系統對不同故障的區別能力。故障分離能力越強說明診斷系統對不同故障的區別能力越強，對故障的定位就越準確。

5）故障辨識能力：是指診斷系統辨識故障大小和時變特性的能力。故障辨識能力越高說明診斷系統對故障的辨識越準確，也就越有利於對故障的評價和維修。

6）魯棒性：是指診斷系統在存在噪聲、干擾等的情況下正確完成故障診斷任務，同時保持低誤報率和漏報率的能力。魯棒性越強，說明診斷系統的可靠性越高。

7）自適應能力：是指故障診斷系統對於變化的被測對象具有自適應能力，並且能夠充分利用變化產生的新信息來改善自身。

以上性能指標在實際套用中，需要根據實際條件來分析判斷哪些性能是主要的，哪些是次要的，然後對診斷方法進行分析，經過適當的取捨後得出最終的診斷方案。

故障診斷方法

近代故障診斷技術的發展已經歷30年，但形成一門“故障診斷學”的綜合性新學科，還是近幾年逐步發展起來的，以不同的角度來看，有多種故障診斷的分類方法，這些方法各有特點。

概括而言，故障診斷方法可以分成兩大類：基於數學模型的故障診斷方法、基於人工智慧的故障診斷方法。

基於專家系統的診斷方法

基於專家系統的診斷方法是故障診斷領域中最為引人注目的發展方向之一，也是研究最多、套用最廣的一類智慧型型診斷技術。它大致經歷了兩個發展階段：基於淺知識領域專家的經驗知識的故障診斷系統、基於深知識診斷對象的模型知識的故障診斷系統。

（1）基於淺知識的智慧型型專家診斷方法

淺知識是指領域專家的經驗知識。基於淺知識的故障診斷系統通過演繹推理或產生式推理來獲取診斷結果，其目的是尋找一個故障集合，使之能對一個給定
集合產生的原因作出最)包括存在的和缺席的(的徵兆佳解釋。

基於淺知識的故障診斷方法具有知識直接表達、形式統一、高模組性、推理速度快等優點。但也有局限性，如知識集不完備，對沒有考慮到的問題系統容易
陷入困境；對診斷結果的解釋能力弱等缺點。

（2）基於深知識的智慧型型專家診斷方法

深知識則是指有關診斷對象的結構、性能和功能的知識。基於深知識的故障診斷系統，要求診斷對象的每一個環境具有明顯的輸入輸出表達關係，診斷時首先通過診斷對象實際輸出與期望輸出之間的不一致，生成引起這種不一致的原因集合，然後根據診斷對象領(域中的第一定律知識)及其具有明確科學依據的知識他內部特定的約束聯繫，採用一定的算法，找出可能的故障源。

基於深知識的智慧型型專家診斷方法具有知識獲取方便、維護簡單、完備性強等優點，但缺點是搜尋空間大，推理速度慢。

（3）基於淺知識和深知識的智慧型型專家混合診斷方法

基於複雜設備系統而言，無論單獨使用淺知識或深知識，都難以妥善地完成診斷任務，只有將兩者結合起來，才能使診斷系統的性能得到最佳化。因此，為了使故障智慧型型診斷系統具備與人類專家能力相近的知識，研發者在建造智慧型型診斷系統時，越來越強調不僅要重視領域專家的經驗知識，更要注重診斷對象的結構、功能、原理等知識，研究的重點是淺知識與深知識的整合表示方法和使用方法。事實上，一個高水平的領域專家在進行診斷問題求解時，總是將他具有的深知識和淺知識結合起來，完成診斷任務。一般優先使用淺知識，找到診斷問題的解或者是近似解，必要時用深知識獲得診斷問題的精確解。

基於神經網路的人工智慧型診斷方法

知識獲取上，神經網路的知識不需要由知識工程師進行整理、總結以及消化領域專家的知識，只需要用領域專家解決問題的實例或範例來訓練神經網路；在知識表示方面，神經網路採取隱式表示，並將某一問題的若干知識表示在同一網路中，通用性高、便於實現知識的總動獲取和並行聯想推理。在知識推理方面，神經網路通過神經元之間的相互作用來實現推理。

前在許多領域的故障診斷系統中已開始套用，如在化工設備、核反應器、汽輪機、旋轉機械和電動機等領域都取得了較好的效果。由於神經網路從故障事例中學到的知識只是一些分布權重，而不是類似領域專家邏輯思維的產生式規則，因此診斷推理過程不能夠解釋，缺乏透明度。

基於模糊數學的人工智慧型診斷方法

許多診斷對象的故障狀態是模糊的，診斷這類故障的一個有效的方法是套用模糊數學的理論。基於模糊數學的診斷方法，不需要建立精確的數學模型(membershipfunction)，適當的運用局部函式和模糊規則，進行模糊推理就可以實現模糊診斷的智慧型化。

基於故障樹的人工智慧型診斷方法

故障樹方法是由電腦依據故障與原因的先驗知識和故障率知識自動輔助生成故障樹，並自動生成故障樹的搜尋過程。診斷過程從系統的某一故障“為什麼出現這種顯現”開始，沿著故障樹不斷提問而逐級構成一個梯階故障樹，透過對此故障樹的啟發式搜尋，最終查出故障的根本原因。在提問過程中，有效合理地使用系統的及時動態數據，將有助於診斷過程的進行。於故障樹的診斷方法，類似於人類的思維方式，易於理解，在實際情況套用較多，但大多與其他方法結合使用。

系統故障診斷方法歷史

原始診斷階段

19世紀末至20世紀初，是故障診斷的萌芽階段，各領域專家依靠感官獲取設備之狀態信息，並必須憑藉其經驗作出直接判斷。這種方法簡便，因此在一些簡單設備的故障診斷中顯得經濟實用。

基於材料壽命分析的診斷階段

20世紀初至1960年代，由於可靠度理論的發展與套用，使得人們能夠利用對材料壽命的分析與估計，以及對設備材料性能的部分檢測，來完成診斷任務。

基於感測器與電腦技術的診斷階段

此為當前所屬的階段。開始於1960年代中期，由於感測器技術的發展，使得各種診斷系統與數據的測量變得容易；另外加上電腦的使用，彌補了人們在數據處理上的低效率與困難。

智慧型型的診斷階段

人工智慧技術的發展，特別是專家系統在故障診斷領域中的套用。此項概念將原來以數值計算與信號處理為核心的診斷過程，被以知識處理和知識推理為核心的診斷過程所代替。目前已有了一些成功的系統，使智慧型型診斷成為當前診斷技術發展的新方向。