1．状态估计法

状态估计诊断法的基本思路是通过比较重构模型得到的测量值与系统实际输出值，得到残差量，然后根据残差量的大小来判断设备是否出现故障。

2．参数估计法

参数估计方法是一种根据系统参数估计值与实际值做差得到的残差值的大小来判断系统是否出现故障的故障诊断方法。参数估计方法的基本思路为建立诊断对象的输入输出模型来对系统的参数信息进行检测估计，将系统参数的估计值转换成物理参数估计值，然后将其与实际测量值做差，得到残差值，再通过残差值的大小来判断设备是否出现故障。

3．等价空间方法

等价空间方法的基本思路是通过提取系统数学方程得到的估计值，然后将其与实际测量值进行做差，得到系统估计值与实际值之间的残差，根据残差的大小来判断设备是否出现故障。 基于统计的故障诊断方法

基于统计的故障诊断方法是一种大数据量数据分析处理的有效工具，其将复杂的、维数高的原始数据转变成简单的、维数低的特征数据，这样处理不仅去掉了数据的冗余信息和干扰信息，而且还保留了原始高维数据的特征信息，是一种有效的故障诊断方法。基于统计的故障诊断方法主要有贝叶斯理论和证据推理理论等。

1．贝叶斯理论

贝叶斯理论就是用主观概率来对事物的未知信息进行估计，利用贝叶斯公式对主观概率进行修正，进而根据期望值和修正概率做决策的过程。运用贝叶斯理论首先得知道运用对象的先验概率，进而才能根据贝叶斯公式得到后验概率，然后依据后验概率就能够对事物进行决策了。贝叶斯理论存在一些难点，比如先验概率难以获取、最优假设确定的计算代价很大等。

2．证据推理理论

证据理论是一种不精确推理理论，同贝叶斯理论相比，对于限制条件方面相对比较弱一些，对于待诊断对象未知信息的获取方面显得更直接。目前，证据理论在医学诊断、目标识别及军事指挥等领域都得到了应用。

基于人工智能的故障诊断方法

基于人工智能的故障诊断方法以知识处理为核心，融合各个领域专家的丰富诊断知识和经验，通过获取信息的特征，进而实现故障诊断的一种方法。人工智能的故障诊断方法，不用建立一套完整的故障诊断数学模型，就可实现从故障预测到维修决策的知识化和智能化，因此，该方法的应用前景十分广阔。基于人工智能的故障诊断方法主要支持向量机、专家系统以及故障树分析方法等。

1．支持向量机

支持向量机最初利用统计学习理论和结构风险最小的原理来处理二分类问题，后来经过发展成为一种适用于多故障诊断的智能方法。支持向量机使用数学方法和优化技术，能够找到一种学习能力适中且比较简单的数学模型来解决一些故障数据获取难、非线性以及比较复杂数据的识别等实际应用问题。目前，支持向量机在航空发动机故障诊断领域也获得了一些发展。

2．专家系统

专家系统方法是利用智能诊断理论和计算机理论，结合待诊断对象领域专家多年的诊断经验，进行识别和演算，使得专家判断故障的思维过程贯穿于整个智能故障诊断系统中，这样待诊断对象的复杂问题就简单化了。目前，一些大型复杂机器的故障诊断也有一些应用了专家系统。

3．故障树分析方法

故障树分析方法是利用树状图形推理将待诊断对象的故障逐级细化到最底层故障的一种分析方法，能够将系统与部件、故障与原因之间的对应关系反映出来，可以同时对故障做定性和定量分析，使得诊断过程清晰化。故障树分析方法的基本思路为：首先，找到所研究对象的顶事件，即研究对象最严重的故障类型；其次，寻找介于最严重故障和最简单故障之间的故障，即中间故障；最后，将中间改组进行展开到最基本的故障原因，即底事件。

诊断算法详细介绍

基于支持向量机的航空发动机整机振动故障诊断

航空发动机整机振动故障频发，故障样本数据也很难获取，严重阻碍了故障诊断的发展。然而，支持向量机能够较好的解决故障样本获取难、故障样本少等问题，具有非常强的分类能力，弥补了航空发动机整机振动故障样本少的缺点。

因此，支持向量机可为航空发动机整机振动故障诊断提供一种可行方法，可以利用支持向量机作为故障分类器，进而进行故障诊断。航空发动机整机振动故障的诊断过程一般通过四步实现：特征信号检测、特征提取、故障模式识别以及维修决策，具体模型如图所示。

图1 航空发动机整机振动故障诊断模型

基于小波包的航空发动机整机振动故障诊断技术 1. 小波基的选取 （1）小波基函数

与传统的 FFT 不同，小波包变换要根据振动信号的特点选取小波基，而不同的小波基在波形形状、支撑范围和正则性上存在着很大的不同，因此选择不同的小波基对同一信号进行小波包处理所得的结果存在着很大的差别。

db小波和sym小波的光滑性较好，能够保证小波基函数的光滑性，因此具有较好的局部化分析能力，在频域上和时域上也具有良好的分割能力。 （2）小波阶数的选择

由于db 小波分解层数越多，正则性条件越好，幅频特性也越接近理想，这样就能够有效地对振动信号进行处理，提取频率特征。db小波的阶数并不是越大越好。阶数越大，阻带内的衰减速度加快，过渡带变窄，能量泄露问题越严重，滤波器在时域跨越的时间段就会越长，时域分辨率越低，对信号处理过程中的时域和频域分辨率影响较大。

2. 小波包分解层数的确定

小波包算法可以将整机振动信号分解到高频段和低频段内。本文利用小波包对振动信号进行分解，得到各个频段的系数，并分别进行重构，得出频谱特征，提取故障特征频率。小波包分解层数关系到对原始信号重构的问题，当小波包分解层数 n 比较大时，振动信号被分解到[0, fs/2n ]，fs为采样率，频带越多，对原始信号的重构信号信息越多，特征越明显；当然，小波包层数并不是越多越好，多分解一层，小波包的计算量会增加一倍，频带污染也会更严重。

对各位置振动信号进行小波分解，获得分解后单个节点重构信号的时域图及其频谱图，从而进行故障诊断分析。

基于Hilbert-Huang变换的发动机整机振动故障诊断 算法略。