故障诊断方法优化

1.状态信号的特征选择与提取

军用车辆在运行过程中，和运行状态有关的各种物理量随时间的变化呈现一定的规律。这些物理量包括振动、噪声、温度、压力等。用各种相应的传感器及测量仪器测得它们随时间的变化就获得信号。信号中常常包含对军用车辆状态识别与诊断非常有用的各种信息。有效地分析、处理这些信息，建立它们和军用车辆运行状态之间的联系，是故障诊断的基础。然而，信号中常伴有各种噪声和干扰，要消除和减少噪声与干扰的影响，需对信号进行预处理。为了更有效地进行识别和诊断，通常还要对信号进行加工处理，抽取其特征。如果知道某些特征与军用车辆的状态或某种故障有较强的依赖关系，就能获得好的诊断效果。故障诊断中，信号处理的目的就是去伪存真，提取与军用车辆状态有关的特征信息。特征信息或特征量一般可分为以下三类。

（1）物理的，如频率、振型、图像、光谱、色谱、铁粉含量。

（2）结构的，如刚度、阻尼、裂纹长度/深度/宽度、结构参数等。

（3）数学的，如各种统计量、特征值和特征向量。

前两类特征量用作识别对象视觉、触觉以及其他感觉器官的发现，可直接用传感器和仪器来观测，已成为构造一个识别系统的基本特征量而用到分类器的设计和故障诊断中。但在使用计算机去构造识别系统时，应用这些特征量有时比较复杂，而计算机在抽取数学特征方面则比人工要强得多，因此本章重点阐述根据离散数据样本来提取数学特征。

特征量的选择与提取是为了把样本数据或图像从测量空间变换到维数大大减少的特征空间，该变换通常由以下三个步骤组成。

（1）特征计算或形成。根据被识别对象获得一组最基本的原始特征量的过程称作特征计算或形成。这些基本的原始特征量可以是计算出来的（当识别对象是波形或数学图像时），也可以是用传感器和仪器测量出来的（当识别对象是实物或某种过程时）。这样得到的特征量对应于原始特征空间中的点，处于一个高维空间中，需要压缩维数才便于识别分类。(https://www.xing528.com)

（2）特征提取。它是通过变换或映射的方法，把高维的原始特征空间的模式向量投影到低维的特征空间，用低维特征空间新的模式向量来表达原始特征向量，从而找出最有代表性的、最有效的特征。新特征是原始特征的某种组合（通常是线性组合）。从广义上讲，特征提取是一种数学变换，若Y是测量空间，X是特征空间，则A：Y→X变换就称作特征提取器。

（3）特征选择。它是从原始特征中挑选出一些最有效的、最能反映故障模式的特征量，是降低特征空间维数的另一方法。最简单的特征选择方法就是根据专家知识来挑选那些对分类最有影响的特征量。另一个可能就是用数学的方法，如最优搜索算法、遗传算法等进行筛选比较，找出对分类最有效的信息特征量。

2.状态识别与诊断技术

设备状态监测与故障诊断方法说到底是状态识别，也就是状态分类问题。其根本任务是根据机械设备的运行状态信息来判断机械设备的运行状态。故障诊断过程由于其复杂性，不可能只采用一种方法，而要采用多种方法。根据各种诊断方法的特点，故障诊断方法可分为传统的故障诊断方法、基于数学的故障诊断方法和智能故障诊断方法。

（1）传统的故障诊断方法。传统的故障诊断方法是利用各种物理的、化学的原理和手段，通过伴随故障出现的各种物理和化学现象，利用横向或纵向比较、简单逻辑判断以及人工经验等方法直接检测故障。如利用振动、声、光、热、电、磁、射线、化学等多种手段，观察其变化规律和特征，用以检测和诊断故障。该方法形象、快速、十分有效，但只能判断部分故障。

（2）基于数学的故障诊断方法。基于数学的故障诊断方法主要是利用计算机来实现物理信号的数据采集、特征计算、特征选择与提取以及分类器设计等步骤，通过较复杂的线性或非线性的数学运算来实现设备的状态分类和故障判别的。设备故障诊断技术作为一门学科，尚处在形成发展之中，必须广泛利用各学科的最新科技成果，特别要借助各种有效的数学工具，如基于模式识别的诊断方法、基于概率统计的诊断方法、灰色理论诊断法、基于模糊数学的诊断方法、小波变换及分形几何等。

（3）智能故障诊断方法。智能故障诊断方法是在传统诊断方法的基础上，将人工智能的理论和方法用于故障诊断，发展智能化的诊断方法，目前已广泛应用，成为设备故障诊断的主要方向。人工智能的目的是使计算机去做过去只有人才能完成的智能任务，包括推理、理解、规划、决策、抽象、学习等功能。专家系统是实现人工智能的重要形式，目前已广泛用于诊断、解释、设计、规划、决策等各个领域，现在国内外已发展了一系列用于设备故障诊断的专家系统，并且获得了很好的效果。