什么是設備故障診斷？有哪些診斷方法？今天統統告訴你！

---

本文節選自百度百科

其實設備故障診斷是一種給設備“看病”的技術，是了解和掌握設備在使用過程中的狀態，確定其整體或局部是正常或異常，早期發現故障及其原因并能預報故障發展趨勢的技術。而它的主要任務有：故障檢測、故障類型判斷、故障定位及故障恢復等。

性能指標

評價故障診斷系統性能的指標大體上可分為以下三個方面。

檢測性能指標

1. 早期檢測的靈敏度。是指一個故障檢測系統對“小”故障信號的檢測能力。檢測系統早期檢測的靈敏度越高，表明它能檢測到的最小故障信號越小。
2. 故障檢測的及時性。是指當診斷對象發生故障后，檢測系統在盡可能短的時間內檢測到故障發生的能力。故障檢測的及時性越好，說明從故障發生到被正確檢測出來之間的時間間隔越短。
3. 故障的誤報率和漏報率。誤報率是指系統沒有發生故障卻被錯誤地判定出現了故障；漏報則是指系統中出現了故障卻沒有被檢測出來的情形。一個可靠的故障檢測系統應當保持盡可能低的誤報率和漏報率。

診斷性能指標

1. 故障分離能力。是指診斷系統對不同故障的區分能力。這種能力的強弱取決于對象的物理特性、故障大小、噪聲、干擾、建模誤差以及所設計的診斷算法。分離能力越強，表明診斷系統對于不同故障的區分能力越強，那么對故障的定位也就越準確。
2. 故障辨識的準確性。是指診斷系統對故障的大小及其時變特性估計的準確程度。故障辨識的準確性越高，表明診斷系統對故障的估計就越準確，也就越有利于故障的評價與決策。

綜合性能指標

1. 魯棒性。是指故障診斷系統在存在噪聲、干擾、建模誤差的情況下正確完成故障診斷任務，同時保持滿意的誤報率和漏報率的能力。一個故障診斷系統的魯棒性越強，表明它受噪聲、干擾、建模誤差的影響越小，其可靠性也就越高。
2. 自適應能力。是指故障診斷系統對于變化的被診斷對象具有自適應能力，并且能夠充分利用由于變化產生的新信息來改善自身。引起這些變化的原因可以是被診斷對象的外部輸入的變化、結構的變化或由諸如生產數量、原材料質量等問題引起的工作條件的變化 。

診斷方法

基于專家系統

基于專家系統的診斷方法是故障診斷領域中最為引人注目的發展方向之一，也是研究最多、應用最廣的一類智能型診斷技術。它大致經歷了兩個發展階段：基于淺知識領域專家的經驗知識的故障診斷系統、基于深知識診斷對象的模型知識的故障診斷系統。

• 基于淺知識的智能型專家診斷方法

淺知識是指領域專家的經驗知識。基于淺知識的故障診斷系統通過演繹推理或產生式推理來獲取診斷結果，其目的是尋找一個故障集合使之能對一個給定的征兆（包括存在的和缺席的）集合產生的原因作出最佳解釋。基于淺知識的故障診斷方法具有知識直接表達、形式統一、高模組性、推理速度快等優點。但也有局限性，如知識集不完備，對沒有考慮到的問題系統容易陷入困境；對診斷結果的解釋能力弱等缺點。

• 基于深知識的智能型專家診斷方法

深知識則是指有關診斷對象的結構、性能和功能的知識。基于深知識的故障診斷系統，要求診斷對象的每一個環境具有明顯的輸入輸出表達關系，診斷時首先通過診斷對象實際輸出與期望輸出之間的不一致，生成引起這種不一致的原因集合，然后根據診斷對象領（域中的第一定律知識）及其具有明確科學依據的知識他內部特定的約束聯系，采用一定的算法，找出可能的故障源。

基于深知識的智能型專家診斷方法具有知識獲取方便、維護簡單、完備性強等優點，但缺點是搜索空間大，推理速度慢。

• 基于淺知識和深知識的智能型專家混合診斷方法

基于復雜設備系統而言，無論單獨使用淺知識或深知識，都難以妥善地完成診斷任務，只有將兩者結合起來，才能使診斷系統的性能得到優化。因此，為了使故障智能型診斷系統具備與人類專家能力相近的知識，研發者在建造智能型診斷系統時，越來越強調不僅要重視領域專家的經驗知識，更要注重診斷對象的結構、功能、原理等知識，研究的重點是淺知識與深知識的整合表示方法和使用方法。事實上，一個高水平的領域專家在進行診斷問題求解時，總是將他具有的深知識和淺知識結合起來，完成診斷任務。一般優先使用淺知識，找到診斷問題的解或者是近似解，必要時用深知識獲得診斷問題的精確解。

基于人工神經網

知識獲取上，神經網絡的知識不需要由知識工程師進行整理、總結以及消化領域專家的知識，只需要用領域專家解決問題的實例或范例來訓練神經網絡；在知識表示方面，神經網絡采取隱式表示，并將某一問題的若干知識表示在同一網絡中，通用性高、便于實現知識的總動獲取和并行聯想推理。在知識推理方面，神經網絡通過神經元之間的相互作用來實現推理。

前在許多領域的故障診斷系統中已開始應用，如在化工設備、核反應器、汽輪機、旋轉機械和電動機等領域都取得了較好的效果。由于神經網絡從故障事例中學到的知識只是一些分布權重，而不是類似領域專家邏輯思維的產生式規則，因此診斷推理過程不能夠解釋，缺乏透明度 。

基于模糊數學

許多診斷對象的故障狀態是模糊的，診斷這類故障的一個有效的方法是應用模糊數學的理論。基于模糊數學的診斷方法，不需要建立精確的數學模型，適當的運用局部函數和模糊規則，進行模糊推理就可以實現模糊診斷的智能化。

基于故障樹

故障樹方法是由電腦依據故障與原因的先驗知識和故障率知識自動輔助生成故障樹，并自動生成故障樹的搜索過程。診斷過程從系統的某一故障“為什么出現這種顯現”開始，沿著故障樹不斷提問而逐級構成一個梯階故障樹，透過對此故障樹的啟發式搜索，最終查出故障的根本原因。在提問過程中，有效合理地使用系統的及時動態數據，將有助于診斷過程的進行。于故障樹的診斷方法，類似于人類的思維方式，易于理解，在實際情況應用較多，但大多與其他方法結合使用。

案例分享

 案例中的客戶是開發、設計、制造、銷售汽車及汽車零部件（包括新能源汽車及其電池、電機、整車控制技術）、電子電器、金屬機械、鑄金鍛件、粉末冶金、設備、工具和模具的一家汽車制造商公司。在整車生產過程中，需要利用沖壓設備將鋼板鍛造成型，沖壓設備故障會對生產過程帶來不必要的損失，并存在以下三個痛點：

• 傳統的設備運維運維人員需要積累豐富的運維經驗，時間、人力成本高；
• 對于設備故障的類型和程度等級難以做出準確的判斷；
• 對故障的發生時間以及可能性無法做出精準的預測。

慧都大數據團隊對數據進行處理，選擇最優的預測模型，對傳感器的數據進行相關性探索，找到故障發生的所有相關數據特征（如圖方框選擇的數據區域所示），從而預測出故障會在接下來的某個時間點出現故障（如圖橢圓形區域）。我們的預測模型準確度在90%以上。

模型效果

沖壓設備故障5分鐘的預測狀況

沖壓設備故障10分鐘的預測狀況

效果界面

慧都設備故障預測解決方案項目團隊在實施完成后，為客戶進行了一個月的項目運行維護，做到了三分鐘響應，半小時處理，能夠完美融入客戶現場生產過程，客戶非常滿意。最終實現：

• 故障預測準確率93%以上；
• 預測時間只需要100毫秒；
• 節省人工成本現在只需要1個運維人員；
• 方案線上全自動預測，實現了完全的自動化。

---

如您的企業目前也希望改善設備故障問題，減少設備故障給生產帶來的損失，歡迎訪問慧都網咨詢，我們將針對性的提供解決方案并發送相關案例給您。