CN110309612B - 基于模糊故障Petri网的动力***故障处理方法 - Google Patents
基于模糊故障Petri网的动力***故障处理方法 Download PDFInfo
- Publication number
- CN110309612B CN110309612B CN201910614152.3A CN201910614152A CN110309612B CN 110309612 B CN110309612 B CN 110309612B CN 201910614152 A CN201910614152 A CN 201910614152A CN 110309612 B CN110309612 B CN 110309612B
- Authority
- CN
- China
- Prior art keywords
- fault
- transition
- library
- confidence
- event
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/22—Design optimisation, verification or simulation using Petri net models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于模糊故障Petri网的动力***故障处理方法,方法包括以下步骤:基于动力***的故障类型建立部件和***故障的关联关系,建立模糊故障Petri网和建模规则,所述模糊故障Petri网按照变迁使能规则和发生规则不断改变***的状态,描述***的动态特性,基于正向推理算法得到故障事件置信度、变迁点火和事件故障的推理过程,以获得基本事件置信度及变迁点火序列及故障传播路径;基于反向推理算法得到故障的搜索路径,以获得故障的快速诊断策略;基于正反向推理诊断算法以实现***级故障的处理。
Description
技术领域
本发明属于故障检测领域,特别是一种基于模糊故障Petri网的动力***故障处理方法。
背景技术
装甲车是用于地面突击与反突击的陆军主战武器装备,任务可靠性是其作战性能的重要指标。它的实际使用环境复杂,经常处于高速、大负荷、强振动冲击恶劣环境中,这也就造成其故障频发,据统计,维修费用高达装备全寿命费用的72%以上。动力***是其故障多发部件,其故障次数占整车故障总数的51%左右。由于其结构复杂,载荷多变,信息不确定性强,这增加了故障预测和快速修复难度。随着高新技术的广泛应用,现代装甲装备的战技性能不断提高,***组成结构日趋复杂,使用与保障费用日益庞大。因此,装甲车故障预测与诊断是装备可靠性、维修性和保障性研究的重要工作,准确的故障预测与诊断对于指导装甲车的维修和保障,避免盲目拆卸带来的不必要危害以及缩短故障鉴定时间等方面,具有重要的理论和实际意义。装甲车动力***对车辆机动性能的发挥具有重要作用,其所述主要由曲柄连杆机构、联动机构、气体分配机构、涡轮增压器、冷却***、润滑***、空气供给***、燃油供给***、加温***、排气***、起动***等11个子***构成的复杂***。由于***结构复杂,使用环境恶劣,载荷多变,信息不确定性强,使得动力***故障产生机理更加复杂,动力***故障率高,也增加了故障预测和快速修复难度。传统的故障监测和诊断大都针对某一设备或子***,通过对大量告警的关联分析来推导可能出现的故障,仅从某一设备或者某一个环节上进行的故障诊断,不能从***层面上实现整个***的高可靠性和高维护性,会影响***的正常运行,导致灾难性事故的发生。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解,因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
发明内容
本发明的目的是通过以下技术方案予以实现,一种基于模糊故障Petri网的动力***故障处理方法包括以下步骤:
第一步骤中,基于动力***的故障类型建立部件和***故障的关联关系,
第二步骤中,建立模糊故障Petri网和建模规则,所述模糊故障Petri网按照变迁使能规则和发生规则不断改变***的状态,描述***的动态特性,其中,模糊故障Petri网定义为12元组(P,T,I,O,K,Tt,M,w,f,α,λ,Uμ),其中:P={p1,p2,…,pm}为非空有限库所集合,表示***故障事件的集合,T={t1,t2,…tn}为非空的有限变迁集合,表示被模拟***的状态变化或者行为动作,反映***内部故障传播演化,I:P×T为输入矩阵,表示从pi→tj间存在的有向弧,即变迁tj的输入弧,而pi为变迁tj的输入库所,i=1,2,…,m;j=1,2,…,n;O:T×P为输出矩阵,表示从tj→pi间存在的有向弧,即变迁tj的输出弧,而pi为变迁tj的输出库所,i=1,2,…,m;j=1,2,…,n;K:P→[0,1]为故障Petri网的容量函;Tt:已触发过的变迁向量,该向量初始值为T0 t=(0,0,…,0)T,用于标识故障的传播路径,防止变迁的反复发生,即同一故障发生后,该元素被置1,表示在没被修复之前不会再次发生;M=(m1,m2,…,mm)T为库所标识分布向量,mi标识其对应库所pi的状态,m0是库所初始向量标识,表示被模拟***的初始状态;w=(w1,w2,…,wn)T是库所故障事件权值向量,反映输入库所pk对变迁t的影响程度,其中pk∈I且f=(f1,f2,…,fm)T是库所故障事件的模糊概率阈值向量,当故障事件置信度αi>fi,可以认为故障事件为真,否则为假;α=(α1,α2,…,αm)T为故障事件置信度向量,包括αdefault’αIN和αOUT’αdefault为默认故障事件置信度向量,根据故障统计获取,包含所有库所;αIN为输入故障事件置信度向量,根据传感器监测数据进行部件故障诊断后获取,元素为初始库所;αOUT为输出故障事件置信度向量,根据正向推理算法获取,元素为除去初始库所外所有库所;λ=(λ1,λ2,…,λn)T表示低层故障引起高层故障的置信度阈值;Uμ=diag(μ1,μ2,…,μn),表示变迁可信度矩阵,μj表示变迁tj的可信度,μj∈[0,1]’j=1,2,…,n,定义向量Nμ=(μ1,μ2,…,μn)T表示变迁可信度向量;
第三步骤中,基于正向推理算法得到故障事件置信度、变迁点火和事件故障的推理过程,以获得基本事件置信度及变迁点火序列及故障传播路径;基于反向推理算法得到故障的搜索路径,以获得故障的快速诊断策略;基于正反向推理诊断算法以实现***级故障的诊断。
所述的方法中,第一步骤,动力***为装甲车辆动力装置,其包括以下部件:曲柄连杆机构、联动机构、气体分配机构、涡轮增压器、冷却***、润滑***、空气供给***、燃油供给***、加温***、排气***和起动***,根据层次性和相关性得到所述关联关系,其中,层次性为故障的“纵向性”,高层次的故障可以由低层次的故障所引起,而低层次的故障必定引起高层次的故障;相关性为故障的“横向性”,由若干相互联系的子***组成的***,子***的故障由与之相关的子***或下一级子***故障传播所致。
所述的方法中,第二步骤中,当p1然后p2发生,t·={p2},表示如果库所p1只能通过唯一变迁t到达库所p2,且变迁t的后集只有{p2},变迁使能满足α1*w*μ>λ,即库所p1对规则的实际可信度大于变迁触发所要求的阈值则被触发,且触发后故障事件置信度α2=α1wμ。
所述的方法中,第二步骤,当p1和p2…以及pn发生,pk发生,t·={pk},库所p1对规则的实际可信度大于变迁触发所要求的阈值,变迁使能满足min(α1w1μ,α2w2μ,…,αnwnμ)>λ,即库所p1,p2,…,pn对规则的实际可信度中最小的都大于变迁触发所要求的阈值则被触发,且触发后故障事件置信度αk=min(α1w1μ,α2w2μ,…αnwnμ)。
所述的方法中,第二步骤,当pj发生后p1和p2…以及pn发生,t·={p1,p2,…,pn},表示如果库所p1,p2,…,pn都通过变迁t能同时到达库所p1,p2,…,pn,且变迁t的后集只有{p1,p2,…,pn},变迁使能满足αj*w*μ>λ则被触发,即库所p1,p2,…,pn对规则的实际可信度中最小的都大于变迁触发所要求的阈值则被触发,且触发后故障事件置信度α1=α2=…=αn=αj*w*μ。
所述的方法中,第二步骤,当p1和p2…以及pn发生后pk发生,即库所p1,p2,…,pn对规则的实际可信度中最小的都大于变迁触发所要求的阈值则被触发,若变迁便能满足max(α1w1μ1,α2w2μ2,…,αnwnμn)>λ,即库所p1,p2,…,pn对规则的实际可信度中只要最大的大于变迁触发所要求的阈值则被触发,触发后故障事件置信度αk=max(α1w1μ1,α2w2μ2,…,αnwnμn)。
所述的方法中,第二步骤,当pj1和pj2…以及pjm发生后pk1和pk2…以及pkn发生,t·={pk1,pk2,…,pkn},表示如果库所pj1,pj2,…,pjn都通过变迁t能到达库所pk1,pk2,…,pkn,且变迁t的后集只有{pk1,pk2,…,pkn},若变迁使能满足min(αj1w1μ,αj2w2μ,…,αjmwmμ)>λ,即库所p1,p2,…,pn对规则的实际可信度中最小的都大于变迁触发所要求的阈值则被触发,触发后故障事件置信度αk1=αk2=…=αkn=min(αj1w1μ,αj2w2μ,…αjmwmμ)。
所述的方法中,第三步骤中,采用MYCIN置信度矩阵推理法逐步推理得到***部件的全部状态量,定义3个算子:取大算子A,B,C均为m×n的矩阵,则cij=max(αij,bij),i=1,2,…,m,j=1,2,…,n,乘法算子 A,B,C分别为m×q,q×n,m×n的矩阵,则
直乘算子*:C=A*B,A,B,C均为m维向量,则ci=ai·bi,i=1,2,…,m
事件的置信度推理公式为:
式中,αk+1和αk分别为事件在第k次和第k+1次推理的置信度;O为输出矩阵,表示从tj→pi间存在的有向弧,即变迁tj的输出弧,而pi为变迁tj的输出库所,i=1,2,…,m;j=1,2,…,n;Uμ表示变迁可信度矩阵,元素μj表示变迁tj的可信度,μj∈[0,1],j=1,2,…,n;IT为输入矩阵,表示从pi→tj间存在的有向弧,即变迁tj的输入弧,而pi为变迁tj的输入库所,i=1,2,…,m;j=1,2,…,n;W是库所故障事件权值向量,反映输入库所pk对变迁t的影响程度,其中pk∈I且 是m维向量,描述规则为真的置信度,
推理过程如下:
第一步:参数初始化;
第二步:k=0;
第三步:由αk计算得到αk+1;
第四步:若αk+1≠αk,重复第三步;若αk+1=αk,推理结束。
所述的方法中,第三步骤中,变迁点火的推理过程为:
第一步:参数初始化;
第二步:根据计算变迁支持度,式中Dk+1,Dk分别为事件在第k次和第k+1次潜在使能变迁支持度标识;Nμ=(μ1,μ2,…,μn)T表示变迁可信度向量;αk为事件在第k次推理的置信度;IT为输入矩阵,表示从pi→tj间存在的有向弧,即变迁tj的输入弧,而pi为变迁tj的输入库所,i=1,2,…,m;j=1,2,…,n;W是库所故障事件权值向量,反映输入库所pk对变迁t的影响程度,其中pk∈I且 是m维向量,描述规则为真的置信度;
第三步:根据计算已触发过的变迁向量Tt,式中,Tk+1 t,Tk t分别为第k次和第k+1次已触发过的变迁向量标识;Dk为事件在第k次潜在使能变迁支持度标识;λ=(λ1,λ2,…,λn)T表示低层故障引起高层故障的置信度阈值;αk为事件在第k次推理的置信度;IT为输入矩阵,表示从pi→tj间存在的有向弧,即变迁tj的输入弧,而pi为变迁tj的输入库所,i=1,2,…,m;j=1,2,…,n;fk是第k次推理库所故障事件的模糊概率阈值向量;
第四步:根据计算故障事件向量M,式中,Mk+1,Mk分别为第k次和第k+1次的故障事件向量;Tk t为第k次已触发过的变迁向量标识;O为输出矩阵,表示从tj→pi间存在的有向弧,即变迁tj的输出弧,而pi为变迁tj的输出库所,i=1,2,…,m;j=1,2,…,n;
第五步:若Mk+1≠Mk,重复第二步;若Mk+1=Mk,推理结束。
所述的方法中,ta为一变迁,pi,pj,pk为三个库所,如果pi∈·ta,pj∈ta ·,则pi称为pj的立即回溯关联库所,pj称为pi的立即前瞻关联库所,如果pi是pj的立即回溯关联库所,pj是pk的立即回溯关联库所,则称pi是pk的回溯关联库所,如果pi∈·ta且pk∈·ta,则称pi和pk为变迁ta的临近库所,包含pi的立即回溯关联库所的集合称为pi的立即回溯关联库所集合,记为IHS(pi);包含pi的回溯关联库所的集合称为pi的回溯关联库所集合,记为HS(pi),反向推理过程:
第一步:参数初始化;
第二步:找寻终止节点pj,将其作为初始目标库所(pj,IHS(pj)),其中:pj是目标库所,·pj=tj,IHS(pj)是目标库所pj的立即回溯关联库所集合,计算初始目标库IHS(pj)所有元素的故障易发率;
第三步:搜索所有未搜索路径中故障易发率最大值所对应库所pk,将其作为初始目标库所(pk,IHS(pk)),若IHS(pk)为空集,说明此节点为终止节点,返回它的立即前瞻关联库所,重复第三步,否则进入下一步;
第四步:若IHS(pk)非空,按照第三步的方法往下进行,直至遍历所有库所。
和现有技术相比,本发明具有以下优点:
本发明方法简单易行,突破了复杂装备非确定性故障传播建模技术,解决了故障模型的表征和描述难题。
附图说明
通过阅读下文优选的具体实施方式中的详细描述,本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。显而易见地,下面描述的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。而且在整个附图中,用相同的附图标记表示相同的部件。
在附图中:
图1是本发明所述的基于模糊故障Petri网的动力***故障处理方法的步骤示意图;
图2是本发明所述的基于模糊故障Petri网的动力***故障处理方法的装甲车动力装置结构层次示意图;
图3(a)-图3(b)是本发明所述的基于模糊故障Petri网的动力***故障处理方法的“一因一果”类型的示意图;
图4(a)-图4(b)是本发明所述的基于模糊故障Petri网的动力***故障处理方法的“多因一果”类型的示意图;
图5(a)-图5(b)是本发明所述的基于模糊故障Petri网的动力***故障处理方法的“一因多果”类型的示意图;
图6(a)-图6(b)是本发明所述的基于模糊故障Petri网的动力***故障处理方法的“竞争模式”类型的示意图;
图7(a)-图7(b)是本发明所述的基于模糊故障Petri网的动力***故障处理方法的“多因多果”类型的示意图;
图8是本发明所述的基于模糊故障Petri网的动力***故障处理方法的事件置信度的推理过程的示意图;
图9是本发明所述的基于模糊故障Petri网的动力***故障处理方法的智能诊断推理过程的示意图;
图10是本发明所述的基于模糊故障Petri网的动力***故障处理方法的机油温度过高模糊故障Petri网示意图。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面将参照附图图1-图10更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本发明实施例的限定。
为了更好地理解,图1是根据本发明一个实施例的基于模糊故障Petri网的动力***故障处理方法的流程示意图,如图1所示,一种基于模糊故障Petri网的动力***故障处理方法包括以下步骤:
第一步骤S100中,基于动力***的故障类型建立部件和***故障的关联关系,
第二步骤S200中,建立模糊故障Petri网和建模规则,所述模糊故障Petri网按照变迁使能规则和发生规则不断改变***的状态,描述***的动态特性,其中,
模糊故障Petri网定义为12元组(P,T,I,O,K,Tt,M,w,f,α,λ,Uμ),其中:P={p1,p2,…,pm}为非空有限库所集合,表示***故障事件的集合,T={t1,t2,…tn}为非空的有限变迁集合,表示被模拟***的状态变化或者行为动作,反映***内部故障传播演化,I:P×T为输入矩阵,表示从pi→tj间存在的有向弧,即变迁tj的输入弧,而pi为变迁tj的输入库所,i=1,2,…,m;j=1,2,…,n;O:T×P为输出矩阵,表示从tj→pi间存在的有向弧,即变迁tj的输出弧,而pi为变迁tj的输出库所,i=1,2,…,m;j=1,2,…,n;K:P→[0,1]为故障Petri网的容量函;Tt:已触发过的变迁向量,该向量初始值为T0 t=(0,0,…,0)T,用于标识故障的传播路径,防止变迁的反复发生,即同一故障发生后,该元素被置1,表示在没被修复之前不会再次发生;M=(m1,m2,…,mm)T为库所标识分布向量,mi标识其对应库所pi的状态,m0是库所初始向量标识,表示被模拟***的初始状态;w=(w1,w2,…,wn)T是库所故障事件权值向量,反映输入库所pk对变迁t的影响程度,其中pk∈I且f=(f1,f2,…,fm)T是库所故障事件的模糊概率阈值向量,当故障事件置信度αi>fi,可以认为故障事件为真,否则为假;α=(α1,α2,…,αm)T为故障事件置信度向量,包括αdefault,αIN和αOUT,αdefault为默认故障事件置信度向量,根据故障统计获取,包含所有库所;αIN为输入故障事件置信度向量,根据传感器监测数据进行部件故障诊断后获取,元素为初始库所;αOUT为输出故障事件置信度向量,根据正向推理算法获取,元素为除去初始库所外所有库所;λ=(λ1,λ2,…,λn)T表示低层故障引起高层故障的置信度阈值;Uμ=diag(μ1,μ2,…,μn),表示变迁可信度矩阵,μj表示变迁tj的可信度,μj∈[0,1],j=1,2,…,n,定义向量Nμ=(μ1,μ2,…,μn)T表示变迁可信度向量;
第三步骤S300中,基于正向推理算法得到故障事件置信度、变迁点火和事件故障的推理过程,以获得基本事件置信度及变迁点火序列及故障传播路径;基于反向推理算法得到故障的搜索路径,以获得故障的快速诊断策略;基于正反向推理诊断算法以实现***级故障的诊断。
本发明特别适用于装甲车辆动力装置故障处理,在实施例中,基于模糊故障Petri网的动力***故障处理方法包括以下步骤:
1)对装甲车辆动力装置出现的不同故障类型进行分析,确定关键部件和***故障间的关联关系,从***级层面描述***、子***与设备间的关系,同时考虑***整体与部分、结构与层次间联系,分析装甲车辆动力装置故障模式和故障层次。
2)定义模糊故障Petri网和确定建模规则。
3)提出正向推理算法,得到故障事件置信度、变迁点火和事件故障的推理过程,获得基本事件置信度及变迁点火序列及故障传播路径;提出反向推理算法,得到故障的搜索路径,获得故障的快速诊断策略;提出正反向推理智能诊断算法,实现***级故障的诊断。
所述的步骤1),具体方法为:
首先对装甲车辆动力装置结构进行分析,得到包括曲柄连杆机构、联动机构、气体分配机构、涡轮增压器、冷却***、润滑***、空气供给***、燃油供给***、加温***、排气***、起动***等相互影响的11个子***结构,随后对装甲车辆动力***故障的层次性和相关性进行分析。层次性,即故障的“纵向性”,高层次的故障可以由低层次的故障所引起,而低层次的故障必定引起高层次的故障;相关性,即故障的“横向性”,由若干相互联系的子***组成的***,某些子***的故障常常是由与之相关的子***或下一级子***故障传播所致,从而表现相关性。最后得到装甲车辆动力装置的故障层次,参见图2。统计和分析动力装置的故障模式,得到常见故障模式如表1所示。
表1装甲车动力***常见故障
从整机到各子***再到各部件单元节点故障模式如表2所示。
表2装甲车动力***各子***的故障模式
(a)曲柄连杆机构
(b)传动机构
序号 | 编号 | 故障模式 | 危害等级 |
1. | f201 | 传动齿轮断齿 | II |
2. | f202 | 传动齿轮齿面异常磨损 | II |
3. | f203 | 传动箱产生疲劳裂纹 | III |
4. | f204 | 轴承磨损 | III |
5. | f205 | 传动轴弯曲或断裂 | II |
(c)配气机构
序号 | 编号 | 故障模式 | 危害等级 |
1. | f301 | 配气凸轮轴桃型磨损 | II |
2. | f302 | 摇臂滚轮异常磨损 | II |
3. | f303 | 摇臂断裂 | II |
4. | f304 | 气门弹簧损坏 | II |
5. | f305 | 气门座圈磨损 | II |
6. | f306 | 气门磨损 | II |
7. | f307 | 气门损坏 | II |
(d)增压进排气***
序号 | 编号 | 故障模式 | 危害等级 |
1. | f401 | 压气机叶轮叶片断裂或损伤 | I |
2. | f402 | 压气机背盘松动 | II |
3. | f403 | 涡轮叶轮断裂或损伤 | I |
4. | f404 | 压气机叶轮松动 | II |
5. | f405 | 转子轴系零部件异常磨损 | III |
6. | f406 | 中间体漏气漏机油 | III |
7. | f407 | 排气管开裂漏气 | III |
8. | f408 | 排气密封垫漏气 | III |
9. | f409 | 波纹管断裂 | III |
10. | f410 | 卡箍断裂 | III |
(e)冷却***
序号 | 编号 | 故障模式 | 危害等级 |
1. | f501 | 水泵叶轮损坏 | II |
2. | f502 | 水泵漏水 | III |
3. | f503 | 水泵叶轮不能旋转 | III |
4. | f504 | 水泵气蚀 | III |
5. | f505 | 中冷效率下降 | III |
6. | f506 | 中冷器泄露 | III |
(f)润滑***
序号 | 编号 | 故障模式 | 危害等级 |
1. | f601 | 机油泵泵腔或齿轮损坏 | II |
2. | f602 | 机油热交换器 | III |
3. | f603 | 机油热交换器散热效率降低 | III |
4. | f604 | 机油滤滤芯堵塞或击穿 | III |
(g)电控***
序号 | 编号 | 故障模式 | 危害等级 |
1. | f701 | 传感器故障 | III |
2. | f702 | 脚踏板电位器故障 | III |
3. | f703 | ECU故障,调速失效 | II |
4. | f704 | 电缆虚接、断路或短路 | III |
5. | f705 | 油压传感器故障 | III |
6. | f706 | 水温传感器故障 | III |
7. | f707 | 排温传感器故障 | III |
(h)燃油供给***
序号 | 编号 | 故障模式 | 危害等级 |
1. | f801 | 低压泵故障 | III |
2. | f802 | 高压泵故障 | III |
3. | f803 | 高压泵温度过高 | III |
4. | f804 | 燃油滤密封不严 | III |
5. | f805 | 燃油滤芯堵塞 | III |
6. | f806 | 喷油器无法开启 | III |
7. | f807 | 喷油器无法关闭 | II |
8. | f808 | 喷油器回油过大 | III |
9. | f809 | 调压阀常开或卡滞 | III |
10. | f810 | 高压油管密封接头处泄漏 | III |
11. | f811 | 高压油管断裂 | III |
所述的步骤2),具体方法为:
首先定义模糊故障Petri网的。针对装甲车辆动力***故障呈现多层次、多关联、不确定等特点,以模糊理论和Petri网理论为核心,提出模糊故障Petri网定义。
模糊故障Petri网(FFPetri网)定义为一个12元组(P,T,I,O,K,Tt,M,w,f,α,λ,Uμ):
其中:(1)P={p1,p2,…,pm}为非空有限库所集合,表示***故障事件的集合。
(2)T={t1,t2,…tn}为非空的有限变迁集合,表示被模拟***的状态变化或者行为动作,反映***内部故障传播演化。
(3)I:P×T为输入矩阵,表示从pi→tj间存在的有向弧,即变迁tj的输入弧,而pi为变迁tj的输入库所。i=1,2,…,m;j=1,2,…,n。
(4)O:T×P为输出矩阵,表示从tj→pi间存在的有向弧,即变迁tj的输出弧,而pi为变迁tj的输出库所。i=1,2,…,m;j=1,2,…,n。
(5)K:P→[0,1]为故障Petri网的容量函。
(6)Tt:已触发过的变迁向量,该向量初始值为T0 t=(0,0,…,0)T,用于标识故障的传播路径,防止变迁的反复发生,即同一故障发生后,该元素被置1,表示在没被修复之前不会再次发生。
(7)M=(m1,m2,…,mm)T为库所标识分布向量,mi标识其对应库所pi的状态。m0是库所初始向量标识,表示被模拟***的初始状态。
(9)f=(f1,f2,…,fm)T是库所故障事件的模糊概率阈值向量,当故障事件置信度αi>fi,可以认为故障事件为真,否则为假。
(10)α=(α1,α2,…,αm)T为故障事件置信度向量。包括αdefault,αIN和αOUT。αdefault为默认故障事件置信度向量,根据故障统计获取,包含所有库所;αIN为输入故障事件置信度向量,根据传感器监测数据进行部件故障诊断后获取,元素为初始库所;αOUT为输出故障事件置信度向量,根据正向推理算法获取,元素为除去初始库所外所有库所。
(11)λ=(λ1,λ2,…,λn)T表示低层故障引起高层故障的置信度阈值。
(12)Uμ=diag(μ1,μ2,…,μn),表示变迁可信度矩阵,μj表示变迁tj的可信度,μj∈[0,1],j=1,2,…,n。定义向量Nμ=(μ1,μ2,…,μn)T表示变迁可信度向量。
模糊故障Petri网按照变迁使能规则和发生规则不断改变***的状态,描述***的动态特性。
定义1:变迁使能(enabled)。在当前标识M下,变迁tj是使能的,当且仅当:
式(1)表示库所p对规则的实际可信度应大于等于变迁触发所要求的阈值。式(2)要求变迁不属于已触发变迁集合,即变迁tj还未触发过。
定义2:变迁发生后果。在Petri网理论中,变迁的触发只改变与该变迁有关联的库所状态,在故障传播过程中,故障的发生并不会消除故障原因。因此,模糊故障Petri网的变迁发生后果只改变该变迁的后集库所,且变迁发生后,Tt=Tt+{tj}。
定义3:故障易发率。故障事件的置信度与事件故障率的乘积称为故障易发率f(pi)。
最后根据故障传播模式建立建模规则。由于在故障传播过程中,有一因一果、多因一果、一因多果、竞争模式和多因多果的故障传播方式,对应的变迁发生后果就会涉及到合成模糊产生式规则,即在模糊产生式规则中的前提或结论部分包含连接词“与”、“或”。本发明采用MYCIN***中基于可信度的不精确推理方法,主要思想是模糊命题合取式的真值取各子式真值的最小值,模糊命题析取式的真值取各子式真值的最大值,共有5种类型。
(1)“一因一果”类型:IF p1 Then p2,t·={p2},变迁使能满足α1*w*μ>λ,则被触发,且触发后故障事件置信度α2=α1wμ,如图3(a)-图3(b)所示,其中w=1。故障易发率f(p1)=α1μ。
(2)“多因一果”类型:IF p1 AND p2 AND…AND pn THEN pk,t·={pk},变迁使能满足min(α1w1μ,α2w2μ,…,αnwnμ)>λ,则被触发,且触发后故障事件置信度αk=min(α1w1μ,α2w2μ,…αnwnμ),该类型又称“条件与”模式,如图4(a)-图4(b)所示,其中故障易发率f(p1,2,...n)=min(α1μ,α2μ,…αnμ)。
(3)“一因多果”类型:IF pj THEN p1 AND p2 AND…AND pn,t·={p1,p2,…,pnp1,p2,...,pn},变迁使能满足αj*w*μ>λ则被触发,且触发后故障事件置信度α1=α2=…=αn=αj*w*μ,该类型又称“结论与”模式,如图5(a)-图5(b)所示,其中w=1。故障易发率f(pj)=αjμ。
(4)“竞争模式”类型:IF p1 AND p2 AND…AND pn THEN pk,若变迁使能满足max(α1w1μ1,α2w2μ2,…,αnwnμn)>λ,则被触发,即触发后故障事件置信度αk=max(α1w1μ1,α2w2μ2,…,αnwnμn),该类型又称“条件或”模式,如图6(a)-图6(b)所示,其中w1=w2=…=wn=1。故障易发率f(p1)=α1μ1,f(p2)=α2μ2,…,f(pn)=αnμn。
(5)“多因多果”类型:IF pj1 AND pj2 AND…AND pjm THEN pk1 AND pk2 AND…ANDpkn,若变迁使能满足min(αj1w1μ,αj2w2μ,…,αjmwmμ)>λ,则被触发,即触发后故障事件置信度αk1=αk2=…=αkn=min(αj1w1μ,αj2w2μ,…αjmwmμ)。故障易发率f(pj1,j2,...jm)=min(αj1μ,αj2μ,…,αjmμ),如图7(a)-图7(b)所示。
由故障传播的特性可知,故障Petri网中流动的是故障信息,变迁发生后其库所中Token数目并不发生变化,只是在变迁的输出库所中产生一个新的Token。在这种情况下,按照传统Petri网理论,变迁将反复无止境地发生下去,这就违背故障的传播特性。为此,在故障Perti网中,引入变迁状态集Tt的概念,当某个变迁发生后,对应元素值置1,说明故障已经沿着这个路径传播过去了,所以变迁不应该再发生。
由于Petri网本身就具备层次的特性,利用这个特性可以很好解决故障的层次性问题。对于装甲车辆动力装置,可以按照层次的概念把***划分为若干个子***,利用故障Petri网分别对每个子***建模。然后将低层次故障Petri网的目标库所作为高层次故障Petri网的输入库所,这样就解决复杂***层次性问题。针对故障的延迟性,可以使变迁或库所与时间函数相关联。
所述的步骤3),具体方法为:
首先通过对事件置信度的推理和变迁点火及故障事件的推理,描述故障传播过程,完成正向推理,实现对故障状态的评价。
(1)事件置信度的推理
如图8所示,通过建模规则,采用MYCIN置信度矩阵推理法,逐步推理得到***元素的全部状态量,为便于推理,特别规定目标库所对应的权值元素为1。
定义3个特殊算子:
直乘算子*:C=A*B,A,B,C均为m维向量,则ci=ai·bi,i=1,2,…,m。
由此,可以得到事件的置信度推理公式为:
推理过程如下:
第一步:参数初始化;
第二步:k=0;
第三步:根据式(4)由αk计算得到αk+1;
第四步:若αk+1≠αk,重复第三步;若αk+1=αk,推理结束。
(2)变迁点火及故障事件的推理
由建模规则,变迁支持度的推理公式为
变迁使能的条件包括:
按照定义,Tk+1 t=F(Dk,λ,Mk)
其中,{mi}为·Tj最小割集{pi}的故障事件标识。
定义1个特殊算子:
对于竞争类型,如果某个变迁使能,为防止重复点火,其它与它竞争的变迁无论是否满足条件在下一次推理时均认为使能。
已触发过的变迁向量Tt的推理公式为
故障事件向量M的推理公式为
正向传播在点火后的事件置信度为
其中,αfire 0=α0。
因此,变迁点火的推理过程为:
第一步:参数初始化;
第二步:根据式(7)计算变迁支持度;
第三步:根据式(9)计算已触发过的变迁向量Tt;
第四步:根据式(10)计算故障事件向量M;
第五步:若Mk+1≠Mk,重复第二步;若Mk+1=Mk,推理结束。
随后通过观察/监测得到的某一***级的故障模式/现象,来探究导致这一故障的根源,即找到导致这一故障现象的最小割集,完成反向推理,实质为通过故障易发率来确定推理的路径。
定义4:设ta为一变迁,pi,pj,pk为三个库所,如果pi∈·ta,pj∈ta ·,则pi称为pj的立即回溯关联库所,pj称为pi的立即前瞻关联库所。如果pi是pj的立即回溯关联库所,pj是pk的立即回溯关联库所,则称pi是pk的回溯关联库所。如果pi∈·ta且pk∈·ta,则称pi和pk为变迁ta的临近库所。包含pi的立即回溯关联库所的集合称为pi的立即回溯关联库所集合,记为IHS(pi);包含pi的回溯关联库所的集合称为pi的回溯关联库所集合,记为HS(pi)。
反向推理过程:
第一步:参数初始化;
第二步:找寻终止节点pj,将其作为初始目标库所(pj,IHS(pj)),其中:pj是目标库所,·pj=tj,IHS(pj)是目标库所pj的立即回溯关联库所集合,计算初始目标库IHS(pj)所有元素的故障易发率;
第三步:搜索所有未搜索路径中故障易发率最大值所对应库所pk,将其作为初始目标库所(pk,IHS(pk))。若IHS(pk)为空集,说明此节点为终止节点,返回它的立即前瞻关联库所,重复第三步,否则进入下一步;
第四步:若IHS(pk)非空,按照第三步的方法往下进行,直至遍历所有库所。
最后结合反向推理和正向推理实现智能诊断过程。
正反向推理智能诊断过程的核心思想是利用反向推理获取最优搜索路径,然后通过传感监测数据更新底层事件故障置信度,通过正向推理进行变迁点火判断,最终得到故障传播路径。若获得目标事件的传播路径,则推理结束,认为该底层故障是引起目标故障的原因;若在传播路径未连通,则继续反向推理,直至找到传播路径,其流程如9所示。
正反向推理智能诊断过程:
第一步:参数初始化;
第二步:从目标库所出发,通过反向推理获得第一条到终止节点的路径;
第三步:通过正向传播,根据变迁点火条件,判断该路径最小割集能否传播到目标库所。若能到达,说明故障源已找到,即为该路径最小割集;否则转到第二步,直至找到故障源。
本发明根据故障的层次性和相关性,建立***级故障模型。随后针对装甲车辆柴油机故障呈现多层次、多关联、不确定等特点,以模糊理论和Petri网理论为核心,定义模糊故障Petri网,确定建模规则并对装甲车动力装置进行Petri网建模。最后,提出正向推理算法,获得基本事件置信度及变迁点火序列及故障传播路径;提出反向推理算法,获得故障的搜索路径;提出正反向推理智能诊断算法,实现***级故障的诊断。该方法简单易行,突破了复杂装备非确定性故障传播建模技术,解决了故障模型的表征和描述难题。
本发明所述的方法的优选实施方式中,第一步骤(S100),动力***为装甲车辆动力装置,其包括以下部件:曲柄连杆机构、联动机构、气体分配机构、涡轮增压器、冷却***、润滑***、空气供给***、燃油供给***、加温***、排气***和起动***,根据层次性和相关性得到所述关联关系,其中,层次性为故障的“纵向性”,高层次的故障可以由低层次的故障所引起,而低层次的故障必定引起高层次的故障;相关性为故障的“横向性”,由若干相互联系的子***组成的***,子***的故障由与之相关的子***或下一级子***故障传播所致。
本发明所述的方法的优选实施方式中,第二步骤(S200)中,当p1然后p2发生,t·={p2},变迁使能满足α1*w*μ>λ,则被触发,且触发后故障事件置信度α2=α1wμ。
本发明所述的方法的优选实施方式中,第二步骤(S200),当p1和p2…以及pn发生,pk发生,t·={pk},变迁使能满足min(α1w1μ,α2w2μ,…,αnwnμ)>λ,则被触发,且触发后故障事件置信度αk=min(α1w1μ,α2w2μ,…αnwnμ)。
本发明所述的方法的优选实施方式中,第二步骤(S200),当pj发生后p1和p2…以及pn发生,t·={p1,p2,…,pn},变迁使能满足αj*w*μ>λ则被触发,且触发后故障事件置信度α1=α2=…=αn=αj*w*μ。
本发明所述的方法的优选实施方式中,第二步骤(S200),当p1和p2…以及pn发生后pk发生,若变迁使能满足max(α1w1μ1,α2w2μ2,…,αnwnμn)>λ,则被触发,即触发后故障事件置信度αk=max(α1w1μ1,α2w2μ2,…,αnwnμn)。
本发明所述的方法的优选实施方式中,第二步骤(S200),当pj1和pj2…以及pjm发生后pk1和pk2…以及pkn发生,若变迁使能满足min(αj1w1μ,αj2w2μ,…,αjmwmμ)>λ,则被触发,即触发后故障事件置信度αk1=αk2=…=αkn=min(αj1w1μ,αj2w2μ,…αjmwmμ)。
本发明所述的方法的优选实施方式中,第三步骤(S300)中,采用MYCIN置信度矩阵推理法逐步推理得到***元素的全部状态量,定义3个特殊算子:取大算子A,B,C均为m×n的矩阵,则cij=max(aij,bij),i=1,2,…,m,j=1,2,…,n,乘法算子A,B,C分别为m×q,q×n,m×n的矩阵,则
直乘算子*:C=A*B,A,B,C均为m维向量,则ci=αi·bi,i=1,2,…,m
事件的置信度推理公式为:
推理过程如下:
第一步:参数初始化;
第二步:k=0;
第三步:由αk计算得到αk+1;
第四步:若αk+1≠αk,重复第三步;若αk+1=αk,推理结束。
本发明所述的方法的优选实施方式中,第三步骤(S300)中,变迁点火的推理过程为:
第一步:参数初始化;
第五步:若Mk+1≠Mk,重复第二步;若Mk+1=Mk,推理结束。
本发明所述的方法的优选实施方式中,ta为一变迁,pi,pj,pk为三个库所,如果pi∈·ta,pj∈ta ·,则pi称为pj的立即回溯关联库所,pj称为pi的立即前瞻关联库所,如果pi是pj的立即回溯关联库所,pj是pk的立即回溯关联库所,则称pi是pk的回溯关联库所,如果pi∈·ta且pk∈·ta,则称pi和pk为变迁ta的临近库所,包含pi的立即回溯关联库所的集合称为pi的立即回溯关联库所集合,记为IHS(pi);包含pi的回溯关联库所的集合称为pi的回溯关联库所集合,记为HS(pi),反向推理过程:
第一步:参数初始化;
第二步:找寻终止节点pj,将其作为初始目标库所(pj,IHS(pj)),其中:pj是目标库所,·pj=tj,IHS(pj)是目标库所pj的立即回溯关联库所集合,计算初始目标库IHS(pj)所有元素的故障易发率;
第三步:搜索所有未搜索路径中故障易发率最大值所对应库所pk,将其作为初始目标库所(pk,IHS(pk)),若IHS(pk)为空集,说明此节点为终止节点,返回它的立即前瞻关联库所,重复第三步,否则进入下一步;
第四步:若IHS(pk)非空,按照第三步的方法往下进行,直至遍历所有库所。
为了进一步理解本发明,以机油温度过高的诊断实例说明本发明的运用。
首先按照步骤1),收集统计引起机油温度过高这一故障的子***或部件的故障模式,结合根据步骤一中分析得到的装甲车辆动力装置子***结构,得到部件——子***——***级的故障层次。
随后根据步骤2),按照模糊故障Petri网的定义,结合建模规则,建立模糊故障Petri网模型,如
图所示。模型中故障事件见表3。
表3机油温度过高故障事件数据表
序号 | 库所 | 事件名称 |
1. | p008 | 机油温度过高 |
2. | p100 | 曲柄连杆机构故障 |
3. | p500 | 冷却***故障 |
4. | p600 | 润滑***故障 |
5. | p610 | 机油泵 |
6. | p620 | 机油热交换器故障 |
7. | p630 | 机油滤故障 |
8. | p611 | 机油泵泵腔或齿轮损坏 |
9. | p621 | 机油热交换器泄漏 |
10. | p622 | 机油热交换器散热效率降低 |
11. | p631 | 机油滤滤芯堵塞或击穿 |
12. | p510 | 水泵故障 |
13. | p511 | 水泵叶轮损坏 |
14. | p513 | 水泵叶轮不能旋转 |
15. | p130 | 活塞组件故障 |
16. | p131 | 活塞顶开裂、拉缸 |
17. | p133 | 活塞烧蚀 |
最后分别开展正向推理,反向推理和正反向推理。
具体如下:
1)正向推理
设定初始库所输入故障置信度:
αIN611=0.2;αIN621=0.21;αIN622=0.23;αIN631=0.25;αIN131=0.98;αIN133=0.65;αIN511=0.14;αIN513=0.24;
默认故障置信度:
αdefault100=0.05;αdefault500=0.07;αdefault600=0.06;αdefault130=0.05;αdefault131=0.04;αdefault133=0.08;αdefault510=0.07;αdefault511=0.08;αdefault513=0.07;αdefault610=0.06;αdefault620=0.05;αdefault630=0.04;αdefault611=0.07;αdefault621=0.06;αdefault622=0.05;αdefault631=0.04;
变迁规则可信度
μ100=0.98;μ500=0.96;μ600=0.95;μ610=1;μ620=1;μ630=1;μ611=0.98;μ621=0.98;μ622=0.97;μ631=0.98;μ130=1;μ131=0.99;μ133=0.98;μ511=0.98;μ513=0.98;μ510=1;
低层故障引起高层故障的置信度阈值
λ100=0.6;λ500=0.6;λ600=0.5;λ610=0.5;λ620=0;λ630=0;λ611=0.4;λ621=0.5;λ622=0.4;λ631=0.4;λ130=0;λ131=0.5;λ133=0.4;λ511=0.5;λ513=0.5;λ510=0;
库所故障事件的模糊概率阈值
f100=0.4;f500=0.5;f600=0.5;f130=0.5;f131=0.5;f133=0.5;f510=0.5;f511=0.5;f513=0.5;f610=0.6;f620=0.5;f630=0.4;f611=0.5;f621=0.6;f622=0.5;f631=0.5;f008=0.7
利用式(6)可以获得事件置信度向量的推理:
第一次传播:
α611=0.2;α621=0.21;α622=0.23;α631=0.25;α131=0.98;α133=0.65;α511=0.14;α513=0.24;α610=0.196;α620=0.2231;α630=0.245;α130=0.9702;α510=0.2352;α600=0;α100=0;α500=0;α008=0
第二次传播:
α611=0.2;α621=0.21;α622=0.23;α631=0.25;α131=0.98;α133=0.65;α511=0.14;α513=0.24;α610=0.196;α620=0.2231;α630=0.245;α130=0.9702;α510=0.2352;α600=0.245;α100=0.9702;α500=0.2352;α008=0
第三次传播:
α611=0.2;α621=0.21;α622=0.23;α631=0.25;α131=0.98;α133=0.65;α511=0.14;α513=0.24;α610=0.196;α620=0.2231;α630=0.245;α130=0.9702;α510=0.2352;α600=0.245;α100=0.9702;α500=0.2352;α008=0.9508
第四次传播:
α611=0.2;α621=0.21;α622=0.23;α631=0.25;α131=0.98;α133=0.65;α511=0.14;α513=0.24;α610=0.196;α620=0.2231;α630=0.245;α130=0.9702;α510=0.2352;α600=0.245;α100=0.9702;α500=0.2352;α008=0.9508
第三次和第四次推理结果相同,推理结束。
利用式(9)可以获得已触发过的变迁向量的推理:
第一次传播:
Tt611_610=0;Tt621_620=0;Tt622-620=0;Tt631-630=0;Tt131-130=1;Tt133-130=1;Tt511-510=0;Tt513-510=0;Tt610-600=0;Tt620-600=0;Tt630-600=0;Tt130-100=0;Tt510-500=0;Tt600-008=0;Tt100-008=0;Tt500-008=0
第二次传播:
Tt611_610=0;Tt621_620=0;Tt622-620=0;Tt631-630=0;Tt131-130=1;Tt133-130=1;Tt511-510=0;Tt513-510=0;Tt610-600=0;Tt620-600=0;Tt630-600=0;Tt130-100=1;Tt510-500=0;Tt600-008=0;Tt100-008=0;Tt500-008=0
第三次传播:
Tt611_610=0;Tt621_620=0;Tt622-620=0;Tt631-630=0;Tt131-130=1;Tt133-130=1;Tt511-510=0;Tt513-510=0;Tt610-600=0;Tt620-600=0;Tt630-600=0;Tt130-100=1;Tt510-500=0;Tt600-008=0;Tt100-008=1;Tt500-008=0
第四次传播:
Tt611_610=0;Tt621_620=0;Tt622-620=0;Tt631-630=0;Tt131-130=1;Tt133-130=1;Tt511-510=0;Tt513-510=0;Tt610-600=0;Tt620-600=0;Tt630-600=0;Tt130-100=1;Tt510-500=0;Tt600-008=1;Tt100-008=1;Tt500-008=1
第五次传播:
Tt611_610=0;Tt621_620=0;Tt622-620=0;Tt631-630=0;Tt131-130=1;Tt133-130=1;Tt511-510=0;Tt513-510=0;Tt610-600=0;Tt620-600=0;Tt630-600=0;Tt130-100=1;Tt510-500=0;Tt600-008=1;Tt100-008=1;Tt500-008=1
第四次和第五次推理结果相同,推理结束。
利用式(10)可以获得故障事件向量的推理:
第一次传播:
M611=0;M621=0;M622=0;M631=0;M131=1;M133=0;M511=0;M513=0;M610=0;M620=0;M630=0;M130=1;M510=0;M600=0;M100=0;M500=0;M008=0
第二次传播:
M611=0;M621=0;M622=0;M631=0;M131=1;M133=0;M511=0;M513=0;M610=0;M620=0;M630=0;M130=1;M510=0;M600=0;M100=1;M500=0;M008=0
第三次传播:
M611=0;M621=0;M622=0;M631=0;M131=1;M133=0;M511=0;M513=0;M610=0;M620=0;M630=0;M130=1;M510=0;M600=0;M100=1;M500=0;M008=1
第四次传播:
M611=0;M621=0;M622=0;M631=0;M131=1;M133=0;M511=0;M513=0;M610=0;M620=0;M630=0;M130=1;M510=0;M600=0;M100=1;M500=0;M008=1
第三次和第四次推理结果相同,推理结束。
利用式(11)可以获得点火事件置信度向量的推理:
第一次传播:
αfire611=0.2;αfire621=0.21;αfire622=0.23;αfire631=0.25;αfire131=0.98;αfire133=0.65;αfire511=0.14;αfire513=0.24;αfire610=0;αfire620=0;αfire630=0;αfire130=0.9702;αfire510=0;αfire600=0;αfire100=0;αfire500=0;αfire008=0
第二次传播:
αfire611=0.2;αfire621=0.21;αfire622=0.23;αfire631=0.25;αfire131=0.98;αfire133=0.65;αfire511=0.14;αfire513=0.24;αfire610=0;αfire620=0;αfire630=0;αfire130=0.9702;αfire510=0;αfire600=0;αfire100=0.9702;αfire500=0;αfire008=0
第三次传播:
αfire611=0.2;αfire621=0.21;αfire622=0.23;αfire631=0.25;αfire131=0.98;αfire133=0.65;αfire511=0.14;αfire513=0.24;αfire610=0;αfire620=0;αfire630=0;αfire130=0.9702;αfire510=0;αfire600=0;αfire100=0.9702;αfire500=0;αfire008=0.9508第四次传播:
αfire611=0.2;αfire621=0.21;αfire622=0.23;αfire631=0.25;αfire131=0.98;αfire133=0.65;αfire511=0.14;αfire513=0.24;αfire610=0;αfire620=0;αfire630=0;αfire130=0.9702;αfire510=0;αfire600=0;αfire100=0.9702;αfire500=0;αfire008=0.9508
第三次和第四次推理结果相同,推理结束。
2)反向推理
设定库所故障易发率:
αk100=0.05;αk500=0.07;αk600=0.06;αk130=0.05;αk131=0.04;αk133=0.08;αk510=0.07;αk511=0.08;αk513=0.07;αk610=0.06;αk620=0.05;αk630=0.04;αk611=0.07;αk621=0.06;αk622=0.05;αk631=0.04;
从初始目标库所P008出发,它的立即回溯关联库所集合IHS(p008)为{P100,P500,P600},由于故障易发率αk500>αk600>αk100,反向搜索路径到P500。再以其为初始目标库所,它的立即回溯关联库所集合IHS(p500)为{P510},反向搜索路径到P510。再以其为初始目标库所,它的立即回溯关联库所集合IHS(p500)为{P510}。再以其为初始目标库所,它的立即回溯关联库所集合IHS(p510)为{P511,P513},由于故障易发率αk511>αk513,反向搜索路径到P511。由于IHS(p511)为空集,说明此节点为终止节点,完成了第一条路径(P008→P500→P510→P511)的搜索。随后,返回它的立即前瞻关联库所P510,再次搜索获得第二条路径(P008→P500→P510→P513)的搜索。依次类推,完成所有搜索路径。
3)正反向推理
依据前述初始化条件,首先通过反向推理获得第一条搜索路径(P008→P500→P510→P511)。随后按照正向推理过程,按照路径(P511→P510→P500→P008),得到变迁点火序列M510=0;M500=0;M008=1,说明点火失败,重新反向搜索,直至找到点火路径(P131→P130→P100→P008),M131=1;M130=1;M100=1;M008=1,满足点火条件。这样就找到故障源为活塞顶开裂、拉缸。
尽管以上结合附图对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (8)
1.一种基于模糊故障Petri网的动力***故障处理方法,所述方法包括以下步骤:
第一步骤(S100)中,基于动力***的故障类型建立部件和故障的关联关系,
第二步骤(S200)中,建立模糊故障Petri网和建模规则,所述模糊故障Petri网按照变迁使能规则和发生规则不断改变***的状态描述动力***的动态特性,其中,
模糊故障Petri网定义为12元组(P,T,I,O,K,Tt,M,w,f,α,λ,Uu),其中:P={p1,p2,…,pm}为非空有限库所集合,表示***故障事件的集合,T={t1,t2,…tn}为非空的有限变迁集合,表示被模拟***的状态变化或者行为动作,反映***内部故障传播演化,I:P×T为输入矩阵,表示从pi→tj间存在的有向弧,即变迁Tj的输入弧,而pi为变迁tj的输入库所,i=1,2,…,m;j=1,2,…,n;O:T×P为输出矩阵,表示从Tj→pi间存在的有向弧,即变迁tj的输出弧,而pi为变迁tj的输出库所,i=1,2,…,m;j=1,2,…,n;K:P→[0,1]为故障Petri网的容量函;Tt:已触发过的变迁向量,该向量初始值为T0=(0,0,…,0)T,用于标识故障的传播路径,防止变迁的反复发生,即同一故障发生后,该元素被置1,表示在没被修复之前不会再次发生;M=(m1,m2,…,mm)T为库所标识分布向量,mi标识其对应库所pi的状态,m1是库所初始向量标识,表示被模拟***的初始状态;w=(w1,w2,…,wn)T是库所故障事件权值向量,反映输入库所pk对变迁t的影响程度,其中pk∈I且f=(f1,f2,…,fm)T是库所故障事件的模糊概率阈值向量,当故障事件置信度αi>fi,认为故障事件为真,否则为假;α=(α1,α2,…,αm)T为故障事件置信度向量,包括αdefault,αIN和αOUT,αdefault为默认故障事件置信度向量,根据故障统计获取,包含所有库所;αIN为输入故障事件置信度向量,根据传感器监测数据进行部件故障诊断后获取,元素为初始库所;αOUT为输出故障事件置信度向量,根据正向推理算法获取,元素为除去初始库所外所有库所;λ=(λ1,λ2,…,λn)T表示低层故障引起高层故障的置信度阈值;Uμ=diag(μ1,μ2,…,μn),表示变迁可信度矩阵,μj表示变迁tj的可信度,μj∈[0,1],j=1,2,…,n,定义向量Nμ=(μ1,μ2,…,μn)T表示变迁可信度向量,当p1发生然后p2发生,t·={p2},表示如果库所p1只能通过唯一变迁t到达库所p2,且变迁t的后集只有{p2},变迁使能满足α1*w*μ>λ,即库所p1对规则的实际可信度大于变迁触发所要求的阈值则被触发,且触发后故障事件置信度α2=α1wμ;
第三步骤(S300)中,基于正向推理算法得到故障事件置信度、变迁点火和事件故障的推理过程,以获得基本事件置信度及变迁点火序列及故障传播路径;基于反向推理算法得到故障的搜索路径,以获得故障的快速诊断策略;基于正反向推理诊断算法以实现***级故障的诊断。
2.根据权利要求1所述的方法,其中,第一步骤(S100),动力***为装甲车辆动力装置,其包括以下部件:曲柄连杆机构、联动机构、气体分配机构、涡轮增压器、冷却***、润滑***、空气供给***、燃油供给***、加温***、排气***和起动***,根据层次性和相关性得到所述关联关系,其中,层次性为故障的“纵向性”,高层次的故障可以由低层次的故障所引起,而低层次的故障必定引起高层次的故障;相关性为故障的“横向性”,由若干相互联系的子***组成的***,子***的故障由与之相关的子***或下一级子***故障传播所致。
3.根据权利要求1所述的方法,其中,第二步骤(S200),当p1和p2…以及pn发生,pk发生,t·={pk},库所p1对规则的实际可信度大于变迁触发所要求的阈值,变迁使能满足min(α1w1μ,α2w2μ,…,αnwnμ)>λ,即库所p1,p2,…,pn对规则的实际可信度中最小的都大于变迁触发所要求的阈值则被触发,且触发后故障事件置信度αk=min(α1w1μ,α2w2μ,…αnwnμ)。
4.根据权利要求1所述的方法,其中,第二步骤(S200),当pj发生后p1和p2…以及pn发生,t·={p1,p2,…,pn},表示如果库所p1,p2,…,pn都通过变迁t能同时到达库所p1,p2,…,pn,且变迁t的后集只有{p1,p2,…,pn},变迁使能满足αj*w*μ>λ则被触发,即库所p1,p2,…,pn对规则的实际可信度中最小的都大于变迁触发所要求的阈值则被触发,且触发后故障事件置信度α1=α2=…=αn=αj*w*μ。
6.根据权利要求1所述的方法,其中,第三步骤(S300)中,采用MYCIN置信度矩阵推理法逐步推理得到***部件的全部状态量,定义3个算子:取大算子 A,B,C均为m×n的矩阵,则cij=max(aij,bij),i=1,2,…,m,j=1,2,…,n,乘法算子 A,B,C分别为m×q,q×n,m×n的矩阵,则
直乘算子*:C=A*B,A,B,C均为m维向量,则ci=ai·bi,i=1,2,…,m
事件的置信度推理公式为:
式中,αk+1和αk分别为事件在第k次和第k+1次推理的置信度;O为输出矩阵,表示从tj→pi间存在的有向弧,即变迁tj的输出弧,而pi为变迁tj的输出库所,i=1,2,…,m;j=1,2,…,n;Uμ表示变迁可信度矩阵,元素μj表示变迁tj的可信度,μj∈[0,1],j=1,2,…,n;IT为输入矩阵,表示从pi→tj间存在的有向弧,即变迁tj的输入弧,而pi为变迁tj的输入库所,i=1,2,…,m;j=1,2,…,n;W是库所故障事件权值向量,反映输入库所pk对变迁t的影响程度,其中pk∈I且 是m维向量,描述规则为真的置信度,
推理过程如下:
第一步:参数初始化;
第二步:k=0;
第三步:由αk计算得到αk+1;
第四步:若αk+1≠αk,重复第三步;若αk+1=αk,推理结束。
7.根据权利要求1所述的方法,其中,第三步骤(S300)中,变迁点火的推理过程为:
第一步:参数初始化;
第二步:根据计算变迁支持度,式中Dk+1,Dk分别为事件在第k次和第k+1次潜在使能变迁支持度标识;Nμ=(μ1,μ2,…,μn)T表示变迁可信度向量;αk为事件在第k次推理的置信度;IT为输入矩阵,表示从pi→tj间存在的有向弧,即变迁tj的输入弧,而pi为变迁tj的输入库所,i=1,2,…,m;j=1,2,…,n;W是库所故障事件权值向量,反映输入库所pk对变迁t的影响程度,
式中,Tk+1 t,Tk t分别为第k次和第k+1次已触发过的变迁向量标识;Dk为事件在第k次潜在使能变迁支持度标识;λ=(λ1,λ2,…,λn)T表示低层故障引起高层故障的置信度阈值;αk为事件在第k次推理的置信度;IT为输入矩阵,表示从pi→tj间存在的有向弧,即变迁tj的输入弧,而pi为变迁tj的输入库所,i=1,2,…,m;j=1,2,…,n;fk是第k次推理库所故障事件的模糊概率阈值向量;
第四步:根据计算故障事件向量M,式中,Mk+1,Mk分别为第k次和第k+1次的故障事件向量;Tk t为第k次已触发过的变迁向量标识;O为输出矩阵,表示从Tj→pi间存在的有向弧,即变迁tj的输出弧,而pi为变迁tj的输出库所,i=1,2,…,m;j=1,2,…,n;
第五步:若Mk+1≠Mk,重复第二步;若Mk+1=Mk,推理结束。
8.根据权利要求1所述的方法,其中,ta为一变迁,pi,pj,pk为三个库所,如果pi∈·ta,pj∈ta ·,则pi称为pj的立即回溯关联库所,pj称为pi的立即前瞻关联库所,如果pi是pj的立即回溯关联库所,pj是pk的立即回溯关联库所,则称pi是pk的回溯关联库所,如果pi∈·ta且pk∈·ta,则称pi和pk为变迁ta的临近库所,包含pi的立即回溯关联库所的集合称为pi的立即回溯关联库所集合,记为IHS(pi);包含pi的回溯关联库所的集合称为pi的回溯关联库所集合,记为HS(pi),反向推理过程:
第一步:参数初始化;
第二步:找寻终止节点pj,将其作为初始目标库所(pj,IHS(pj)),其中:pj是目标库所,·pj=tj,IHS(pj)是目标库所pj的立即回溯关联库所集合,计算初始目标库IHS(pj)所有元素的故障易发率;
第三步:搜索所有未搜索路径中故障易发率最大值所对应库所pk,将其作为初始目标库所(pk,IHS(pk)),若IHS(pk)为空集,说明此节点为终止节点,返回它的立即前瞻关联库所,重复第三步,否则进入下一步;
第四步:若IHS(pk)非空,按照第三步的方法往下进行,直至遍历所有库所。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614152.3A CN110309612B (zh) | 2019-07-08 | 2019-07-08 | 基于模糊故障Petri网的动力***故障处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614152.3A CN110309612B (zh) | 2019-07-08 | 2019-07-08 | 基于模糊故障Petri网的动力***故障处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309612A CN110309612A (zh) | 2019-10-08 |
CN110309612B true CN110309612B (zh) | 2021-07-06 |
Family
ID=68079339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910614152.3A Active CN110309612B (zh) | 2019-07-08 | 2019-07-08 | 基于模糊故障Petri网的动力***故障处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309612B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611670B (zh) * | 2023-07-17 | 2023-10-20 | 无锡安鑫卓越智能科技有限公司 | 一种半导体器件制造生产线的故障诊断方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203202A (zh) * | 2017-07-03 | 2017-09-26 | 贵州大学 | 基于模糊Petri网的***可靠性分析与故障诊断方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125302A1 (en) * | 2009-10-23 | 2011-05-26 | Gm Global Technology Operations, Inc. | Method and system for formal safety verification of manufacturing automation systems |
CN102175460A (zh) * | 2011-01-28 | 2011-09-07 | 中国人民解放军海军工程大学 | 基于模糊Petri网的船用燃气轮机气路故障诊断方法 |
CN103177473B (zh) * | 2013-03-11 | 2015-08-19 | 南京大学 | 一种基于实例的大规模场景合成方法 |
US20150039279A1 (en) * | 2013-08-02 | 2015-02-05 | Vitali Volovoi | Systems and methods for modeling a complex system using abridged petri nets |
CN105005644B (zh) * | 2015-06-29 | 2019-03-01 | 山东科技大学 | 一种检测三相异步电动机故障的方法 |
CN105244839B (zh) * | 2015-10-20 | 2017-11-14 | 河南理工大学 | 基于Petri网的矿井高压电网漏电保护整定计算方法 |
CN106055789B (zh) * | 2016-05-31 | 2020-04-03 | 西北工业大学 | 基于加权模糊Petri网的自主无人机形式化推理方法 |
CN109039739A (zh) * | 2018-08-01 | 2018-12-18 | 南瑞集团有限公司 | 一种改进模糊Petri的电力通信现场故障诊断方法 |
-
2019
- 2019-07-08 CN CN201910614152.3A patent/CN110309612B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203202A (zh) * | 2017-07-03 | 2017-09-26 | 贵州大学 | 基于模糊Petri网的***可靠性分析与故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于粗糙集的适应型Petri网故障诊断模型研究;王建元等;《继电器》;20071210;第35卷(第23期);第14-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110309612A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jaw | Recent advancements in aircraft engine health management (EHM) technologies and recommendations for the next step | |
De Giorgi et al. | A diagnostics tool for aero-engines health monitoring using machine learning technique | |
CN110261122B (zh) | 一种基于分块的船舶柴油机故障监测方法 | |
Kanelopoulos et al. | Incorporating neural networks into gas turbine performance diagnostics | |
DE102011113169A1 (de) | System zum Diagnostizieren von Fehlerbedingungen eines Gasdurchflusssteuerungssystems für Motoren mit Turbolader | |
CN110309612B (zh) | 基于模糊故障Petri网的动力***故障处理方法 | |
Salilew et al. | Investigation of fault detection and isolation accuracy of different Machine learning techniques with different data processing methods for gas turbine | |
Rajabi-Vandechali et al. | Development of a prediction model for estimating tractor engine torque based on soft computing and low cost sensors | |
Sampath et al. | Fault diagnostics using genetic algorithm for advanced cycle gas turbine | |
DePold et al. | The application of expert systems and neural networks to gas turbine prognostics and diagnostics | |
Gharib et al. | Development of a new expert system for diagnosing marine diesel engines based on real-time diagnostic parameters | |
Sampath et al. | Fault diagnosis of a two spool turbo-fan engine using transient data: A genetic algorithm approach | |
CN117421633A (zh) | 一种智能可信的旋转机械层级架构故障诊断方法 | |
CN109840563B (zh) | 一种基于三维隶属函数模糊逻辑***的风机故障诊断方法 | |
Nnaji et al. | Evaluating the reliability of a marine diesel engine using the Weibull distribution | |
CN116187196A (zh) | 基于神经网络的全历程工况涡轮盘腔温度预估与调控方法 | |
CN112036079B (zh) | 一种基于anfis的柴油机多信息融合诊断方法 | |
Brzozowska et al. | An application of artificial neural network to diesel engine modelling | |
De Giorgi et al. | Development of a combined Artificial Neural Network and Principal Component Analysis technique for Engine Health Monitoring | |
Li | Gas turbine diagnosis using a fault isolation enhanced GPA | |
Sampath | Fault diagnostics for advanced cycle marine gas turbine using genetic algorithm | |
Wang | Fault diagnosis and fault-tolerant control for Manifold Absolute Pressure sensor (MAP) of Diesel engine based on Elman network observer | |
Roemer et al. | Real-time health monitoring and diagnostics for gas turbine engines | |
US20230212993A1 (en) | Sensor system and method | |
CN113283004A (zh) | 一种基于迁移学习的航空发动机退化状态故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |