CN107463165A - 一种可诊断率确定方法、***以及故障诊断方法、*** - Google Patents
一种可诊断率确定方法、***以及故障诊断方法、*** Download PDFInfo
- Publication number
- CN107463165A CN107463165A CN201710707934.2A CN201710707934A CN107463165A CN 107463165 A CN107463165 A CN 107463165A CN 201710707934 A CN201710707934 A CN 201710707934A CN 107463165 A CN107463165 A CN 107463165A
- Authority
- CN
- China
- Prior art keywords
- branch
- diagnosable
- rate
- state machine
- finite state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本申请公开了一种可诊断率确定方法、***以及故障诊断方法、***,该可诊断率确定方法包括:从有限状态机模型的所有分支中分别筛选出与故障事件对应的分支以及与非故障事件对应的分支,得到相应的第一类分支和第二类分支;从第一类分支中过滤掉不可观察事件,得到第一过滤后分支;从第二类分支中过滤掉不可观察事件,得到第二过滤后分支;统计满足目标条件的i值的个数,得到相应的计数值k;利用第一类分支中的分支数量和计数值k,计算离散事件***的可诊断率。本申请避免仅在离散事件***是绝对可诊断的情况下方能使用诊断器方法来进行故障诊断的情况,从而扩大了诊断器方法的应用范围。
Description
技术领域
本发明涉及离散事件***诊断技术领域,特别涉及一种可诊断率确定方法、***以及故障诊断方法、***。
背景技术
随着工业的不断发展,各种包含了先进设备的***出现在人类社会中,逐步取代人工,为人类进行服务。这些***中的许多***都可以看成是离散事件***。离散事件***是指由离散事件触发而引起状态迁移的一类自然或人造的动态***。离散事件***的运行是由离散事件错综复杂地相互作用所决定的。离散事件***己经被广泛地应用到计算机集成制造***、交通运输、军事指挥、计算机网络、柔性生产线、以及通讯网络中。但离散事件***在实际运行过程中,受到外部或内部原因的影响,总会出现这样或那样的偏差,有些偏差可以被忽略,而有些偏差会继续扩大,引发故障,从而对***的可靠性造成影响。当目标***对安全性、可靠性要求较高时,这种偏差乃至故障将造成更大的影响,如电力网络、通讯网络、核工业、航空器中的人身安全保障***等等。一旦这类与人类社会的生产生活有较大关联的***出现大规模故障甚至瘫痪,造成的损失将非常巨大。因此,近年来离散事件***的故障诊断得到了广泛关注。由于***可诊断性的结果直接影响到***故障诊断方法的选择,故诊断问题的研究通常伴随着可诊断性问题的研究。离散事件***的可诊断性是指:***在线得到足够多的观测时,任意故障的发生均能够被唯一地判定,保证这种假设成立的性质被称为可诊断性。可诊断性通常是在***建立之后,实际运行之前对***进行的判断,而非在***运行过程中对***进行监控。当***是可诊断的,这代表给定观测时,***一定能够给出一个精确的诊断结果:是否***中存在故障,如果存在,则得出精确的故障事件及单一的诊断轨迹。
基于模型诊断是自上世纪八十年代开始的一种新型故障诊断技术,基本思想为:结合***模型和实际运行的观测来共同推理当前诊断。这种诊断已经应用于很多领域,如电网故障诊断***、大型通讯网络故障诊断***等。基于模型的诊断方法中,比较有代表性的是M.Sampath等人提出的离线建立诊断器来判定***可诊断性的方法,现已被广泛应用。该方法使用有限状态机对离散事件***建模,将经典离散事件***形式化地定义为一个四元组:
G=(Q,∑,δ,q0);
式中,Q为***的有限状态空间;∑为有限事件集合;δ:Q×∑→Q为转移函数;q0∈X为起始状态。在经典离散事件***中,通常假设***的事件分为可观察事件∑o和不可观察事件∑uo两部分,即∑=∑o∪∑uo。顾名思义,可观察事件是指能够被***所检测到的事件,不可观察事件是指不能被***所检测到的事件。记故障事件集为∑f,由于对***而言,可观察的故障事件是显而易见的,不需要诊断其是否发生,所以一般认为故障事件属于不可观察事件。令∑*为事件集∑的克林闭包,ε表示空字符串,对于任意的q∈Q,有δ(q,ε)=q。对于给定的q∈Q,σ∈∑,如果δ(q,σ)有定义,则记为δ(q,σ)!。***G产生的语言是∑*的一个子集,记作L(G),L(G)={s∈∑*|δ(q0,s)!}。也就是说,语言L(G)是让初始状态通向其他任意状态路径的串s的集合。L/s={t∈∑*|st∈L}指语言L中,事件串s发生之后接下来发生的事件串的集合;ψ(∑f)={s∈L:sf∈∑f}为以特定类型故障事件结尾的事件串的集合;sl代表事件串s的最后一个事件。为了方便和不至于产生混淆,∑f∈ω意味着σf∈∑f是组成事件串w的一个事件。
***G产生的语言L(G)是一种具有前缀闭包性质的语言,L(G)对于投影P(用于消除不可观事件)如果满足:则称这个语言是绝对可诊断的。其中,诊断条件函数D定义为:
根据绝对可诊断性的定义,如果***是绝对可诊断的,那么只要给出足够长的观测,任意具有相同观测序列的语言一定具有相同的故障,也就是只要给定足够长的观测序列,就能够根据观测序列给出唯一的故障及类型。如果一个具有前缀闭包性质的语言对于投影P是绝对不可诊断的,那么当故障事件发生后,一定存在无限长具有相同可观察行为,但不都含有故障事件的串。所以经典离散事件***的绝对可诊断问题就归结为是否无限长具有相同可观察行为的事件串都含有或都不含有故障事件。依据这个原理,可构建基于离散事件***有限状态机模型的一个诊断器,然后根据绝对可诊断性的定义进行***绝对可诊断性的检测。诊断器通过模拟***的观测序列来产生***的执行路径以及所达到的状态,其中包含了相应的故障信息。用诊断器方法进行离散事件***绝对可诊断性检测的主要步骤如下:
1)用可观测投影P,将有限状态机模型中的不可观测事件抹去;
2)将已经抹去不可观测事件的转移消去,仅保留可观测事件的转移,得到可观测的有限状态机模型;
3)根据可观测的有限状态机模型,从初始状态出发,依***的执行路径向前传递故障,得到不同的带标签(故障标签用F表示,非故障用N表示)的状态;
4)当诊断器中不存在不确定性的故障状态循环时,可以判定当前语言是绝对可诊断的;否则,不是绝对可诊断的。
诊断器方法奠定了离散事件***基本可诊断性的判定基础,但这种方法只能得到***绝对可诊断性的定性判定结果,即***是绝对可诊断的,还是不是绝对可诊断的。比如,对于图1表示的离散事件***,根据诊断器的构建步骤构建如图2所示的诊断器。
根据图2的诊断器结合绝对可诊断性的定义可以判断出,这个离散事件***不是绝对可诊断的,而对于不是绝对可诊断的离散事件***,在现有的技术中将不能利用诊断器方法对该***中的故障进行故障诊断的,这样无疑使得诊断器方法的应用受到了极大的限制。
发明内容
有鉴于此,本发明的目的在于提供一种可诊断率确定方法、***以及故障诊断方法、***,可以避免仅在离散事件***是绝对可诊断的情况下方能使用诊断器方法来进行故障诊断的情况,从而扩大了诊断器方法的应用范围。其具体方案如下:
一种可诊断率确定方法,应用于离散事件***,包括:
确定与所述离散事件***对应的有限状态机模型;
从所述有限状态机模型的所有分支中分别筛选出与故障事件对应的分支以及与非故障事件对应的分支,得到相应的第一类分支和第二类分支;
从所述第一类分支中过滤掉不可观察事件,得到第一过滤后分支;其中,所述第一过滤后分支中的第i个分支表示为P(L(bi)),i=1,2,...,N,N值为所述第一类分支中的分支数量;
从所述第二类分支中过滤掉不可观察事件,得到第二过滤后分支;其中,所述第二过滤后分支中的分支表示为P(L~f);
统计满足目标条件的i值的个数,得到相应的计数值k;其中,所述目标条件为P(L(bi))∩P(L~f)≠P(L(bi));
利用所述N值和所述计数值k,计算所述离散事件***的可诊断率,以根据所述可诊断率是否大于预设阈值来确定是否使用诊断器方法对所述离散事件***进行故障诊断。
可选的,所述统计满足目标条件的i值的个数,得到相应的计数值k的过程,包括:
确定P(L(bi))∩P(L~f)的运算结果,得到相应的运算结果Ri;
统计满足Ri≠P(L(bi))的i值的个数,得到所述计数值k。
可选的,所述确定P(L(bi))∩P(L~f)的运算结果,得到相应的运算结果Ri的过程,包括:
分别创建与所述第一过滤后分支中的每个分支对应的有限状态机,得到第一有限状态机集合G′1;其中,所述第一有限状态机集合G′1中的第i个有限状态机为G′1i;
分别创建与所述第二过滤后分支中的每个分支对应的有限状态机,得到第二有限状态机集合G′2;其中,所述第二有限状态机集合G′2中的第j个有限状态机为G′2j;
利用预设的有限状态机构建公式,构建有限状态机G3i;其中,所述有限状态机构建公式为G3i=Meet(G′1i,G′2);
利用预设的运算公式,确定P(L(bi))∩P(L~f)的运算结果,得到所述运算结果Ri;其中,所述运算公式为:Ri=L(G3i)=L(G′1i)∩L(G′2)=P(L(bi))∩P(L~f)。
可选的,所述利用所述N值和所述计数值k,计算所述离散事件***的可诊断率的过程,包括:
将所述N值和所述计数值k输入预设的可诊断率计算公式,得到所述可诊断率;
其中,所述可诊断率计算公式为:λ=k/N;
式中,λ表示所述可诊断率。
本发明还进一步公开了一种故障诊断方法,应用于离散事件***,包括:
利用前述公开的可诊断率确定方法,确定出所述离散事件***的可诊断率;
若所述可诊断率大于预设阈值,则利用诊断器方法对所述离散事件***进行故障诊断。
相应的,本发明还公开了一种可诊断率确定***,应用于离散事件***,包括:
模型确定模块,用于确定与所述离散事件***对应的有限状态机模型;
分支筛选模块,用于从所述有限状态机模型的所有分支中分别筛选出与故障事件对应的分支以及与非故障事件对应的分支,得到相应的第一类分支和第二类分支;
第一过滤模块,用于从所述第一类分支中过滤掉不可观察事件,得到第一过滤后分支;其中,所述第一过滤后分支中的第i个分支表示为P(L(bi)),i=1,2,...,N,N值为所述第一类分支中的分支数量;
第二过滤模块,用于从所述第二类分支中过滤掉不可观察事件,得到第二过滤后分支;其中,所述第二过滤后分支中的分支表示为P(L~f);
统计模块,用于统计满足目标条件的i值的个数,得到相应的计数值k;其中,所述目标条件为P(L(bi))∩P(L~f)≠P(L(bi));
可诊断率计算模块,用于利用所述N值和所述计数值k,计算所述离散事件***的可诊断率,以根据所述可诊断率是否大于预设阈值来确定是否使用诊断器方法对所述离散事件***进行故障诊断。
可选的,所述统计模块,包括:
运算结果确定子模块,用于确定P(L(bi))∩P(L~f)的运算结果,得到相应的运算结果Ri;
统计子模块,用于统计满足Ri≠P(L(bi))的i值的个数,得到所述计数值k。
可选的,所述运算结果确定子模块,包括:
第一创建单元,用于分别创建与所述第一过滤后分支中的每个分支对应的有限状态机,得到第一有限状态机集合G′1;其中,所述第一有限状态机集合G′1中的第i个有限状态机为G′1i;
第二创建单元,用于分别创建与所述第二过滤后分支中的每个分支对应的有限状态机,得到第二有限状态机集合G′2;其中,所述第二有限状态机集合G′2中的第j个有限状态机为G′2j;
状态机构建单元,用于利用预设的有限状态机构建公式,构建有限状态机G3i;其中,所述有限状态机构建公式为G3i=Meet(G′1i,G′2);
结果确定单元,用于利用预设的运算公式,确定P(L(bi))∩P(L~f)的运算结果,得到所述运算结果Ri;其中,所述运算公式为:Ri=L(G3i)=L(G′1i)∩L(G′2)=P(L(bi))∩P(L~f)。
可选的,所述可诊断率计算模块,具体用于将所述N值和所述计数值k输入预设的可诊断率计算公式,得到所述可诊断率;
其中,所述可诊断率计算公式为:λ=k/N;
式中,λ表示所述可诊断率。
本发明还进一步公开了一种故障诊断***,应用于离散事件***,包括:
可诊断率确定模块,用于利用前述公开的可诊断率确定***,确定出所述离散事件***的可诊断率;
故障诊断模块,用于当所述可诊断率大于预设阈值,则利用诊断器方法对所述离散事件***进行故障诊断。
本发明中,可诊断率确定方法,应用于离散事件***,包括:确定与离散事件***对应的有限状态机模型;从有限状态机模型的所有分支中分别筛选出与故障事件对应的分支以及与非故障事件对应的分支,得到相应的第一类分支和第二类分支;从第一类分支中过滤掉不可观察事件,得到第一过滤后分支;其中,第一过滤后分支中的第i个分支表示为P(L(bi)),i=1,2,...,N,N值为第一类分支中的分支数量;从第二类分支中过滤掉不可观察事件,得到第二过滤后分支;其中,第二过滤后分支中的分支表示为P(L~f);统计满足目标条件的i值的个数,得到相应的计数值k;其中,目标条件为P(L(bi))∩P(L~f)≠P(L(bi));利用N值和计数值k,计算离散事件***的可诊断率,以根据可诊断率是否大于预设阈值来确定是否使用诊断器方法对离散事件***进行故障诊断。
可见,本发明能够确定出离散事件***的可诊断率,在可诊断率大于预设阈值的情况下使用诊断器方法对离散事件***进行故障诊断,由此可以避免仅在离散事件***是绝对可诊断的情况下方能使用诊断器方法来进行故障诊断的情况,从而扩大了诊断器方法的应用范围。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为一种离散事件***示意图;
图2为一种离散事件***对应的诊断器构造图;
图3为本发明实施例公开了一种可诊断率确定方法流程图;
图4为本发明实施例公开了一种具体的可诊断率确定方法流程图;
图5a至图5d为一种离散事件***的分支示意图;
图6a至图6c为第一过滤后分支对应的有限状态机示意图;
图7为第二过滤后分支对应的有限状态机示意图;
图8a至图8c为基于有限状态机构建公式构建的有限状态机示意图;
图9为本发明实施例公开的一种可诊断率确定***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种可诊断率确定方法,应用于离散事件***,参见图3所示,该方法包括:
步骤S11:确定与离散事件***对应的有限状态机模型;
步骤S12:从有限状态机模型的所有分支中分别筛选出与故障事件对应的分支以及与非故障事件对应的分支,得到相应的第一类分支和第二类分支;
步骤S13:从第一类分支中过滤掉不可观察事件,得到第一过滤后分支;其中,第一过滤后分支中的第i个分支表示为P(L(bi)),i=1,2,...,N,N值为第一类分支中的分支数量;
步骤S14:从第二类分支中过滤掉不可观察事件,得到第二过滤后分支;其中,第二过滤后分支中的分支表示为P(L~f);
步骤S15:统计满足目标条件的i值的个数,得到相应的计数值k;其中,目标条件为P(L(bi))∩P(L~f)≠P(L(bi));
步骤S16:利用N值和计数值k,计算离散事件***的可诊断率,以根据可诊断率是否大于预设阈值来确定是否使用诊断器方法对离散事件***进行故障诊断。
可见,本发明实施例能够确定出离散事件***的可诊断率,在可诊断率大于预设阈值的情况下使用诊断器方法对离散事件***进行故障诊断,由此可以避免仅在离散事件***是绝对可诊断的情况下方能使用诊断器方法来进行故障诊断的情况,从而扩大了诊断器方法的应用范围。
本发明实施例公开了一种具体的可诊断率确定方法,参见图4所示,该方法具体包括:
步骤S21:确定与离散事件***对应的有限状态机模型。
步骤S22:从有限状态机模型的所有分支中分别筛选出与故障事件对应的分支以及与非故障事件对应的分支,得到相应的第一类分支和第二类分支。
步骤S23:从第一类分支中过滤掉不可观察事件,得到第一过滤后分支;其中,第一过滤后分支中的第i个分支表示为P(L(bi)),i=1,2,...,N,N值为第一类分支中的分支数量。
步骤S24:从第二类分支中过滤掉不可观察事件,得到第二过滤后分支;其中,第二过滤后分支中的分支表示为P(L~f)。
步骤S25:确定P(L(bi))∩P(L~f)的运算结果,得到相应的运算结果Ri。
其中,上述确定P(L(bi))∩P(L~f)的运算结果,得到相应的运算结果Ri的过程,具体可以包括下面步骤S251至S254:
步骤S251:分别创建与第一过滤后分支中的每个分支对应的有限状态机,得到第一有限状态机集合G′1;其中,第一有限状态机集合G′1中的第i个有限状态机为G′1i;
步骤S252:分别创建与第二过滤后分支中的每个分支对应的有限状态机,得到第二有限状态机集合G′2;其中,第二有限状态机集合G′2中的第j个有限状态机为G′2j;
步骤S253:利用预设的有限状态机构建公式,构建有限状态机G3i;其中,有限状态机构建公式为G3i=Meet(G′1i,G′2);
步骤S254:利用预设的运算公式,确定P(L(bi))∩P(L~f)的运算结果,得到运算结果Ri;其中,运算公式为:Ri=L(G3i)=L(G′1i)∩L(G′2)=P(L(bi))∩P(L~f)。
步骤S26:统计满足Ri≠P(L(bi))的i值的个数,得到计数值k。
步骤S27:将N值和计数值k输入预设的可诊断率计算公式,得到可诊断率,以根据可诊断率是否大于预设阈值来确定是否使用诊断器方法对离散事件***进行故障诊断。
其中,上述可诊断率计算公式具体为:λ=k/N;
式中,λ表示可诊断率。
为了对上述过程进行进一步详细的说明,本发明实施例将运用上述可诊断率确定方法对图1所示的离散事件***的可诊断率进行确定。具体的,先确定出与图1中的离散事件***对应的有限状态机模型的各个分支,参见图5a至5d所示,其中,图5a至图5c分别示出了上述离散事件***的有限状态机模型的与故障事件对应的分支b1、b2和b3,而图5d则示出了上述离散事件***的有限状态机模型的与非故障事件对应的分支b4,也即,经过上述处理可以得到与上述离散事件***对应的第一类分支Bf={b1,b2,b3},以及得到与上述离散事件***对应的第二类分支B~f={b4},此时上述N值等于3。
然后,本实施例从第一类分支中过滤掉不可观察事件,得到第一过滤后分支,然后分别创建与第一过滤后分支中的每个分支对应的有限状态机,得到如图6a至图6c所示的有限状态机G′11、G′12以及G′13。同样,本实施例从第二类分支中过滤掉不可观察事件,得到第二过滤后分支,然后分别创建与第二过滤后分支中的每个分支对应的有限状态机,得到如图7所示的有限状态机G′2。
接着,本实施例利用上述预设的有限状态机构建公式构建相应的有限状态机G3i=Meet(G′1i,G′2),得到如图8a至图8c所示的有限状态机G31、G32以及G33,由此可以得知P(L(b2))∩P(L~f)≠P(L(b2))和P(L(b3))∩P(L~f)≠P(L(b3)),也即得到上述计数值k为2。
在上述第一类分支中的分支数量N值等于3,以及上述计数值k为2,结合上述可诊断率计算公式,可以计算出λ=2/3≈0.67,根据这个结果可知,这个离散事件***虽然不是绝对可诊断的,但它是相对可诊断的,这意味着该***中存在一半以上的故障是可以通过诊断器方法进行诊断的,所以诊断器方法依然可以作为该***中部分故障诊断的一个选择。
进一步的,本发明实施例还公开了一种故障诊断方法,应用于离散事件***,包括:
利用前述实施例中公开的可诊断率确定方法,确定出离散事件***的可诊断率;若可诊断率大于预设阈值,则利用诊断器方法对离散事件***进行故障诊断。
本实施例中,上述预设阈值具体可以设为0.5。
关于上述可诊断率确定方法的具体过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本发明实施例能够确定出离散事件***的可诊断率,在可诊断率大于预设阈值的情况下使用诊断器方法对离散事件***进行故障诊断,由此可以避免仅在离散事件***是绝对可诊断的情况下方能使用诊断器方法来进行故障诊断的情况,从而扩大了诊断器方法的应用范围。
相应的,本发明实施例还公开了一种可诊断率确定***,应用于离散事件***,参见图9所示,上述可诊断率确定***包括:
模型确定模块11,用于确定与离散事件***对应的有限状态机模型;
分支筛选模块12,用于从有限状态机模型的所有分支中分别筛选出与故障事件对应的分支以及与非故障事件对应的分支,得到相应的第一类分支和第二类分支;
第一过滤模块13,用于从第一类分支中过滤掉不可观察事件,得到第一过滤后分支;其中,第一过滤后分支中的第i个分支表示为P(L(bi)),i=1,2,...,N,N值为第一类分支中的分支数量;
第二过滤模块14,用于从第二类分支中过滤掉不可观察事件,得到第二过滤后分支;其中,第二过滤后分支中的分支表示为P(L~f);
统计模块15,用于统计满足目标条件的i值的个数,得到相应的计数值k;其中,目标条件为P(L(bi))∩P(L~f)≠P(L(bi));
可诊断率计算模块16,用于利用N值和计数值k,计算离散事件***的可诊断率,以根据可诊断率是否大于预设阈值来确定是否使用诊断器方法对离散事件***进行故障诊断。
具体的,上述统计模块15,可以包括运算结果确定子模块以及统计子模块;其中,
运算结果确定子模块,用于确定P(L(bi))∩P(L~f)的运算结果,得到相应的运算结果Ri;
统计子模块,用于统计满足Ri≠P(L(bi))的i值的个数,得到计数值k。
进一步的,上述运算结果确定子模块,具体可以包括第一创建单元、第二创建单元、状态机构建单元和结果确定单元;其中,
第一创建单元,用于分别创建与第一过滤后分支中的每个分支对应的有限状态机,得到第一有限状态机集合G′1;其中,第一有限状态机集合G′1中的第i个有限状态机为G′1i;
第二创建单元,用于分别创建与第二过滤后分支中的每个分支对应的有限状态机,得到第二有限状态机集合G′2;其中,第二有限状态机集合G′2中的第j个有限状态机为G′2j;
状态机构建单元,用于利用预设的有限状态机构建公式,构建有限状态机G3i;其中,有限状态机构建公式为G3i=Meet(G′1i,G′2);
结果确定单元,用于利用预设的运算公式,确定P(L(bi))∩P(L~f)的运算结果,得到运算结果Ri;其中,运算公式为:Ri=L(G3i)=L(G′1i)∩L(G′2)=P(L(bi))∩P(L~f)。
另外,上述可诊断率计算模块,具体可以用于将N值和计数值k输入预设的可诊断率计算公式,得到可诊断率;
其中,可诊断率计算公式为:λ=k/N;
式中,λ表示可诊断率。
可见,本发明实施例能够确定出离散事件***的可诊断率,在可诊断率大于预设阈值的情况下使用诊断器方法对离散事件***进行故障诊断,由此可以避免仅在离散事件***是绝对可诊断的情况下方能使用诊断器方法来进行故障诊断的情况,从而扩大了诊断器方法的应用范围。
进一步的,本发明实施例还公开了一种故障诊断***,应用于离散事件***,包括:
可诊断率确定模块,用于利用前述实施例中公开的可诊断率确定***,确定出离散事件***的可诊断率;
故障诊断模块,用于当可诊断率大于预设阈值,则利用诊断器方法对离散事件***进行故障诊断。
关于上述可诊断率确定***的更加具体的构造可以参考前述实施例中公开的内容,在此不再进行赘述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种可诊断率确定方法、***以及故障诊断方法、***进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种可诊断率确定方法,其特征在于,应用于离散事件***,包括:
确定与所述离散事件***对应的有限状态机模型;
从所述有限状态机模型的所有分支中分别筛选出与故障事件对应的分支以及与非故障事件对应的分支,得到相应的第一类分支和第二类分支;
从所述第一类分支中过滤掉不可观察事件,得到第一过滤后分支;其中,所述第一过滤后分支中的第i个分支表示为P(L(bi)),i=1,2,...,N,N值为所述第一类分支中的分支数量;
从所述第二类分支中过滤掉不可观察事件,得到第二过滤后分支;其中,所述第二过滤后分支中的分支表示为P(L~f);
统计满足目标条件的i值的个数,得到相应的计数值k;其中,所述目标条件为P(L(bi))∩P(L~f)≠P(L(bi));
利用所述N值和所述计数值k,计算所述离散事件***的可诊断率,以根据所述可诊断率是否大于预设阈值来确定是否使用诊断器方法对所述离散事件***进行故障诊断。
2.根据权利要求1所述的可诊断率确定方法,其特征在于,所述统计满足目标条件的i值的个数,得到相应的计数值k的过程,包括:
确定P(L(bi))∩P(L~f)的运算结果,得到相应的运算结果Ri;
统计满足Ri≠P(L(bi))的i值的个数,得到所述计数值k。
3.根据权利要求2所述的可诊断率确定方法,其特征在于,所述确定P(L(bi))∩P(L~f)的运算结果,得到相应的运算结果Ri的过程,包括:
分别创建与所述第一过滤后分支中的每个分支对应的有限状态机,得到第一有限状态机集合G1′;其中,所述第一有限状态机集合G1′中的第i个有限状态机为G′1i;
分别创建与所述第二过滤后分支中的每个分支对应的有限状态机,得到第二有限状态机集合G2′;其中,所述第二有限状态机集合G2′中的第j个有限状态机为G′2j;
利用预设的有限状态机构建公式,构建有限状态机G3i;其中,所述有限状态机构建公式为G3i=Meet(G′1i,G2′);
利用预设的运算公式,确定P(L(bi))∩P(L~f)的运算结果,得到所述运算结果Ri;其中,所述运算公式为:Ri=L(G3i)=L(G′1i)∩L(G2′)=P(L(bi))∩P(L~f)。
4.根据权利要求1至3任一项所述的可诊断率确定方法,其特征在于,所述利用所述N值和所述计数值k,计算所述离散事件***的可诊断率的过程,包括:
将所述N值和所述计数值k输入预设的可诊断率计算公式,得到所述可诊断率;
其中,所述可诊断率计算公式为:λ=k/N;
式中,λ表示所述可诊断率。
5.一种故障诊断方法,其特征在于,应用于离散事件***,包括:
利用如权利要求1至4任一项所述的可诊断率确定方法,确定出所述离散事件***的可诊断率;
若所述可诊断率大于预设阈值,则利用诊断器方法对所述离散事件***进行故障诊断。
6.一种可诊断率确定***,其特征在于,应用于离散事件***,包括:
模型确定模块,用于确定与所述离散事件***对应的有限状态机模型;
分支筛选模块,用于从所述有限状态机模型的所有分支中分别筛选出与故障事件对应的分支以及与非故障事件对应的分支,得到相应的第一类分支和第二类分支;
第一过滤模块,用于从所述第一类分支中过滤掉不可观察事件,得到第一过滤后分支;其中,所述第一过滤后分支中的第i个分支表示为P(L(bi)),i=1,2,...,N,N值为所述第一类分支中的分支数量;
第二过滤模块,用于从所述第二类分支中过滤掉不可观察事件,得到第二过滤后分支;其中,所述第二过滤后分支中的分支表示为P(L~f);
统计模块,用于统计满足目标条件的i值的个数,得到相应的计数值k;其中,所述目标条件为P(L(bi))∩P(L~f)≠P(L(bi));
可诊断率计算模块,用于利用所述N值和所述计数值k,计算所述离散事件***的可诊断率,以根据所述可诊断率是否大于预设阈值来确定是否使用诊断器方法对所述离散事件***进行故障诊断。
7.根据权利要求6所述的可诊断率确定***,其特征在于,所述统计模块,包括:
运算结果确定子模块,用于确定P(L(bi))∩P(L~f)的运算结果,得到相应的运算结果Ri;
统计子模块,用于统计满足Ri≠P(L(bi))的i值的个数,得到所述计数值k。
8.根据权利要求7所述的可诊断率确定***,其特征在于,所述运算结果确定子模块,包括:
第一创建单元,用于分别创建与所述第一过滤后分支中的每个分支对应的有限状态机,得到第一有限状态机集合G1′;其中,所述第一有限状态机集合G1′中的第i个有限状态机为G′1i;
第二创建单元,用于分别创建与所述第二过滤后分支中的每个分支对应的有限状态机,得到第二有限状态机集合G2′;其中,所述第二有限状态机集合G2′中的第j个有限状态机为G′2j;
状态机构建单元,用于利用预设的有限状态机构建公式,构建有限状态机G3i;其中,所述有限状态机构建公式为G3i=Meet(G′1i,G2′);
结果确定单元,用于利用预设的运算公式,确定P(L(bi))∩P(L~f)的运算结果,得到所述运算结果Ri;其中,所述运算公式为:Ri=L(G3i)=L(G′1i)∩L(G2′)=P(L(bi))∩P(L~f)。
9.根据权利要求6至8任一项所述的可诊断率确定***,其特征在于,
所述可诊断率计算模块,具体用于将所述N值和所述计数值k输入预设的可诊断率计算公式,得到所述可诊断率;
其中,所述可诊断率计算公式为:λ=k/N;
式中,λ表示所述可诊断率。
10.一种故障诊断***,其特征在于,应用于离散事件***,包括:
可诊断率确定模块,用于利用如权利要求6至9任一项所述的可诊断率确定***,确定出所述离散事件***的可诊断率;
故障诊断模块,用于当所述可诊断率大于预设阈值,则利用诊断器方法对所述离散事件***进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710707934.2A CN107463165A (zh) | 2017-08-17 | 2017-08-17 | 一种可诊断率确定方法、***以及故障诊断方法、*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710707934.2A CN107463165A (zh) | 2017-08-17 | 2017-08-17 | 一种可诊断率确定方法、***以及故障诊断方法、*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107463165A true CN107463165A (zh) | 2017-12-12 |
Family
ID=60549946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710707934.2A Pending CN107463165A (zh) | 2017-08-17 | 2017-08-17 | 一种可诊断率确定方法、***以及故障诊断方法、*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463165A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725528A (zh) * | 2018-11-13 | 2019-05-07 | 广东工业大学 | 离散事件***的故障可预测性检测方法及故障预测器 |
CN111966076A (zh) * | 2020-08-11 | 2020-11-20 | 广东工业大学 | 基于有限状态机和图神经网络的故障定位方法 |
-
2017
- 2017-08-17 CN CN201710707934.2A patent/CN107463165A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725528A (zh) * | 2018-11-13 | 2019-05-07 | 广东工业大学 | 离散事件***的故障可预测性检测方法及故障预测器 |
CN111966076A (zh) * | 2020-08-11 | 2020-11-20 | 广东工业大学 | 基于有限状态机和图神经网络的故障定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106790008B (zh) | 用于在企业网络中检测异常主机的机器学习*** | |
CN107066759A (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
Mouzakitis | Classification of fault diagnosis methods for control systems | |
CN107241226A (zh) | 基于工控私有协议的模糊测试方法 | |
Klein et al. | Fault detection of discrete event systems using an identification approach | |
CN106790256A (zh) | 用于危险主机检测的主动机器学习*** | |
CN101657766A (zh) | 用于分布式工厂控制***的在线故障检测和避免框架 | |
CN107450517A (zh) | 一种随机离散事件***安全可诊断性确定方法及*** | |
CN107463165A (zh) | 一种可诊断率确定方法、***以及故障诊断方法、*** | |
EP2472440A1 (en) | Method and system for diagnosis of plant status | |
Maier | Identification of timed behavior models for diagnosis in production systems. | |
CN108768750A (zh) | 通信网络故障定位方法及装置 | |
US20220027731A1 (en) | Systems and methods for real-time data processing and for emergency planning | |
Rigatos | Fault detection and isolation based on fuzzy automata | |
Chockalingam et al. | Combining Bayesian networks and fishbone diagrams to distinguish between intentional attacks and accidental technical failures | |
Kuznietsov et al. | Explainable ai for safe and trustworthy autonomous driving: A systematic review | |
CN105786635A (zh) | 一种面向故障敏感点动态检测的复杂事件处理***及方法 | |
CN113489602A (zh) | 基于数据挖掘的通信故障定位方法及*** | |
CN108121796A (zh) | 基于可信度的电能计量装置故障分析方法及装置 | |
Kaupp et al. | An industry 4.0-ready visual analytics model for context-aware diagnosis in smart manufacturing | |
Zhao et al. | Study of fault diagnosis method based on fuzzy Bayesian network and application in CTCS-3 train control system | |
CN116611523A (zh) | 涡轮风扇发动机的可解释故障预测方法及*** | |
Mbuli et al. | Root causes analysis and fault prediction in intelligent transportation systems: coupling unsupervised and supervised learning techniques | |
Hussain et al. | Tuning of fault semantic network using Bayesian theory for probabilistic fault diagnosis in process industry | |
Charbonnier et al. | Fault isolation by comparing alarm lists using a symbolic sequence matching algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171212 |