CN102175460A - 基于模糊Petri网的船用燃气轮机气路故障诊断方法 - Google Patents
基于模糊Petri网的船用燃气轮机气路故障诊断方法 Download PDFInfo
- Publication number
- CN102175460A CN102175460A CN 201110031881 CN201110031881A CN102175460A CN 102175460 A CN102175460 A CN 102175460A CN 201110031881 CN201110031881 CN 201110031881 CN 201110031881 A CN201110031881 A CN 201110031881A CN 102175460 A CN102175460 A CN 102175460A
- Authority
- CN
- China
- Prior art keywords
- deviation
- transition
- gas turbine
- fpn
- petri net
- 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
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
基于模糊Petri网的船用燃气轮机气路故障诊断方法,它包括如下步骤:①获取船用燃气轮机运行基准值,②基于实测值采用隶属函数计算实际运行参数偏差属于判据偏差模糊子集的隶属度,③通过以上的运行基准值和偏差确定以后,针对故障诊断Petri网特点,对模糊Petri网进行定义,④基于所述的变迁使能及点火规则相关定义,确定船用燃气轮机气路故障诊断FPN的推理算法。本发明克服了现有的方法通用性不强,会出现错误的判断推理的缺点。实际证明:通过本发明方法建立的船用燃气轮机气路故障诊断算法能够有效解决气路故障中的模糊和不确定性问题。
Description
技术领域
本发明属于船用燃气轮机性能诊断与趋势分析系统,具体涉及基于模糊Petri网的船用燃气轮机气路故障诊断方法。
背景技术
燃气轮机气路故障诊断是利用发动机实际运行中气路可测参数(如:转速、压力、温度等)与其正常运行的基准值进行比较,由此产生的偏差作为检测、隔离和辨识部件故障依据的方法。该诊断方法的原理最早由Urban在1972年提出,传统的气路故障诊断都是采用确定性理论的偏差判据,即一组参数偏差分别为一组定值时就可能代表某种故障,但这种判断实际上存在很大的不确定性和模糊性。
首先,因为船用燃气轮机本身的复杂性和非线性,以及工况和环境变化的多样性,导致很难找到一个与当前诊断环境完全对应的运行基准值;其次,由于测量噪声、仪器老化、环境改变等因素的影响,导致测量存在一定的不确定性;再次,在给定规则下故障的发生及严重程度带有一定的模糊性。因此如果不能有效地解决上述问题,则诊断的有效性必然会受到影响,这也是传统的基于确定性小偏差气路故障诊断方法的应用效果不佳的一个重要原因。
Petri网是一种图形和数学建模工具,是对并发、异步、离散、并行、不确定及随机问题建模和性能分析的有力工具,已经广泛应用于许多领域。在故障诊断领域,利用Petri网可以很好地描述故障的产生过程。但是,由于数据测试、状态评估、知识表达的不确定性或模糊性,用普通Petri网建模方法往往难以满足复杂故障诊断的要求,而模糊Petri网(fuzzy Petri net,FPN)则能较好地解决这些不确定和模糊性问题。
FPN模型就是以模糊规则为基础建立的一种具有模糊信息处理能力的模型,是一种能合理描述知识库中知识所固有的并发性、模糊性,并可进行模糊推理的模型。目前在FPN故障诊断模型中主要采用了两类推理算法:(1)基于可达图的推理算法。该类算法需对FPN的每个库所建立能达到性集合RS、能立即达到性集合IRS和相邻库所集合AP,通常采用目标驱动为主的反向推理策略。(2)基于矩阵运算的推理算法。该类算法通常采用MYCIN置信度方法的不确定推理算法,通过矩阵运算实现判断推理。
第二类推理算法发挥了Petri网利用矩阵运算反映逻辑过程的优势,充分利用了Petri网图形和数学相结合的建模优势,因此相对第一类算法推理更加智能快捷。但目前文献([1]Chen S Y,Chen M.Weighted Fuzzy Reasoning Using Weighted Fuzzy Petri Nets(基于加权模糊Petri网的加权模糊推理).IEEE Transaction onknowledge and data Engineering,2002,14(2):386 397;[2]ChenS M,Ke J S,Chang J F.Knowledge representation using fuzzyPetri nets(基于模糊Petri网的知识表达).IEEE Transaction onKnowledge and Data Engineering,1990,2(3):311-319;[3]高梅梅,吴智铭.模糊Petri网络及其在故障诊断中的应用.自动化学报,2000,26(5):677-680;[4]王南兰.基于模糊Petri网的发动机磨损故障诊断[J].煤矿机械,2007,28(12):187-189;[5]胡永峰,张凤鸣,王美.一种面向故障诊断的模糊Petri网模型.弹箭与制导学报,2007,27(5):293-296)中给出的一些模糊推理算法相对还是比较复杂,通用性不强,对模型的改动也较大,且在矩阵运算中没有完全反映FPN的点火规则,计入了不点火库所的贡献。这在库所贡献接近的情况下甚至可能导致错误的判断推理。
因此,设计一种新的通用性更强,不会出现错误的判断推理的船用燃气轮机气路故障诊断方法成为了一项迫切而重要的工作。
发明内容
本发明的目的在于克服上述现有背景技术的不足之处,而提供一种基于模糊Petri网的船用燃气轮机气路故障诊断方法。
本发明为了有效克服模糊和不确定因素对船用燃气轮机气路故障诊断所带来的问题,以及为了充分反映FPN的点火规则,针对用于故障诊断的Petri网特点,本发明提出了一种FPN模型,对模型的矩阵形式、变迁使能和点火规则作了适当修改和定义,通过简单的矩阵和集合运算完成不确定性知识和过程性的模糊诊断推理。
本发明的目的是通过如下措施来达到的:基于模糊Petri网的船用燃气轮机气路故障诊断方法,其特征在于它包括如下步骤:
①、获取船用燃气轮机运行基准值:采用了数据预处理来解决测量的误差问题,采用BP神经网络方法来确定实测运行参数与运行工况及环境之间的非线性映射关系;
②、基于实测值采用隶属函数计算实际运行参数偏差属于判据偏差模糊子集的隶属度,即命题{实际运行参数偏差是某个判据偏差}的置信度(CF);选用中间型正态分布隶属函数:
式中σ为该运行参数测量的标准偏差,可以通过同测量条件下的多次测量数据统计得到;a为判据偏差;x为当前运行参数测量值与基准值的偏差;
③、通过以上的运行基准值和偏差确定以后,针对故障诊断Petri网特点,对模糊Petri网进行定义:
定义1FPN是一个九元组:FPN=(P,T,I,O,D,β,γ,cf,τ),其中:(1)∑=(P,T,I,O)是一个基本的Petri网,P为库所集合;T为变迁集合;I、0分别为输入和输出函数;(2)D为命题集合;(3)β:P→D为库所到命题之间的映射;(4)γ:P→[0,1]为库所的置信度映射;(5)cf:T→[0,1]为变迁的置信度映射;(6)τ:T→[0,1]为变迁的激活阈值映射;
定义4:网的模糊状态标识列向量Mm×1,其中M(i)=γ(pi);
定义6:设FPN=(P,T,I,O,D,β,γ,cf,τ)是一个模糊Petri网,如果(或M(i)≥V(j)),则变迁t在M下使能,记为M[t>;只有使能的变迁才能点火,这里假设没有外部逻辑干预,使能的变迁都能点火,点火后的新标识记为M′,与M的关系为:
其中算子“∨”为取最大值;
④、基于所述的变迁使能及点火规则相关定义,确定船用燃气轮机气路故障诊断FPN的推理算法如下:
步骤1:由输入信息或知识,调用隶属函数计算库所置信度,确定命题的模糊状态标识列向量Mk;
步骤2:基于定义5计算变迁点火列向量L;
步骤3:由式(2)计算Mk+1,进行前向推理;
步骤4:若Mk+1≠Mk,令k=k+1,重复步骤(2)(3);若Mk+1=Mk,推理结束;
在上述技术方案中,所述船用燃气轮机运行基准值的获取过程为:1、将大气温度、大气压力和油门位置环境和工况参数为各子网的输入参数;将低压压气机转速、高压压气机转速、动力涡轮转速、高压压气机出口压力和低压涡轮出口平均温度运行参数为各子网的输出参数;2、将所有网络训练样本和测试样本数据都进行预处理以减小测量的随机误差和粗大误差的影响;3、针对运行参数的规律特点,选择网络算法和网络结构。4、根据训练好的神经网络模型,就可以快速确定当前的环境和工况参数下船用燃气轮机的正常运行参数。
本发明提出了一套基于模糊Petri网的船用燃气轮机气路故障诊断技术,有效克服了模糊和不确定因素对船用燃气轮机气路故障诊断所带来的影响。
首先引入神经网络技术解决运行基准值的不确定性问题,引入模糊数学理论解决运行参数偏差的确定问题。然后针对故障诊断Petri网的特点,改进定义FPN模型的矩阵形式、变迁使能和点火规则,提出基于FPN的一套诊断推理算法。
对于运行基准值的确定,无论是采用经验法还是精确热力模型仿真计算的方法,都必须采用同型号多台无故障发动机的试车试验数据或发动机投入运行中的实际无故障运行数据。但因为试验数据或建模数据的有限性,不可能保证每个运行环境和工况下都有对应的实测运行数据。而对于复杂的燃气轮机非线性动力系统,固定工况环境下测量数据还有着不可重复性,也就是说对应某一工况环境,很难保证恰好有一组实测运行数据与之对应,可能出现多组实测运行数据与之对应。如果将燃气轮机运行基准值看作当前运行工况以及运行环境的数学函数,那么上述问题就可以近似为一个复杂非线性数学函数的求解问题。针对该问题本发明采用函数逼近方面比较擅长的BP神经网络非线性数学方法来确定实测运行参数与运行工况及环境之间的映射关系。
对于船用燃气轮机的气路故障,其诊断的判据就是运行参数与基准值的偏差。但实际诊断中,因为测量误差等因素的存在,偏差是不确定的。当前运行参数与基准值的偏差一般不可能完全对应某个判据偏差,它们的关系往往是模糊的,因此需要通过数理统计、模糊数学等工具来进行确定。本发明将判据偏差看作各个模糊子集,采用隶属函数来计算实际运行参数偏差属于某模糊子集的隶属度,即命题{实际运行参数偏差是某个判据偏差}的置信度(CF)。这里所述的隶属函数实际上就对应下面FPN模型中的库所置信度映射。隶属函数的确定虽然带有一定的主观性,且允许带有一定的人为技巧,但最终还是要以是否符合客观实际为标准。判断的标准主要是看它是否正确地反映了元素隶属集合到不隶属集合这一变化过程的整体特性,而不在于单个元素的隶属度数值如何。
在以上工作的基础上,为充分反映故障诊断Petri网的特点,本发明对现有的FPN的矩阵形式、变迁使能和点火规则进行了修改定义,并据此提出了基于FPN的一套故障诊断推理算法。
附图说明
图1是基于人工神经网络的运行基准值获取过程的示意图。
图2为某型燃气轮机的故障诊断FPN模型。
具体实施方式
以下结合附图详细说明本发明的具体实施方式,但它们并不构成对本发明的限定,仅作举例而已。同时通过说明本发明的优点将变得更加清楚和容易理解。
神经网络主模型由多个子神经网络模块组成。大气温度、大气压力和油门位置等环境和工况参数为各子网的输入参数;低压压气机转速、高压压气机转速、动力涡轮转速、高压压气机出口压力和低压涡轮出口平均温度等运行参数为各子网的输出参数。
本发明基于模糊Petri网的船用燃气轮机气路故障诊断方法,它包括如下步骤:
①、获取船用燃气轮机运行基准值:采用了数据预处理来解决测量的误差问题,采用BP神经网络方法来确定实测运行参数与运行工况及环境之间的非线性映射关系;
②、基于实测值采用隶属函数计算实际运行参数偏差属于判据偏差模糊子集的隶属度,即命题{实际运行参数偏差是某个判据偏差}的置信度(CF);选用中间型正态分布隶属函数:
式中σ为该运行参数测量的标准偏差,可以通过同测量条件下的多次测量数据统计得到;a为判据偏差;x为当前运行参数测量值与基准值的偏差;
③、通过以上的运行基准值和偏差确定以后,针对故障诊断Petri网特点,对模糊Petri网进行定义:
定义1:FPN是一个九元组:FPN=(P,T,I,O,D,β,γ,cf,τ),其中:(1)∑=(P,T,I,O)是一个基本的Petri网,P为库所集合;T为变迁集合;I、0分别为输入和输出函数;(2)D为命题集合;(3)β:P→D为库所到命题之间的映射;(4)γ:P→[0,1]为库所的置信度映射;(5)cf:T→[0,1]为变迁的置信度映射;(6)τ:T→[0,1]为变迁的激活阈值映射;
定义4:网的模糊状态标识列向量Mm×1,其中M(i)=γ(pi);
定义6:设FPN=(P,T,I,O,D,β,γ,cf,τ)是一个模糊Petri网,如果(或M(i)≥V(j)),则变迁t在M下使能,记为M[t>;只有使能的变迁才能点火,这里假设没有外部逻辑干预,使能的变迁都能点火,点火后的新标识记为M′,与M的关系为:
其中算子“∨”为取最大值;
④、基于所述的变迁使能及点火规则相关定义,确定船用燃气轮机气路故障诊断FPN的推理算法如下:
步骤1:由输入信息或知识,调用隶属函数计算库所置信度,确定命题的模糊状态标识列向量Mk;
步骤2:基于定义5计算变迁点火列向量L;
步骤3:由式(2)计算Mk+1,进行前向推理;
步骤4:若Mk+1≠Mk,令k=k+1,重复步骤(2)(3);若Mk+1=Mk,推理结束;
船用燃气轮机运行基准值的获取过程为:1、将大气温度、大气压力和油门位置环境和工况参数为各子网的输入参数;将低压压气机转速、高压压气机转速、动力涡轮转速、高压压气机出口压力和低压涡轮出口平均温度运行参数为各子网的输出参数;2、将所有网络训练样本和测试样本数据都进行预处理以减小测量的随机误差和粗大误差的影响;3、针对运行参数的规律特点,选择网络算法和网络结构。4、根据训练好的神经网络模型,就可以快速确定当前的环境和工况参数下船用燃气轮机的正常运行参数。
针对船用燃气轮机运行基准值的获取该问题,本发明采用了数据预处理来解决测量的误差问题,采用BP神经网络方法来确定实测运行参数与运行工况及环境之间的非线性映射关系。图1所示为船用燃气轮机运行基准值的获取过程。大气温度、大气压力和油门位置等环境和工况参数为各子网的输入参数;低压压气机转速、高压压气机转速、动力涡轮转速、高压压气机出口压力和低压涡轮出口平均温度等运行参数为各子网的输出参数。所有网络训练样本和测试样本数据都必须进行预处理以减小测量的随机误差和粗大误差的影响。各子网的设计须针对运行参数的规律特点,合理选择网络算法和网络结构。如发明中用于高压压气机转速基准值获取的子网络2:训练算法为trainbr(Byes规范化BP训练函数),其是BP Levenberg-Marquardt训练函数的改进,该训练函数能够提高网络的泛化能力,更易得到最优的网络结构,选定隐层单元数选为15,训练步长为1000。根据训练好的神经网络模型,就可以快速确定当前的环境和工况参数下船用燃气轮机的正常运行参数。
将判据偏差看作各个模糊子集,采用隶属函数来计算实际运行参数偏差属于某模糊子集的隶属度,即命题{实际运行参数偏差是某个判据偏差}的置信度(CF)。这里所述的隶属函数实际上就对应下面FPN模型中的库所置信度映射。隶属函数的确定虽然带有一定的主观性,且允许带有一定的人为技巧,但最终还是要以是否符合客观实际为标准。判断的标准主要是看它是否正确地反映了元素隶属集合到不隶属集合这一变化过程的整体特性,而不在于单个元素的隶属度数值如何。排除系统误差和粗大误差因素,测量误差为随机误差,且假设满足正态分布规律,因此可选用中间型正态分布隶属函数:
式中σ为该运行参数测量的标准偏差,可以通过同测量条件下的多次测量数据统计得到;a为判据偏差;x为当前运行参数测量值与基准值的偏差。
通过以上的运行基准值和偏差确定以后,针对故障诊断Petri网特点,对模糊Petri网进行定义。
定义1FPN是一个九元组:FPN=(P,T,I,O,D,β,γ,cf,τ),其中:(1)∑=(P,T,I,O)是一个基本的Petri网,P为库所集合;T为变迁集合;I、0分别为输入和输出函数;(2)D为命题集合;(3)β:P→D为库所到命题之间的映射;(4)γ:P→[0,1]为库所的置信度映射;(5)cf:T→[0,1]为变迁的置信度映射;(6)τ:T→[0,1]为变迁的激活阈值映射。
利用Petri网表示模糊产生式规则时,每条规则对应一个变迁,规则的前提和结论命题分别对应变迁的输入库所和输出库所,规则被激活是指相应的变迁的点火。
用矩阵来表示FPN模型。假定一个FPN由m个库所,n个变迁构成,则可以定义如下的FPN描述矩阵。
定义4网的模糊状态标识列向量Mm×1,其中M(i)=γ(pi)。
为了反映故障诊断的Petri网的命题的置信度不会大于1,变迁触发其真值保持不变,及变迁触发不存在并发冲突等特点,本发明采用了MYCIN置信度方法来定义用于故障诊断的FPN的变迁使能及点火规则。MYCIN置信度方法是一种实用的不确定推理算法,主要思想为模糊命题合取式(即与)的真值取各子式真值的最小值,模糊命题析取式(即或)的真值取各子式真值的最大值。
定义6设FPN=(P,T,I,O,D,β,γ,cf,τ)是一个模糊Petri网,如果(或M(i)≥V(j)),则变迁t在M下使能,记为M[t>。只有使能的变迁才能点火,这里假设没有外部逻辑干预,使能的变迁都能点火,点火后的新标识记为M′,与M的关系为:
其中算子“∨”为取最大值。
基于以上的变迁使能及点火规则等相关定义,确定船用燃气轮机气路故障诊断FPN的推理算法如下:
步骤1:由输入信息或知识,调用隶属函数计算库所置信度,确定命题的模糊状态标识列向量Mk。
步骤2:基于定义5计算变迁点火列向量L;
步骤3:由式(2)计算Mk+1,进行前向推理;
步骤4:若Mk+1≠Mk,令k=k+1,重复步骤(2)(3);若Mk+1=Mk,推理结束。
实例分析
以某型燃气轮机的气路故障诊断为例,由表1所示某工况下的故障类型和偏差判据表。
表1某型燃气轮机的故障类型和偏差判据
表注1:N1:低压压气机转速;N2:高压气机转速;EGT:排气温度;FF:燃油流量。
表注2:测量误差的标准偏差σ=(0.15,0.20,2.0,0.40),与测量参数相同的单位,表中单位为“%”的是为对运行基准值的相对量。
由上表,根据FPN的建模方法提出故障诊断FPN模型,如图2所示。指定判据下发生故障模糊规则(或变迁)的置信度都为1,另假设规则的激活阈值都为0.6。这两个值可以根据历史经验数据予以修正改进,以更加符合实际故障发生规律。
该模型的输入矩阵I(17,4)和输出矩阵O(17,4)分别为:
假设在表1对应工况状态下,得到的现场信息为:N1偏差为0.00%,N2偏差为1.30%,EGT偏差67.00℃,FF偏差13.80%。
根据本发明给出的故障诊断FPN推理算法对该型燃气轮机目前的状态进行气路故障诊断。
(1)根据运行参数偏差,调用隶属函数(1)计算输入库所的置信度(具体计算过程略),确定网的模糊状态标识列向量M0:M0=(0.64,0.00,0.00,0.00,0.85,0.78,0.78,0.00,0.00,0.00,0.17,0.00,0.00,0,0,0,0)T。
(2)根据定义5,计算得到当前网标识下的变迁点火列向量L:L=(0,0.64,0,0)T。
(3)根据式(2)计算得到:M1=(0.64,0.00,0.00,0.00,0.85,0.78,0.78,0.00,0.00,0.00,0.17,0.00,0.00,0,0.64,0,0)T≠M0;继续推理。
(4)根据M1,重新计算得到当前网标识下的变迁点火列向量L:L=(0,0.64,0,0)T;
(5)根据式(2)计算得到:M1=(0.64,0.00,0.00,0.00,0.85,0.78,0.78,0.00,0.00,0.00,0.17,0.00,0.00,0,0.64,0,0)T=M1;推理结束。
根据输出库所{p14,p15,p16,p17}的模糊状态标识,判断当前发动机的故障为β(p15)={3.5+3.5放气活门不能关闭},且该故障的置信度为γ(p15)=0.64,其它故障没有发生,γ(p14)=γ(p16)=γ(p17)=0,推理结论与事实一致。
以上过程都是由计算机自动快速实现。如果采用本发明提到的第一类基于可达图的推理算法,则不能实现矩阵运算,而需要知识推理判断,所以很难做到快速和自动化。如果采用第二类的一些现有模糊推理算法,则通用性不强,需要对FPN模型进行较大改动,且在矩阵运算中没有完全反映FPN的点火规则,计入了不点火库所的贡献,如本例中现有算法就会计入p5、p6、p7的贡献,从而导致错误的判断推理。
实际证明:通过该方法建立的船用燃气轮机气路故障诊断算法能够有效解决气路故障中的模糊和不确定性问题。
Claims (2)
1.基于模糊Petri网的船用燃气轮机气路故障诊断方法,其特征在于它包括如下步骤:
①、获取船用燃气轮机运行基准值:采用了数据预处理来解决测量的误差问题,采用BP神经网络方法来确定实测运行参数与运行工况及环境之间的非线性映射关系;
②、基于实测值采用隶属函数计算实际运行参数偏差属于判据偏差模糊子集的隶属度,即命题(实际运行参数偏差是某个判据偏差)的置信度(CF);选用中间型正态分布隶属函数:
式中σ为该运行参数测量的标准偏差,可以通过同测量条件下的多次测量数据统计得到;a为判据偏差;x为当前运行参数测量值与基准值的偏差;
③、通过以上的运行基准值和偏差确定以后,针对故障诊断Petri网特点,对模糊Petri网进行定义:
定义1FPN是一个九元组:FPN=(P,T,I,O,D,β,γ,cf,τ),其中:(1)∑=(P,T,I,O)是一个基本的Petri网,P为库所集合;T为变迁集合;I、0分别为输入和输出函数;(2)D为命题集合;(3)β:P→D为库所到命题之间的映射;(4)γ:P→[0,1]为库所的置信度映射;(5)cf:T→[0,1]为变迁的置信度映射;(6)τ:T→[0,1]为变迁的激活阈值映射;
定义4:网的模糊状态标识列向量Mm×1,其中M(i)=γ(pi);
定义6:设FPN=(P,T,I,O,D,β,γ,cf,τ)是一个模糊Petri网,如果 (或M(i)≥V(j)),则变迁t在M下使能,记为M[t>;只有使能的变迁才能点火,这里假设没有外部逻辑干预,使能的变迁都能点火,点火后的新标识记为M′,与M的关系为:
其中算子“∨”为取最大值;
④、基于所述的变迁使能及点火规则相关定义,确定船用燃气轮机气路故障诊断FPN的推理算法如下:
步骤1:由输入信息或知识,调用隶属函数计算库所置信度,确 定命题的模糊状态标识列向量Mk;
步骤2:基于定义5计算变迁点火列向量L;
步骤3:由式(2)计算Mk+1,进行前向推理;
步骤4:若Mk+1≠Mk,令k=k+1,重复步骤(2)(3);若Mk+1=Mk,推理结束。
2.根据权利要求1所述的基于模糊Petri网的船用燃气轮机气路故障诊断方法,其特征在于所述船用燃气轮机运行基准值的获取过程为:1、将大气温度、大气压力和油门位置环境和工况参数为各子网的输入参数;将低压压气机转速、高压压气机转速、动力涡轮转速、高压压气机出口压力和低压涡轮出口平均温度运行参数为各子网的输出参数;2、将所有网络训练样本和测试样本数据都进行预处理以减小测量的随机误差和粗大误差的影响;3、针对运行参数的规律特点,选择网络算法和网络结构。4、根据训练好的神经网络模型,就可以快速确定当前的环境和工况参数下船用燃气轮机的正常运行参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110031881 CN102175460A (zh) | 2011-01-28 | 2011-01-28 | 基于模糊Petri网的船用燃气轮机气路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110031881 CN102175460A (zh) | 2011-01-28 | 2011-01-28 | 基于模糊Petri网的船用燃气轮机气路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102175460A true CN102175460A (zh) | 2011-09-07 |
Family
ID=44518669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110031881 Pending CN102175460A (zh) | 2011-01-28 | 2011-01-28 | 基于模糊Petri网的船用燃气轮机气路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102175460A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663500A (zh) * | 2012-03-27 | 2012-09-12 | 许继集团有限公司 | 一种基于时间隶属分析的模糊 Petri网变电站故障诊断方法 |
CN103091123A (zh) * | 2013-01-09 | 2013-05-08 | 北京世纪源博科技股份有限公司 | 一种朗肯循环冷源装置及其真空故障自诊断方法 |
CN103970072A (zh) * | 2014-05-26 | 2014-08-06 | 清华大学 | 一种器械设备的工作状态检测方法 |
CN104182613A (zh) * | 2014-07-25 | 2014-12-03 | 中国人民解放军海军工程大学 | 基于粗糙集的petri网的船用电站故障诊断模型构建方法 |
CN104268375A (zh) * | 2014-09-10 | 2015-01-07 | 中国人民解放军海军工程大学 | 基于知识petri网的船用电站故障诊断方法 |
CN105874392A (zh) * | 2013-12-31 | 2016-08-17 | 西门子公司 | 燃气轮机运行参数检测故障的诊断方法及控制器 |
CN106092594A (zh) * | 2016-05-26 | 2016-11-09 | 哈尔滨工程大学 | 一种抗传感器故障的强鲁棒性燃气轮机气路部件性能诊断方法 |
CN106909747A (zh) * | 2017-03-06 | 2017-06-30 | 北京航空航天大学 | 一种热对流扩散系统中模糊参数隶属度函数识别方法 |
CN107084847A (zh) * | 2016-02-15 | 2017-08-22 | 通用电气公司 | 用于生成发动机测试单元分析和诊断的自动系统和方法 |
CN107192953A (zh) * | 2017-04-21 | 2017-09-22 | 华北电力大学 | 一种基于GA‑Elman的储能电池软故障诊断方法 |
CN107203202A (zh) * | 2017-07-03 | 2017-09-26 | 贵州大学 | 基于模糊Petri网的系统可靠性分析与故障诊断方法 |
CN108106849A (zh) * | 2017-12-14 | 2018-06-01 | 中国航发沈阳发动机研究所 | 一种涡扇发动机部件特征参数辨识方法 |
CN109187060A (zh) * | 2018-07-31 | 2019-01-11 | 同济大学 | 列车速度传感器信号异常检测及轴抱死故障诊断方法 |
CN109296358A (zh) * | 2017-07-25 | 2019-02-01 | 中国石油天然气股份有限公司 | 固井用井身质量评价方法 |
CN109612173A (zh) * | 2018-11-15 | 2019-04-12 | 南京航空航天大学 | 一种蒸发循环制冷系统的故障评价及诊断方法 |
CN109800525A (zh) * | 2019-01-29 | 2019-05-24 | 中国石油大学(北京) | 液化天然气储备库事故原因反演方法及装置 |
CN109840563A (zh) * | 2019-01-29 | 2019-06-04 | 东北大学 | 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 |
CN109870306A (zh) * | 2019-03-01 | 2019-06-11 | 洛阳中科晶上智能装备科技有限公司 | 一种拖拉机发动机故障诊断及预测方法 |
CN110080884A (zh) * | 2018-10-31 | 2019-08-02 | 南京航空航天大学 | 一种涡扇发动机热端虚拟传感器信号生成与气路故障诊断方法 |
CN110309612A (zh) * | 2019-07-08 | 2019-10-08 | 西安交通大学 | 基于模糊故障Petri网的动力系统故障处理方法 |
CN110543142A (zh) * | 2019-08-22 | 2019-12-06 | 电子科技大学 | 一种数控机床故障诊断与预警系统 |
CN110619131A (zh) * | 2018-06-20 | 2019-12-27 | 陕西师范大学 | 一种基于加权模糊Petri网的UUV智能体行为规划方法 |
CN110848025A (zh) * | 2019-11-12 | 2020-02-28 | 广东第二师范学院 | 基于可变模糊隶属度智能自检的燃气轮机及其检测分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05233590A (ja) * | 1992-02-20 | 1993-09-10 | Mitsuhiko Araki | ペトリネットによる生産システムシミュレータ装置 |
CN101477588A (zh) * | 2009-01-13 | 2009-07-08 | 中国人民解放军国防科学技术大学 | 基于Petri网模型的设备维修保障仿真方法 |
-
2011
- 2011-01-28 CN CN 201110031881 patent/CN102175460A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05233590A (ja) * | 1992-02-20 | 1993-09-10 | Mitsuhiko Araki | ペトリネットによる生産システムシミュレータ装置 |
CN101477588A (zh) * | 2009-01-13 | 2009-07-08 | 中国人民解放军国防科学技术大学 | 基于Petri网模型的设备维修保障仿真方法 |
Non-Patent Citations (5)
Title |
---|
《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 20050615 付阶辉 基于Petri网的故障诊断方法研究 , 第2期 2 * |
《中国电机工程学报》 20001231 黄晓光等 基于BP算法的电站燃气轮机故障诊断方法 第20卷, 第12期 2 * |
《动力工程》 20001031 黄晓光等 基于模糊Petri网的知识表示方法在燃气轮机故障诊断专家系统中的应用 872-875 第20卷, 第5期 2 * |
《自动化学报》 20000930 高梅梅,吴智铭 模糊推理Petri网及其在故障诊断中的应用 677-680 第26卷, 第5期 2 * |
《长沙铁道学院学报》 20030331 甘正佳等 基于概率Petri网的柴油机故障诊断方法研究 79-83 第21卷, 第1期 2 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663500B (zh) * | 2012-03-27 | 2015-01-07 | 许继电气股份有限公司 | 一种基于时间隶属分析的模糊 Petri网变电站故障诊断方法 |
CN102663500A (zh) * | 2012-03-27 | 2012-09-12 | 许继集团有限公司 | 一种基于时间隶属分析的模糊 Petri网变电站故障诊断方法 |
CN103091123A (zh) * | 2013-01-09 | 2013-05-08 | 北京世纪源博科技股份有限公司 | 一种朗肯循环冷源装置及其真空故障自诊断方法 |
CN103091123B (zh) * | 2013-01-09 | 2015-08-05 | 北京世纪源博科技股份有限公司 | 一种具有真空故障自诊断功能的朗肯循环冷源装置 |
US10337410B2 (en) | 2013-12-31 | 2019-07-02 | Siemens Aktiengesellschaft | Analysis method for measurement error of operating parameters of gas turbine and control apparatus |
CN105874392B (zh) * | 2013-12-31 | 2018-10-16 | 西门子公司 | 燃气轮机运行参数检测故障的诊断方法及控制器 |
CN105874392A (zh) * | 2013-12-31 | 2016-08-17 | 西门子公司 | 燃气轮机运行参数检测故障的诊断方法及控制器 |
CN103970072A (zh) * | 2014-05-26 | 2014-08-06 | 清华大学 | 一种器械设备的工作状态检测方法 |
CN103970072B (zh) * | 2014-05-26 | 2016-06-29 | 清华大学 | 一种器械设备的工作状态检测方法 |
CN104182613B (zh) * | 2014-07-25 | 2017-03-08 | 中国人民解放军海军工程大学 | 基于粗糙集的petri网的船用电站故障诊断模型构建方法 |
CN104182613A (zh) * | 2014-07-25 | 2014-12-03 | 中国人民解放军海军工程大学 | 基于粗糙集的petri网的船用电站故障诊断模型构建方法 |
CN104268375B (zh) * | 2014-09-10 | 2017-02-15 | 中国人民解放军海军工程大学 | 基于知识petri网的船用电站故障诊断方法 |
CN104268375A (zh) * | 2014-09-10 | 2015-01-07 | 中国人民解放军海军工程大学 | 基于知识petri网的船用电站故障诊断方法 |
CN107084847A (zh) * | 2016-02-15 | 2017-08-22 | 通用电气公司 | 用于生成发动机测试单元分析和诊断的自动系统和方法 |
CN106092594A (zh) * | 2016-05-26 | 2016-11-09 | 哈尔滨工程大学 | 一种抗传感器故障的强鲁棒性燃气轮机气路部件性能诊断方法 |
CN106909747A (zh) * | 2017-03-06 | 2017-06-30 | 北京航空航天大学 | 一种热对流扩散系统中模糊参数隶属度函数识别方法 |
CN106909747B (zh) * | 2017-03-06 | 2020-06-30 | 北京航空航天大学 | 一种热对流扩散系统中模糊参数隶属度函数识别方法 |
CN107192953A (zh) * | 2017-04-21 | 2017-09-22 | 华北电力大学 | 一种基于GA‑Elman的储能电池软故障诊断方法 |
CN107203202A (zh) * | 2017-07-03 | 2017-09-26 | 贵州大学 | 基于模糊Petri网的系统可靠性分析与故障诊断方法 |
CN109296358A (zh) * | 2017-07-25 | 2019-02-01 | 中国石油天然气股份有限公司 | 固井用井身质量评价方法 |
CN108106849A (zh) * | 2017-12-14 | 2018-06-01 | 中国航发沈阳发动机研究所 | 一种涡扇发动机部件特征参数辨识方法 |
CN110619131A (zh) * | 2018-06-20 | 2019-12-27 | 陕西师范大学 | 一种基于加权模糊Petri网的UUV智能体行为规划方法 |
CN109187060A (zh) * | 2018-07-31 | 2019-01-11 | 同济大学 | 列车速度传感器信号异常检测及轴抱死故障诊断方法 |
CN110080884A (zh) * | 2018-10-31 | 2019-08-02 | 南京航空航天大学 | 一种涡扇发动机热端虚拟传感器信号生成与气路故障诊断方法 |
CN110080884B (zh) * | 2018-10-31 | 2020-07-07 | 南京航空航天大学 | 涡扇发动机热端虚拟传感器信号生成与气路故障诊断方法 |
CN109612173A (zh) * | 2018-11-15 | 2019-04-12 | 南京航空航天大学 | 一种蒸发循环制冷系统的故障评价及诊断方法 |
CN109800525A (zh) * | 2019-01-29 | 2019-05-24 | 中国石油大学(北京) | 液化天然气储备库事故原因反演方法及装置 |
CN109840563A (zh) * | 2019-01-29 | 2019-06-04 | 东北大学 | 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 |
CN109840563B (zh) * | 2019-01-29 | 2022-12-13 | 东北大学 | 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 |
CN109870306A (zh) * | 2019-03-01 | 2019-06-11 | 洛阳中科晶上智能装备科技有限公司 | 一种拖拉机发动机故障诊断及预测方法 |
CN110309612A (zh) * | 2019-07-08 | 2019-10-08 | 西安交通大学 | 基于模糊故障Petri网的动力系统故障处理方法 |
CN110543142A (zh) * | 2019-08-22 | 2019-12-06 | 电子科技大学 | 一种数控机床故障诊断与预警系统 |
CN110848025A (zh) * | 2019-11-12 | 2020-02-28 | 广东第二师范学院 | 基于可变模糊隶属度智能自检的燃气轮机及其检测分析方法 |
WO2021093806A1 (zh) * | 2019-11-12 | 2021-05-20 | 广东第二师范学院 | 基于可变模糊隶属度智能自检的燃气轮机及其检测分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102175460A (zh) | 基于模糊Petri网的船用燃气轮机气路故障诊断方法 | |
CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
US8793004B2 (en) | Virtual sensor system and method for generating output parameters | |
CN105046352B (zh) | 基于血管仿生原理的供水管网漏损计算方法 | |
CN105911975A (zh) | 一种航空发动机气路故障融合诊断方法 | |
Borguet et al. | Comparison of adaptive filters for gas turbine performance monitoring | |
CN104485660B (zh) | 一种基于有向关系图的配电网可靠性评估方法 | |
CN103983453A (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
CN108062428A (zh) | 一种涡扇发动机在线部件故障诊断方法及系统 | |
CN106250709A (zh) | 基于传感器关联网络的燃气轮机异常检测与故障诊断算法 | |
CN102540054B (zh) | 基于多模块贝叶斯网的电子电路故障诊断方法 | |
CN109508745A (zh) | 基于贝叶斯网络模型的燃气轮机气路故障的检测方法 | |
Simon et al. | Aircraft engine gas path diagnostic methods: public benchmarking results | |
CN104428727B (zh) | 用于通过监测涡轮机的性能来检测所述涡轮机的劣化的方法 | |
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 | |
Gao et al. | A novel framework for the reliability modelling of repairable multistate complex mechanical systems considering propagation relationships | |
CN111190759A (zh) | 一种基于功能与故障模式的混合诊断策略生成方法 | |
CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
Pinelli et al. | Gas turbine health state determination: methodology approach and field application | |
CN108730775A (zh) | 一种树状管网爆管分析方法及装置 | |
CN109308484A (zh) | 航空发动机多类故障最小风险诊断方法及装置 | |
Djemili et al. | Adaptive observer for Intake leakage detection in diesel engines described by Takagi-Sugeno model | |
CN106815641A (zh) | 一种基于模型和模糊模式识别的气路故障诊断方法 | |
Wang et al. | Gas flow path fault diagnosis and sensor fault diagnosis for aeroengine based on fusion filter algorithm | |
CN109523032B (zh) | 基于独立性分析与测试的设备参数监测证据网络构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110907 |