常用故障预测技术：如何准确预测故障？

故障预测技术与故障诊断技术密切相关，故障预测是发现故障的过程，而故障诊断是对故障进行定位的过程。故障预测通过监测和监控液压元部件的征兆指示，沿故障发生到失效的时间线不断进行精确的剩余使用寿命预计。故障预测的方法包括三大类：参数模型法、非参数模型法和失效物理法。

1.基于参数模型的故障预测方法

参数模型预测法首先对观测的历史数据（序列）的模型做一定的假设，然后经过模型参数的估计得到相应的预测值。常用的参数模型有多项式拟合、主观概率预测、回归预测（ARMA）、确定时间序列、卡尔曼滤波器、灰色模型预测、随机型时间序列等方法。基于经典时间序列分析方法是通过建立预测模型，对下一次故障发生的时刻做出预测。该预测方法仅适用于线性模型拟合数据序列，不适用于预测非线性系统。另外，这类方法还有一个不足，即如果模型的假设与实际不符合，预测性能就会很差。

2.非参数模型预测方法(www.xing528.com)

非参数模型不需要系统精确地数学模型，主要采用基于神经网络、粗糙集、模糊聚类、模糊神经网络、灰色预测、小波神经网络等方法。神经网络具有极强的非线性映射能力，在故障预测方法中受到广泛关注。Lapedes等人最早采用时间序列的神经网络进行时间序列预测，他们用非线性神经网络对计算机产生的时间序列仿真数据进行学习和预测，验证了神经网络预测结果优于ARMA模型。最近几年，由聚类运算法则和模糊集理论结合产生了模糊聚类算法，并应用此算法进行了语音识别和医学信号分析等不稳定模式的分析和预测。模糊理论和神经网络结合也对故障预测的发展进行了有益的尝试。Wilson等提出了神经-模糊系统设计机械寿命预测系统，证明了经过恰当的训练后，神经-模糊系统无论在训练精度上还是在训练速度上都优于神经网络。粗糙集理论对数据具有分析和推理能力，将粗糙集与故障预测相结合，可以实现多传感器数据的属性简约、提取规则、建立预测变量模型及故障预测。灰色预测样本需求小，模型表达式与计算简单，便于应用，近年来得到了广泛的关注和研究。

3.失效物理故障预测

采用以上方法进行故障预测依赖于采集到历史数据和预测模型选择的正确性。一般而言，液压系统元件的故障发展过程与其承受的载荷、材料特性和损伤累积过程有关。短期内的故障预测意义不大，中长期的故障预测用假设的预测模型或神经网络描述也不客观公正；而真正能够反映液压元件故障发生发展过程的是其疲劳、磨损和老化过程，基于以上失效物理过程进行的故障预测与实际工况更为吻合。