现代工业生产、电力系统及产业部门以至我们的日常生活,几乎离不开各种各样的电机,它们已是当今生产活动和日常生活中最重要的驱动装置,电机是运用自动控制技术的 ,且其也已广泛用于航天航空、医学和工业生产过程等领域,构成自动控制系统的基本单元是电子元器件和机械零部件,所以元器件可靠性是系统可靠性的基础。组成控制系统的各个基本环节发生故障的可能性变大。

故障诊断(FD)始于(机械)设备故障诊断,其全名是状态监测与故障诊断,它包含两方面的内容:一是对机器运行状态进行监测;二是在发现异常情况后对设备的故障进行分析,设备故障诊断是随设备管理设备维修发展起来的。故障诊断理论是在本世纪70年代初期首先从美国发展起来的,美国麻省理工学院的Beard(1971年)首先提出了用解析冗余代替硬化冗余,并通过系统的自组织使系统闭环稳定,通过比较观测器的输出得到系统故障信息的新思想,标志着这门技术的诞生,70年代是其发展的初级阶段,出现了一些简单的故障算法,但是应用实例很少,理论还不成熟,80年代故障诊断理论得到了蓬勃发展,有一种新的理论方法提出,理论的实际应用也得到了发展,不过技术应用面还是比较狭窄,主要集中在航天、船舶、发电厂、核电厂等一些专门领域,使用的故障诊断方法主要是基于观测器(滤波器)方法或是系统辨识和参数估计方法,90年代以后,人们对于故障诊断理论的研究更加深入,各种方法相互渗透和融合,理论应用的领域也有了很大的扩展,参数估计和观测器(滤波器)方法仍然是使用得最多的故障诊断方法。该方法一直发展至今。具体来讲,故障可划分为四种类型:

1.被控对象故障对象的某一子设备不能完成原有的功能。

2.仪表故障包括传感器、执行器和计算机接口的故障。

3,计算机软件故障包括计算机诊断程序和控制算法程序的故障。

4.计算机硬件的故障。

现阶段,高可靠性的控制系统是必需的。在计算机控制系统中,计算机硬件和软件的可靠性已达到了较高水平,而传感器和执行器的故障己成为导致控制系统失效的主要原因,然而,当故障发生时,有些控制方法并不总能奏效。生产和科研急需进行故障诊断,并将故障造成的损失降低到最小限度,这使得控制系统的故障诊断，这一很有意义的学科应运而生。在现代工业自动化生产过程中,故障诊断正成为一种提高生产效率和保证质量的关键技术,如机械零部件的合格检测、生产设备的故障维修及生产线的自动监控。在国防和航天领域,故障诊断也具有相当重要的应用意义,如查找火箭发射失败的原因、飞行器的飞行监控等等。当传统的诊断方法,是通过检测信号,再由有经验的人员结合经验知识,进行分析判断,找出故障原因和发生部位,并采取相应的维修措施。这种方法的缺点是完全依靠人的主观意识,存在很大的随机性和不确定性,容易发生”误诊”和”漏诊”现象。另外一种方法就是建立数学模型,这种方法就是根据系统参数的估计值与其正常值之间的偏离数值,判断出系统的故障状况。当前的控制系统变得越来越复杂,很多情况下要想获得系统的精确数学模型是非常困难的。同时,由于系统故障是多种多样的,其故障和征兆之间不存在简单的一一对应关系,故障诊断往往是一种探索过程。随着计算机技术的发展及智能技术的应用,诊断技术己开始进入一个新阶段,即智能化诊断阶段,这是一个基于专家知识智能技术的诊断方法。该方法对复杂人系统的诊断尤其有效,其中基于神经网络的控制系统故障诊断是近年来出现的一种新方法,由于神经网络具有处理复杂多模详细摘要式及进行联想、推测和记忆功能,它非常适用于故障诊断系统。它具有自组织自学习能力,能克服传统专家系统当启发式规则未考虑到时就无法工作的缺陷。因此,将神经元网络应用于过程检测系统已成为一个非常活跃的研究领域。利用神经网络强人的分类能力,进行故障模式的分类与学习,诊断出故障。可以说,神经网络是基于物理模型方法和基于数学模型方法的一个综合,它可发挥两者的长处,使故障诊断的范围更宽,诊断准确性更高。将神经网络应用于控制系统的故障诊断之中,能够提高故障诊断的快速性,使故障诊断更为精确,具有巨大的价值。在早期，中国就有人将RBF神经网络应用于故障诊断中,并且利用了MATLAB软件，结合了对故障诊断的要求，实现了应用于矿井提升机液压站模块的故障诊断。同时期，也有人把蚁群神经网络应用到发动机的故障诊断专家系统的研究中，解决了传统专家系统的缺陷，克服了神经网络BP算法收敛速度慢,且容易陷入局部极小的缺点,采用一种新型的进化算法（蚁群算法）,将其与神经网络相结合,建立一种基于蚁群神经网络的专家系统,实现故障诊断的高效、迅速,为发动机故障诊断提供新的途径。随后又有人在基于DSP的人工神经网络电力电子电路故障诊断中也用了神经网络技术，虽然神经网络模型多种多样,且它们是从不同角度对生物神经系统不同层次的描述和模拟。但有代表性的网络模型有感知器、多层映射BP网络、RBF网络和Hopfield模型等。利用这些网络模型了实现函数逼近、数据聚类、模式分类、优化计算等功能。因此,神经网络在人工智能、自动控制、机器人和系统故障诊断中得到了广泛应用。后来又有人以小波分析作为神经网络的前处理器,提取故障特征;对神经网络的输入和输出进行处理,输入为故障特征量,输出为故障类型,利用BP神经网络进行诊断,建立基于小波变换和神经网络的故障一诊断系统。最后利用测试数据对己经训练好的网络进行检验,得到良好的测试结果,因此,小波神经网络能够使电机故障诊断更加智能化。故障类型与故障征兆之间的关联关系是复杂的非线性关系,有一些控制系统非常复杂,建立精确的数学模型是非常困难的,故障类型与故障征兆之间关联严重,并不是简单的一一对应关系,常规的故障诊断方案已经越来越难于满足实际控制过程中的要求,传统的故障诊断方法很难实施,因此有必要对传统的故障诊断方案进行改进,或者采用更为智能化的故障诊断系统,以取得更好的故障诊断效果。众所周知，训练过的神经网络能存储有关过程的知识,能直接从定量的故障信息中学习,可以通过对象的各种状态信息训练网络,再用训练好的网络对当前所测得的数据信息进行识别,确定故障。因此,人工神经网络非常适合应用于故障诊断系统。其中,在故障诊断领域中用得最多也最有效的是前向多层神经网络,由于该网络在训练过程中采用了BP算法,故称为BP网络。BP神经网络以其并行分布式处理、联想--记忆、自组织及自学习能力和极强的非线性映射能力,特别适合于多故障、多征兆的复杂模式识别问题。采用基于神经网络的故障诊断方法,它不依赖于系统的数学模型,而是根据故障信息,设计出智能程序,以此来解决复杂系统的故障诊断问题。由于神经网络具有很好的逼近非线性函数的能力,并且具有自组织、自学习的特点,当系统在遇到未见过的新故障信息或现象而不能正确处理时,神经网络可以利用它的相似性、联想能力进行诊断。由于RBF和BP具有结构简单、可操作性强、具有较好的自学习能力、能够有效的解决非线性目标函数的逼近问题等优点。所以我打算在故障诊断仿真过程中,分别对BP网络和RBF网络进行介绍,并分析BP网络和RBF网络各自的特点,再进行了比较 ,并进行Matlab仿真分析,由于对于不同的数据,建立的神经网络的模型是不同的,在确定神经网络的结构时,会作大量的仿真,并对BP算法中的参数值(学习率初始值、惯性因子初始值、隐含层节点数)的不同取值进行比较,再最终确定参数的折中值,以使故障诊断快速、准确。