多故障诊断

这是一篇关于多故障诊断的思维导图，多故障诊断的主要研究如何对系统中出现的故障进行检测、分离和辨识等问题。

多故障诊断

• 主要思路
  • 将待诊断故障信号与单一故障进行逐一比较
  • 采集所有含有故障的工况信号进行预处理，提取分离出故障的特征信息进行诊断
• 主要步骤
  • 多故障解耦
  • 多故障特征提取
  • 多故障分离，分类
  • 多故障评估
• 解决办法
  • 基于解析模型（基于精确物理模型和数学模型）
    • 状态估计法
    • 参数估计法
    • 等价空间法
    • 分析冗余法
  • 基于定性经验
    • 专家系统（需要事先积累大量的领域专家知识以及丰富的样本）
    • 图搜索
      • 符号有向图（SDG）
      • Petri网络
    • 故障树分析
      • 故障树转化为二元决策图
      • 故障元等效树（FTET）
      • 故障测试组与二元决策图解布尔差分方程的方式测试出故障类型
  • 数据驱动（利用事先测得的信号分析并提取特征信息或者根据大量的采样数据和历史数据直接推理）步骤:采集数据——数据解耦———与已知故障进行对比——逐一分离与分类，评估
    • 数学统计分析方法
      • 主成分分析PCA（用于故障模式辨识以及故障分离，如贡献图方法），对于高维故障特征的故障辨识存在困难
        • PCA与Fisher判据结合，Fisher用于判定故障源，PCA确定与预诊断不同位置上的故障
      • 指定元分析DCA
        • 事先利用Freeman 链码指定故障模式，利用DCA对数据进行投射至指定模式
      • 形态分量分析MCA
      • 核主元分析KPCA
      • 贝叶斯理论
      • 有限元分析
      • 基于定量的动态偏最小二乘法（PLS）
      • 推广策略概率因果模型（RSPCM）
    • 信号处理方法
      • 经验模态分解EMD （能够有效分离耦合故障和提取故障特征），变形有整体经验模式分解（EEMD）、极值域均值模式分解（EMMD）
      • 小波变换（用于故障特征提取）
        • 小波系数融合
        • 多小波变换
        • 希尔变换与小波变换组合
        • 双树复小波变换
      • 盲信号处理BSP
    • 基于定量的人工智能方法
      • 支持向量机SVM
      • 最小二乘支持向量机LSSVM
      • 人工神经网络ANN、动态神经网络、卷积神经网络、多层感知神经网络
      • 模糊数学
        • 基于随机理论的信息融合方法
      • 证据理论
      • 人工免疫系统
      • 遗传算法
      • 蚁群算法
      • 云理论