| 单词 | 故障检测与诊断技术 |
| 释义 | 【故障检测与诊断技术】 拼译：fault detection and diagnostics 简称FDD，是一门新兴的综合性的技术学科。它涉及现代控制理论、信号处理、计算机科学、人工智能、模式识别、模糊集理论、电子技术、统计数学、决策理论等学科，以及相应的应用学科。 从广义上讲，“故障”可理解为系统中任何异常现象，使系统出现所不期望的性能。从系统结构看，系统的故障可分为3种类型：(1)受控对象故障：对象的某部分设备［或部(元)件］失效；(2)仪表故障，包括传感器、执行器和计算机接口故障；(3)软件故障，即计算机诊断程序和控制程序发生的故障。从故障的程度看，一般可分为：(1)缓慢失效型故障，如传感器或执行器输出偏差逐渐增大等；(2)突发性故障，如系统的某些参数发生突然跳变等。故障检测与诊断包括两个方面的内容：(1)故障检测：就是从可测或不可测的估计变量中，判断系统是否出现故障；(2)故障诊断：从广义上讲，它包括对故障进行分离，找出故障的位置和原因，弄清故障的性质、大小和发生的时间，以及对故障危险性进行分类和采取的对策等。自20世纪70年代以来，FDD技术得到广泛深入的研究，提出了许多可行的方法，这些方法可分为两大类：(1)基于数学模型的FDD方法；(2)基于人工智能的FDD方法。现在第1类的方法已达到一定的成熟程度，有多种方法可供选用，但在难于甚至不可能建模的场合，则可采用第2类的方法。第2类的方法是近年来才发展起来的。现在FDD技术已经在飞机自动驾驶、人造卫星、惯性导航、宇宙飞船、核反应堆、汽轮发电机组、天然气管道、透平机、大型电网系统、汽车船舶发动机、冶金设备、石化设备、机床、齿轮和轴承、矿山机械、家用电气、宾馆空调系统等各个领域得到应用，取得了大量的应用成果，并得到了巨大的经济效益。故障检测与诊断技术是由于“实时监控系统”的需要而发展起来的。这是因为生产规模不断扩大，系统日益复杂，以及系统投资增大，为了提高系统的安全可靠性，人们除需要对系统实施良好的控制外，还迫切需要对系统进行“实时监控”，以防止事故的发生。1971年美国麻省理工学院R．V．Bear的博士论文提出用分析(功能)冗余代替硬件冗余进行故障检测，并阐明FDD技术为其基础。几十年来，这一技术发展十分迅速，下面就按FDD技术的两大类分类进行论述。基于数学模型的FDD技术 基于直接测量系统输入输出及信号处理的方法：这种方法中最简单而又原始的诊断方法，是采用输入输出值或其变化率的越限报警。在许多机械系统中，其故障源与系统输出的幅值、相位、频率及相关性等有一定的因果关系。这些关系可用一定的数学模型表示，经信号分析和处理，就可判断故障源所在，常用的方法有：谱分析法，概率密度法，相关分析法及互功率谱分析法等。1977年J．C．Deckert等提出一种类似空间法，该方法将系统输出序列在类似空间中划分成一系列子集，分析各个子集的一致性并将其按一致性强弱进行排列，而一致性最差的子集则表示可能已发生故障。1984～1986年，A．S．Willsky等人又对该方法作了进一步的发展。基于状态估计的FDD方法：系统的状态直接反映系统的运行状态，通过对系统状态的估计，并结合适当模型就可进行FDD，其步骤是：(1)用状态估计器估计系统的状态；(2)产生残差序列(新息序列)，由于残差序列中含有各种故障信息，发生故障时它不再是均值为零的白噪声系列(R．K．Mehra，1971)；(3)根据残差序列，构造适当的模型并采用阈值法或统计检验法，把故障从中检测出来；(4)对故障进行分离、估计及决策。实现状态估计，通常是采用各种状态观测器和滤波器(A．S．Willsky等，1976；葛卫等，1988；谭民等，1991)。基于状态估计的FDD方法，可以检测传感器的故障，也可检测执行器或受控对象中元件的故障。检测传感器故障所用的状态估计方法，有专用观测器法(R．N．Clark，1977)，简化观测器法(R．N．Clark，1978)、广义观测器法(P．M．Frank，1987)、自适应观测器／滤波器法(M．Sidar，1983；A．Halme等，1984)等。检测执行器或元件故障的状态估计方法，有递阶观测器法(P．M．Frank，1987)、鲁棒观测器法(方崇智和葛卫，1988)，马尔可夫链法(A．Benveniste等，1987)、系统结构知识及特征值灵敏度法(A．S．Willsky等，1986)等。在用状态估计法得到残差序列以后，剩下的主要问题是如何建立适当的决策模型对故障进行检测与诊断。现有的可用的决策方法是阈值法［其中有加性决策函数法，乘性决策函数法，序列概率比(SPRT)法等］和假设检验法［其中有广义似然比法(GLR)，极大似然比法，贝叶斯决策法等］。基于系统参数估计的FDD方法：这种方法不需计算残差序列，而是根据参数变化的统计特性来检验故障的发生(M．Kitamura，1980；R．Isermann，1984，1987)，其设计步骤为：(1)建立系统的输入输出模型；(2)建立模型参数与系统物理参数之间的关系方程；(3)基于系统的输入输出序列，估计出模型参数序列；(4)由模型参数估计序列从步骤(2)的关系方程算出系统物理参数序列；(5)求系统物理参数的变化量序列；(6)根据此物理参数变化量序列的统计特性，定义一阈值和决策函数或者用SPRT法，以检测故障的发生；(7)故障的分离、估计和分类。由于这种FDD方法，需要建立故障与系统物理参数之间的精确联系，故有利于故障的分离。基于人工智能的故障诊断方法 基于专家系统的故障诊断方法：在线故障诊断专家系统由知识库、数据库、推理机、知识获取、人机接口等几部分组成(Y．L．Su等，1986；C．Y．Huang等，1987)，系统根据存放在数据库中的实时检测数据，推理机利用知识库中存放的知识按一定策略进行故障诊断推理，有故障时，则输出故障结果(涂植英和董秀成，1990)。基于故障树的诊断方法：这是一个在实际应用中比较有效的故障诊断方法，其所需的前提是有关故障与原因的先验知识和故障率的知识。目前这种方法的发展是：由计算机自动或辅助生成故障树并自动生成故障树的搜索过程，这对大型复杂系统是十分必要的(T．L．Teaque等，1981)。基于模式识别的故障诊断方法：这种方法的步骤是：(1)形成故障模式向量；(2)提取特征向量；(3)建立判别函数(判别器)，用以判别系统属哪种故障状态(骆明飞等，1988)。采用这种方法的前提是必须有大量有关故障的先验知识。基于模糊数学的故障诊断方法：诊断模糊故障状态的一个有效方法是采用模糊聚类分析法(付春生等，1988)。1991年K．Kumamaru等又提出一种用于自适应控制系统中故障诊断的模糊推理方法。1991年J．prock提出一种用petri网络检测故障的新方法。任何一种FDD方法的直接目的，都是为了提高故障的检测率，降低误报率和漏报率，推断出故障发生的准确时间、发生故障的部位并估计出大小。由于实际系统的复杂性，导致了辨别故障时间以及分离出故障部位非常困难，因此故障分离问题仍是当前的前沿课题。现在FDD的主要研究方向和热点问题是：(1)本质非线性动态系统的FDD方法；(2)无先验知识的受控过程结构变化的检测及识别；(3)基于状态估计的复杂系统的执行器和元件故障检测的实用方法；(4)鲁棒FDD的开发研究；(5)用于FDD的实时专家系统的开发，以及与基于系统模型的常规检测方法的结合；(6)利用神经网络理论和方法的FDD方法；(7)以FDD为中心的容错控制系统的研究。【参考文献】：1 Willsky A S．Automatica，1976，12(6)：601～6112 Isermann R．Autoatica，1984，20(4)：387～4043 Frank P M．Reliability and Related Knowledge Based Approach，1987，35～1264 Frank P M．Automatica，1990，26(3)：439～4745 周东华，席裕庚，张钟俊，控制理论及应用，1991，8(1)：1～10(重庆大学涂植英教授撰) |
| 随便看 |
科学参考收录了7804条科技类词条，基本涵盖了常见科技类参考文献及英语词汇的翻译，是科学学习和研究的有利工具。