CN102426332A - 一种多信号流图的故障排除方法 - Google Patents
一种多信号流图的故障排除方法 Download PDFInfo
- Publication number
- CN102426332A CN102426332A CN2011102586127A CN201110258612A CN102426332A CN 102426332 A CN102426332 A CN 102426332A CN 2011102586127 A CN2011102586127 A CN 2011102586127A CN 201110258612 A CN201110258612 A CN 201110258612A CN 102426332 A CN102426332 A CN 102426332A
- Authority
- CN
- China
- Prior art keywords
- test
- fault
- signal flow
- detect
- input end
- 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 Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明提供了一种多信号流图的故障排除方法,多信号流图模型中,检测同一属性或者具有相同激励的测试可以同时被执行,并按此对测试进行分组,在故障排除过程中,按各组能检测出的故障出现的概率大小来决定测试顺序,从而构成了基于测试划分的故障排除方法。该方法最大程度减少了测试时间,并兼顾考虑了故障出现的概率和最少成本。
Description
技术领域
本发明涉及一种多信号流图的故障排除方法,属于信息技术领域。
背景技术
以往的复杂系统故障诊断的建模方法包括定量模型、定性模型、结构模型和信息流模型。其中,采用定量模型和定性模型需要预先知道系统具体的参数,而结构模型建模比较粗糙,信息流模型与实际结构具有明显偏差。在信息流模型中,测试结果只有2种:通过或失败。但在实际情况中,多输出结果的测试会经常出现,这就需要暗含的
处理,或者将其表述为一系列相关的二进制输出的测试。如,对电压的测试,可能有正常、高、低3种结果,该测试可被建模成3种二进制测试(电压正常/否;电压偏高/否;电压偏低/否)。从另一种角度讲,元件或系统的故障空间与功能空间是互补的,其功能空间往往是多维的,所以,故障空间不是二值的,即不是简单的通过/失败的形式,测试要把故障检测出,也必须是多种输出结果的形式。实际中,往往将测试建模成多种二进制输出的形式。如,对一放大电路测试时,因放大器的正常功能要由增益、线性度、信号转换速率和直流偏差4种方面共同表示,所以,其故障空间也是多维的,测试也应被建模成4种二进制测试分别来检测这4个方面是否有故障。基于这一观点,Pattipati K R等人提出了多信号流图模型。
与信息流模型相比,多信号流图模型类似于在结构模型上覆盖一系列单信号依赖模型,既继承了结构模型中不改变系统结构的优点,又利用功能属性信号建立故障模式和测试,克服了信息流模型对故障建模基于经验和推理规则且并不全面的缺点。另外,该模型独立于测试和测试点,增加或去掉对一个信号属性的检测,并不会对模型结构造成任何影响,这为识别从未见过的故障提供了方便。
发明内容
一种多信号流图的故障排除方法,包括以下步骤:
A利用非多余测试优化算法选出测试;
B将检测相同属性的测试和激励相同测试分成一组,由该组测试检测出的故障结论组成分系统,测试时,按具有较高故障概率的分系统依次进行组测试;
所述的测试方法为: 在输入端P1加峰峰值为1 V,频率为1 000 Hz的正弦波,在TP1点,测试直流电压,检查S5试输出电压比值,检查S1;测试谐波失真检查S2;在输入端P1施加高频、高幅正弦波并观察正弦波在过零点处斜率检查S4;在输入端P1施加不同频率的激励,检测TP2和TP1的比值检测S3。
所述的非多余测试优化算法为:利用各故障结论的测试特征即矩阵中的行向量之间的相异性,可简化测试,选择出非多余测试{T4, T 5, T 6, T 7, T 10};
所述的确立合适的测试序列来进行故障结论的隔离,即故障隔离策略的优化。由于测试T4, T 5, T 6, T 7, T 10分别对应检测属性S5,S3,S1,S2的测试和对R1单独测试,由于对属性S5,S1,S2的检测是在同一输入端施加的同一激励,这样,将测试分成3组:{S5,S1,S2},S3和R1单独测试。由测试组{S5,S1,S2}可检测到R3(F),即R3的功能故障。
结合多信号流图模型中,利用功能属性信号建立故障模式和测试这一特征,凡是检测相同属性的测试势必具有相同的激励和检测手段,可以同时操作;并且,在模型中,所有被定义的测试均在同一输入端施加激励,这样,往往一些使用相同激励的测试也可近似地被认为能够在同一时间被执行。基于此,提出将检测同一属性或具有相同激励测试分组进行测试的故障隔离方法。该方法在兼顾考虑了故障
出现的概率和最少测试硬件增加的条件下,最大程度地减小了测试时间。
附图说明
图1为滤波放大电路图;
图2为 图1系统的诊断树。
具体实施方式
测试划分故障隔离方法
以滤波放大电路为例来说明采用多信号流图模型进行测试性建模的过程,电路如图l所示。
与放大器相关联的属性信号:S1为增益,S2为线性度,S4为信号转换速率,S5为直流偏差;与滤波器相关联的属性信号:,S3为截止频率; 影响各属性信号的部件:电阻R1//R2≠R3、放大器的线性度影响信号S5,R4 ,C1影响和S3,R2 /R1和放大器的开环增益影响前级放大器的增益S1。检测各属性信号的测试:
1)在输入端P1加峰峰值为1 V,频率为1 000 Hz的正弦波,在TP1点,测试直流电压,检查S5试输出电压比值,检查S1;测试谐波失真检查S2。
2)在输入端P1施加高频、高幅正弦波并观察正弦波在过零点处斜率检查S4。
3)在输入端P1施加不同频率的激励,检测TP2和TP1的比值检测S3。
同样,在TP2和J1点都可以检测属性信号。为简单计算,此处对TP2点只检测S3信号。由此,得到表1的故障结论——测试的依赖关系矩阵,即F—T矩阵。其中,G为一般性故障;F为功能性故障。TP0处的测试为对电阻R1的单独测试。
表1 基于多信号流图的F-T矩阵
检测相同属性的测试所用的激励相同,检测手段也相同,在测试执行时可认为同一时间完成。激励相同的测试,往往也可近似认为能够在同一时间完成。所以,若测试时,尽量将检测同一属性的测试或具有相同激励的测试分成一组来执行,这样,会节省测试的时间和费用。
基于测试划分的故障隔离方法具体步骤如下:
1)利用非多余测试优化算法选出测试;
2)将检测相同属性的测试和激励相同测试分成一组,由该组测试检测出的故障结论组成分系统,测试时,按具有较高故障概率的分系统依次进行组测试。
利用给出的故障隔离方法对图l中例子进行验证。
1)非多余测试的优化选择
为简化表述,将测试按表l中顺序用T1,T2 …来表示,并将具有相同测试特征指示的结论划为模糊组,按表1中出现先后顺序用f1,f2…来表示,假设此处的模糊组不需要进一步隔离,即不需要增加测试来降低模糊度,得到表2。
表2 符号简化后的F-T矩阵
利用各故障结论的测试特征即矩阵中的行向量之间的相异性,可简化测试,选择出非多余测试{T4, T 5, T 6, T 7, T 10}。表3非多余测试与故障结论的依赖表。
表3 非多余测试与故障结论的依赖关系
2)测试的排序即故障隔离策略
测试选好后,要确立合适的测试序列来进行故障结论的隔离,即故障隔离策略的优化。由于测试T4, T 5, T 6, T 7, T 10分别对应检测属性S5,S3,S1,S2的测试和对R1单独测试,由于对属性S5,S1,S2的检测是在同一输入端施加的同一激励,这样,将测试分成3组:{S5,S1,S2},S3和R1单独测试。由测试组{S5,S1,S2}可检测到R3(F),即R3的功能故障。这里,假设R3出现故障的概率最大。则先执行该测试组,得到故障诊断树如图2所示。
图2中,斜画线以上区域的测试可以被看作同时执行,这样,该诊断树的平均步骤为(2+2+2+2+l+2+2+2+3+3)/10=2.l步,测试时间得到大大的缩短,并且,由于使用同一激励的测试同时执行,测试硬件得到节约,测试费用也随之减少。
Claims (3)
1.一种多信号流图的故障排除方法,包括以下步骤:
(A)利用非多余测试优化算法选出测试;
(B)将检测相同属性的测试和激励相同测试分成一组,由该组测试检测出的故障结论组成分系统,测试时,按具有较高故障概率的分系统依次进行组测试。
2. 如权利要求1所述的 一种多信号流图的故障排除方法其中测试方法为: 在输入端P1加峰峰值为1 V,频率为1 000 Hz的正弦波,在TP1点,测试直流电压,检查S5试输出电压比值,检查S1;测试谐波失真检查S2;在输入端P1施加高频、高幅正弦波并观察正弦波在过零点处斜率检查S4;在输入端P1施加不同频率的激励,检测TP2和TP1的比值检测S3。
3. 如权利要求1所述的一种多信号流图的故障排除方法其中非多余测试优化算法为:利用各故障结论的测试特征即矩阵中的行向量之间的相异性,可简化测试,选择出非多余测试{T4, T 5, T 6, T 7, T 10};所述的确立合适的测试序列来进行故障结论的隔离,即故障隔离策略的优化,由于测试T4, T 5, T 6, T 7, T 10分别对应检测属性S5,S3,S1,S2的测试和对R1单独测试,由于对属性S5,S1,S2的检测是在同一输入端施加的同一激励,这样,将测试分成3组:{S5,S1,S2},S3和R1单独测试,由测试组{S5,S1,S2}可检测到R3(F),即R3的功能故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102586127A CN102426332A (zh) | 2011-09-04 | 2011-09-04 | 一种多信号流图的故障排除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102586127A CN102426332A (zh) | 2011-09-04 | 2011-09-04 | 一种多信号流图的故障排除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102426332A true CN102426332A (zh) | 2012-04-25 |
Family
ID=45960337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102586127A Pending CN102426332A (zh) | 2011-09-04 | 2011-09-04 | 一种多信号流图的故障排除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102426332A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886620A (zh) * | 2015-12-16 | 2017-06-23 | 北京空间技术研制试验中心 | 航天器测试资源优化配置方法 |
CN109830138A (zh) * | 2019-04-09 | 2019-05-31 | 中国人民解放军陆军工程大学 | 雷达装备模拟训练系统 |
CN110221144A (zh) * | 2019-05-30 | 2019-09-10 | 北京博锐尚格节能技术股份有限公司 | 建筑机电故障原因定位方法 |
-
2011
- 2011-09-04 CN CN2011102586127A patent/CN102426332A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886620A (zh) * | 2015-12-16 | 2017-06-23 | 北京空间技术研制试验中心 | 航天器测试资源优化配置方法 |
CN106886620B (zh) * | 2015-12-16 | 2020-07-31 | 北京空间技术研制试验中心 | 航天器测试资源优化配置方法 |
CN109830138A (zh) * | 2019-04-09 | 2019-05-31 | 中国人民解放军陆军工程大学 | 雷达装备模拟训练系统 |
CN110221144A (zh) * | 2019-05-30 | 2019-09-10 | 北京博锐尚格节能技术股份有限公司 | 建筑机电故障原因定位方法 |
CN110221144B (zh) * | 2019-05-30 | 2021-08-31 | 博锐尚格科技股份有限公司 | 建筑机电故障原因定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110850244B (zh) | 基于深度学习的局放缺陷时域图谱诊断方法、系统及介质 | |
CN103336189A (zh) | 一种基于电流检测的电磁阀故障诊断方法 | |
CN108241114B (zh) | 混合电路芯片的在线故障检测方法、装置及故障检测电路 | |
CN103698734A (zh) | 智能电表基于仿真的虚拟故障测试方法 | |
CN105991517B (zh) | 漏洞发掘方法和装置 | |
RU2541857C1 (ru) | Способ поиска неисправностей в непрерывной динамической системе на основе введения пробных отклонений | |
Li et al. | Fault diagnosis for networked control systems with delayed measurements and inputs | |
JP2005530161A5 (zh) | ||
CN105301450A (zh) | 一种配网故障自动诊断方法及系统 | |
RU2013130664A (ru) | Способ выполнения диагностики конструкции, подверженной нагрузкам, и система реализации упомянутого способа | |
CN102426332A (zh) | 一种多信号流图的故障排除方法 | |
CN104215905A (zh) | 一种基于马田系统和Box-Cox变换的电机故障诊断方法 | |
CN104635146B (zh) | 基于随机正弦信号测试和hmm的模拟电路故障诊断方法 | |
CN117368623B (zh) | 一种可对拖的储能逆变器老化检验方法、系统及介质 | |
CN104502754B (zh) | 一种纯电动车辆动力系统的故障诊断方法 | |
CN106646088B (zh) | 端口故障检测电路 | |
CN117252149A (zh) | 芯片验证方法及装置、芯片验证系统和可读存储介质 | |
CN103076556B (zh) | 航电组件功能维护测试点选取方法 | |
CN116610935A (zh) | 一种基于发动机振动信号多模态分析的机械故障检测方法 | |
CN105046171B (zh) | 一种基于波形叠加的硬件木马检测方法 | |
CN116523722A (zh) | 一种具备机器学习能力的环境监测分析系统 | |
Zammali et al. | Fault detection for switched systems based on pole assignment and zonotopic residual evaluation | |
CN109814026A (zh) | 一种机内测试设计方法及系统 | |
CN102033194B (zh) | 一种电路诊断策略与测试配置信息综合模拟评估方法 | |
CN105022864A (zh) | 一种基于扩展依赖矩阵的系统测试点选取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120425 |