第42卷第3期电力系统保护与控制Vol.42 No.3 2014年2月1日Power System Protection and Control Feb.1, 2014
电网故障诊断的智能方法综述
边 莉，边晨源
（黑龙江科技大学电子与信息工程学院，黑龙江 哈尔滨 150027）
摘要：综述了目前应用较为广泛的基于智能技术的电网故障诊断方法，包括专家系统、人工神经网络、贝叶斯网络、优化技术、支持向量机、模糊集理论、Petri网、信息融合技术和多智能体技术。简单介绍了这些智能方法的基本概念，在电网故障诊断领域的研究现状，并从实用化的角度阐释了各自的特点和存在的不足，以及各自未来的发展情况。最后从电网故障诊断领域当前所面临的重要问题出发，探讨了该领域今后的发展趋势。
关键词：电网；故障诊断；智能技术；研究现状；发展趋势
Review on intelligence fault diagnosis in power networks
BIAN Li, BIAN Chen-yuan
(School of Electronic and Information Engineering, Heilongjiang Institute of Science and Technology, Harbin 150027, China)
Abstract: This paper reviews the intelligence methods that are applied widely for fault diagnosis of power networks, including expert system, artificial neural network, Bayesian network, optimization methods, support vector machine, fuzzy set theory, Petri net, information fusion of multi-data resources and multi-agent system. Their basic concepts and research status in power fault diagnosis domain are introduced. Their characteristics, disadvantages and development trends are elaborated from the aspects of practicability. Finally, this paper explores the development trend in future in the field of fault diagnosis according to the current problems in the field of grid fault diagnosis.
Key words: power network；fault diagnosis；intelligence method；research status；development trend
中图分类号： TM711 文献标识码：A 文章编号： 1674-3415(2014)03-0146-08
0 引言
电网故障诊断就是通过测量和分析故障后电网中电流、电压等电气量以及保护和断路器动作的开关量变化信息，识别故障元件。良好的诊断策略对于缩短故障时间，防止事故扩大具有重要意义[1]。故障发生时，监控系统采集到的大量故障信息涌入调度中心，基于传统数学模型的诊断方法已很大程度上不能保证诊断的准确性和快速性等要求，而相比较来说，基于智能技术的诊断方法具有明显的优势。智能方法能够模拟、延伸和扩展人类的智能行为，弥补数学模型诊断方法的不足，为电网故障诊断领域开辟了新途径。因此故障诊断方法由传统技术向智能化技术方向发展是该领域未来研究的重点和热点[2]。
基金项目：黑龙江省青年科学基金（QC2010023）；黑龙江省普通高等学校青年学术骨干支持计划（1251G055）；黑龙江科技学院优秀青年才俊计划资助
本文在国内外专家学者对电网故障诊断领域研究成果的基础上，综述了一些当前应用较为广泛的电网故障诊断的智能方法，其中包括专家系统、神经网络、模糊集理论、Petri网等，并相应的给出了简要的介绍，同时分析了这些方法的特点和不足，总结了当前电网故障诊断领域所面临的问题，探讨了该领域在今后的发展中需要重点解决的关键问题和未来的发展趋势。
1 电网故障诊断的智能方法研究现状
1.1 基于专家系统的故障诊断方法
Feighbaum教授于1968年开发了第一个专家系统(Expert System)并且具体说明专家系统是一种智能的计算机程序，它通过使用知识与推理过程，求解那些需要专家的知识才能求解的高难度问题[3]。自从70年代人们将专家系统引入到电网的故障诊断领域至今，基于该方法的故障诊断应用较为成功。专家系统在电网故障诊断中的典型应用可以归结
边莉，等电网故障诊断的智能方法综述 - 147 -
为：首先建立故障信息知识库，并用自然语言建立产生式规则；然后基于对这一产生式规则的理解，知识工程师将知识表示成机器语言并通过人机接口储存到知识库中；故障发生时，将故障信息输入到推理机，推理机根据当前输入的故障信息，运用知识库中的知识，按一定的策略进行推理，从而识别出故障元件。
专家系统将专家的知识应用于电网故障诊断，可以保证诊断系统的实时性和有效性，但是基于知识的本质和实现故障诊断的原理没有变，因此当前专家系统还存在着不足：(1)专家知识是人为移植到计算机的，所以难以建立完备的知识库；(2)容错性差，对于保护和断路器的误动作及知识库中不包含的情况，很难给出正确的判断；(3)系统的维护难度非常大，知识库要经常根据实际情况进行更新。
未来的研究中将专家系统与其他智能技术相结合是一种有效的方式，取长补短，弥补专家系统本身的缺陷。文献[4]将模糊集理论与专家系统结合，通过对电压和电流值以及保护和断路器信息进行模糊推理，能够有效地改善专家系统容错性差的问题。文献[5]采用一种适用于电网故障诊断的整个协同式专家系统的结构体系，并且将其与多智能体技术相结合，克服了单一专家系统的局限性，增强了对复杂故障实时诊断的推理能力。
1.2 基于人工神经网络的故障诊断方法
人工神经网络(Artificial Neural Network)是一种模拟神经系统来进行信息处理的数学模型，主要是基于输入和输出关系建立起来的，并由大量简单的处理单元（神经元）广泛互连而形成的复杂网络系统。神经网络能够对大量的训练样本进行分析推理，得到一般规律，从而能对未知的或无法预测的故障信息进行分析判断[6]。目前，前馈神经网络较广泛地应用于电网故障诊断领域，其中最具代表性的是BP(Back Propagation)神经网络和径向基神经网络。
文献[7-8]给出了BP神经网络在电网故障诊断中的典型应用：将保护器和断路器的动作信息作为神经网络的输入，可能发生的故障情况作为输出，以此来建立诊断模型；通过大量的故障实例形成训练神经网络的样本集；训练过程中，网络的输入节点加输入信号，此信号向前传播，并不断根据当时的节点活化函数、连接加权系数和给定阈值进行相应计算，此过程即为学习过程；在学习结束前，若前向计算的输出与期望的输出之间存在误差，则将误差信号反向传播，调整权值和阈值，直到输出满足要求。文献[9]利用小波分时灰度矩提取故障信息，将该信息作为概率神经网络的输入，通过概率神经网络进行模式识别，达到电网故障的自动识别。文献[10]在应用神经网络进行故障诊断时，引入了量子力学概念。文献[11]将主成分分析法融入神经网络，通过应用神经网络的多层感知器功能并结合系统输出电压值信息来识别故障类型；而且采用主成分分析法能够大量减少神经网络诊断时庞大的输入量，降低样本训练的时间，抑制噪声对诊断结果的影响。
神经网络有强大的学习能力，而且具有容错能力强、鲁棒性好、非线性映射和并行分布处理等特点。然而，神经网络还存在如下缺陷：(1)需要大量的训练样本以供学习，但获取完备优质的样本十分困难；(2)神经网络在诊断过程中被看成是“黑箱”，缺乏对自身行为的解释能力；(3)神经网络不善于处理启发式的规则。未来对基于神经网络的电网故障诊断方法的研究重点还是在选取有价值的训练样本、给予诊断过程解释能力、使适用于大规模电网故障诊断等方面。
1.3 基于贝叶斯网络的故障诊断方法
贝叶斯网络(Bayesian Network)是一种用来表示和推理不确定性知识的模型，它将概率论的相关知识与图形理论相结合，具有较为严格的理论基础，对解决复杂电网由于不确定因素引起的故障等问题具有明显作用[12-13]。目前，利用贝叶斯网络技术进行电网故障诊断的研究还处于初期阶段，但是发展的较为迅速。文献[14]采用分层递归的思想，利用粗糙集理论对电网故障信息进行分层挖掘，达到属性优选，然后通过贝叶斯网络进行故障诊断，成功识别出故障元件。文献[15]结合监测设备的状态信息，利用贝叶斯网络实现了故障情况的提前预测。文献[16]基于元件建模，通过设置各节点的先验概率，使得故障信息经过贝叶斯网络后，得到各元件发生故障的概率，以此识别故障元件，若采用某个阈值作为判断条件，可同时对一个或多个元件的故障进行有效诊断。
贝叶斯网络的诊断模型清晰直观，对于不确定和不完备信息可以进行良好的诊断决策，然而，网络节点赋值需要大量的实际观察或统计分析方法来确定，而且贝叶斯网的训练属于NP难度问题，处理复杂问题时将变得非常困难。未来该领域的研究将主要集中在如何实现贝叶斯网络的自动建模，如何将其与信息融合理论相结合等方面。
1.4 基于优化技术的故障诊断方法
采用优化技术(Optimization Methods)的故障诊断方法是一种基于数学模型的求解方法。目前，国
- 148 - 电力系统保护与控制
内外学者提出了多种优化算法，可以将其应用到电网故障诊断领域，而且优化算法在电网规划等方面也有较好的应用[17]。常用的优化算法包括：遗传算法，模拟退火算法和蚁群算法，还有较新的算法如交叉熵算法。
优化技术应用于电网故障诊断的方法是考虑故障元件与保护器和断路器的动作关系，将电网故障诊断问题表示为使目标函数最小化的0-1整数规划问题，然后通过优化算法求解该问题的最优解。文献[18]基于小生境遗传算法，并结合粗糙集理论，来求取决策表约简，从而抽出诊断规则，提升了对不完备信息的分析能力。文献[19]通过综合利用可疑故障元件与保护和断路器误动作的情况，构建了一个计及保护和断路器误动作的故障诊断模型，不仅能够识别出故障元件，也能够找出误动作的保护和断路器。文献[20]充分分析故障元件、保护和断路器动作的整体关联性以及保护和断路器误动作的情况，通过对故障场景的整体描述，提出了一种整体解析的诊断模型，并利用改进二进制粒子群算法对模型求解。
基于优化技术的故障诊断方法具有严密的数学基础和理论依据，用常规的优化算法即能够实现[21]，而且能够在诊断信息不全面的条件下，给出局部和全局最优的多个诊断结果。不过该方法还存在的问题是：(1)目标函数的确定比较困难；(2)优化算法的多次迭代，导致诊断时间过长；(3)优化算法在寻优的过程中存在随机因素，可能导致丢失最优解。所以选择更全面的诊断模型以及采用合适的优化算法来提高诊断的准确性和实时性是该领域未来研究的重要方向。
1.5 基于支持向量机的故障诊断方法
统计学习理论是一种专门研究有限样本情况下机器学习规律的理论，为研究统计模式识别和更广泛的机器学习问题建立了一个较好的理论框架[22]。Vapnik等人根据对统计学习理论的研究，提出了支持向量机(Support Vector Machine)这种全新的模式识别算法，有效地改善了传统分类方法的缺陷，具有充足的理论依据。它在文本分类、故障诊断、手写识别等领域中获得了较多的应用。
故障诊断问题从本质上来说就是一种分类问题[23]，而支持向量机对于有限样本状况下的分类问题具有较强的针对性。文献[24]通过将粒子群优化算法与支持向量机相结合来进行故障诊断。由于在支持向量机算法中，核函数参数选择的好坏直接影响到诊断结果的准确度，而文中采用的方法能够实现参数的动态选取，达到优化诊断结果的目的。文献[25]采用综合型模糊向量机的诊断方法，可以解决不确定性信息的诊断问题，同时又能够解决分类技术中的难题。与常规支持向量机诊断方法相比较，其诊断结果准确率更高。
支持向量机基于统计学习理论，有效地改善了传统分类方法的缺陷，具有充足的理论依据，对解决有限样本的模式识别问题具有很高的适用性。下一步的研究重点在于如何改进算法，使诊断过程快速并满足实时性的要求以及处理大电网故障诊断、参数的选择等问题。该技术在故障诊断中的应用起步较晚，随着研究的加深，该方法有望成为电网故障诊断领域的实用方法之一。
1.6 基于模糊集理论的故障诊断方法
美国自动控制专家L A Zadek于1965年首次提出“模糊集合”的概念，并引入“隶属函数”来描述差异的中间过渡[26]。模糊集理论(Fuzzy set Theory)将信息模糊化，首先系统获取的信息组成的集合可以看成一种经典集合，按照某种对应法则将集合中的元素映射到[0,1]这一区间，这样集合中的每一个元素在0和1之间都对应一个实数，这个实数可以表明其隶属于0或1的程度，按照以上对应法则组成的函数就是隶属度函数，该理论就是以隶属度函数为基础建立的。在电网故障诊断领域发展的早期，人们对专家系统应用在故障诊断领域做了较多的研究，然而很少考虑到信息的不确定性，从而导致诊断的不精确。文献[27]针对电力系统故障诊断问题中的不确定信息给出解决方法，将模糊集理论应用在电网故障诊断领域，通过将故障信息模糊化，不仅可以减小数据信息的存储空间，也能提升诊断精度和容错性。
模糊集理论的特点就是可以处理信息的不确定性，然而基于模糊集理论的故障诊断方法还面临着一些弊端：(1)隶属函数的建立没有一个明确的标准；(2)可维护性差，当电网结构发生变化时，模糊知识库和隶属度也要做相应的变化；(3)大规模电网的模糊诊断模型建立困难。在实际应用中，常常将模糊集理论与其他智能方法相结合（如专家系统、神经网络、Petri网等），用来分析不确定性信息对诊断系统的影响，提升诊断精度，增强系统的容错性。
1.7 基于Petri网技术的故障诊断方法
Petri网是德国科学家Carl Adam Petri于1960~1965年提出的一种数学模型，它利用目标系统中元件之间的关系来构建有向图的组合模型，从而能够准确地表示离散事件发生的顺序、并发和冲突的关系。印度学者Jenkensl和Khincha 在1992
边莉，等电网故障诊断的智能方法综述 - 149 -
年首先将Petri网技术应用于电网的建模中[28]，在这之后Petri网在电力系统的很多领域中得到了应用，并显示出了其良好的应用前景。电网的故障可看成是离散事件，而Petri网是对离散事件组成的系统进行建模和分析的理想工具。文献[29]在传统Petri网技术的基础上，提出了神经Petri网和模糊神经Petri 网这两种诊断模型。文献[30]改进了传统容错Petri 网故障诊断模型，沿可疑故障元件的蔓延支路建模，这样在网络拓扑发生变化时，可以快速准确地做出调整，不用修正关联矩阵，提升了诊断速度，而且引入保护装置虚拟库所，使改进后的模型更加简洁直观。
Petri网方法能够定性或定量地对系统中事件发生的各种过程采取准确的分析，同时还具有图形化的结构表示等优点，是对离散事件进行动态建模和分析的有效方法[31-32]，不过还有一些尚需深入的问题存在，主要是：(1)系统网络拓扑的扩大，易导致建模时发生信息组合爆炸的情况；(2)电网多重故障时，诊断结果不够理想；(3)对于保护和断路器拒动或误动时产生的错误信息不能很好地分析识别。未来的研究中，将高级的Petri网用于复杂电网的故障诊断是一种有效的措施，文献[33]采用方向性加权模糊Petri网的方法来进行电网的故障诊断。文献[34]介绍了有色Petri网，可利用颜色表示相同功能或相同类型的资源，简化了诊断模型。文献[35]将有色Petri 网应用到电网的故障诊断，取得了良好的诊断效果。
1.8 基于信息融合技术的故障诊断方法
信息融合(Information fusion)技术实际上是一种多源信息的综合技术，通过对来自不同数据源的信息进行分析和智能化合成，获得被测对象及其性质的最佳一致估计，从而产生比单一信息源更精确、更完全的估计和决策[36-37]。目前，采用该方法的电网故障诊断已显示出了明显的优势，文献[38]利用改进D-S证据理论的多数据源信息融合故障诊断方法，分别运用小波分析理论和模糊Petri网技术对电气量和开关量信息进行特征提取，然后利用改进D-S证据理论将两方面的信息融合作为诊断依据。文献[39]采用结合模糊积分理论的信息融合技术，基于电网元件建立神经网络模型，通过融合神经网络得到的初级诊断结论进行故障诊断，有效地克服了神经网络样本获取困难的问题，且能够并行运算，提升诊断速度。文献[40]提出结合小波神经网络和证据理论的信息融合技术的故障诊断方法，利用小波神经网络进行数据层的故障分析，在决策层利用各种冗余和互补的故障信息构建信息融合框架。
采用信息融合技术将开关量与电气量等来自不同数据源的信息综合利用，可以极大地提高诊断系统的实时性和准确性，有效地避免由于故障信息的不确定性而导致的错误诊断[41]。信息融合技术在今后的研究中，重点将放在解决如何选取合适的信息融合方法以及如何在实际中融合更多方面的信息，这会使得电网故障诊断水平上升到一个新高度。1.9 基于MAS的故障诊断方法
多智能体(Multi-Agent System, MAS)技术是分布式人工智能技术的重要分支，它是一种将计算机、网络和分布式思想相结合的软件工程技术，能够将目标问题转变成在逻辑上或物理上分离的多个Agent，可分别针对每个Agent来解决问题，而且各个Agent之间相互协调信息得到最终结果，节约了数据和资源。文献[42]将MAS技术应用于电网的故障诊断中，先将诊断系统智能分解，再通过软件技术来协调各Agent中的信息并得出诊断结果，满足了准确性和实时性的要求。文献[43]提出一种基于智能识别系统的MAS技术(MAS-IIS)，MAS-IIS实现了控制过程的在线自适应识别和实时的进行离线故障诊断，同时可以适应和克服大规模电网的复杂性。文献[44]将诊断系统划分为6个Agent模块，诊断Agent作为整个诊断系统的核心，完成了将开关量诊断Agent和电气量诊断Agent提取的故障信息进行融合，提升了诊断系统的精确性。
MAS诊断系统作为分布式的诊断系统，具有良好的可扩展性、鲁棒性和启发性，适应电网地域分布性以及诊断任务的复杂性等要求[45-46]，通过协调合作的方式进行工作，可以实时地求解复杂过程的大规模任务。在下一步的研究中，如何处理各个Agent在社会层次上的知识和行为，协调不同目标的多个Agent的行为，使其联合起来解决问题是MAS技术研究的关键问题。
2 当前面临的主要问题及未来发展趋势
目前，电网故障诊断领域所面临的主要问题是：(1)各种诊断方法在处理不确定和不完备信息时容错性差，而且直到现在对于该问题仍没有给出明确的解决方式[47]；(2)像前文所介绍的，这些智能方法本身还存在应用的限制和缺陷，而且在目前的实际应用中，大部分电网故障诊断还是只基于一种智能方法；(3)电网的运行方式和网络拓扑结构的变化对故障诊断结果有明显的影响；(4)电网智能故障诊断实用化的研究还不够。
从当前电网故障诊断领域所面临的问题出发，今后的研究重点可以分为以下几个方面：
(1) 基于多种智能方法融合的诊断方法研究。
- 150 - 电力系统保护与控制
目前电网故障诊断的实际应用中，多数还是采用一种智能方法，其中应用较多的是专家系统和优化技术[48]。将多种智能技术融合，取长补短，并在电网故障诊断领域中适时地引入最新的技术，这是未来故障诊断发展的重要趋势。
(2) 基于多数据源信息融合技术的诊断方法研究。目前电网故障诊断系统所采用的智能技术大多是利用开关量信息。相比较来说在精确性、容错性等方面，电气量有着更大的优势。将不同数据源的开关量和电气量的信息融合，充分利用多数据源的故障信息，能够使诊断结果更加精确。
(3) 基于分布式智能技术的故障诊断研究。采用分布式的故障诊断方法能够将大电网分区后进行分布式故障诊断，有效地解决了面向大电网故障诊断的难题[32]。中国电科院的专家2007年利用贝叶斯网络的诊断方法，以含有不确定性故障信息的大型系统作为平台，进行了MAS协同诊断问题的研究，并取得了很好的诊断结果[48]。
(4) 在线电网故障诊断实用化的研究。目前，国内外的专家学者在电网故障诊断理论上的研究已经取得了众多成果，但在实用化研究的方面还十分欠缺。因此在未来的研究中，如何从实用化的角度出发，将理论应用到实际，仍然是一个重要的研究课题[49-50]。故障诊断预处理功能是整个实用化的故障诊断系统的入口，为后续的运行提供保证，因此对故障诊断预处理功能的研究也是推进电网故障诊断实用化的重要一步。
3 结语
采用智能方法的电网故障诊断是该领域发展过程中新的思路，并且目前已取得大量实质性成果。本文综述了目前较受关注的电网故障诊断的智能方法，相应介绍了这些方法的特点以及所存在的问题和近年来的研究成果，并指出当前电网故障诊断领域所面临的问题，如实用化不足，处理不确定信息容错性差等，最后探讨了电网故障诊断领域未来的发展趋势。这些智能方法有些还处于理论阶段，而且都有各自的弊端，因此需要在实际工程应用中不断完善，提升电网故障诊断的智能化水平。
参考文献
[1] 梅念, 石东源, 李银红, 等. 计及信息畸变影响的电网
故障诊断分级优化方法[J]. 电工技术学报, 2009, 24(9): 178-185.
MEI Nian, SHI Dong-yuan, LI Yin-hong, et al. Power system fault diagnosis based on gradual optimization in
consideration of alarm information aberrance[J].
Transactions of China Electrotechnical Society, 2009,
24(9): 178-185.
[2]李红卫, 杨东升, 孙一兰, 等. 智能故障诊断技术研究
综述与展望[J]. 计算机工程与设计, 2013, 34(2):
632-637.
LI Hong-wei, YANG Dong-sheng, SUN Yi-lan, et al.
Study review and prospect of intelligent fault diagnosis
technique[J]. Computer Engineering and Design, 2013,
34(2): 632-637.
[3] Joseph Giarratano. 专家系统原理与编程[M]. 北京: 机
械工业出版社, 2000: 20-23.
[4]Lee H J, Park D Y, Ahn B S, et al. A fuzzy expert system
for the integrated fault diagnosis[J]. IEEE Trans on
Power Delivery, 2000, 15(2): 833-838.
[5]赵伟, 白晓民, 丁剑, 等. 基于协同式专家系统及多智
能体技术的电网故障诊断方法[J]. 中国电机工程学报,
2006, 26(20): 1-8.
ZHAO Wei, BAI Xiao-min, DING Jian, et al. A new fault
diagnosis approach of power grid based on cooperative
expert system and multi-agent technology[J].
Proceedings of the CSEE, 2006, 26(20): 1-8.
[6]胡守仁, 余少波, 戴葵. 神经网络导论[M]. 长沙: 国
防科技出版社, 1992: 2-3.
[7]鄂加强. 智能故障诊断及其应用[M]. 长沙: 湖南大学
出版社, 2006: 64-65.
[8]郭创新, 朱传柏, 曹一家, 等. 电力系统故障诊断的研
究现状与发展趋势[J]. 电力系统自动化, 2006, 30(8):
98-103.
GUO Chuang-xin, ZHU Chuan-bai, CAO Yi-jia, et al.
State of arts of fault diagnosis of power systems[J].
Automation of Electric Power Systems, 2006, 30(8):
98-103.
[9]罗毅, 程宏波, 吴浩, 等. 一种基于小波分时灰度矩与
概率神经网络的电网故障诊断方法[J]. 重庆邮电大学
学报: 自然科学版, 2012, 24(1): 121-126.
LUO Yi, CHENG Hong-bo, WU Hao, et al. A novel
method of power system’s fault diagnosis based on
wavelet time-division gray moment and probability
neural network[J]. Journal of Chongqing University of
Posts and Telecommunications: Natural Science Edition,
2012, 24(1): 121-126.
边莉，等电网故障诊断的智能方法综述 - 151 -
[10] 刘超, 何正友, 杨健维. 基于量子神经网络的电网故
障诊断算法[J]. 电网技术, 2008, 32(9): 56-60.
LIU Chao, HE Zheng-you, YANG Jian-wei. A quantum
neural network based fault diagnosis algorithm for power
grid[J]. Power System Technology, 2008, 32(9): 56-60. [11] Khomfoi S, Tolbert L M. Fault diagnosis system for a
multilevel inverter using a principal component neural
network[C] // Power Electronics Specialists Conference,
37th IEEE, 2006: 1-7.
[12]周曙, 王晓茹, 钱清泉. 基于贝叶斯网的分布式电网
故障诊断方法[J]. 电网技术, 2010, 34(9): 76-81.
ZHOU Shu, WANG Xiao-ru, QIAN Qing-quan. Bayesian
networks based distributed fault diagnosis approach for
power grids[J]. Power System Technology, 2010, 34(9):
76-81.
[13] WANG Yan, GENG Lan-qin. Bayesian network based
fault section estimation in power systems[C] //
Proceedings of TENCON IEEE. 2006: 1-4.
[14]宋功益, 王晓茹, 周曙. 基于贝叶斯网的电网多区域
复杂故障诊断研究[J]. 电力系统保护与控制, 2011,
39(7): 20-25.
SONG Gong-yi, WANG Xiao-ru, ZHOU Shu. Research
on complex faults diagnosis of multi-area power network
based on Bayesian networks[J]. Power System Protection
and Control, 2011, 39(7): 20-25.
[15]Teive R C G, Coelho J, Camargo C B, et al. A Bayesian
network approach to fault diagnosis and prognosis in
power transmission systems[C] // Intelligent System
Application to Power Systems, 16th International
Conference on, 2011: 1-6.
[16]何小飞, 童晓阳, 周曙. 基于贝叶斯网络和故障区域
识别的电网故障诊断研究[J]. 电力系统保护与控制,
2010, 38(12): 29-34.
HE Xiao-fei, TONG Xiao-yang, ZHOU Shu. Power
system fault diagnosis based on Bayesian network and
fault section location[J]. Power System Protection and
Control, 2010, 38(12): 29-34.
[17]赵书强, 李勇, 王春丽. 基于可信性理论的输电网规
划方法[J]. 电工技术学报, 2011, 26(6): 166-171.
ZHANG Shu-qiang, LI Yong, WANG Chun-li.
Transmission network expansion planning based on
credibility theory[J]. Transactions of China
Electrotechnical Society, 2011, 26(6): 166-171.
[18]张志毅, 袁荣湘, 杨同忠, 等. 基于粗糙集和小生境遗
传算法的电网故障诊断规则提取[J]. 电工技术学报,
2009, 24(1): 158-163.
ZHANG Zhi-yi, YUAN Rong-xiang, YANG Tong-zhong,
et al. Rule extraction for power system fault diagnosis
based on the combination of rough sets and niche genetic
algorithm[J]. Transactions of China Electrotechnical Society, 2009, 24(1): 158-163.
[19]郭文鑫, 文福拴, 廖志伟, 等. 计及保护和断路器误动
与拒动的电力系统故障诊断解析模型[J]. 电力系统自
动化, 2009, 33(24): 6-10.
GUO Wen-xin, WEN Fu-shuan, LIAO Zhi-wei, et al. An
analytic model for power system fault diagnosis with
malfunctions of protective relays and circuit breakers
taken into account[J]. Automation of Electric Power
Systems, 2009, 33(24): 6-10.
[20]刘道兵, 顾雪平, 李海鹏. 电网故障诊断的一种完全
解析模型[J]. 中国电机工程学报, 2011, 31(34): 85-92.
LIU Dao-bing, GU Xue-ping, LI Hai-peng. A complete
analytic model for fault diagnosis of power systems[J].
Proceedings of the CSEE, 2011, 31(34): 85-92.
[21]王家林, 夏立, 吴正国, 等. 电力系统故障诊断研究现
状与展望[J]. 电力系统保护与控制, 2010, 38(18):
210-216.
WANG Jia-lin, XIA Li, WU Zheng-guo, et al. State of
arts of fault diagnosis of power systems[J]. Power System
Protection and Control, 2010, 38(18): 210-216.
[22]Vapnik V N. The nature of statistical learning theory[M].
New York: Springer, 1999.
[23] ZHAN Hua-qun. Application of rough set and support
vector machine in fault diagnosis of power electronic
circuit[C] // The 2nd IEEE International Conference,
2010: 289-292.
[24] 张树团, 张晓斌, 雷涛, 等. 基于粒子群算法和支持向
量机的故障诊断研究[J]. 计算机测量与控制, 2008,
16(11): 1573-1574.
ZHANG Shu-tuan, ZHANG Xiao-bin, LEI Tao, et al.
Research on fault diagnosis based on PSO and SVM[J].
Computer Measurement & Control, 2008, 16(11): 1573-1574.
[25]刘冠军, 苏永定, 潘才华. 基于综合型模糊支持向量
- 152 - 电力系统保护与控制
机的故障诊断方法及应用[J]. 仪器仪表学报, 2009,
30(7): 1363-1367.
LIU Guan-jun, SU Yong-ding, PAN Cai-hua. Fault
diagnosis method based on integrated fuzzy support
vector machine and its application[J]. Chinese Journal of
Scientific Instrument, 2009, 30(7): 1363-1367.
[26] 刘普寅, 吴孟达. 模糊理论及其应用[M]. 北京: 机械
工业出版社, 1995.
[27]Chang C S, Chen J M, Liew A C, et al. Power system
fault diagnosis using fuzzy sets for uncertainties
processing[C] // Intelligent Systems Applications to
Power Systems, International Conference on, 1996:
333-338.
[28] Jenkins L, Khincha H P. Deterministic and stochastic
Petri net models of protection schemes[J]. IEEE Trans on
Power Delivery, 1992, 7(1): 84-90.
[29]Binh P T T, Tuyen N D. Fault diagnosis of power system
using neural Petri net and fuzzy neural Petri net[C] //
Power India Conference, 2006.
[30]熊国江, 石东源. 容错Petri网电网故障诊断改进模型
[J]. 华中科技大学学报: 自然科学版, 2013, 41(1):
11-15.
XIONG Guo-jiang, SHI Dong-yuan. Improved fault-tolerant Petri nets for fault-diagnosis power grids[J].
Journal of Huazhong University of Science and
Technology: Natural Science Edition, 2013, 41(1): 11-15. [31]Lo K L, Ng H S, Trecat J. Power systems fault diagnosis
using Petri nets[J]. Generations, Transmissions and
Distributions, IEEE Proceedings, 1997, 144(3): 231-236. [32]林圣, 何正友, 钱清泉. 输电网故障诊断方法综述与
发展趋势[J]. 电力系统保护与控制, 2010, 38(4):
140-150.
LIN Sheng, HE Zheng-you, QIAN Qing-quan. Review
and development on fault diagnosis in power grid[J].
Power System Protection and Control, 2010, 38(4):
140-150.
[33]杨健维, 何正友, 臧天磊. 基于方向性加权模糊Petri
网的电网故障诊断方法[J]. 中国电机工程学报, 2010,
30(34): 42-49.
YANG Jian-wei, HE Zheng-you, ZANG Tian-lei. Power
system fault-diagnosis method based on directional
weighted fuzzy Petri nets[J]. Proceedings of the CSEE,
2010, 30(34): 42-49.
[34]Ouchi Y, Eiichiro, Tazaki. Learning and reasoning
method using fuzzy coloured Petri nets under uncertainty[C] // Systems Man and Cybernetics,
Computational Cybernetics and Simulation, 1997 IEEE
International Conference on, 1997, 4: 3867-3871.
[35]曾庆锋, 何正友, 杨健维. 基于有色Petri网的电力系
统故障诊断模型研究[J]. 电力系统保护与控制, 2010,
28(14): 5-11.
ZENG Qing-feng, HE Zheng-you, YANG Jian-wei. Fault
diagnosis model of electric power systems based on
coloured Petri net[J]. Power System Protection and
Control, 2010, 28(14): 5-11.
[36]刘同明, 夏祖勋, 解洪成. 信息融合技术及其应用[M].
北京: 国防工业出版社, 1998: 12-13.
[37] Bdeworth Mark B, Obrein J. The omnibus model——a
new model of data fusion[J]. IEEE Aerospace and
Electronic System Magazine, 2000, 15(4): 30-38.
[38] 郭创新, 彭明伟, 刘毅. 多数据源信息融合的电网故
障诊断新方法[J]. 中国电机工程学报, 2009, 29(31):
1-7.
GUO Chuang-xin, PENG Ming-wei, LIU Yi. Novel
approach for fault diagnosis of the power grid with
information fusion of multi-data resources[J]. Proceedings
of the CSEE, 2009, 29(31): 1-7.
[39]郭创新, 游家训, 彭明伟, 等. 基于面向元件神经网络
与模糊积分融合技术的电网故障智能诊断[J]. 电工技
术学报, 2010, 29(9): 183-190.
GUO Chuang-xin, YOU Jia-xun, PENG Ming-wei, et al.
A fault intelligent diagnosis approach based on
element-oriented artificial neural networks and fuzzy
integral fusion[J]. Transactions of China Electrotechnical
Society, 2010, 29(9): 183-190.
[40]FENG Deng-chao, Dias Pereira J M. Study on
information fusion based on wavelet neural network and
evidence theory in fault diagnosis[C] // Electronic
Measurement and Instruments, 8th International Conference on, 2007: 3522-3526.
[41]郭创新, 高振兴, 刘毅, 等. 采用分层多源信息融合的
电网故障诊断方法[J]. 高电压技术, 2010, 36(12):
2976-2983.
GUO Chuang-xin, GAO Zhen-xing, LIU Yi, et al.
边莉，等电网故障诊断的智能方法综述 - 153 -
Hierarchical fault diagnosis approach for power grid with
information fusion using multi-data resources[J]. High
V oltage Engineering, 2010, 36(12): 2976-2983.
[42]Lekkas G P, Avouris N M, Papakonstantinou G.
Development of distributed problem solving system for
dynamic environments[J]. IEEE Trans on System Man
and Cyberneties, 1995, 25(3): 400-414.
[43]Heo J S, Lee K Y. A multi-agent system-based intelligent
identification system for power plant control and fault-diagnosis[C] // Power Engineering General Meeting,
2006.
[44] 徐岩, 张锐, 霍福广. 基于MAS信息融合的电网故障
诊断[J]. 电力科学与工程, 2012, 28(9): 24-28.
XU Yan, ZHANG Rui, HUO Fu-guang. Power grid fault
diagnosis approach based on MAS data fusion[J].
Electric Power Science and Engineering, 2012, 28(9):
24-28.
[45]刘思华. 电网故障诊断方法的研究[D]. 济南: 山东大
学, 2010.
[46]陈铁军, 宁美凤. 电网自愈控制中故障实时监测及诊
断研究[J]. 自动化仪表, 2013, 34(1): 14-17.
CHEN Tie-jun, NING Mei-feng. Study on real time fault
monitoring and diagnostic in self-healing control of
power grid[J]. Process Automation Instrumentation, 2013,
34(1): 14-17.
[47]董明. 具有高容错能力的电力系统故障诊断的解析模
型与方法[D]. 杭州: 浙江大学, 2012.
[48] 李再华, 刘明昆. 电力系统故障的智能诊断综述[J].
电气技术, 2010, 11(8): 21-24.
LI Zai-hua, LIU Ming-kun. Review of intelligence fault
diagnosis in power system[J]. Electrical Engineering, 2010, 11(8): 21-24.
[49]张东英, 朱元林, 辛光明. 电网故障诊断系统在线运
行状况分析及其改进措施[J]. 现代电力, 2011, 28(3): 17-21.
ZHANG Dong-ying, ZHU Yuan-lin, XIN Guang-ming.
On-line operation state analysis on fault diagnosis system
of power network and its improved measures[J]. Modern
Electric Power, 2011, 28(3): 17-21.
[50] 刘道兵, 顾雪平, 赵洁琼. 地区电网故障恢复的实用
化研究[J]. 电力系统保护与制, 2010, 38(21): 48-52.
LIU Dao-bing, GU Xue-ping, ZHAO Jie-qiong. Practical
research of fault restoration for the regional power grid[J].
Power System Protection and Control, 2010, 38(21): 48-52.
收稿日期：2013-05-12； 修回日期：2013-09-09
作者简介：
边 莉 (1978-)，女，博士，副教授，研究方向为人工智能、阵列信号处理；E-mail: branran@https://www.doczj.com/doc/9917348910.html,
边晨源 (1989-)，男，通讯作者，硕士研究生，研究领域为电力系统智能故障诊断。
电力系统故障诊断的研究现状与发展趋势郑姝康 发表时间：2019-06-27T16:41:24.690Z 来源：《防护工程》2019年第6期作者：郑姝康 [导读] 电力系统故障诊断是近年来十分活跃的研究课题之一。主要包括系统故障诊断和元件故障诊断两个方向，系统级故障诊断是指通过分析电网中各级各类保护装置产生的报警信息、断路器的状态变位信息以及电压电流等电气量测量的特征，根据保护、断路器动作的逻辑和运行人员的经验来推断可能的故障元件和故障类型的过程。 国网内蒙古东部电力有限公司乌兰浩特市供电分公司内蒙古兴安盟 137400 摘要：电力系统故障诊断是近年来十分活跃的研究课题之一。主要包括系统故障诊断和元件故障诊断两个方向，系统级故障诊断是指通过分析电网中各级各类保护装置产生的报警信息、断路器的状态变位信息以及电压电流等电气量测量的特征，根据保护、断路器动作的逻辑和运行人员的经验来推断可能的故障元件和故障类型的过程。 关键词：电力系统；故障；发展趋势 引言 随着我国经济的发展和用电量的急速增加，整个电力系统所承受的压力也越来越大。我们的日常生活以及工农业的生产之所以能够正常的进行都是依赖于整个电力系统能够稳定的运行。所以安全可靠的电力系统是经济发展和人们正常生活最基本的保障。但是由于我国技术条件、气候以及周围环境的影响等造成电力系统出现故障，这都是无法避免的。但是在故障发生时，快速准确的判断故障发生的位置以及找出解决的办法并保证电路能够快速的恢复正常的运行以便将这种损失降到最小是对电力工作人员最基本的要求。现在我国电力系统的发展规模越来越大，随之复杂程度也越来越高，所以出现故障的概率也越来越高。因此，我国针对于电力系统中所出现的故障进行合理的快速的诊断很重要，并且针对这方面的研究也很有意义。 1 我国电力系统中经常出现的主要故障 我国的电力系统中存在的故障主要是指电力系统中的设备不能正常的实现它的功能，并且导致整个电力系统不能按照预期的指标进行正常的工作。在整个电力系统中任何一个设备或者元件出现故障，如果不能及时的解决都会造成的很大的损失。下面介绍我国电力系统中经常出现的主要故障问题。 首先介绍的是电力系统中输电线路的故障。在人们的日常生产和生活中存在的输电线路的问题主要是由于风吹日晒等原因造成输电线外露的绝缘体的破坏，再在遇到大风天气的时候引起线路的接触造成电路的短路，虽然当输电线分离开以后这些故障会暂时的解除，但是这种输电线的故障依然存在。其次是电力设备中变压器的故障。在整个电力系统之中变压器是核心。所以如果整个电力系统中变压器出现故障，那么这对于整个电力系统造成的危害是难以估计的，变压器所出现的故障主要是由于高电场强度所引起的。关于变压器的故障诊断是很复杂的。因此，电力系统的工作人员在日常工作中要高度重视变压器中存在的各种故障隐患，这不仅是因为变压器价格成本昂贵，更重要的是变压器在整个电力系统中的重要作用。最后介绍在电力系统存在的母线故障和全厂或者全所停电。电力系统中存在的母线故障主要包括母线的短路、母线中所存在的保护误动作等等。当电力系统中核心变电站出现母线故障的时候，会造成很严重的后果。比如：在使用这个电力系统的所有的用户都会停电，这种情况造成的损失时无法估计的。还有全所的停电、系统联络的跳闸等都会造成严重的损失。 2 电力系统故障诊断的研究现状 关于电力系统故障诊断的研究，国外进行的较早，早在上个世纪八十年代，美国就已经有了对电站的一些设备的故障诊断工作在进行，也是自此之后，美国关于电力系统故障诊断的研究逐渐成为各电力研究科研机构以及各发电站的研究项目，尤其是在发电站事故诊断和性能的检测方面，美国一直掌握着最先进的研究成果和技术。 相比美国，我国的电力系统故障诊断研究起步就较晚，与美国等发达国家的电力系统故障诊断研究相比几乎晚了近20～30年，也正因为此，我国的电力系统故障诊断研究工作很多方面都是在借鉴国外的研究成果基础上进行的研究。笔者认为，我国的电力系统故障诊断研究可以分为两个阶段，首先，第一个阶段是研究的起步阶段，大概从1980年到1990年，在这近10年代的时间里，主要是对国外电力故障诊断的一些基础技术和理论知识进行了系统的学习和认识，研究内容主要包括快速傅里叶变换、谱分析、信号处理等等，通过对这些基础的理论知识和技术的研究主要是为了更好的研究在线监测系统的应用。其次，第二个阶段主要是从1990年～1999年末，这一时期我国各项事业也经历了翻天覆地的发展变化，我国的工业化发展也取得了显著地成绩，各种先进的技术逐渐产生和并用，电力故障诊断技术也取得了较快的发展，包括故障分类、模式识别、智能化专家系统和电脑计算机的应用等等，在这一时期我国对电力系统已经可以独立的进行全面的故障诊断研究，同时也摆脱咯受国外基础理论和研究成果的限制，也在研究过程中逐渐形成了与我国电力事业发展相符合的故障诊断理论和技术。再次，就是现阶段的研究，我国的研究已经基本上跟上了世界的脚步，在研究内容上也与各国基本相同，主要是对专家系统、人工神经网络、优化技术、Perti网络、模糊集理论以及粗糙集理论等。 3 电力系统故障诊断所面临的问题与研究发展方向 目前针对电力系统故障诊断研究主要呈现出以下的几种趋势： 一是信息不完整情况下的电力系统故障诊断方法研究。现在的一些方法的更重要的情况是在很多是电力系统是不能满足的，应用这些方法必须给出一些假定，举例来说假定假定状态信息不可获取继电保护均处于未动作状态，这样做与真实情况可能会不相符的，有可能引起错误的诊断结果。到目前为止，对继电保护信息不完整情况下的电力系统故障诊断还没有提出比较系统的解决方法，这是电力系统诊断领域中有待解决的主要难题之一。 二是采用单一智能方法进行诊断存在着很大的局限性。将多种智能方法融合来实行故障诊断，将会变成故障诊断的一个趋势。比如可以采用多种智能的理论来构建电网诊断模型；在诊断知识提取（故障数据信息预处理）方面引入现在研究更多的数据挖掘理论、粗糙集理论等，以适应大量地故障信息、信息冗余以及被噪音污染等特性。 三是电网系统的复杂性使得从静态故障诊断到动态诊断成为故障诊断的一个发展趋势。同时，随着Internet的发展，基于网络的故障诊断将成为现实，通过对设备状态的远程检测和网络化跟踪，可以实现故障设备的早期诊断和及时维修。 四是电网故障诊断理论的实用化方面的研究。由于诊断理论大多数是基于智能化方法的，所以实用化进程的推进不仅针对诊断领域，
智能电网技术及装备专刊·2010年第8期 21 电力系统故障的智能诊断综述 李再华1 刘明昆2 （1.中国电力科学研究院，北京 100192；2.北京供电公司海淀供电分公司，北京 100086） 摘要 电力系统是人类制造的最复杂的系统，故障诊断是现代复杂工程技术系统中保障其可靠运行的非常重要的手段，故障的智能诊断是该领域的热点和难点。本文综述了电力系统故障的智能诊断技术的发展现状，总结了几种常用的智能技术在故障诊断应用中存在的若干问题以及解决这些问题的相关新技术。最后，展望了智能诊断技术的发展趋势：以专家系统为基础，融合其他先进的智能技术，以提高诊断的速度和准确度，及其对电力系统发展的适应性，逐步实现在线诊断。 关键词：电力系统；智能故障诊断；专家系统；发展趋势 Review of Intelligence Fault Diagnosis in Power System Li Zaihua 1 Liu Mingkun 2 （1.China Electric Power Research Institute ，Beijing 100192； 2. Haidian branch Company, Beijing Power Supply Company, Beijing 100086） Abstract Power system is the most complex system by man-made in the world, fault diagnosis is a kind of very important methods to ensure the reliable operation of modern complex engineering system. Intelligence fault diagnosis (IFD) is the hot and difficult subject in this field. The paper reviews the actual state of development of IFD in power system, and then summarizes some existing problems in application and new relation technology to resolve these problems. IFD technologies include expert system (ES), artificial neural network (ANN), decision-making tree (DT), data mining (DM), fuzzy theory (FT), Petri network (PN), support vector machine(SVM), bionic theory (BT), etc. To adopt these kinds of methods synthetically is very helpful to improve the intelligence of ES. At last, development trends of IFD are expected: based on ES, integrates with other advanced intelligence technologies, to heighten the speed and accuracy of fault diagnosis, and the adaptability to the development of power system, so as to realize online IFD gradually. Key words ：power system ；intelligence fault diagnosis ；expert system ；development trend 1 引言 电网的发展和社会的进步都对电网的运行提出了更高的要求，加强对电网故障的诊断处理显得尤为重要。随着计算机技术、通信技术、网络技术等的发展，采用更为先进的智能技术来改善故障诊断系统的性能，具有重要的研究价值和实际意义。 故障的智能诊断技术也被称为智能故障诊断技 术，包括专家系统（Expert System ，ES ）、人工神 经网络（Artificial Neural Network ，ANN ）、决策树（Decision Tree ，DT ）、数据挖掘（Data Mining ， DM ）、模糊论（Fuzzy Theory ，FT ）、Petri 网理论（Petri Network Theory ，PNT ）、支持向量机（Support Vector Machine ，SVM ）、仿生学理论（Bionics Theory ，BT ）的应用等，其中前四种技术得到了较多的研究，相对比较成熟和常用。本文对电力系统故障诊断领域的智能诊断技术的发展现状以及存在的问题进行综述，并对解决相关问题的方法进行了总结。 2 智能故障诊断技术发展现状 美国是对故障诊断技术进行系统研究最早的国家之一，1961年美国开始执行阿波罗计划后，出现了一系列设备故障，促使美国航天局和美国海军积
2012年第2期 1 500kV 输电线路故障诊断方法综述 魏智娟1 李春明2 付学文1 （1.内蒙古工业大学电力学院，呼和浩特 010080；2.内蒙古工业大学信息学院，呼和浩特 010080） 摘要 对近几年国内外具有代表的中外文献进行了学习研究，重点论述了输电线路故障诊断的四种方法：阻抗法，神经网络和模糊理论等智能算法，小波理论，行波法。综合输电线路的四种故障诊断方法，建议采用小波熵原理对输电线路故障模型进行故障类型识别，运用基于小波熵的单端行波测距方法实现故障定位。 关键词：故障诊断；阻抗法；智能算法；小波理论；行波法 The Survey on Fault Diagnosis in the 500kV Power Transmission Lines Wei Zhijuan 1 Li Chunming 2 Fu Xuewen 1 （1.The Power College of Inner Mongolia University of Technological, Inner Mongolia, Hohhot 010080; 2.The Information College of Inner Mongolia University of Technological, Inner Mongolia, Hohhot 010080） Abstract Based on the overview of typical literatures at home and abroad, this research focused on the four methods of failure diagnosis of transmission lines, namely, Impedance method, Intelligent method such as Neural Network Theory and Fuzzy Theory, Wavelet Theory and Traveling Wave method. And based on the synthesis of the four methods, this research suggested that simulation should be conducted to the failure models of transmission line by applying Wavelet Entropy Principle and the results of the simulation should be analyzed in order to identify the failure types; and the failure simulation should be conducted by the single traveling wave distance-testing method of wavelet entropy, and the results of the simulation should be analyzed in order to realize failure location. Key words ：failure diagnosis ；impedance method ；intelligent algorithm ；the Wavelet Theory ；the traveling wave method 超高压输电线路是电力系统的命脉，它担负着传送电能的重任，其安全可靠运行是电网安全的根本保证。输电线路在实际运行中经常发生各种故障，如输电线路的鸟害故障[1]、输电线路的风偏故障等[2]，及时准确地对输电线路进行故障诊断就显得非常重 要。国家电网公司架空送电线路运行规程明确规定 “220kV 及以上架空送电线路必须装设线路故障测 距装置”[3-4]。由于我国幅员辽阔，地形地貌的多样 性致使输电线路工作环境极为恶劣，输电线路发生 故障导致线路跳闸、电网停电，对电力系统安全运 行造成了很大威胁，所以，在线路发生故障后迅速 准确地进行故障诊断，减少因故障引起的停电损失， 降低寻找故障点的劳动强度，尽最大可能降低对整 个电力系统的扰动程度，确保电力系统的安全可靠稳定运行具有十分重要的意义。本文在总结前人的基础上，重点论述了超高压输电线路的4种故障诊断方法，建议采用小波熵原理对输电线路故障类型 进行故障识别，利用基于小波熵的单端行波测距方法实现故障定位。 1 输电线路故障诊断 当输电线路发生故障时，早先的故障定位通常是由经验丰富的运行人员在阅读故障录波图的基础上，综合电力用户提供的信息，进行预测、判断可能出现的故障位置，然后派巡线人员通过查线确认故障位置并及时排除故障。在电力市场竞争日渐激
电力系统故障诊断算法概述 摘要：本文概述了目前电力系统故障诊断的算法研究现状，总结了当前的主流研究算法——专家系统法、模糊理论法、人工神经网络法、遗传算法、petri 网的方法、粗糙集理论、多代理系统、贝叶斯网络法以及近似熵算法，并对他们在电力系统故障诊断应用中存在的一些缺点做出了概括。 关键词：申力系统；故障诊断；专家系统；人工神经网络；溃传算法； 0引言 当前，电力系统在国民经济中的地位越来越突出，因而对电力系统的安全性、可靠性提出了更高的要求。现在电网的规模庞大，结构趋于复杂，区域之间的联系密切，对电力系统故障诊断的研究意义重大。电力系统故障诊断是通过各类保护装置产生的信息，基于一定的理论和经验来对故障发生的区段、故障元器件、故障性质作出快速、准确的处理。虽然国家电网的SCAD/EMS系统在电力系统故障的获取方面起到了一定的作用，但是电网故障时大量的信息远远超出了运行人员的能力，所以迫切的需要一套更加完整的智能电力系统故障诊断系统，实现对电网故障的自动快速诊断。 但是，电力系统中电力设备的种类繁多品种不一，保护装置配合的复杂性、电网结构的变化不确定性，导致了电网故障诊断是一个复杂的综合问题。近年来国内外许多学者提出了多种故障诊断的技术和方法，主要包括：专家系统法ES （Expert System）、模糊理论法ET（Fuzzy Theory）、人工神经网络法ANN （Artificial Neural Network）、遗传算法GA（Genetic Algorithms）、petri网法、粗糙集理论RST（Rough Set Theory）、多代理系统MAS（Multi-agentSystem）、贝叶斯法BN（belief network）以及近似熵算法。本文对上述方法归纳总结，阐述了各自在电力网中的故障诊断的应用，分析各种方法的特点，并对一些相关技术和方法的发展进行简要的介绍。 1电力系统故障诊断国内外研究发展现状 1.1基于专家系统的方法ES 专家系统ES(Expert System)是目前发展最早相对比较成熟的一种智能技术。它是一个智能计算机程序系统，内部含有大量的某个领域专家水平的知识与经验，具有大量的专业知识与经验的程序系统，利用人类专家的知识和解决问题的方法
电力系统故障诊断的研究现状与发展趋势 随着我国经济建设的发展，电力的需求越来越大，电力系统的正常运行不仅关系到城乡百姓的生活质量，也关系到地区经济的发展。因此，提高电力系统故障诊断符合社会发展需求。本文将对电力系统故障诊断技术展开探讨，电力系统故障诊断现状和发展趋势进行分析。 标签：电力系统;故障诊断;现状;发展 电力系统故障产生的原因多种多样，气候的变化和人为因素都将导致电力系统故障的出现。今年来随着经济建设的发展，电网企业规模在不断扩大，电网结构越来越复杂，各个区域的联系也越来越紧密，故障的发生几率也在不断增加。加强电力系统故障诊断是确保电网企业正常运行的有效手段。 一、电力系统故障诊断概述 随着当前电网企业规模的不断扩大和业务量的增加，电网结构越来越复杂。在复杂的电网结构中，往往会由于各种因素的影响，在运行过程中发生各类故障。由于电网企业业务覆盖范围较大，故障的发生将给地区电力运营带来重要影响，因此，加强电力系统的故障诊断成为电网企业重要工作。变压器是电力系统的重要构成之一，是电力系统故障诊断中重点环节。在变压器故障诊断中，又有内部诊断和外部诊断之分，相比较而言，内部诊断更为复杂，主要对由于局部温度过高产生的故障和绝缘性能降低產生的故障进行诊断。 二、电力系统故障诊断的研究现状 从我国改革开放以来，我国电力系统故障诊断技术也在不断研究和探索中。由于我国此类工作开展较晚，依然存在较多的困难，但是在逐渐的探索中也取得了许多骄人的成绩，形成了一些符合我国电力系统实情的故障诊断理论。 （一）专家系统 1.专家系统的特点 我国电力系统诊断中专家系统理论被广泛应用，专家系统电力故障诊断利用了计算机技术，通过计算机程序对电力系统进行检测，具有较高的智能化特点，通过人工智能在一定的规则范围下进行推理，解决以往只有在专家层面才能够解决的现实问题。 2.专家系统的应用 随着我国电力技术的不断发展，电力系统所应用的设备越来越复杂，自动化程度越来越高，给电力系统故障诊断提出了更高的要求。专家系统充分发挥了自
故障诊断理论方法综述 故障诊断的主要任务有：故障检测、故障类型判断、故障定位及故障恢复等。其中：故障检测是指与系统建立连接后，周期性地向下位机发送检测信号，通过接收的响应数据帧，判断系统是否产生故障；故障类型判断就是系统在检测出故障之后，通过分析原因，判断出系统故障的类型；故障定位是在前两部的基础之上，细化故障种类，诊断出系统具体故障部位和故障原因，为故障恢复做准备；故障恢复是整个故障诊断过程中最后也是最重要的一个环节，需要根据故障原因，采取不同的措施，对系统故障进行恢复一、基于解析模型的方法 基于解析模型的故障诊断方法主要是通过构造观测器估计系统输出，然后将它与输出的测量值作比较从中取得故障信息。它还可进一步分为基于状态估计的方法和基于参数估计的方法，前者从真实系统的输出与状态观测器或者卡尔曼滤波器的输出比较形成残差，然后从残差中提取故障特征进而实行故障诊断；后者由机理分析确定系统的模型参数和物理元器件之间的关系方程，由实时辨识求得系统的实际模型参数，然后求解实际的物理元器件参数，与标称值比较而确定系统是否发生故障及故障的程度。基于解析模型的故障诊断方法都要求建立系统精确的数学模型，但随着现代设备的不断大型化、复杂化和非线性化，往往很难或者无法建立系统精确的数学模型，从而大大限制了基于解析模型的故障诊断方法的推广和应用。 二、基于信号处理的方法 当可以得到被控测对象的输入输出信号，但很难建立被控对象的解析数学模型时，可采用基于信号处理的方法。基于信号处理的方法是一种传统的故障诊断技术，通常利用信号模型，如相关函数、频谱、自回归滑动平均、小波变换等，直接分析可测信号，提取诸如方差、幅值、频率等特征值，识别和评价机械设备所处的状态。基于信号处理的方法又分为基于可测值或其变化趋势值检查的方法和基于可测信号处理的故障诊断方法等。基于可测值或其变化趋势值检查的方法根据系统的直接可测的输入输出信号及其变化趋势来进行故障诊断，当系统的输入输出信号或者变化超出允许的范围时，即认为系统发生了故障，根据异常的信号来判定故障的性质和发生的部位。基于可测信号处理的故障诊断方法利用系统的输出信号状态与一定故障源之间的相关性来判定和定位故障，具体有频谱分析方法等。 三、基于知识的方法 在解决实际的故障诊断问题时，经验丰富的专家进行故障诊断并不都是采用严格的数学算法从一串串计算结果中来查找问题。对于一个结构复杂的系统，当其运行过程发生故障时，人们容易获得的往往是一些涉及故障征兆的描述性知识以及各故障源与故障征兆之间关联性的知识。尽管这些知识大多是定性的而非定量的，但对准确分析故障能起到重要的作用。经验丰富的专家就是使用长期积累起来的这类经验知识，快速直接实现对系统故障的诊断。利用知识，通过符号推理的方法进行故障诊断，这是故障诊断技术的又一个分支——基于知识的故障诊断。基于知识的故障诊断是目前研究和应用的热点，国内外学者提出了很多方法。由于领域专家在基于知识的故障诊断中扮演重要角色，因此基于知识的故障诊断系统又称为故障诊断专家系统。如图1.1
电力系统故障的智能诊断综述 发表时间：2016-06-30T14:34:41.580Z 来源：《电力设备》2016年第9期作者：李艳君蒋杰李玉玲李飞翔 [导读] 在电力系统中，设备故障诊断和厂站级的故障诊断经过了几十年的发展和改革，现今已经较为成熟，而电力系统层面的故障才刚刚开始。 李艳君蒋杰李玉玲李飞翔 （国网新疆检修公司新疆乌鲁木齐 830000） 摘要：常用的智能故障诊断技术有专家系统、人工神经网络、决策树、数据挖掘等，专家系统技术应用最广，最为成熟，但是也需要结合使用其他智能技术来克服专家系统技术自身的缺点。智能故障诊断技术的发展趋势主要有多信息融合、多智能体协同、多种算法结合等，并向提高智能性、快速性、全局性、协同性的方向发展。基于此，本文就针对电力系统故障的智能诊断进行分析。 关键词：电力系统；故障；智能诊断 引言 文章对电力系统故障的智能诊断进行了详细的阐述，通过对电力系统的简介，和对故障诊断的发展阶段进行了简要的分析，并阐述了电力系统故障的智能诊断实际应用存在的问题及对策，文章最后指出了电力系统故障的智能诊断的发展趋势。望文章的阐述推动电力系统故障的智能诊断的发展。 1电力系统概述 电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。电力系统的主要功能是将自然界中的能源，通过先进的发电动力装置，将能源转换为电能。在通过输电线路和变压系统，将电能传送到各个用户。为了实现这一功能，电力系统在各个环节和不同层次还具有相应的信息与控制系统，对电能的生产过程进行测量、调节、控制、保护、通信和调度，以保证用户获得安全、优质的电能。 2电力系统故障智能诊断技术及发展现状 2.1智能故障诊断技术 传统的故障诊断方法分为基于信号处理和基于数据模型，均需要人工进行信息的处理和分析，缺乏自主学习能力。随着人工智能技术这一新方法的产生及发展，为故障诊断提供了初步的自动分析和学习的途径。人工智能技术能够存储和利用故障诊断长期积累的专家经验，通过模拟人大脑的逻辑思维进行推理，从而解决复杂的诊断问题。 目前在电网故障诊断领域出现了包括专家系统、人工神经网络、决策树理论、数据挖掘、模糊理论、粗糙集理论、贝叶斯网络、支持向量机及多智能体系统等技术以及上述方法的综合应用。 目前，在对电网故障智能诊断领域的研究中，依靠单一智能技术的系统多，信息的综合利用研究较少，协同技术的研究应用更少；投入运行的诊断系统多为专家系统，但是离线运行的多，在线运行的很少。即使广泛投入使用的专家系统也同样存在着：（1）知识的获取和管理问题，难以获取较高适应度和准确度的知识。（2）推理的效率问题。（3）故障诊断的在线应用问题，目前仅限于离线故障诊断，该结论不能指导对电网的实际控制。（4）故障诊断的动态分析问题，缺乏故障的动态分析，从而屏蔽了很多有用的细节，尤其是各元件之间的相互关联关系等。基于以上问题，采用决策树方法可以对系统信息进行归类梳理，可以提高专家系统的速度；通过粗糙集方法建立清晰的数学模型；采用数据挖掘和关联性规则可以提高故障诊断分析的准确度。这几种方法的结合应用有助于提高故障诊断的智能水平、效率和准确度。 2.2电力系统故障智能诊断发展现状 电力系统连锁故障分析理论与应用中提到，电力系统故障智能诊断是相对传统的故障诊断而言的。在传统的故障诊断方法可划分为两类。其一是关于信号出路的方法。其二是数学模型的方法。这些都需要人为地区判断和分析，这些方法应用是没有自动化的处理能力。故障的智能诊断是将传统的方法，与当下先进的计算机技术有效的结合，形成的人工智能技术的新方法，对电力系统的故障进行智能的诊断，这是故障诊断技术发展的新时期。 3智能故障诊断面临的问题和对策 3.1智能故障诊断面临的问题 知识的获取和管理问题，也可以说是规则的表达和维护问题。知识是专家系统行为的核心，如何根据系统的变化，获取具有较高适应度和准确度的知识（规则）。对知识的一致性、冗余性、矛盾性和完备性进行检验、维护和管理，是专家系统亟需解决的首要问题。 推理的效率问题，也可以说是如何解决规则组合爆炸的问题。规则库的规模增大以后，搜索的运算量迅速增长，尽管人们提出了许多算法，规则组合爆炸的问题还是没有得到满意的解决。 故障诊断的在线应用问题。以往的故障诊断离线运行，只能告诉调度员已有故障是如何发展的，因为运行方式的多变性，离线故障诊断结论不一定能够指导调度员对电网的实际控制；只有做到在线运行，才能及时帮助调度员进行控制决策。 故障诊断的动态分析问题。以往的故障诊断只能进行静态分析，忽略了故障动态过程的大量有用的细节，尤其是采用了高速保护的大型电网，更加需要分析动态过程，例如快速相继开断过程中的顺序和相互关系、复杂故障中各元件之间的相互影响、电压崩溃的动态过程、运行方式切换或调度控制过程对电网的影响等。 3.2智能故障诊断面临问题的解决对策 对于知识的获取和管理问题，可以采用提高故障诊断系统的学习能力的方法，如 ANN、数据挖掘、仿生学方法等。这些智能方法都有其优点和局限性，需要有针对性地应用。 对于推理的效率问题，可以采用计算速度更快的计算机硬件和软件算法，通信速度更快的数据采集和传输手段；数据挖掘是从各种复杂故障中发现最常见的故障或分解出简单故障的有力手段；建立系统的故障案例库，可以降低决策分析的计算量，提高诊断推理的效率。 对于故障诊断的在线应用和动态分析问题，可以采用更能够反映电网实时运行状态的信息，如广域量测系统、高速保护信息系统和故障录波信息系统、稳定控制系统等提供的动态数据；实时进行电网的灵敏度分析，动态分析电网的健康状况；增量挖掘技术只处理实时的
工程机械故障诊断方法综述 谢祺 机0801-1 20080534 【摘要】：机械设备的检测诊断技术在现代工业生产中的作用不可忽视,从设备诊断的基本方法、内容和技术手段等多方面对我国机械设备诊断技术的现状进行了综述,并在此基础上分析并提出了该技术在今后的发展趋势。 【关键字】：机械设备诊断技术发展趋势 引言 随着科学技术的发展,机械设备越来越复杂,自动化水平越来越高,机械设备在现代工业生产中的作用和影响越来越大,与其有关的费用越来越高,机器运行中发生的任何故障或失效不仅会造成重大的经济损失,甚至还可能导致人员伤亡。通过对设备工况进行检测,对故障发展趋势进行早期诊断,找出故障原因,采取措施避免设备的突然损坏,使之安全经济地运转,在现代工业生产中起着重要的作用。开展机械设备故障检测与诊断技术的研究具有重要的现实意义。本文试图对机械设备故障监测诊断的内容、方法的现状及发展趋势进行探讨。 1机械故障诊断技术的历史 早在60年代末，美国国家宇航局(NASA)就创立美国机械故障预防MFPG(Machinery Fault Prevention Group)，英国成立了机械保健中心(UK，Machineral Health Monitoring Center)。由于诊断技术所产生的巨大的经济效益，从而得到迅速发展。但各个工程领域对故障诊断的敏感程度和需求迫切性并不相同。例如一台机械设备因故障停机检修并不导致全厂生产过程停顿，或对产品质量产生严重的影响，它对故障诊断的需求性就不那么迫切。反之，就非要有故障诊断技术不可。目前监视诊断技术主要用于连续生产系统或与产品质量有直接关系的关键设备。 机械故障诊断技术发展几十年来，产生了巨大的经济效益，成为各国研究的热点。从诊断技术的各分支技术来看，美国占有领先地位。美国的一些公司，如 Bently，HP等，他们的监测产品基本上代表了当今诊断技术的最高水平，不仅具有完善的监测功能，而且具有较强的诊断功能，在宇宙、军事、化工等方面具有广泛的应用。美国西屋公司的三套人工智能诊断软件（汽轮机TurbinAID，发电机GenAID，水化学ChemAID）对其所产机组的安全运行发挥了巨大的作用。还有美国通用电器公司研究的用于内燃电力机车故障排除的专家系统DELTA；美国NASA研制的用于动力系统诊断的专家系统；Delio Products公司研制的用于汽车发动机冷却系统噪声原因诊断的专家系统ENGING COOLING ADCISOR等。近年来，由于微机特别是便携机的迅速发展，基于便携机的在线、离线监测与诊断系统日益普及，如美国生产的M6000系列产品，得到了广泛的应用[2]。 英国于70年代初成立了机器保健与状态监测协会，到了80年代初在发展和推广设备诊断技术方面作了大量的工作，起到了积极的促进作用。英国曼彻斯特大学创立的沃森工业维修公司和斯旺西大学的摩擦磨损研究中心在诊断技术研究方面都有很高的声誉。英国原子能研究机构在核发电方面，利用噪声分析对炉体进行监测，以及对锅炉、压力容器、管道得无损检测等，起到了英国故障
电力变压器过热故障综合诊断 摘要：对电力变压器故障的常用诊断方法, 如油中溶解气体分析、绝缘试验、 油务试验及其它预防性试验等, 进行了全面论述, 重点分析和评价了这些故障诊断方法的有效性, 并对其未来发展方向, 提出了建议。 关键词：电力变压器故障诊断方法分析 引言 电力变压器是工矿企业中配电系统的枢纽设备,其运行可靠性直接关系到企业生产的安全与稳定。但由于电力变压器故障的原因复杂、多样且不明显,使得要准确地判断电力变压器故障类型相当困难。若能在电力变压器运行过程中通过某些检测和试验,及时有效的判断其状态,预先发现早期潜伏性故障,并避免某些重复、无必要的检修, 将对企业配电系统的安全经济运行产生重要的意义。ＤＧＡ(油中溶解气体分析)方法作为一种有效的油浸式电力变压器异常监测手段得到广泛的应用。在1997年颁布执行的《电力设备预防性试验规程》把油中溶解气体色谱分析放到了首位。 变压器易发生的故障基本可分两大类:①电性故障;②热性故障。电力变压器故障，从发展过程上可分两大类，即突发性故障和潜伏性故障，突发性故障发展过程很快，瞬间就会造 成严重后果，如雷击、误操作、负荷突变等，突发性故障具有偶然性，只能通过避雷器、继电保护等手段，使突发性故障被限制在最小的范围内。潜伏性故障一般有三种，即变压器内部局部放电，局部过热和变压器绝缘的老化。故障诊断主要是针对这些潜伏性故障的诊断预测。 1 变压器运行状态的主要测试与监测手段 当前我国变压器运行状态监测在相当程度上主要依据传统的预防性试验来实现，包括:电气试验和油务试验 1.1电气试验 (1)直流电阻的测t:直流电阻虽然是一个测试方法比较简单的实验，但它比较直观地确认绕组、引线、调压开关等导电回路是否正常，能发现绕组导线的焊接质t，引线接头是否拧 紧接触是否良好，调压开关触头接触是否良好等等。 (2)绝缘性能测试:通过绝缘电阻、吸收比、极化指数、介损、电容t(包括电容套管)、泄诵测试等实验可掌握变压器的绕组绝缘水平和铁心对地绝缘。 (3)有载调压开关特性测试:通过有载调压开关切换时间、周期、切换的波形测f可以掌握变压器的有载调压开关的性能是否良好。 (4)绕组变形测试和低电压短路阻抗的测试。可以掌握变压器出口短路后变压器绕组有否变形和移位。 (5)铁心接地电流测试。可判断变压器是否多点接地。 (6)远红外测沮:通过红外线测温可以随时掌握各出线引 线接触是否良好。 1.2油务试验 定期对变压器充油设备的油采样进行油色谱分析，通过油色谱分析判断变压
故障诊断技术综述 一引言 故障诊断技术是一门紧密结合生产实际的工程科学，是现代化生产发展的产物。随着现代科学技术在设备上的应用，设备的结构越来越复杂，功能也越来越完善，自动化程度越来越高，由于许多无法避免的因素影响，会导致设备出现各种故障，从而降低或失去预定的功能，甚至会造成严重的乃至灾难性的事故。不言而喻，机械故障诊断技术在工业生产中起着越来越重要的作用，生产实践证明，研究故障诊断技术具有重要的现实意义。 二故障诊断技术的定义 故障诊断技术就是在设备运行中或基本不拆卸设备的情况下，掌握设备的运行状况，根据对被诊断对象测试所取得的有用信息进行分析处理，判断被诊断对象的状态是否处于异常状态或故障状态，判断劣化状态发生的部位或零部件，并判定产生故障的原因，以及预测状态劣化的发展趋势等。其目的是提高设备效率和运行可靠性，防患于未然，避免故障的发生。 三故障诊断技术的构成环节 从故障诊断的流程看，通常诊断系统由信号采集、信号处理、状态识别和诊断决策四大部分构成。其中，信号采集是基础，信号分析和处理是关键，状态识别(包括判断和预报)是核心，决策与管理是最终目标。前3个环节是基本环节。 1.信号采集 信息采集的基本任务是获取有用的信息。这是故障诊断的基础和前提，监测获取到的有用信息越多，监测数据越真实，越容易判断出故障原因。在运行过程中，必然会有力、热、振动及能量等各种量的变化，由此会产生各种不同的信息，根据不同的诊断需要，选择能表征设备工作状态的不同信息，如振动、压力及温度等，是十分必要的。这些信号一般是用不同的传感器来拾取的。只有采集到反映设备实际状态的信号，诊断的后续工作才有意义，因而信号采集是故障诊断技术中不可缺少的重要环节。 (1) 常用的设备状态监测技术分类 1) 振动信号监测技术 对设备的振动信号测试和分析，能获得机体、转子或其他零部件的振动幅值、频率和相位3个基本要素，经过对信号的分析、处理与识别，可了解到设备的振动特点、结构强弱、振动来源、故障部位和故障原因，为诊断决策提供依据。故利用振动信号诊断故障的技术较为普遍。 2) 声信号监测诊断技术 声信号监测诊断技术包括：噪声诊断、超声波诊断和声发射诊断技术。其中噪声的分析与诊断通常有两个目的：一是寻找机器发出噪声的主要声源，以便采取相应措施降低噪声；二是利用噪声信号判别故障。从噪声信号中提取特征信号，可以检测出故障的原因和发生故
中国自动化学会中南六省（区）２０１０年第２８届年会?论文集 机械故障诊断综述 Survey on Faults Diagnosis of Machine 赵宏伟１，２，张清华１，夏路易２，邵龙秋１（１广东石油化工学院 计算机与电子信息学院，广东 茂名５２５０００；２太原理工大学 信息工程学院，山西 太原０３００２４）摘要：本文较系统的介绍了故障诊断的基本过程、原理，在此基础上对故障诊断方法做了详细、系统的论述，并进一步对故障诊断技术的发展做了展望。 关键词：故障诊断；诊断原理；维修制度 Ａｂｓｔｒａｃｔ： Ｉｎ ｔｈｉｓ ｐａｐｅｒ， ｔｈｅ ｂａｓｉｃ ｐｒｏｃｅｓｓ ａｎｄ ｐｒｉｎｃｉｐｌｅ ｏｆ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ａｒｅ ｉｎｔｒｏｄｕｃｅｄ． Ｏｎ ｔｈａｔ ｂａｓｉｓ， ｔｈｅ ｍａｉｎ ｍｅｔｈｏｄ ｏｆ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｉｓｉｎｔｒｏｄｕｃｅｄ ｉｎ ｄｅｔａｉｌ． Ｆｉｎａｌｌｙ， ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｎ ｔｅｃｈｎｉｑｕｅ ｏｆ ｆａｕｌｔｓ ｄｉａｇｎｏｓｉｓ ｉｓ ｌｏｏｋｅｄ ｆｏｒｗａｒｄ． Ｋｅｙ Ｗｏｒｄｓ： Ｆａｕｌｔｓ Ｄｉａｇｎｏｓｉｓ； Ｄｉａｇｎｏｓｉｓ Ｐｒｉｎｃｉｐｌｅ； ｍａｉｎｔｅｎａｎｃｅ １ 引言 七十年代以来，计算机和电子技术飞跃发展，促使工业生产向现代化、机器设备向大型化、连续化、高速化、自动化发展。与此同时，现代化机械设备的应用一方面大大促进了生产的发展；另一方面也潜伏着一个很大的危机，即一旦发生故障所造成的直接和间接的损失将是十分严重。为解决这一问题，机械故障诊断技术孕育而出。这门新技术也是一门以高等数学、物理、化学、电子技术、机电设备失效学为基础的新兴学科。它的宗旨就是运用当代一切科技的新成就发现设备的隐患，以期对设备事故防患于未然。如今它已是现代化设备维修技术的重要组成部分，并且成了设备维修管理工作现代化的一个重要标志。 ２ 设备维修制度 目前，与故障诊断技术紧密相关的设备维修制度共有三种： （１）事后维修制度（ＰＯＭ）：这是一种早期的维修制度。主要特点是“不坏不修，坏了再修。”这种维修制度对发生事故难以预料，并往往会造成设备的严重损坏，既不安全且又延长了检修时间。 （２）预防维修制度（ＰＭ）：又称以时间为基础的设备维修制度（ＴＢＭ）或计划维修制度。这是一种静态维修制度，主要特点是当设备运行达到计划规定的时间或吨公里时便进行强制维修。它比前一种维修制度大大前进了一步，对于保障设备和人身安全，起到了积极作用。同时，这种维修制度也存在明显的缺陷，即过剩维修和失修的问题。以滚动轴承为例，同一型号的滚动轴承，其实际的使用寿命有时相差达数十倍。在预防维修制度行监测与诊断故障的方法，具体包括声音监听法、频谱分析法和声强法。 温度信号监测诊断技术包括物体温度的直接测量和热红外分析技术。实际工业中不恰当的温度变化往往意味着热故障的发生。从被测设备的某一部分的温 １３０
故障诊断技术综述 标准化文件发布号：（9312-EUATWW-MWUB-WUNN-INNUL-DQQTY-
故障诊断技术综述 一引言 故障诊断技术是一门紧密结合生产实际的工程科学，是现代化生产发展的产物。随着现代科学技术在设备上的应用，设备的结构越来越复杂，功能也越来越完善，自动化程度越来越高，由于许多无法避免的因素影响，会导致设备出现各种故障，从而降低或失去预定的功能，甚至会造成严重的乃至灾难性的事故。不言而喻，机械故障诊断技术在工业生产中起着越来越重要的作用，生产实践证明，研究故障诊断技术具有重要的现实意义。 二故障诊断技术的定义 故障诊断技术就是在设备运行中或基本不拆卸设备的情况下，掌握设备的运行状况，根据对被诊断对象测试所取得的有用信息进行分析处理，判断被诊断对象的状态是否处于异常状态或故障状态，判断劣化状态发生的部位或零部件，并判定产生故障的原因，以及预测状态劣化的发展趋势等。其目的是提高设备效率和运行可靠性，防患于未然，避免故障的发生。 三故障诊断技术的构成环节 从故障诊断的流程看，通常诊断系统由信号采集、信号处理、状态识别和诊断决策四大部分构成。其中，信号采集是基础，信号分析和处理是关键，状态识别(包括判断和预报)是核心，决策与管理是最终目标。前3个环节是基本环节。 1.信号采集 信息采集的基本任务是获取有用的信息。这是故障诊断的基础和前提，监测获取到的有用信息越多，监测数据越真实，越容易判断出故障原因。在运行过程中，必然会有力、热、振动及能量等各种量的变化，由此会产生各种不同的信息，根据不同的诊断需要，选择能表征设备工作状态的不同信息，如振动、压力及温度等，是十分必要的。这些信号一般是用不同的传感器来拾取的。只有采集到反映设备实际状态的信号，诊断的后续工作才有意义，因而信号采集是故障诊断技术中不可缺少的重要环节。 (1) 常用的设备状态监测技术分类 1) 振动信号监测技术 对设备的振动信号测试和分析，能获得机体、转子或其他零部件的振动幅值、频率和相位3个基本要素，经过对信号的分析、处理与识别，可了解到设备的振动特点、结构强弱、振动来源、故障部位和故障原因，为诊断决策提供依据。故利用振动信号诊断故障的技术较为普遍。
《机械故障诊断技术》读书报告 MAO pei-gang 南阳理工机械与汽车工程学院 473004 动平衡诊断案例分析综述 Diagnosis of dynamic balance Case Analysis were Review 摘要 简要阐述组动平衡故障诊断中所使用的现代测试与分析技术。通过五个动不平衡故障的诊断与处理实例，指出了波德图、频谱图等现代分析技术对于组动平衡故障诊断的价值和意义；总结了基于现代测试与分析技术的动平衡故障的主要特征。；验证了影响系数法对于动平衡故障处理的准确性及实用性。对于提高动平衡故障诊断的准确性及其精度具有推广和借鉴意义。 关键词：动平衡故障诊断振动分析 Abstract The modern measuring and analyzing technologies applied in the dynamic balance fault diagnoses are described briefly。In view of five dynamic unbalance fault diagnoses and treatments。the significance and purpose of the modern analyzing technologies such as Bode Plot，Spectrum Plot for the dynamic balance fault diagnoses are put forward，and its characteristics based on testing and analyzing technologies are summarized．The accuracy and practicability of the influence coefficient method for its treatment are proved．The instructions and experiences of improving the