摘要
基于模型的故障诊断通过检查工厂的数学模型与测量值之间的一致性来缩小故障候选范围。然而，根据传感器配置和系统结构的不同，不同的故障可能会共享相同的残差特征。在这种情况下，诊断会将真实故障保留在候选集内但无法单独确定它，而这种结构性不可区分性无法通过调整阈值或残差后处理来解决。本文提出了一种方法，将现有的诊断留下的候选故障上的诊断模型重新利用以对其排序。假设每个候选为真实故障并将模型向前传播，得到的预测值与实际测量值的比较会暴露出残差特征所不携带的时间差异。有限的计算预算被分配给多个候选，从而使比较良定义，且赋予两种信息来源的权重根据现有诊断的置信度进行调整。在一个三水箱故障诊断基准上，在现有诊断选择了不同候选的时刻，分配给真实故障的概率从0.2547增加到0.6735；在三个共享相同残差特征的故障上的隔离准确率从31.5%提高到52.7%；在所有七个故障上的准确率从59.4%提高到76.7%。在该基准上，以相同残差作为输入的基于学习的方法即使在每个故障有512个样本的情况下在不可区分集上的准确率也没有超过0.30，而本文方法完全不需要故障数据。在第二个基准，即一个电动机上，相同的流程将该概率从0.3523提高到0.7110。在十二种故障幅度和过程噪声的组合中，本文方法从未低于现有诊断，尽管增益超过0.34的情况仅出现在故障幅度至少为过程噪声标准差12.5倍的那六种情况中。
