・１２４・ 科技论坛 故障预测的应用综述 周进 （安徽理工大学，安徽淮南２３２０００） 摘要：针对如今电子电路故障预测技术的不足，阐述了故障预测的多种方法，系统地描述了现有的比较常用的故障预测技术方法， 并叙述了其优缺点；最后对故障预测发展的前景进行了展望，指出了该技术领域的一些可行性方法。研究故障预测技术对设备装置的维 修和保障具有十分重要的意义。 关键词：故障预测；粒子滤波器；支持向量机 Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ ａｔ ｔｈｅ ｉｓｓｕｅ ｏｆ ｅｌｅｃｔｒｏｎｉｃ ｃｉｒｃｕｉｔ ｆａｕｌｔ ｐｒｅｄｉｃｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ，ｅｘｐｏｕｎｄｓ ｓｅｖｅｒａｌ ｍｅｔｈｏｄｓ ｏｆ ｆａｕｌｔ ｐｒｅｄｉｃｔｉｏｎ ｓｙｓｔｅｍ， ｄｅｓｃｒｉｂｅｓ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｔｈｅ ｃｏｍｍｏｎｌｙ ｕｓｅｄ ｍｅｔｈｏｄ ｏｆ ｆａｕｌｔ，ａｎｄ ｄｅｓｃｒｉｂｅｓ ｉｔｓ ａｄｖａｎｔａｇｅｓ ａｎｄ ｄｉｓａｄｖａｎｔａｇｅｓ；Ｆｉｎａｌｌｙ ｔｉｌｅ ｆａｕｌｔ ｆｏｒｅｃａｓｔ ｄｅｖｅｌｏｐｍｅｎｔ ｐｒｏｓｐｅｃｔ．ａｎｄ ｐｏｉｎｔｓ ｏｕｔ ｓｏｍｅ ｆｅａｓｉｂｌｅ ｍｅｔｈｏｄｓ ｉｎ ｔｈｅ ｆｉｅｌｄ．Ｔｈｅ ｒｅｓｅａｒｃｈ ｏｆ ｆａｕｌｔ ｐｒｅｄｉｃｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｉｓ ｖｅｒｙ ｉｍｐｏｒｔａｎｔ ｆｏｒ ｔｈｅ ｍａｉｎｔｅｎａｎｃｅ ａｎｄ ｓｕｐｐｏｒｔ ｏｆ ｔｈｅ ｅｑｕｉｐｍｅｎｔ． Ｋｅｙ ｗｏｒｄｓ：Ｆａｕｌｔ ｐｒｅｄｉｃｔｉｏｎ；Ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ；Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ 子信息技术的迅速发展，电子信息技术结构风险最小化原则，具有很强的学习能力以及泛化能力，可以很好克服 在通信、航天，工业系统中应用日趋复杂，系统的智能化、复杂陛程度不 维数灾难、局部极小点和过拟合等传统机器学习方法所存在的问题。 断提高。随着复杂系统的不断发展，其维护和维修的成本也越来越高。此 此，ＳＶＭ能够在有限的特征信息条件下，找到数据相关联的分类信息，预 外装置设备结构愈加复杂，自动化程度高，对设备维修保障人员要求也更 测未来的故障信皂献态，提升系统的预测性能。 高。工业生产抢修需要的时间长，难度大，因此研究故障预测技－术，将对故 ２故障预测技术的发展趋势 障进行提前预测，对于维修保障来说，有十分重要的现实意义。本文分析 随着不确定性故障预测技术目的发展，以及设备维护屿保障技术更 了发展故障预测技术的必要陛及意义，结合国内外对故障预测技术的研 加完善与科学，故障越策方法的研究有以下发展趋势：（１）随着设备复杂 究，阐述了不同的故障预测技术方法，并对故障预测技术的发展进行了展 程度的提高，对于生产的要求ｆ 强，因此对于设备的精确陛以及稳定 望。 提出了更高的要求，因此对于复杂系统故障预测的研究将会更加深入。 １故障预测技术 （２）对于混合不确定眭方法研究深入，复杂系统故障的不确定性机理的研 １．１基于模糊神经网络的故障预测 究，发展基于混合不确定性的方法，对于故障产生的内在机理，以及对复 神经网络具有较强的非线性映射的能力，能够逼近非线性函数。模 杂设备的保障与维护也县有十分现实的意义。（３）对于与实际工程棚结合 糊神经网 具有神经网络技术和模糊理论的优 ，通过利用神经网络的 的综合故障预测系统发展，将会根据实际的工程需要完成特定类别的故 逼近能力以及具有神经网络的低层次的学习与计算能力和模糊系统高 障诊断是重要的发展趋势。 层次的推理与决策能力，且动态自适应能力强，适合非线性复杂系统，构 ３结论 络的故障预测系统，，使用模糊数学的方法艘用 要实现—个非线ｌ生动态系统的故障预测 首先需要从系统中获取足 神经网络识别进行电子电路预测的研究． 够的特征信号，提取故障点的对应状态，过于复杂和细化的特征信号，冗 １２基于灰色系统的故障预测 余的数据是需要克服的难点，如何获取有效的故障信号成为了研究的一 灰色预测喔由灰色系统理论建立一个预测模型，建立一般眭灰色 个重点。通过对于故障预测方法的研究能够不断完善非线陛复杂系统的 微分方程拟合数据序列拟合，得到微分方程的系数，从而获得灰色预测 故障预测，能够准确并及时的完成故障的预测，从而达到避免故障和减小 模型．灰色预测利用基于灰色系统理论的ＧＭ Ｇｒｅｙ Ｍｏｄｅ ｆ莫型进行预 损失的作用。 测，ＧＭ模型的病态性可能会严重影响预测控制效果准确性以及可靠性， 参考文献 当系数矩阵条件数非常大时，实验数据的细微改变都会造成预测值的误 ［１ｌ蔡桂芳．基于模糊神经网络的故障预测方法研究ＩＪｌ机电产品开发与创 差。 新２００８２１ ３５ ３６． ｌ３基于粒子滤波器的故障预测 『２］王晶，刘建新．基于灰色新预测模式的变压器故障预测 华北电力大 在搭建目标模型时卡尔曼滤波算法嚅要线ｌ生高斯型的系统，然而 学学｛艮２００７，３４（ １０－１４．（Ｗａｎｇ Ｊ，Ｌｉｕ Ｊ ｘ Ｔｒａｎｓｆｏｒｍｅｒ ｆａｕｌｔ ｐｒｅｄｉｃｔｉｏｎ 有时是需要运用非线ｌ生系统建立模型，因此该算法不能直接用来解决非 ｕｓｉｎｇ ｎｅｗ ｇｒｅｙ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ叫．Ｊ ｏｆ Ｎｏｒｔｈ Ｃｈｉｎａ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ 线性问题。针对这一问题，开发了非线陛滤波算法Ｈ。例如扩展卡尔曼算 Ｕｎｉｖｅｒｓｉｔｙ，２００７，３４（１ｌ １ｏ＿１ ４．） 法，利用非线ｌ生系统使局部线胜化间接利用了卡尔曼算法进行滤波与估 ［３１陈雨，张颖伟．基于卡尔曼滤波器的网络控制系统的故障检测 ．电气开 算。此外还提出了基于蒙特卡罗方法的随机滤波算法＇也就是粒子滤波器 关２ｏ１０（５１：１８—２０． 目是一种能有效解决非线性问题的算法。粒子滤波器 厦过一组采样值 Ｉ４］莫以为，萧德云．基于进化粒子滤波器的混合系统故障诊断【Ｊ Ｉ．控制 粒子来近似概率密度函数，因而无需系统是线性。粒子滤波器算法利用 与决策，２００４，１９ ｆ ６１：６１ １ ６１５，Ｍｏ Ｙｉｗｅｉ，Ｘｉａｏ Ｄｅｙｕｎ．Ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｆ 状态空间里大量样本点来近似实际状态的概率密度函数，通过增加粒子 ｈｙｂｒｉｄ ｓｙｓｔｅｍｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｅｖｏｌｕｔｉｏｎａｒｙ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ［ＪＪ．Ｃｏｎｔｒｏｌ ａＪ１ 。数，使其能够更好地近似求得概率密度函数。粒子滤波器算法通过对单 Ｄｅｃｉｓｉｏｎ，２００４，１９ ：６１ １＿６１５．（ｉｎ Ｃｈｉｎｅｓｅ） 独粒子赋予—个权值，许多不同权值的点构成的离散分布就能够趋近连 【５Ｉ张磊，李行善 于劲松等．一种基于高斯混合模型粒子滤波的故障预测 续分布，能跟踪不同模式的系统行为，能够用于估算出混杂系统的连续 算法叨．航空学抿２００９，３０（２）：３１９．．３２４．Ｚｈａｎｇ Ｌｅｉ，Ｌｉ Ｘｉｎｇｓｈａｎ，Ｙｕ 状态和离散状态。不过｛ 濞法也存在一些问题，自重包括粒 尽化以及对 Ｊｉｎｇｓｏｎｇ，ｅｔａｋＡｆａｕｈ 突变状态的跟踪能力差。 ｐｒｏｇｎｏｓｔｉｃ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ ｐａｒｔｉｃｌｅ ｆｉｈｅｒ［Ｊ Ｊ． １４基于支持向量机的故障预测技术 Ａｃｔ ａ Ａｅｒｏｎａｕｔｉｃａｅｔ Ａｓｔｒｏｎａｕｔｉｃａ Ｓｉｎｉ．ｃａ，２００９，３０（２）：３ １９．．３２４．（ｉｎ 支持向量机（ｓＶＭ）是根据统计学的理论提出的一种机器学习的方 Ｃｈｉｎｅｓｅ） 法。在故障预测领域ＳＶＭ有不同于其他算法的优势。统计学理论在寻求 网徐涛，王祁．一种神经网络预测器在传感器故障诊断中的应用Ⅱｌ传感技 小样本情况下学习问题的最优解，不需要利用样本数趋向于无穷大的渐 术学￣１，２ｏ０５，１ ８（２）＇．２３５ ２３６． 进ｆ生条件。ＳＶＭ能够币惘小样本学习。ＳＶＭ是在统计学理论框架基础上 ［ＴＮ－ｇ￣、马伦、吕艳军等基于状态维修过程中的故Ｊ章预测问题分 Ｊｌ计 发展的—种新的智能学习方法，适合于小样本决策问题。然而实际工程系 算机与数字：ｒ－￣－２０１２，４０（１）．：１２９－１３１． 统故障的样本获取有难度，这就体现ＳＶＭ在解决实际问题中有限样本 ［８］陈敏 周东华．动态系统的故障预报技棚．控制理论与应用’２０¨Ｄ３，２Ｏ［６】： 的故障预测问题中的优越陛。此外ＳＶＭ具有很强的学习 ｜力。ＳＶＭ基于 ８１９ ８２３．
