故障诊断精选(九篇)

第1篇：故障诊断范文

1．1自动控制系统故障诊断特点自动控制系统是自动化生产活动的中枢神经，它接收指令，进行运算，担负着指挥和调度生产设备运行的任务。以一个完整的分布式自动控制系统为例，它的结构和组成十分复杂。从纵向分析，它是一个多层次系统，大致可分为控制层、控制数据应用层、统计数据应用层等，层与层间通过有限的数据通道进行交互。从横向分析，它是由一系列子系统和部件组成的多功能系统，每个子系统和部件都具有其固有的结构和功能，可以通过通用的总线或者固有的硬件结构相连接，它们相互协作密切配合。整个系统的特性就是由这些子系统和部件的特性以及它们之间的层级联系所决定。透过自动控制系统的组成，分析故障及其传播机理，可以看出控制系统的故障具有以下特点：1）层次性：控制系统的分层结构决定了控制系统故障具有层次性，每一个故障都势必与控制系统的某个层次相关联。高层次的故障可能由低层次的故障所引起，但与一般的机械式结构不同，控制系统低层次的故障可以被检测和控制，未必引起高层次的故障。这种分层的故障特征是控制系统故障的基本特性；2）相关性：也可以称之为自动控制系统故障的“横向性”，它是由系统各设备和参数之间的联系所决定的。一个故障存在多条潜在的故障传播途径，因而一个故障的发生可能引起其他多个故障同时发生；3）延时性：依据控制系统故障的传递机制，从基础设备故障到系统级故障要经历发生、发展到形成的过程。这是一个由量变到质变的过程。单次基础故障数据的检测结果不具有代表性，需要通过统计方法使故障的检测趋向可靠，但同时会牺牲部分实时性。因此，综合故障的发生和检测特征，故障具有延时性；4）模糊性：控制系统的故障和诊断信息不仅包含定性问题，还包含定量问题，所以不能纯粹用“正常”或“故障”来表示，所以故障分析还要考虑由量定性的过程。根据输入的精确值和隶属度，按照一定的关系求出模糊量。分析过程通常可以有多项不同来源的输入量。例如，控制器CPU运行负荷超过某一限值，或者内存使用量超过某一限值，可判定为运行超负荷故障，但此类故障是一个模糊的概念，不具备非此即彼的特性。

1．2故障树建造对于系统复杂的控制系统，引发故障经常是多种因素作用，相同故障在不同的环境状态和系统运行状态下表现的症状却不完全相同，有时可能几个故障同时发生，更加大了故障诊断的难度，若有可靠的故障诊断机制来提高对故障的检测和监控，可以最大限度的避免误操作和非经济运行，从而提高自动控制系统的运行可靠性和可用效率。故障树是一种特殊的倒立树状逻辑因果关系图，它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系。逻辑门的输入事件是输出事的“因”，逻辑门的输出事件是输入事件的“果”。以计算机系统系统实现的故障树分析的基本程序一般包括如表1的步骤。图1显示了控制系统故障的树形结构。宏观上的系统故障是一系列子故障的集合，或者说，一个底层故障的产生可以引发整个系统故障。例如“控制器电源故障”或者“控制器硬件故障”任何一项发生，可以视为控制器故障。故障的这种从底层到上层、从微观到宏观的逻辑组合关系和传递关系，取决于控制系统的构成方式，同时也决定了故障诊断系统的设计和实现思路。故障树在DCS故障诊断的典型应用包括故障组合、子故障动态抑制、故障源推理、故障标识传递等。故障诊断在大部分情况下，元故障的“或”关系可以产生组合故障。在另一些特殊情况下，元故障的“与”关系才可以产生组合故障，例如相互冗余的两个设备，当两者均发生故障时，两者所担当的工作环境才被视为故障。在由下至上传递故障信息时，故障信息中包含故障标识，可以据此反向推理故障源。故障树还可以为子故障动态抑制提供依据，例如，当节点通讯发生异常时，节点的其他故障信息无法上送，那么在故障分析时对该节点的其他故障信息应该不予分析，防止得出无意义的结果。

2生产控制系统故障诊断软件设计

2．1故障诊断系统架构设计一个完整的故障诊断系统是一系列软硬件的有机结合。生产控制系统往往由用于控制生产设备的硬件控制系统、用于提供数据服务和数据计算的服务器、用于提供监视和人工控制的操作员客户端、以及连接它们的网络所构成。图2是一个分散控制系统的示意图，其中控制站负责采集测量数据、根据用户配置运行与生产工艺相关的控制程序、并输出控制信号，达到控制生产设备的目的。服务器计算和存储生产过程数据，并为控制和操作网内的其他终端提供数据服务。操作员站则用于监视各生产环节和设备参数，以及人工设置工艺参数。生产控制系统的故障诊断软件，部署于控制系统的各个组成节点上，每个节点上运行的故障诊断软件都是控制系统的故障诊断子系统的一个组成部分。对于不同类型的节点，其上运行的故障诊断软件职责也不相同。如果按简单的“检测、计算、监视”过程来设计故障诊断系统，可以在设备和节点上检测故障情况，再将检测到的故障信息汇总到服务器进行计算，而客户端可从服务器获取计算结果进行全系统的故障监控。但是，检测环节所在的设备或者计算环节所在的服务器也有可能发生故障。一旦集中计算环节发生故障，则所有监控客户端都无法获取到有效的诊断信息。因此，出于故障诊断对于控制系统而言的重要性考虑，故障诊断系统本身的设计需要考虑鲁棒性，而故障诊断软件的设计和部署尽可能应对多样的软件运行环境故障。按图2所示，对故障诊断软件的功能和部署进行增强设计：控制站：除了影响诊断功能本身的故障，例网络完全中断、诊断所依赖的硬件故障，控制站诊断本身以及下挂模块的所有故障，并将收集到的诊断数据组播发送到网络，供操作站接收。服务器：诊断本机硬件、系统数据服务、历史数据服务等故障，同样组播到网络，供操作站接收。操作站：诊断本机硬件、监控服务等故障，监控本机故障状态，并组播到网络；收集网络上的诊断数据，监控其他节点的故障状态；主动监测其他节点的诊断数据包，若某个节点超过协定的时间没有发出诊断数据，则认为该节点严重故障，主要是为了应对其他节点电源失效，主机内设备硬件故障，或操作系统崩溃、死机等软件故障。根据各个角色的功能可知，所有节点和设备都有诊断自身轻度故障的职责，操作站具有收集和呈现诊断数据的职责。每个操作站进行独立诊断，可以分散诊断服务失败的风险，每个诊断节点都是其他诊断节点的冗余，即使服务器、控制站、或者某个操作站因故障或离线完全不可用，其他操作站也可以及时发现，并继续监控其他节点的故障状态。

2．2故障的检测故障检测的前提是已经通过故障树分析，得到了可能发生故障的所有位置，由此对这些位置进行实时故障检测。故障检测过程一般是周期性的测试和采样过程。例如，通过故障树分析得出控制器中用于交换用户数据的内存可能发生故障，那么在故障检测的实现过程中可以在该控制器上部署一段嵌入式程序，周期性地测试内存的可读写性，并且送出检测结果。同理，通讯模块和I／O卡件也可以各自检测电源可用、总线连通等各类故障。分散诊断有利于降低耦合，保持系统大部分可靠。在这些设备和节点上部署的诊断程序实现了故障的检测环节，它们是故障诊断软件系统的重要组成部分。

2．3故障数据分析和过滤控制系统中主机和设备一般将每次检测的直接结果发向网络，即通过网络传播的故障诊断数据包一般包含原始诊断数据。对很多硬件设备而言，单次的检测可能由于工作状态、环境等因素的影响，存在扰动和不确定性，因此，原始诊断数据往往需要经过过滤和统计才能形成有效的诊断结果。故障诊断数据的处理过程与一般的信号处理过程既有相似性，又有特殊性。与一般的信号处理过程类似，原始的故障诊断信号可以根据需要进行滤波和放大，而数字化的故障诊断信息又可以依据数据点有效性进行筛选、依据一定的规则进行统计。故障诊断数据的过滤过程旨在剔除无效的测量数据点，例如初始测量状态产生的数据或者因严重故障而未执行轻度故障测量返回的数据点。因此在测量环节，需要引入标记数据有效性的附加信息。故障诊断数据统计的规则，涵盖一般的统计方法，也有部分诊断项需要统计一段时间或者一系列诊断数据点中出现某个值的次数。过滤和统计的规则是多样的，通常可以参考一般的软件滤波方法。例如限幅滤波法、中位值滤波法、算术平均滤波法、滑动平均滤波法、中位值平均滤波法、限幅平均滤波法、一阶滞后滤波法、加权递推平均滤波法、消抖滤波法、限幅消抖滤波法等等。对于故障诊断软件，规则是故障数据处理过程必不可少的输入项。故障数据的规则的输入应该具有统一的接口和不同的来源，可以是人工实时输入、组态和配置输入、或是其他系统的结果作为输入。根据经验，故障产生和消除的判定条件往往不尽相同，所以同一个故障项的产生和消除需要不同的规则来判定。

2．4故障状态监控人机界面是故障诊断结果的输出之一，也是故障诊断系统的组成部分。生产控制系统故障诊断软件的人机界面包含实时系统状态监视、故障报警、故障日志等。图形化的人机界面是故障诊断软件易用性的关键。但是，不同的行业应用具有不同的生产工艺和流程，不同的生产过程拥有不同的设备，要求查看的实时诊断内容也必然有所区别。为了避免为每个工艺过程定制监控画面，生产控制系统软件一般以流程图的形式将工艺参数实时显示在监控画面上，而流程图可以由用户进行自由组态，以满足丰富的呈现效果。同样，故障诊断软件在人机界面设计上也可以使用这种方案，故障诊断结果数据可以作为变量引入流程图，用户根据自己的需要自由绘制图形和动态，以丰富且可变的形式来显示故障诊断结果。关键的诊断结果使用报警的方式来提示操作人员和设备维护人员，在控制系统软件中，故障诊断报警和工艺过程参数的报警类似，诊断结果以模拟量超越限值或开关量变化来触发报警。故障诊断软件记录故障的产生和消除，以及设备关键运行参数的变化，形成故障诊断日志，以便对设备运行状态进行追溯和分析。用户可以对状态诊断历史记录进行查询。查询条件一般应该有起始时间、终止时间、设备地址、设备名、工段、设备状态等。

3先进故障诊断软件技术

3．1专家系统当前故障诊断领域所开发和设计的测试诊断软件在功能上已较为完善、能够满足绝大多数诊断要求，但在进行测试时多是自动按照预先定义好的测试流程，顺序地完成测试项目。整个测试诊断过程只是一个单向的程序顺序执行过程，用户无法将自身经验和思维与测试软件进行人机交互，例如测试诊断软件不能由用户根据需要任意选取测试位置、步骤等，大大浪费了测试资源和时间，无法实现测试效率的最优化。可以在现有自动测试软件的研究基础上，结合人工与自动测试的各自优点，通过研究基于专家系统的交互式故障推理模式以及设计基于该模式的故障诊断软件系统，完成测试系统的优化。交互式故障推理模式以故障诊断专家系统为核心，结合故障现象、测试数据和用户经验、思维进行综合分析，基于专家系统和人工智能获取测试跳转条件，逐步推理、检测、隔离定位具体故障；而且具有学习能力、且预留有故障诊断流程的扩展接口，可以在实际使用过程中不断优化已存在的诊断流程，并可以方便地增加新的诊断流程，实现测试系统的自我丰富与完善。

3．2智能技术为了更好地诊断与处理生产控制系统故障，有必要将多个专家的理论知识和丰富的实践经验积累起来，应用智能技术，开发一个以信号采集、数据分析为依据的计算机故障诊断专家系统，以帮助运行人员对控制系统实时监测，故障诊断和运行指导，但是传统的专家系统存在知识获取的瓶颈问题、容错性差、处理大型问题较为困难———通常只能判断两种(正常与不正常)状态等一系列问题，且系统一般采用产生式结构，难以适应实时系统诊断的要求，而这些问题应用神经网络方法可以解决。因为神经网络具有大规模模拟并行处理，信息分布式贮存、连续性非动力学、全局性集体作用、高度的容错性和鲁棒性、自组织、自学习及实时处理能力，且能对不正常的程度做量化计算，利于观测与评定；但神经网络方法自身存在学习效率低、训练速度不高、知识表达的逻辑关系不明显、不易理解和维护，也不便直接表达包含时序关系的复杂知识、启发性知识等问题，使其实用性大受影响。在目前看来，单独使用任何一种方法建造的专家系统都有不足。因此，采用分层混合专家网络(即分层模糊神经网络与专家系统相结合的方法)，研究开发故障智能诊断软件，能较为准确及时地对生产控制系统故障进行诊断。

4结束语

第2篇：故障诊断范文

关键词：故障诊断；知识模型库；神经网络；融合推理

水电机组状态监测系统通过对机组各种参量的实时检测和监视，综合设备历史状况，能对机组作出故障诊断和趋势预报，及时评估设备性能，利于水电厂制定合理的设备检修维护制度，从而达到延长检修周期，缩短检修时间的目的。

1水电机组故障诊断特点

水电机组故障诊断主要包括水轮机诊断和发电机诊断，二者互为关联。

水轮机诊断包括：轴系、叶轮、叶片、导轴承、系统、支撑系统、控制系统等部位故障的诊断。主要故障特征包括：油箱油位的升高和降低、油温的升高、轴瓦平均温度升高、轴瓦温度上升率、摆度升高、轴承振动升高、振动和摆度随转速、负荷变化的趋势、有无负荷的振动情况。

发电机诊断包括：定子线圈、定子磁心、转子、轴系等部位故障的诊断。定子线圈的诊断采用局部放电法（脉冲高频容量）用于检测线圈、线棒、线棒支撑的绝缘情况及线圈断路。定子铁芯和转子的诊断运用一组气隙测量传感器监测定子孔径和转子圆周、偏心所造成的动态气隙情况。

检测的参数一般有：机架振动、摆度、温度、电量、气隙、绝缘监测、气蚀、压力脉动等。

对于诊断导轴承、推力轴承以及其它一些复杂的故障，诊断系统要综合考虑分析各检测参数。

2故障诊断系统结构

机组故障诊断系统包括数据预处理和数据规范化、信息处理、故障诊断知识建模、故障检测、故障分离与估计、故障分类评价和决策、知识模型库、数据库、智能决策支持系统、人机对话界面、监控中心等。故障诊断系统构成见图1。

数据预处理和数据规范化模块对在线采样的可测变量先进行预处理以消除噪音，然后将其转化为规范数字信号输入数据库中。

信息处理、故障诊断知识建模模块将从机组录入的振摆、水压脉动等信号进行再处理并建成知识模型库。

知识模型库、数据库在故障检测、故障分离与估计、故障分类评价和决策模块实时起支撑性作用。智能决策支持系统模块负责对机组不同的运行状态选择哪种或哪几种诊断方法，以及各诊断方法之间的集成，给出相应的故障处理方案，和优化运行决策与检修计划决策，并对知识模型库中的知识进行协调调用。

人机对话界面、监控中心分别负责机组信息的输入与输出，包括深层和浅层知识的录入、故障信息的输出，以及在判定故障时启动保护措施，通过执行机构去完成。另外还有数据的报表输出及打印等功能。

3知识模型库

如何具体实现故障诊断知识建模的功能，进行诊断知识模型的获取，形成知识模型库，从而实施在线故障检测、故障分离与估计、故障分类评价和决策模块的功能是系统的难点。

在文献［1］中，杨杰等提出了一种基于综合模型的故障诊断建模与推理的方法，即人工神经网、案例、规则和对象模型，来有效地进行诊断知识模型的获取。

水电机组的知识模型可由机组模型、诊断经验规则、诊断神经网模型、诊断案例4种方式来表示。

诊断知识模型由一般到特殊分四层组织：第一层描述最一般的诊断知识，由水轮机、发电机的机组模型组成。运行模型描述了机组正常工作时的形态，故障模型描述了机组在故障时的形态，它们被用于基于模型的诊断、真值维护和解释。第二层描述一般的诊断知识，由根据水电机组的技术标准、规程和专家诊断经验归纳出的诊断规则组成，用于基于规则的诊断。第三层是根据类似诊断事例经训练构造的人工神经网模型，用于基于神经网模型的诊断。第四层由案例－子案例等级框架表示组成，它描述各电厂机组或电厂各机组间的特殊诊断案例知识，用于基于案例的诊断。

3．1第一层

机组定量信息描述一般包括参数描述和状态描述两种。

参数描述指由机组参数的显著变化来描述故障的发生如温度量、电量等的量值越阈或突变。状态描述指由机组开、停机过程及机组运行状态来描述所包含的故障信息。

由机组定量信息描述形成的运行模型和故障模型，构成机组模型子库，形成模型知识库的第一层。由该层支持的基于机组模型的故障诊断方法有：参数估计诊断法和状态估计诊断法。

参数估计诊断法在进行故障检测、故障分离与估计、故障分类评价和决策时，诊断的过程参数为机组模型模拟量与机组实际运行参数的比较值，所得残余偏差为二者之间的相对变化值。在系列残余偏差中包含有各种故障信息，结合机组模型库中相应模型对基本残差序列采用统计检验法，检测机组的故障部位和原因，并进一步分离、估计与决策。

状态估计诊断法由根据水电生产过程的控制逻辑来判断机组是否有故障状态，可由机组监控系统直接支持。

3．2第二层

基于标准和经验归纳出的诊断规则，故障可分为确定性故障和不确定性故障两种。

对于确定性故障，也就是一般的产生式故障，可建立用于逻辑推理的知识模型库。而对于非确定性故障，一般采用模糊产生式规则来表示故障诊断知识，即用模糊关系矩阵来表示前提条件与结论之间的因果关系。

此外，还可采用可信度方法、概率方法等来描述其不确定性。可对这些方法进行充分收集，整理优化后形成一个较完整的诊断推理机制。

3．3第三层

根据类似故障诊断事例训练构造的人工神经网模型，其实质是一个故障分类和识别过程。人工神经网络在此作为一个自适应的模式识别技术，利用自身的学习机制，通过对案例样本的学习，自动形成相对应的决策区域。而且样本变化时，如案例增加时，神经网络训练所获得的映射关系可以自适应，达到对准确诊断的进一步逼近。

3．4第四层

该层知识由案例－子案例等级框架表示组成，形成了最特殊知识的诊断案例子库。

对机组在线状态的信息诊断同案例子库中的案例描述进行匹配，得出解策略。

以上四层次知识模型子库既有其独立性又紧密关联。当机组的新类型故障被诊断出来后，可对其进行描述，添加到案例－子案例等级框架中。新类型故障同框架内的原有相似故障可用于构造和训练新的神经网模型，加入到第三层的人工神经网络模型子库中去。

新类型故障同原有相似类型故障的诊断方法规则，加入到第二层的规则子库中去。

而以上三层的知识表示如可以采用定量信息表示，又可建模加入到第一层的机组模型库中。

4融合诊断推理

对于复杂故障的诊断，不能简单地仅通过某一种方法诊断出来，有效的方法是将各检测信息有效结合判断的融合诊断法。

文献［2］中，彭涛等提出一种基于信号处理的人工神经网络诊断方法，即基于小波变换的特征提取、基于遗传算法的特征选择和基于神经网络的状态识别理论。

该方法可将机组多个传感器信号，如振摆、气蚀、水压脉动信号等，用加权法实现信息的初级融合，按给定的小波函数进行小波变换，提取其特征成分，用遗传算法搜索选择输入参数中最为重要的特征参数，与已知目标特征信息一起作为训练样本，送神经网络训练，实现状态识别和故障诊断。对某些复杂检测信息也采用小波变换法，如对于绝缘监测中所测局部放电数据的处理，针对其局放信号微弱、噪声大的特点，采用小波变换进行分析，可充分利用小波分析良好的时频分析特性。理的策略，直至给出最佳处理方案，得出最精确的预测控制和诊断结果。

5结束语

第3篇：故障诊断范文

关键字:汽车电机故障方法

1.电机故障诊断的特点及实施电机故障诊断的意义

1.1电机故障诊断的特点

电机的功能是进行电能与机械能量的转换,涉及因素很多,如电路系统、磁路系统、绝缘系统、机械系统、通风散热系统等。哪一部分工作不良或其相互之间配合不好,都会导致电机出现故障。因此,电机故障要比其它设备的故障更复杂,其故障诊断所涉及到的技术范围更广,对诊断人员的要求也就更高。一般来说,电机故障诊断涉及到的知识领域主要有[20]:电机理论、电磁测量、信号处理、计算机技术、热力学、绝缘技术、人工智能等。电机故障诊断的复杂性还表现在故障特征量的隐含性、故障起因与故障征兆之间的多元性。一种故障可能表现出多种征兆,有时不同故障起因也可能会反映出同一个故障征兆,这种情况下很难立即确定其真正的故障起因。另外,电机的运行还与其负载情况、环境因素等有关,电机在不同的状态下运行,表现出的故障状态各不相同,这进一步增加了电机故障诊断难度,所以要求对电机进行故障诊断首先必须掌握电机本身的结构原理、电磁关系和进行运行状况分析的方法,即掌握电机各种故障征兆与故障起因间的关系的规律。

1.2实施电机故障诊断的意义

电机的驱动易受逆变器故障的影响,在交流电机驱动系统中,逆变器短路故障将会使电机产生有规律波动的或是恒定的馈电扭矩,使车辆突然减速。研究表明:逆变器出现故障时,永磁感应电机将产生较大的馈电扭矩,而且永磁电机也有存在潜在的高消磁电流的问题。而感应电机在逆变器出现故障时所产生有规律的馈电扭矩将由于有持续的负载而迅速衰减,这说明了感应电机具有较高的容错能力,适应混合动力系统的要求。开关电机磁阻是最具有故障容错能力的电机,而且当其有一个逆变器支路出现故障时电机仍能产生净扭矩,另外,开关磁阻电机成本低,结构紧凑,但是开关磁阻电机有较大的噪声和扭矩脉冲,而且需要位置检测器,而这些缺点使得开关磁阻电机在现阶段不适合应用于混合动力客车上。在混合动力客车动力系统中,电机是作为辅助动力的,而且电机属于高速旋转设备,如果电机出现故障,电机产生的瞬态扭矩将使车辆的稳定性和动力性将受到影响,而且,电机由高压电池组驱动,如果电机出现故障而不能及时容错,电机产生的瞬态电流将使电池受到损害,因此在混合动力系统中对电机进行故障诊断是非常必要的。

2.电机的故障诊断方法及典型故障诊断分析

2.1电机故障的诊断方法

(1)传统的电机故障诊断方法

在传统的基于数学模型的诊断方法中,经典的基于状态估计或过程参数估计的方法被应用于电机故障检测。图1为用此类方法进行故障诊断的原理框图。这种方法的优点是能深入电机系统本质的动态性质,可实现实时诊断,而缺点是需建立精确的电机数学模型,选择适当决策方法,因此,当电机系统模型不确定或非线性时,此类方法就难以实现了。

(3)基于模糊逻辑的电机故障诊断方法

图3为基于模糊逻辑的电机故障诊断方法框图,故障诊断部分是一个典型的模糊逻辑系统,主要包括模糊化单元、参考电机、底层模糊规则和解模糊单元。其中,模糊推理和底层模糊规则是模糊逻辑系统的核心,它具有模拟人的基于模糊概念的推理能力,该推理过程是基于模糊逻辑中的蕴涵关系及推理规则来进行的。模糊规则的制定有两种基本方法:第一,启发式途径来源于实际电机操作者的语言化的经验。第二,是采用自组织策略从正常和故障电机测量获得的信号进行模糊故障诊断的制定,将此方法通过计算机仿真实现,对电机故障有较好的识别能力。

(4)基于遗传算法的电机故障诊断方法

遗传算法是基于自然选择和基因遗传学原理的搜索算法,它的推算过程就是不断接近最优解的方法,因此它的特点在于并行计算与全局最优。而且,与一般的优化方法相比,遗传算法只需较少的信息就可实现最优化控制。由于一个模糊逻辑控制器所要确定的参变量很多,专家的经验只能起到指导作用,很难根据指导准确地定出各项参数,而反复试凑的过程就是一个寻优的过程,遗传算法可以应用于该寻优过程,较有效地确定出模糊逻辑控制器的结构和数量。

遗传算法应用于感应电机基于神经网络的故障诊断方法的框图如图4所示。设计神经网络的关键在于如何确定神经网络的结构及连接权系数,这就是一个优化问题,其优化的目标是使得所设计的神经网络具有尽可能好的函数估计及分类功能。具体地分,可以将遗传算法应用于神经网络的设计和训练两个方面,分别构成设计遗传算法和训练遗传算法。许多神经网络的设计细节,如隐层节点数、神经元转移函数等,都可由设计遗传算法进行优化,而神经网络的连接权重可由训练遗传算法优化。这两种遗传算法的应用可使神经网络的结构和参数得以优化,特别是用DSP来提高遗传算法的速度,可使故障响应时间小于300μs,不仅单故障信号诊断准确率可达98%,还可用于双故障信号的诊断,其准确率为66%。

近年来,电机故障诊断的智能方法在传统方法的基础上得到了飞速发展,新型的现代故障诊断技术不断涌现:神经网络、模糊逻辑、模糊神经网络、遗传算法等都在电机故障诊断领域得到成功应用。随着现代工业的发展,自动化系统的规模越来越大,使其产生故障的可能性和复杂性剧增,仅靠一种理论或一种方法,无论是智能的还是经典的,都很难实现复杂条件下电机故障完全、准确、及时地诊断,而多种方法综合运用,既可是经典方法与智能方法的结合,也可是两种或多种智能方法的结合,兼顾了实时性和精确度,因此多种方法的有机融合、综合运用这一趋势将成为必然,也将成为电机故障在线诊断技术发展的主流方向。

参考文献:

[1]陈清泉,詹宜君,21世纪的绿色交通工具——电动汽车[M],北京:清华大学出版社,2001

第4篇：故障诊断范文

关键词:故障诊断;故障定位;专家系统;神经网络;贝叶斯网络

中图分类号:TP393文献标识码:A文章编号:1009-3044(2009)31-pppp-0c

Summary on Network Fault Diagnosis Key Technologies

ZHANG Yan

(Suzhou Vocational University, Suzhou 215104, China)

Abstract: As the network failure is inevitable, which requires to manage the network. However, network fault information is usually shown by the complexity and uncertainty of the characteristics, it is necessary for accurate fault detection and location is very difficult, especially the fault location. Focus on the analysis of the fault location based on the principle, introduced artificial intelligence technology such as expert systems, neural networks and Bayesian networks, and the symptoms of failure to carry out the causal link between the reasoning of the fault location technology.

Key words: fault diagnosis; fault localization; expert system; neural network; bayesian network

随着计算机和网络应用的深入,计算机网络已经成为现代社会必不可少的基础设施。然而,计算机网络是一个复杂的综合系统,网络故障不可避免,这就需要行之有效的网络故障诊断技术,来实现对网络故障的检测、定位并排除,确保网络的稳定和畅通。

传统的网络故障诊断主要是依据发生故障时的网络故障信息,通过专门的网络分析仪和网络操作系统中的故障诊断工具以及网络的轮循与告警等方法获取故障信息,然后根据故障信息,网络专家分析和判断来找出产生故障的原因。网络的故障诊断是一个典型的多层多类分类问题,通常采用分层诊断的方法[1],沿着OSI七层模型从物理层开始向上进行逐层诊断,直到网络恢复正常工作为止。

然而,随着网络规模的急剧扩大和结构的日趋复杂,传统的依靠网络专家以人工方式进行的故障诊断已经不能满足需要了。研究开发出一套具备准确的诊断以及分析处理复杂、不确定问题能力的智能故障诊断技术已成为当务之急,这也是现在网络故障管理领域研究的热点[2]。

1 网络故障诊断概述

通常网络故障诊断过程包括三个阶段[3]:

1) 故障检测。故障检测是对网络系统的不正常信号进行处理的过程,这些不正常信号来源于网络组件的故障或功能失调。故障检测是用来确定故障源的一个重要手段。

2) 故障定位,也称为故障隔离,或事件/告警关联。根据观察到的故障症状推理出故障所在的精确位置的过程,故障定位的核心部件是事件关联,即把与同一个源故障相关的告警进行分组。

3) 故障测试,也称为故障确认。故障定位得到了系统失效的故障假设之后,需要进行进一步的测试来确认故障,然后进行恢复操作,如重启软件系统或更换失效的硬件组件等。

当前网络故障诊断的研究主要集中在故障诊断的第二阶段――故障定位,这是网络故障诊断的关键技术,也是网络故障诊断的难点所在[2-4]。

网络故障定位的核心技术是事件关联技术。其基本思想是通过关联多个事件为某单一概念事例来过滤不必要的或不相关的事件,为网络管理员提供事件信息更精简的视图,以准确、快速的识别故障源。

由于故障具有传播性,单个故障会产生大量的网络告警,在多个故障同时发生时,情况变得更加复杂。故障定位就是要在故障产生时,把告警事件进行关联,分离并推断出故障源的准确位置。但是网络故障定位的主要困难却是来自于得到的告警信息太多而不是信息的缺少。而且网络的不可靠性和不确定性,使故障定位变得更加复杂而困难。其主要表现在[4]:

1) 故障证据可能是模糊的、不一致的和不完整的;

2) 得到的系统知识可能包含不确定信息;

3) 多个不相关的故障可能同时发生产生重叠的告警消息;

4) 存在多个不同的故障假设能够解释观察到的故障症状;

5) 在大型系统中,利用单个管理应用程序对系统进行故障定位以及对可用知识库进行维护在计算上通常是不可行的;

6) 事件之间不仅存在因果关系,通常还存在时间相关性。

针对上述难点,主要的解决方法是引入人工智能技术,进行自动故障定位,以实现智能化的故障诊断。目前用于网络故障定位的人工智能技术主要有:专家系统、神经网络和贝叶斯网络等。

2 故障定位技术

2.1 基于专家系统的故障定位技术

故障诊断中应用最广泛的人工智能技术是专家系统,专家系统通过模仿人类专家在解决特定领域时的行为来解决问题。基于专家系统的故障定位技术根据故障诊断领域的专家知识和经验,通过模拟人类专家做出决策的过程,达到解决复杂系统故障诊断的目的。

专家系统由知识库、推理机、知识获取、解释界面等四部组成,其中知识库用来存放相关领域专家提供的专门知识。在故障检测诊断专家系统的知识库中,存储了某个对象的故障征兆、故障模式、故障成因、故障排除意见等内容,这些知识是诊断的基础。专家系统知识库的知识,可以是从经验中获得的表面知识,也可以是通过理解系统行为的工作原理而得到的深层知识。推理机的功能是根据一定的推理策略从知识库中选取有关的知识,对用户提供的证据进行推理,直到得出相应的结论为止。

根据专家系统所使用知识结构的不同,解决故障定位问题的技术可分为以下几种:

1) 基于规则的推理技术

基于规则的推理(Rule-based Reason,RBR)是最简单的关联技术,己被用于HP Open View Element Management构架。通常,基于规则的系统有三个组成部分:(1) 推理引擎,包含解决问题的策略;(2)知识库,包括与特定问题有关的规则,规则是指出在什么情况下采取什么措施;(3) 工作存储区,包含需要处理的问题数据。

在RBR的事件关联系统中,知识库的专家知识是网络中的问题定义。工作存储区包括被监控网络的拓扑和状态信息,工作存储区用来识别网络是否出现不完善的状态。推理引擎根据知识库的信息,将当前的状态与规则的左侧相比较,查找出最相似的匹配,然后输出规则的右侧。

2) 基于模型的推理技术

基于模型的推理(Model-based Reason,MBR)是现有网络故障管理系统中应用最广泛的一种技术。该方法充分利用现有的系统知识,为具体的现实系统建立对应的抽象系统模型,再根据系统模型对系统行为进行预测,并将预测的行为与观察到的系统实际行为进行比较,然后再对预测的行为和实际行为间的不一致进行诊断。在基于模型的推理系统中,系统模型一般都提供网络拓扑、部件故障和告警之间的条件关系等信息。

3) 基于范例的推理技术

范例是指一段带有上下文信息的知识,该知识表达了推理机在达到其目标的过程中能起到关键作用的经验。基于范例的推理(Case-based Reason,CBR)根据过去的实际经验或经历,对现有的问题做出相应的决策。基于范例的推理技术的推理过程可以分为4个部分,分别为检索(Retrieve)、复用(Reuse)、修正(Revise)、保存(Retain),简称4R过程。其中Retrieve过程从范例库中检索与问题匹配度最大的范例,Reuse过程使用历史范例来解决所提出的问题,Revise过程在必要时修正提出的解决方案,Retain过程将新的解决方案作为一个新范例保存到范例库中。

2.2 基于神经网络的故障定位技术

神经网络能够处理复杂模型,具有联想、记忆、推理和抑制噪声能力,而且信息处理很快,能存储大量的知识。神经网络能够高效地辨识给定模式,具有自学习能力;神经网络能够通过联想能力处理不确定、不完整数据,因此神经网络很适合于用于解决故障诊断问题。神经网络只要输入的模式接近于训练样本,系统就能进行推理。神经网络克服了专家系统中如果规则没有完全匹配,则会退出专家系统的缺点。神经网络还可以运用遗传算法进行优化,提高神经网络的性能。

目前神经网络有两种诊断模式:

1) 离线诊断:这种诊断模式将学习和系统运行分开。当系统出现故障时,把故障信息或现象输入神经网络,神经网络通过自组织和自学习,输出故障解决方案。

2) 在线诊断:将神经网络和系统直接相连,让系统自动获得故障信息和现象,然后由神经网络内部进行自组织和自学习,把学习过程和运行过程合二为一。

文献[5]提出一种基于粗糙集神经网络的网络故障诊断算法,将知识系统技术应用于链路层故障诊断中,针对故障诊断问题的需要,构建一个故障诊断知识库;针对知识库中可能存在的知识规则冗余问题,提出基于粗糙集理论的知识库规则约简方案,降低知识规则的冗余度;由于诊断问题的实质是一种映射,将神经网络模型引入故障诊断系统,用一种前馈型网络来逼近这种映射关系,神经网络的学习样本来自于知识库中的知识规则,实现对网络故障的分类。

2.3 基于贝叶斯网络的故障定位技术

贝叶斯网络是处理不确定性问题的新方法,代替了人工智能和专家系统。利用贝叶斯网络进行告警关联是当前研究的一个热点[6],贝叶斯网络的一个很重要功能就是能根据概率理论在原因和结果之间进行不确定性推理。通过贝叶斯网络来分析通信网络中的告警相关性,可以克服告警时间的不确定性基于贝叶斯网络的故障诊断方法中,通过模拟被管理网络系统的主要组件间的因果关系使不确定性知识模型化。

贝叶斯网络可以定义为一个三元组(V,L,P),V是有向非循环图中的结点集,L是结点之间的因果链集,表示它们之间的因果关系,P是概率集,即P = {p(υ|π(υ)) |υ∈V},π(υ)是υ的父结点,表示一个变量对另一个变量的影响程度。 V由故障集F = {f1, f2, …, fm}和症状集S = {s1, s2, …, sn}组成。P= {p(si | fj) | si∈S, fj∈F, i=1, 2, …, n, j=1, 2, …, m}。这里,一个症状可能被多个故障引发,一个故障可能引发多个故障。假设模型是完备的,即,若用Fsi表示所有可能引起症状si的故障集合,如果Fsi中的故障都没发生,那么症状si一定不会出现,反之,如果出现症状si,那么Fsi中至少有一个故障发生。(下转第8677页)

(上接第8669页)

2.4 故障定位技术分析

基于专家系统的故障诊断方法,知识的获取和知识库的构建比较困难,开发成本比较高。每种相关性分析方法在实际中都有应用,单纯地使用某一种关联方法构建的告警相关性分析工具经常会顾此失彼,最终使系统不是缺乏学习能力,就是逻辑推理能力不足,难以适应网络发展的需要。

基于神经网络的故障诊断方法中,对神经网络进行训练的工作量非常大。神经网络的适应性也比较差,不能自动适应网络环境的变化。基于粗糙集神经网络的故障诊断方法,将模糊控制技术和神经网络技术相结合,虽然结合了两者的优势,但实现起来就比较困难。

基于贝叶斯网络的故障诊断方法可用来对不确定和不完整信息中的将来可能发生的故障作出推理以提供有效的预测。尽管此方法具有许多优点,但是在实际的环境中获取先验知识比较困难,限制了其应用。而且随着网络的复杂度增加,贝叶斯网络本身的复杂度呈指数级数增加,所以其计算量非常大。基于贝叶斯网络的不确定性推理技术己被证明为NP难题。因此,使用贝叶斯网络进行网络故障定位的技术还有待于改进。

此外,除了上述网络故障定位技术,还有基于数据挖掘的网络故障定位技术、基于Petri网的网络故障定位技术和基于有限状态机的网络故障定位技术等方法。

3 小结

网络故障智能诊断和精确定位相当复杂的问题,靠单一技术很难圆满解决,只有多种技术的融合集成处理故障信息,才能实现高效而精确的网络故障定位。本文在研究网络故障诊断技术的基础上,重点对网络故障智能诊断核心技术――故障定位进行了深入的研究,介绍了基于专家系统、神经网络和贝叶斯网络的故障定位技术,为进一步深入研究高效智能故障诊断技术,最终实现网络故障的主动预防打下基础。

参考文献:

[1] Greg Tomsho.网络维护和故障诊断指南站[M].晓苏,译.北京:清华大学出版社,2003.

[2] Breitbart Y,Garofalakis M, Jai B.Topology discovery in heterogeneous IP networks: the net inventory system[J].IEEE/ACM Transactions on Networking,2004,12 (3):465-476.

[3] ANSI T1.215 OAM&P-Fault Management Messages for Interface between Operations Systems and Network Elements,1994.

[4] 郑秋华.网络故障智能诊断关键技术研究[D].杭州:浙江大学,2007.

第5篇：故障诊断范文

【关键词】变压器；故障；诊断

一、电力变压器的构成和分类

电力变压器是用来改变电压和电流、传输电能的一种静止电器，是电力系统中输变电、配电设备中最重要和最昂贵的设备之一，也是电力设备中容量较大、故障率较高的环节，其运行状态的安全与否直接关系到整个电力系统的安全性和经济性，是电网安全运行的基础。变压器的结构由变压器本体和变压器附件这两大部分构成。变压器本体的主要部件包括以下几个部分：线圈、铁心及其夹紧装置等构成的变压器器身；用于变压器器身冷却、绝缘和防腐作用的变压器油；容纳变压器器身和变压器油的油箱。变压器附件是指：变压器套管、变压器油枕、有载分接开关、变压器冷却系统、变压器本体保护装置及其测示仪表等。

按照电力变压器冷却和绝缘介质的不同，可归纳为三大类：一是油浸式电力变压器，采用矿物油作为冷却和绝缘介质；二是气体绝缘电力变压器，采用人工合成的气体作为冷却和绝缘介质；三是干式电力变压器，采用空气作为冷却和绝缘介质。目前，绝大多数的电力变压器仍是油浸式变压器。油浸式变压器主要由器身、油箱、冷却装置、保护装置、出线装置等构成，由于变压器结构复杂，各个部分均有出现异常或故障的可能性，这些异常或故障可以通过各种现象如声音、振动、气味、颜色、温度，或者通过检测试验数据反映出来。

二、电力变压器的故障分类和规律

减少电力变压器故障率，增加电气设备的可靠性，一方面取决于设备的制造和安装质量，另一方面在于设备的检修维护和必要的预防监测。因此，随时检测变压器状态，及早发现并排除变压器可能潜在的故障，已成为保障供电可靠性的重要手段之一，是电力系统中一项具有重大理论和实用价值的课题。

大型油浸式电力变压器的故障涉及面广而且复杂多样，特别是在运行过程中发生的故障，很难以某一判断标准诊断出故障的类型及性质。变压器常见故障类型划分方法有很多种，通常有：按变压器主体结构可分为绕组故障、铁芯故障、油质故障、附件故障；按回路可分为电路故障、磁路故障、油路故障；按一般常见故障易发区可分为铁芯故障、分接开关故障、绕组故障、绝缘故障等；按变压器本体可分为内部故障和外部故障。变压器内部故障，按形成的原因和发展的过程，可分为由电气回路缺陷构成的突发性故障和由铁芯、开关、并联导线绝缘损伤等局部过热构成的缓慢发展的潜伏性故障两大类。而对变压器本身影响最严重、故障率最高的是变压器出口短路故障，同时还存在变压器油渗漏故障、油流带电故障、保护误动故障等等。

长期故障统计表明，变压器的故障率随时间的变化可以线性化为三个阶段：早期故障期、偶然故障期和耗损故障期。早期故障期是指变压器的早期故障起出现在设备使用的1～3年，其特点是故障率较高，且故障率随着时间的增加而迅速下降。变压器的早期故障通常是由于设计、制造上的缺陷等原因引起的，例如设计不合理，使用材料不合格，装配不当，焊接不良，质量检验不认真等造成的。偶然故障期是在早期故障期之后是变压器的有用寿命期，称之为偶然故障期。其特点是故障率低且稳定，故障的产生是随机的。偶然故障是由偶然因素引起的，如技术参数突然超过极限值，工艺缺陷、材料弱点在偶然因素的激发下，维护不良、操作失误，运行环境的突变等因素造成的。耗损故障期出现在变压器的有用寿命期的末期，其特点是故障率随时间的增加而加大。损耗故障是由于变压器内部的物理变化、化学变化或生物变化所引起的磨损、疲劳、腐蚀、老化、极化、损耗、阻抗增大、振动位移等原因所造成的。

三、变压器的故障诊断技术

电力变压器的故障诊断是指在设备吊罩、不解体的情况下，根据经验和数据，采用一定的技术手段对变压器所处状态进行判断、对变压器已有的故障及其发展变化进行跟踪诊断和估计的技术。如果能够准确诊断和估计设备的故障及其发展变化，就可以制定最佳维修策略。

1．变压器油中溶解气体分析（DGA）研究。对油绝缘电力变压器进行早期故障诊断显得尤为重要。油中溶解气体分析（DGA）就是一种全世界公认的而又被广泛使用的对油绝缘电力变压器进行早期故障诊断的技术。DGA即通过对变压器油中溶解气体的分析来判断变压器存在的故障，国内外电力研究者对变压器油色谱绝缘故障诊断开展了大量的研究工作。常用判断方法有：特征气体方法、比例法TCG方法、模糊诊断法。在DGA中，长期以来采用特征气体法和IEC三比值法。这些方法只是实践经验的总结，不能对所有故障提供完全客观、准确的诊断。其中IEC三比值法存在编码不全问题，当发生多重故障，故障气体比值编码可能找不到相对应的比值组合，则诊断不成功。

2．变压器红外诊断技术。红外诊断技术是对运行中的电力变压器进行非接触无损检测和故障诊断技术，能进行大面积温度分布场的扫描和局部缺陷的定点测温，能够准确的分辨出设备表面0.1～05℃的温差变化，同时红外仪器和计算机技术结合，对设备的红外热像进行处理，从而实现数据的统计、分析、显示、存储等技术功能。红外测温不受现场高压强电场的干扰，不影响电力变压器的正常运行，同时对带电部位可保持足够的安全距离，因此安全、经济性好，可靠性高。常用诊断方法有：温度判断法、相对温差法、同类比较法、历史数据分析法。

3．变压器绕组变形故障的测试与诊断。电力变压器是电力网的核心设备之一，因此，其运行可靠性将对电力系统的安全起到非常重要的作用。然而，由于设计制造技术、工艺以及运行维护水平的限制，变压器的故障还时有发生，尤其是近年来逐渐引起人们重视的变压器近区（或出口）短路故障，这大大影响了电力系统的安全运行。变压器绕组发生局部的机械变形后，其内部的电感、电容等分布参数必然发生相应变化。利用一定的测试技术，测量变压器各个绕组的某些特定参数，并对测试结果进行纵向或横向（三相之间）比较，就有可能诊断出绕组的扭曲、倾斜、鼓包、移位等变形现象。根据测试手段的不同，常用的测试方法有阻抗法、低压脉冲法和频率响应分析法。

故障诊断分为故障性质诊断和故障部位诊断。其中故障性质诊断的方法很多，并在实际应用中获得了验证和推广，取得了可喜的成绩。而故障部位诊断的研究和应用仍处于探索阶段。如果能在变压器发生故障后，能够准确地分析出故障性质，以及快速判断出故障部位，就能及时排除变压器的故障，提高供电可靠性，对实际工作具有较大的指导意义。鉴于电力变压器在长时间的运行中，受到电磁振动、机械磨损、化学作用、大气腐蚀、电腐蚀等内外影响，其健康状态在逐渐变坏，有时间因素也有其他因素，在不同程度上影响了该设备的安全可靠性。电力变压器在经过一定时间运行以后，必须进行检修，修复缺陷，更换不合格部件，使其恢复到健康状态。

参 考 文 献

[1]刘娜，高文胜．基于组合神经网络模型的电力变压器故障诊断方法[J]．电工技术学报．2003（2）

[2]付超，安国庆．变压器的故障诊断与分析[J]．科协论坛（下半月）．2010（10）

第6篇：故障诊断范文

关键词：变压器故障诊断；BP神经网络；RBF网络；潜伏性故障

中图分类号：TM411　文献标识码：A　文章编号：1009-2374(2011)04-0079-02

变压器是电力系统的枢纽，它关系到电力系统的可靠性和稳定性，变压器发生故障会给人们的生活带来不便，严重情况下还会危及生命安全。由于无法杜绝变压器故障的发生，所以对故障的正确诊断和早期的预测就更加重要。目前普遍使用的是定期预防性试验，不同的实验方法和测试仪器反映运行状态的数据不够全面，经常含有现场测量时的干扰信息，并且试验时都是在离线停电状态下进行的，因停电会造成很大的负荷损失。为了正确的判断出变压器的运行状态，引入人工智能化的变压器故障诊断方法能够及时有效的判断变压器的状态，预先发现早期潜伏性故障，避免无必要的检修，具有很强的现实意义。

一、变压器的常见故障

变压器的结构比较复杂，这种特性导致变压器故障类型的多样性，以至于很难以某一判据诊断出具体的故障类型。当变压器发生故障时，按变压器本体可分为内部故障和外部故障，即把油箱内发生的各相绕组间的相间短路、绕组的匝间短路、绕组或引线与箱体接地等称为内部故障；而油箱外部发生的套管闪络、引出线间的相间短路等故障称为外部故障；按变压器结构可分为绕组故障、铁芯故障、油纸故障、附件故障；从故障发生的部位又可分为铁芯故障、分接开关故障、套管故障等。对变压器危害大的故障主要有以下几种：

(一)　绕组故障

绕组是变压器主要部分，绕组故障主要分为：匝间短路、相间短路、绕组断路，由于绕组各部分绝缘老化以及受潮，导致绕组匝间、相间、高低压绕组间发生短路、断路、击穿或烧毁。产生故障的原因是制造工艺不良，机械强度不能经受短路冲击，使绕组变形，绝缘损坏；检修时，局部绝缘受到损害，遗留下缺陷，导致变压器绕组损坏；长期过载，温度过高引起绝缘老化；绕组受潮，引起局部过热，极易导致局部放电，造成匝间短路。

(二)　铁芯故障

铁心质量好坏是决定变压器正常运行的关键。铁芯故障分为铁心多点接地和铁心过热故障，当变压器出现铁心多点接地故障时，产生的环流将引起变压器局部过热，使铁心局部烧损，如不及时发现，严重时可能烧坏铁心。产生铁芯故障的原因很多，如压铁松动引起铁芯振动和噪声、铁芯接地不良及异常接地、铁心片间短路、铁心局部短路、铁芯片间叠装不好造成铁损增大而使铁芯发热等。

(三)　分接开关故障

分接开关由于经常进行切换操作，很容易出现各种故障。分接开关常见的故障有：无载分接开关上分接头的相间绝缘距离不足且绝缘材料上堆积油泥时，若受潮，在过电压下将发生相间短路故障；有载分接开关若触头接触不良或因锈蚀使电阻增大，绝缘支架上的紧固金属螺栓接地断裂造成悬浮放电，如果密封不严使雨水侵入而使得绝缘性能降低。

(四)　油和油纸绝缘故障

变压器内绝缘的主要绝缘材料是变压器油和绝缘纸、纸板、本块等主要成分为纤维素的固体绝缘材料，这些绝缘材料受环境的影响将发生老化，分解出大量的纤维素，一旦这些纤维素在变压器受潮后，如有少量水分进入油中容易形成小桥连接，丧失绝缘强度，造成绝缘故障。

(五)　油流带静电故障

变压器油与固体绝缘界面上很容易产生正负电荷，当某处电荷积累密集达到一定的场强时，将会使固体绝缘受损伤，并最终导致绝缘故障。

(六)　引线故障

引线是变压器内部绕组出线与外部接线的中间环接，其接头是通过焊接而成，因而焊接质量直接影响到引线的故障发生。主要故障模式有引线短路、引线断路、引线接触不良。引线短路如不及时处理会导致绕组相间短路，引线断路应使变压器立即停止运行，接触不良将会产生局部高温烧断引线而使变压器停运。

(七)　套管故障箱、套管表面的温度可以发现如导电回路连接件接触不良、套管缺油和箱体涡流发热等缺陷。

套管是变压器内部绕组与箱外联接引线的装置，套管密封不严会发生位移和开焊，雨水循着套管进入变压器内部，极易导致变压器绕组短路或相间短路。如果套管表面积垢严重或者套管上有裂纹，会造成绝缘套管网络和爆炸，使变压器烧毁。

二、常用的诊断方法

由于变压器内部结构的复杂性，故障的形式也是多样的，要准确地判断出变压器的故障性质及故障发生部位非常困难，常用的变压器故障检测方法主要包括：

(一)　绝缘电阻试验

绝缘电阻试验能有效的检查出变压器绝缘整体受潮、部件表面受潮、脏污以及贯穿性的集中缺陷。

(二)　泄漏电流试验

泄漏电流试验测量灵敏度较高，能有效地发现变压器套管密封不严进水、高压套管裂纹等其它试验不易发现的缺陷。

(三)　介质损失角正切试验

介质损失角正切试验能发现变压器绝缘整体老化受潮和油质劣化的情况。由于变压器绝缘是由绝缘纸、绝缘油和瓷套管等构成的整体，由于表面泄漏电流的影响，测出的介损值无法有效反映绝缘局部受潮。

(四)　交流耐压试验

交流耐压试验能发现变压器主绝缘的局部缺陷，如绕组主绝缘受潮、开裂或绕组松动、以及绕组绝缘上附着有脏物等。

(五)　直流电阻试验

直流电阻试验可以检查分接开关和引线与套管的接触是否良好、接头是否松动、绕组是否断股、中间有无短路等缺陷，实际上也是判断各相绕组直流电阻是否平衡的有效手段。

(六)　空载试验

空载试验能发现变压器铁芯多点接地、铁芯硅钢片整体老化等局部绝缘不良或整体缺陷，根据交流耐压试验前后两次空载试验测得的空载损耗比较、判断绕组是否有匝间击穿情况等。

(七)　局部放电试验

局部放电以脉冲电流法和超声波检测法应用较为广泛，脉冲电流法利用铁心或中性点引下线捕捉局部放电的电脉冲信号，后者在油箱的不同部位采集局部放电引起的超声波信号。虽然局部放电的定量精确度不高，但对定性和定位有一定的作用。

(八)　红外测温

红外热成像测温技术应用于电气设备故障诊断中日益广泛，用红外测温仪测量套管出线端子的温度、油箱、套管表面的温度可以发现如导电回路连接件接触不良、套管缺油和箱体涡流发热等缺陷。

(九)　绕组变形试验

当绕组发生变形后，绕组尺寸的变化必然引起漏电抗的变化，利用阻抗电压法不但可以有效地判断变压器绕组是否存在变形，还可确定绕组变形程度。利用扫频 测量技术，测量变压器各个绕组的幅频响应特性，可以得到一组结构特性图谱，从而诊断绕组是否存在扭曲、鼓包和位移等变形情况。

(十)　油中溶解气体法

单纯依靠某一项电气试验得到变压器运行的真实状态比较困难，油中溶解气体分析法对发现其内部的潜伏性故障及早期故障非常有效。油中溶解气体分析法(DGA)是通过检测变压器油中溶解的各种特征气体的成分含量来判断变压器故障的方法，该方法不需要变压器停止运行，不受各种电磁干扰的影响，数据可靠性高，尤其对于过热性、电弧性放电和绝缘破坏性等故障有很好的效果。但是DGA也存在不足，操作比较复杂，不能捕捉到突发性故障的前驱迹象，当变压器内部气体含量较少时，很难对变压器故障进行诊断，当变压器多种故障类型同时出现时，会出现误判和判断不出的结果的情况，因此需要结合其它的方法。

三、人工神经网络

变压器内部故障诊断方法很多，如人工神经网络方法、模糊集理论方法、专家系统方法等。由于人工神经网络具有并行处理、学习和记忆、非线性映射和自适应能力等特点，为变压器故障诊断开辟了一条新的途径。

人工神经网络与常规的电气试验不同，它不包含具体的诊断规则，能够实现输入输出的非线性映射关系，但它并不是依赖于具体模型，其输入与输出之间的关联信息分布地存储于连接权中，它通过对己知故障样本的学习，达到对未知故障样本的诊断。研究最多的神经网络是前馈型神经网络(如BP网络，RBF网络)，由于BP网络采用按误差函数梯度下降的方向进行收敛，不可避免会出现收敛速度慢及容易陷入局部极小点的问题。RBF网络是以函数逼近理论为基础而构造的一种前向网络，研究表明无论在逼近能力、模式识别和学习速度等方面，RBF均优于BP网络，典型的RBF网络是由输入层、隐含层和输出层组成，如图所示：

第一层是输入层，它由信号源节点组成，第二层是隐藏层，第三层是输出层，隐藏层的变换函数采用RBF网络，RBF网络的输出为：

四、基于人工神经网络的DGA故障诊断

利用神经网络可有效地通过分析变压器油溶解气体来诊断电力变压器的内部故障。变压器故障按性质可分为热故障和放电故障，热故障又可分为低温过热(≤300°)故障和高温过热(≥700°)故障；电故障可分为高能量放电(电弧放电和比较强烈的火花放电)和低能量放电故障(局部放电和比较微弱的火花放电)，统计变压器油中分解出的H2、C2／H2、CH4和C2H4一共4种特征气体含量，作为4个输入神经元的输入向量。对输出层采用低温过热、高温过热、低能量放电、高能量放电作为四个输出值，输出值在[0，1]的范围内变化，表示故障发生的概率，数值越大则表明该类型故障的可能性越大，输出值最大为1，表示属于此类故障，输出值最小为0，表示不属于此类故障。

取4组特征样本对网络进行训练学习，见表l：网络的仿真结果见表2：

可以看出，神经网络的诊断结果和实际故障基本一致。

第7篇：故障诊断范文

【关键词】架空输电线路；故障；诊断

10　kV配网线路大多呈辐射状，供电半径大，运行环境恶劣，雷电、大风、暴雨、山体滑坡、外力破坏造成的故障发生率较高。故障发生后，由于线长面广，采用以往凭经验，分段、逐段、逐基杆塔检查等传统方法进行排查，费时费力，停电范围大、时间长，很难快速、准确查清，隔离故障区段。同时，由于10　kV线路干线长、支线多，大多线路处在山坡、沟壑之上，故障查找过程中人身安全风险系数增大。

1　输电线路故障原因分析

1.1短路故障的原因

产生短路故障的基本原因是不同电位的导体之间的绝缘击穿或者相互短接而形成的。三相线路短路一般有如下原因造成：线路带地线合闸；倒杆造成三相接地短路；受外力破坏；线路运行时间较长，绝缘性能下降等。两相短路故障的原因是：线弧垂大，遇到刮大风导线摆动，两根线相碰或绞线形成短路；外力作用，如杂物搭在两根线上造成短路；受雷击形成短路，绝缘击穿，电路中不同电位的导体间是相互绝缘的。

1.2断路故障的原因

断路是最常见的故障。断路故障最基本的表现形式是回路不通。在某些情况下，断路还会引起过电压，断路点产生的电弧还可能导致电气火灾和爆炸事故。断路点电弧故障：电路断线，尤其是那些似断非断点，在断开瞬间往往会产生电弧，或者在断路点产生高温，电力线路中的电弧和高温可能会酿成火灾。三相电路中的断路故障：三相电路中，如果发生一相断路故障，一则可能使电动机因缺相运行而被烧毁；二则使三相电路不对称，各相电压发生变化，使其中的相电压升高，造成事故。三相电路中，如果零线（中性线）断路，则单相负荷影响更大。线路断路一般有如下原因：配电低压侧一相保险丝熔断；架空输电线路的一相导线因故断开；导线接头接触不良或烧断；外力作用造成一相断线等。

1.3线路接地故障原因

线路接地一般有如下原因：线路附近的树枝等碰及导线；导线接头处氧化腐蚀脱落，导线断开落地；外因破坏造成导线断开落地。如在线路附近伐树倒在线路上，线跨越道路时汽车碰断等；电气元件绝缘能力下降，对附近物体放电。

2　输电线路故障诊断技术应用现状

2.1　故障诊断系统概述

故障诊断就是利用各种检查和测试方法，发现系统和设备是否存在故障，而进一步确定故障所在大致部位的过程。系统故障诊断是对系统运行状态和异常情况做出判断，并根据诊断为系统故障恢复提供依据。要对系统进行故障诊断，首先必须对其进行检测，在发生系统故障时，对故障类型、故障部位及原因进行诊断，最终给出解决方案，实现故障恢复。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。

2.2　输电线路故障诊断技术应用现状

输电线路故障诊断技术目前主要是借助于专家系统实现输电线路故障的识别与诊断。专家系统也是目前应用最为广泛和成功的人工智能技术之一。借助于专家系统，提前将输电线路可能发生的各种类型的故障特征录入专家系统，然后对输电线路设定门槛值，一旦输电线路的特征值达到预先设定的门槛值，且某种逻辑关系成立，则系统判定为发生故障，并根据系统预先设定的故障码给出故障诊断结果，这就是专家系统实现故障诊断的基本原理。

3　故障指示定位系统各组成部分动作机理

线路故障指示定位系统是用来对配电网中发生单相接地故障区段进行准确指示的一整套系统，由信号注入柜、故障指示器、中继器和监控软件4部分组成。

3.1信号注入柜的基本工作原理

信号注入柜的作用是作为注入电源，产生频率恒定的特殊电流信号以启动悬挂在线路上的故障指示器。信号注入柜的内部主要由整流电路、逆变电路滤波电感、滤波电容以及注入升压变压器等组成，各组成部分的参数均经过严格的计算和选择，以确保获得良好的注入波形和较高的注入效率。电网正常运行时，信号注入柜并不向其注入特殊的电流信号，此时悬挂在输电线路上的指示器也不动作，表示目前电网并没有发生单相接地故障。

3.2线路故障指示器和中继器的工作原理

线路故障指示器以特殊频率的电流信号作为判据，检测相应的故障指示器是否在电网单相接地的故障区间内。

3.3线路故障实时监控软件

开发的监控管理综合软件平全建立在标准的浏览器－服务器（bro　wser/server，B/S）构架上，采用.NET技术、传输控制协议－因特网互联协议（Transmission　Control　Protocol/Inter-net　Protocol，TCP/IP）、UPRS等技术处理来自各个现场的报警信息以及各种管理信息。这些数据通过受理、分析、处理和校验等过程，保证报警信息及时、正确地被记录分析，同时为维护部门提供需要的统计报表等分析数据。数据传输通道采用成熟的UPRS网络，只要有全球移动通信系统（glob-al　system　of　mobile　communication，USM）信号的地方，都能实现可靠通信。系统设置1台短信报警服务器，当系统监测到故障时，将自动通过短信服务器向指定人员（可同时多人）发送并记录报警信息。

4　实例分析

系统建成后，经过实际运行和对功能的不断完善、改进，取得了预期效果。快速准确的故障诊断、定位，缩短了故障处理时间，提高了供电可靠性。系统运行两年多以来，已经诊断出线路故障17次，故障定位准确率100%。以2011年12月13日20：15：57，10　kV某架空输电线路发生接地为例：发生故障后，系统反映支线区段发生接地故障，并诊断出支线B相接地，同时系统向运行人员发出501支线接地短信，运行人员迅速对支线的FTU开关进行了远程分闸，开关断开后系统显示接地消失，30　min内发现、隔离了故障区段。后经运行人员采用故障巡查装置监测，不到1小时就检测出故障点，故障原因为景区用户电缆爆裂引起接地。由于当时大雪过后，道路不通，如采用以往人员徒步巡查、分段推拉、逐基分组排查确定接地点的方式，预计需要1～2天时间。节约了故障处理成本，降低了故障查找过程中人身安全风险。

在山区地形复杂、路况恶劣，尤其在夜晚、阴雨、大雪、雷季等特殊情况下，按照以往故障处理方式，需与运行班站联动，出动车辆、人力，组织进行全线查巡，不仅费时费力，而且深沟、大山、河流、毒蛇、马蜂等危险源对巡查人员人身安全威胁极大。通过该系统应用，缩小了故障查巡范围，运行班站3～4人就能准确、快速的完成故障的查巡、隔离、处理，缩短了故障处理时间，节约了故障处理成本，降低了人员的安全风险。经对安装前后故障处理对比，现每次处理故障可节约成本约0.5万元。

实现对线路运行状况的监控和统计分析，提高了配网线路的运行监测水平。实现对线路不同区段负荷电流监视（遥测）以及FTU开关工作状态的远程查询（遥信）和控制（遥控），便于运行人员及时掌握线路的运行状态，采集的运行数据为今后电网建设规划和电力需求侧管理提供了准确的数据源。建设投资少，工期短，日常维护工作量小。通过对普通柱上真空开关改造，实现了原有开关的再利用，节约了投资成本，缩短了建设工期。同时利用GSM移动公网、电力线载波相结合方式实现数据传输，有效的降低了运行和维护管理成本。

参考文献：

[1]胡佐.小电流接地系统单相接地故障模糊选线新方法[J].南力电网技术，2008（9）.

第8篇：故障诊断范文

关键词：汽车故障 诊断方法

1 汽车故障

汽车故障就是指汽车部分或完全不能工作的情况，或是汽车零件本身以及零件之间配合状态不正常。

1.1 汽车故障类型

从知识表示的方便性出发，汽车故障主要包括以下两种：①汽车异响故障，如发动机异响、传动系异响等。这类故障的特点是一个故障部位会有几个不确定的故障。这些不确定性主要涉及到两点：一是在故障现象个数上是不确定的，二是在故障现象是否明显上不确定的，这些不确定，使它的知识表示与其他类型不一样。②汽车功能故障，如果发生了这样的故障，通常会有某些功能上的丧失或不完善的情况，如发动机不能启动、汽车制动跑偏等。这类故障的特点是两、三个故障现象事实上发生在一个故障部位，实际上，汽车使用者或维修人员是不难查出这类故障的。

1.2 汽车常见故障

常见故障是指汽车在行驶的时候可以及时排除的故障或无法排除的局部故障，严重故障是指汽车在行驶的时候不能排除的完全故障，致命故障是指造成汽车重大损坏的故障。

①汽车性能异常。这种故障主要是指汽车的动力性和经济性不好，这样就会造成很低的汽车最高行驶速度，也不具备较好的加速性能，耗油量明显的增多，在汽车里坐着也不舒服，过大的振动和噪声影响汽车使用者和其他人，汽车操纵上不具备良好的稳定性，很容易跑偏等。②汽车使用工况异常。汽车在使用过程中可能会出现一些突发的异常状况，要对这些可能发生的异常状况做好及时的预防措施，例如，如果汽车在运行的过程中出现突然熄火的情况，冬季发动机熄火后无法再发动，运行过程中突然不能进行中转了，还有更严重的情况就是汽车爆胎和汽车自燃起火等。这类异常的症状表现的比较明显，造成这种故障的原因并不简单那，主要是忽略了汽车内部的一些故障，最后转变成了突发性的故障。③汽车异常响声。汽车在运行中的种种故障，一般情况下都会通过异常响声的形式引起驾驶员和乘坐者的注意，有经验的驾驶员或者是车上的乘客，都能够通过声音产生的部位、频率、音色等找到汽车故障，如果这种响声比较沉闷并且伴有较强烈的抖振，说明发生了较厉害的故障，需要及时停车、使发动机的转速变小，也可以直接关闭发动机去查看故障部位，分析故障原因，有时候我们虽然听到了异常的声音，能够判断的确有某些部位产生了故障，但是汽车仍然能够正常行驶，所以不能当即找出是哪里发生了故障，故障原因是什么，出现这种情况时，要将汽车驶回基地或者是附近的汽车维修部门，让专业的维修人员查找故障并进行维修。④汽车异味。汽车在运行过程中最要注意的就是是否有异味出现，人可以通过鼻子的嗅觉闻到异味的存在。如果出现了异味，首先确定这异味是不是来自汽车，汽车异味主要有制动器和离合器上的非金属摩擦材料发出的焦臭味，蓄电池电解液的特殊臭味，汽车电气系统和导线烧毁的焦糊味。还有就是漏机油的烧焦味以及异常的汽油味，这些方面都要倍加注意。⑤汽车过热。这主要是指汽车各部的温度都要比正常使用温度要高。发动机温度过高，最显著的表现就是散热器开锅，汽车过热只有通过进一步的检查才能找出产生故障的原因，如果是因为行使的时间太久了，通常情况下还能正常使用。如果是内部机构故障，就要尽快对其进行故障诊断，及时采取排除故障的措施。⑥排气烟色异常。我们可以通过发动机排气的烟色来判断发动机是不是在正常运行，如果没有正常运行，发生了怎样的故障。当其处于正常工作状态时，排气烟色也是正常的颜色，如果排气烟色异常，那么说明发动机出现了不正常工作的情况。如果发动机烧机油排气呈蓝色，那么这是在警示我们要对发动机进行维修；发动机燃烧不完全排气呈黑色，如果燃油中或汽缸中有水，发动机排气呈白色，此时就要严格检查燃油或发动机。⑦汽车渗漏。主要包括燃油渗漏、机油渗漏、制动液渗漏、油渗漏等，以及电气系统渗漏蓄电池液和电气系统漏电等。汽车渗漏非常容易导致汽车过热和损坏机构的情况出现。⑧汽车外观失常。有时候我们会发现虽然汽车停放在平坦的地面上，但是却发现外观出现某种程度的歪斜，表现为外观失常。这时就要求我们仔细检查汽车轮胎气压是不是正常、是否出现了车架和悬架损坏的情况等。

1.3 汽车故障产生的原因

汽车故障的发生，是因为汽车在使用过程中，由于汽车零件的失效，其失效的主要形式是磨损、腐蚀、断裂、变形和老化等，使汽车的某些技术指标(如汽车的动力性、经济性、可靠性和安全性等)下降到允许限度以下时，汽车技术状况也就逐渐地或突然地发生变化，此时，汽车不能正常使用，就会发生故障。故障直接影响到汽车的零部件或总成甚至整个汽车的使用寿命，同时还影响到汽车燃料、油的消耗、运输效益和效率高低以及行车安全等问题。

2 汽车故障诊断的概念

第9篇：故障诊断范文

关键词: SF气体分解物; 故障诊断。

中图分类号：O659 文献标识码：A 文章编号：

一、引言

随着社会的不断发展, 特高压输电电压、超高压等级不断提高, 电力传输和变换容量迅速增大, 对电气设备也提出越来越高的要求。在我国SF 电气设备已有近40 年的历史, 由于具有优异的绝缘及灭弧性能, SF 电气设备被广泛地应用于电力系统中, 通过分析SF 气体分解物的生成机理及生成物特点, 可以诊断电气设备故障, 并推测出可能存在的缺陷。

二、SF 气体分解物的生成机理及其特点

2.1 SF气体分解物生成机理

根据大量研究发现, 纯净的SF 气体具有稳定的化学性质, 分解物在设备正常运行时较少, 而且分解后的低氟化合物复合率非常高。但是, 一旦设备出现故障, SF气体将发生较为复杂的化学反应。SF气体分解的主要原因除了异常过热外就是放电故障, 放电故障分为以下几类: 1）电弧放电。电弧会在正常操作断路器开断电流时产生, 在电弧的作用下, 发生反应SF SF+ F , 此外, 还有其他气体和固体生成物, 经过一段时间, 气体生成物大部分被吸附剂吸收, 而容器底部则有固体生成物出现。2）火花放电。放电能量较低, SF 气体分解物生成率低是火花放电与电弧放电的主要区别。3）电晕放电。电晕放电可能是由于局部电场强度的升高产生的, 分解物的多少与放电时间成正比, 在电晕放电中, 将产生较高浓度的SOF气体。4）过热分解。即使没有发生放电, 在导体接触不良造成局部过热的情况下, SF气体仍发生分解。

2.2 SF气体分解物的特点

SF 气体分解物在运行的电气设备中具有下面几个特点:1）较为复杂的分解物成分和杂质, 国内外研究机构对生成物进行分解研究, 最终得出的种类有二三十种之多; 2）SF气体分解物虽然种类较多, 但是含量大部分都特别低, 在μL/L 级就有很多; 3) 一般在SF 电气设备内部放置吸附剂, SF 的气体分解物有效地被吸附剂吸附, 但是也加大了通过检测分解物来诊断设备运行状况的难度; 4) SF气体分解物相当一部分含有毒性。

三、影响SF 气体分解物生成的因素

影响SF气体分解物生成的因素有以下几种: 1）电弧放电的能量。影响SF 气体分解物的主要因素是电弧能量, 气体分解物的生成率随着电弧能量增大、弧区温度升高而增大。2）电极材料。SF气体分解物在电弧作用下生成与电极材料有关, 铝电极是SF 气体分解物数量最高的, 而银氧化镉是最低的。3）绝缘材料。SF 气体分解物的组分和生成量会受绝缘材料的影响, 在高温过热情况下, SF 电气设备中的线圈绕组常用的固体材料会炭化, 随着温度的升高CO、CO 气体含量也会增大。4）水分和氧气。水分和氧气极大影响着SF 气体分解物的组分和生成量, 在水分和氧气的影响下, SF气体在燃弧期间的主要分解物SF和金属氧化物发生下列反应: 2 SF + O 2SOF , SF +HO SOF+ 2HF,2 SOF + HO 3SO F+ 2HF, SO F+ HO S O +2HF。

四、应用SF 气体分解物进行电气设备故障诊断的情况

只分析SF 气体的部分分解物就能诊断出电气设备故障的位置或内部缺陷, 为了快速找出电气设备内部故障点, 可以根据SF气室的检测环境, 分析具有代表性的分解物。应用SF6气体分解物进行电气设备故障诊断的情况有以下几种。

4.1 检测SF 气体分解物中CF 、可水解氟化物含量及诊断设备内部放电故障

在送电时, 某变电站的GIS(气体绝缘金属封闭开关) 设备发生短路, 断路器C 相由于短路发生跳闸事故, 为了对故障情况进行确定, 在故障发生6 个小时后, 分析相关气室的SF 气体分解物, 发现可水解氟化物及CF 在SF 气体分解物中的含量增加明显。利用气相色谱法对发生故障前的该气室进行分析检查, CF 的含量为零, 发生故障之后再进行检查, 发现气室中的CF含量为50 μg/g, 经过初步检查认为气室存在固体绝缘故障问题, 后经解体检查证实气室中动触头的绝缘子表面有30cm面积的电弧灼伤痕迹。另外, 要随时注意可水解氟化物及CF 在SF气体分解物中的含量的变化情况, 若含量持续增加, 很可能会发生电气设备故障, 随时监测, 有利于早期、迅速地发现设备故障。

4.2 检测SF 气体分解物中SO、HS 和HF 含量发现设备放电及过热故障

在水分的影响下, SF 在放电和热分解时产生的气体主要有SO 、HF、SOF2 和SOF2。但是, 当固体绝缘材料发生故障时,将会产生CF 和HS 等气体。在电晕和裸金属低能量放电时,如果故障电流较小, 则检测不出HS 气体的存在, 只有当电流较小时, HS 气体才能被检测出, 所以, 裸金属放电能量大小与HS 含量多少密切相关。HF、HS 和S O 这3 种气体在现场检测时是属于内部故障的特征组分。某单位利用HF、HS 和S O含量检测SF6电气设备故障, 通过对500 多台SF 电气设备进行试验检测, 9 次确认了故障部位, 此方法在该单位已成为SF6电气设备预防性试验检测方法。

4.3 检测SF 电气设备中CO、C O 含量发现设备过热故障

CO 和CO会在SF 气体中的固体绝缘过热后产生, 它们的含量与过热时间和过热点温度密切相关。绝缘纸在模拟实验中温度达到150℃ 时出现炭化迹象, 固体绝缘物产生的CO 含量随着温度的升高而快速增加, 而CO 气体增加较慢。因此,利用监测CO 和CO气体含量增加的速度, 可以检测出SF 线圈类、气体绝缘变压器以及互感器的绝缘过热等电气设备故障问题。

4.4 通过检测SF 气体分解物中SOF2、S O 总含量增加发现设备故障

SOF是SF 电气设备内气体分解物中极具代表性的气体生成物, 在设备内水分增加的情况下, SO F 会继续反应生成HF和SO , HF 是一种极易溶解于水的气体, 在水中溶解后生成氢氟酸, 氢氟酸与设备内部金属和杂质反应生成Cu F、S iF 等固体物质。由于这些原因, 设备发生故障后一般都检测不到HF的含量或者检测到的量值非常小。SF 气体的分解物数量虽然非常多, 但只有SOF 和SO 能容易检测出来, SO F 随着水分的持续增加继续分解生成SO 。在设备故障诊断中单独检测SO F 或SO 都不能达到目的, 检查两者的总量才能查找到故障部位和性质。

五、结语

SF 气体在一些作用下能分解产生特征气体, 电气设备故障状态可以通过特征气体的体积分数来进行判断, 但是, SF 气体由于设备发热而造成在分解时温度较高, 存在一定的滞后性, 所以故障和缺陷仅靠检测SF 气体的分解物是不够的。目前在分析判据上还没有统一的结论, 这就需要工作人员进行更加细致和深入的研究。

参考文献:

[ 1] 连鸿松. 根据SF 气体分解产物诊断电气设备故障[ J] .福建电力与电工, 2005, 25( 3)

[ 2] 毕玉修, 卞超. 应用SF 气体分解物进行电气设备故障诊断的探讨[ J] . 江苏电机工程, 2007 , 26( 5)