天有不測風雲，人有旦夕禍福。故障診斷就是為這句諺語做的預防准備，目前在這個知識海洋中，找出有用的知識，然后進行故障診斷，就是一個廣義的概念。本文主要只是做了一個簡短的介紹，后續將引進更加專業的知識，構建自己的知識體系，完成專業方面的知識缺陷。歡迎大家積極反饋，我將寫出更出彩的博客。
名詞列表
| 名詞 | 英文 |
|---|---|
| 人工智能 | Artificial Intelligence |
| 大數據 | Big data |
| 智能故障診斷 | Intelligent fault diagnosis |
| 微小故障 | incipient faults = mini-faults |
| 初始故障 | early faults |
| 故障診斷 | fault diagosis |
| 故障檢測 | fault detection |
| 定性診斷 | qualitative diagnosis |
| 定量診斷 | quantitative diagnosis |
| 圖論方法 | Graph theory method |
| 故障樹分析法 | Fault tree analysis method |
| 專家系統 | Expert system |
| 狀態估計法 | State estimation method |
| 數據驅動方法 | Data-driven method |
| 信號處理 | signal processing |
| 連續小波變換 | Continuous wavelet transform |
| 經驗模式分解 | Empirical mode decomposition |
| 本征模態函數 | Intrinisic mode function |
| 統計分析法 | Statistical analysis method |
| 隱馬爾可夫模型 | Hidden markov models |
| 支持向量機 | Support vector machines |
理解方式的改變
隨着理解信息的維度不斷增加，我們對這個世界的看法也在發生着改變，追究其本質，其實各個維度之間存在着相互轉化的關系。信號可以轉化為信息，信息可以轉化為知識，知識可以服務於智能，智能又能輸出海量數據，再從數據中提取信息，這是一個太極八卦，循環不斷，逐漸逼近某個准則，促使着世界的改變。
大數據特征
**大數據**：Big Data，特定活動產生的海量數據。大容量（Volume）：海量性，數據量極大；
低密度（Veracity，Value）：數據價值低，數據提純技術要求高；
多樣性（Variety）：各種數據融合，導致數據信息相互干擾耦合，數據表征困難重重；
時效性（Time）：特定的時間，數據表現不一樣，要求數據處理的時間短，及時發現有用信息；
高速性（Speed， Flow）：數據流動速度快。
故障診斷流程
故障診斷流程如下圖：
信號獲取：系統物理信息的外在感知
特征提取：分析信息，揭示信息背后的狀態
故障識別與預測：基於提取的特征，通過人工智能模型和方法識別並預測故障。
信號獲取
信號的獲取一般通過測量，常用的就是傳感器（sensor），這涉及到傳感器技術。| 常見可以測量的物理量 |
|---|
| 機械量：長度、厚度、位移、速度、加速度、旋轉角、轉速、質量、重量、力、壓力、力矩、風速、流速、流量 |
| 聲：聲壓、噪聲 |
| 磁：磁通、磁場 |
| 溫度：溫度、熱量、比熱 |
| 光：亮度、色彩 |
信號源：
| xx | xx |
|---|---|
| 接觸信號 | 振動信號 |
| 磨損信號 | 聲場信號 |
| 電信號 | 聲發射信號 |
| 應力應變信號 | 熱信號 |
| 多物理場信號 | 渦流信號 |
信號處理一般情況下通過傳感器將采集到的物理量（信號）通過電路轉化為電信號用於分析，如圖所示：
特征提取技術
- 基於時域信息的特征提取
- 基於頻域信息的特征提取
- 基於時頻域信息的特征提取
未來發展方向
- 建立標准大數據庫
- 大數據可靠性評估
- 故障信息智能表征
- 基於深度學習的故障識別
微小故障診斷方法[2]
