故障诊断新技术

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篇故障诊断新技术范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

故障诊断新技术范文第1篇

[关键词]高新技术；变压器；专家系统；人工神经网络法；故障诊断

中图分类号：TM407 文献标识码：A 文章编号：1009-914X（2015）26-0297-02

前言

电力变压器是电力系统中的重要组成部分，是保障电力系统正常运行的基础设备。因此，做好电力变压器中的故障诊断工作尤为重要，不仅能够保证电力系统的正常运行，还能提升电力系统的运行效率。现阶段，随着高新技术的飞速发展，这一技术已经得到了广泛的推广并应用，在变压器的故障诊断过程中，高新技术能够解决很多传统方法无法解决的难题。因此，高新技术应用于变压器故障诊断中得到人们的广泛关注与重视，尤其是专家系统与人工神经网络法。

一、专家系统法

（一）专家系统的知识库结构

专家系统法在变压器故障诊断中由多个方面造成，主要有知识库、数据库、解释机制、推理机以及人工借口。其中专家系统的核心内容就是知识库。如下图1所示：

TFDES的工作重心是以气体色谱为主体，结合油中的溶解气体色谱的数据进行分析研究，在研究过程中分析变压器运行状况时主要采用三比值法和特征气体法，从而诊断变压器运行是否正常，在运行过程中，变压器是否有老化、放电、过热等故障。此外，还需结合变压器外部检修情况进行分析，主要进行绝缘油特性、绝缘预防性等检修项目，从而构建专家系统的知识库结构。

综合分析这一模块主要是结合气体色谱分析、外部检查、绝缘油特性、绝缘预防性进行综合分析，保证变压器故障诊断的准确性、真实性、科学性，并向工作人员传递“继续运行”或“关机”等指示信息。此外，TFDES中的协调器是最重要的一个模块，起到控制、与其他模块进行协调工作的作用。

（二）专家系统的特点

1、专家系统的知识表达系统是采用了国内最先进的产生式系统，其知识库是模块式的结构，模块与模块之间都是独立工作，方便日后知识库的二次更新与升级，对知识库的维护工作带来了便利性。

2、专家系统运用TURBO-PROLOG语言的优势，进一步反向推理目标驱动，与此同时，引入模糊控制理论，故而能够成功的解决变压器故障中的模糊问题。

3、专家系统中的数据库主要由两部分组成，主要是绝缘预防数据库、动态数据库。其中绝缘预防数据库能够将各种气体信息与绝缘预防数据输入到计算机中去，便于用户实时查询或管理。此外，专家系统根据数据分析得出结论，研究出变压器运行的变化趋势。动态数据库主要起到承上启下的作用，将上文中的推理结果与数据存储在系统中，当用户需要解释时，给用户提供相应的数据，以供解释机制取用。

二、人工神经网络

（一）人工神经网络的结构

人工网络神经是指模拟人脑进行信息处理。这一方法具备较强的自主组织、自主学习的能力，能反映非线性的工作关系。如图2所示：

TFDANN的工作流程主要有两个时期：

1、学习期

一般情况而言，在学习过程中，变压器中的气体分析数据与其他测量数据是早多种历史计算数据的基础上运算出来的，同时将数据输入到网络中，采用反向推理法，计算出权值和阈值。

2、工作期

在诊断变压器的故障过程中，计算的数据是经过多次变压器测量是结果，最后总结出网络的实际输出数据，并将之与预期中的数据进行比较分析。

在图2中，TFDANN主要采用神经网络的模块化结构，模块与模块之间都是相互独立的，单独进行工作。其中BP1是特征气体模块，其输入特征元素X1～X6分别为H2、CH4、C2H4、C2H2、C2H6、CO6种气体在TCG中的含量；其输出Y1～Y4分别对应于变压器故障诊断中的正常、过热、电晕、电弧4种情况。如图3所示：

在图2中，BP2属于三比值模块结构，其中X7～X9这一阶段分表表示了C2H2、（C2H4、CH4）、（H2、C2H4）、C2H6的比值特征化学元素，输出Y5～Y12分别表示变压器的故障性质。此外，BP3表示绝缘油特性试验模块，它的输入特征元素X10～X15分别表示酸值、电阻率、含水量、表面张力、介损、击穿电压等6种情况，输出Y13～Y15分别表示绝缘油良好、要注意、不良等3种情况。BP4表示变压器外部检查模块，输入特征元素X16～X20分表表示变压器运行中的油温、油位及其他相关数据，输出Y16～Y17分别表示变压器外部或内部的运行情况。

TFDANN结构中的核心模块工作原理是：结合其他模块的输出结果进行多方面、多角度、多层次的比较分析，通过故障诊断经验与先进的技术有机结合分析，从而做出正确的故障判断。

（二）人工神经网络的特点

1、人工神经网络采用反向传播计算法，能够进行科学的分类，将故障信息分为模糊一类与非模糊一类，与此同时，引进模糊控制理论，就能解决一些模糊故障的数据处理问题。

2、人工神经网络中的输入与输出分别表示变压器故障的症状与故障的性质，从而构建神经网络模块化结构，有效的将传统复杂的结构简化了，缩小了用户的检索信息范围，提升了信息处理速度，改善了变压器故障诊断工作效果。同时，各网络节点之间的工作流程变得简单化，提升了诊断速度，便于日后软件的升级与更新。

3、人工神经网络法具有较好的人机借口，不仅可以在屏幕上显示变压器的运行动态图，还具备打印输出的功能，这一方法具有较高的实用性、可操作性。

三、变压器故障诊断实例分析

例如，发电厂变压器的额定容量设定为65MVA，额定电压设定为110、35、10.5KV，根据采样数据制作出表1，绝缘油特性的试验数据制作出表2，绝缘预防性试验数据制作出表3，如表1，2，3所示：

根据以上数据显示，通过专家系统法（TFDES）与人工神经网络法（TFDANN）诊断得出以下结果：

（一）专家系统法诊断

结合气体色谱数据比较分析发现：H2、C2H2和总烃都大于三比值（102）的正常范围，变压器的内部运行正常。因此，诊断结果为高能量放电症状。

（二）人工神经网络法诊断

BP1这一模块的输出Y4值为0.9835，其余模块的输出值为0，这一现象说明变压器中的电弧放电；BP2这一模块的输出Y9值为0.9998，这一现象说明变压器高能量放电；BP3和BP4输出数据显示变压器中的内部运行不良。因此，综合以上数据显示发现：变压器内部运行不良，诊断结果为高能量放电症状，故障部位在变压器中的定压绕组处。

（三）指导意见

立刻通知工作人员停机，取芯检查，着重检查定压绕组部位。

结语

综上所述，电力变压器故障诊断过程中引入专家系统法、人工神经网络法起到重要作用，有效的诊断出变压器的故障原因。近年来，DGA数据库系统逐步受到各电力企业、变电站的重视，纷纷建立了DGA数据库系统，并将其系统中的信息数据输入到计算机数据库中进行备份。这些信息数据资源给故障诊断技术趋向数字化、智能化、一体化提供了可能。人工智能技术不是一朝一夕能够实现的，它是一项系统性的工程，需要技术人员不断的分析、改进、归纳、总结、创新，有效的将理论知识与实践活动联系起来。此外，人工智能型系统发展空间较大，前景无限。

参考文献

[1] 田振宁.案例推理技术在大型电力变压器故障诊断中的应用[D].上海电力学院，2010.

故障诊断新技术范文第2篇

[关键词]机械；信息技术；故障

中图分类号：TP306 文献标识码：A 文章编号：1009-914X（2014）35-0277-01

信息融合是利用计算机技术将来自多个传感器或多源的观测信息进行分析、综合处理，从而得出决策和估计任务所需的信息的处理过程。在一定的程度上，这不仅仅是单纯的数据融合，它所包含的内涵非常广泛，所探测的信息、信号也更加确切，并具有很强的概括性。目前，我国机械故障诊断方法大多采用传统的诊断方式，这种方式往往只能对一种信息或几种信息进行观察和分析，而不能对多种信息进行多层次、多角度的观察和分析，给故障诊断的有效性带来很大的局限，也令人质疑故障诊断的结果是否可靠。因此，信息融合技术的应用，既保证了多传感器获得信息的准确性，也提高了机械故障诊断结果的可信度。

一、传统机械故障诊断技术的现状

（一）传统机械故障诊断的局限性

传统的机械故障诊断技术，在进行机械故障诊断的过程中，只能对机械信息中的一种或几种进行观察和分析，并不能对机械故障的信息进行全面的集合，从而使机械故障诊断的结果是局域性的。例如，通过振动加速度信号对轴承状态进行诊断时，就是因为信号类型太过单一，能获得的轴承状态信息太少，而导致很难对轴承状态特征得出准确的评价。如果能对轴承状态的多种信息，例如轴承油的温度信息、油样信息等进行多层次、多角度的观察和分析，将会对轴承状态做出更加准确的评价。

（二）传统机械故障诊断结果的不确定性

我们并不否认通过一种或者几种信息可以对机械故障做出判断，但是在很多的情况下，这种判断的结果并不可靠。在机械故障诊断的过程中，利用多种信息得出的判断，相对于只利用一种信息得出的判断而言，结论会更加令人信服。例如，在诊断齿轮裂纹时，只利用箱体振动加速度信号进行分析得出的结论，显然不具有很强的说服力，令人质疑结果的可靠性。

二、机械故障诊断引进信息融合技术的必然性

（一）多传感器的应用提供了不同通道的信息

传统机械故障诊断的方式只能利用一种或者几种信息来提取机械的状态特征，随着机械故障系统越来越复杂，越来越多的传感器被用来探测和感受信息，并且类型多种多样。并且不同类型的多个传感器，能够探测和感受到机械不同类型、不同部位的大量信息。因此，对机械故障诊断技术提出了更高的要求。

（二）多种多样故障的表现形式增加了诊断的难度

由于机械故障系统的庞大化，故障产生的原因也更加复杂，不同的故障原因也可以是同一特征的故障表现形式，这就对机械故障诊断技术提出了更高的要求。例如，引起旋转机械转子异常震动的原因可以是机械轴承座松动也可以是转子相互碰撞以及其他原因。尽管使旋转机械转子发生异常震动的原因不同，但是它的结果表现出来都是一样的。因此，在这种情况下是很难通过同一种信号观察和分析出故障产生的原因。

（三）信息的不完整提高了诊断对象的不确定性

在机械故障诊断的过程中，很多因素可能导致传感器探测和感受到的信息不完整或是不精确，提高了诊断对象的不确定性，使得故障诊断技术很难确定具体的诊断对象是什么。

三、机械故障诊断过程中信息融合技术

（一）以神经网络为基础的信息融合方法

简单地说，它是一种以人脑神经系统为基础，由大量处理单元组成的非线性大规模自适应动力系统。它不但模仿人脑神经系统具有学习、记忆、计算等能力，还在一定的程度上具有了智能信息处理、检索等功能，有效地将信息管理与系统结构结合为一体，没有任何的局限性和不确定性。具体讲，它能够从各种类型的多个传感器探测的信息中提取出各种状态特征，并使各种状态特征精确地对应着机械的各种故障和运行状态，准确地找出机械故障的原因。

（二）以贝叶斯理论为基础的信息融合方法

在机械故障诊断的过程中，往往因为诊断对象的不确定性，或是机械运动的声音太过嘈杂等原因，使得传感器获得的信息大多是不全面或不精确的。这样不确定的信息，就使的传统诊断技术很难从中提取出机械的状态特征，精确地诊断出机械故障的原因，而贝叶斯理论就是针对这种情况提出的。贝叶斯理论是在概率密度函数基础上发展和建立的推理方法。在机械运动的过程中，可能会随机地出现很多问题。问题出现的时机看似非常随便，但是却有一定的规律，而概率密度函数就是对这种规律最严密的计算方式。因此贝叶斯方法以概率密度学为基础，可以对传感器的各种类型、各个部位的信息，进行综合观察和分析，得出准确的机械状态特征，进而对故障进行分类。

（三）以D-S理论为基础的信息融合方法

贝叶斯方法和传统的故障诊断方法相比，的确实现了重大突破而取得了很大的成效，但是这种方法在某些方面存在着一定的缺陷。尤其是它不能在所有传感器抽象级上给出精确的可信度表示。而D-S理论就是基于这点产生的。D-S理论将每一种可能产生的故障称之为假设，各种可能故障的集合又叫做识别框，而可能故障的各种状态特征就是证据。

在故障诊断的过程中，它先是计算各个证据的基本概率分配函数、信任函数和似然函数，再计算所有证据联合作用下的基本概率分配数、信任函数和似然函数，最后选择联合作用下支持率最大的假设，从而找到机械的故障。同时D-S理论作为贝叶斯的推理理论，两种方法的结合才是故障诊断的最佳方选择。

四、机械故障中信息融入技术的应用

多传感器数据融合技术在进行故障诊断过程中，构建了三大融合模块，即数据级融合模块、特征极并行多神经网络局部诊断模块和决策级D-S证据理论的融合诊断模块。它可以从不同类型的多传感器的信息中，提取出精确的状态特征，把其进行分类整理，判断出正确的故障原因。下面就以液压设备的故障为例，简单讲解信息融合技术是如何发挥效果的。

信息自动化的发展，使得液压设备的故障系统复杂化和庞大化。液压设备不仅有泄漏、腐蚀、液压卡死等各种各样的故障表现形式，而且需要监测的设备工作参数内容也是纷繁复杂。可以说，故障产生的因果关系非常复杂，故障发生的随机性也相对分散，这给正确地诊断故障带来很大的难度。显然，用传统单一信号的诊断方法已经得不到正确的故障原因。而多传感器的信息融合技术的使用，可以对液压设备的各个工作参数进行合理地融合，有效地获得设备运行的状态特征，从而对故障进行正确的判断。

参考文献

[1]陈昌斌.机械设备故障检测诊断技术概述[J].中国水运（下半月），2012，（02）.

故障诊断新技术范文第3篇

Abstract： In order to solve the difficult of fault diagnosis on hydraulic system of a certain type of vehicle transport machine， a new fault diagnosis method of hydraulic system has been proposed based on the fuzzy theory. Application examples have shown that this method can provide effective ideas for fault diagnosis on hydraulic system of a certain type of vehicle transport machine.

关键词： 输送机构；故障诊断；模糊；铁谱

Key words： transport machine；fault diagnosis；fuzzy；iron spectrum

中图分类号：TH165+.3 文献标识码：A 文章编号：1006-4311（2014）08-0076-02

0 引言

随战争发展起来的液压技术由于其独特的优势，在世界各国各行业的装备中得到了广泛的应用，当然在现代各型车辆中也不例外。但液压系统一旦出现故障，很难诊断。若车辆中液压系统的故障不能及时发现并排除，势必影响车辆正常的使用。为减少液压系统故障诊断的盲目性以及拆装工作量，本文结合某型车辆输送机构典型液压故障，提出了一种基于模糊控制理论的新型液压系统故障诊断方法。

1 某型车辆输送机构液压系统模糊故障诊断模型

1.1 典型故障现象及故障原因 输送机构是某型车辆的重要组成部分，其主要功能是将车载物品输送至车辆物品出口处，为物品的向外卸载做好准备。输送机构液压系统主要由液压泵、液压马达、电磁换向阀、储油罐、电机等组成，在工作过程中其典型故障现象为输送不到位或输送过程欠速，输送不到位故障原因主要有以下几种：电机故障；双联泵故障；液压马达故障；电磁换向阀故障；油液泄漏量较大；油液杂质较多；储液罐液位过低。输送过程欠速的故障原因主要有以下几种：电机故障；双联泵故障；液压马达故障；油液泄漏量较大；系统内进入空气；油液粘度较低。由于液压系统故障诊断存在着典型的模糊性，考虑利用模糊诊断评价方法简单的特点来进行故障诊断应收到良好的效果。

1.2 建立故障征兆集与故障源集 根据故障征兆是否出现情况，得到故障征兆向量■={x1，x2，…，xm}，其中xi=0或1，1代表故障征兆出现，否则为0。将上述输送机构在运行过程中的两种典型的故障现象作为故障诊断的故障征兆集，即■={x1，x2}，其中x1表示输送不到位；x2表示输送过程欠速。将故障征兆的自然语言描述用模糊语言变量值及评价从属度来描述，将其语义分为5档，输送不到位的语言变量为：完全不到位、很不到位、较不到位、稍不到位、完全到位，分别对应区间[1.0，0.8]，[0.8，0.6]，[0.6，0.4]，[0.4，0.2]，[0.2，0]；输送过程欠速的语言变量为：速度为零、速度很低、速度较低、速度稍低、速度正常，分别对应区间[1.0，0.8]，[0.8，0.6]，[0.6，0.4]，[0.4，0.2]，[0.2，0]。

输送机构液压系统故障由1种或几种原因引起的，将所有的故障原因作为故障诊断的故障源集，即f={f1，f2，…，fn}，若输送机构出现输送不到位和输送过程欠速两种故障征兆，其故障源集f={电机故障f1，双联泵故障f2，液压马达故障f3，电磁阀故障f4，油液泄漏量较大f5，油液杂质较多f6，储液罐液位过低f7，系统内进入空气f8，油液粘度较低f9}。模糊诊断矩阵■是表达输送机构液压系统故障征兆向量与故障源向量之间因果关系的，矩阵中每个元素rij即第i种征兆xi属于第j种故障原因fj的隶属度，因此隶属度函数的确定是模糊诊断中的重要环节。由于模糊规则的制定者在专业知识、实践经验等方面存在着差异，因此对于同一个现象，不同的人会使用不同的确定隶属度的方法。考虑到液压系统的不断运行，由于磨损和疲劳等因素的影响，隶属度在不同工作状况而有所不同，本文在基于多因素加权综合法构建模糊矩阵的基础上提出了一种以铁谱技术为基础的模糊关系动态变化的隶属度确定方法。

1.3 模糊诊断矩阵的构造

1.3.1 采用多因素加权综合评判 常用确定隶属度的方法有两种：模糊统计法和专家经验法。

模糊统计法是基于概率统计的基本原理，对于n次试验，u0对A的隶属频率=■。结合车辆管理部门对输送机构故障的维修记录，由记录数据统计确定隶属度aij：aij=■。

专家经验法是根据专家的实践经验给出相应权系数值来确定隶属函数的一种方法。为了提高专家经验的可信度，找到多位该领域的专家，每位专家根据经验将产生同一故障现象的各个原因按产生故障的概率从小到大进行排序，N位专家共作出N种排序数，将每个专家的排序数求和，进行归一化处理，可得到隶属度bij。这种方法要求专家具有丰富的液压系统维修经验，才能保证经验知识的准确性。

由于车辆管理部门对故障统计方面的数据记录有限，又由于专家主观判断难免出现纰漏，为了更为客观准确地确定隶属度值，本文综合模糊统计法和专家经验法，采用两种方法分别加权，综合得到隶属度的方法，即多因素加权综合评判法，为了反映各评判因素的相对重要程度，对每个因素按其重要程度赋予相应的权重：设模糊统计权重为A1，专家经验权重为A2，其中A1？叟0，A2？叟0，A1+A2=1。则由经验数据及专家经验的综合模糊隶属度为rij=A1aij+A2bij，（i=1，2，…，m；j=1，2，…，n），从而构造模糊诊断矩阵■=（rij）m×n。

1.3.2 建立动态模糊关系 动态模糊理论是为了适应实际的需要，各因素的相对权重和模糊关系矩阵在评判对象不同的发展阶段，做出相应的调整。液压系统发生故障的原因有80%～90%是由于油液污染造成的，其中固体颗粒的危害极大，它主要来源于液压元件在长期使用过程中零部件的不断磨损，磨损不仅破坏了液压元件的密封、增大了泄漏，磨损颗粒混入油液后还会导致磨损的恶性循环，使液压系统产生故障，因此液压系统故障诊断与定期监测液压油液中磨损颗粒的形态、数量等关系重大。

通过对磨损颗粒进行铁谱分析，可以准确地获得液压系统有关磨损方面的重要信息。它能够在不拆开系统的情况下报告其磨损状态，反映运行情况。因此，通过定期抽检输送机构液压油油样，进行磨粒浓度及形态分析，可实现输送机构液压系统磨损状态监测。通常按照铁谱监测的液压系统的磨损颗粒大小将系统运行分为正常运行阶段、异常磨损阶段、严重磨损阶段三个阶段，磨粒尺寸小于属正常磨损，当出现尺寸为的磨粒时，表明系统已处于严重磨损阶段，故障随时可能发生。元件磨损程度不同，说明系统运行时间不同，元件疲劳程度及油液质量也就不同，故障原因排序自然会发生变化，就以这三个阶段的分隔点作为模糊关系动态变化的分隔点，根据专家经验，将各个故障原因在不同阶段赋予不同的隶属度。

1.4 诊断原则 模糊推理的公式为■=■？莓■，公式中■为故障征兆的隶属度组成的向量，“？莓”为模糊算子，■为由模糊隶属度组成的模糊诊断矩阵，■是由推理公式得到的故障原因模糊向量。公式中模糊算子“？莓”有几种运算方法：模糊变换法、以“乘”代替“取小”、以“加”代替“取大”等，拟采用模糊变换法。对于计算出的故障原因模糊向量，利用最大隶属度原则来推断。即设yt=max{yj|j=1，2，3，…，n}，则由最大隶属度原则推断故障原因为yt，即为第t故障原因。

1.5 诊断流程（图1）

2 应用实例

某型车辆在使用过程中发现出现输送机构输送不到位且速度稍显不足的故障，采用模糊理论与铁谱分析相结合的方法对该液压系统故障进行诊断，主要步骤如下：

现场观测，确定故障征兆集：■={输送很不到位，速度稍低}，用模糊语言变量表述可得到征兆向量隶属度为■=（0.7，0.3）。

确定故障源集：f={电机故障f1，双联泵故障f2，液压马达故障f3，电磁阀故障f4，油液泄漏量较大f5，油液杂质较多f6，储液罐液位过低f7，系统内进入空气f8，油液粘度较低f9}。

由铁谱分析确定系统使用时间：油液抽样进行铁谱检测，磨粒尺寸小于15？滋m，属正常磨损阶段。现有三名专家根据铁谱分析结果，即在正常磨损阶段下，分别给出产生故障的各个原因的概率从小到大的排序数：

专家一给出排序数：■

专家二给出排序数：■

专家三给出排序数：■

求和归一化处理得专家经验隶属度：

■

将统计数据隶属度与专家经验隶属度进行综合加权，设专家经验权重为A1，经验数据权重为A2，其中A1？叟0，A2？叟0，A1+A2=1，则由统计数据和专家经验确定的综合模糊隶属度为rij=A1aij+A2bij。由车辆管理队长期积累经验确定A1=0.5，A2=0.5，则由

rij=0.5aij+0.5bij得综合模糊诊断矩阵为：

■

利用模糊变换法求解模糊方程■=■？莓■，

y1=（0.7∧0.202）∨（0.3∧0.111）=0.202

y2=（0.7∧0.179）∨（0.3∧0.048）=0.179

y3=（0.7∧0.179）∨（0.3∧0.127）=0.179

y4=（0.7∧0.226）∨（0.3∧0.000）=0.226

y5=（0.7∧0.107）∨（0.3∧0.254）=0.254

y6=（0.7∧0.036）∨（0.3∧0.000）=0.036

y7=（0.7∧0.071）∨（0.3∧0.000）=0.071

y8=（0.7∧0.000）∨（0.3∧0.238）=0.238

y9=（0.7∧0.000）∨（0.3∧0.222）=0.222

最终得到诊断故障原因向量为■=（0.202，0.179，0.179，

0.226，0.254，0.036，0.071，0.238，0.222），由最大隶属度原则，y5=max{yj|j=1，2，3，…，9}，所以诊断的故障原因为第5原因，即系统油液泄漏量较大。

3 结论

液压系统由于其自身的特点，能快速准确地得到故障原因实在不是一件容易的事情。由于车辆液压系统在故障诊断过程中普遍存在着模糊的概念和方法，将模糊理论应用到某型车辆液压系统故障诊断中。考虑到液压系统由于磨损和疲劳等因素的影响，其故障隶属度在不同工作状况而有所不同，本文提出了一种基于先期的铁谱分析技术来确定系统磨损情况，进而由专家根据系统运行状况来给定模糊隶属度的方法，最后采用最大隶属原则进行故障诊断，为某型液压系统故障诊断提供了一种新的方法，提高了诊断的准确性和可靠性，为建立故障诊断专家系统提供了较有价值的设计思路。

参考文献：

[1]诸静.模糊控制理论与系统原理[M].北京：机械工业出版社，2005.

故障诊断新技术范文第4篇

关键词：故障树分析 贝叶斯网络 故障诊断

中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2014）05-0109-01

由于网络信息化的快速发展，使得车载网络信息系统组成更加复杂，人们对于车载网络信息系统的故障诊断日益重视。建立准确、可靠、快速的故障诊断是完善车载网络信息系统性能的客观需求，也是技术发展的必然趋势。因此，故障诊断成为了车载网络信息系统研制工作中一个重要内容。

1 传统的故障树分析方法在故障诊断中的应用情况

故障现象与故障原因之间必然存在相应的因果关系，故障诊断就是根据该因果关系来进行推理与决策。

各种网络设备及网络系统的传统故障诊断大多采用故障树分析（Fault Tree Analysis，FTA）方法来进行故障诊断因果推理。故障树分析方法是一种从系统到分系统（部件），再到零件，按照逐层下降形式分析的方法。它从系统开始，通过逻辑运算符号绘制成一个逐渐展开的树形的分枝图，来分析故障事件（顶端事件）的概率，同时也可用来分析零件、分系统（部件）或子系统故障对于系统故障影响。

采用故障树分析方法来进行故障诊断推理时具备直接、明了、逻辑性强、基层维修人员易掌握的特点。但是故障树分析方法存在故障原因处理没有区分，断程序固化，没有突出各故障原因发生概率差异，无法体现其对系统故障的贡献大小，不能反映诊断成本、诊断时间等因素对系统故障产生的实际影响等不足。在诊断过程中，容易产生故障信息不确定性，而造成大型系统的故障搜索时间和空间显著增加。

2 基于故障树的贝叶斯网络进行故障推理原理

贝叶斯网络（Bayesian Networks，BN）是一种概率网络，贝叶斯网络是基于概率推理的数学模型，所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程，基于概率推理的贝叶斯网络是为了解决不定性和不完整性问题而提出的，它对于解决复杂系统的不确定性和关联性引起的故障有很大优势，在多个领域获得了广泛的应用。

建立贝叶斯网络模型是用它进行故障诊断的首要问题，它需要解决的问题包括网络节点的确定、节点间的有向弧连接关系、各节点的先验概率以及条件概率表的确定。文献给出了建立贝叶斯网络模型的一般步骤。

这种方法建立在模型建立者对系统比较了解的基础上，实施难度较大，限制了它的应用。在网络系统的故障诊断中，故障树分析和故障模式、影响及危害性分析是常用的方法。

贝叶斯网络和故障树具有很大的相似性。只是前者不仅承继了故障树的状态描述及推理方式，而且还具备描述事件多态性和故障逻辑关系非确定性的能力。

3 基于贝叶斯网络的故障诊断示例

某车载网络信息系统的无线通信系统故障树结构如图1所示。

与故障树中基本事件对应，以根节点X1代表电台天线，其状态分别为正常（0），信号不能发送等为故障（1）；X2代表中频板，其状态分别为正常（0），无输出等为故障（1）；其余以此类推。与故障树中顶端事件对应，以S1代表无线电台无法数据通信；S2代表X1与S3取或的逻辑结果；其余以此类推。建立的车载网络信息系统的无线通信系统贝叶斯网络结构如图2所示。

4 结语

本文在分析故障树分析方法的特点和贝叶斯网络在处理不确定性问题优点的基础上，提出了利用贝叶斯网络进行车载网络信息系统的故障推理应用。研究了基于故障树和故障模式、影响及危害性分析信息的贝叶斯网络模型建立方法，分析了贝叶斯网络的故障预测和推理原理，最后通过对于某型车载网络信息系统故障实例验证了上述方法的可行性和有效性。

参考文献

故障诊断新技术范文第5篇

【关键字】煤矿；机电设备；故障；检测诊断

故障检测诊断技术是一项集合了信息技术、传导技术和电脑技术等多个领域为一体的先进技术手段，近年来在煤矿行业中得到了广泛应用与普及。当前现代化矿井，已然形成了一矿一面和一条生产线的强化集中生产模式，机电设备的自动化、大型化和重载化程度也不断提高。为提高煤矿企业的设备管理水平，并更好的确保矿山设备的安全运行，迫切需要加强故障诊断技术的研究与应用。本文结合工作实际，从故障检测诊断技术的特点出发，并就故障检测诊断技术在煤矿机电设备安全中的应用进行了分析与探讨。

一、故障检测诊断技术的特点

随着现代化的维修理论、工艺理论、基础学科理论和检查技术的发展，故障检测诊断技术也不断得以完善。它最主要有以下几方面的特点：

1、技术的复合性

机电设备的诊断和维修，涉及到了动力学、摩擦学、物理学等多种学科领域，并包含了自动化应用、机械制造、液压机器应用等多方面知识体系，因此故障诊断技术是一门综合性的学科，在实际应用中需要经验丰富，而且知识面广。

2、明确的目的性

故障检测诊断技术具有明确的目的性，就是及时发现设备运行过程中的故障，并运用相关的技术，对故障进行准确的定位与分析，进而制定出相应合理的维修方案，以确保生产的安全与顺利。

3、实践性与理论并重

故障检测诊断技术，不仅具有广泛的理论基础，而且能切实应用于生产实践当中，在诊断和处理结果出来后，能迅速完成由理论向实践的转化。

二、煤矿机电设备安全中故障检测诊断技术的应用

1、矿井提升机检测和故障诊断

矿井提升设备是煤矿生产中用于升降人员、提升物料和下放材料的大型机械设备，也是矿山井下生产系统和地面工作相连接的纽带。矿井提升机能否安全运行，将对矿山生产和建设的正常造成直接影响，甚至有可能威胁到工作人员的生命安全，其重要性不容忽视。

矿井提升机的故障可分为硬故障和软故障这两类。硬故障主要指提升机中一些特定的参数出现了超限的表现，这一类故障可通过对保护装置的设置来进行解决；软故障则要通过多种工况参数的测试，并经过对相关数据的分析和处理才能得以诊断，而且因为软故障对工况参数的变量牵涉较多，往往导致对其无法进行准确判断。但是软故障却通常是硬故障发生的前提与预兆，因此加强对提升机软故障的及时预报和诊断是非常重要的。

目前，为了保证提升机的安全、正常的运行，我国开展了大量的研究工作，取得了一定的成绩，并针对性的开发出了相应提升机的检测和故障诊断装置。例如ASCC型全数字提升机控制系统、KJ46性矿井提升机检测诊断装置等等，都具备了对矿井提升机运行参数的检测和故障诊断的功能，并同时包含了超速保护、制动失灵保护和过卷保护等方面的作用，在实际工作中取得了较好的效果。

2、采煤机检测和故障诊断

采煤机是一个集机械、电气和液压为一体的大型复杂系统。因煤矿井下工作环境恶劣而且复杂，如果采煤机出现故障将容易导致整个采煤工作的中断，造成巨大的经济损失。随着当前煤矿工业的发展，采煤机功能越来越多，且自身的结构和组成愈发复杂，导致故障发生的原因也随之复杂化。同国外先进的采煤机比较，国产的采煤机在故障检测诊断技术方面还相对落后，主要表现在检测参数的缺少和检测范围的不全面，并且无故障诊断功能。

为彻底改变国产采煤机无故障诊断功能和检测水平低的现状，原煤炭部将“采煤机工况检测及故障诊断系统”的研制列入了“九五”重点科技攻关计划当中。该故障检测诊断系统主要包括了机身检测单元、左右摇臂检测单元、变频器通信单元、工况检测及故障诊断单元、高压控制箱检测单元、检测显示单元这六个单元，在当前已取得了较为显著的成效。

3、通风机检测和故障诊断

当前应用于矿井通风机的故障检测诊断的装置较少，主要包括了FJZ型矿井主风机监测与故障诊断仪、KFC—A型通风机集中检测仪等装置。FJZ型矿井主风机监测与故障诊断仪是以8098单片机作为核心的通风机检测与故障诊断系统，并实现了主风机的机械故障诊断和在线监测的一体化。该系统的主要功能包括了：

（1）实时检测功能。包括了对风量、负压、风机振动烈度、轴温、通风机电流、轴心规矩等的检测。

（2）智能诊断功能。指利用了主机内自带的专家系统，对通风机常见机械故障进行诊断。

（3）报警和打印功能。根据工作实际，对通风机的各种参数值进行报警设置，超过设计限制即会进行自动报警并进行打印记录。

4、高压异步电动机检测和故障诊断

高压异步电动机在矿山生产与建设中，起着非常重要的作用。其故障的发生，不仅会给矿山企业带来极大的经济损失，还会影响到正常的生产与运营。随着当前信号处理技术和人工智能技术的发展与应用，异步电动机的故障检测诊断技术也得到了极大的突破，并已取得了良好的效果。当前高压异步电动机故障常见的检测与诊断方法包括了局部放电检测、电流高次谐波检测和磁通检测这三种。

局部放电检测是利用检测定子电流的高频检测仪和电流互感器，或者通过带通滤波器和射频天线检测局放脉冲，以辨别各种局放源来对定子的不同故障进行诊断；电流高次谐波检测则是利用定子电流的不平衡现象，检测异步电动机的定子绕组故障；磁通检测是检测电机内部磁通在切向和径向上分量的变化，进而判定定子故障的方法，这种方法在当前高压电机的多种故障检测中得到了较为广泛应用，但由于需要磁通检测仪器，不方便使用，对弱信号也不易被检测。

总 结

我国煤矿行业因为各种因素，机电设备故障检测诊断技术仍处于较为简单的阶段，推广应用都并不广泛，在技术开发和研究工作的投入力度上还有待加强。同时，还应加强与各个行业间故障检测诊断技术的交流与合作，并进行新技术的推广与应用，使煤矿机电设备的安全性、可靠性得到进一步提高。

参考文献：

[1]黄书雷.故障诊断技术在煤矿设备维修中的应用[J].工会博览:理论研究，2011（1）.