什么是故障 检测？

使用故障 检测技术的常见行业包括：

• 航空航天
• 汽车
• 电子设计及电磁仿真
• 工业设备
• 半导体
• 工业制造
• 材料加工
• 医疗器械
• 发电与输配电
• 软件

在许多行业中，尤其是航空航天、医疗和汽车行业，由于故障可能造成灾难性后果并危及生命，因此在设计和运行过程中必须进行故障 检测。其他行业，例如半导体集成电路（IC）的设计和制造，则将故障 检测作为设计流程中不可或缺的一部分，因为一旦开始生产，再进行修改的成本将高得难以承受。对于所有行业而言，该过程都是降低重新设计、返工和维修成本的一种经济高效的方式。

故障 故障检测是识别、理解和解决系统故障的第一步，可采用故障 检测与诊断（FDD）、故障 检测与隔离（FDI）或故障 检测、隔离与恢复（FDIR）等技术。正因如此，故障 故障检测远不止于查找故障。 作为全面的FDIR流程的一部分，它通过在故障造成重大损害或降低系统性能之前就将其检测出来，从而为企业提供帮助。它为设计工程师、设施经理和维护团队提供了必要的信息，使他们能够在异常情况导致维护成本上升、引发设备故障或造成人员伤亡之前，就预防性维护及其他纠正措施做出有效决策。 

负责故障 检测的工程师们，会根据数据的来源及其解读方式，将现有的多种方法归类为一系列标准 方法。每种方法各有优缺点，工程师们会根据所评估的情况，尽力选择最合适的方法。

以下是检测故障 的最常见方法。

基于阈值的

该方法通过分析系统数据，将每个参数的实时值与预设限值进行比较。当数值超出限值时，系统会触发警报。一个简单的例子是汽车发动机上的温度传感器：当发动机冷却液温度超过110摄氏度时，该传感器会点亮警示灯；当温度超过120摄氏度时，则会显示错误信息。这种方法虽然简单，但只能检测到系统设计中预先设定的故障。

基于模型的

在基于模型的故障 检测中，工程师利用系统的数学模型，根据其真实世界数据集来预测输出结果。监控工具会计算预测值与实际值之间的差异，即残差。当残差超过指定阈值时，系统便会触发故障 。基于模型的方法具有一些优势，包括能够检测到意外故障，以及可利用历史数据作为模型。其缺点是，对于复杂系统而言，构建模型可能较为困难。

信号处理

与关注数据流中的数值不同，该方法关注信号的频率成分及其随时间的变化情况。该过程利用快速傅里叶变换、统计过程控制或小波分析，来检测各信号产生的正常频率模式所发生的变化。该方法对机械故障 的识别非常有用，特别是在旋转机械领域，通过振动或声学变化可以预先预测设备故障 的故障。其缺点在于信号处理的复杂性以及对信号误报 的敏感性。

基于数据的检测还是机器学习检测

这种故障 检测方法利用历史数据，或通过仿真或数字孪生生成的数据，来构建系统行为的模型。 该方法将任何与“正常”数据不符的数据标记为异常。这不仅是一种强大的故障 检测方法，还可用于预测性维护，或作为故障 发生前的诊断工具。该方法的优势包括能够很好地处理高度复杂的系统，并能识别意外故障。其缺点是需要大量数据，且该策略具有“黑箱”性质。

基于知识的检测

另一种略有不同的思路是，利用逻辑或决策树来评估数据或信号的组合，而非单一值或信号。这种方法可以采用基于规则的系统、模糊逻辑、故障 树以及专家系统。对于那些结构简单、定义明确且数据稀缺的系统，当一系列事件导致故障 时，该方法效果良好。其缺点在于构建知识库所需的时间较长，且仅限于已知的故障 模式。

故障 检测是完整的故障 管理流程的第一步。一旦识别出期刊 ，响应团队应遵循标准 流程来控制、理解并解决该问题。每个行业，甚至同一行业内的每家公司，都会有不同的故障 管理流程，该流程涵盖从识别到解决的各个环节，并将所获得的经验反馈至组织内部。

尽管具体情况因具体应用而异，但处理已识别的故障 时，大多数步骤都属于以下类别之一。

故障检测

实现故障 检测的方法有多种，而在完整的故障 管理流程中，确保所有检测到的潜在故障都能被记录并上报以供进一步调查和处理，是至关重要的一环。

故障 隔离

调查小组需要确定系统中故障 发生的位置，并查明受其影响的具体总成、子系统、组件或例程。这通常包括查看系统其他部分的传感器测量数据，以确认是否确实发生了故障 ，或排除误报。

故障 识别与诊断

在此步骤中，团队将确定该故障 是什么（识别）以及为何发生（诊断）。此步骤的一个重要方面还包括对故障 类型进行分类——即该故障是源于传感器、软件、机械、制造缺陷 ，还是系统的其他方面。此步骤的输出结果还包括确定故障原因，并为故障 分配严重程度等级（如轻微、性能下降、严重、安全）。

故障 通知与报告

收集完上述信息后，团队需要编制相应的文档，并向相关方通报该故障 的具体情况，包括事件发生的时间、地点、原因、严重程度以及受影响的人员。

故障 回复

故障 响应步骤通常与其他步骤并行执行，或在检测后立即执行，该步骤要求团队采取即时行动，以减轻故障的影响。 更复杂的控制系统可能在其软件中内置了自动响应算法。此外，通常还会制定标准 操作规程，以便在故障 触发警报时，操作员能够及时介入。响应措施可能包括关闭系统全部或部分组件、启用冗余功能，或降低运行级别以维持系统运行但缩减其处理能力。故障 响应的目标是在尽可能保留系统功能的同时，将故障 控制在可控范围内。

故障 恢复

故障 问题已在“故障 ”恢复步骤中得到解决。这可能涉及下达维修或更换部件的工作单、重启软件或硬件、调整运行参数，或者对硬件设计或软件代码进行修改（错误修复）。

故障 评论

一旦恢复运行，团队将进行故障 后的审查或全面的根本原因分析，或利用这些信息进行功能安全评估。此步骤的目标是最大限度地降低故障 再次发生的概率，提出纠正措施以在故障发生时恢复系统并减轻其影响，并为相关故障的决策利益相关者 提供信息。

从本质上讲，故障 故障检测涉及收集系统数据并对其进行监控以发现故障。在许多应用中，故障 由于可用信息的庞大体量和复杂性，故障检测系统往往属于大数据 类别 的范畴。当传统数据分析难以应对复杂数据、非线性系统行为、未知故障以及渐进性退化 时，人工智能（AI）技术正是应对这些情况的理想选择。 AI方法能够学习故障特征、调整分析策略、检测人类或传统数据分析无法察觉的故障，并实现故障的早期检测。物联网（IoT ）应用所产生的数据量之大、复杂度之高，使得AI解决方案成为实现准确故障 检测的必备手段。

目前，在故障 故障检测中，大多数人工智能（AI）的实现都属于AI的确定性子集——机器学习。在机器学习中，系统利用历史数据或模拟生成的合成数据进行训练，以识别故障。此外，工程师们也越来越多地使用大型语言模型（LLMs）来支持深度学习 、数据摘要、日志分析和根本原因分析。

用于故障 检测的人工智能技术的一些典型例子包括：

• 监督学习：利用成熟的算法，从标注数据中进行学习。
• 无监督学习：通过构建一个标准模型来进行学习，然后寻找偏差。
• 半监督学习：通过监督学习和无监督学习两种方式进行学习。
• 深度学习:通过训练神经网络来自动识别模式，从而实现学习。
• 强化学习：在自动化的故障 检测与恢复系统中，通过试错进行学习。
• 基于物理的神经网络（PINNs）：利用物理定律通过试错法进行学习。
• 数字孪生：通过将实际数据与模拟数据进行对比来学习。数字孪生还支持预测性维护。

工程师在应用程序中实现故障 检测时，可以采用多种方法。尽管各行业的具体情况有所不同，但以下关于有效实施故障 检测解决方案的建议具有普遍适用性。

1. 确定范围：明确涵盖的系统范围、何谓故障 、系统中故障 缺失或误报 造成的后果，以及各类故障 的严重程度。
2. 了解数据：识别所有传感器、缺失的传感器、生成的数据类型、数据访问方式、数据准确性，以及数据中可能存在的错误。
3. 选择仿真解决方案：确定仿真在故障 检测中将发挥的作用，包括其对数字孪生、物理模型以及基于模型的故障 检测的应用。然后确定团队所需的仿真工具。
4. 定义故障 检测方法：确定哪种故障 检测方法或方法组合最适合该系统。
5. 构建基准解决方案：建立一个易于部署的基准解决方案（通常采用其中一种简单的方法），并测量其性能。
6. 构建完整的故障 检测解决方案：构建一个强大且全面的故障 检测解决方案，该方案利用基线解决方案中的信息，并整合了更先进的人工智能工具。
7. 设计应支持故障 管理流程：在基线方案和完整解决方案的设计中，应纳入该系统完整的故障 管理流程的需求。这包括定义根本原因分析的方法、功能安全将发挥的作用，以及如何以及何时向关键利益相关者 通报故障。
8. 关注可操作的信息：明确界定自动算法和人类决策者所需的信息，并确保解决方案产生的所有输出结果均为可用的信息。
9. 验证与迭代：采用交互式、持续改进的方法来监控和优化解决方案。

借助仿真和功能安全工具支持实施

在大多数现代故障 检测与诊断方案中，将仿真和功能安全工具结合使用作为综合解决方案的一部分，是至关重要的一环。开发团队利用诸如Ansys 的Twin Builder（基于仿真的机械系统数字孪生平台）、新思科技 的Electronics Digital Twin（eDT）、新思科技 的Virtualizer，以及新思科技 的Platform Architect（用于集成电路）等工具，创建所需的虚拟模型，用于模型训练，或作为与实时数据进行对比的基准模型。 此外，还采用了诸如Ansys 机械结构有限元分析软件、Ansys Fluent流体仿真软件以及Ansys HFSS高频电磁仿真软件等多物理场工具，为诊断工具提供基于物理原理的行为模型。

诸如Ansys medini analyze等功能安全工具，是面向机械系统的系统级安全分析软件，以及 新思科技 VC工具（包括VC Functional Safety Manager、VC Z01X、VC Formal FuSa 以及VCS功能验证解决方案）则用于满足电气和集成电路领域各项功能安全国际标准的要求。

将故障 检测与其他流程相结合

许多应用，尤其是工业和建筑系统，通过利用同一套数据来优化能耗、提升性能并实现预测性维护，从而获益匪浅。例如，楼宇自动化系统和暖通空调系统的实施正领先的 通过部署FDD软件，在实现能源管理的同时提供故障 检测功能。制造业应用，特别是在高度自动化的系统和机器人领域，将故障 检测与性能优化相结合。

故障 集成电路设计与制造中的检测

故障 集成电路中的故障检测具有独特性，因为其中大部分工作是在制造之前的設計阶段进行的。这种方法的目标是识别由逻辑错误、信号完整性 问题或压降 引起的故障。由于修改芯片设计的成本极其高昂，因此会在设计通过验证并投入生产之前，利用虚拟模型配合测试模式来查找并消除潜在故障。 工程师们综合运用多种工具，例如新思科技 的VC Z01X故障 仿真器、新思科技 的ZeBu服务器以及新思科技 的TestMAX，通过与实际检测方法相同的手段对设计进行测试并检测故障。

在集成电路（IC）设计中，有效检测故障 的关键在于将这些工具整合到设计流程中，包括生成用于虚拟测试的测试模式。在制造完成后、出货前，还会进行严格的测试，以识别任何由制造问题引起的故障。一旦检测到故障，团队会采用故障 管理方法来隔离并解决故障 ，包括报废芯片、降低时钟频率或关闭芯片中存在故障的部分。