通过被观测对象在非正常工作状态下所表现出来或可监测到的异常现象(振动、噪声、污染、温度、电磁场等)进行电缆故障诊断，并基于趋势分析进行电缆故障预测。大多数机械产品由于存在明显的退化过程，多采用这种电缆故障诊断与预测方式。
基于异常现象信息进行电缆故障诊断与电缆故障预测的一个主要问题是异常信息往往被正常工作噪声所掩盖。特别是在发电厂等工作环境，采用振动或噪声分析手段对电机进行电缆故障诊断与预测时，状态异常引起的振动或哄声比本身环境振动或噪声小很多数量级。另一个问题是异常现象是宏观的系统级的，而故障原因却是部件级、材料级的，一种现象常存在多种可能的原因，导致故障定位困难。
基于异常现象信息进行电缆故障测试仪故障诊断与电缆故障预测的任务是基于历史统计数据、故障注入获得的数据等各类已知信息，针对当前产品异常规象特征．进行故障损伤程度的判断及电缆故障预测。概率分析方法、人工神经网络、专家系统、模糊集、被观测对象物理模型等都可以用于建立异常现象与故障损伤关系模型。
概率趋势分析模型
此类方法通过异常现象对应的关键参数集，依据历史数据建立各参数变化与故障损伤的概率模型(退化概率轨迹)，与当前多参数概率状态空间进行比较，进行当前健康状态判断与趋势分析。通过当前参数概率空间与已知损伤状态概率空间的干涉来进行定量的损伤判定，基于既往历史信息来进行趋势分析与电缆故障预测。
概率趋势分析模型已用于祸轮压缩机气道等的电缆故障预测，主要监控效率、压缩比、排气温度、燃油流量等四个参数。
基子系统模型进行趋势分析
此类方法利用建立被观测对象动态响应模型(包括退化过程中的动态响应)，针对当前系统的响应输出，进行参数辨识，对照正常状态下的参数统计特性，进行故障模式确认、电缆故障诊断和电缆故障预测。这种方法提供了一种不同于概率趋势分析、ANN的途径，具有更高的置信度和故障早期预报能力。
数据融合及综合诊断与预测
综合利用来自多种信息源的、多参数、多传感器信息，以及历史与经验信息，以减小电缆故障诊断与预测的差错，提高置信度，是数据融合的根本任务。
电缆故障诊断与预测中的数据融合可以在三个层次进行；①传感器层融合，没有信息丢失，但传输与计算量大；②特征层融合，特征提取时有信息丢失；③推理层融合。典型的数据融合过程包括在特征层融合时采信传感器层的关键原始数据，推理层融合时采信相似产品可靠性统计数据或专家经验知识。
信息整理：扬州拓普电气科技有限公司   信息来源：www.yztpdq.com