本文節(jié)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(shù)，是了解和掌握設備在使用過程中的狀態(tài)，確定其整體或局部是正常或異常，早期發(fā)現(xiàn)故障及其原因并能預報故障發(fā)展趨勢的技術(shù)。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(tǒng)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(tǒng)對“小”故障信號的檢測能力。檢測系統(tǒng)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(fā)生故障后，檢測系統(tǒng)在盡可能短的時間內(nèi)檢測到故障發(fā)生的能力。故障檢測的及時性越好，說明從故障發(fā)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(tǒng)沒有發(fā)生故障卻被錯誤地判定出現(xiàn)了故障；漏報則是指系統(tǒng)中出現(xiàn)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(tǒng)應當保持盡可能低的誤報率和漏報率。

1. 故障分離能力。是指診斷系統(tǒng)對不同故障的區(qū)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(tǒng)對于不同故障的區(qū)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(tǒng)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(tǒng)對故障的估計就越準確，也就越有利于故障的評價與決策。

1. 魯棒性。是指故障診斷系統(tǒng)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(tǒng)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(tǒng)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(chǎn)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(jié)構(gòu)的變化或由諸如生產(chǎn)數(shù)量、原材料質(zhì)量等問題引起的工作條件的變化 。

診斷方法

基于專家系統(tǒng)

基于專家系統(tǒng)的診斷方法是故障診斷領(lǐng)域中最為引人注目的發(fā)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(shù)。它大致經(jīng)歷了兩個發(fā)展階段：基于淺知識領(lǐng)域?qū)＜业慕?jīng)驗知識的故障診斷系統(tǒng)、基于深知識診斷對象的模型知識的故障診斷系統(tǒng)。

• 基于淺知識的智能型專家診斷方法

淺知識是指領(lǐng)域?qū)＜业慕?jīng)驗知識。基于淺知識的故障診斷系統(tǒng)通過演繹推理或產(chǎn)生式推理來獲取診斷結(jié)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(chǎn)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(tǒng)一、高模組性、推理速度快等優(yōu)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(tǒng)容易陷入困境；對診斷結(jié)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(guān)診斷對象的結(jié)構(gòu)、性能和功能的知識。基于深知識的故障診斷系統(tǒng)，要求診斷對象的每一個環(huán)境具有明顯的輸入輸出表達關(guān)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(jù)診斷對象領(lǐng)（域中的第一定律知識）及其具有明確科學依據(jù)的知識他內(nèi)部特定的約束聯(lián)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(yōu)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(tǒng)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(jié)合起來，才能使診斷系統(tǒng)的性能得到優(yōu)化。因此，為了使故障智能型診斷系統(tǒng)具備與人類專家能力相近的知識，研發(fā)者在建造智能型診斷系統(tǒng)時，越來越強調(diào)不僅要重視領(lǐng)域?qū)＜业慕?jīng)驗知識，更要注重診斷對象的結(jié)構(gòu)、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(lǐng)域?qū)＜以谶M行診斷問題求解時，總是將他具有的深知識和淺知識結(jié)合起來，完成診斷任務。一般優(yōu)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(jīng)網(wǎng)

知識獲取上，神經(jīng)網(wǎng)絡的知識不需要由知識工程師進行整理、總結(jié)以及消化領(lǐng)域?qū)＜业闹R，只需要用領(lǐng)域?qū)＜医鉀Q問題的實例或范例來訓練神經(jīng)網(wǎng)絡；在知識表示方面，神經(jīng)網(wǎng)絡采取隱式表示，并將某一問題的若干知識表示在同一網(wǎng)絡中，通用性高、便于實現(xiàn)知識的總動獲取和并行聯(lián)想推理。在知識推理方面，神經(jīng)網(wǎng)絡通過神經(jīng)元之間的相互作用來實現(xiàn)推理。

前在許多領(lǐng)域的故障診斷系統(tǒng)中已開始應用，如在化工設備、核反應器、汽輪機、旋轉(zhuǎn)機械和電動機等領(lǐng)域都取得了較好的效果。由于神經(jīng)網(wǎng)絡從故障事例中學到的知識只是一些分布權(quán)重，而不是類似領(lǐng)域?qū)＜疫壿嬎季S的產(chǎn)生式規(guī)則，因此診斷推理過程不能夠解釋，缺乏透明度 。

基于模糊數(shù)學

許多診斷對象的故障狀態(tài)是模糊的，診斷這類故障的一個有效的方法是應用模糊數(shù)學的理論。基于模糊數(shù)學的診斷方法，不需要建立精確的數(shù)學模型，適當?shù)倪\用局部函數(shù)和模糊規(guī)則，進行模糊推理就可以實現(xiàn)模糊診斷的智能化。

基于故障樹

故障樹方法是由電腦依據(jù)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(tǒng)的某一故障“為什么出現(xiàn)這種顯現(xiàn)”開始，沿著故障樹不斷提問而逐級構(gòu)成一個梯階故障樹，透過對此故障樹的啟發(fā)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(tǒng)的及時動態(tài)數(shù)據(jù)，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(jié)合使用。

案例分享

案例中的客戶是開發(fā)、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(shù)）、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(chǎn)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(chǎn)過程帶來不必要的損失，并存在以下三個痛點：

• 傳統(tǒng)的設備運維運維人員需要積累豐富的運維經(jīng)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(fā)生時間以及可能性無法做出精準的預測。

慧都大數(shù)據(jù)團隊對數(shù)據(jù)進行處理，選擇最優(yōu)的預測模型，對傳感器的數(shù)據(jù)進行相關(guān)性探索，找到故障發(fā)生的所有相關(guān)數(shù)據(jù)特征（如圖方框選擇的數(shù)據(jù)區(qū)域所示），從而預測出故障會在接下來的某個時間點出現(xiàn)故障（如圖橢圓形區(qū)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(xiàn)場生產(chǎn)過程，客戶非常滿意。最終實現(xiàn)：

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