引论：我们为您整理了13篇故障诊断方法综述范文，供您借鉴以丰富您的创作。它们是您写作时的宝贵资源，期望它们能够激发您的创作灵感，让您的文章更具深度。
篇1
故障诊断(fd)全名是状态监测与故障诊断(cmfd)。基于解析冗余的故障诊断技术被公认为是这一技术的起源。所谓解析冗余，是指被诊断对象的可测变量之间(如输入与输出间，输出与输出间，输入与输入间)存在的冗余的函数关系，故障诊断在过去的十几年里得到了迅速的 发展 ，一些新的理论和方法，如遗传算法、神经 网络 、小波分析、模糊理论、自适应理论、数据融合等均在这里得到了成功的应用。
1 基于小波分析的故障诊断方法
小波分析是20世纪80年代中期发展起来的新的数学理论和方法，它被认为是傅立叶分析方法的突破性进展。小波分析最初由法国学者daubeches和callet引入信号处理领域，它具有许多优良的特性。小波变换的基本思想类似于fourier变换，就是用信号在一簇基函数张成空间上的投影表征该信号。小波分析优于博立叶之处在于：小波分析在时域和频域同时具有良好的局部化性质。小波分析方法是一种窗口大小(即窗口面积)固定但其形状、时间窗和频率都可以改变的时频局部化分析方法。即在低频部分具有较高的频率分辨率和较低的时间分辨率。因此，小波变换被誉为分析信号的显微镜，小波分析在信号处理、图像处理、话音分析、模式识别、量子物理、生物医学工程、 计算 机视觉、故障诊断及众多非线性 科学 领域都有广泛的应用。
动态系统的故障通常会导致系统的观测信号发生变化。所以我们可以利用连续小波变换检测观测信号的奇异点来检测出系统的故障。其基本原理是利用信号在奇异点附近的lipschitz指数。lipschitz指数时，其连续小波变换的模极大值随尺度的增大而增大；当时，则随尺度的增大而减小。噪声对应的lipschitz指数远小于0，而信号边沿对应的lipschitz指数大于或等于0。因此，可以利用小波变换区分噪声和信号边沿，有效地检测出强噪声背景下的信号边沿(援变或突变)。
2 专家系统故障诊断方法
专家系统故障诊断方法，是指计算机在采集被诊断对象的信息后，综合运用各种规则(专家经验)，进行一系列的推理，必要时还可以随时调用各种应用程序，运行过程中向用户索取必要的信息后，就可快速地找到最终故障或最有可能的故障，再由用户来证实。此种方法国内外已有不少应用。专家系统的故障诊断方法可用图1的结构来说明：它由数据库，知识库，人机接口，推理机等组成。其各部分的功能为：
数据库：对于在线监视或诊断系统，数据库的内容是实时检测到的工作数据；对于离线诊断，可以是故障时检测数据的保存，也可是人为检测的一些特征数据。即存放推理过程中所需要和产生的各利，信息。
知识库：存放的知识可以是系统的工作环境，系统知识(反映系统的工作机理及结构知识)：规则库则存放一组组规则，反映系统的因果关系，用来故障推理。知识库是专家领域知识的集合。
人机接口：人与专家系统打交道的桥梁和窗口，是人机信息的交接点。
推理机：根据获取的信息综合运用各种规则进行故障诊断，输出诊断结果，是专家系统的组织控制结构。
3 基于数据融合的故障诊断方法
数据融合是针对一个系统中使用多个传感器这一问题而展开的一种信息处理的新的研究方向。数据融合将各种途径、任意时间和任意空间上获取的信息做为一个整体进行综合分析处理，为决策及控制奠定基础，产生比单一信息源、单一处理机制更精确、更完全的估计和判决。
篇2
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
篇3
近年来，随着故障诊断技术理论研究的不断深入，各种方法相互渗透借鉴，目前该领域我国在大系统故障诊断、多元统计分析、基于信息融合方法、基于神经网络的方法、基于专家系统方法等方面取得了一系列的研究成果，其中部分领域处于国际领先地位[1-2]。尽管故障诊断技术的相关研究不断深入，取得了很多成果，但工业技术的整体进步迅猛，使得故障诊断技术理论及应用研究都急需加强。目前该领域的研究热点问题有[3]：复杂系统多故障检测；基于人工智能的故障推理机制；多信息融合故障诊断方法；强扰动系统故障诊断；实用化工程故障诊断软件的开发。
聚类分析是近二十年发展起来的一种新的数学方法，聚类就是将一个数据集划分为若干组或类的过程并使同一组内的对象具有较高相似度，而不同组的对象之间相似度较差，组内对象之间的相似度越高而不同组对象之间的差别程度越大，聚类的质量也就越高。故障诊断领域应用最多的是基于模糊理论衍化的各种模糊聚类分析方法[4]，因为对故障的识别问题往往伴有模糊性，即需要确定的不仅是定性的有或者无，更重要的是相识程度，这些问题用模糊语言来表达更为自然和符合实际。
1 模糊聚类故障诊断模型
5 结束语
利用G-K算法提出了一种在输入输出乘积空间中，通过模糊聚类获得基于知识的故障诊断模型的方法。该方法可以发现数据集中不同形状和方向的故障模式，同时该方法比传统的故障诊断模型更具柔性，具有更强的处理噪声数据的能力。
【参考文献】
[1]周东华.国内动态系统故障诊断技术的一些最新进展[J].自动化博览，2007（10）：16-18.
[2]于春梅，杨胜波，陈馨.多元统计方法在故障诊断中的应用综述[J].计算机工程与应用，2007，43（8）：205-208.
[3]BO-SUK YANG，XIAO DI，TIAN HAN，Random forests classifier for machine fault diagnosis[J].Journal of Mechanical Science and Technology，2013，22（9）：16-25.
篇4
引言
电力系统故障诊断是近年来十分活跃的研究课题之一。主要包括系统故障诊断和元件故障诊断两个方向，系统级故障诊断是指通过分析电网中各级各类保护装置产生的报警信息、断路器的状态变位信息以及电压电流等电气量测量的特征，根据保护、断路器动作的逻辑和运行人员的经验来推断可能的故障元件和故障类型的过程。
1国内外研究发展状况
1.1 基于专家系统的诊断方法
专家系统(expert System)利用专家推理方法的计算机模型来解决问题，已获得日益广泛的应用。目前，专家系统用于电力系统故障诊断是比较成功的。根据故障诊断的知识表示和所用推理策略的不同，专家系统主要有两类:
(1)基于启发式规则推理的系统。此类系统把保护、断路器的动作逻辑以及运行人员的诊断经验用规则表示出来，形成故障诊断专家系统的知识库，采用数据驱动的正向推理将所获得的征兆与知识库中的规则进行匹配，进而获得故障诊断的结论。现在大多数故障诊断属于这一类。
(2)结合正、反推理的系统。此类系统结合了正反向混合推理方法，根据断路器和继电保护与被保护设备之间的逻辑关系建立推理规则，同时通过反向推理，有效地缩小可能故障的范围，以动作的继电保护与故障假设的符合程度计算可信度。文献[1]介绍了基于事例推理(CBR)和基于规则推理(RBR)的混合推理的故障诊断专家系统。由于采用了混合推理，提高了故障诊断专家系统的适应性与自学习能力。
基于专家系统的诊断方法的主要特点是可以方便地把保护、断路器的动作逻辑以及运行人员的诊断经验用规则表示出来，并允许在知识库中增加、删除或修改一些规则，以确保诊断系统的实时性和有效性，同时还能够给出符合人类语言习惯的结论，并具有相应的解释能力等，比较适合中小型电力系统和变电站的故障诊断。该方法在实际应用中仍然存在如下主要缺陷:①建立知识库及验证其完备性比较困难;②容错能力较差，缺乏有效的方法识别错误信息;③大型专家系统的知识库的维护难度很大;④专家系统在复杂故障诊断任务中会出现组合爆炸和推理速度慢的问题。这些缺陷使得专家系统难以满足大规模电力系统在线故障诊断的需要，目前主要应用于离线故障分析。
1.2基于人工神经网络的诊断方法
与专家系统相比，基于人工神经网络(ANN—artifieial neural network)的故障诊断方法具有鲁棒性好、容错能力强和学习能力强等特点。
目前应用于电力系统故障诊断的ANN有:基于BP(baekpropagation)算法的前向神经网络和基于径向基函数的神经网络等。文献[1]给出了典型的故障诊断神经网络BP模型，其实现方法是:以电力系统继电保护信息作为ANN的输人，以可能发生的故障作为其输出，选择适当的样本集训练ANN。整个训练过程为:首先根据网络当前的内部表达，对输人样本进行前向计算;然后比较网络的输出与期望输出之间的误差，若误差满足条件，则训练结束，否则，将误差信号按原有的通路反向传播，逐层调整权值和阑值，如此反复，直至达到误差精度要求。文献[2]将大型输电网络分区，对各个区域分别建立基于BP算法的故障诊断网络，然后综合获得最终的故障诊断结果。
基于ANN的诊断方法的主要特点是避免了专家系统故障诊断所面临的知识库构造等难题，不需要推理机的构造。由于用于ANN训练的完备样本集获取困难，目前该方法只比较适合中小型电力系统的故障诊断。ANN方法在故障诊断应用中存在的问题主要是:①其性能取决于样本是否完备，而大型的电力系统的完备样本集获取非常困难;②与符号数据库交互的功能较弱;③不擅长处理启发性的知识;④不知如何确保ANN训练时收敛的快速性和避免陷人局部最小;⑤缺乏解释自身行为和输出结果的能力。以上缺点限制了ANN故障诊断方法在线应用于大型电力系统。如何设计适用于大型电力系统的故障诊断系统，仍然是一个有待进一步研究的问题。
1.3 基于粗糙集理论的诊断方法
粗糙集理论(roughSettheory)是波兰Z.Pawlak教授于1982年提出的一种处理不完整性和不确定性问题的新型数学工具。粗糙集理论的主要思想:在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。它无需提供问题所需处理的数据集合之外的任何先验信息，能有效地分析和处理不精确、不一致、不完整等各种不完备数据，从中发现隐含知识，揭示潜在规律。鉴于粗糙集理论的优越性，已经有不少研究人员把它引人到故障诊断系统中。
文献[3][4]把粗糙集理论应用于电力系统故障诊断和警报处理，尝试应用粗糙集理论来处理因保护装置和断路器误动作、信号传输误码而造成的错误或不完整警报信号，提出的方法考虑各种可能发生的故障情况，建立决策表(类似于ANN故障诊断的训练样本集)，然后实现决策表的自动化简和约简的搜索，删除多余属性后抽取出诊断规则，揭示警报信息内在冗余性。
文献[5]提出了基于粗糙集理论与二元逻辑运算相结合的属性约简算法以及改进的值约简算法，并将其应用于由断路器和保护作为条件属性、故障区域作为决策属性的诊断决策表的约简过程中，利用决策表的约简形成综合混合知识模型。文献[5]提出和构造了四类不同的粗糙集与神经网络(NN)组合的故障诊断模型，给出了粗糙集与NN在四类模型中实现不同的互补性、关联关系、应用机理和原则及相应的局限性。
2 电力系统故障诊断发展趋势
随着电网建设的发展、计算机技术和网络技术以及数学和智能科学理论的发展，不断有新的电网故障诊断方法出现，从电力系统故障诊断理论与方法研究和应用的深度、广度可以清晰地看到，其研究仍停留在理论和模型的探索阶段，基本上没有非常成功的成型实用系统，实用化方面一直未有太大的发展。由于以前技术和设施的原因，导致信息资源比较有限，从发表的文献来看，电网故障诊断系统大多依托于调度端或变电站内，分别利用调度SCADA系统的实时信息或站内综合百动化系统收集的信息来实现;随着系统、计算机和网络技术的发展，以及故障录波专用网络的建设，后来又发展了基于故障录波信息的故障诊断系统。此系统的建设，使诸多的信息孤岛纳入系统中，对故障后所有相关的故障信息，例如保护装置信息、录波器信息、雷电定位信息、监控装置信息等，进行采集、传输、存储和处理，为电网故障处理提供了信息支持。这些宝贵的信息为新的电网故障诊断方法提供了基础，大大拓展了电网故障诊断的研究方向。因此，在电网故障诊断理论的实用化过程中，必须充分重视信息的收集与整理工作，包括用于故障诊断的数据仓库的构建、故障综合信息的预处理和诊断知识的提取等。
3结束语
电力系统故障诊断是关系到电力系统安全稳定运行的重要问题，国内外从20世纪80年代起已经进行了大量的研究工作，提出了多种故障诊断技术和方法，但实际系统中该问题并未很好地解决。随着电力系统规模日趋庞大，结构更加复杂，对电力系统故障诊断提出了更高的要求。本文综述了电力系统故障智能诊断的研究方法，评述了这些方法中需要改进之处，进一步指出了该领域的一些主要发展趋势。它们对构建电力系统故障诊断智能辅助决策系统具有重要的指导意义，对保证电力系统的安全运行、减少事故的经济损失具有重要的理论和现实意义。
参考文献
[1]杜一，张沛超，郁惟墉.基于事例和规则棍合推理的变电站故障诊断系统[J].电网技术，2004，28(l).
[2]YANGH，CHANGW，HUANGC.power system Distributed On line Fault Seetion EstimationUsingDeeisionTreeBasedNeuralNetsApproaeh.IEEETransonPowerDelivery，1995，10(1).
篇5
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.
篇6
随着科学与经济的发展，电力系统在国民经济中发挥着日益深渊的影响，在人们的经济生活与生产的地位越来越突出，因此人们对电力系统的要求也逐渐提高。目前我国的电网的规模日益扩大，结构也逐渐复杂化，对区域之间电网系统的联系要求也越来越高，做好电力系统故障的诊断研究有利于维护区域经济与生产的稳定性，为人们生产与生活带来更高的效益。
电力系统具有设备的复杂性与电网拓扑的确定性，因此对于电力统故障诊断的研究是具有综合性的课题。国内外对电力统故障诊断的进行研究得出了很多相关技术与方法，比如：专家系统法ES、遗传算法GA、模糊理论法FT等等，文章对几种电力统故障诊断方法进行了阐述与归纳，并提出电力系统故障诊断的研究发展方向。
二、电力系统故障诊断国内外研究发展现状
所谓的电力统故障诊断指的是对保护装置中的信息进行采集与分析，利用相关经验与理论基础对故障区域进行及时的处理，SCAD/EMS系统[1]的应用为电力系统故障诊断提供了便捷，但是还不能完全实现电网故障时信息的全面处理，因此建立一套完备的电力系统故障诊断系统是现阶段我们需要解决的问题。
2.1基于专家系统的方法ES
专家系统ES是发展较为成熟的一种智能技术，是建立在智能计算机程序的包含大量知识与经验的综合系统，利用现有专业的知识与经验技巧进行系统故障相关问题的解决。
专家系统中知识库与推理机是量大核心组成，知识库是用来存放问题与相关专业知识的媒介，推理机是负责对整个系统工作的协调。专家电力系统的运作中，通过保护器等结构与运行人员的经验相结合，使用恰当的表达式录入知识库，当系统故障发生，推理机可根据报警系统提供的数据进行诊断分析并得出结果，缩小了搜索和问题推理的范围，有效的利用了专家相关的经验知识，提高了故障诊断的效率。科学技术的发展提高了专家系统的表达多样性，使其广泛运用于电网故障诊断中。
电网运行复杂性的提高，对专家系统的运行程度提出了接近极限的要求，使其渐渐暴露出一些问题：（1）专家系统知识库不具备较高的灵活性，知识的获取方式单一，普遍依靠传统的人工移植方式，不能与复杂的网络结构相适应，需要
设计出具备自动升级与知识获取的完备系统，提高知识库对信息的存储与检索能力。（2）专家系统中知识不具备模仿学习的能力，对于没有出现过的故障容易造成误判，影响相关人员操作的准确性。 （3）知识库维护困难，系统不具备简便的维护与修复功能。（4）系统容错能力低[2]，容易造成由于装置误动作而引起的错误诊断。 （5）系统故障诊断过程中多次迭代的产生会对系统正常运行造成不同程度的影响，尤其影响了信息诊断的实时性。
2.2基于模糊理论的方法FT
模糊理论的方法FT指的是运用语言变量和近似推理的模糊逻辑进行故障推理的技术[3]。模糊理论在运用中加入变量的结构，更有利于表达专家经验，有效增加了系统的容错能力，对于系统不确定问题可以进行有效的解决。
由于其推理理论自身的特殊性与局限性，在电力故障的分析与处理中常常与其他方法同时使用，对于较为复杂的具体问题，还需要进一步进行研究与推理。
如果故障诊断过程中利用模糊理论不能有效地解决故障的不确定性问题，可以建立复杂的的数学模型与函数关系进行故障信息的处理。但模糊理论在逻辑语言上还不够规范，信息修改的理论也不够成熟。
三、电力系统故障诊断的研究发展方向
不同的电力系统故障诊断系统都具备各自的优势和不足，电网的规模的扩大与结构的复杂性发展对电力系统故障诊断技术提出了更高的要求，我们需要对以下几个问题进行深入的研究：
（1）利用不同诊断方法相结合的方法：不同诊断方法都自身优势，实现各种方法的结合使用，有利于故障系统之间的进行优势互补，弥补各自在电力系统故障诊断不足。比如在同一个故障问题中利用数学建模，并结合遗传算法进行信息数据的处理，从而达到良好的解决效果。
（2） 故障诊断在信息不完整情况下的处理方法：通常清空下调度中心所记录的信息具备完整与准确性，但是当断路器等装置出现错误操作时，状态信息的传输就会出现错误，往往会影响故障诊断的结果的正确性。我们要将故障诊断过程中信息不完整的情况作为重点研究内容，深入研究并寻找出最有效的诊断方法。
（3）非正常的电网故障相关问题与方法：当电网的指标没有处于允许范围时，就应当考虑到信息的错误传输。常用的方法是将信息传送到运行中心，对故障进行预测与防范，但目前对于非正常的参数与指标还没有建立起完善的应对方法，
这将成为诊断故障与预防的重点问题。
（4）各种算法与处理器结合的方法：电力故障诊断的过程中会发生数据信息的
多次迭代或多次循环现象，反复计算的过程延长了故障诊断的时间，对故障诊断的时效性造成了很大的影响。我们需将不同的算法与合适的高速处理器进行结合，为解决故障处理的时效问题提供了方向。
四、结语
电力系统网络规模日益扩大，系统结构也更加复杂化，只有提高电力系统故障诊断的水平才能适应电力发展的现状。今年来国内外对电力故障诊断的研究逐渐深入，结合基础理论采用了多种手段为故障诊断提出了相关解决技术，但实际应用中还存在一些问题与不足。我们需把握电力系统故障诊断的发展趋势，在实践中建立起更加完善、成熟的电网诊断系统，为提高经济生产效益奠定良好的基础。
参考文献：
篇7
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：
篇8
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:
篇9
【文章编号】1007-4309（2013）04-0062-1.5
发动机的诊断技术是根据发动机在正常与非正常两种状态下的某些指标的对比及变化趋势，对发动机的技术状况和故障隐患进行定性、定量的分析，为故障的诊断和决策提供科学的依据的一种技术。为了适应现代柴油机使用维修的需要，必须以检测诊断技术为基础，加强故障潜伏期的监控，实现状态监控下的针对性维修。
一、常用发动机监测技术
目前，比较成熟的性能指标测试方法有以下几种：无负荷测功法。一般情况下，采用国产无负荷加速测功仪，将发动机从中低速（一般在l000r/min）猛加速至额定转速，以实测功率值不小于额定功率的80%为使用标准；转速的测定。用最高空转转速、额定功率时转速、最大扭矩时转速的测定值与其对应的标定值进行对比，以不低于标定值的90%为使用标准；发动机各运转部件磨损程度的检测分析。目前，比较成熟的手段是铁谱分析法，通过铁谱仪观测油中金属颗粒的数量、大小、形貌、浓度和颜色的变化，据此确定其磨损部位、性质与程度。它为发动机的磨损分析提供了有效依据。
二、发动机故障诊断技术的分类
目前，发动机故障诊断领域涌现出很多的方法，其中依据诊断的流程可分为经验仪表诊断法（利用专家的经验或借助仪表进行诊断）、专家系统诊断法（将专家的经验以计算机程序的形式进行表达，是一种智能化的诊断方法）、基于特征状态识别的方法（通过提取故障信号进行分析和识别）、车载自诊断方法（主要用于车辆电控系统的故障诊断）以及近几年来发展的集成化和网络化故障诊断方法等。
三、专家系统故障诊断方法在发动机故障诊断中的应用
专家系统的基本结构。基于专家系统的故障诊断方法其实是一个计算机智能程序，计算机在采集诊断对象的信息后，综合运用各种规则（专家经验）进行一系列的推理，必要时还可以随时调用各种应用程序，运行过程中向用户索取必要的信息后，就可快速地找到最终故障或最有可能的故障，再由用户来证实，应用人工智能技术，模拟人类专家求解问题的思维过程来进行汽车故障诊断的一种智能化方法。
专家系统的实现关键技术。知识获取是指如何获得专家的知识和经验的问题，一般知识获取的方式有如下几种：通过知识工程师与领域专家接触，在专家的指导下以一种适当的计算机内部表示将知识编入知识库；通过一种智能的知识获取机制，让专家与专家系统直接打交道，由智能编辑器直接生成知识库；通过建立一个带有归纳、类比或其他高级学习功能的知识发现系统，使之通过实例或实际问题来总结发现出一些尚未被专家掌握或认识到的知识装入知识库。
知识表示是关于各种存储知识的数据结构及其对这些结构的解释过程的结合。传统故障诊断专家系统主要有以下几种知识表示方法：产生式，又称规则式表示法，是人工智能中最常用的知识表示方法；语义网络式，通过概念以及语义关系来表达知识的一种网络图；框架式，是一种表示定性状态的数据结构，可表达知识之间的结构关系，但是框架表示法不善于表达过程性知识。
推理方法是专家系统解决具体问题的思维过程，一般由程序实现。常用的推理方式有基于规则的演绎推理，包括正向推理、反向推理和正反向混合推理等；还有归纳推理，包括完全归纳推理和不完全归纳推理等，这些都是关于精确知识的推理。对于不精确知识推理主要采用概率法、可信度方法、证据论证法和模糊子集法等。
专家系统的改进：基于案例的专家系统。基于案例推理是近年来人工智能领域兴起的一种诊断推理技术。它是类比推理的一个独立子类。其基本思想是利用过去求解成功或失败的经验，通过对历史案例知识的挖掘，获得蕴涵于过去中的丰富经验和知识，并且可利用计算机进行推理。该方法主要用于分析不确定性故障，适用于诊断领域源知识难以表示成规则而易于表达成案例的情况。
基于模糊理论的专家系统。在发动机故障诊断方法中，针对界限不分明的模糊概念，可以采用将模糊理论与专家系统技术相结合的方法。采用人工智能的方法，利用专家知识动态建立模糊诊断矩阵，并经过适应修正得到比较客观的故障原因和故障征兆的判断。
基于神经网络的专家系统。人工神经网络从1943年心理学家W.S.McCulloch和数学家W.Pitts研究并提出M-P神经元模型起至今，已成为人工智能领域内除专家系统外的又一重要分支。人工神经网络采用神经元及它们之间的有向权重连接来隐含处理问题的知识，因此，它善于处理复杂问题，且具有自学习能力。神经元处理信息是相对独立的，便于处理并行问题。
基于行为的专家系统。基于行为的专家系统采用神经网络模块化单元，以确保系统与对象的实时交互。它是一种相对独立且能够动态构建故障诊断子神经网络模块单元的变结构单元，该模块同车辆电控单元（ECU）之间进行数据交互，可以实现实时在线的监测与诊断。开发基于行为的诊断专家系统的关键是故障行为征兆（语义征兆、网络征兆）的自动获取问题，新故障的自动识别和分类问题也是开发的重点。随着网络的不断进步，网络技术和专家技术结合，可发展为基于网络的故障诊断专家系统，可实现基于Web的数据库技术、实时数据传输技术和网络安全技术的远程装甲车辆故障诊断技术。
四、信息融合技术在装甲车辆发动机故障诊断中的应用
发动机的工作过程是复杂的，其故障诊断信息也是非常复杂的。对于现代的发动机，需要再用多种传感器协同来获取不同种类、不同状态的信息，然而，不同的信息之间也是相互独立或耦合，甚至会出现相互矛盾的情况。发动机工作过程故障由于系统结构的复杂性，各机构运动的非线性，传统的基于单传感器诊断又由于故障与症兆之间的不确定性而导致其诊断结果的不确定性，有效的解决方法是应用多传感器的信息融合技术和模糊逻辑推理方法。
相比于传统的故障诊断技术来说，还会出现更多先进的可远程控制的装甲车辆发动机状态监测与故障分析技术，适应装甲部队信息化高科技战争条件下的技术保障要求，为作战部队提供强有力的保障。
【参考文献】
篇10
一、传统电子设备故障诊断技术
传统的故障诊断技术，以特定领域的理论知识作为技术支撑，需要操作人员保持清醒的认识，能够通过逻辑判断来确定故障的位置、种类及可修复程度等。传统故障诊断技术经历了阈值诊断和算法诊断两个阶段。较为常用的主要有：
1.1单信号处理
由于早期电子设备的集成度不高，一个机组内往往同时存在着大量的集成和分散元件。当操作人员人工使用各种仪表检测时，若检测仪表的输入和输出值不在理论范围内，则被认定故障将会出现或已经出现。
1.2多信号模型
考虑到元件之间的信号耦合问题，借助信息理论中的定量或定性的方法综合分析电子设备出现的故障，实现诊断。
1.3单信号滤波
滤波诊断改进了传统单信号处理方法中未考虑动态数据的问题，通过校对时间序列信号传输的数据，在滤波变换作用下记录信号的特征变量，对采集到的特征量赋予阈值实施诊断。
在多信号模型和单信号滤波中，还积极应用计算机进行仿真实验来辅助诊断。通过一定的仿真建模，能实时采集动态数据，监控整个系统的运行。
二、智能电子设备故障诊断技术
面对结构更加复杂的电子设备，其故障诊断的难度在不断增加，所提出的诊断技术要求在不断提高。传统故障诊断技术在应用过程中逐渐出其不足之处。技术操作本身需要的知识储备较多，且针对更加深层次的故障发力不足。相比之下，智能故障诊断技术的发展，迅速成为了电子设备故障诊断的首选。
2.1分类
智能故障诊断技术根据理论技术的不同可以分为模糊技术、灰色理论、专家系统、模式识别和失效树分析等。其中，以模糊技术、灰色理论、模式识别和失效树分析为代表的技术都着重于借助逻辑判断推理的相关知识，能够将电子设备诊断中故障模糊定位及定性分类等问题部分解决。而专家系统技术，则重点以自身作为技术开发平台，融合多种诊断技术，构建完善的智能故障诊断系统。本文探讨的电子设备智能故障诊断技术着重以专家系统作为研究对象。
2.2专家系统
一个成熟的职能故障诊断专家系统，应该在结构中包含系统知识库、集合数据库、推理机、解释机构、知识获取和人机交互系统、故障预兆分析和识别系统等。专家系统的不同种类具有不同的区别方式，如按照理论运用方式的不同，可将专家系统分为借助符号处理和借助数值处理两类；按照理论描述的不同，可以将专家系统的符号处理类再分为框架式、产生式、语义拓扑、面向对象的系统、基于案例分析的推理等，而借助数值处理的专家系统可分为模糊技术、灰色理论、人工神经网络等。专家系统一般需要考虑以下技术内核：
2.2.1知识库
故障诊断需要建立在一定的知识储备基础上，因此建立专家系统的知识库并积极规划其中的内容十分必要。规划后的知识库更有利于技术理论的搜索和整合维护。具体的规划方法有：①不同的设备故障具有不同的预兆。根据各类预兆情况整合独立的知识模块存入知识库中供诊断使用。②可以针对电子设备的不同部位常见故障分别做知识储备。③搭建数学模型，通过不同的表示方法确定不同的知识模块，用来描述不同的知识运用。④对各领域的专业意见进行收集整理，包括设备理论、标准故障知识、专家的历史经验、操作要领等信息。建立不同模块的知识库，能够在故障诊断推理中更便捷的调动知识信息，由各模块交流诊断对象的内容并自由调度提供服务。
2.2.2 推理机
推理机是专家系统的重要部分，充分调动知识来进行逻辑判断。在借助符号处理的专家系统中，推理机采用符号匹配的形式进行逻辑分析和状态搜索。而在数值处理的专家系统中，推理机运用数值进行计算来获得工作进程。推理机使用的推理机制主要是正向、反向和混合推理。一般而言，逻辑推理中的假设由正向推理提出，而反向则用来验证逻辑的真伪。
2.2.3 不确定性
故障诊断存在一定的不确定性。引发不确定性的原因可能来自于故障预兆模糊、实施传递的信号数据不精确、系统在读取知识规则时出现失效等情况。一旦出现不确定性的问题，需要借助包括整理理论、模糊判断、灰色理论在内的确定性理论来解决。
三、智能电子设备故障诊断技术的发展前景
智能故障诊断技术因其技术先进，操作便捷必然成为未来电子设备故障诊断的主要手段。智能诊断技术具有良好的发展前景。首先可以继续扩大当前其在远程故障诊断的优势，拓展使用领域，提高异地的诊断反应能力。其次，可以加深其在分布式多层次的大型电子设备中的应用。同时，与智能故障诊断技术相匹配的微型便携式专用仪器的开发，必然提高智能诊断技术的普及率。
四、结语
智能故障诊断技术和传统故障诊断技术在使用操作中是可以相互补充的。这样能够快速获取被诊断对象的故障信息，分析故障并准确定位，同时测试判断具体的故障部件，及时恢复设备。相信，利用智能故障诊断技术，能够为大型电子设备的维护管理保驾护航。
参 考 文 献
篇11
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）。
篇12
Keywords: power grid failure diagnosis; Fault diagnosis method; looking
中图分类号：U665.12文献标识码：A 文章编号
1引言
我国电力正处于一个高速发展的时期，电力系统的迅速发展、受端负荷的持续增长、跨区域联网规模的扩大、电力工业市场化改革以及生态环境的约束使电网结构和运行方式日趋复，使电网状态趋近其运行极限，系统运行的不稳定因素增多，种种情况导致因偶发故障引发大规模停电风险的概率增高。电网是国民经济发展的大动脉，一旦发生大面积停电[1]，后果不堪设想。客观上讲，电力系统作为一个庞大的、高度复杂的动态系统，常处于不同的扰动之中，故障的发生又往往是无法完全避免的，这些问题给电网故障诊断提出了新的挑战。随着我国电力工业的发展，故障诊断研究具有很大的现实意义和实用价值[2]。
2 电网故障诊断方法研究
电力系统故障诊断是根据事发环境下各类信息进行故障识别的过程。电力系统发展使得电网的规模越来越大，结构越来越复杂，电网发生故障关系到电力系统安全稳定运行的重要问题。为了适应各种简单和复杂事故情况下故障的快速、准确识别，需要电网故障诊断系统进行决策参考。因此，从20世纪80年代起国内外专家学者们进行了大量的研究工作，提出了多种故障诊断技术和方法[3]，主要有专家系统、人工神经网络、优化技术、Petri网络、粗糙集理论、模糊集理论、贝叶斯网络、基于电网潮流分布特征法和信息理论法。下面分别介绍这几种应用在电网故障诊断的研究发展状况。
2.1专家系统法
专家系统是发展最早，也是比较成熟的一种人工智能技术。它利用计算机技术将相关专业领域的理论知识和专家的经验知识融合在一起，通过数据库、知识库、推理机、人机接口、解释程序和知识获取程序的有机连接，达到具备解决专业领域问题的能力。
70年代初期专家系统就被引入到电网故障诊断研究领域。其在电网故障诊断[4]中的典型应用是基于产生式规则的系统，即把保护、断路器的动作逻辑以及运行人员的诊断经验用规则表示出来，形成故障诊断专家系统的知识库，进而根据报警信息对知识库进行推理，获得故障诊断的结论，具有直观性、实时性和有效性；能够在一定程度上解决不确定性问题；能够给出符合人类语言习惯的结论并具有相应的解释能力等优点。但是不可避免在实际应用中存在一些缺陷：知识获取瓶颈、系统维护难、容错能力差等问题。现在多是将专家系统与其他方法结合起来进行故障诊断。
2.2 人工神经网络
人工神经网络是通过模拟人类的神经系统来处理信息过程的一种人工智能技术。它具有并行处理、非线性映射、联想记忆能力和在线学习能力等特点，在电力系统和其他领域中都有着广泛的应用。
电网中不同的故障组合模式会产生不同的故障信息组合模式，可以将故障诊断问题视为模式识别问题，采用人工神经网络进行处理。为此需要建立比较完全的训练样本，用预选事故集作为输入，故障信息集作为监督输出，对神经网络进行训练。文献[5]较早将BP(误差反向传播)神经网络应用于电力系统故障诊断，但该方法存在训练速度慢的缺点。径向基函数（RBF）神经网络具有任意函数逼近能力，且学习速度更快，因此文献[6]提出用新型神经网络解决故障诊断问题。与专家系统诊断方法相比, 神经网络故障诊断方法可避免专业知识和专家启发性知识的形成、表达及管理等繁琐工作。同时, 如何保证训练神经网络所用的样本库的完全性、提高训练速度和收敛性，仍是神经网络需要重点解决的问题。
2.3 优化技术
随着计算机技术和计算数学的发展，国内外学者提出了多种优化算法，采用优化算法进行电网的故障诊断是一种新的思路。采用优化算法需要根据电网故障的特点设定假想事故集的目标函数或适应度函数，各种优化算法根据适应度值对假想事故集进行更新，直至搜索到适应度最大的假想事故集,以作为最终故障诊断的结果。其实质是将故障诊断问题转化为无约束的一整数规划问题进行寻优处理。目前研究得较多的是遗传算法、禁忌搜索、模拟退火等算法等等。
2.4 Petri网
Petri网是数学家C.A.Petri于1960-1965年提出的一种通用的数学模型，可用图形表示，并用矩阵运算进行严格的数学描述。Petri网既可用位置节点（Place）和变迁节点（Transition）对系统进行静态的结构分析，又可以通过节点上的令牌（Token）进行动态的行为分析，可用于描述电网故障及切除的离散事件动态行为。
Petri网作为一种简洁、高效的形式化语言，在故障诊断领域有着巨大的潜力。但另一方面，在对大规模或复杂性网络进行网建模时，可能出现状态组合爆炸的情况,，而且Petri网容错能力较差，不易识别错误信息。为此还需研究对网进行化简和分解的归纳分析技术,或考虑采用更高级的有色网。
2.5粗糙集理论
粗糙集理论是一种新的研究不完整、不确定且不精确信息的表达、学习和归纳的数学工具。它建立在分类机制的基础之上，将分类理解为等价关系， 用这些等价关系对特定空间进行划分，提取出组涵的“知识”，知识约简是粗糙集理论的核心内容之一。
文献[7]根据电网故障信息中的冗余性，利用粗糙集理论对不同故障模式所对应的警报信息组合进行化简，识别出必不可少的警报信息，在决策表中剔除可有可无的警报信息，以便从样本数据中提炼出简洁、高效、具有一定容错能力的规则知识库。粗糙集理论用于电网故障诊断的缺点是有些先验信息不能得以有效利用, 且电网规模过大时, 决策表的形成也会比较困难。
2.6 模糊集理论
模糊集理论是在模糊集合理论的基础上发展起来的，它采用模糊隶属度的概念来描述不精确、不确定的对象，并采用近似推理规则，使专家知识得以有效表达，且具有很强的容错能力。
综上可看出，模糊集理论比较适合用来处理电网故障诊断中继电保护动作的不确定性和故障信息的不完备性。文献[8]不仅引人了保护和断路器的动作信息，而且按额定值将遥测量进行模糊化用于故障诊断，为故障诊断的多信息融合提供了新的思路。采用模糊集理论进行电网故障诊断也存在一些问题：像隶属度函数的选择无明确的标准、可维护性较差等。所以在电网故障诊断领域中，模糊集理论通常与其他诊断方法相结合，互相渗透、取长补短。
2.7贝叶斯网络
贝叶斯网络是基于图论和严格的概率理论的一种不确定性知识表达和推理模型。目前贝叶斯网的理论研究主要集中在其网络的构造、学习、推理和应用等几个方面。它将因果知识和先验概率信息有机结合，使用概率理论来处理不同知识成分之间因条件相关而产生的不确定性，同时它能够有效的进行多源信息的表达和融合。
基于贝叶斯网络及其改进方法的电网故障诊断方法[9]能针对电网故障中存在的信息不完备和不确定性问题，建立完备和不完备信息下的贝叶斯网络模型进行故障诊断，但该方法需要先验概率信息，给出的亦是故障概率，而且贝叶斯的训练复杂，从理论上讲，它是一个NP-complete问题，也就是说，对于现在的计算机是不可计算的。但是，对于某些应用，这个训练过程可以简化，并在计算上实现。
2.8 基于电网潮流分布特征法
基于电网潮流分布特征法[10]立足故障前后电网潮流分布特征的变化，借助支路开断分布因子，智能选择量测支路和量测数据,在线预生成故障模式库，供不断提取的潮流分布特征模式进行匹配，具有快速、准确、自适应智能诊断的特性。
此方法能自适应跟踪电网运行方式并动态选择量测对象和量测数据，在线分析电网潮流分布特征与网络结构变化的关系，以提取潮流分布特征与故障模式库中模式进行匹配来实现电网故障的在线诊断。文[10]中算例表明，此方法准确高效，具有在线自适应智能诊断的功能，有助于提高把握网络事态和正确应对事故的能力。
2.9 信息理论法
信息理论由Shannon于1948年首先提出，它从概率论出发,建立了信息熵、互信息等概念，比较科学地解决了概率信息的测度问题。目前，信息的统计定义已扩展到能够对非统计意义的信息予以度量。从信息理论的角度看，电网故障诊断还可视为一个多信息融合[11]的过程。如何将保护和断路器的动作信息、遥测量信息、录波信息、历史统计信息及专家经验信息等多种信息加以有效综合利用，这些难题将来也许可借鉴多信息融合技术中的信号处理、参数优化、统计和模式识别等方法加以解决。
3.结论
本文介绍了电网故障诊断的意义及其各种故障诊断方法的研究状况，为以后研究电网故障诊断的学者们奠定了一定的基础，具有现实的意义。
4.电网故障方法研究展望
电力系统是一个分布式的高维数、高度非线性的动态系统，而且有一系列比较特殊的物理特点，受其影响，电网的故障诊断也有一些比较突出的难点。目前，电网发生故障时候，故障信息反应为电气量、继电保护和开关量的异常变化。而事实表明：依靠单一信息往往不能满足诊断的性能要求，多源信息的异构特性，加上诊断中的不确定性，使综合利用多源信息以及信息融合非常困难，目前这方面的理论研究也还远远不够，所以信息融合技术方法研究是以后研究的方向。
参考文献：
李春艳,陈洲,肖孟金等.西欧“11.4”大停电分析及对华中电网的启示[J].高电压技术, 2008,34(1):163-167.
郭创新,朱传柏,曹一家,等.电力系统故障诊断的研究现状与发展趋势[J].电力系统自动化,2006,30(8):98-103.
陈玉林,陈允平,孙金莉等.电网故障诊断方法综述[J].中国电力,2006,39(5):27-31.
Angeli C.Online expert systems for fault diagnosis in technical processes[J].Expert Systems,2008(3):115-132.
CHEN E.Application of neural network computing in intelligent alarm processing[A].Power industry Computer Application Conference[C].Seattle,USA:IEEE,1989.246-251.
刘志远,吕剑虹,陈来九.新型RBF神经网络及在热工过程建模中的应用[J]. 2002,22( 9):118-122.
刘育名,周全,唐捷,等.粗糙集理论提取配电网故障诊断规则的方法[J].高电压技术, 2006,32(8):97-99.
周明,任建文,李庚银等.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.
吴欣,郭创新,曹一家.基于贝叶斯网络及信息时序属性的电力系统故障诊断方法[J].中国电机工程学报,2005,25(13):14-16.
陈彬,于继来.基于电网潮流分布特征的在线故障智能诊断[J].电力系统自动
篇13
关键词 故障诊断；粗糙集理论；决策表；属性约简
0 引言
在现代设备的故障诊断过程中，由于计算机技术、自动化技术和网络通讯技术的快速发展及广泛应用，故障诊断技术进入了它的第三个阶段——智能化阶段。在诊断方法上也由传统的对故障源的直接测量和判断转变为对故障信号的分析研究及逻辑推理，这种方法不需要系统的精确数学模型，可以利用各种知识推理的相关技术，目前，专家系统、模糊推理和模式识别等在故障诊断领域已经取得了非常多的应用[1]。
但是，无论是传统方式，还是智能化手段，通常只有在信息准确完整的情况下才会得到满意的结果。而实际过程中所获得的信息通常是不准确的，并且当设备发生故障时，这些信号往往是冗余的，只需要少量特征信号就可以表征出该设备的整体故障信息。所以，将粗糙集理论引入到故障诊断领域中，利用其对诊断特征的压缩和约简，去除冗余的信息，从而可以大大减少诊断的计算量，提高诊断的效率。
在20世纪70 年代，波兰学者Z.Pawlak和一些波兰科学院、波兰华沙大学的逻辑学家们一起从事关于信息系统逻辑特性的研究，粗糙集理论就是在这些研究的基础上产生的。1982年，Z.Pawlak 发表了经典论文Rough Sets，宣告了粗糙集理论的诞生[2,3]。目前，粗糙集已成为人工智能领域中一个较新的学术热点，在机器学习，知识获取，决策分析，过程控制等许多领域得到了广泛的应用。
本文主要研究局域粗糙集理论的属性约简故障特征提取方法，并将该方法应用于齿轮的故障诊断中，得到对齿轮故障模式识别起主要作用的特征。
1 粗糙集理论的基本概念
粗糙集理论是一种处理不精确、不确定和不完善数据新的数学方法，其主要兴趣在于它恰好反映了人们用粗糙集方法处理不分明问题的常规性，即以不完全信息或知识去处理一些不分明现象的能力[4]。在此基础上引入成员关系、上近似和下近似等概念来刻画不精确性与模糊性[5-7]。
1.1 信息系统
设S=（U，A，V，f）是一个知识表达系统，其中U：对象的非空有限集合，称为论域；A：属性的非空有限集合；，Va是属性a的值域；f：U×AV是一个信息函数，它为每个对象的每个属性赋予一个信息值。
1.2 决策表
通常采用二维表格来表达信息系统数据集，这种数据表称为决策表，表中的每一列表示属性，每一行表示对象。一个属性对应一种等价关系，一张表可看作是定义的一族等价关系，即知识库。决策表是一类特殊而且重要的知识表达系统，它指当满足某些条件时，决策应当如何进行，故障诊断涉及到决策问题，因此可以用决策表这一工具来表示。
1.3 知识约简·核
在决策表中，决策表的简化首先就是化简决策表的条件属性，使得化简后的决策表具有和化简前的决策表相同的功能，但是化简后的决策表具有更少的条件属性。条件属性的简化在故障诊断中具有相当重要的意义，可以使得数据库规模大大减少，而且基于更少的条件属性可以得到相同的决策。
令P和Q为等价关系族，Q的正域记为posP(Q)，且R∈P，若
posind(P-{0R})（ind（Q））= posind(P) (Q)（1）
则称R为P中Q必要的。P中所有Q必要的原始关系构成的集合称为P的Q核，记为coreD(C)，在知识约简中的核是不能消去的知识特征集合。
区分矩阵：设信息系统S=（U，A，V），A为属性集合且A=C∪D，C、D分别为条件属性集和决策属性集，ai(xj)表示样本xj在属性ai上的取值，MT(i,j)表示区分矩阵第i行第j列的元素，则区分矩阵定义为：
其中∧表示析取运算，∨表示合取运算。
2 基于区分矩阵的属性约简算法
基于区分矩阵的属性约简算法，其基本步骤如下：
（1）计算决策表的区分矩阵；
（2）对区分矩阵中取值为非空集合的元素，建立相应的析取范式；
（3）将所有的析取范式进行合取运算，得到一个合取范式S，该合取范式中的每一个单独元素组成的集合为最后约简的核；
（4）输出属性约简的结果。
3 齿轮故障诊断实例
3.1 建立原始齿轮诊断信息表
分别采集齿轮剥落、断齿、裂纹三种故障状态以及正常状态下的振动信号数据各若干组，利用小波分析方法对采集的振动信号进行三层分解，然后对得到的八个频段进行重构，提取重构后各个频段的能量，由这些能量特征构成原始特征向量，并根据样本所属的故障模式类，建立齿轮故障诊断决策表。表1为根据采集数据建立的齿轮故障诊断决策表，其中C1,…,C8为条件属性，D为决策属性。
3.2 属性约简
粗糙集只能处理离散化数据，然而实验中获得的数据大多是连续的，因此，必须先对原始诊断决策系统中的数据进行离散化处理。本文采用不定长的划分区间来给定数据划分区间宽度。
按照第二节的计算方法得到整个决策表的最小条件属性集为{C1，C2，C6}，获得最小决策表。
通过比较可得最小属性集的结构非常简单，仅包含决策时所必需的条件属性值和决策规则。它不仅具有原决策表的知识和分类能力，能对齿轮故障进行正确诊断，而且揭示了特征信息的冗余性。
4 结论
应用粗糙集理论进行齿轮故障诊断，从采集的齿轮参数为着眼点从其中获取诊断知识，不需要建立相关的诊断模型。所以，基于粗糙集理论的齿轮故障诊断方法，不存在对齿轮参数的主观评价，而是对参数进行客观的、定量分析，另外诊断规则的提取约简计算依据严格的数学方法。本文的研究内容为粗糙集理论在齿轮故障中的应用，但应用的一些其它难题，如诊断特征数量的选取、约简复杂性的降低等方法尚需进一步研究。
参考文献
［1］叶银忠.故障诊断技术的发展趋势及我们的对策[J].自动化博览,2002,3:54-55.
［2］IEEE1516—2000.IEEE Standard for Modeling and Simulation (M&S) High Level Architecture (HLA)—Framework and Rules[S].
［3］IEEE1516,1—2000.IEEE Standard for Modeling and Simulation (M&S) High Level Architecture (HLA)—Federate Interface Specification[S].
［4］王志海,等.基于粗糙集理论的知识发现综述[J].模式识别与人工智能,1998,11(2):176-183.
［5］曾黄麟.粗糙集理论及其应用[M].重庆大学出版社,1998.
