[科普中国]-故障遮掩

简介

故障是系统不能执行规定功能的状态。通常而言，故障是指系统中部分元器件功能失效而导致整个系统功能恶化的事件。按故障的发生和发展过程可将故障分为突发性故障和渐发性故障。故障遮掩是指产品(装备)的某个分项目存在故障，但由于该产品(装备)某一特点或由于该分项目或另一分项目的其他故障，而不能被识别的状态。故障遮掩是属于突发性故障，一般难以诊断，一旦发现就可能对系统运行造成很大影响。

故障诊断是指利用各种检查和测试方法，发现系统和设备是否存在故障的过程是故障检测；而进一步确定故障所在大致部位的过程是故障定位。故障检测和故障定位同属网络生存性范畴。要求把故障定位到实施修理时可更换的产品层次（可更换单位）的过程称为故障隔离。故障诊断就是指故障检测和故障隔离的过程。

故障的分类及特征分类1．按故障的持续时间分类

按故障的持续时问可将故障分为永久故障、瞬时故障和间歇故障。永久故障由元器件的不可逆变化所引发，其永久地改变元器件的原有逻辑。直到采取措施消除故障为止；瞬时故障的持续时间不超过一个指定的值。并只引起元器件当前参数值的变化，而不会导致不可逆的变化；间歇故障是可重复出现的故障，主要由元件参数的变化、不正确的设计和工艺方面的原因所引发。

2．按故障的发生和发展进程分类

按故障的发生和发展过程可将故障分为突发性故障和渐发性故障。突发性故障出现前无明显的征兆，很难通过早期试验或测试来预测；渐发性故障是由于元器件老化等其他原因，导致设备性能逐渐下降并最终超出正确值而引发的故障。因此具有一定的规律性，可进行状态监测和故障预防。

3．按故障发生的原因分类

按故障发生的原因将故障分为外因故障和内因故障。外因故障是因人为操作不当或环境条件恶化等外部因素造成的故障；内因故障是因没计或生产方面存在的缺陷和隐患而导致的故障。

4．按故障的部件分类

按故障的部件可将故障分为硬件故障和软件故障。硬件故障是指故障因硬件系统失效。

5．按故障的严重程度分类

按故障的严重程度可将故障分为破坏性故障和非破坏性故障。破坏性故障既是突发性的又是永久性的．故障发生后往往危及设备和人身的安全：而非破坏性的故障一般是渐发性的又是局部的，故障发生后暂时不会危及设备和人身的安全。

6．按故障的相关性分类

按故障相关性可将故障分为相关故障和非相关故障。相关故障也称间接故障，因设备其他元器件而引发。比较难诊断；非相关故障也称直接故障，由元器件本身直接因素所引起。相对相关故障而言比较容易诊断。

除此之外。还可以按照故障的因果关系分成物理性故障和逻辑性故障，按故障的表征分为静态故障和动态故障。按故障变量的值分为确定值故障和非确定值故障等。2

特征设备的故障一般具有如下五个基本特征：

(1)层次性。复杂的设备，可划分为系统、子系统、部件、元件，表现一定的层次性，与之相关联，设备的故障也具有层次性的特征，即设备的故障可能出现在系统、子系统、部件、元件等不同的层次上。

(2)传播性。元件的故障会导致部件的故障，部件的故障会引起系统的故障，故障会沿着部件一子系统一系统的路径传播。

(3)放射性。某一部件的故障可能会引起与之相关联的部件发生故障。

(4)延时性。设备故障的发生、发展和传播有一定的时间过程，设备故障的这种延时性特征为故障的前期预测预报提供了条件。

(5)不确定性。设备故障的发生具有随机性、模糊性、不可确知性。

故障诊断方法近代故障诊断技术的发展已经历30年，但形成一门“故障诊断学”的综合性新学科，还是近几年逐步发展起来的，以不同的角度来看，有多种故障诊断的分类方法，这些方法各有特点。

概括而言，故障诊断方法可以分成两大类：基于数学模型的故障诊断方法、基于人工智能的故障诊断方法。

基于专家系统的诊断方法基于专家系统的诊断方法是故障诊断领域中最为引人注目的发展方向之一，也是研究最多、应用最广的一类智能型诊断技术。它大致经历了两个发展阶段：基于浅知识领域专家的经验知识的故障诊断系统、基于深知识诊断对象的模型知识的故障诊断系统。

（1）基于浅知识的智能型专家诊断方法

浅知识是指领域专家的经验知识。基于浅知识的故障诊断系统通过演绎推理或产生式推理来获取诊断结果，其目的是寻找一个故障集合，使之能对一个给定集合产生的原因作出最)包括存在的和缺席的(的征兆佳解释。

基于浅知识的故障诊断方法具有知识直接表达、形式统一、高模组性、推理速度快等优点。但也有局限性，如知识集不完备，对没有考虑到的问题系统容易陷入困境；对诊断结果的解释能力弱等缺点。

（2）基于深知识的智能型专家诊断方法

深知识则是指有关诊断对象的结构、性能和功能的知识。基于深知识的故障诊断系统，要求诊断对象的每一个环境具有明显的输入输出表达关系，诊断时首先通过诊断对象实际输出与期望输出之间的不一致，生成引起这种不一致的原因集合，然后根据诊断对象领(域中的第一定律知识)及其具有明确科学依据的知识他内部特定的约束联系，采用一定的算法，找出可能的故障源。

基于深知识的智能型专家诊断方法具有知识获取方便、维护简单、完备性强等优点，但缺点是搜索空间大，推理速度慢。

（3）基于浅知识和深知识的智能型专家混合诊断方法

基于复杂设备系统而言，无论单独使用浅知识或深知识，都难以妥善地完成诊断任务，只有将两者结合起来，才能使诊断系统的性能得到优化。因此，为了使故障智能型诊断系统具备与人类专家能力相近的知识，研发者在建造智能型诊断系统时，越来越强调不仅要重视领域专家的经验知识，更要注重诊断对象的结构、功能、原理等知识，研究的重点是浅知识与深知识的整合表示方法和使用方法。事实上，一个高水平的领域专家在进行诊断问题求解时，总是将他具有的深知识和浅知识结合起来，完成诊断任务。一般优先使用浅知识，找到诊断问题的解或者是近似解，必要时用深知识获得诊断问题的精确解。

基于神经网络的人工智能型诊断方法知识获取上，神经网络的知识不需要由知识工程师进行整理、总结以及消化领域专家的知识，只需要用领域专家解决问题的实例或范例来训练神经网络；在知识表示方面，神经网络采取隐式表示，并将某一问题的若干知识表示在同一网络中，通用性高、便于实现知识的总动获取和并行联想推理。在知识推理方面，神经网络通过神经元之间的相互作用来实现推理。

前在许多领域的故障诊断系统中已开始应用，如在化工设备、核反应器、汽轮机、旋转机械和电动机等领域都取得了较好的效果。由于神经网络从故障事例中学到的知识只是一些分布权重，而不是类似领域专家逻辑思维的产生式规则，因此诊断推理过程不能够解释，缺乏透明度。

基于模糊数学的人工智能型诊断方法

许多诊断对象的故障状态是模糊的，诊断这类故障的一个有效的方法是应用模糊数学的理论。基于模糊数学的诊断方法，不需要建立精确的数学模型(membershipfunction)，适当的运用局部函数和模糊规则，进行模糊推理就可以实现模糊诊断的智能化。

基于故障树的人工智能型诊断方法

故障树方法是由电脑依据故障与原因的先验知识和故障率知识自动辅助生成故障树，并自动生成故障树的搜索过程。诊断过程从系统的某一故障“为什么出现这种显现”开始，沿着故障树不断提问而逐级构成一个梯阶故障树，透过对此故障树的启发式搜索，最终查出故障的根本原因。在提问过程中，有效合理地使用系统的及时动态数据，将有助于诊断过程的进行。于故障树的诊断方法，类似于人类的思维方式，易于理解，在实际情况应用较多，但大多与其他方法结合使用。3

设备故障诊断技术设备故障诊断一般分为简易诊断和精密诊断两个层次。设备的故障大多数可通过简易诊断予以确定，因此它是诊断工作的基础，只有当简易诊断难以确定时才选用精密诊断手段。

1. 简易诊断技术简易诊断技术是使用简易的仪器和方法，是对设备技术状态快速作出概括性评价的技术，它一般包括：

(1) 使用各种比较简单并易于携带的诊断仪器及检测仪表。

(2) 由设备维护检修人员在生产现场进行检测分析。

(3) 仅对于设备有无故障、严重程度及其发展趋势作出定性的初判。

(4) 涉及的技术知识和经验比较简单，易于学习和掌握。

(5) 需要把采集的故障信号进行储存建档。

设备状态监测中的定期或在线监测，也都属于简易诊断的技术范围，它主要通过能反映设备技术状态的一些参数，看其是否正常。当存在异常或超过限值时，应能发出警报或自动停机，但状态监测不同于故障的识别和判断。

简易诊断适用在安装调试阶段，用以检查和排除运输过程中和安装施工中引起的缺陷。

简易诊断也适用在维护阶段进行的状态监测，以便及早发现事故隐患，掌握设备的劣化趋势。

2. 精密诊断技术精密诊断技术是使用精密的仪器和方法，对简易诊断难以确诊的设备作出详细评价的技术，它一般包括：

(1) 使用各种比较复杂的诊断分析仪器或专用诊断设备。

(2) 有一定经验的工程技术人员及专家在生产现场和诊断中心进行。

(3) 对设备故障的存在部位、发生原因及故障类型进行识别和作出定量的诊断。

(4) 涉及的技术知识和工作经验比较复杂，需要较多的学科配合。

(5) 进行深入的信号处理，以及根据需要预测设备寿命。

近年开发的一批计算机辅助设备诊断系统和人工智能与诊断专家系统等也都属于精密诊断技术范畴。它们一般多用于关键机组和诊断比较复杂的故障原因。

精密诊断一般除用于设备的开发研制过程外，更多的用于使用维修阶段。只有在已经过简易诊断，并被判定存在异常或故障的设备，再对其故障产生部位、原因及类型进行识别和诊断，以利提供维修决策。由于它所需费用较高，一般在简易诊断难以确诊时，才予以提前使用。4