故障检测诊断技术综述
直流电动机的故障检测和诊断技术综述
直 流 电动 机 的 故 障 检 测 和 诊 断 技 术 综 述
刘 小 明 ，刘 振 兴
（ 武汉科技大学 冶金 自动化与检测技术 教育部工程研究 中心 ，武汉 ４０８ ） ３０ １
摘
要 ：本 文对直流电动机主要故障表现特征进行 总结 ，对相关的主要故障检测和 诊断方法进 行介 绍
和评述 ，提 出直流电动机故障诊 断的发展方 向。 关 键词 ：直 流 电动机 ；故 障检 测 ；故 障诊 断；专家 系统
中图分类号 ：Ｔ ３ １ Ｍ３７＋ Ｍ ８ ；Ｔ ０ １ 文献标志码 ：Ａ 文章编号 ：１０ —８ ８ ２ １ ） １０ ８ ．５ ０ １６４ （０ ０ ０ ．０ ６０
１ １ 换 向故 障 ．
器 云母沟 内或 升 高 片根 底 有 大 量 导 电 杂 质 、 电刷 灰 等使 片 间短 路 ；Ｖ形 云 母 环 ３ 面 缝 隙 内进 入 导 。 电粉 尘 。电枢 绕 组 匝 间或 层 问 短 路 原 因 主 要 有 电 枢绕 组绝缘 长 期 过 热 老 化 ；绕 组 遭 受 潮 气 、酸 类 侵蚀 ；槽 内线 圈松 动 、线 圈绝 缘遭受 机械 损伤 等 。 绕线 断裂 、开 焊 等 故 障 也 时有 发 生 ，主要 征 兆有 振 动 大 、 噪 声 大 、电 枢 电 流 波 动 大 。 其 原 因
Ｔ ｃｎ ｌ ，Ｗｕ ａ ３ ０ ，Ｃ ｉａ ｅｈ ｏ ｇ ｏ ｙ ｈ ｎ４ ０ ８ １ ｈｎ ）
Ａｂ ｔ ａ ｔ Ｔ ｉ ａ ｅ ｎ ｒ ｄ ｃ ｄ ａ ｓ ｍｍａ ｙ ｔ ｈ ｅ ｅ ａ ａ ｌｓ ｉ ｍｏｏ ， ｐ ｅ ｅ ｔｄ ｔ ｙ ｆ ｓ ｒ ｃ ： ｈ ｓ ｐ ｐ ｒｉ ｔｏ ｕ ｅ ｕ ｒ ｏ ｔｅ ｇ ｎ ｒ ｌｆ ｕ ｔ ｎ ＤＣ ｔｒ ｒ ｓ ｎ ｅ ｈｅ ｗａ ｓ ｏ
故障诊断方法综述
故障诊断方法综述故障诊断是指在设备或系统出现故障时，通过一系列的方法和技术，找出故障原因并进行修复的过程。
故障诊断方法的选择和应用，直接影响到故障诊断的效率和准确性。
本文将综述常见的故障诊断方法。
1. 经验法经验法是指通过经验和直觉来判断故障原因的方法。
这种方法的优点是简单易行，但缺点是准确性不高，容易出现误判。
因此，经验法只适用于一些简单的故障诊断。
2. 分析法分析法是指通过对故障现象进行分析，找出故障原因的方法。
这种方法的优点是准确性高，但缺点是需要一定的专业知识和技能。
分析法适用于大多数故障诊断，但需要进行系统性的分析和判断。
3. 测试法测试法是指通过对设备或系统进行测试，找出故障原因的方法。
这种方法的优点是直观、准确，但缺点是需要专业的测试设备和技术。
测试法适用于大多数故障诊断，但需要进行系统性的测试和分析。
4. 模拟法模拟法是指通过模拟故障现象，找出故障原因的方法。
这种方法的优点是可以在不影响正常运行的情况下进行故障诊断，但缺点是需要专业的模拟设备和技术。
模拟法适用于一些特殊的故障诊断，如电路板故障等。
5. 统计法统计法是指通过对设备或系统的历史数据进行统计分析，找出故障原因的方法。
这种方法的优点是可以发现一些隐蔽的故障，但缺点是需要大量的数据和专业的统计技术。
统计法适用于一些长期运行的设备或系统的故障诊断。
故障诊断方法的选择和应用，需要根据具体情况进行综合考虑。
在实际应用中，可以根据故障现象的特点和设备或系统的特点，选择合适的故障诊断方法，以提高故障诊断的效率和准确性。
滚动轴承故障诊断方法与技术综述
滚动轴承故障诊断方法与技术综述引言：滚动轴承作为机械设备中常用的零部件之一，承担着支撑和传递载荷的重要作用。
然而，由于使用环境的恶劣和工作条件的复杂性，滚动轴承往往容易出现各种故障。
因此，为了保证机械设备的正常运行和延长轴承寿命，对滚动轴承的故障进行准确诊断非常重要。
一、故障诊断方法1. 观察法观察法是最常用的故障诊断方法之一。
通过观察滚动轴承的外观和运行状态来判断是否存在故障。
例如，如果发现滚动轴承有异常噪声、温度升高、润滑油泡沫、振动加剧等现象，很可能是轴承出现了故障。
2. 振动诊断法振动诊断法是一种先进的故障诊断方法，可以通过检测轴承的振动信号来判断轴承是否存在故障。
通过分析振动信号的频谱图，可以确定轴承故障的类型和位置。
常用的振动诊断方法包括时域分析、频域分析和小波分析等。
3. 声音诊断法声音诊断法是一种通过听觉判断轴承故障的方法。
通过专业人员对轴承产生的声音进行听觉分析，可以判断轴承是否存在异常。
常见的轴承故障声音包括金属碰撞声、摩擦声和振动声等。
4. 热诊断法热诊断法是一种通过测量轴承的温度来判断轴承故障的方法。
由于轴承在故障状态下会产生摩擦热，因此轴承的温度可以间接反映轴承的工作状态。
通过测量轴承的温度分布，可以判断轴承是否存在异常。
二、故障诊断技术1. 模式识别技术模式识别技术是一种基于机器学习的故障诊断技术，可以根据轴承的振动信号和声音信号等特征，通过训练模型来识别轴承的故障类型。
常用的模式识别技术包括支持向量机、神经网络和决策树等。
2. 图像诊断技术图像诊断技术是一种通过图像处理和分析来判断轴承故障的技术。
通过对轴承的外观图像进行特征提取和分类，可以实现对轴承故障的自动诊断。
常用的图像诊断技术包括边缘检测、纹理分析和目标识别等。
3. 声音信号处理技术声音信号处理技术是一种通过对轴承声音信号进行滤波、频谱分析和特征提取等处理，来判断轴承故障的技术。
通过对声音信号的频谱图和时域图进行分析，可以判断轴承故障的类型和位置。
电气设备在线监测与故障诊断技术综述
电气设备在线监测与故障诊断技术综述周远超摘㊀要:随着经济的发展ꎬ国内电量需求日益加大ꎬ电网超负荷运转ꎬ再加上电网设备自身存在一些故障ꎬ导致国内电网大面积停电的事故时有发生ꎮ文章在阐述电气设备状态监测及诊断相关概念的基础上ꎬ分析电气设备状态监测与故障诊断系统的组成及相应功能ꎬ总结并提出了目前常用的在线监测与故障诊断技术存在的问题及解决办法ꎮ关键词:电气设备ꎻ在线监测ꎻ故障诊断一㊁电气设备在线监测与故障诊断的定义与实现(一)电气设备在线监测与故障诊断的定义１.在线监测在线监测是在电气设备正常运行的前提下ꎬ利用传感技术㊁计算机技术和光电技术对电气设备状态进行连续㊁自动的监测方法ꎮ为防止产品质量问题对电气设备运行可靠性造成不利影响ꎬ采用在线监测技术ꎬ对电气设备的运行状态进行实时监测ꎬ及时发现隐患ꎮ２.故障诊断故障诊断主要是对电气设备的在线实时监测数据进行比较分析ꎬ给出设备的故障点㊁故障类型和故障发展趋势ꎬ提出有效的维修策略ꎬ以保证设备安全稳定运行ꎬ减少电气设备故障造成的不利影响ꎮ(二)电气设备在线监测与故障诊断的实现一般来说ꎬ电气设备的在线监测和故障诊断过程可分为运行信号检测㊁信号特征提取㊁运行状态识别和故障诊断结果ꎮ运行信号检测:根据对电气设备的监测和监测目的ꎬ选择相应的不同传感器ꎬ对电气设备的运行信号进行监测ꎬ将模拟信号同声传译为数字信号ꎮ信号特征提取:保留或增加信号中有用的部分ꎬ提取一些与电气设备故障有关的信号ꎬ便于后续故障诊断ꎮ二㊁制约电气设备状态在线监测与故障诊断技术的问题根据以往的经验ꎬ从停电后电气设备的诊断和维护过渡到电气设备的诊断和评估ꎬ确定电气设备的剩余寿命ꎬ并提供维修计划ꎬ是一项重大的技术变革ꎮ它需要大量的技术支持ꎮ根据我国国情ꎬ引进先进技术ꎬ开展长期的实践工作和经验ꎬ总结了防治的技术流程ꎮ电气设备的在线监测与故障诊断技术是实现无停电检修的基本和必要条件ꎮ因此ꎬ要发展电气设备在线监测与故障诊断技术ꎬ必须解决运行中存在的问题ꎮ(一)在线监测设备稳定性在线监测设备的稳定性是电气设备在线监测与故障诊断技术广泛应用的基础和必要条件ꎮ电气设备监测元件老化㊁电气设备状态在线监测和故障诊断设备中使用的元器件种类繁多ꎬ而电子元器件在恶劣的环境条件下ꎬ经受住电网电压㊁短路等正常故障的考验ꎬ很容易损坏ꎮ对于温度变化范围大㊁工作环境恶劣的电器元件ꎬ也要求其工作温度和稳定性要求较高ꎮ但是ꎬ如果后台工控机的质量不能得到保证ꎬ很容易受到负载的冲击ꎬ导致主板㊁控制器等元器件损坏ꎬ导致频繁的死机ꎮ监测电气设备的电磁兼容性和防止电磁干扰一直是阻碍电气设备在线监测与故障诊断技术发展的重要原因ꎮ制造商一直在不断地研究和探索这个问题ꎮ从现有技术来看ꎬ在线监测主要是软硬件结合ꎬ软件是电气设备在线监测的主导因素ꎬ但在强电磁场干扰下ꎬ监测信号的提取非常困难ꎮ虽然已经取得了一流的进展ꎬ但在实际运行过程中ꎬ不同变电站的干扰是不同的ꎬ需要具体分析才能得到在线监测结果ꎮ因此ꎬ有必要在积累大量经验的基础上ꎬ根据不同的工作环境定制相应的设备标准ꎮ电气设备的现场维护监测ꎬ由于电气设备的在线监测设备长期工作在复杂的环境中ꎬ受多种因素的影响ꎮ电子元器件的老化速度和灵敏度下降很快ꎬ导致采集的数据存在一定的误差ꎬ需要定期更换和维修ꎮ这就要求生产厂家对电气设备进行在线监测ꎬ给出准确的设备维护和更换时间ꎮ电力监控不仅可以对这些设备进行归档ꎬ建立信息ꎬ以便及时更换和维护以及相应的维修队伍ꎬ并增设专职岗位负责ꎮ(二)实行电气设备状态在线监测与故障诊断系统标准化电气设备在线监测与故障诊断技术尚处于起步阶段ꎮ相关软件和技术还不成熟ꎬ软件有待开发和完善ꎮ而且ꎬ互相交流是不现实的ꎮ电气设备在线监测与故障诊断技术的标准化在短期内是不可能建立的ꎮ为了发展电气设备在线监测和故障诊断技术ꎬ必须建立标准的产品模型和信息管理系统ꎬ采用标准的现场总线技术和数据管理系统ꎬ相互借鉴ꎬ统一标准ꎬ使设备的任何一部分都可以由不同的厂家更换ꎬ不同厂家的不同产品具有一定的可开发性㊁互换性和可扩展性ꎬ减少维修的制约性和依赖性ꎬ降低维修成本和人员ꎬ以便用户及时维修和维护电气监控设备ꎮ(三)电气设备剩余寿命的精确预测电气设备在线监测与故障诊断技术的最大优点是根据大量的数据和实证分析来判断电气设备在正常情况下的使用寿命ꎮ在电气设备正常运行的情况下ꎬ故障主要分为初次安装调试一年左右暴露的故障ꎬ在稳定期为５~１０年期间ꎬ定期检查主要是为了延长电气监控设备的使用寿命ꎻ在劣化期从１０年开始到２０年ꎬ根据实际情况逐步增加定期检查的频率ꎬ根据大量监测数据判断电气设备的剩余寿命ꎻ主要采用２０年以上的风险期ꎬ要持续监测ꎬ准确预测剩余寿命ꎬ制订更换和维护计划ꎮ三㊁结束语随着电力设备状态检修策略的全面推广和智能电网的加速发展ꎬ状态监测与故障诊断技术将得到广泛应用ꎮ电气设备状态监测系统和诊断结果的准确性将直接影响状态检修策略的有效实施ꎮ因此ꎬ电力系统状态监测应与前沿技术成果紧密结合ꎬ创新开发智能化㊁系统化的信息诊断专家应用系统ꎬ提高电气设备运行的可靠性ꎬ优化设备状态检修策略ꎮ参考文献:[１]钟连宏ꎬ梁异先.智能变电站技术应用[Ｍ].北京:北京出版社ꎬ２０１９.[２]王波ꎬ陆承宇.数字化变电站继电保护的ＧＯＯＳＥ网络方案[Ｊ].电力系统自动化ꎬ２０１９(３７).作者简介:周远超ꎬ男ꎬ山东省青岛市ꎬ研究方向:电气方向ꎮ２２２。
故障诊断技术综述
残差序列产生器是基于解析模型的故障 诊断技术的必经之路 。当存在一定的建模误 差时 ,为了降低误报率和提高正确的检测率 , 人们已经致力于鲁棒残差序列产生器的获取 方法 。目前的研究成果主要集中在线性定常 系统[22～24 ] 。 312 检测系统的集成设计技术
一个好的故障检测系统应包含 :鲁棒残 差序列产生器 ,残差序列的鲁棒分析和残差 序列的鲁棒评价三部分 。文 [ 25 ,26 ] 研究了 这三部分的内在联系 ,提出了一种检测系统 的集成设计方法 ,可以有效地提高检测系统 的正确检测率 。 313 故障诊断的强跟踪滤波器技术
我们通常所说的故障是指系统所出现的 一些异常现象 。根据故障发生的部位 ,可以 把故障化分成被控过程的元器件故障 、执行
器故障 、传感器故障 ,以及控制器的软件 、硬 件故障等 。故障诊断技术包含了故障检测 、 故障分离 、故障估计和故障预报等内容 。如 果我们可以对故障做到早期诊断 ,就有可能 采取必要的措施 ,避免故障的进一步传播 ,或 者采用容错技术 ,使得被控过程在某些故障 发生时 ,仍可以有效地运行 。故障诊断技术 又可以分为在线诊断技术与离线诊断技术两 种 。为了有效地及时处理可能发生的故障 , 在线故障诊断技术是必需的 。
g ( x ( k) , u ( k) ) >
- x 1 ( k) - x 2 ( k) (1 +β)
+
Da(1 -
x1
(
k)
)
exp
(1
+
x2 ( k) x2 ( k)
/
γ)
H·应Da (1 -
x1
(
k)
)
域已 exp ( 1 +
x2 ( k) x2 ( k)
基于知识的故障诊断方法综述
基于知识的故障诊断方法综述引言故障诊断是解决各种技术问题的关键步骤之一，它涉及到从已知的问题描述中推断出可能的故障原因，并采取相应的措施进行修复。
基于知识的故障诊断方法是一种通过利用专家知识和经验来进行故障诊断的方法。
本文将对基于知识的故障诊断方法进行综述，包括其定义、分类、应用领域以及优缺点等内容。
定义基于知识的故障诊断方法是一种利用专家知识和经验来进行故障判断和定位的方法。
它通过建立一个包含领域专家知识的模型，结合实际问题中出现的异常情况，根据预先定义好的规则和逻辑判断，推测可能存在的故障原因，并给出相应的解决方案。
分类基于知识的故障诊断方法可以按照不同的分类标准进行分类，下面将介绍几种常见的分类方式：基于规则推理基于规则推理是一种常见而直观的基于知识的故障诊断方法。
它通过事先定义好的规则库，将故障现象与规则进行匹配，从而推断出可能的故障原因。
这种方法的优点是易于理解和实现，但需要手动编写大量的规则，并且对专家知识的获取和表示要求较高。
基于案例推理基于案例推理是一种基于经验的故障诊断方法。
它通过建立一个案例库，将已知的故障案例存储起来，并根据当前问题与案例之间的相似度进行匹配，从而找到最相似的故障案例，并借鉴其解决方案。
这种方法可以充分利用历史数据和经验，但对案例库的构建和维护要求较高。
基于知识图谱基于知识图谱是一种以图结构来表示和组织知识的故障诊断方法。
它通过将领域专家知识以及实际问题中出现的异常情况进行抽象和建模，构建一个包含实体、关系和属性等元素的知识图谱，并利用图上的推理算法来进行故障诊断。
这种方法可以灵活地表示复杂的知识关系，但对知识图谱的构建和维护要求较高。
应用领域基于知识的故障诊断方法在许多领域都有广泛的应用，下面将介绍几个常见的应用领域：工业自动化在工业自动化领域，设备故障会导致生产线停机，影响生产效率。
基于知识的故障诊断方法可以帮助工程师快速定位故障原因，并采取相应的措施进行修复，从而减少停机时间和生产损失。
基于数据驱动的故障诊断方法综述
基于数据驱动的故障诊断方法综述一、本文概述随着工业技术的快速发展和智能化水平的提升，设备故障诊断技术在保障工业系统安全、稳定、高效运行方面发挥着日益重要的作用。
基于数据驱动的故障诊断方法，作为一种新兴的故障诊断技术，近年来受到了广泛的关注和研究。
本文旨在对基于数据驱动的故障诊断方法进行综述，分析其主要特点、研究现状和发展趋势，以期为相关领域的研究人员和实践者提供有益的参考和启示。
本文将简要介绍故障诊断技术的背景和重要性，阐述基于数据驱动的故障诊断方法的基本原理和核心思想。
在此基础上，重点分析各种基于数据驱动的故障诊断方法的优缺点，包括基于统计分析的方法、基于机器学习的方法、基于深度学习的方法等。
同时，结合具体的应用案例，探讨这些方法在实际故障诊断中的应用效果和挑战。
本文将对基于数据驱动的故障诊断方法的研究现状进行梳理和评价，包括理论研究的进展、应用领域的拓展以及存在的问题和挑战等。
通过对比分析不同方法的性能表现和适用场景，为研究人员提供选择和优化故障诊断方法的依据。
本文还将展望基于数据驱动的故障诊断方法的发展趋势和未来研究方向。
随着大数据、云计算等技术的快速发展，基于数据驱动的故障诊断方法将不断完善和优化，为工业系统的智能化、自动化和可靠运行提供有力支撑。
通过本文的综述和分析，期望能够为相关领域的研究和实践提供有益的参考和启示。
二、数据驱动故障诊断方法概述随着大数据和技术的快速发展，数据驱动故障诊断方法已成为现代工业系统中的重要手段。
这种方法主要依赖于对系统运行过程中产生的大量数据进行收集、处理和分析，以揭示系统的运行状态和潜在的故障模式。
与传统的基于模型的故障诊断方法相比，数据驱动方法不需要建立精确的数学模型，因此具有更强的适应性和灵活性。
数据驱动故障诊断方法的核心在于利用机器学习、深度学习等人工智能技术对系统数据进行特征提取和模式识别。
其中，机器学习算法能够从数据中学习出故障与正常状态之间的映射关系，进而构建出分类器或预测模型，用于诊断系统是否发生故障以及预测故障的发展趋势。
基于深度学习的故障诊断方法综述
随着航空航天技术的快速发展，飞行器在军事、民用等领域的应用越来越广 泛。然而，飞行器故障的发生会给人们的生命财产带来严重威胁，因此飞行器故 障诊断具有重要意义。近年来，深度学习技术的发展为飞行器智能故障诊断提供 了新的解决方案。
飞行器故障诊断问题阐述
飞行器故障诊断是一个多层次、多因素的复杂问题，涉及到机械、电子、控 制等多个领域。传统的故障诊断方法主要基于专家经验和模式识别，但面对复杂 的故障模式和多变的运行环境时，其局限性愈发明显。因此，寻求更加智能、高 效的故障诊断方法成为当务之急。
3、基于卷积神经网络的方法：卷积神经网络是一种广泛应用于图像识别领 域的深度学习算法，可以有效地提取图像中的局部特征和空间关系。在故障诊断 中，基于卷积神经网络的方法可以实现故障图像的自动分类和识别。
深度学习故障诊断方法的应用
深度学习在故障诊断中具有广泛的应用前景，以下是一些典型的实际应用案 例：
深度学习故障诊断方法综述
深度学习是一种新兴的机器学习方法，其通过建立多层神经网络来模拟人脑 神经网络的运作方式，从而实现对复杂数据的处理和分析。在故障诊断领域，深 度学习被广泛应用于各种设备和系统的故障检测与识别，其具有自适应、自学习 和鲁棒性强的优点，可以有效地提高故障诊断的准确性和效率。
基于深度学习的故障诊断方法主要包括以下几类：
文献搜集与整理
在基于深度学习的故障诊断与预测方法方面，目前主要的研究集中在神经网 络、深度学习模型和数据集等方面。
神经网络是故障诊断与预测领域应用最为广泛的一种深度学习技术。卷积神 经网络（CNN）和循环神经网络（RNN）是两种最常用的神经网络模型。其中， CNN适用于处理图像和传感器数据，而RNN适用于处理时序数据。通过训练神经网 络对历史数据进行学习，可以实现故障预测和异常检测。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
故障检测与诊断技术综述
【摘要】本文对故障检测与诊断技术进行了综述，主要介绍了故障诊断的重要性及经济效益，介绍了故障诊断的基本分析方法，结合学科交叉融合性，介绍了多学科相结合的故障诊断分析方法。
【关键词】故障检测；故障诊断；小波分析
一、概述
现代化工业技术发展突飞猛进，现代工业自动化程度越来越高，系统规模也越来越大，简单控制系统已经不能达到工业生成的需求，大规模、综合性、复杂的自动化系统运用越来越广[1]。
自动化设备和系统结构的日益复杂和集成化，使得系统发生故障的机率也增加，故障的产生会毁坏设备，影响系统正常运转，甚至造成人员伤亡。
国内外由于设备故障所引起的设备损坏、锅炉爆炸、道路塌陷，不仅造成经济损失也造成人员伤亡，社会影响及其恶劣。
为了达到以人为本同时维护经济的目的，可以加强系统的稳定性、可靠性、鲁棒性和安全性，但任何设备都不可能无限期使用，这就需要防患于未然，因此故障检测技术应运而生。
二、故障检测重要性
故障检测技术是是一门多学科融合交叉性学科[1]，如：信号提取则依赖于传感器及检测技术；信号降噪离不开信号处理技术；状态估计和参数估计方法以系统辨识理论为基础；鲁棒故障诊断涉及到鲁棒控制理论知识；此外数值分析、概率与数理统计等基础学科也是故障检查和诊断不可缺少的方法。
多门学科知识的支撑确保了
故障诊断技术的迅速发展，在工业领域也应用广泛，如化工生产、冶金工业、电力系统、航空航天、机器人等生产的各个领域。
三、故障检测技术经济效益
数据显示[2]，故障检测技术与经济发展息息相关，对故障检测技术的研究与发展越来越多，在工业生产中也得到了应用和推广。
通过故障诊断技术的推广，大大降低了设备维修费用，各国在故障诊断技术上的投入也逐渐增加。
日本对故障检测与诊断技术的投入占其生产成本的5.6%，德国和美国所占比例分别为 9.4%和7.2%。
在冶金工业生产中，我国每年承担的设备维修的费用就高达 250 亿元，金额庞大，然而如果应用故障检测与诊断技术，每年可以减少事故发生率同时也能节约 10%～30%的维修费用。
因此故障检测能带来经济效益，不容小觑。
四、故障检测的分析方法
（一）状态估计法
状态估计法一般分为两步：首先求取残差，再从残差数据中提取故障特征从而实现故障诊断。
目前状态估计法的故障检测诊断方法方兴未艾，如h2估计[3]、鲁棒故障检测与反馈控制的最优集成设计方法[4]等。
（二）等价空间法
低阶的等价向量在实现过程中较易实现但性能不佳，而高阶的等价向量能够得到较理想的性能参数，但以较大的计算量和计算时间为代价。
为了解决上述问题，文献[5]采用窄带iir滤波器运用于
等价空间法中，在几乎不改变计算量的前提下，提高系统检测性能，但此方法会产生较高的漏报率。
（三）参数估计法
参数估计法是因为模型参数和相应的物理参数的特点不同，分别统计这两类参数的变化特性来分析和确定故障。
物理参数携带重要的信息，具有物理含义，因此，可以分析物理参数的特点，如果异常可以确定故障位置。
与状态估计法比较，参数估计法能更有效的故障确定。
参数估计法研究越来越丰富，故障诊断方法新成果倍出[6]。
（四）热门的分析方法
（1）小波分析技术
小波分析由于具有时频域局部化特性[7]，可任意调节时间窗和频率窗，因此突变信号能够检测出来。
但是，小波基选取一直是在小波信号分析没能解决的问题，也是研究的一个难点，针对同一信号采用不同的小波基进行分析其分析结果往往不同。
通过小波分析可以检测信号的奇异点，在信号降噪和信号分析中应用广泛。
小波变换是结合时域和频域的分析方法，特征提取方便，在故障检测中应用较广。
小波分析对单一的故障源检测效果明显，但较复杂情况，如多故障源效果不佳。
（2）神经网络技术
神经网络技术是根据模式识别理论，采用分类器理论，用神经网络进行故障分析和诊断。
采用人工神经元网络进行故障诊断一般有
四种方式[8]：神经元网络计算残差；神经元网络分析残差；神经元网络进一步分析确定故障点；神经元网络自学习过程进行自适应误差补偿。
（3）小波包分析和神经网络结合技术
用有限元法建立系统动力学模型[9]，再根据系统采集信号进行小波包分解，建立基于小波包能量谱指标。
把信号指标作为改进bp 神经网络的输入特征参数，用分步识别方法进行识别。
（五）展望
故障检测技术运用广泛，用单一方法进行处理存在准确度和精确度的问题，因此可以考虑多学科技术结合的方法，进一步提高准确度和精确度。
参考文献：
[1] 周东华，胡艳艳. 动态系统的故障诊断技术. 自动化学报. 2009， 35（6）.
[2] 周福娜. 基于统计特征提取的多故障诊断方法及应用.[博
士学位论文].上海：上海海事大学， 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]钟麦英，张承慧， ding s x.一种鲁棒故障检测与反馈控制的最优集成设计方法[j].自动化学报， 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]李青锋，缪协兴，徐余海.连续复小波在工程检测数据处理中的应用[j].中国矿业大学学报，2007，36（1）：22-26.
[8] koppen s b， frank p m. neural networks in mode-l based fault diagnosis[c]mproc.1996 ifac world congress， san francisco，1996： 67-72.
[9] 孟范孔，邱志成. 梁损伤小波包分析和神经网络识别.噪声与振动控制.2013年2月第1期。