前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇故障診斷方法綜述范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

故障診斷方法綜述范文第1篇

【關鍵詞】極限學習機 故障診斷 神經網絡

引言

隨著設備復雜化程度的提高，對故障診斷的快速性和準確性提出了更高的要求。將神經網絡應用于故障診斷中已成為一個非常活躍的研究領域。利用神經網絡強大的分類能力，進行故障模式的分類與學習，診斷出故障。

Huang在前人研究的基礎上提出了一種稱為極限學習機（Extreme Learning Machine，ELM）的學習方法，在保留計算精度的同時可以大幅度的縮減訓練的時間。將ELM運用到設備故障診斷中，極大提高了診斷的快速性和準確性。

一、極限學習機研究現狀

ELM自2004年提出就一直受到學者的極大興趣。我們從ELM的理論和應用兩方面進行闡述。

1.1 ELM的理論

對于傳統ELM算法，網絡結構、激活函數類型以及隱層神經元的選擇對其泛化性能都有重要的影響。為了提高計算效率，使得ELM適用于更多應用領域，研究者提出了許多ELM擴展算法。

1.2 ELM的應用

研究人員已嘗試利用ELM方法解決現實中各種模式分類問題。隨著ELM自身理論的進一步發展和完善，在人臉識別、文本分類、醫療診斷等領域中應用廣泛。

二、故障診斷技術研究現狀

故障診斷技術是由于建立監控系統的需要而發展起來的。其發展至今經歷了3個階段。新的診斷技術帶來了領域內算法的革新，設備精密程度的提高也對診斷實時性提出了更高的要求。如何保證故障的快速準確診斷成了診斷技術發展重要內容。

基于神經網絡的故障診斷運用廣泛，然而傳統的神經網絡學習方法存在許多問題。與傳統的神經網絡相比，極限學習機方法通過隨機選取輸入權值及隱層單元的偏置值，可以產生唯一的最優解，并具有參數易于選擇以及泛化能力好等特點，在眾多領域有著廣泛應用。

三、基于極限學習機的故障診斷方法研究

3.1基于ELM的故障診斷流程

（1）數據預處理。按照選取的特征向量和故障類型對故障樣本進行預處理，并將處理后的樣本按比例分為訓練樣本集和測試樣本集。

（2）ELM的學習算法主要有以下3個步驟：確定隱含層神經元個數；隨機設定輸入層與隱含層間的連接權值和隱含層神經元的偏置；選擇隱含層神經元激活函數，進而計算隱含層輸出矩陣計算輸出層權值。

（3）用訓練好的ELM模型對測試樣本集進行分類，并輸出分類結果。

3.2基于改進ELM的故障診斷

針對極限學習機神經網絡初始權閾值對算法性能的影響問題，提出融合遺傳算法（GA）與粒子群算法（PSO）的GA-PSO算法，用于優化ELM神經網絡初始權閾值。該算法將群組一分為二，分別采用GA和PSO算法，再將優秀個體進行合并，改善了PSO算法全局搜索能力，同時增強GA算法的局部搜索效能。

故障診斷方法綜述范文第2篇

關鍵詞：異常檢測；緩變微小故障；累加和平均；早期故障檢測；PCA

1 概述

隨著現代工業技術的迅速發展，各種大型自動化系統的結構日益復雜，有關系統的異常檢測和故障診斷一直是學術界關注的重點問題[1-5]。相對于傳統的故障診斷方法， 微小故障診斷是一類更精細的診斷形式， 其診斷難度也更大?，F有微小故障診斷方法大致可分為三類：定性診斷方法、定量診斷方法、半定型半定量診斷方法[1]。其中，定量的診斷方法又被分為基于解析模型的方法和數據驅動的方法?；诮馕瞿Ｐ偷姆椒ǘ鄶凳抢帽辉\斷對象的數學模型，由于建模過程中難以避免誤差和未知干擾，很難保證高精度。而數據驅動的方法與數學模型的選取無關，該方法以采集到的過程數據為基礎，通過各種數據處理與分析方法挖掘出數據中隱含的信息，提高系統的監控能力，實用性較強。上述方法在多數文獻中已被廣泛用作預處理方法。郝小禮等為提高“小”故障檢測能力，對基于PCA的方法進行了改進，用小波濾波技術對數據進行過濾，提高故障檢測的能力[6]；文獻[7]提出一種中值濾波和奇異值分解（Singular Value Decomposition，SVD）對信號的聯合降噪方法，對原始聲發射信號進行中值濾波，去除幅值較大的異常值，并對去除后的信號進行空間重構和SVD分解，從而達到去噪的目的?；跒V波的方法有一個相似性就是僅僅通過降低噪聲的能量而不是故障大小來增加故障信號的信噪比。

本文為進一步提升早期微小故障檢測能力，提出一種基于累加和平均（AA）的時變異常檢測方法，在減小噪聲能量的同時對故障信號進行累加，從而可以顯著地提高故障信號的信噪比。針對累加平均后觀測數據不再獨立同分布的問題，建立了基于AA-PCA的時變異常檢測模型，以進行緩變微小故障的早期檢測。

2 基于PCA的故障檢測方法

主元分析是將多個相關的變量轉化為少數幾個相互獨立的變量一個有效的分析方法[3]。將歷史正常數據矩陣Y00∈Rn×P可以分解為個向量的外積之和，如式（1）所示：

其中，P是變量個數，n是樣本個數，bi∈Rn是得分向量（主元），vi∈Rp是負荷向量。

對正常數據矩陣Y00進行主元分解，如式（2）所示：

建立起系統正常運行情況下的PCA模型后，可以應用多元統計控制量進行故障檢測與診斷的分析，常用的統計量有2個，即HotellingT2統計量和SPE統計量。

SPE統計量位于殘差子空間，對于加性偏差類故障較敏感，其定義為：

其中Bv是負荷矩陣的前v列構成的矩陣。

SPE的控制限可由正態分布確定

在這里，？姿是歷史數據的協方差矩陣的特征值，C？琢是正態分布在檢驗水平？琢下的臨界值。

3 基于AA-PCA的早期故障時變檢測模型

上小節介紹了基于PCA的故障檢測方法對早期異常檢測的效果并不令人滿意。本小節提出一種基于AA-PCA的時變異常檢測模型，在減小噪聲能量的同時對故障信號進行累加，可以較好地實現早期微小故障檢測。具體實現步驟如下所示：

3.1 離線建模

（1）假設有N組離線正常觀測數據Y00∈Rn×p，將其按層堆疊構成三維矩陣Y0∈Rn×p×N。

（2）分別計算正常觀測數據做累加平均后的觀測數據矩陣

（3）對每個累加后的數據矩陣 建立N個PCA

模型，根據公式（4），求每個PCA模型的SPE控制限UCL（k）。

（4）通過式（6）確定基于AA的時變PCA異常檢測模型的控制限，然后將其歸一化。

（6）

3.2 在線檢測

（1）假設在線數據矩陣Y∈Rn×p定義如下：

其中，Y00（i，j）是第j個變量在樣本時間i的在線正常觀測值，F（i，j）是當系統發生異常時第j個變量在采樣時間i的觀測變化值。將Y進行累加可得：

（8）

（2）將累加后的矩陣，根據公式（3）分別計算每個樣本點的SPE統計量值。

（3）對在線統計量SPE（k）歸一化處理，得 。

（4）求早期故障檢測點te，若在線計算的 統計量的值超過了第k個主元模型的控制限，則在第k個樣本點系統出現異常。

4 仿真

本節取p=10，n=1000，N=1000用于仿真。設正常觀測數據Y00∈Rn×p由p個傳感器的觀測樣本數據組成， 將Y00的產生方式運行N次，便可以得到N組正常觀測數據構成的三維矩陣Y0。分別利用PCA、CUSUM-PCA、AA-PCA對系統從201時刻個樣本的開始加入的緩變異常情況進行檢測。仿真結果如下所示：

圖1給出了用傳統PCA對觀測數據做監控的SPE圖，虛線是在檢測水平1-？琢=0.997下的控制限，也就是說系統的異常是在較高的檢測水平下，因此將這個樣本點稱為失效點。從圖中可以看出，系統在從第819個樣本點發生異常。但是緩變故障的發生時刻遠早于失效樣本點。在失效之前，故障沒有達到足夠明顯特征，以至于未被提前檢測到。

圖2呈現的是基于CUSUM-PCA的SPE檢測圖。此圖中，早期故障趨勢在第546個樣本點被檢測到。基于CUSUM的方法是累加故障大小，雖能實現早期檢測，但是檢測效果并不好。圖3給出了時變AA-PCA的早期故障檢測結果，故障趨勢可以從第201個樣本點被檢測到。表1中列出了上述各種方法的檢測樣本點，誤檢率以及漏檢率。不難看出，基于AA-PCA的時變早期緩變故障檢測在有效地減少噪聲的同時也對故障大小進行累加。

5 結論和展望

為實現在減小噪聲能量的同時對故障信號進行累加，本文將PCA作為特征抽取工具，提出了基于AA-PCA的時變早期緩變微小故障檢測方法。為系統剩余壽命的早期預測維護提供必要基礎。由于PCA具有模式復合問題，不能實現故障診斷，從而不能對系統造成致命影響的關鍵部件進行實時剩余壽命預測。所以，研究基于關鍵部件的早期故障檢測和剩余壽命預測方法是下一步待開展的工作。

參考文獻

[1]李娟，周東華，司小勝，等.微小故障診斷方法綜述[J].控制理論與應用，2012，29（12）：1517-1529.

[2]文成林，呂菲亞，包哲靜，等.基于數據驅動的微小故障診斷方法綜述[J].自動化學報，2016，09：1285-1299.

[3]鄭茜予.基于主元分析的微小故障檢測[D].華北電力大學，2015.

[4]尚駿，陳茂銀，周東華.基于變元統計分析的微小故障檢測[J].上海交通大學學報，2015，49（6）：799-811.

[5]周福娜，文成林，等.基于指定元分析的多級相對微小故障診斷方法[J].電子學報，2010，38（8）：1874-1879.

[6]郝小禮，陳友明，張國強.小波濾波在小故障檢測中的應用[J].暖通空調，2005，08：138-140.

故障診斷方法綜述范文第3篇

關鍵字:汽車電機故障方法

1.電機故障診斷的特點及實施電機故障診斷的意義

1.1電機故障診斷的特點

電機的功能是進行電能與機械能量的轉換,涉及因素很多,如電路系統、磁路系統、絕緣系統、機械系統、通風散熱系統等。哪一部分工作不良或其相互之間配合不好,都會導致電機出現故障。因此,電機故障要比其它設備的故障更復雜,其故障診斷所涉及到的技術范圍更廣,對診斷人員的要求也就更高。一般來說,電機故障診斷涉及到的知識領域主要有[20]:電機理論、電磁測量、信號處理、計算機技術、熱力學、絕緣技術、人工智能等。電機故障診斷的復雜性還表現在故障特征量的隱含性、故障起因與故障征兆之間的多元性。一種故障可能表現出多種征兆,有時不同故障起因也可能會反映出同一個故障征兆,這種情況下很難立即確定其真正的故障起因。另外,電機的運行還與其負載情況、環境因素等有關,電機在不同的狀態下運行,表現出的故障狀態各不相同,這進一步增加了電機故障診斷難度,所以要求對電機進行故障診斷首先必須掌握電機本身的結構原理、電磁關系和進行運行狀況分析的方法,即掌握電機各種故障征兆與故障起因間的關系的規律。

1.2實施電機故障診斷的意義

電機的驅動易受逆變器故障的影響,在交流電機驅動系統中,逆變器短路故障將會使電機產生有規律波動的或是恒定的饋電扭矩,使車輛突然減速。研究表明:逆變器出現故障時,永磁感應電機將產生較大的饋電扭矩,而且永磁電機也有存在潛在的高消磁電流的問題。而感應電機在逆變器出現故障時所產生有規律的饋電扭矩將由于有持續的負載而迅速衰減,這說明了感應電機具有較高的容錯能力,適應混合動力系統的要求。開關電機磁阻是最具有故障容錯能力的電機,而且當其有一個逆變器支路出現故障時電機仍能產生凈扭矩,另外,開關磁阻電機成本低,結構緊湊,但是開關磁阻電機有較大的噪聲和扭矩脈沖,而且需要位置檢測器,而這些缺點使得開關磁阻電機在現階段不適合應用于混合動力客車上。在混合動力客車動力系統中,電機是作為輔助動力的,而且電機屬于高速旋轉設備,如果電機出現故障,電機產生的瞬態扭矩將使車輛的穩定性和動力性將受到影響,而且,電機由高壓電池組驅動,如果電機出現故障而不能及時容錯,電機產生的瞬態電流將使電池受到損害,因此在混合動力系統中對電機進行故障診斷是非常必要的。

2.電機的故障診斷方法及典型故障診斷分析

2.1電機故障的診斷方法

(1)傳統的電機故障診斷方法

在傳統的基于數學模型的診斷方法中,經典的基于狀態估計或過程參數估計的方法被應用于電機故障檢測。圖1為用此類方法進行故障診斷的原理框圖。這種方法的優點是能深入電機系統本質的動態性質,可實現實時診斷,而缺點是需建立精確的電機數學模型,選擇適當決策方法,因此,當電機系統模型不確定或非線性時,此類方法就難以實現了。

(3)基于模糊邏輯的電機故障診斷方法

圖3為基于模糊邏輯的電機故障診斷方法框圖,故障診斷部分是一個典型的模糊邏輯系統,主要包括模糊化單元、參考電機、底層模糊規則和解模糊單元。其中,模糊推理和底層模糊規則是模糊邏輯系統的核心,它具有模擬人的基于模糊概念的推理能力,該推理過程是基于模糊邏輯中的蘊涵關系及推理規則來進行的。模糊規則的制定有兩種基本方法:第一,啟發式途徑來源于實際電機操作者的語言化的經驗。第二,是采用自組織策略從正常和故障電機測量獲得的信號進行模糊故障診斷的制定,將此方法通過計算機仿真實現,對電機故障有較好的識別能力。

(4)基于遺傳算法的電機故障診斷方法

遺傳算法是基于自然選擇和基因遺傳學原理的搜索算法,它的推算過程就是不斷接近最優解的方法,因此它的特點在于并行計算與全局最優。而且,與一般的優化方法相比,遺傳算法只需較少的信息就可實現最優化控制。由于一個模糊邏輯控制器所要確定的參變量很多,專家的經驗只能起到指導作用,很難根據指導準確地定出各項參數,而反復試湊的過程就是一個尋優的過程,遺傳算法可以應用于該尋優過程,較有效地確定出模糊邏輯控制器的結構和數量。

遺傳算法應用于感應電機基于神經網絡的故障診斷方法的框圖如圖4所示。設計神經網絡的關鍵在于如何確定神經網絡的結構及連接權系數,這就是一個優化問題,其優化的目標是使得所設計的神經網絡具有盡可能好的函數估計及分類功能。具體地分,可以將遺傳算法應用于神經網絡的設計和訓練兩個方面,分別構成設計遺傳算法和訓練遺傳算法。許多神經網絡的設計細節,如隱層節點數、神經元轉移函數等,都可由設計遺傳算法進行優化,而神經網絡的連接權重可由訓練遺傳算法優化。這兩種遺傳算法的應用可使神經網絡的結構和參數得以優化,特別是用DSP來提高遺傳算法的速度,可使故障響應時間小于300μs,不僅單故障信號診斷準確率可達98%,還可用于雙故障信號的診斷,其準確率為66%。

近年來,電機故障診斷的智能方法在傳統方法的基礎上得到了飛速發展,新型的現代故障診斷技術不斷涌現:神經網絡、模糊邏輯、模糊神經網絡、遺傳算法等都在電機故障診斷領域得到成功應用。隨著現代工業的發展,自動化系統的規模越來越大,使其產生故障的可能性和復雜性劇增,僅靠一種理論或一種方法,無論是智能的還是經典的,都很難實現復雜條件下電機故障完全、準確、及時地診斷,而多種方法綜合運用,既可是經典方法與智能方法的結合,也可是兩種或多種智能方法的結合,兼顧了實時性和精確度,因此多種方法的有機融合、綜合運用這一趨勢將成為必然,也將成為電機故障在線診斷技術發展的主流方向。

參考文獻:

[1]陳清泉,詹宜君,21世紀的綠色交通工具——電動汽車[M],北京:清華大學出版社,2001

故障診斷方法綜述范文第4篇

【關鍵詞】Agent;電網系統;故障診斷;精確

1.電網故障精確診斷系統的整體設計

電網故障診斷系統的多Agent模型包括數據采集層、數據處理層、故障診斷層、故障決策層、檢修計劃層，系統的整體結構如圖1所示。

圖1 基于Multi-Agent的電網故障精確診斷系統結構

各Agent的功能描述如下：

（1）實時數據采集Agent：從SCADA系統中獲取電網狀態的數據并對數據整理傳至故障診斷Agent，同時監聽故障跳閘事件，喚醒結線分析Agent與故障診斷Agent。

（2）結線分析Agent：確定并顯示停電區域，對該區域接線進行局部結線分析。

（3）故障類型庫、故障診斷Agent與診斷結果評估Agent：這是整個診斷系統的核心部分。故障類型庫多個Agent并行工作，根據開關跳閘信號，來判斷可能的故障類型;故障診斷Agent求得故障隸屬度最大的故障，初步確定故障類型;診斷結果評估Agent則得到故障的嚴重程度。

（4）案例分析Agent：是通過實時數據得到的診斷結果處理成案例，為以后的診斷工作提供輔助。

（5）規則庫管理Agent：提供診斷規則，對規則庫的維護和管理。

（6）接線圖生成Agent：自動生成廠站接線圖，以便故障類型庫調用;在故障發生后，可以將故障跳閘區域顯示在屏幕上。

2.電網故障診斷系統的核心部件設計

2.1 故障類型庫

診斷Agent內部結構如圖2所示：

圖2 故障分析Agent內部結構

主要部件功能如下：

（1）控制部件：對Agent的動作及任務進行分析、優化、監控以及執行。

（2）數據存儲器：負責存儲收到的用于診斷的故障數據，以及診斷過程中產生的中間結果。

（3）推理機控制器：實現對多Agent協作的聯合調度，負責啟動、監控、終止推理機的工作，并對診斷結果進行評價。

（4）推理機：利用數據及知識對故障進行診斷。啟動執行面向基本活動的計算，推理產生的中間結果送入數據存儲器，最終結果送給推理機控制器。

2.2 故障診斷Agent與結果評估Agent

故障診斷評估過程如圖3所示：

圖3 故障診斷評估過程

模糊算法是通過對現實對象的分析，處理數據并構建模糊型數學模型，用隸屬關系將數據元素集合靈活成模糊集合，確定隸屬函數，獲得現實對象的隸屬度。

設給定論域U，U在閉區間[0，1]中的任一映射μA。

可確定U的一個模糊子集A。

μA（x）稱為A的隸屬函數，μA（xi）稱為元素xi的隸屬度。當μA（xi）=1時，則xi完全屬于模糊集合A，當μA（xi）=0則xi完全不屬于模糊集A.μA（xi）越接近于1，xi屬于A的程度就越大。

BP網絡是一種誤差反向傳播的神經網絡，BP算法的基本思想是梯度下降法，它采用梯度搜索技術，以期使網絡的實際輸出值與期望輸出值的誤差均方值為最小。輸入樣本的預測權重處理方法對BP神經網絡進行訓練能夠進一步確認故障類型并很好地區分故障的嚴重的程度。

采用下述方法獲得多組預測組合的樣本輸出Q：

n為該樣本采用的預測個數，m為該故障的最大預測數。

其中：

3.診斷系統的通信與編碼實現

（1）由圖2與圖3所示，系統的通信采用FIPA ACL通信語言編程實現。FIPA ACL通信語言是智能物理Agent基金會（FIPA）做的對Agent通信語言標準化的工作，其特點是層次結構清晰，由通信層、消息層、內容層組成，具有可行前提條件和預期通信效果并且具有標準EBNF格式語法，具有標準化內容語言。

FIPA規定了22個通訊動作。如圖4所示FIPA請求協議的通信行為：

圖4 FIPA請求協議

（2）故障類型庫Agent的故障類型推理部分使用PROLOG語言進行編程，PROLOG語言是一種說明性語言，具有表達能力強、堅實的數學基礎（一階謂詞邏輯）、自動回溯、支持遞歸調用等特點，廣泛應用于AI領域，只要給出求解問題所需要的事實和規則，PROLOG就能使用演繹推理的方法去解決問題。

其余采用JAVA語言編程實現，利用JAVA的多線程編程接口，開發人員可以方便得寫出支持多線程的應用程序，提高程序執行效率。多線程關鍵代碼如下：

創建線程之后，可用getName（）或setNam （）來創建線程名字。通過start（）來激活線程，Thread.sleep（）來讓線程等待。線程在執行之后消除，也可以終止線程。

4.結論

本文研究設計了電網的故障診斷系統，并將Multi-Agent技術應用其中，滿足診斷對象的網絡分布化、故障多元化的要求，使用多種語言混合編程，可以互相彌補缺點，發揮優勢，提高Agent系統的質量，并使用多線程技術提高系統效率，采用模糊-神經算法的混合診斷策略，提高系統的診斷精度。

參考文獻

[1]陳華，陳少華，楊宜民.多Agent系統及其在電力系統繼電保護中的應用[J].電氣應用，2005.

[2]朱永利，盧錦玲，等.基于Multi-agent的電網故障診斷系統的研究[J].繼電器，2006.

[3]陳玉林，等.電網故障診斷方法綜述[J].中國電力，2006.

[4]楊行峻，鄭君里.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電力系統故障診斷專家系統[J].電力系統自動化，2001，25（24）：33-36.

[6]蔣偉進，許宇勝.基于MAS的分布式智能故障診斷模型與關鍵技術研究[J].南京大學學報：自然科學版，2004，40（4）：483-496.

[7]蔣偉進，許宇勝.多智能體的分布式智能故障診斷[J].控制理論與應用，2004，21（6）：945-950.

[8]王慧，孫鐵利.一種新的基于Java和Prolog的智能Agent實現方案[J].計算機科學，2006.

[9]董愛兵，王小平，曹立明.基于FIPA ACL和RDF的Agent通信語言[J].計算機應用研究，2005.

基金項目：國家科技型中小企業創新基金（項目編號民：No.11c26216203816）。

作者簡介：

故障診斷方法綜述范文第5篇

關鍵詞： 故障診斷； 故障檢測； 發展現狀； 航天器

中圖分類號： V467文獻標識碼： A文章編號： 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

隨著航天領域的不斷擴展以及航天技術的不斷進步， 航天器系統的復雜度不斷提升。 這雖然有利于航天器完成難度更大的太空任務， 但是由于太空環境的復雜性以及航天器地面測試系統的局限性， 航天器的可靠性將會相應降低。 航天器發生微小的故障都有可能引起系統性的故障問題，影響整個航天器的正常工作， 甚至導致太空飛行任務的失敗。 所以， 航天器的故障診斷技術對于其飛行任務的成敗起到至關重要的作用。 另一方面， 故障診斷技術的發展也可以讓航天器更加自主化、 智能化， 脫離繁瑣的人工監控模式， 不僅擁有了更高的容錯性， 也大大降低了航天器的開發成本和飛行任務的風險。

國外航天領域的科研人員對航天器的故障診斷技術進行了多方面的研究， 國內也同樣致力于這方面的發展， 但主要還停留在對航天器的故障分析和狀態監測階段。1航天器故障分析

針對航天器系統發生的故障， 收集并整理了近50年來公開的國內外航天器發射與在軌等各階段的故障及其發生的原因， 對總體的故障方式進行了總結和研究。

按故障類型對航天器發生故障的比率進行統計， 如圖1所示[1-6]。 從圖中可以看出， 電源分系統、 控制分系統以及推進分系統發生故障的概率最高， 并且這三個分系統一旦發生故障， 對航天器的正常運行可能造成非常嚴重的傷害。

另外， 按航天器發生故障的嚴重性將航天器故障分為四個等級， 如表1所示[7]。

在國內外航天器發生的故障中， 災難性故障和輕微性故障所占比率較少， 分別為22%和20%。 而嚴重性和一般性的故障發生概率較大[8]， 分別為27%和31%。

所以， 航天器一般以發生在控制系統、 推進系統或者電源系統上的嚴重性或一般性故障為主。 而只要能夠及時開展對航天器的故障診斷技術研究， 其中大多數故障可以提前進行診斷并且避免災難的發生， 特別是針對控制分系統、 電源分系統和推進分系統方面的探索， 不僅可以保障航天員的安全， 也可以提高航天器在軌運行的可靠性， 減輕地面工作人員的工作負荷以及航天器的發射和制造成本[9]。 所以航天器故障診斷技術的發展對于航天領域的進一步開拓具有非常重要的意義。

航空兵器2016年第5期王嘉軼等： 航天器故障診斷技術的研究現狀與進展2國內外故障診斷技術發展現狀分析

航天器故障診斷技術是隨航天技術的不斷進步而逐步發展起來的。 以歐美為主的國家在航天器的故障診斷技術上的發展較早， 領先于國內。 但隨著國內航天事業的巨大發展以及中國航天大國地位的崛起， 中國在航天器故障診斷技術上的進步也是不容小覷的。

2.1國外航天器故障診斷技術的發展

美國在航天領域的發展早期就已經非常重視故障診斷技術的研究， 是最先將故障診斷技術運用于航天器飛行任務中的國家。 自20世紀70年代起， 美國在很多航天工程中都采用了以狀態監測為主的故障診斷方法。 當時的“雙子星座”飛船就是以故障監測系統為基礎的載人飛船， 將地面數據監測系統以及宇航員艙內手動操作相結合來完成包括姿態控制系統、 燃料推進系統以及三軸轉動速率的數據狀態檢測。 通過對這些狀態參數的監測可以對飛船發生的故障采取相應的措施， 保證飛行任務的順利完成。 而后的“阿波羅”飛船在“雙子星座”飛船故障診斷系統的基礎上， 建立了一套自身的安全保障系統。 該系統包括了對故障狀態的監測和處理， 并由航天領域專家進行參與分析。 這也使得“阿波羅”系列飛船能圓滿完成各項任務。 近年來， NASA在航天器故障診斷方面進行了全方位的探索并且已經形成了完整的故障診斷體系， 后來將其歸類為集成健康管理系統的范圍中[10]， 各分工如表2所示[11]。

俄羅斯和西歐等多個國家也在故障診斷技術方面進展卓越。 俄羅斯借助前蘇聯開展的航天器故障診斷仿真工作中得到的經驗技術對航天器的故障診斷與狀態進行監測和分析， 并通過地面模擬的方法來保證航天器飛行任務的順利完成。 而西歐， 以德國和法國為主的國家也進行了研究并開發了很多實用的故障診斷系統。 法國的Delange等人研究開發了用于火箭發動機的故障監測系統， 能夠高效準確地判斷出故障發生的時間并及時采取措施； Dellner等人針對“尤里卡”平臺開發的基于知識的故障診斷系統， 可以對該平臺的冷閉合系統進行全方位的故障監測與保護措施[12]。

2.2國內航天器故障診斷技術的發展

相對于歐美等航天大國來說， 國內在航天器故障診斷方面的發展起步較晚， 技術不成熟， 但也逐漸意識到故障診斷對于航天器的重要性， 并開展了一系列理論與實踐研究。 自20世紀80年代以來， 在國內各航天院所的帶領下進行包括航天器設備的故障診斷系統研究， 研制出了針對不同故障類型的故障診斷系統， 但實驗效果并不理想。 2014年成立了國內首個航天器在軌故障診斷與維修實驗室， 進行在軌故障早期辨識與定位、 在軌故障仿真與維修、 在軌可靠性增長與延壽等技術研究， 標志著中國的航天器故障診斷技術正邁向一個嶄新的階段， 將更加有效地提升國內航天器自主故障診斷的能力。

3航天器故障診斷的方法

通過對國內外航天器故障診斷技術的發展分析， 歸納出了三種近年來主要運用的方法， 分別是基于信號處理的方法、 基于數學模型的方法和基于知識的方法。

3.1基于信號處理的方法

基于信號處理的方法是最早使用的故障診斷技術， 是其他方法進行故障診斷的基礎。 該方法不需要以系統的數學模型為基礎， 只需對時域、 幅值、 頻域等可測信號特性進行分析， 就能識別和檢測系統故障。

基于信號處理的方法較多， 一般有小波變換法、 信息融合法等。 以下主要對信息融合法和小波變換法進行分析。

3.1.1信息融合診斷法

故障診斷是通過一些檢測量來判斷系統是否發生故障， 所以對單個檢測量的故障診斷方法選擇至關重要。 為了避免某一種診斷方法的誤報或漏報， 可以采取多種方法對單個檢測量進行診斷， 即對系統各部分的一個局部故障進行診斷， 然后將各種診斷方法獲得的結果融合成最終故障診斷方案， 即全局故障診斷。

基于信息融合的診斷技術可以通過局部故障和全局故障診斷相融合的方法來實現對航天器整體系統的故障檢測與隔離。 信息融合法可對故障進行多方面的分析， 比以往單一的信息處理方法更具有可信度和準確性， 提高了航天器系統的信息利用率， 為系統的故障診斷提供更有效的幫助。

3.1.2小波變換診斷法

小波變換法首先對系統的輸入信號進行小波變換， 然后求出輸入輸出信號的奇異點。 通過對其奇異點的分析， 判斷出對應故障的發生情況[13]。

這種方法的主要優點是不需要系統的數學模型， 只需通過簡單的小波變換特性來分析檢測故障。 由于小波變換法的高靈敏度和強抗干擾能力， 近年來很多學者都針對其進行了航天器故障診斷的理論與仿真研究工作。 文獻[14]將小波分析方法應用于航天器姿態控制系統中采用的紅外地球敏感器、 陀螺和姿控發動機的典型故障模式中， 并達到了預期的效果； 文獻[15]提出了利用小波變換的時-頻局部化特性作為新的信號處理方法， 提出了基于小波分析的航天器結構故障診斷方法。 但由于小波變換的方法大多只用于理論驗證和仿真實驗中， 所以還需在實踐中驗證。

早期的基于信號處理方法的航天器故障診斷技術由于實時性和自主性差， 遠達不到預期效果。 但通過小波變換、 信息融合等多種新技術的加入， 使得基于信號處理的方法更加得到青睞， 在航天器的故障診斷方面起到非常重要的作用， 也將會逐漸從工程仿真實驗向航天器故障診斷實踐上發展。

3.2基于數學模型的方法

基于數學模型的故障診斷是現代故障診斷技術發展的基礎， 也是發展最成熟、 應用最廣泛的一種方法。 其核心是以分析系統數學模型為基礎， 通過參數估計、 狀態估計等多種方法來產生殘差， 然后通過閾值或其他限定準則對該殘差進行分析和下一步的故障處理[16]。 該方法進展迅速且易于理解和研究， 所以應用較為廣泛， 主要分為參數估計法和狀態估計法兩類。

3.2.1參數估計診斷法

參數估計法是指當航天器系統故障的參數可由參數變化的數據來表示時， 就可以利用參數的估計值與實際值之間的偏差來判斷出系統的具體故障方式和故障情況[17]。 基于參數估計的故障診斷方法見圖2， 其中u和y分別為輸入和輸出參數值， N為模型參考狀態。

在眾多的參數估計方法中， 強跟蹤器濾波法和最小二乘法因其強魯棒性而被廣泛應用。

3.2.2狀態估計診斷法

狀態估計診斷法是通過對被控系統的重新建模， 利用模型的估計狀態與原系統中可反映自身的狀態量相對比， 構成殘差量。 從殘差量中得出反映系統各個狀態的運行情況和故障信息， 從中診斷出故障， 并作進一步的故障隔離和故障容錯。 該方法需要具備系統的過程數學模型以及局部可觀測部分。 該方法是在能夠獲得系統精確模型的基礎上最為有效的一種方法。

一般觀測器和濾波器方法都是運用狀態估計的診斷原理來進行的。 若系統是確定且可觀測的， 則一般采用觀測器的方法， 如自適應非線性觀測器； 若系統需要加入噪聲等干擾因素， 則一般會使用濾波器的方法， 如Kalman濾波器等。

從以上方法可以看出， 雖然基于數學模型的方法能夠較為精確、 高效地完成航天器系統的故障診斷， 但是對于系統結構較為復雜的航天器以及無法預測的太空環境而言， 精確數學模型的建立是非常困難的， 即使建立出數學模型也很難保證不受不確定因素的干擾。 所以， 基于數學模型的航天器故障診斷方法需要與其他方法相結合， 才能更有效地推進航天器故障診斷技術的發展。

3.3基于知識的方法

基于知識的故障診斷方法是通過直接或間接的方法來獲取故障診斷的發生征兆或判定原則， 較為直觀地了解系統的故障發生情況， 及時做出準確的判斷來完成系統的故障診斷。 但由于知識的覆蓋有限， 航天器系統的不確定因素較多， 加之經驗技術的缺乏， 使得該方法具有一定的局限性。 一般基于知識的方法有專家系統法、 神經網絡法、 組合智能診斷法等。

3.3.1專家系統診斷法

早期的專家系統是通過在航天器系統工程方面擁有豐富經驗的專家總結出的規則來描述系統故障和故障征兆。 這種方式可以充分利用專家的經驗知識來進行系統的故障診斷， 從而快速準確診斷出故障。 但面對未知問題時， 容易出現錯判或漏判的現象， 因此， 一旦出現與專家系統不匹配的故障問題時， 就會出現診斷失敗的情況[18]。

通常是將專家系統與其他智能方法相結合來完善整個故障診斷技術。 文獻[19]設計開發了分布式故障診斷專家系統， 通過各個子故障診斷專家系統間的任務分配、 協作以及診斷決策并結合智能控制方法來滿足航天器復雜大系統的故障診斷需要； 文獻[20]提出了一種分布式實時故障檢測診斷專家系統， 將基于知識診斷技術與自動檢測技術有效結合起來， 為航天器故障診斷技術的發展提供了新的思路。

3.3.2神經網絡診斷法

由于神經網絡具有自組織、 自適應的能力， 并且對于復雜的非線性系統不需要完整的數學模型， 因此在航天器故障診斷技術中得到了應用。 神經網絡可將系統知識方法通過網絡進行訓練和學習， 具有更好的實時更新與推理能力。 常用于航天器故障診斷的神經網絡模型如圖3所示。

該方法也存在不足之處， 其未能充分利用專家系統的經驗知識且只能通過已有的樣本進行訓練學習， 一定程度上影響了診斷技術的可靠性。 另一方面， 神經網絡的訓練知識基于輸入輸出值的檢測， 對與過程有關的狀態量和發生的故障不能夠做出足夠準確的解釋。 這些都對基于神經網絡的故障診斷技術的發展提出挑戰。

3.3.3組合智能診斷法

人工智能在各個方面都已經有了廣泛的應用， 并且已經展示出其足夠的優勢所在。 但是， 包括神經網絡、 模糊數學、 粒子群算法等智能方法都有其局限性， 如何克服困難充分發揮其優勢才是航天器故障診斷技術需要探索的。

文獻[21]提出了一種基于專家系統、 案例推理以及故障樹的混合智能診斷技術來解決航天器的測控管理問題， 并且文獻中所提及的故障樹雙向混合推理機制被用于實現航天器故障定位和預測功能； 文獻[22]在TS模糊模型的基礎上， 結合H∞最優故障觀測器來構建殘差信號， 研究姿態控制系統陀螺的故障診斷問題； 文獻[23]提出了將幾何學與神經網絡相結合， 并通過自適應估計濾波器來對殘差進行判斷， 從而完成對衛星姿態控制系統中反作用飛輪的故障檢測、 隔離和估計； 文獻[24]采用了一種基于分層神經網絡的衛星系統故障診斷模型， 通過自組織特征映射網絡和廣義回歸神經網絡相結合來實現整星各分系統故障的精確定位和判斷故障發生的原因。

混合智能方法能夠讓各自算法的結構特點體現出來， 彌補了單個智能方法的不足之處。 通過智能方法的組合應用以及與其他診斷方法的融合， 可以使航天器故障診斷系統通過經驗性思維、 邏輯性思維和創造性思維的互相轉化與配合， 來完成復雜的診斷技術的發展， 是巧妙組合的有機整體[25-27]， 如圖4所示。

4航天器故障診斷技術面臨的挑戰

從上述的航天器故障類型和統計數據可以看出， 航天器發生故障的方式都有其自身的特點和規律。 只要能有效地開展故障診斷技術， 就可以對其故障進行及時的修復， 并且可以防范一些可能發生的故障問題， 對航天器飛行任務的可靠性和故障診斷技術開展的有效性都有一定幫助， 對航天器系統的容錯技術起到一定的促進作用。

目前航天器故障診斷技術面臨的主要挑戰有[28]：

（1） 空間環境復雜， 擁有很多不確定因素。 航天器在發射升空及空間軌道運行階段， 都會受到來自空間中大氣攝動、 引力攝動、 三體攝動等很多攝動力的影響， 除此之外， 太陽高能粒子輻射、 氧原子腐蝕、 單粒子翻轉效應等很多太空環境原因產生的不利因素， 也都會對航天器的自主運行和器件的完好性造成一定的影響。 因此， 如何克服惡劣的太空環境來完成航天器的故障診斷， 并避免因環境因素導致的故障誤報和漏報現象是現代航天領域的一個重要方向。

（2） 地面人工干預能力有限。 大多數航天器都不僅僅是在本國上方進行太空飛行任務， 所以在航天器的星下點軌跡處都覆蓋有地面測控站是不現實的， 導致航天器的可監測性能下降。 當衛星失去控制或者是不在監測范圍內時出現故障， 不能及時進行人工干預會對航天器的軌道運行造成惡劣的影響甚至是整個飛行任務的失敗。 運用自主故障診斷技術就可以在減少故障發生頻率的同時減少地面站的參與度， 有效地節約地面監測成本， 是提高航天器可靠性的主要方法。

（3） 星上可利用資源有限。 要使得航天器的故障診斷技術有很強的自主控制能力， 就需要航天器具有更加復雜的結構。 但是航天器的星上資源有限， 包括星上計算機的資源儲備以及有效載荷都具有一定的限制。 過于復雜的系統雖然可以使得航天器的自主故障診斷技術有所提升， 但是會降低航天器運行過程的可靠性， 影響航天飛行任務的順利完成。 所以如何利用航天器星上的有限資源開展有效的故障診斷也是航天器故障診斷的重要階段。

（4） 故障診斷技術與航天器結合能力不成熟。 在現代工業發展中故障診斷已經十分成熟， 可以為工業操作系統提供非常精準的故障檢測與容錯技術。 航天器的自主故障診斷能力在這些方面還有待提高， 所以如何將成熟的地面故障診斷技術運用到軌道運行過程中來提高航天器的智能化， 是故障診斷技術極具挑戰性的一個環節。

5總結與展望

航天器故障診斷技術的發展對于提高系統的可靠性和準確性， 保障飛行任務的順利進行具有重要作用。 但航天器故障檢測系統較為復雜， 不能只采用單一的技術來解決故障診斷的問題。 因此通過多種方法結合的優勢彌補單個技術方法的劣勢， 例如將智能算法與數學模型相結合就是非常重要的發展方向。

另外， 國內對于航天器故障診斷技術的研究尚處于初步階段， 與歐美等其他航天大國相比， 國內還僅停留在理論研究的初步階段， 對于航天器這種在特殊環境中運行的系統， 不僅需要扎實的理論研究， 更需將理論與工程實踐相結合， 研究開發出高可靠性、 長壽命并且高精度的航天器， 同時降低維修費用和生產成本， 便于航天工程實踐的需要。

參考文獻：

[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] 林來興. 最近十年航天器制導、 導航與控制（GNC）系統故障分析研究[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] 聞新， 張興旺， 秦鈺琦， 等. 國外航天器在軌故障模式統計與分析[J]. 質量與可靠性， 2014（6）： 13-18.

[7] 周前祥， 郭華嶺. 載人航天器故障特點及其診斷技術的研究展望[J]. 中國航天， 1999（9）： 30-32.

[8] 譚春林， 胡太彬， 王大鵬， 等.國外航天器在軌故障統計與分析[J]. 航天器工程， 2011， 20（4）： 130-136.

[9] 龍兵， 宋立輝， 荊武興， 等. 航天器故障診斷技術回顧與展望[J]. 導彈與航天運載技術， 2003（3）： 31-37.

[10] 張森， 于登云， 王九龍. 國外航天器故障診斷研究進展[C]∥第二十屆全國測試與故障診斷技術研討會， 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， 楊松. 航天器動力學環境試驗故障診斷專家系統[J]. 航天器環境工程， 2008， 25（1）： 36-40.

[13] 張洪鉞， 聞新， 周露. 國內控制系統故障診斷技術的現狀與展望[J]. 火力與指揮控制， 1997， 22（3）： 1-6.

[14] 郝慧， 王南華. 基于小波分析的航天器姿態控制系統故障診斷方法研究[J]. 航天控制， 2005， 23（5）： 73-78.

[15] 王婉秋， 楊松. 基于小波分析的航天器結構故障診斷方法研究[C]∥中國宇航學會結構強度與環境工程專委會航天空間環境工程信息網學術研討會， 2006.

[16] 蘇林， 尚朝軒， 劉文靜. 航天器姿態控制系統故障診斷方法概述[J]. 長春理工大學學報： 自然科學版， 2010， 33（4）： 23-27.

[17] 聞新. 控制系統的故障診斷和容錯控制[M]. 北京： 機械工業出版社， 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] 李清東， 張慶振， 任章，等. 航天器分布式智能故障診斷專家系統設計[J]. 戰術導彈控制技術， 2006（4）： 107-110.

[20] 丁彩紅， 黃文虎， 姜興謂. 一種實時監測與故障診斷專家系統方案[J]. 自動化技術與應用， 1999， 18（3）： 19-21.

[21] 解侖， 劉帆， 鞏瀟，等. 基于混合智能的航天器故障診斷系統[J]. 信息與控制， 2010， 39（1）： 106-113.

[22] 王宇雷， 李傳江， 馬廣富. TS模型和H∞觀測器在衛星故障診斷中的應用[J]. 哈爾濱工業大學學報， 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] 安若銘， 高陽. 基于分層神經網絡的航天器故障診斷技術[J]. 航天器環境工程， 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.