故障诊断方法综述

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇故障诊断方法综述范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

故障诊断方法综述范文第1篇

【关键词】极限学习机 故障诊断 神经网络

引言

随着设备复杂化程度的提高，对故障诊断的快速性和准确性提出了更高的要求。将神经网络应用于故障诊断中已成为一个非常活跃的研究领域。利用神经网络强大的分类能力，进行故障模式的分类与学习，诊断出故障。

Huang在前人研究的基础上提出了一种称为极限学习机（Extreme Learning Machine，ELM）的学习方法，在保留计算精度的同时可以大幅度的缩减训练的时间。将ELM运用到设备故障诊断中，极大提高了诊断的快速性和准确性。

一、极限学习机研究现状

ELM自2004年提出就一直受到学者的极大兴趣。我们从ELM的理论和应用两方面进行阐述。

1.1 ELM的理论

对于传统ELM算法，网络结构、激活函数类型以及隐层神经元的选择对其泛化性能都有重要的影响。为了提高计算效率，使得ELM适用于更多应用领域，研究者提出了许多ELM扩展算法。

1.2 ELM的应用

研究人员已尝试利用ELM方法解决现实中各种模式分类问题。随着ELM自身理论的进一步发展和完善，在人脸识别、文本分类、医疗诊断等领域中应用广泛。

二、故障诊断技术研究现状

故障诊断技术是由于建立监控系统的需要而发展起来的。其发展至今经历了3个阶段。新的诊断技术带来了领域内算法的革新，设备精密程度的提高也对诊断实时性提出了更高的要求。如何保证故障的快速准确诊断成了诊断技术发展重要内容。

基于神经网络的故障诊断运用广泛，然而传统的神经网络学习方法存在许多问题。与传统的神经网络相比，极限学习机方法通过随机选取输入权值及隐层单元的偏置值，可以产生唯一的最优解，并具有参数易于选择以及泛化能力好等特点，在众多领域有着广泛应用。

三、基于极限学习机的故障诊断方法研究

3.1基于ELM的故障诊断流程

（1）数据预处理。按照选取的特征向量和故障类型对故障样本进行预处理，并将处理后的样本按比例分为训练样本集和测试样本集。

（2）ELM的学习算法主要有以下3个步骤：确定隐含层神经元个数；随机设定输入层与隐含层间的连接权值和隐含层神经元的偏置；选择隐含层神经元激活函数，进而计算隐含层输出矩阵计算输出层权值。

（3）用训练好的ELM模型对测试样本集进行分类，并输出分类结果。

3.2基于改进ELM的故障诊断

针对极限学习机神经网络初始权阈值对算法性能的影响问题，提出融合遗传算法（GA）与粒子群算法（PSO）的GA-PSO算法，用于优化ELM神经网络初始权阈值。该算法将群组一分为二，分别采用GA和PSO算法，再将优秀个体进行合并，改善了PSO算法全局搜索能力，同时增强GA算法的局部搜索效能。

故障诊断方法综述范文第2篇

关键词：异常检测；缓变微小故障；累加和平均；早期故障检测；PCA

1 概述

随着现代工业技术的迅速发展，各种大型自动化系统的结构日益复杂，有关系统的异常检测和故障诊断一直是学术界关注的重点问题[1-5]。相对于传统的故障诊断方法， 微小故障诊断是一类更精细的诊断形式， 其诊断难度也更大。现有微小故障诊断方法大致可分为三类：定性诊断方法、定量诊断方法、半定型半定量诊断方法[1]。其中，定量的诊断方法又被分为基于解析模型的方法和数据驱动的方法。基于解析模型的方法多数是利用被诊断对象的数学模型，由于建模过程中难以避免误差和未知干扰，很难保证高精度。而数据驱动的方法与数学模型的选取无关，该方法以采集到的过程数据为基础，通过各种数据处理与分析方法挖掘出数据中隐含的信息，提高系统的监控能力，实用性较强。上述方法在多数文献中已被广泛用作预处理方法。郝小礼等为提高“小”故障检测能力，对基于PCA的方法进行了改进，用小波滤波技术对数据进行过滤，提高故障检测的能力[6]；文献[7]提出一种中值滤波和奇异值分解（Singular Value Decomposition，SVD）对信号的联合降噪方法，对原始声发射信号进行中值滤波，去除幅值较大的异常值，并对去除后的信号进行空间重构和SVD分解，从而达到去噪的目的。基于滤波的方法有一个相似性就是仅仅通过降低噪声的能量而不是故障大小来增加故障信号的信噪比。

本文为进一步提升早期微小故障检测能力，提出一种基于累加和平均（AA）的时变异常检测方法，在减小噪声能量的同时对故障信号进行累加，从而可以显著地提高故障信号的信噪比。针对累加平均后观测数据不再独立同分布的问题，建立了基于AA-PCA的时变异常检测模型，以进行缓变微小故障的早期检测。

2 基于PCA的故障检测方法

主元分析是将多个相关的变量转化为少数几个相互独立的变量一个有效的分析方法[3]。将历史正常数据矩阵Y00∈Rn×P可以分解为个向量的外积之和，如式（1）所示：

其中，P是变量个数，n是样本个数，bi∈Rn是得分向量（主元），vi∈Rp是负荷向量。

对正常数据矩阵Y00进行主元分解，如式（2）所示：

建立起系统正常运行情况下的PCA模型后，可以应用多元统计控制量进行故障检测与诊断的分析，常用的统计量有2个，即HotellingT2统计量和SPE统计量。

SPE统计量位于残差子空间，对于加性偏差类故障较敏感，其定义为：

其中Bv是负荷矩阵的前v列构成的矩阵。

SPE的控制限可由正态分布确定

在这里，？姿是历史数据的协方差矩阵的特征值，C？琢是正态分布在检验水平？琢下的临界值。

3 基于AA-PCA的早期故障时变检测模型

上小节介绍了基于PCA的故障检测方法对早期异常检测的效果并不令人满意。本小节提出一种基于AA-PCA的时变异常检测模型，在减小噪声能量的同时对故障信号进行累加，可以较好地实现早期微小故障检测。具体实现步骤如下所示：

3.1 离线建模

（1）假设有N组离线正常观测数据Y00∈Rn×p，将其按层堆叠构成三维矩阵Y0∈Rn×p×N。

（2）分别计算正常观测数据做累加平均后的观测数据矩阵

（3）对每个累加后的数据矩阵 建立N个PCA

模型，根据公式（4），求每个PCA模型的SPE控制限UCL（k）。

（4）通过式（6）确定基于AA的时变PCA异常检测模型的控制限，然后将其归一化。

（6）

3.2 在线检测

（1）假设在线数据矩阵Y∈Rn×p定义如下：

其中，Y00（i，j）是第j个变量在样本时间i的在线正常观测值，F（i，j）是当系统发生异常时第j个变量在采样时间i的观测变化值。将Y进行累加可得：

（8）

（2）将累加后的矩阵，根据公式（3）分别计算每个样本点的SPE统计量值。

（3）对在线统计量SPE（k）归一化处理，得 。

（4）求早期故障检测点te，若在线计算的 统计量的值超过了第k个主元模型的控制限，则在第k个样本点系统出现异常。

4 仿真

本节取p=10，n=1000，N=1000用于仿真。设正常观测数据Y00∈Rn×p由p个传感器的观测样本数据组成， 将Y00的产生方式运行N次，便可以得到N组正常观测数据构成的三维矩阵Y0。分别利用PCA、CUSUM-PCA、AA-PCA对系统从201时刻个样本的开始加入的缓变异常情况进行检测。仿真结果如下所示：

图1给出了用传统PCA对观测数据做监控的SPE图，虚线是在检测水平1-？琢=0.997下的控制限，也就是说系统的异常是在较高的检测水平下，因此将这个样本点称为失效点。从图中可以看出，系统在从第819个样本点发生异常。但是缓变故障的发生时刻远早于失效样本点。在失效之前，故障没有达到足够明显特征，以至于未被提前检测到。

图2呈现的是基于CUSUM-PCA的SPE检测图。此图中，早期故障趋势在第546个样本点被检测到。基于CUSUM的方法是累加故障大小，虽能实现早期检测，但是检测效果并不好。图3给出了时变AA-PCA的早期故障检测结果，故障趋势可以从第201个样本点被检测到。表1中列出了上述各种方法的检测样本点，误检率以及漏检率。不难看出，基于AA-PCA的时变早期缓变故障检测在有效地减少噪声的同时也对故障大小进行累加。

5 结论和展望

为实现在减小噪声能量的同时对故障信号进行累加，本文将PCA作为特征抽取工具，提出了基于AA-PCA的时变早期缓变微小故障检测方法。为系统剩余寿命的早期预测维护提供必要基础。由于PCA具有模式复合问题，不能实现故障诊断，从而不能对系统造成致命影响的关键部件进行实时剩余寿命预测。所以，研究基于关键部件的早期故障检测和剩余寿命预测方法是下一步待开展的工作。

参考文献

[1]李娟，周东华，司小胜，等.微小故障诊断方法综述[J].控制理论与应用，2012，29（12）：1517-1529.

[2]文成林，吕菲亚，包哲静，等.基于数据驱动的微小故障诊断方法综述[J].自动化学报，2016，09：1285-1299.

[3]郑茜予.基于主元分析的微小故障检测[D].华北电力大学，2015.

[4]尚骏，陈茂银，周东华.基于变元统计分析的微小故障检测[J].上海交通大学学报，2015，49（6）：799-811.

[5]周福娜，文成林，等.基于指定元分析的多级相对微小故障诊断方法[J].电子学报，2010，38（8）：1874-1879.

[6]郝小礼，陈友明，张国强.小波滤波在小故障检测中的应用[J].暖通空调，2005，08：138-140.

故障诊断方法综述范文第3篇

关键字:汽车电机故障方法

1.电机故障诊断的特点及实施电机故障诊断的意义

1.1电机故障诊断的特点

电机的功能是进行电能与机械能量的转换,涉及因素很多,如电路系统、磁路系统、绝缘系统、机械系统、通风散热系统等。哪一部分工作不良或其相互之间配合不好,都会导致电机出现故障。因此,电机故障要比其它设备的故障更复杂,其故障诊断所涉及到的技术范围更广,对诊断人员的要求也就更高。一般来说,电机故障诊断涉及到的知识领域主要有[20]:电机理论、电磁测量、信号处理、计算机技术、热力学、绝缘技术、人工智能等。电机故障诊断的复杂性还表现在故障特征量的隐含性、故障起因与故障征兆之间的多元性。一种故障可能表现出多种征兆,有时不同故障起因也可能会反映出同一个故障征兆,这种情况下很难立即确定其真正的故障起因。另外,电机的运行还与其负载情况、环境因素等有关,电机在不同的状态下运行,表现出的故障状态各不相同,这进一步增加了电机故障诊断难度,所以要求对电机进行故障诊断首先必须掌握电机本身的结构原理、电磁关系和进行运行状况分析的方法,即掌握电机各种故障征兆与故障起因间的关系的规律。

1.2实施电机故障诊断的意义

电机的驱动易受逆变器故障的影响,在交流电机驱动系统中,逆变器短路故障将会使电机产生有规律波动的或是恒定的馈电扭矩,使车辆突然减速。研究表明:逆变器出现故障时,永磁感应电机将产生较大的馈电扭矩,而且永磁电机也有存在潜在的高消磁电流的问题。而感应电机在逆变器出现故障时所产生有规律的馈电扭矩将由于有持续的负载而迅速衰减,这说明了感应电机具有较高的容错能力,适应混合动力系统的要求。开关电机磁阻是最具有故障容错能力的电机,而且当其有一个逆变器支路出现故障时电机仍能产生净扭矩,另外,开关磁阻电机成本低,结构紧凑,但是开关磁阻电机有较大的噪声和扭矩脉冲,而且需要位置检测器,而这些缺点使得开关磁阻电机在现阶段不适合应用于混合动力客车上。在混合动力客车动力系统中,电机是作为辅助动力的,而且电机属于高速旋转设备,如果电机出现故障,电机产生的瞬态扭矩将使车辆的稳定性和动力性将受到影响,而且,电机由高压电池组驱动,如果电机出现故障而不能及时容错,电机产生的瞬态电流将使电池受到损害,因此在混合动力系统中对电机进行故障诊断是非常必要的。

2.电机的故障诊断方法及典型故障诊断分析

2.1电机故障的诊断方法

(1)传统的电机故障诊断方法

在传统的基于数学模型的诊断方法中,经典的基于状态估计或过程参数估计的方法被应用于电机故障检测。图1为用此类方法进行故障诊断的原理框图。这种方法的优点是能深入电机系统本质的动态性质,可实现实时诊断,而缺点是需建立精确的电机数学模型,选择适当决策方法,因此,当电机系统模型不确定或非线性时,此类方法就难以实现了。

(3)基于模糊逻辑的电机故障诊断方法

图3为基于模糊逻辑的电机故障诊断方法框图,故障诊断部分是一个典型的模糊逻辑系统,主要包括模糊化单元、参考电机、底层模糊规则和解模糊单元。其中,模糊推理和底层模糊规则是模糊逻辑系统的核心,它具有模拟人的基于模糊概念的推理能力,该推理过程是基于模糊逻辑中的蕴涵关系及推理规则来进行的。模糊规则的制定有两种基本方法:第一,启发式途径来源于实际电机操作者的语言化的经验。第二,是采用自组织策略从正常和故障电机测量获得的信号进行模糊故障诊断的制定,将此方法通过计算机仿真实现,对电机故障有较好的识别能力。

(4)基于遗传算法的电机故障诊断方法

遗传算法是基于自然选择和基因遗传学原理的搜索算法,它的推算过程就是不断接近最优解的方法,因此它的特点在于并行计算与全局最优。而且,与一般的优化方法相比,遗传算法只需较少的信息就可实现最优化控制。由于一个模糊逻辑控制器所要确定的参变量很多,专家的经验只能起到指导作用,很难根据指导准确地定出各项参数,而反复试凑的过程就是一个寻优的过程,遗传算法可以应用于该寻优过程,较有效地确定出模糊逻辑控制器的结构和数量。

遗传算法应用于感应电机基于神经网络的故障诊断方法的框图如图4所示。设计神经网络的关键在于如何确定神经网络的结构及连接权系数,这就是一个优化问题,其优化的目标是使得所设计的神经网络具有尽可能好的函数估计及分类功能。具体地分,可以将遗传算法应用于神经网络的设计和训练两个方面,分别构成设计遗传算法和训练遗传算法。许多神经网络的设计细节,如隐层节点数、神经元转移函数等,都可由设计遗传算法进行优化,而神经网络的连接权重可由训练遗传算法优化。这两种遗传算法的应用可使神经网络的结构和参数得以优化,特别是用DSP来提高遗传算法的速度,可使故障响应时间小于300μs,不仅单故障信号诊断准确率可达98%,还可用于双故障信号的诊断,其准确率为66%。

近年来,电机故障诊断的智能方法在传统方法的基础上得到了飞速发展,新型的现代故障诊断技术不断涌现:神经网络、模糊逻辑、模糊神经网络、遗传算法等都在电机故障诊断领域得到成功应用。随着现代工业的发展,自动化系统的规模越来越大,使其产生故障的可能性和复杂性剧增,仅靠一种理论或一种方法,无论是智能的还是经典的,都很难实现复杂条件下电机故障完全、准确、及时地诊断,而多种方法综合运用,既可是经典方法与智能方法的结合,也可是两种或多种智能方法的结合,兼顾了实时性和精确度,因此多种方法的有机融合、综合运用这一趋势将成为必然,也将成为电机故障在线诊断技术发展的主流方向。

参考文献:

[1]陈清泉,詹宜君,21世纪的绿色交通工具——电动汽车[M],北京:清华大学出版社,2001

故障诊断方法综述范文第4篇

【关键词】Agent;电网系统;故障诊断;精确

1.电网故障精确诊断系统的整体设计

电网故障诊断系统的多Agent模型包括数据采集层、数据处理层、故障诊断层、故障决策层、检修计划层，系统的整体结构如图1所示。

图1 基于Multi-Agent的电网故障精确诊断系统结构

各Agent的功能描述如下：

（1）实时数据采集Agent：从SCADA系统中获取电网状态的数据并对数据整理传至故障诊断Agent，同时监听故障跳闸事件，唤醒结线分析Agent与故障诊断Agent。

（2）结线分析Agent：确定并显示停电区域，对该区域接线进行局部结线分析。

（3）故障类型库、故障诊断Agent与诊断结果评估Agent：这是整个诊断系统的核心部分。故障类型库多个Agent并行工作，根据开关跳闸信号，来判断可能的故障类型;故障诊断Agent求得故障隶属度最大的故障，初步确定故障类型;诊断结果评估Agent则得到故障的严重程度。

（4）案例分析Agent：是通过实时数据得到的诊断结果处理成案例，为以后的诊断工作提供辅助。

（5）规则库管理Agent：提供诊断规则，对规则库的维护和管理。

（6）接线图生成Agent：自动生成厂站接线图，以便故障类型库调用;在故障发生后，可以将故障跳闸区域显示在屏幕上。

2.电网故障诊断系统的核心部件设计

2.1 故障类型库

诊断Agent内部结构如图2所示：

图2 故障分析Agent内部结构

主要部件功能如下：

（1）控制部件：对Agent的动作及任务进行分析、优化、监控以及执行。

（2）数据存储器：负责存储收到的用于诊断的故障数据，以及诊断过程中产生的中间结果。

（3）推理机控制器：实现对多Agent协作的联合调度，负责启动、监控、终止推理机的工作，并对诊断结果进行评价。

（4）推理机：利用数据及知识对故障进行诊断。启动执行面向基本活动的计算，推理产生的中间结果送入数据存储器，最终结果送给推理机控制器。

2.2 故障诊断Agent与结果评估Agent

故障诊断评估过程如图3所示：

图3 故障诊断评估过程

模糊算法是通过对现实对象的分析，处理数据并构建模糊型数学模型，用隶属关系将数据元素集合灵活成模糊集合，确定隶属函数，获得现实对象的隶属度。

设给定论域U，U在闭区间[0，1]中的任一映射μA。

可确定U的一个模糊子集A。

μA（x）称为A的隶属函数，μA（xi）称为元素xi的隶属度。当μA（xi）=1时，则xi完全属于模糊集合A，当μA（xi）=0则xi完全不属于模糊集A.μA（xi）越接近于1，xi属于A的程度就越大。

BP网络是一种误差反向传播的神经网络，BP算法的基本思想是梯度下降法，它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。输入样本的预测权重处理方法对BP神经网络进行训练能够进一步确认故障类型并很好地区分故障的严重的程度。

采用下述方法获得多组预测组合的样本输出Q：

n为该样本采用的预测个数，m为该故障的最大预测数。

其中：

3.诊断系统的通信与编码实现

（1）由图2与图3所示，系统的通信采用FIPA ACL通信语言编程实现。FIPA ACL通信语言是智能物理Agent基金会（FIPA）做的对Agent通信语言标准化的工作，其特点是层次结构清晰，由通信层、消息层、内容层组成，具有可行前提条件和预期通信效果并且具有标准EBNF格式语法，具有标准化内容语言。

FIPA规定了22个通讯动作。如图4所示FIPA请求协议的通信行为：

图4 FIPA请求协议

（2）故障类型库Agent的故障类型推理部分使用PROLOG语言进行编程，PROLOG语言是一种说明性语言，具有表达能力强、坚实的数学基础（一阶谓词逻辑）、自动回溯、支持递归调用等特点，广泛应用于AI领域，只要给出求解问题所需要的事实和规则，PROLOG就能使用演绎推理的方法去解决问题。

其余采用JAVA语言编程实现，利用JAVA的多线程编程接口，开发人员可以方便得写出支持多线程的应用程序，提高程序执行效率。多线程关键代码如下：

创建线程之后，可用getName（）或setNam （）来创建线程名字。通过start（）来激活线程，Thread.sleep（）来让线程等待。线程在执行之后消除，也可以终止线程。

4.结论

本文研究设计了电网的故障诊断系统，并将Multi-Agent技术应用其中，满足诊断对象的网络分布化、故障多元化的要求，使用多种语言混合编程，可以互相弥补缺点，发挥优势，提高Agent系统的质量，并使用多线程技术提高系统效率，采用模糊-神经算法的混合诊断策略，提高系统的诊断精度。

参考文献

[1]陈华，陈少华，杨宜民.多Agent系统及其在电力系统继电保护中的应用[J].电气应用，2005.

[2]朱永利，卢锦玲，等.基于Multi-agent的电网故障诊断系统的研究[J].继电器，2006.

[3]陈玉林，等.电网故障诊断方法综述[J].中国电力，2006.

[4]杨行峻，郑君里.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电力系统故障诊断专家系统[J].电力系统自动化，2001，25（24）：33-36.

[6]蒋伟进，许宇胜.基于MAS的分布式智能故障诊断模型与关键技术研究[J].南京大学学报：自然科学版，2004，40（4）：483-496.

[7]蒋伟进，许宇胜.多智能体的分布式智能故障诊断[J].控制理论与应用，2004，21（6）：945-950.

[8]王慧，孙铁利.一种新的基于Java和Prolog的智能Agent实现方案[J].计算机科学，2006.

[9]董爱兵，王小平，曹立明.基于FIPA ACL和RDF的Agent通信语言[J].计算机应用研究，2005.

基金项目：国家科技型中小企业创新基金（项目编号民：No.11c26216203816）。

作者简介：

故障诊断方法综述范文第5篇

关键词： 故障诊断； 故障检测； 发展现状； 航天器

中图分类号： V467文献标识码： A文章编号： 1673-5048（2016）05-0071-06

Abstract： The development of fault diagnosis technology for spacecraft plays an important role in the successful completion of the flying mission. This paper briefly reviews the fault diagnosis technology for spacecrcoft， and it describes the challenges of fault diagnosis and development status of fault detection and isolation technology for spacecraft in China and abroad based on collecting and summarizing the types of spacecraft fault and the probability of fault occurrence. The progress of research and the main characteristics of the fault diagnosis methods are analyzed. The present situation of spacecraft fault diagnosis technology is summarized and the future development direction is prospected.

Key words： fault diagnosis； fault detection； development status； spacecraft

0引言

随着航天领域的不断扩展以及航天技术的不断进步， 航天器系统的复杂度不断提升。 这虽然有利于航天器完成难度更大的太空任务， 但是由于太空环境的复杂性以及航天器地面测试系统的局限性， 航天器的可靠性将会相应降低。 航天器发生微小的故障都有可能引起系统性的故障问题，影响整个航天器的正常工作， 甚至导致太空飞行任务的失败。 所以， 航天器的故障诊断技术对于其飞行任务的成败起到至关重要的作用。 另一方面， 故障诊断技术的发展也可以让航天器更加自主化、 智能化， 脱离繁琐的人工监控模式， 不仅拥有了更高的容错性， 也大大降低了航天器的开发成本和飞行任务的风险。

国外航天领域的科研人员对航天器的故障诊断技术进行了多方面的研究， 国内也同样致力于这方面的发展， 但主要还停留在对航天器的故障分析和状态监测阶段。1航天器故障分析

针对航天器系统发生的故障， 收集并整理了近50年来公开的国内外航天器发射与在轨等各阶段的故障及其发生的原因， 对总体的故障方式进行了总结和研究。

按故障类型对航天器发生故障的比率进行统计， 如图1所示[1-6]。 从图中可以看出， 电源分系统、 控制分系统以及推进分系统发生故障的概率最高， 并且这三个分系统一旦发生故障， 对航天器的正常运行可能造成非常严重的伤害。

另外， 按航天器发生故障的严重性将航天器故障分为四个等级， 如表1所示[7]。

在国内外航天器发生的故障中， 灾难性故障和轻微性故障所占比率较少， 分别为22%和20%。 而严重性和一般性的故障发生概率较大[8]， 分别为27%和31%。

所以， 航天器一般以发生在控制系统、 推进系统或者电源系统上的严重性或一般性故障为主。 而只要能够及时开展对航天器的故障诊断技术研究， 其中大多数故障可以提前进行诊断并且避免灾难的发生， 特别是针对控制分系统、 电源分系统和推进分系统方面的探索， 不仅可以保障航天员的安全， 也可以提高航天器在轨运行的可靠性， 减轻地面工作人员的工作负荷以及航天器的发射和制造成本[9]。 所以航天器故障诊断技术的发展对于航天领域的进一步开拓具有非常重要的意义。

航空兵器2016年第5期王嘉轶等： 航天器故障诊断技术的研究现状与进展2国内外故障诊断技术发展现状分析

航天器故障诊断技术是随航天技术的不断进步而逐步发展起来的。 以欧美为主的国家在航天器的故障诊断技术上的发展较早， 领先于国内。 但随着国内航天事业的巨大发展以及中国航天大国地位的崛起， 中国在航天器故障诊断技术上的进步也是不容小觑的。

2.1国外航天器故障诊断技术的发展

美国在航天领域的发展早期就已经非常重视故障诊断技术的研究， 是最先将故障诊断技术运用于航天器飞行任务中的国家。 自20世纪70年代起， 美国在很多航天工程中都采用了以状态监测为主的故障诊断方法。 当时的“双子星座”飞船就是以故障监测系统为基础的载人飞船， 将地面数据监测系统以及宇航员舱内手动操作相结合来完成包括姿态控制系统、 燃料推进系统以及三轴转动速率的数据状态检测。 通过对这些状态参数的监测可以对飞船发生的故障采取相应的措施， 保证飞行任务的顺利完成。 而后的“阿波罗”飞船在“双子星座”飞船故障诊断系统的基础上， 建立了一套自身的安全保障系统。 该系统包括了对故障状态的监测和处理， 并由航天领域专家进行参与分析。 这也使得“阿波罗”系列飞船能圆满完成各项任务。 近年来， NASA在航天器故障诊断方面进行了全方位的探索并且已经形成了完整的故障诊断体系， 后来将其归类为集成健康管理系统的范围中[10]， 各分工如表2所示[11]。

俄罗斯和西欧等多个国家也在故障诊断技术方面进展卓越。 俄罗斯借助前苏联开展的航天器故障诊断仿真工作中得到的经验技术对航天器的故障诊断与状态进行监测和分析， 并通过地面模拟的方法来保证航天器飞行任务的顺利完成。 而西欧， 以德国和法国为主的国家也进行了研究并开发了很多实用的故障诊断系统。 法国的Delange等人研究开发了用于火箭发动机的故障监测系统， 能够高效准确地判断出故障发生的时间并及时采取措施； Dellner等人针对“尤里卡”平台开发的基于知识的故障诊断系统， 可以对该平台的冷闭合系统进行全方位的故障监测与保护措施[12]。

2.2国内航天器故障诊断技术的发展

相对于欧美等航天大国来说， 国内在航天器故障诊断方面的发展起步较晚， 技术不成熟， 但也逐渐意识到故障诊断对于航天器的重要性， 并开展了一系列理论与实践研究。 自20世纪80年代以来， 在国内各航天院所的带领下进行包括航天器设备的故障诊断系统研究， 研制出了针对不同故障类型的故障诊断系统， 但实验效果并不理想。 2014年成立了国内首个航天器在轨故障诊断与维修实验室， 进行在轨故障早期辨识与定位、 在轨故障仿真与维修、 在轨可靠性增长与延寿等技术研究， 标志着中国的航天器故障诊断技术正迈向一个崭新的阶段， 将更加有效地提升国内航天器自主故障诊断的能力。

3航天器故障诊断的方法

通过对国内外航天器故障诊断技术的发展分析， 归纳出了三种近年来主要运用的方法， 分别是基于信号处理的方法、 基于数学模型的方法和基于知识的方法。

3.1基于信号处理的方法

基于信号处理的方法是最早使用的故障诊断技术， 是其他方法进行故障诊断的基础。 该方法不需要以系统的数学模型为基础， 只需对时域、 幅值、 频域等可测信号特性进行分析， 就能识别和检测系统故障。

基于信号处理的方法较多， 一般有小波变换法、 信息融合法等。 以下主要对信息融合法和小波变换法进行分析。

3.1.1信息融合诊断法

故障诊断是通过一些检测量来判断系统是否发生故障， 所以对单个检测量的故障诊断方法选择至关重要。 为了避免某一种诊断方法的误报或漏报， 可以采取多种方法对单个检测量进行诊断， 即对系统各部分的一个局部故障进行诊断， 然后将各种诊断方法获得的结果融合成最终故障诊断方案， 即全局故障诊断。

基于信息融合的诊断技术可以通过局部故障和全局故障诊断相融合的方法来实现对航天器整体系统的故障检测与隔离。 信息融合法可对故障进行多方面的分析， 比以往单一的信息处理方法更具有可信度和准确性， 提高了航天器系统的信息利用率， 为系统的故障诊断提供更有效的帮助。

3.1.2小波变换诊断法

小波变换法首先对系统的输入信号进行小波变换， 然后求出输入输出信号的奇异点。 通过对其奇异点的分析， 判断出对应故障的发生情况[13]。

这种方法的主要优点是不需要系统的数学模型， 只需通过简单的小波变换特性来分析检测故障。 由于小波变换法的高灵敏度和强抗干扰能力， 近年来很多学者都针对其进行了航天器故障诊断的理论与仿真研究工作。 文献[14]将小波分析方法应用于航天器姿态控制系统中采用的红外地球敏感器、 陀螺和姿控发动机的典型故障模式中， 并达到了预期的效果； 文献[15]提出了利用小波变换的时-频局部化特性作为新的信号处理方法， 提出了基于小波分析的航天器结构故障诊断方法。 但由于小波变换的方法大多只用于理论验证和仿真实验中， 所以还需在实践中验证。

早期的基于信号处理方法的航天器故障诊断技术由于实时性和自主性差， 远达不到预期效果。 但通过小波变换、 信息融合等多种新技术的加入， 使得基于信号处理的方法更加得到青睐， 在航天器的故障诊断方面起到非常重要的作用， 也将会逐渐从工程仿真实验向航天器故障诊断实践上发展。

3.2基于数学模型的方法

基于数学模型的故障诊断是现代故障诊断技术发展的基础， 也是发展最成熟、 应用最广泛的一种方法。 其核心是以分析系统数学模型为基础， 通过参数估计、 状态估计等多种方法来产生残差， 然后通过阈值或其他限定准则对该残差进行分析和下一步的故障处理[16]。 该方法进展迅速且易于理解和研究， 所以应用较为广泛， 主要分为参数估计法和状态估计法两类。

3.2.1参数估计诊断法

参数估计法是指当航天器系统故障的参数可由参数变化的数据来表示时， 就可以利用参数的估计值与实际值之间的偏差来判断出系统的具体故障方式和故障情况[17]。 基于参数估计的故障诊断方法见图2， 其中u和y分别为输入和输出参数值， N为模型参考状态。

在众多的参数估计方法中， 强跟踪器滤波法和最小二乘法因其强鲁棒性而被广泛应用。

3.2.2状态估计诊断法

状态估计诊断法是通过对被控系统的重新建模， 利用模型的估计状态与原系统中可反映自身的状态量相对比， 构成残差量。 从残差量中得出反映系统各个状态的运行情况和故障信息， 从中诊断出故障， 并作进一步的故障隔离和故障容错。 该方法需要具备系统的过程数学模型以及局部可观测部分。 该方法是在能够获得系统精确模型的基础上最为有效的一种方法。

一般观测器和滤波器方法都是运用状态估计的诊断原理来进行的。 若系统是确定且可观测的， 则一般采用观测器的方法， 如自适应非线性观测器； 若系统需要加入噪声等干扰因素， 则一般会使用滤波器的方法， 如Kalman滤波器等。

从以上方法可以看出， 虽然基于数学模型的方法能够较为精确、 高效地完成航天器系统的故障诊断， 但是对于系统结构较为复杂的航天器以及无法预测的太空环境而言， 精确数学模型的建立是非常困难的， 即使建立出数学模型也很难保证不受不确定因素的干扰。 所以， 基于数学模型的航天器故障诊断方法需要与其他方法相结合， 才能更有效地推进航天器故障诊断技术的发展。

3.3基于知识的方法

基于知识的故障诊断方法是通过直接或间接的方法来获取故障诊断的发生征兆或判定原则， 较为直观地了解系统的故障发生情况， 及时做出准确的判断来完成系统的故障诊断。 但由于知识的覆盖有限， 航天器系统的不确定因素较多， 加之经验技术的缺乏， 使得该方法具有一定的局限性。 一般基于知识的方法有专家系统法、 神经网络法、 组合智能诊断法等。

3.3.1专家系统诊断法

早期的专家系统是通过在航天器系统工程方面拥有丰富经验的专家总结出的规则来描述系统故障和故障征兆。 这种方式可以充分利用专家的经验知识来进行系统的故障诊断， 从而快速准确诊断出故障。 但面对未知问题时， 容易出现错判或漏判的现象， 因此， 一旦出现与专家系统不匹配的故障问题时， 就会出现诊断失败的情况[18]。

通常是将专家系统与其他智能方法相结合来完善整个故障诊断技术。 文献[19]设计开发了分布式故障诊断专家系统， 通过各个子故障诊断专家系统间的任务分配、 协作以及诊断决策并结合智能控制方法来满足航天器复杂大系统的故障诊断需要； 文献[20]提出了一种分布式实时故障检测诊断专家系统， 将基于知识诊断技术与自动检测技术有效结合起来， 为航天器故障诊断技术的发展提供了新的思路。

3.3.2神经网络诊断法

由于神经网络具有自组织、 自适应的能力， 并且对于复杂的非线性系统不需要完整的数学模型， 因此在航天器故障诊断技术中得到了应用。 神经网络可将系统知识方法通过网络进行训练和学习， 具有更好的实时更新与推理能力。 常用于航天器故障诊断的神经网络模型如图3所示。

该方法也存在不足之处， 其未能充分利用专家系统的经验知识且只能通过已有的样本进行训练学习， 一定程度上影响了诊断技术的可靠性。 另一方面， 神经网络的训练知识基于输入输出值的检测， 对与过程有关的状态量和发生的故障不能够做出足够准确的解释。 这些都对基于神经网络的故障诊断技术的发展提出挑战。

3.3.3组合智能诊断法

人工智能在各个方面都已经有了广泛的应用， 并且已经展示出其足够的优势所在。 但是， 包括神经网络、 模糊数学、 粒子群算法等智能方法都有其局限性， 如何克服困难充分发挥其优势才是航天器故障诊断技术需要探索的。

文献[21]提出了一种基于专家系统、 案例推理以及故障树的混合智能诊断技术来解决航天器的测控管理问题， 并且文献中所提及的故障树双向混合推理机制被用于实现航天器故障定位和预测功能； 文献[22]在TS模糊模型的基础上， 结合H∞最优故障观测器来构建残差信号， 研究姿态控制系统陀螺的故障诊断问题； 文献[23]提出了将几何学与神经网络相结合， 并通过自适应估计滤波器来对残差进行判断， 从而完成对卫星姿态控制系统中反作用飞轮的故障检测、 隔离和估计； 文献[24]采用了一种基于分层神经网络的卫星系统故障诊断模型， 通过自组织特征映射网络和广义回归神经网络相结合来实现整星各分系统故障的精确定位和判断故障发生的原因。

混合智能方法能够让各自算法的结构特点体现出来， 弥补了单个智能方法的不足之处。 通过智能方法的组合应用以及与其他诊断方法的融合， 可以使航天器故障诊断系统通过经验性思维、 逻辑性思维和创造性思维的互相转化与配合， 来完成复杂的诊断技术的发展， 是巧妙组合的有机整体[25-27]， 如图4所示。

4航天器故障诊断技术面临的挑战

从上述的航天器故障类型和统计数据可以看出， 航天器发生故障的方式都有其自身的特点和规律。 只要能有效地开展故障诊断技术， 就可以对其故障进行及时的修复， 并且可以防范一些可能发生的故障问题， 对航天器飞行任务的可靠性和故障诊断技术开展的有效性都有一定帮助， 对航天器系统的容错技术起到一定的促进作用。

目前航天器故障诊断技术面临的主要挑战有[28]：

（1） 空间环境复杂， 拥有很多不确定因素。 航天器在发射升空及空间轨道运行阶段， 都会受到来自空间中大气摄动、 引力摄动、 三体摄动等很多摄动力的影响， 除此之外， 太阳高能粒子辐射、 氧原子腐蚀、 单粒子翻转效应等很多太空环境原因产生的不利因素， 也都会对航天器的自主运行和器件的完好性造成一定的影响。 因此， 如何克服恶劣的太空环境来完成航天器的故障诊断， 并避免因环境因素导致的故障误报和漏报现象是现代航天领域的一个重要方向。

（2） 地面人工干预能力有限。 大多数航天器都不仅仅是在本国上方进行太空飞行任务， 所以在航天器的星下点轨迹处都覆盖有地面测控站是不现实的， 导致航天器的可监测性能下降。 当卫星失去控制或者是不在监测范围内时出现故障， 不能及时进行人工干预会对航天器的轨道运行造成恶劣的影响甚至是整个飞行任务的失败。 运用自主故障诊断技术就可以在减少故障发生频率的同时减少地面站的参与度， 有效地节约地面监测成本， 是提高航天器可靠性的主要方法。

（3） 星上可利用资源有限。 要使得航天器的故障诊断技术有很强的自主控制能力， 就需要航天器具有更加复杂的结构。 但是航天器的星上资源有限， 包括星上计算机的资源储备以及有效载荷都具有一定的限制。 过于复杂的系统虽然可以使得航天器的自主故障诊断技术有所提升， 但是会降低航天器运行过程的可靠性， 影响航天飞行任务的顺利完成。 所以如何利用航天器星上的有限资源开展有效的故障诊断也是航天器故障诊断的重要阶段。

（4） 故障诊断技术与航天器结合能力不成熟。 在现代工业发展中故障诊断已经十分成熟， 可以为工业操作系统提供非常精准的故障检测与容错技术。 航天器的自主故障诊断能力在这些方面还有待提高， 所以如何将成熟的地面故障诊断技术运用到轨道运行过程中来提高航天器的智能化， 是故障诊断技术极具挑战性的一个环节。

5总结与展望

航天器故障诊断技术的发展对于提高系统的可靠性和准确性， 保障飞行任务的顺利进行具有重要作用。 但航天器故障检测系统较为复杂， 不能只采用单一的技术来解决故障诊断的问题。 因此通过多种方法结合的优势弥补单个技术方法的劣势， 例如将智能算法与数学模型相结合就是非常重要的发展方向。

另外， 国内对于航天器故障诊断技术的研究尚处于初步阶段， 与欧美等其他航天大国相比， 国内还仅停留在理论研究的初步阶段， 对于航天器这种在特殊环境中运行的系统， 不仅需要扎实的理论研究， 更需将理论与工程实践相结合， 研究开发出高可靠性、 长寿命并且高精度的航天器， 同时降低维修费用和生产成本， 便于航天工程实践的需要。

参考文献：

[1] Zhang Yanduo， Jiang Xingwei， Huang Wenhu. Fusion of Data Association and Expert Knowledge for Fault Diagnosis[J]. Journal of Harbin Institute of Technology， 2002， 34（1）： 1-3.

[2] Sakthivel R， Selvi S， Mathiyalagan K. FaultTolerant SampledData Control of Flexible Spacecraft with Probabilistic Time Delays[J]. Nonlinear Dynamics， 2014， 79（3）： 1835-1846.

[3] 林来兴. 最近十年航天器制导、 导航与控制（GNC）系统故障分析研究[J].控制工程， 2004（1）： 1-8.

[4] Shen Yi， Zhang Xiaolei， Wang Zhenhua. Spacecraft Fault Diagnosis Based on Empirical Mode Decomposition and Directed Factor Graph[J]. Journal of Harbin Institute of Technology， 2013， 45（1）： 19-24.

[5] Kato H， Ota J. RealTime Spacecraft Actuator Fault Diagnosis with StateSegmented Particle Filtering[J]. Advanced Robotics， 2014， 28（19）： 1265-1276.

[6] 闻新， 张兴旺， 秦钰琦， 等. 国外航天器在轨故障模式统计与分析[J]. 质量与可靠性， 2014（6）： 13-18.

[7] 周前祥， 郭华岭. 载人航天器故障特点及其诊断技术的研究展望[J]. 中国航天， 1999（9）： 30-32.

[8] 谭春林， 胡太彬， 王大鹏， 等.国外航天器在轨故障统计与分析[J]. 航天器工程， 2011， 20（4）： 130-136.

[9] 龙兵， 宋立辉， 荆武兴， 等. 航天器故障诊断技术回顾与展望[J]. 导弹与航天运载技术， 2003（3）： 31-37.

[10] 张森， 于登云， 王九龙. 国外航天器故障诊断研究进展[C]∥第二十届全国测试与故障诊断技术研讨会， 2011.

[11] Zolghadri A. An Algorithm for RealTime FailureDetection in Kalman Filters [J]. IEEE Transactions on Automatic Control， 1996， 41（10）： 1537-1539.

[12] 王婉秋， 杨松. 航天器动力学环境试验故障诊断专家系统[J]. 航天器环境工程， 2008， 25（1）： 36-40.

[13] 张洪钺， 闻新， 周露. 国内控制系统故障诊断技术的现状与展望[J]. 火力与指挥控制， 1997， 22（3）： 1-6.

[14] 郝慧， 王南华. 基于小波分析的航天器姿态控制系统故障诊断方法研究[J]. 航天控制， 2005， 23（5）： 73-78.

[15] 王婉秋， 杨松. 基于小波分析的航天器结构故障诊断方法研究[C]∥中国宇航学会结构强度与环境工程专委会航天空间环境工程信息网学术研讨会， 2006.

[16] 苏林， 尚朝轩， 刘文静. 航天器姿态控制系统故障诊断方法概述[J]. 长春理工大学学报： 自然科学版， 2010， 33（4）： 23-27.

[17] 闻新. 控制系统的故障诊断和容错控制[M]. 北京： 机械工业出版社， 1998.

[18] Chen Wei， Hu Guangrui， Wang Yaping. Knowledge Acquisition in an Expert System for Fault Diagnosis of Certain Spacecraft[J]. Journal of Shanghai Jiaotong University， 2000.

[19] 李清东， 张庆振， 任章，等. 航天器分布式智能故障诊断专家系统设计[J]. 战术导弹控制技术， 2006（4）： 107-110.

[20] 丁彩红， 黄文虎， 姜兴谓. 一种实时监测与故障诊断专家系统方案[J]. 自动化技术与应用， 1999， 18（3）： 19-21.

[21] 解仑， 刘帆， 巩潇，等. 基于混合智能的航天器故障诊断系统[J]. 信息与控制， 2010， 39（1）： 106-113.

[22] 王宇雷， 李传江， 马广富. TS模型和H∞观测器在卫星故障诊断中的应用[J]. 哈尔滨工业大学学报， 2010， 42（9）： 1345-1350.

[23] Baldi P， Blanke M， Castaldi P， et al. Combined Geometric and Neural Network Approach to Generic Fault Diagnosis in Satellite Reaction Wheels[J]. Ifac Papersonline， 2015， 48（21）： 194-199.

[24] 安若铭， 高阳. 基于分层神经网络的航天器故障诊断技术[J]. 航天器环境工程， 2013， 30（2）： 203-208.

[25] Yan Fei， Li Mingjian. A New Approach to Fault Diagnosis for Satellite Control Systems Based on Machine Learning[J]. Advanced Materials Research， 2012， 457-458： 1070-1076.

[26] Song Fei， Qin Shiyin. A Novel Fault Diagnosis Method for Satellite Systems Based on Multivalue Logic Inference with SemiTensor Product of Matrices[C]∥IEEE Conference on Prognostics and System Health Management， 2012： 1-5.