時間：2023-06-21 09:05:36
導語：在故障診斷方法綜述的撰寫旅程中，學習并吸收他人佳作的精髓是一條寶貴的路徑，好期刊匯集了九篇優秀范文，愿這些內容能夠啟發您的創作靈感，引領您探索更多的創作可能。
關鍵詞：主元分析 微小故障 變量加權 故障診斷
中圖分類號：TP39 文獻標識碼：A 文章編號：1674-098X（2017）03（b）-0122-03
隨著科學技術的發展，現代大型復雜系統更加依賴于數字智能化的監測和控制，如何有效實現故障的檢測和診斷就變得至關重要，尤其是處于重要位置的變量出現故障時，所帶來的后果更加嚴重。文獻[1]中給出常用的故障診斷方法面對征兆顯著的故障效果較佳，然而微小故障由于其幅值小、征兆弱從而診斷較困難，有關研究成果還較少。
主元分析（Principal Component Analysis， PCA）是基于數據驅動的多元統計方法之一，該方法利用當前過程信息來判斷系統運行情況，文獻[2]研究得出當系統故障幅值相對于臨界故障幅值較小時，傳統PCA方法檢測故障的能力會嚴重下降。為解決這類問題，文獻[3-4]中給出可通過不同的角度對傳統PCA進行改進，以實現對微小故障的診斷。但現有的關于PCA的微小故障診斷方法，在量綱相同的情況下，大多研究成果都是平等對待所有變量的，然而實際系統中傳感器所在位置不同，其所采樣變量的重要程度也不相同。
為此，該文依據傳感器所在位置的重要程度不同賦予相應的權值，以提高重要變量對微小故障的敏感度；當檢測到系統出現故障時，再利用特征方向法實現故障診斷[5]（注：量綱不同的情況留于以后研究）。
1 離線建模
主元分析方法構建的主元模型為：
（1）
其中，為數據矩陣；、分別為載荷矩陣、得分矩陣；為主元個數；為殘差矩陣；PCA方法通常采用統計量進行過程檢測[6]。
假設系統的個變量單獨發生故障，運用PCA方法提取種不同故障模式所對應歷史數據的特征向量矩陣，再從各故障模式特征向量矩陣中取第一主元載荷向量，組成故障特征方向庫。
2 在線過程監控
2.1 故障檢測
設為時刻傳感器所采樣的測量數據。
為實現重要變量對微小故障敏感，現根據傳感器所測變量的重要程度不同對在線數據的各變量屬于不同的權值，加權后的數據矩陣如式（2）所示：
（2）
根據文獻[6]計算加權數據的統計量如式（3）：
（3）
然后，依據統計量是否超過統計量檢測閾值來判斷是否發生故障。
2.2 故障診斷
當故障出現時，用PCA來處理當前被檢測的過程數據，提取當前數據的第一載荷向量來代表該數據的變化方向，并用來表示；然后，根據式（4）計算與的相似度。
（4）
定義一個診斷閾值，當≥時，則認為出現了第類故障。由線性代數的基礎知識可知，實際上是與間角度的余弦。當越接近于1時，則說明的方向與的方向越接近。因此通常是接近于1但又小于1的數[5]。
2.3 權值的選取
根據文獻[7]在強跟蹤濾波中所確定次優漸消因子的方法，結合系統信號的分析前后能量保持守恒的準則，給出一個類似的方法，即根據系統先驗信息對各變量重要程度的認識，可假定大致的比重因子，如式（5）：
（5）
令：
（6）
其中：為根據先驗知識所確定的常數，也稱為權重因子的比例系數，為待定因子。
2.3.1 性質
2.3.2 條件
對系統進行有效分析的提前條件是系統經加權變換前后的能量需保持守恒或是一定比例關系，即。
因此，可根據式（7）所遵守的能量守恒得出待定因子。
（7）
從而：
（8）
由上述算法可得加權矩陣：
（9）
權重因子反映著原處于平等地位的第個變量在系統中對整個系統的重要程度，一般根據下列原則來確定：
（1）加權后的重要變量對故障更具有敏感性；
（2）變量加權變換前后系統的能量保持守恒，即。
3 仿真實驗
利用Matlab生成系統正常運行時的觀測數據，同時確定關鍵主元個數，求出相應的統計閾值；然后在各個變量上加不同的故障構成故障數據，再運用PCA建立故障特征方向庫；假設先驗系統經驗權重因子比例系數為。
圖1、圖2為在801時刻當變量3加1倍該變量方差恒值故障時，傳統統計量值大多都在檢測閾值以下，而加權統計量值幾乎都在檢測閾值以上，由此可見加權對重要變量3的微小故障檢測更敏感。
為體現該方法在非加權變量發生故障時，故障檢測的有效性，現在變量1加2倍該變量方差恒值故障，故障檢測圖如圖3、圖4所示。
根據圖1、圖2所檢測到的故障，可根據文獻[5]中的故障特征方向法進行故障診斷，故障診斷結果如表1所示，其中診斷閾值0.957 5。
由表1可以看出，只有第3個變量所對應的相似度超過了診斷閾值，由此可以判斷是第3個變量出現故障，這與所取的故障數據相吻合，因此在檢測到故障發生時，可根據特征向量法進行故障診斷。（注：表1中的故障變量為單變量故障，故障庫也是假定單變量發生故障而建立的）。
4 結語
針對變量所在位置不同，其重要程度也不相同這一問題，提出了基于變量加權的思想用于提高重要變量對微小故障的敏感度，雖然弱化了其他次要變量的重要性，但是提高了重要變量對微小故障的敏感度；同時在次要變量出現偏大故障時，基于加權的統計量同樣可以實現故障的檢測；最后當檢測到系統出現故障預警時，根據在線數據第一特征方向與故障模式特征方向的相似性進行故障類型的診斷。上述方法通過仿真實驗證明了具有較好的實用性。
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] 王海清，宋執環，李平.主元分析方法的故障可檢測性研究[J].儀器儀表學報，2002，23（3）：232-235.
[3] 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（6）：799-805.
[4] 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（9）：1285-1299.
[5] Zhang J，Martin EB，Morris AJ.Fault Detection and Diagnosis Using Multivariate Statistical Techniques： Process operations and control[J].Chemical Engineering Research & Design， 1996，74（1）：89-96.
【關鍵詞】電力電子 故障診斷 人工智能 參數模型
1 研究的意義
隨著電力電子技術在大氣污染治理、節能環保、銀行系統、現代化農業、發電系統等領域的廣泛應用，其設備故障問題也越來越突出，當故障嚴重時將導致整個系統的癱瘓，甚至會造成人員的傷亡，所引起的損失是無法估量的。
當故障發生時，依靠維修人員查找故障的發生原因及解決故障問題是較為困難的，這完全依賴于維修人員的經驗。如果缺少故障信息，要想快速準確解決故障時非常困難的，有可能造成機器無法工作的嚴重后果。在故障發生后，如果能夠根據診斷系統提供的故障信息，就可以很快定位故障點，解決故障問題，使停機時間大大縮短，能有效的提高工作效率。由此看對電力電子系統故障診斷方法進行研究具有很重要的現實意義。
2 研究現狀
由于電力電子電路的故障發生有其自身的特點，所以其障診斷模式與模擬電路、數字電路的故障診斷有所不同。由于電力電子器件具有過載能力小的特點，所以其器件損壞速度較快，故障信息僅存在時間也很短，這就需要進行實時監控，故障發生時要求在線診斷，另外電力電子電路的功率很大，一般電路診斷中采用的傳統的診斷方法不再適用。
目前，常見的電力電子電路故障診斷技術包括兩方面的內容：（1）檢測電路故障的信息：利用檢測設備和檢測技術，檢測并獲取電路發生故障時的信息，利用所獲得的信息進行推理分析；（2）診斷電路故障發生部位：根據系統提供的故障信息，綜合運用故障診斷方法，對故障信息進行綜合分析，推斷故障可能發生的原因及部位，從而對故障發生部位進行定位。由以上可知，故障的判斷離不開對故障特征的提取，基于此，電路故障診斷方法按提取特征的方法的不同可分為譜分析診斷法、波形分析診斷法、參數模型診斷法、專家系統和人工智能診斷法等多種方法，下文僅對五種常用方法做一簡單介紹。
2.1 譜分析診斷法
由于電路故障信號中可能會含有噪聲，由此就會造成故障的時域波形不能清楚地反映故障的特征。因此，在故障診斷中，經常使用譜分析的信號處理方法。譜分析的目的在于提取信號中所包含的噪聲，在這里可以用傅里葉變換將時域中的故障波形變換到頻域，這樣就突出了故障特征，能夠快速實現故障診斷。
2.2 波形分析診斷法
利用示波器能直觀清楚的顯示電子器件擊穿或損壞的波形，波形分析故障診斷方法就是基于這一點，由于典型測量波形和故障波形之間會有所不同，故可以將典型測量波形提前存儲至診斷系統的數據庫。當發生故障時，診斷系統就能將實際測量的波形與提前儲存至診斷系統的波形進行比較，以判定進行故障。
2.3 故障樹診斷法
故障樹診斷法的原理就是把電力電子系統中最有可能發生的故障作為故障分析的目標， 加以分析，畫出邏輯框圖，即故障樹。用邏輯圖來表示故障間的相互關系， 當故障發生時，在系統中從頂層開始，逐層查找導致這一故障發生的原由， 依此類推， 直至查到故障點。所以障樹診斷方法具有實用、通用、觀察靈活的優點，也同時也有建樹工作量大、容易出錯的缺點，由此可見，故障樹診斷法診斷故障的范圍較小。
2.4 參數模型診斷法
參數模型診斷法是基于一種解析模型的故障診斷法，包含有狀態估計方法和參數估計方法等。參數模型法是通過比較被診斷對象的可測信息與由數學模型表達的信息，產生殘差， 并對殘差進行分析和處理從而實現故障診斷的技術。參數模型法的故障診斷分為3個步驟，第一步是通過對比產生殘差，即產生故障信息；第二步是故障模型的檢測，針對產生故障的信息生進行邏輯決策；第三步是分析故障的類型、大小和原因。
2.5 人工智能法
人工智能診斷方法主要包括包括專家系統診斷法、模式識別診斷法、人工神經網絡診斷等方法。
模式識別故障診斷的過程有一個前提，就是首先對系統可能發生的故障模式進行分類，這樣診斷過程就是把系統的現有工作狀態歸入哪一類故障模式的問題。模式識別診斷法分兩步完成，第一步完成故障特征的提取，根據故障特征的屬性不同進行分類；第二步是故障診斷，根據已提取的特征，通過已建立的數學模型對故障進行實時診斷。
專家系統診斷法是借助計算機等設備模擬專家的實踐經驗，以實現故障診斷。一個專家診斷系統是通過實時監測采集數據，并對數據進行處理然后傳送到診斷中心，由專家診斷系統進行數據分析，完成診斷，然后將最終結果反饋回用戶。
近幾年，神經網絡診斷法在故障診斷中應用越來越廣泛，神經網絡是模擬人腦神經網絡結構的一種數學模型，其信息處理由神經元之間運算實現，可用較為簡單的數學模型來描述，因此在于故障診斷領域有較為廣泛的應用。
以上介紹了幾種常用的診斷方法，當前，電力電子電路故障診斷是一個新興的研究領域， 經過多年的發展， 已經取得了很大進步，但是仍有很大的空間等著大家去探究。
參考文獻
[1]樊馨月，王杰.電力電子系統故障診斷技術淺談[J].電氣自動化，2006（05）.
[2]蔡濤，段善旭，康勇.電力電子系統故障診斷技術研究綜述[J].電測與儀表，2008（05）.
[3]范曉勇，賈曉靜.基于故障樹的電子系統故障診斷與預測[J].微計算機信息，2009（12）.
關鍵字：配電網，故障診斷，數據挖掘
配電網故障診斷是從技術上提高配電網安全可靠運行的重要手段，準確的故障定位、分析故障原因，提出故障恢復方案能夠減少停電時間，加快線路的恢復，減少因停電造成的經濟損失。因此，配電網故障診斷技術的研究有著十分重要的理論和實用價值[1]。目前，國內外比較典型的配電網故障診斷方法有故障電流法、專家系統法、人工神經網絡法、基于模糊理論的方法、基于優化技術的方法和基于數據挖掘的方法。
1 故障電流法
故障電流法是以圖論為基礎，根據配電網的拓撲模型進行故障診斷。其基本原理是根據配電網絡的結構寫出網絡描述矩陣和根據故障信號寫出配電網絡故障信息矩陣，進而由網絡描述矩陣和故障信息矩陣相乘后得到一個描述矩陣，隨后對描述矩陣進行規格化處理，得到故障判斷矩陣，當發生故障時，依據故障判斷矩陣進行故障判別和定位[2]。該方法依據系統潮流的變化來判斷的，當發生故障時，系統的結果和參數變化，使得潮流的計算和分析處理耗時較長，會影響診斷和恢復處理速度，難以達到理想的效果。
2 專家系統法
專家系統是利用計算機技術將相關領域的理論知識和專家的經驗知識融合在一起，通過數據庫、知識庫、推理機、人機接口、解釋程序和知識獲取程序的有機連接，達到具備解決專業領域問題的能力。專家系統在配電網故障診斷中的典型應用是基于生產式規則的系統，它把保護、斷路器的動作邏輯以及運行人員的診斷經驗用規則表示出了，形成故障診斷專家系統的知識庫，通過查找知識庫對報警信息進行推理，獲得診斷結論。專家系統雖然能夠有效模擬故障診斷專家完成故障診斷，但是在實際應用中存在知識庫建立困難、校核和維護困難、容錯能力差等局限性，容易造成診斷錯誤。
3 人工神經網絡法
人工神經網絡是模擬人類神經系統傳輸、處理信息過程的理論化數學模型，是一種大規模并行分布處理系統。它的最大特點是采用神經元及它們之間的有向權重連接來隱含處理問題的知識，具有很強的自學習能力，在學習完成之后，還具有一定的泛化能力和容錯能力，即使輸入信號帶有一定的干擾噪聲，仍能給出正確的輸出結果[3]。它的這些優點對于在配電網故障定位中的應用具有重要的意義，主要用來進行故障識別和故障定位。
4 基于模糊理論的方法
模糊理論是將經典集合理論模糊化，并引入語言變量和近似推理的模糊邏輯，具有完整的推理體系的智能技術。在電力系統中，由于保護或斷路器的誤動作、拒動，信道傳輸干擾，保護動作時間偏差等因素的影響，輸、配電網絡故障診斷存在不確定性，而模糊理論可以適應不確定性問題，擅長模擬人類思維中的近似推理、語言變量來表述專家的經驗，得到問題的多個可能的解決方案，并根據其模糊度的高低進行排序，進而得出問題的最佳解決方案。因此，基于模糊理論的方法比較適用于故障診斷，目前已經在配電網故障定位中得到了應用。
基于模糊理論的故障診斷系統，雖然可以增強處理不確定性的能力，但是采用模糊理論進行電網故障診斷，需尋求有效的手段對電網中的各種不確定性進行客觀地模糊表達，需要充分利用歷史統計數據和經驗知識。當診斷對象的結構發生變化時，如何對模糊知識庫進行快速、有效的更新維護也需要更進一步的研究[4]。
5 基于優化技術的方法
基于優化技術算法是國內外學者提出的進行電網故障定位的一種新思路，根據電網故障的特點設定假想事故集的目標函數，利用各種優化算法根據適應度值對假想事故集進行更新，直至搜索到適應度最大的假想事故集，作為最終故障診斷結果。其實質是將故障診斷問題轉化為無約束的0-1整數規劃問題進行尋優處理。這類方法的基本思路是：根據保護動作原理，將故障診斷問題表示為0-1整數規劃問題，然后用優化算法求解。配電網故障診斷中使用的優化算法主要有遺傳算法、模擬退火算法和基于覆蓋集理論的算法。基于優化技術的方法在信息發生畸變時，出現復雜的故障模式的r候，難以保證診斷結果的可靠性。
6 基于數據挖掘的方法
數據挖掘近年來研究比較活躍的研究領域，是人工智能與數據庫技術相結合的產物。它是利用數據挖掘的各種算法從大量數據中挖掘出隱含其中的知識。近年來，已有研究者開始把數據挖掘技術引入到電力系統的診斷故障中，并取得了一些成功的經驗。數據挖掘技術在電力系統故障診斷中的應用目前正處于起步階段，解決如何把診斷對象與數據挖掘算法結合，確定出診斷對象的診斷模型，以及如何把數據挖掘和傳統的人工智能技術相結合是進一步深入研究的課題。
電力系統的故障大部分發生在配電網，配電網發生故障后，故障診斷系統根據監測系統得到的相關信息對配電網發生的故障進行實時分析和判斷，提出正確有效的健全區域停電恢復策略，幫助調度員準確的確定故障位置，隔離故障區域，快速恢復非故障區域供電。隨著技術的日趨成熟，配電網故障診斷技術必將在提高配電網安全可靠運行方面發揮巨大的作用。
參考文獻：
[1]馬士聰，高厚磊，徐丙垠，薛永端.配電網故障定位技術綜述[J].電力系統保護與控制.2009（11）.
[2]艾闖.配電網故障快速診斷方法分析[J].中國電業（技術版）.2013（12）.
【關鍵詞】故障檢測；故障診斷；小波分析
一、概述
現代化工業技術發展突飛猛進，現代工業自動化程度越來越高，系統規模也越來越大，簡單控制系統已經不能達到工業生成的需求，大規模、綜合性、復雜的自動化系統運用越來越廣[1]。自動化設備和系統結構的日益復雜和集成化，使得系統發生故障的機率也增加，故障的產生會毀壞設備，影響系統正常運轉，甚至造成人員傷亡。國內外由于設備故障所引起的設備損壞、鍋爐爆炸、道路塌陷，不僅造成經濟損失也造成人員傷亡，社會影響及其惡劣。為了達到以人為本同時維護經濟的目的，可以加強系統的穩定性、可靠性、魯棒性和安全性，但任何設備都不可能無限期使用，這就需要防患于未然，因此故障檢測技術應運而生。
二、故障檢測重要性
故障檢測技術是是一門多學科融合交叉性學科[1]，如：信號提取則依賴于傳感器及檢測技術；信號降噪離不開信號處理技術；狀態估計和參數估計方法以系統辨識理論為基礎；魯棒故障診斷涉及到魯棒控制理論知識；此外數值分析、概率與數理統計等基礎學科也是故障檢查和診斷不可缺少的方法。多門學科知識的支撐確保了故障診斷技術的迅速發展，在工業領域也應用廣泛，如化工生產、冶金工業、電力系統、航空航天、機器人等生產的各個領域。
三、故障檢測技術經濟效益
數據顯示[2]，故障檢測技術與經濟發展息息相關，對故障檢測技術的研究與發展越來越多，在工業生產中也得到了應用和推廣。通過故障診斷技術的推廣，大大降低了設備維修費用，各國在故障診斷技術上的投入也逐漸增加。日本對故障檢測與診斷技術的投入占其生產成本的5.6%，德國和美國所占比例分別為 9.4%和7.2%。在冶金工業生產中，我國每年承擔的設備維修的費用就高達 250 億元，金額龐大，然而如果應用故障檢測與診斷技術，每年可以減少事故發生率同時也能節約 10%～30%的維修費用。因此故障檢測能帶來經濟效益，不容小覷。
四、故障檢測的分析方法
（一）狀態估計法
狀態估計法一般分為兩步：首先求取殘差，再從殘差數據中提取故障特征從而實現故障診斷。目前狀態估計法的故障檢測診斷方法方興未艾，如H2估計[3]、魯棒故障檢測與反饋控制的最優集成設計方法[4]等。
（二）等價空間法
低階的等價向量在實現過程中較易實現但性能不佳，而高階的等價向量能夠得到較理想的性能參數，但以較大的計算量和計算時間為代價。為了解決上述問題，文獻[5]采用窄帶IIR濾波器運用于等價空間法中，在幾乎不改變計算量的前提下，提高系統檢測性能，但此方法會產生較高的漏報率。
（三）參數估計法
參數估計法是因為模型參數和相應的物理參數的特點不同，分別統計這兩類參數的變化特性來分析和確定故障。物理參數攜帶重要的信息，具有物理含義，因此，可以分析物理參數的特點，如果異常可以確定故障位置。與狀態估計法比較，參數估計法能更有效的故障確定。參數估計法研究越來越豐富，故障診斷方法新成果倍出[6]。
（四）熱門的分析方法
（1）小波分析技術
小波分析由于具有時頻域局部化特性[7]，可任意調節時間窗和頻率窗，因此突變信號能夠檢測出來。但是，小波基選取一直是在小波信號分析沒能解決的問題，也是研究的一個難點，針對同一信號采用不同的小波基進行分析其分析結果往往不同。通過小波分析可以檢測信號的奇異點，在信號降噪和信號分析中應用廣泛。小波變換是結合時域和頻域的分析方法，特征提取方便，在故障檢測中應用較廣。小波分析對單一的故障源檢測效果明顯，但較復雜情況，如多故障源效果不佳。
（2）神經網絡技術
神經網絡技術是根據模式識別理論，采用分類器理論，用神經網絡進行故障分析和診斷。采用人工神經元網絡進行故障診斷一般有四種方式[8]：神經元網絡計算殘差；神經元網絡分析殘差；神經元網絡進一步分析確定故障點；神經元網絡自學習過程進行自適應誤差補償。
（3）小波包分析和神經網絡結合技術
用有限元法建立系統動力學模型[9]，再根據系統采集信號進行小波包分解，建立基于小波包能量譜指標。把信號指標作為改進BP神經網絡的輸入特征參數，用分步識別方法進行識別。
（五）展望
故障檢測技術運用廣泛，用單一方法進行處理存在準確度和精確度的問題，因此可以考慮多學科技術結合的方法，進一步提高準確度和精確度。
參考文獻：
[1] 周東華， 胡艷艷. 動態系統的故障診斷技術. 自動化學報. 2009， 35（6）.
[2] 周福娜. 基于統計特征提取的多故障診斷方法及應用.[博士學位論文].上海：上海海事大學， 2009.
[3] Fadali M S， Colaneri P， Nel M. H2robust fault estimation for periodic systems[C]MProc. American Control Conference，Denver， Colorado，2003： 2973-2978.
[4]鐘麥英，張承慧， Ding S X.一種魯棒故障檢測與反饋控制的最優集成設計方法[J].自動化學報， 2004， 30（2）： 294-299.
[5] Ye H， Wang G Z， Ding S X. An IIR filter based parity space approach for fault detection[C] Proc. the15th IFAC World Congress， Barcelona，2002.
[6] Abidin M S Z， Yusof R， Kahlid M， et al. Application of a model based fault detection and diagnosis using parameter estimation and fuzzy inference to a DC-servomotor[C] Proc.2002 IEEE International Symposium on Intelligent Control， Vancouver， Canada，2002：783-788.
[7]李青鋒，繆協興，徐余海.連續復小波在工程檢測數據處理中的應用[J].中國礦業大學學報，2007，36（1）：22-26.
關鍵詞：電力系統、系統故障、故障診斷
中圖分類號：TM712文獻標識碼： A 文章編號：
1 引言
電力系統的不斷發展使電網覆蓋的區域越來越廣，系統組成也越來越復雜，電網系統往往涉及到很多區域之間的電力調配和管理工作，因此在電網建設中使用了數據采集監控系統、能量管理系統，正因為如此，所以一旦電力系統中的某個部位發生問題，將會波及到很多的電力線路，在這種情況下，電力系統故障診斷顯得極為重要。電力系統故障診斷系統還應具備對電網故障迅速定位、智能識別的功能。
2 電力系統故障診斷國內外研究發展狀況及意義
2.1 電力系統故障診斷的發展現狀
對于故障診斷技術，國內的研究時間還很短，到目前為止僅僅是研究了一些理論知識，例如診斷技術的重要意義以及實際作用等等，技術基礎是譜分析、快速傅里葉變換等等。總結起來，國內電力系統出現問題主要的原因有以下幾個方面：(1)系統設計存在缺陷，結構混亂，不能及時的給系統故障定位。(2)某些地區的設備老化。(3)泥石流、雨雪等自然災害引起的系統故障。(4)系統保護不力，當出現問題時，不能阻止故障蔓延。當前，隨著我國電力系統建設工作的進行，急需以現代化的管理方法來增強電力系統的安全性和可維護性，這就催生了診斷技術的迅速發展，并形成了能夠適應國內電力系統特征的一整套診斷理論，具有世界領先水平。[1]
2.2 電力系統故障的危害及其診斷意義
由于當前電力網絡之間是相互連通的，所以一旦出現問題就會造成很大的損失。系統故障是不可避免的，受到人為因素以及自然因素等的影響。在其他國家和地區，曾出現過很多比較嚴重的電力事故，造成了不可挽回的損失。在這樣的背景下，尋找電力系統故障快速診斷的方法顯得極為重要。
3 電力系統常見故障
所謂的電力系統故障，指的是電力設備出現了問題，不能正常工作，預期的生產任務不能完成。電力系統的故障有很多種，短路故障是最常出現的一種故障。所謂的短路故障，指的就是線路或者是設備短接。電力系統是一個整體，有一個元件出現了問題，若不及時排除，那么都有可能會造成整個系統的癱瘓。按照系統故障的狀態劃分，電力故障可以分為變壓器故障、輸電線路故障、母線故障、停電故障等等。[2]
3.1 輸電線路故障
輸電線路故障有輸電線路由于雷電造成絕緣子表面閃絡；物體造成的線路短路等等，當實際情況中出現這些問題時，系統中的繼電保護裝置會跳閘切斷電路。之后，故障點將會恢復原有的絕緣平衡。當出現這種問題時，將斷路器閉合系統即可恢復正常。其他的輸電線路故障還有絕緣子損害、斷線、電桿損壞等等，這一類故障的處理就會復雜很多。
3.2 變壓器故障
因為變壓器故障涉及到的問題有很多，所以以油浸式變壓器舉例說明。故障有兩種，即外部故障、內部故障，我們所說的故障診斷指的就是內部故障診斷。內部故障又可分為兩種類型，即熱故障、電故障。所謂的電故障，[3]指的就是變壓器內部因為高電場的存在使得絕緣性能下降所導致的變壓器故障。所謂的熱故障，指的就是變壓器內部因為溫度太高所導致的故障，按照溫度可以劃分為四種故障，低于150℃的輕度過熱，150至300℃的低溫過熱，300至700℃的中溫過熱，大于700℃的高溫過熱。
3.3 母線故障及全廠、全所停電
如果樞紐變電站發生母線故障，電力用戶就會停電，這就會造成某些電網載荷過大，影響系統的安全運行。母線故障有很多，比如誤動作、母線保護拒動、母線短路等等，這些故障有可能使得系統跳閘、發電廠停電、其他輸電線路出現線路故障、越級跳閘等等。
4 電力系統故障診斷方法
4.1 基于專家系統原理的電力系統故障診斷
所謂的專家系統，指的就是利用計算機技術，建立適當的模型按照專家的邏輯對故障進行推演。事實證明，電力故障診斷系統中使用的專家系統是很有成效的。專家系統的推理邏輯以及知識庫是不同的，據此可將專家系統劃分成兩種類型：
1)基于啟發式規則推理的系統
這種專家系統以系統的各種邏輯動作、管理維護人員的實際經驗為基礎，以此建立模型，形成專家系統的各種判斷條件，利用正向推理的方式來對系統故障進行診斷。當前很多電力系統使用的就是這種形式的系統。
2)結合正、反推理的系統
這類系統較為復雜，使用了正向推理以及反向推理的方法，以繼電保護裝置以及被保護設備間的關系建立模型，利用反向推理的方法來尋找有可能出現故障的區域，將繼電保護裝置的動作與故障發生時的工作進行匹配來對故障進行判斷。以RBR與CBR為基礎的故障診斷專家系統進行了詳細的介紹。因為這種系統的推理是正向與反向相結合的，所以具備自主學習的功能，對于現實系統具有較好的適應性。
診斷專家系統最鮮明的特點就是可以將保護裝置的動作以及系統維護人員積累的實際經驗利用起來建立合適的模型以及判斷規則，而且系統的知識庫可以不斷的更新，使得專家系統能夠對各種故障做出及時的反應，做出合理的判斷。在一些規模比較小的電力系統中比較適合使用這一類診斷系統。
4.2 基于人工神經網絡的診斷方法
ANN，即基于人工神經網絡的故障診斷法，相對于專家系統而言，其學習能力、容錯能力更好。當前使用的ANN有基于徑向基函數的神經網絡等等。ANN不需要構造知識庫和推理機。但是ANN的訓練樣本的獲取極為不易，所以一般在規模比較小的電力系統中使用。
4.3 基于優化技術的診斷方法
Optimization methods，即基于優化技術的故障診斷法，這種方法的基礎是各種數學模型，通過模型的求解來完成系統的故障診斷。大致思想是把電力系統的故障簡化為0-1的規劃問題，然后利用相應的數學模型來尋找最優解。在文獻[6]當中對這一問題進行了詳細的介紹，并建立了一個數學函數，將故障診斷問題變成了一個數學求解的問題。優化技術診斷法從理論上看模型極為嚴密，不需要知識庫，可以使用現有的數學算法，對于各種信息和數據較為完備的電力系統，比較適合使用這種方法。
4.4 基于多系統的診斷方法
MAS，即多系統，通常被理解為分布式人工智能的一部分。如果一個問題出現之后，可以被分成許多不同的小問題，解決這些小問題需要的數據很少，那么這些小問題之間必須形成一定的聯系才能最終解決實際的大問題。[4]對于規模比較大、結構比較復雜的電力系統，多系統可以發揮重要的作用。不過，對于上述提到的難點問題還有待進一步的探討和研究，希望在未來多系統能夠在電力系統的故障診斷領域實現大規模的應用。
4.5 基于粗糙集的數據挖掘技術的診斷方法
粗糙集理論是一種數學工具，對于某些不完整的數據或者是帶有不確定因素的數據，較為復雜的系統，粗糙集理論可以發揮重要作用。在電力系統中利用粗糙集理論可以提高數據挖掘的效率，這對于電力系統的數據管理具有十分重要的現實意義。電力系統通常存儲有海量的數據，數據挖掘能夠發現這些數據存在的規律，對電力線路的負荷做出預判，還能為電價制定提供數據參考。[5]當電力系統發生故障的時候，故障診斷電力系統會發出很多的報警信息，繁雜的信息給故障定位帶來了不小的麻煩，所以利用數據挖掘技術來對這些報警信息進行分析以幫助快速定位系統故障顯得意義重大。有專家指出，將數據挖掘技術和粗糙集理論相結合，可以增強復雜系統中故障診斷的水平和準確率。
5 結束語
為了保證電力系統安全正常的運轉，保護人民群眾的財產的安全，電力系統故障診斷系統顯得責任重大。雖然從上世紀八十年代以來，國內外的專家就對故障診斷進行了很多研究，但是現實情況中的很多問題目前還是沒有得到很到的解決。當前，隨著電力系統規模的逐漸擴大，精確有效的故障診斷系統的需求顯得更為迫切。本文對電力系統故障診斷做了詳細分析并提出了一些常用的診斷方法，這對于今后電力系統故障診斷系統在實際中發揮更加重要的作用有一定的指導意義。
參考文獻：
[1]危前進.董榮勝.孟瑜.崔更申.基于粗糙集的機械裝配知識發現方法[A].廣西計算機學會25周年紀念會暨2011年學術年會論文集[C].2011年.
[2]胡澤江.張海濤.可拓關聯函數與屬性約簡相結合的變壓器故障診斷方法[A].2011年云南電力技術論壇論文集(入選部分)[C].2011年.
[3]宋平.王超.霍偉華.基于自動測試的故障診斷專家系統[J].信息與電腦(理論版).2011年02期.
1.小波分析
小波分析（Wavelate Analysis）即小波變換是近期發展起來的新的方法和數學理論，被認為是傅立葉分析方法的進展。小波變換的基本思想與傅立葉變換有相似之處，小波分析相比較傅立葉的優勢在于：小波分析在頻域和時域都具有良好的局部化特性。因此，小波變換被稱為分析信號的顯微鏡.小波分析在故障診斷、計算機視覺、生物醫學工程、量子物理、模式識別、話音分析、圖像處理、信號處理及眾多非線性領域里都有廣泛的應用[2]。
1.1小波分析的定義及特性
設 （即能量有限的信號空間），其傅立葉變換為 。當 滿足允許條件：
為一基本小波或母小波（Mother wavelet）。將 經伸縮和平移后，就可得到一個小波序列。
對于連續情況，小波序列為：
對于離散情況，小波序列為：
對于任意函數，則的小波變換為：
其逆變換為：
小波變化的特性[3]：
（1）能量守恒：根據小波變換，信號總能量可以表示為：
這就允許把變換的模方解釋為在平面（，）中的能量分布密。
（2）線性特性：小波變換是信號的線性描述，對于多分量信號的分析比較方便。
（3）分辨力特性：小波變換在頻率和時間上的分辨力是以如下給定的小波的頻率帶寬和時間間隔決定的：
式中，和為基本小波函數的頻率帶寬和時間間隔。
（4）協變性：當信號平移時，則被轉換成 。
（5）頻域和時域中的局部定位特性。[3]
1.2小波分析在故障診斷中的應用
動態系統發生故障時，系統的觀測信號通常會發生變化。因此我們可以通過連續小波變換來檢測觀測信號的奇異點以檢測出系統故障。其核心技術是信號在奇異點附近的Lipschitz指數[2]。Lipschitz定義為：設有正整數，如果存在常數以及次多項式 ，
對于成立，則稱在點是Lip的，Lip指數表明了函數與次多項式比較，光滑程度是多少。也就是說，當Lipschitz指數時，其連續小波變換的模極大值與尺度的變化成反比；當時，則成正比。信號邊緣對應的Lipschitz指數大于或等于0，而噪聲的Lipschitz指數遠小于0。因此，可以利用小波變換區分信號和噪聲邊沿。
振動系統的故障通常表現為觀測信號的頻率變化。可用離散正交小波變換分析檢測信號的頻率變化情況以檢測出系統的故障[3]。除此以外小波變換還可以看成帶通濾波器對信號進行濾波。很多系統在發生故障時或故障前，系統的輸出噪聲都會增多，因而可用小波變換提取噪聲特征來進行故障診斷。或者利用小波變換去除噪聲，提取系統波形特征。
2.小波網絡
小波網絡是小波分析理論與神經網絡理論結合的產物。小波網絡與BP網絡相比較存在著一些優點，譬如：（1）小波函數的表現形式比sigmoid函數更為復雜。多小波函數可以形成超橢球分割并形成更復雜的分割曲面；同時可改變分辨率以及平移因子，對輸入空間上分布密集的數據使用高分辨率，對稀疏的數據則采用低分辨率來增強分類能力；（2）由于小波函數具有較好的局部化特性，所以有可能避免BP網絡的任意分類的缺點；（3）小波網絡主要用于信號的逼近和分類。
2.1小波網絡結構
從結構上看，可把小波網絡分成兩大類[3]：
（1）與前饋神經網絡融合，即用小波函數代替常規單隱層神經網絡的隱節點函數，由小波函數尺度代替相應的輸入層到隱層的權值，由平移參數代替隱層閥值；
（2）與常規神經網絡結合，即信號小波變換后，作為常規神經網絡的輸入。
其中第一種結構使用較多，結構如圖1所示。
圖中、為輸入和輸出，為小波函數。
小波網絡的核心思想為：可用小波函數表示任意信號或函數：
其中， 為小波系數， 為小波函數。
2.2小波網絡在故障診斷中的應用
小波網絡對信號可任意精度的逼近，這就為故障診斷提供了可能性。可將系統已知的輸入、輸出和故障結論一起當成小波網絡的訓練樣本訓練小波網絡，使小波網絡每個輸出端分別輸出相應的信號，從而使每個輸出端對應一個特定的故障[3，4]。
除此以外，我們還可利用小波網絡來最大限度地逼近系統正常輸出[5，6]。利用系統輸入和輸出對小波網絡進行訓練，使小波網絡的輸出最接近實際輸出，訓練完畢后將需診斷的輸入作為小波網絡的輸入，將系統的輸出與小波網絡的輸出比較得到差值進行診斷。
3.小結
本文對小波分析、小波網絡在故障診斷中的應用進行了介紹。由于小波變換具有較好的時域和頻域局部化特性，所以使用小波變換進行故障診斷時不需要對診斷對象進行數學建模，可實時地進行故障診斷；對任意函數或信號小波網絡都具有優良的逼近性能，從而能對系統進行精確的故障診斷[3]。小波分析和小波網絡在故障診斷的應用中有很多優點，但同時還存在很多有待解決的問題，例如魯棒性、小波網絡的收斂性、在不同的情況下應選用何種小波、小波變換中的基波如何選擇等問題，為我們將來的研究提供了方向。
參考文獻
[1] 吳丹.DC/DC開關電源的故障診斷研究[D].中南大學碩士論文.2007.
[2] 陳佳.故障診斷方法綜述[J].今日科苑.2009，12：12-13.
[3] 周小勇，葉銀忠.小波分析技術在故障診斷中的應用[J].上海海運學院學報.2001，9（1）：21-24.
[4] 李國爾，俞金壽.一種基于RBF神經網絡的傳感器故障診斷方法[J].華東理工大學學報.2012，3（2）：3-5.
關鍵詞：AMT；PHM；特征提取；多傳感器融合；D-S證據；灰色預測。
The research on AMT Prognostics and Health Management system of heavy vehicle
Hu Yu1，Liang Wei2
（1Spaceon T&C Techonlogy Co.，Ltd，Chengdu ，611731，China；2University of Electronic Science and Technology，Chendu， 610054，China）
Abstract：AMT is the key part to influence the performance of the transmission system and ensure the effective operation of the vehicle.Aim at the main fault features of heavy vehicle's AMT，the structure of AMT Prognostics and Health Management system of heavy vehicle was designed and function of different parts was introduced in this article，which has a certain brand of reference and guidance on the rearsh of AMT PHM system.
Key words：AMT；PHM；feature extraction；Multy-sensor fusion；D-S envidence；grey prediction
電控機械式自動變速器（Automatic Mechanical Transmission，AMT）是在原有手動變速器基本結構不變的情況下，通過加裝微機控制的自動操縱機構，取代原來由駕駛員人工完成的離合器分離、接合和選換檔操作，以實現換檔自動化[1，2]。重型車輛使用環境相對惡劣，條件復雜，造成AMT負載大，容易發生故障。
目前AMT的維修方式主要采用“事后維修”和定期強制保養，帶來了一系列問題。事后維修，不壞不修，維修只是在出現了故障后進行的修理，這種方式隱含著對人身安全的威脅和造成財產重大損失的危機。定期強制保養往往造成盲目修理或失修現象[3]。
故障預測和健康管理（Prognostics and Health Management，PHM）技術是一個涵蓋基礎材料、機械結構、能源、電子、自動測試、可靠性、信息等多領域的交叉學科和研究熱門方向，具有重要的應用價值和現實意義[4，5]。利用對設備狀態具有感知、預測和決策能力的PHM技術可以及時地發現AMT關鍵部件的故障并進行更換，實現AMT保障由定期計劃維修向基于狀態的維修轉變，保證車輛有效運轉具有重要意義。
1 AMT故障特征
AMT系統保持了車輛原有的發動機、離合器和變速箱的總成結構，僅少量改變了換擋操縱系統，取消了變速箱和換擋手柄之間的機械連接以及離合器踏板，由自動變速箱控制單元 （Transmission Control Unit，TCU）、傳感器和執行機構等組成，以TCU為核心，通過傳感器感知車輛運行狀態，應用自動變速理論，驅動執行機構控制離合器的結合與分離以及選換擋機構的動作，以實現自動換擋[6]。內部的齒輪和滾動軸承磨損是AMT的主要機械故障。齒輪故障主要分為齒面的磨損、齒面的膠合和擦傷、齒面的接觸疲勞、彎曲疲勞與斷齒。其中斷齒和點蝕是齒輪故障的主要故障模式。軸承常見故障形式有疲勞剝落、磨損、塑性變形、腐蝕、斷裂、膠合和保持架損壞等[7]。
2 AMT PHM系統
PHM的關鍵特性是預測和健康管理能力。通過研究AMT的故障特征，從功能劃分和模塊化設計的角度分析，AMT PHM系統結構如圖1所示。AMT PHM系統各部分的主要功能如下：
2.1數據采集與處理
數據采集是PHM系統基礎信息獲取的源頭。齒輪和滾動軸承的故障是在振動方面體現出來的，因此采用振動信號檢測是齒輪和滾動軸承故障診斷的主要手段。同時，AMT的滾動軸承及齒輪出現故障會以碰撞、摩擦的形式表現出來，而碰撞、摩擦會導致聲信號、高頻振動、發熱、脈沖聲發射及摩擦連續聲發射等物理現象[8]。因此，采用加速度傳感器、聲發射傳感器及溫度傳感器進行數據采集。傳感器的選擇及其檢測的物理量如表1所示。
數據處理使用濾波、平均、統計分析、譜分析等方法處理數據采集的數據，把數據轉換成數據庫或健康管理系統所規范要求的格式。
2.2特征量提取
針對AMT中齒輪和軸承的故障特征，為了提高檢測的準確度，采用主分量分析、小波包、匹配跟蹤、時頻分析、包絡提取等先進信號處理技術提取故障特征[8-11]。提取的主要特征量包括峰-峰值、均方值、方差、裕度指標、偏度指標、峭度指標、分頻信號、基頻、嚙合頻率及其諧波成分、幅值調制和頻率調制所形成的邊頻帶、由齒輪轉速頻率的低次諧波。
各參數的主要功能如下：
峭度指標：主要用來檢測AMT中是否存在碰摩故障。
峰-峰值、均方值及方差：檢測AMT振動異常現象。
裕度指標：用于檢測AMT的磨損情況。若偏度指標變化不大，峰值與均方值的比值增大，說明由于磨損導致間隙增大，因而振動的峰值比均方值增加快，其裕度指標也增大。
偏度指標：反映振動信號的不對稱性。如果存在著某一方向的摩擦或碰撞，就會造成振動波形的不對稱，使偏度指標增大。
2.3狀態監測
狀態監測層通過設定AMT穩定工作時特征參數閾值來實現，當特征參數超過此閾值時既認為AMT發生異常，進而診斷是否發生了故障。用作狀態監測的特征參數通過實驗進行確定。
2.4故障診斷和預測
故障診斷和預測是根據AMT變速箱系統當前的健康狀況，對AMT變速箱系統及其關鍵部件進行故障診斷并估計剩余可用壽命，以及對任務執行的影響。
在AMT故障診斷中，采用聲發射信號和振動信號進行信息融合，能提供與AMT微觀（應力波）和宏觀（振動）特性有關的信息，可為AMT的狀態監測提供更多的互補信息。
隱馬爾可夫模型（Hidden Markov Model，HMM）是一種基于統計的時間序列模型[12]，包含了一個雙隨機馬爾可夫過程，其中隱藏的狀態不能直接觀測到，僅能通過另一個可以被直接觀測到的隨機過程來進行估計。HMM的雙隨機結構非常適合于對實際系統的建模和描述。通過狀態監測系統，隨時間變化的軸承振動信號是能夠被觀測到的。這種特性與HMM的結構非常一致，因此，HMM非常適合于工程中利用觀測信號來估計系統的實際狀態。
D-S證據理論從傳感器獲得相關數值就是該理論的證據，由它可以得出待識別目標模式的基本可信度分配值[13]。多個傳感器就可以形成多個證據組。多傳感器信息融合通過 D-S聯合規則聯合多個證據組形成一個新的綜合的證據組。
AMT PHM系統結合HMM和D-S證據理論的優點，采用多傳感器信息融合方法對AMT進故障診斷，為AMT故障模式的決策提供準確的信息。基于HMM和D-S證據理論的多通道信息融合方法如圖2所示。
灰色預測是一種對含有不確定因素的系統進行預測的方法[14]。由于運行過程中的AMT系統具有非平穩性，強噪音的特點，具有很強的不確定性，AMT PHM系統采用灰色預測技術估計設備的剩余可用壽命。利用AMT系統的時頻及統計指標作為齒輪和軸承故障評估指標，能夠全面有效的反映齒輪和軸承壽命的退化趨勢。為了實現工程應用，采用應用最廣泛、最簡單的GM（1，1）模型對齒輪和軸承故障進行灰色預測，其是利用小樣本，貧信息建立預測模型并進行相關預測的方法，該預測模型具有建模數據少、預測精度高，建模容易等優點。
2.5健康驗證與評估
AMT PHM系統采用基于試驗的方法，建立AMT機械診斷測試臺，通過積累大量齒輪、軸承以及實際AMT的重要失效數據，來對各種故障診斷與預測方法進行驗證與評估。
采用電火花加工滾動軸承的內圈故障、外圈故障和滾動體故障。加工斷齒、磨損、擦傷等人工齒輪故障，將故障滾動軸承和齒輪安裝在測試臺上并進行測試，對滾動軸承和齒輪的正常階段，故障發生階段，加重階段及最終失效階段進行評估。
3 結論
本文針對重型車輛AMT的故障特征，設計了AMT PHM系統結構。利用聲發射傳感器、加速度傳感器和溫度傳感器采集的數據作為AMT PHM系統的源頭，通過提取相關參數的特征量，采用HMM和D-S證據理論相結合的方法對AMT進行故障診斷，以及采用灰色預測的方法對AMT的壽命進行預測，最終對AMT的健康進行驗證和評估。該系統結構將對AMT PHM系統的研制具有一定的指導和借鑒意義。
參考文獻
[1]胡敏，劉振軍.電控機械式自動變速系統開發及試驗[J].重慶大學學報，2004，27（9）：6-9.
[2]汪偉華，時國平.車輛機械式自動變速器控制系統的研制[J].工業儀表與自動化裝置， 2009，（4）：34-37.
[3]肖云魁.汽車故障診斷學[M].北京：北京理工大學出版社.2001
[4]彭宇，劉大同，彭喜元.故障預測與健康管理技術綜述[J].電子測量與儀器學報，2010，24 （1）：1-9.
[5]彭宇，劉大同.數據驅動故障預測和健康管理綜述[J].儀器儀表學報，2014，35（3）：481-495.
[6]顧佳鼎，趙治國.混合動力HEV轎車AMT控制器硬件開發[J].上海汽車，2009，（1）：3-8.
[7]崔立明，王奉濤，徐勇.齒輪箱故障診斷實例分析.裝備制造技術，2015（6）：48-50.
[8]尹芳莉，譚建平，何搖雷.強沖擊下變速箱滾動軸承故障診斷[J].廣西大學學報（自然科學版）， 2014， 39（3）：620-624.
[9]李學軍，廖傳軍，褚福磊.適于聲發射信號故障特征提取的小波函數[J] .機械工程學報，2008， 44（3）： 177-181.
[10]馮志鵬，劉立，張文明等.基于小波時頻框架分解方法的滾動軸承故障診斷[J].振動與沖擊， 2008，27（2）：
[11]林京.基于連續小波變換的信號檢測技術與故障診斷[J].機械工程學報，2000，36（12）：95-100
[12]BAUM L E， PETRIE T. Statistical inference for probabilistic functions of finite state Markov chains [J]. The Annals of Mathematical Statistics， 1966， 37（6）： 1554-1563.
關鍵詞 礦山；故障；維修
中圖分類號TD4 文獻標識碼A 文章編號 1674-6708（2012）73-0164-02
1 礦山作業機電設備故障診斷技術綜述
1.1 故障診斷技術
機電使用設備一般都是根據使用的時間越久對其機器的磨損就越大，整個機器就越容易老化，所以在機器的使用的過程中我們必須要不斷的對其進行保養，利用機器的保障診斷技術來對機電的基礎設備的利用率進行提升。而采集設備信息、分析信息等都是解決方案的幾個重要部分。
1.1.1 建立數學模型
機電設備在進行運轉的時候會有比較多參數與數據，這些機電的數值基本上都是檢測設備是否正常的標志，也可以作為機器故障診斷的依據。而我們進行這些診斷都是建立在數學模型上的，只有通過對機電設備運行進行數學建模才能夠更好的掌握機器設備運行的情況。
1.1.2 信息采集技術
對各種設備狀態進行比較準確的采集以及測量，通常情況下都是利用機電設備中的傳感器得到的，該機器所產生的一切數據信息都必須傳入到計算機中進行存儲的。
1.1.3 信息處理技術
在現場獲取機器設備的信息，它是不能夠直接拿來進行判別的，它存在不同的兩種信息，因此我們需要將這些信息進行一種轉換，使其能夠被機器讀懂，于是這樣可以對信息進行采集了。
1.1.4 分析與識別技術
分析與識別技術主要是對信息進行科學的分析并對其識別，之后再把機器設備正常運行的標準化參數進行比較，并對機器故障產生的具體原因進行判別。
1.1.5 預測技術
預測技術主要是通過分析與識別技術對信息進行處理后，在對機器中的所有設備產生的原因進行預測。
1.2 故障診斷技術的分類
1.2.1 主觀診斷
所謂主觀診斷，就是對機器修理人員按照他們自身的工作習慣而選擇較為簡易的裝置進行診斷。主觀診斷技術要考慮到人的因素，然而，主觀診斷技術很難處理復雜的故障。一般來說，故障樹分析法、直覺經驗法等是較為常用的。
1.2.2 應用裝置
通過應用裝置來有效地測量機電設備中的液壓系統的綜合性能以及發現潛在的故障問題，同時有效地診斷處理后所展示出來的結果。
1.2.3 智能型系統
智能型系統的核心就是智能診斷技術，這種技術能夠模擬人類的大腦的行為，以便能夠獲知診斷故障的有利信息。具體來說，神經網絡法就是一種良好的智能型系統技術，能夠非常有效地進行故障診斷。
2 機電設備維修可采用故障診斷技術
2.1 以故障歷史記錄為參考診斷法
以機電設備故障明顯的點入手，來排查局部設備的依賴性元器件是否出現故障，同時檢查所有系統， 務必將故障的癥結找出。可以說，在機電設備維護手冊中，通過故障來診斷的方法也是的主要使用的方法。在機電設備發生故障后，實行對故障產生的過程進行細致排查便可以得出最終診斷結果，將這些結論有效地整理歸納， 便可形成一個系統的故障診斷集。因此，可以將礦山作業機電設備的系統組成原理作為這種方法的基本依據。
2.2 通過溫度和壓力監測診斷法
借助于摩擦副軸承、齒輪傳動箱以及其它部位的溫度和壓力傳感器，可以對于礦山作業機電設備相關部位的溫度以及壓力參數進行定點在線監測。通過這種監測方式，采煤機的具體運轉情況能夠得到真實、可靠的體現。與此同時，通過溫度和壓力監測診斷法也能夠及時有效地檢測故障，并且采取有效的應對措施來進行處理，將故障的發生扼殺在萌芽狀態。
2.3 應用小波神經網絡
因為神經網絡的組成結構是非常特殊的，因此，神經網絡具備非常良好的處理數據的功能，能夠發揮出良好的信號控制與處理的作用。與此同時，神經網絡又能夠實現自學習和自適應的功能。一般來說，在礦山作業機電設備的故障診斷的過程中，從故障的開始階段到故障源的映射都存在著非常密切的非線性映射關系。由此看來，對于采煤機某些系統的診斷，充分運用人工神經網絡（ANN）能夠取得非常良好的效果。
3 礦山作業機電設備檢修維修中的注意事項
礦山作業機電設備的部分零部件會受到具體的工作環境的影響而出現一系列的變化，導致這些零部件不能夠正常發揮出它們的功能，在具體的工作的過程中，這些零部件經常會直接影響到礦山作業機電設備的精確度。由此看來，研究礦山作業機電設備檢修維修中的注意事項是非常有必要的。必須想方設法來更好地維護礦山作業機電設備，更加合理地操作礦山作業機電設備，最大限度地避免礦山作業機電設備受到任何的工作環境的影響而被損壞，切實最大限度地增加礦山作業機電設備的使用壽命。具體來說，該部分從以下幾個方面來詳細闡述礦山作業機電設備檢修維修中的注意事項。
[關鍵詞]礦山；機電設備；故障檢修；技術分析
中圖分類號：TD407 文獻標識碼：A 文章編號：1009-914X（2015）13-0069-01
前言
當前，在礦山企業中，隨著機電設備故障所造成的經濟損失與人員傷亡問題的日益突出，如何確保機電設備安全且穩定的運行，成為當前礦山企業所面臨的一大挑戰，在此背景下，故障診斷技術分析逐漸成為了當前礦山企業所關注的焦點。故障診斷分析技術是當前解決電設備故障問題的有效途徑之一，其融合了電腦技術以及信息處理技術等多個領域的先進技術。
1、故障診斷技術綜述
1.1故障診斷技術的內涵
故障診斷技術的實質是一項防護技術，通過故障診斷技術的應用能夠確保機械設備參數保持在最佳的使用狀態。具體而言，故障診斷技術就是通過運用相應的精密檢測設備，收集所檢測到的信息，并將其與標準參數進行對比，以分析出設備參數是否存在異常現象，機電設備是否存在老化現象等，如果發現問題就需要進一步診斷故障出現的原因，并根據其原因提出下一步維修方案。因此，故障檢測技術是集發現設備故障、診斷設備故障以及維修設備故障為一體的一種技術手段。
1.2 故障診斷技術的程序
1.2.1構建數據模型
在機電設備運行過程中存在著大量的數據與參數，這些數據與參數所反映的是機電設備的運行狀況，是故障診斷的主要依據。因此，在運用故障診斷技術時，其第一步程序為構建數據模型，以反應出機電設備正常運行與故障運行時參數的關系，從而掌握機電設備運行的狀態與故障情況。
1.2.2采集信息
采集信息的過程是通過準確測量、采集設備運行的各種參數與數據，因而其是機電設備故障診斷技術獲得準確信號狀態與參數的基礎保障。通常情況下，采集信息是通過安裝在各種設備上的傳感器針對設備運行發出的各種信號所進行的采集，傳感器采集到的信息會被傳輸到數據儲存器。
1.2.3處理信息
機電設備運行過程中所采集到的信息是無法直接用來判斷設備的情況，所以這就需要對信息進行處理，從而辨別出有效的信息進行轉換，從而形成夠用來直接判斷設備的信息。
1.2.4分析與識別信息
經過處理后的信息要進行對比分析，這就需要根據標準運行參數來判斷設備的運行狀態，從而找出設備所存的故障以及產生故障的原因。
1.2.5故障預測
經過分析程序后，需要對設備故障的情況以及使用壽命周期等問題進行預測，從而為維修與保養工作的開展奠定基礎。
2、故障診斷技術的分類
2.1 主觀診斷技術
主觀診斷技術是機電設備故障檢測技術中相對比較簡單的技術，其診斷的媒介是簡單的儀器或者直接憑借診斷人員此方面的工作經驗，從而實現對機電設備的診斷與檢修。通常情況下，主觀診斷技術可分為如下幾類方式：直覺檢測、參數測量、邏輯分析等。其中以直覺檢測法來實現對故障的診斷，所憑借的是感官經驗，也就是需要診斷工作人員要具備相對較高的經驗技術，其故障診斷的有效性完全依賴檢測人員的經驗，因此，這種直接且簡單的檢測技術的可靠性相對較低。
2.2 儀器診斷技術
儀器診斷技術指的是通過使用相應的檢測儀器，比如頻譜分析儀等對機電設備的運行狀態進行監測，并實現數據采集工作，然后通過檢測儀所顯示的檢測結果或者分析結果，進行故障分析與判斷。如果機電設備再出現故障，就將上一次的檢測結果與當次故障檢測結果進行對比分析，根據故障所顯現出的特點，結合故障檢測知識與經驗，對故障問題進行判斷，并同樣做好相應的檢測數據記錄。長此以往，就會形成故障診斷的數據庫庫，這樣就能夠及時且有效的應對機電設備所出現的故障問題。
2.3 智能診斷技術
隨著科學技術的發展，人工智能技術逐漸被應用于機電設備故障診斷技術中，并成為了當前設備故障診斷技術的一大發展趨勢。智能診斷技術是基于自動檢測技術和信號處理技術基礎上的、將人工智能核心技術應用于故障檢測技術中的技術手段，從而使機電設備故障診斷技術實現了智能化。當前機電設備人工智能化診斷技術主要有兩種：神經網絡系統、專家系統[1]。
2.4 無損檢測診斷技術
所謂的無損檢測技術指的是在不破壞機電設備的基礎上，實現對設備整體零部件構造的檢測，如超聲波技術、射線照相檢測技術等。此種檢測技術的主要優勢在有使用高科技含量的檢測手段，從而避免了對設備所造成的損害，但是其費用也相對較高，且相對不夠成熟，但卻引領著機電設備診斷技術的新發展方向。
3、礦山主要機電設備的故障檢測與診斷
3.1 采煤機故障檢測與診斷
3.1.1 變頻器通信單元
變頻器能偶檢測出二十七個工況的檢測參數，且具備獨立的顯示屏，能夠顯示出采煤機的牽引速度、牽引電流以及輸入電流等相應的參數，且具備良好的保溫、過壓以及過流等保護功能[2]。變頻器通信單元的主要功能是將變頻器工述檢測信號輸送到故障檢測中心，從而由故障檢測中心作出相應的故障診斷處理工作，并將其進行集中式的顯示。
3.1.2 工況檢測以及故障檢測單元
此單元是通過微型計算機的嵌入來實現計算機系統操作，其控制中心以接點通信的方式來實現對故障的檢測。當故障發生在此單元時，其診斷的相應結果會顯示出故障的類型，并向其控制中心發出相應故障信號，由控制中心采取心音的控制措施，比如聲光報警。
3.1.3 檢測152.4mm顯示單元
此單元的構成為：480×640線的彩色液晶顯示屏一塊、相關電路。其所顯示的內容包括了采煤機所有的工況檢測參數、運行狀態報警提示以及故障診斷結果等，同時還包括了機身檢測單元、高壓控制箱單元等。
3.2 高壓異步電動機故障檢測與診斷
隨著現代信號處理相關技術的發展，機電設備故障診斷的技術手段逐漸豐富化，人工智能檢測技術又進一步提高了設備故障檢測的進度，并擴大了故障檢測的范圍，與此同時，人工神經網絡以及專家系統在高壓異步電動機故障診斷中的應用，又進一步提高了故障檢測的準確性[3]。在高壓異步電動機故障檢測與診斷中，常用的方法如下：
3.2.1 局部放電檢測
局部放電檢測是利用檢測定子電流的CT與高頻檢測儀，或者通過射頻天線與帶通濾波器來檢測局部脈沖，從而實現對各種局放源的辨別，最終實現對定子不同故障的檢測。
3.2.2 電流高次諧波檢測
定子繞組故障，特別是定子繞組匝間短路這一故障，能夠引起定子電流的高次諧波增加，相關數據表明，當匝間短路時，定子電流的5、11、17次諧波明顯增加，特別是5次諧波增加最為明顯[4]。根據高壓異步電動機故障的不同的特征，能夠將其所產生的故障分為對稱故障與非對稱故障兩類，其中對稱故障包括過載、三相短路等，此類故障的最大特征為異步電動機電流顯著增加，所以這一故障的診斷可以根據異步電動機過流程度來判斷；非對稱故障包括斷相、匝間短路、單相接地以及雙向接地等，其故障診斷的最有效方式為利用電子電流的不平衡現象來檢測檢測其定子繞組故障。非對稱故障的最顯著特征為異步電動機的電流中出現負序電流或者零序電流，所以此二者也是鑒別非對稱故障的重要依據。在非對稱故障中汽油可以根據故障點的不同分為接地故障與非接地故障，而故障類型的不同決定了其所采取的故障診斷技術也是不同的。
3.2.3 磁通檢測
高壓異步電動機的定子故障會致使其內部的磁通在徑向與切向工的分量發生變化，所以，通過檢測徑向與分項的磁通變化情況，就能夠對定子故障進行診斷。當前，磁通檢測在電動機的定子側的多種故障檢測中得到應用，但是此中檢測的局限行為需要專門的磁通檢測儀器，在使用上不方便且對較弱的信號反應效果差。
3.3 礦井提升機故障檢測與診斷
礦井提升機是礦山機電設備中最為常用的設備，其工作主要是實現對材料、工人等的升降搬運，所以礦井升降機不僅關系到了礦山的生產，也關系到了礦山工作人員的生命安全。在礦井提升機故障中，最為常發的故障為松繩故障，這一故障也是最為嚴重的。針對礦山礦井提升機的松繩故障，當前較為先進且高效的松繩監測裝置是應用最為廣泛的，此裝置的構成為：霍爾傳感器、單片機兩部分；其工作原理為：在礦井的提升機每個天輪上安裝小磁鋼，同時將霍爾傳感器安裝于最合適的位置上，進而就實現了對礦井提升機天輪運轉速度的監測[5]。當礦井提升機處于正常工作狀態時，提升機天輪的與轉速度是保持不變的，通過霍爾傳感器所監測出的計數脈沖個數也是不存在差異的，此時單片機所顯示的天輪運轉行程差為零。當提升機出現松繩隱患時，其天輪形成會顯出出不同的差異，而此時的單片機就會迅速的計算出行程差，而當行程差達到預警值后，就會觸發報警信號，并對提升機發出控制信號，能夠及時控制住提升機的運行，使其停在相應的位置。
總結
綜上所述，隨著近年來礦山機電設備故障所引發的安全事故逐年上升，致使礦山機電設備安全問題凸顯，而針對頻發的安全事故，就需要礦山企業極大對機電設備故障的診斷力度，并采用相應的故障診斷技術，從而建立起完善的機電設備故障診斷防御體系，進而在提高機電設備安全的基礎上，將礦山機電設備安全隱患扼殺在萌芽中。本文針對當前礦山機電設備故障診斷技術進行了分析，以為相關診斷人員與管理人員提供參考性的建議，與此同時，這也要求了礦山機電設備診斷工作人員要根據故障診斷的程序，及時發現故障源并給與解決方案，以確保及時解決故障，確保礦山企業生產的安全性，從而在確保生產人員安全的基礎上，提高礦山企業的經濟效益與社會效益。
參考文獻
[1]楊帆.關于礦機提升機故障診斷技術的研究[J].中小企業管理與科技，2011，8（05）：45-46.
[2]鄧奎.運用故障診斷技術進行礦山機電設備維修[J].中國科技博覽，2011，24（07）：56-60.
[3]王推才.智能故障診斷技術的現狀與展望[J].徐州建筑職業技術學院學報，2013，8（24）：120-123.