故障診斷的關(guān)鍵是提取故障的特征。故障特征是指反映故障征兆的信號經(jīng)過加工處理后所得的反映設(shè)備與系統(tǒng)的故障種類、部位與程度的綜合量。故障診斷方法按提取特征的方法的區(qū)別，可分為譜分析方法、基于動態(tài)系統(tǒng)數(shù)學(xué)模型的方法、采用模式識別的方法、基于神經(jīng)網(wǎng)絡(luò)的方法、專家系統(tǒng)的方法、小波變換的方法和利用遺傳算法等。這些方法將在絕緣電阻測試儀下文具體介紹。

 

　　一、故障診斷中的譜分析方法

　　在故障診斷中比較常用的信號處理方法是譜分析。常用傅里葉譜、沃爾什譜，另外還有濾波、相關(guān)分析等。譜分析的目的：信號中包含噪聲，為了提取特征;故障信號的時域波形不能清楚地反映故障的特征。而電力電子電路中包含故障信息的關(guān)鍵點信號通常具有周期性，因此可以用傅里葉變換將時域中的故障波形變換到頻域，以突出故障特征，實現(xiàn)故障診斷。

　　傅里葉變換是將某一周期函數(shù)分解成各種頻率的正弦分量，類似地，沃爾什變換是將某一函數(shù)分解成一組沃爾什函數(shù)分量。自適應(yīng)濾波是一種數(shù)字信號的處理統(tǒng)計方法，它不需要知道信號一二階的先驗統(tǒng)計知識，直接利用觀測資料，通過運算改變?yōu)V波器的某些參數(shù)，而使自適應(yīng)濾波器的輸出能自動跟蹤信號特性的變化。在電力電子系統(tǒng)故障診斷中，可以用自適應(yīng)處理來實現(xiàn)噪聲抵消，譜線增強等功能，從噪聲背景下提取故障特征，從而實現(xiàn)準確的診斷。

 

　　二、參數(shù)模型與故障診斷

　　如果系統(tǒng)的數(shù)學(xué)模型是已知的，就可以通過測量，估計系統(tǒng)的狀態(tài)和參數(shù)，確定狀態(tài)變量和系統(tǒng)參量是否變化。采用基于系統(tǒng)數(shù)學(xué)模型的故障診斷方法，可以從較少的測量點去估計系統(tǒng)的多個狀態(tài)量或系統(tǒng)參數(shù)，從而實現(xiàn)故障診斷。

 

　　進一步又可以分為檢測濾波器方法、狀態(tài)估計法和參數(shù)辨識方法三種。

　　1、檢測濾波器方法

　　它將部件、執(zhí)行機構(gòu)和傳感器的故障的輸出方向分別固定在特定的方向或平面上。

 

　　2、狀態(tài)估計法

　　通過監(jiān)測系統(tǒng)的狀態(tài)變化，也能反映由系統(tǒng)參數(shù)變化引起的故障，并對故障進行診斷。與一般的狀態(tài)估計不同，在進行故障診斷時，并不是去估計未知的狀態(tài)信息，而是借助觀測器或卡爾曼濾波器去重構(gòu)系統(tǒng)的輸出，以便取得系統(tǒng)輸出的估計值。這個估計值與實際輸出值之差就叫量測殘差。殘差中含有大量的系統(tǒng)內(nèi)部變化的信息，因此可以作為故障診斷的依據(jù)。狀態(tài)估計法的優(yōu)點是在線計算量小，診斷速度快。

 

　　3、參數(shù)辨識方法

　　實時辨識出系統(tǒng)模型的參數(shù)，與正常時模型的參數(shù)比較，確定故障。常用的有最小二乘法。

 

　　三、模式識別在故障診斷中的應(yīng)用

　　故障的模式識別就是從那些反映系統(tǒng)的信息中抽取出反映故障的特征，并根據(jù)這些特征的不同屬性，對故障進行分類。用模式識別方法進行故障診斷，是根據(jù)樣本的數(shù)學(xué)特征來進行的，因此它不需要精確的數(shù)學(xué)模型。對于一些被診斷對象數(shù)學(xué)模型過于復(fù)雜、不易求解的問題，模式識別方法也是適用的。另外，在對工業(yè)系統(tǒng)的故障診斷中應(yīng)盡量利用非數(shù)學(xué)(包括物理和結(jié)構(gòu))方面的特征，設(shè)計出各種各樣的特征提取器，這樣將有利于利用對已有系統(tǒng)的知識，有利于減少計算工作量。由于特征的選擇和提取與待識別的模式緊密相關(guān)，故很難有某種泛泛的規(guī)律可循。目前常用的方法有：最小距離分類法，Bayes分類法，F(xiàn)isher判別法，從參數(shù)模型求特征，用K-L變換提取特征等。

 

　　四、基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法

　　利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自歸納能力，經(jīng)過一定的訓(xùn)練，建立起故障信號與故障分類之間的映像關(guān)系。利用學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)，實現(xiàn)故障診斷。神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元廣泛互連而成的網(wǎng)絡(luò)，這里以BP網(wǎng)絡(luò)為例加以介紹。BP網(wǎng)絡(luò)是單向傳播的多層前向網(wǎng)絡(luò)，它由輸入層、中間層和輸出層組成，中間層可有若干層，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出。BP網(wǎng)絡(luò)中沒有反饋，同一層的節(jié)點之間沒有耦合，每一層的節(jié)點只影響下一層節(jié)點的輸入。

 

　　BP網(wǎng)絡(luò)一般采取的學(xué)習(xí)算法是：網(wǎng)絡(luò)的輸出和希望的輸出進行比較，然后根據(jù)兩者之間的差調(diào)整網(wǎng)絡(luò)的權(quán)值，最終使誤差變?yōu)樽钚?。當電力電子電路發(fā)生故障時，如果能夠利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，使故障波形與故障原因之間的關(guān)系通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)后保存在其結(jié)構(gòu)和權(quán)中，然后將學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)用于故障診斷，神經(jīng)網(wǎng)絡(luò)就可以通過對當前電壓或電流波形的分析，得出故障原因，從而實現(xiàn)故障的在線自動診斷。

 

　　五、專家系統(tǒng)

　由于故障診斷是從被監(jiān)測和診斷的對象表征去尋找故障的成因、部位，并確定故障的嚴重程度的，因此，如果把由已知故障去分析系統(tǒng)或設(shè)備的運行特性與表征叫做正問題，那么故障診斷就是逆問題了。這種逆問題的求解明顯不同于正問題的求解，而人工智能 AI(Artificial Intelligence)技術(shù)中的專家系統(tǒng)ES(Expert System)正是解這種逆問題的有利工具。專家系統(tǒng)是人工智能研究的一個分支，它是通過模擬專家的經(jīng)驗，實現(xiàn)故障診斷。專家系統(tǒng)的結(jié)構(gòu)如下表所示：一個典型的診斷專家系統(tǒng)通過在線監(jiān)測并進行數(shù)據(jù)采集、存貯，然后傳送到診斷運行中心，在這里由專家系統(tǒng)進行處理、分析和診斷，最后將診斷結(jié)果和處理建議自動地反饋回運行現(xiàn)場。因此，專家系統(tǒng)是診斷系統(tǒng)中最核心的部分。本文后面將介紹作者在實際中應(yīng)用專家系統(tǒng)方法進行故障診斷的實例。

 

　　六、小波變換的方法

　　在故障診斷中,突變信號往往對應(yīng)著設(shè)備的某種故障，分析和識別系統(tǒng)中產(chǎn)生的各種波形信號，并判別其狀態(tài)，是進行電路故障診斷中的有效方法之一。設(shè)備正常運行時發(fā)出的信號較平穩(wěn)，一旦設(shè)備出現(xiàn)故障，就將發(fā)出具有奇異性的動態(tài)非平穩(wěn)信號。為了實現(xiàn)設(shè)備故障的快速、準確檢測，必須有效地識別故障發(fā)生瞬間的非平穩(wěn)信號。信號的處理與分析是故障預(yù)測和診斷的基礎(chǔ)，提高診斷的準確度需要信號處理和分析方法，小波變換以其對非平穩(wěn)信號局部化分析，及良好的時—頻定位功能的突出優(yōu)點，為故障診斷提供了新的、強有力的分析手段，彌補了傳統(tǒng)故障診斷中因為專家的經(jīng)驗知識很難精確描述，存在知識獲取的“瓶頸”問題。