DSHP分层强化学习在故障诊断与预测中的研究

硕 士 学 位 论 文

（学位研究生）

题目：基于DSHP分层强化学习

在故障诊断中的研究

作 者：

学科专业： 软件工程 指导教师：

2010年 3 月

西北工业大学硕士学位论文 摘要

Northwestern Polytechnical University

A Dissertation Submitted for the

Master Degree

Title：Research on Fault diagnostic

Based on DSHP Hierarchical Reinforcement learning

Author: Duan Fangfang Disciplines: Software Enginerring Supervisor: Du Chenglie

March 2010

西北工业大学硕士学位论文 摘要 摘 要

PHM技术是最早在美国军方提出和发展起来的，PHM 使美国武器系统传统机内测试（BIST）和健康状态的监控能力进一步增强，实现了从武器状态监控到健康管理的转变，借助故障预测和健康管理系统识别以及管理故障的发生、规划维修和决策保障，从而降低使用和维护费用。

本研究以新一代飞机对机载软件的高安全性和对预测与健康管理的需求为背景，针对实时嵌入式机载软件的特点及其故障诊断与预测模型的复杂性，对基于软件传感器的采信信息源分类与获取、故障诊断与预测方法进行研究，并在其中加入分层强化学习算法，本文的主要工作是将一个因子状态，层次和模型的新型联合，从而解决了两个重要问题。第一，它显示了模型如何可以不被因子状态破坏而和层次结合。算法展示了自由模型学习下的最优样本复杂性；第二，我们的方法的联合保留了基于模型学习的多项式样本复杂性。最终，我们展示了第一个最优样本和计算复杂性的因子状态强化学习算法，并将该算法应用到PHM故障诊断和预测系统中。

通过基于PHM的故障诊断系统的整体框架结构，分别介绍了各个模块的实现原理。将软件传感器应用于数据采集中，提高了数据采集的效率，很大程度上减少了数据损失率。在故障诊断模块中，提出了基于日志的故障诊断系统框架，介绍了分层强化学习算法在故障诊断系统的实现，对系统工作流程进行了详细的介绍。最终形成了DSHP分层强化学习的故障诊断的系统模型。并在bitflip域中对该分层强化学习算法进行测试，测试结果显示DSHP是唯一在计算和样例复杂度上为多项式增长的算法，将其应用与故障诊断模型中可以很好的完成故障诊断和识别。

关键词：PHM(Prognosties and Health Management)技术，分层强化学习，

DSHP(Deterministic Sample Based Hierarchical Planner)，故障诊断与预测，软件传感器

西北工业大学硕士学位论文 ABSTRACT ABSTRACT

PHM technology is the first in the United States military presented and developed, PHM U.S. weapons systems, the traditional built-in test (BIST) and health status monitoring capability further enhanced to enable the state from the arms control to health management changes, with failure prediction and health management system identification and management of faults, planning and decision-making maintenance of security, thereby reducing the use and maintenance costs.

In this study, a new generation of aircraft on-board software, high security and health management of forecasting and demand for the background for real-time embedded airborne software features and fault diagnosis and predictive models of the complexity of the software-based sensor credible source of information classification and access, fault diagnosis and prediction method to study and to include a hierarchical reinforcement learning algorithm, this paper's main task is a factor state, level and models of the new joint, in order to address two important issues. First, it shows how the model can not be destroyed, but the factors and levels of state integration. Algorithm shows a free model of learning under the optimal sample complexity; Secondly, our method retains the joint model-based learning polynomial sample complexity. Finally, we show the first sample and an optimal computational complexity of the factors the state reinforcement learning algorithm, and that the algorithm is applied to PHM fault diagnosis and prediction system.

PHM-based fault diagnosis system, the overall frame structure, introduced the principle of the realization of each module. The software used in data acquisition sensors, the increase in the efficiency of data collection, has considerably reduced the rate of data loss. In the fault diagnosis module, the proposed log-based fault diagnosis system framework, introduced the hierarchical reinforcement learning algorithm in fault diagnosis system, the realization of the system workflow in detail. Eventually formed DSHP hierarchical reinforcement learning fault diagnosis system model. Bitflip domain in the hierarchical reinforcement learning algorithm that tests showed that DSHP is the only sample in the calculation and the increase in complexity for the polynomial algorithm for its application and fault diagnosis model can be a very good the completion of fault diagnosis and identification.

西北工业大学硕士学位论文 目录 Key words: PHM technology, HRL(Hierarchical Reinforcement Learning),

DSHP(Deterministic Sample Based Hierarchical Planner), Fault diagnose/prediction，Software Sensors

西北工业大学硕士学位论文 目录 目录

摘 要 .............................................................................................................................................. III ABSTRACT ...................................................................................................................................... I 目录 ................................................................................................................................................ III 第一章 绪论 ............................................................................................................................... 1

1.1 PHM技术的发展及应用概况 ........................................................................................ 1

1.1.1 PHM技术的发展 .................................................................................................... 1 1.1.2 PHM系统组成 ........................................................................................................ 3 1.2 强化学习的发展和应用 .................................................................................................... 3

1.2.1强化学习的发展 ...................................................................................................... 3 1.2.2强化学习的应用 ...................................................................................................... 4 1.3 论文章节安排 .................................................................................................................... 6 第二章 分层强化学习和故障诊断与预测 ............................................................................... 1

2.1有关故障诊断和预测的基本概念 ..................................................................................... 1

2.1.1故障诊断任务 .......................................................................................................... 1 2.1.2基本概念 .................................................................................................................. 1 2.2故障诊断和预测方法 ......................................................................................................... 2

2.2.1基于案例的方法 ...................................................................................................... 2 2.2.2基于模型的方法 ...................................................................................................... 3 2.2.3基于信号处理的方法 .............................................................................................. 3 2.2.4基于知识的方法 ...................................................................................................... 4 2.3 分层强化学习 .................................................................................................................... 6

2.3.1分层强化学习方法研究现状 .................................................................................. 6 2.3.2任务自动分层方法研究现状 ................................................................................ 11 2.4 本章小结 .......................................................................................................................... 14 第三章 DSHP分层强化学习算法.......................................................................................... 16

3.1 MDP和SMDP ................................................................................................................. 16 3.2 Rmax与MaxQ ................................................................................................................. 17

3.2.1因子状态MDP ...................................................................................................... 17 3.2.2 Rmax ...................................................................................................................... 18 3.2.3 MaxQ ..................................................................................................................... 18 3.3 DSHP：（A Deterministic Sample Based Hierarchical Planner）一个基于样本的确定性分层计划 ................................................................................................................................. 20

3.3.1数据结构与程序 .................................................................................................... 21 3.3.2 DSHP的分析 ........................................................................................................ 23 3.3.3算法的正确性 ........................................................................................................ 24 3.4 实验结果 .......................................................................................................................... 24

3.4.1 测试样本域 ........................................................................................................... 24 3.4.2 Bitflip域 ................................................................................................................ 25 3.5 本章小结 .......................................................................................................................... 27 第四章 故障诊断与预测系统的设计与策略研究 ................................................................. 28

4.1 基于PHM 的故障诊断系统构建—系统结构设计 ...................................................... 28 4.2 数据采集模块 .................................................................................................................. 29

4.2.1 软件传感器在数据采集中的应用 ....................................................................... 30

西北工业大学硕士学位论文 目录 4.3 信号处理模块 .................................................................................................................. 31 4.4 故障诊断模型 .................................................................................................................. 31

4.4.1基于日志智能体的故障诊断系统框架 ................................................................ 34 4.4.2数据管理和数据组织机制 .................................................................................... 35 4.4.3分层与抽象 ............................................................................................................ 37 4.4.4样本空间 ................................................................................................................ 38 4.5 故障诊断与预测系统工作流程 ...................................................................................... 39 4.6 基于PHM的维修保障系统评价 ................................................................................... 41 4.7 本章小结 .......................................................................................................................... 41 第五章 总结与展望 ................................................................................................................. 43

5.1 总结 .................................................................................................................................. 43 5.2 未来工作展望 .................................................................................................................. 43 参考文献......................................................................................................................................... 47 致 谢 ................................................................................................................................. 50

西北工业大学硕士学位论文 第一章 绪论 第一章 绪论

1.1 PHM技术的发展及应用概况

1.1.1 PHM技术的发展

PHM[1] (Prognosties and Health Management)技术建立在增强的诊断能力基础上，即以高的故障诊断能力和非常低的虚警率确定部件完成其功能的状态内陆。所谓预测，即预计性诊断部件或系统完成其功能的状态，包括确定部件的残余寿命或正常工作的时间长度；所谓健康管理，是根据诊断/预测信息、可以资源和使用需求对维修活动做出适当决策的能力。PHM代表了一种方法的转变，即从传统的基于传感器的诊断转向基于智能系统的预测，反应性的通信转向主动性的3Rs(即在准确的时间对准确的部位采取正确的维修活动)。PHM重点是利用先进的传感器的集成，并借助各种算法和智能模型来诊断、预测、监控和管理飞机的状态。这一技术的实现将使传统的事后维修或定期维修被基于状态的维修(CBM，亦称视情维修)所取代。

综合的PHM技术的演变过程是人们认识和利用自然规律过程的一个典型反映，即从对故障和异常事件的被动反映，到主动预防，再到事先预测和综合规划管理。PHM技术上在传统的状态（健康）监控和故障诊断技术基础上发展起来的。随着系统和设备性能和复杂性的增加以及信息技术的发展，PHM技术发展经历了由外部测试到机内测试(BIT)→测试性成为一门独立的学科→综合诊断的提出与发展→预测与健康管理(PHM)系统的形成等的发展演变过程。在应用产品层次上，从过去的部件和分系统的系统集成级；在机械产品和电子产品等领域经历了不同的发展历程，并最终汇聚成一种综合的故障诊断、预测与健康管理(PHM)系统。

综合的PHM系统是在学期牵引和技术推动的双重作用下产生的。随着系统复杂性、信息化和综合化程度大幅度提高，装备维修保障工作重点已由传统的以机械修复为主，逐步转变为以信息的获取、处理和传输并做出维修决策为主。以往的事后维修和定期维修已经无法很好地满足现代战争和武器装备对装备保障的要求，在这种情况下，美国20世纪90年代末引入民用领域的CBM，作为一项战略性的装备保障策略，其目的是对装备状态进行实时的或近实时的监控，根据装备的实际状态确定最佳维修时机，以提高装备的可用度和任务可靠性，这些需要借助PHM技术来实现；另一方面，大容量存储、高速传输和处理、信息融合、MEMS、网络等技术和高新技术的迅速发展，意味着允许在机上实时完成更

西北工业大学硕士学位论文 第一章 绪论 多的数据存储和处理功能，消除过多依赖地面站来处理信息的需要，为PHM能力创造了条件；加之，90年代中期启动的JSF项目提出了经济承受性、杀伤力、生存性和保障性四大支柱目标，并因此提供了自主式保障方案，借此机遇诞生了比较完善的、高水平的PHM系统。

PHM系统正在成为新一代的飞机、舰船和车辆系统设计和使用中的一个组成部分。PHM技术首先在直升机上得到了应用，并具体演变成使用和状态管理系统(HUMS)。英国自20世纪90年代初期以来已经开展了大量的研究工作，开发出直升机HUMS，用来监控悬翼轨迹和平衡、发动机性能和完好状态、齿轮箱和传动副完好状态以及结构使用情况等参数；跟踪疲劳寿命；提供维修趋势信息。美国国防部正在验证的新一代HUMS—JAHUMS具有全面的PHM能力和开放、灵活的系统结构。目前，HUMS在加拿大、荷兰、新加坡、南非、以色列等国的军用直升机中得到广泛应用。

PHM/HUMS不仅应用于直升机上，在固定翼飞机和导弹上也开始有应用，如阵风(Rafale)战斗机、B-2轰炸机、“全球鹰”无人机、无人作战飞机(UCAV)、“鹰”教练机、C-130“大力神”运输机、AMRAAM导弹系统等也采用了各种类似系统，美陆军的RQ-7A/B“影子”200战术无人机系统、美国海军P-8A多任务还是飞机也将装备类似系统。美国空军研究实验室提出了与PHM/HUMS类似的综合系统健康管理(ISHM)系统方案。PHM技术也是美英等国正在联合研制的第四代联合攻击战斗机F-35(JSF(联合攻击机))为实现自主式保障而引入的一项核心技术，JSF的PHM技术是美国国防部正在倡导的基于状态的维修(CBM)技术的一个具体体现。美国各军种及其他机构与之类似的技术发展项目如海军的综合状态评估系统(IACS)和预测增强诊断系统(PEDS)项目、陆军的诊断改进计划(ADIP)、嵌入式诊断和预测同步(EDAPS)计划、NASA第2代可重复使用运载器的航天器综合健康管理(IVHM)系统等。JSF所采用的PHM系统代表了美军目前CBM技术所能到达的最高水平。

除了在军事领域的应用之外，PHM还在民用飞机、汽车、桥梁、核电站、大型水坝等军用领域获得广泛应用，成为21世纪名副其实的军民两用技术。

总之，PHM已经成为国外新一代武器装备研制和实现自主式保障/感知与响应后勤的一项核心技术，是21世纪提高复杂系统“五性”(可靠性、维修性、测试性、保障性和安全性)和降低寿命周期费用的一项非常有前途的军民两用技术。而发动机健康管理系统是飞机PHM系统的重要组成部分，是飞机PHM系统成功的关键。

西北工业大学硕士学位论文 第一章 绪论 1.1.2 PHM系统组成

在航空航天、国防军事以及工业各领域中应用的不同类型的PHM系统，其体现的基本思想是类似的，区别主要表现在不同领域其具体应用的技术和方法的不同。一般而言，PHM系统主要有六个部分构成[2] ：

1、数据采集 利用各种传感器探测、采集被检系统的相关参数信息，将收集数据进行有效信息转换以及信息传输等。

2、信息归纳处理 接受来自传感器以及其它数据处理模块的信号和数据信息，将数据信息处理成后续部件可以处理的有效形式或格式。该部分输出结果包括经过滤波、压缩简化后的传感器数据，频谱数据以及其它特征数据等。

3、状态监测 接受来自传感器、数据处理以及其它状态监测模块的数据。其功能主要是将这些数据同预定的失效判据等进行比较来监测系统当前的状态，并且可根据预定的各种参数指标极限值/阈值来提供故障报警能力。

4、健康评估 接受来自不同状态监测模块以及其它健康评估模块的数据。主要评估被监测系统(也可以是分系统、部件等)的健康状态(如是否有参数退化现象等)，可以产生故障诊断记录并确定故障发生的可能性。故障诊断应基于各种健康状态历史数据、工作状态以及维修历史数据等。

5、故障预测决策故障预测能力是PHM系统的显著特征之一。该部件由两部分组成，可综合利用前述各部分的数据信息，评估和预测被监测系统未来的健康状态，并做出判断，建议、决策采取相应的措施。该部件可以在被监测系统发生故障之前的适宜时机采取维修措施。该部分实现了PHM系统管理的能力，是另一显著特征之一。

6、保障决策 主要包括人-机接口和机-机接口。人-机接口包括状态监测模块的警告信息显示以及健康评估、预测和决策支持模块的数据信息的表示等；机-机接口使得上述各模块之间以及PHM系统同其它系统之间的数据信息可以进行传递交换。需要指出的是，上述体系结构中的各部件之间并没有显明界限，存在着数据信息的交叉反馈。

1.2 强化学习的发展和应用

1.2.1强化学习的发展

强化

现可以追述到20世纪50年代，但是强化学习的真正兴起还是1979年以后，因为在这之前如何从环境中获取知识还没有得到人们的足够认识。目前强化学习取

西北工业大学硕士学位论文 第一章 绪论 得长足的进展，在机器人路径规划、工业控制等许多领域得到了应用并逐渐成熟起来，已经是机器学习、人工智能以及神经网络研究中的最活跃领域之。

其研究历史可以大致分为两个阶段：第一阶段是从1950年代到1960年代，这一时期是强化学习的萌芽阶段；第二阶段是1980年代以来，这一时期是强化学习的快速发展的阶段。

在第一阶段，Minsky首先在文献中提出了“强化”和“强化学习”这些术语。那个时候，数学心理学家探索了各种计算模型以解释动物和人类的学习行为。他们认为学习是随机进行的，并且给出了所谓的随机学习模型。神经网络的先驱们Widrow和Rosenblant，以及心理学家Bush和Mosteller等都对强化学习进行了研究。他们利用了“奖赏”和“惩罚”这样的术语，但他们的研究系统越来越趋向于监督学习。

Widrow及其同事们在研究监督学习的同时，认识到监督学习和强化学习之间是不同的，并于1973年Widrow，Gupta和Maitra修正了Widrow的监督学习规则(常称为LMS规则)。新规则可实现强化学习，即根据成功与失败的信号进行学习，代替原来使用学习样本。他们用“有评价的学习”一词来代替“有导师的学习”把强化控制系统的控制器看成一个随机自动机，首次系统地提出了采用强化学习来解决随机控制系统的学习控制问题的方法。

尽管如此，20世纪60年代的后期到70年代的后期，对强化学习的研究仍然陷入了低谷，进入到1980年代，强化学习再次被人们重视起来，并且逐渐成为机器学习中的活跃领域。这其中包括由Watkins等于1989年提出的著名算法Q-学习。本文的主要工作就是围绕着Q-学习算法进行的。

1.2.2强化学习的应用

在应用方面，最早应用的例子是Samuel的下棋程序，该程序采用类似值迭代、时序差分和Q-学习的学习机制，学习-线性函数表示的值函数。

随着强化学习在算法和理论方面的研究的深入，强化学习方法已在人工智能复杂问题求解、组合优化和调度、智能交通控制、信道分配、电力系统控制、非线性控制、机器人规划和控制等领域获得了若干成功的应用。

各种复杂问题求解一直是人工智能研究的重要领域，早期各种启发式搜索方法和基于符号表示的产生式系统在求解一定规模的复杂问题中取得了成功。但这些方法在实现过程中都存在知识获取和表示的困难。目前，强化学习在人工智能的复杂问题求解中已取得了若干研究成果，其中最成功的应用就是博弈问题：Tesauro描述的TD-Gammon程序采用前馈神经网络作为值函数逼近器，基于

TD???算法通过了150万个自动生成的对弈训练后，已近似达到人类最佳选手的

西北工业大学硕士学位论文 第一章 绪论 水平。

调度属于随机优化控制问题，强化学习在该领域中应用的典型例子包括电梯调度以及车间作业调度。Crites等研究一个高度建筑中，利用强化学习的多个电梯的调度算法。这个算法中综合了强化学习和前馈神经网络，用BP算法训练表示Q函数的神经网络，实验结果表明这个学习算法比现有八种电梯调度算法性能更优。李飒等提出基于多智能体结构的车间调度方法。

强化学习在控制中应用的典型实例就是倒立摆控制系统。倒立摆控制是一个非线性不稳定系统，许多强化学习的文章都把这一控制系统作为验证各种强化学习算法性能的实验系统。另一个应用领域是在程控方面，如Moore等研究如何将强化学习应用到实际制造程控中，一个具体的实验例是包装行业中生产在线如何确保包装容器符合特定的规格，实践表明这种方法的性能超过了工人手工操作和传统的控制器。

强化学习最适合也是应用最多的，莫过于机器人领域。Tham等采用模块化Q-学习算法实现了机械臂的任务分解和控制，在每个Q-学习模块中采用了CMAC来逼近值函数。

Winfried采用强化学习来使昆虫机器人学会6条腿协调动作。Sebastian采用神经网络结合强化学习方式使机器人通过学习能够到达室内环境中的目标。另外，强化学习也为多机器人群体行为的研究提供了一个新的途径。张汝波提出几个需要进一步研究强化学习的方面：

1.系统地研究强化学习理论。虽然国内外许多学者对强化学习理论进行了研究并取得了一定的成果，但有关理论问题还未得到完全解决，还需要进行系统地研究。

2.加强强化学习的应用研究。强化学习的机理比较符合人及生物的学习过程，其思想与Brooks提出的行为主义思想是完全一致的。虽然强化学习应用的范围比较广泛，适合应用于智能控制及智能机器人领域。在智能控制方面，对于具有不确定模型的控制问题，一直是控制理论和控制工程实践中的难题。强化学习为我们提供了一条有效的途径，采用强化学习方法可以构成一个实时学习控制系统。在智能机器人方面，一方面可以采用强化学习实现智能机器人底层的基础控制；另一方面，也可以采用强化学习实现智能机器人的高层的行为学习，如机器人的路径规划、动作学习等。

3.提高强化学习速度的理论和方法研究。虽然强化学习在理论及应用方面的研究取得了一定成绩，但真正应用到实际还有许多工作要做。在强化学习中，环境给出的只是定性评价，正确的答案并不知道。系统学习的难度势必增大，学习时间也会增长。

西北工业大学硕士学位论文 第一章 绪论 1.3 论文章节安排

第一章绪论，介绍PHM技术及强化学习的发展和应用领域，阐述故障诊断/预测问题及解决该问题的重要意义，并明确研究目的；分析国内外研究动态及其发展趋势，提出故障诊断/预测问题所面临的挑战，基于此界定本文研究的切入点；进而确定论文的研究思路、研究方法、研究内容。

第二章分层强化学习和故障诊断与预测，将给出有关故障诊断/预测的基本概念和任务，并介绍分层强化学习的基本知识，通过对各种故障诊断/预测方法的分析，寻找适合确定性样本空间的故障诊断/预测方法。

第三章DSHP分层强化学习算法，介绍DSHP分层强化学习算法，通过因子状态，层次和模型的新型联合，从而解决了样本复杂度和计算复杂度两个重要问题，展示了一个最优样本和计算复杂性的因子状态强化学习算法。

第四章故障诊断与预测系统的设计与策略研究，介绍分层强化学习算法在故障诊断系统中的应用。从系统结构设计的介绍开始，分别讲述了该故障诊断/预测演示系统的各个功能模块、工作流程和系统设计实现中所涉及到的技术问题的解决方法。

第五章总结与展望，是对全文的总结与思考，主要是对研究内容、研究工作进行总结，针对本文中的不足之处和有待进一步完善的地方进行展望，是本文后期研究工作的进一步思考以及软件传感器在数据采集时的各种性能指标。

西北工业大学硕士学位论文 第二章 分层强化学习和故障诊断与预测 第二章 分层强化学习和故障诊断与预测

随着系统复杂度的不断提高，系统发生故障的可能性大大增加，对系统的故障进行诊断/预测对于整个系统的安全运行非常重要。故障诊断/预测的方法很多，选择那种方法要受到具体的研究对象的特点和实际条件的制约。本章将给出有关故障诊断/预测的基本概念和任务，并介绍分层强化学习的基本知识，通过对各种故障诊断/预测方法的分析，寻找适合确定性样本空间的故障诊断/预测方法——基于DSHP分层强化学习的故障诊断/预测方法。

2.1有关故障诊断和预测的基本概念 2.1.1故障诊断任务

所谓故障诊断是指系统在一定工作环境下查明导致系统某功能失调的原因或性质，判断劣化状态发生的部位或部件，以及预测劣化发展趋势等，它包括故障检测、故障定位和故障预测[3]。

现在为了强调对于要执行训练和作战任务的飞机编队，如何采用简单有效的方法对故障的发生和发展过程进行研究并对其在未来任务段内可能出现的故障进行预测，在任务之前实现预知维修，避免灾难性事故的发生，成为当前飞机管理和保障工作中急需解决的问题。所以一般把故障预测和故障诊断区别开来。对设备当前状态的描述，以及对下一时段状态和故障的预测是实现视情维修的根本，故障预测技术使得设备维护人员可以预知故障的发生，从而采取一系列维修或预防的措施，而不必等到故障真正发生之后再做出反应[4] 。针对本文论述的故障诊断和预测方法定义故障诊断和预测的任务如下：

(1) 故障模式、原因和征兆集分析

(2) 故障诊断和预测故障特征提取、知识获取 (3) 故障分离和辨识

(4) 故障诊断和预测结果的评估

2.1.2基本概念

故障（Fault）：产品或产品的一部分不能或将不能完成预定功能的事件或状态。

残差(Residual)：故障指示器，由测量值与模型计算值的差值得到。 征兆(Prognostic)：由故障引起的系统可观测的特性与正常的特性相比所出现

西北工业大学硕士学位论文 第二章 分层强化学习和故障诊断与预测 的异常变化

故障特征提取：通过测量和一定的信息处理技术获取反映系统故障的特征描述的过程。

故障分离(Fault Isolation)：在故障检测之后，确定（可能的）故障的种类，（可能的）故障（将会）发生的部位。

故障辨识(Fault Identification)：故障分离之后，确定故障发展的程度以及故障（将要）发生的时间。

故障的分类[44]：

(1) 按故障的发展过程区分——功能故障与潜在故障

一般来说产品故障总有一个产生、发展的过程，尤其是磨损、腐蚀、老化、断裂、失调、飘移等因素引起的故障更为明显。因此按照故障的发展过程，对应于故障定义中“不能或将不能完成预定功能的事件或状态”，可将故障区分为功能故障与潜在故障。

功能故障：指产品不能完成预定功能的事件或状态。

潜在故障：指产品或项目将不能完成规定功能的可鉴别的状态。 “潜在”二字有两层含义：

1)这类故障是指功能故障临近前的产品状态，而不是功能故障前任何时间的状态；

2)产品的这种状态是经观察或检测可以鉴别的。反之，则该产品不存在潜在故障。

(2) 按故障的相互关系区分——单个故障与多重故障 1)单个故障。单个故障有两种情况：独立故障和从属故障。 独立故障：不是由另一产品故障引起的故障。 从属故障：由于另一产品故障而引起的故障。

2)多重故障。是指由若干个连续发生的独立故障所组成的故障事件，它可能造成其中任何单个故障所不能产生的后果。

2.2故障诊断和预测方法 2.2.1基于案例的方法

基于案例推理 (Case–Based Reasoning，CBR)的方法是20世纪八九十年代新崛起的一项重要技术，它通过修改相似问题的成功结果来求解新问题。它能通过将获取新知识作为案例来进行学习，不需要详细的应用领域模型。第一个真正

本文来源：https://www.bwwdw.com/article/e3uv.html