故障預測算法分類

故障預測算法分為三類：

• 基于模型(model-driven)的故障預測技術；
• 基于數據驅動(data—driven)的故障預測技術；
• 基于統計可靠性的故障預測技術。

基于模型的故障預測技術

基于模型的故障預測指采用動態模型或過程的預測方法。物理模型方法、卡爾曼／擴展卡爾曼濾波／粒子濾波以及基于專家經驗的方法等均可劃為基于模型的故障預測技術。

基于模型的故障預測技術一般要求對象系統的數學模型是已知的，這類方法提供了一種掌握被預測組件或系統的故障模式過程的技術手段，在系統工作條件下通過對功能損傷的計算來評估關鍵零部件的損耗程度，并實現在有效壽命周期內評估部件使用中的故障累積效應，通過集成物理模型和隨機過程建模，可以用來評估部件剩余壽命的分布狀況，基于模型的故障預測技術具有能夠深入對象系統本質的性質和實現實時故障預測的優點。

基于統計可靠性的故障預測技術

在某些情況下，確定一個完整的動態模型，給出輸入和輸出之間的系統微分方程，可能是不必要的，也可能是不現實的。通常，基于統計可靠性或者說是基于概率的故障預測方法適用于從過去故障歷史數據的統計特性角度進行故障預測。

典型的基于統計可靠性的故障概率曲線就是著名的“浴盆曲線”。即在設備或系統運行之初，故障率相對較高，經過一段時間穩定運行后，故障率一般可以保持在相對比較低的水準，而后，再經過一段時間的運轉，故障率又開始增加，直到所有的部件或設備出現故障或失效。

基于統計可靠性的故障預測方法包括貝葉斯方法、Dempster-Shafer理論、模糊邏輯等。所有這些方法一般都是基于貝葉斯定理估計故障的概率密度函數。

基于數據驅動的故障預測技術

基于測試或者傳感器數據進行預測的方法稱為數據驅動的故障預測技術，典型的基于數據驅動的故障預測方法有：人工神經網絡(artificial neural networks，ANN)、模糊系統(fuzzy systems)和其他計算智能方法。

基于數據的故障預測技術不需要對象系統的先驗知識(數學模型和專家經驗)，以采集的數據為基礎，通過各種數據分析處理方法挖掘其中的隱含信息進行預測操作，從而避免了基于模型和基于知識的故障預測技術的缺點，成為了一種較為實用的故障預測方法。

人工智能技術

神經網絡

基于模糊規則的系統和模糊神經網絡

決策樹

圖模型

統計技術

多變量統計方法

線性和二次判別式

局部最小二乘

規范變量分析

信號分析

線性和二次判別式

局部最小二乘

規范變量分析

信號分析

總結

以上是生活随笔為你收集整理的故障预测方法分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。