CN102663500A - 一种基于时间隶属分析的模糊 Petri网变电站故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于时间隶属分析的模糊Petri网变电站故障诊断方法，采用带时间隶属度函数的模糊Petri网构建变电站故障诊断模型；对采集的一组时序信号依据故障诊断规则进行分组，计算各时序信号组的加权期望和加权方差，并根据加权方差最小对应选出离散程度最小的信号组进行模糊推理；利用模糊时间片函数计算加权方差最小的分组各时序信号对应的时间隶属度；采用模糊Petri网模型对变电站故障诊断进行推理分析，确定故障发生的可能性；本发明能有效地处理变电站故障诊断中时间不确定性问题，并能定量地分析信号时间分布离散度、时间差值函数以及重复出现的信号对诊断结果的影响。

Description

一种基于时间隶属分析的模糊 Petri网变电站故障诊断方法

技术领域

本发明属于自动化控制系统技术领域，涉及变电站故障诊断方法。

背景技术

电力系统故障诊断的目的是快速识别引起设备故障的故障源。当电力系统中某一设备发生故障时，与之相关的各级保护装置将产生动作并发出大量告警信号。特别是当这些告警信号与保护装置的误动、拒动、时间偏差以及信道传输错误等不确定性因素混杂在一起时，故障诊断的难度将会大大增加。这些不确定性因素使得正确识别故障来源、选择合理的方式排除故障变得非常困难。

当前的电力系统故障诊断中的存在众多的不确定性因素，但极少提及时间不确定性问题。相关的研究结合信号缺失的情况进行含时间不确定性的故障概率计算和保护装置误动、拒动的判断，但没有对信号发生的随机性和一组信号在时间上表现出的区间特性进行进一步分析，也没有讨论多个相关故障引发的时序信号如何进行分组辨识的问题，因此在应用上有较大的局限性。

一般情况下，保护动作信号出现时常伴随有一组关联信号发生，用于提示运行人员处理保护动作发生时的连带情况，并可验证保护动作信号是否正确。保护动作信号及其关联信号之间主要存在两类时间不确定性信息：(1)保护动作信号发生时，其关联信号的发生具有一定的随机性，发生概率视现场情况而定；(2)保护动作信号及其一组关联信号的出现时刻具有随机性，通常离散地分布在一个时间区域内。由于关联信号是保护动作信号的伴随信号集合，且某些关联信号自身也是一类保护动作信号，因此对于短时间内发生的多个保护动作信号，其关联信号集的时间分布区域将在时间轴上相互交叠，信号的不同组合有可能产生完全不同的诊断结果。含有逻辑关系的故障信号之间所呈现出的时间不确定性是构造故障诊断模型需要谨慎考虑的一个重要问题。

发明内容

本发明的目的是提供一种基于时间隶属分析的模糊Petri网变电站故障诊断方法，以解决含有逻辑关系的故障信号之间所呈现出的时间不确定性影响诊断结果的问题。

为实现上述目的，本发明的基于时间隶属分析的模糊Petri网变电站故障诊断方法步骤如下：

(1)采用带时间隶属度函数的模糊Petri网构建变电站故障诊断模型；

(2)对采集的一组时序信号依据故障诊断规则进行分组，计算各时序信号组的加权期望和加权方差，并根据加权方差最小对应选出离散程度最小的信号组进行模糊推理；

(3)利用模糊时间片函数计算加权方差最小的分组各时序信号对应的时间隶属度；

(4)采用模糊Petri网模型对变电站故障诊断进行推理分析，确定故障发生的可能性。

进一步的，所述步骤(1)中带时间隶属函数的模糊Petri网∑_TM-FPN＝{P，T，F，I，TM，FT，W，CF，CT，L，M₀}构建变电站故障诊断模型，具体定义如下：

(1)P＝P_T∪P_F，P_T＝{p_T}为一类时间库所的有限集，p_T中的托肯为时间刻度值的集合，p_T中托肯的数量为一非负整数；P_F＝{p_F}为一类模糊库所的有限集，p_F中的托肯为一模糊数；

(2)T＝T_T∪T_F∪T_N，T_T＝{t_T}为一类时间变迁的有限集；T_F＝{t_F}为一类模糊变迁的有限集；T_N＝{t_N}为常规变迁的有限集；

(3) $F\⋐(P\×T)\∪(T\×P),$ 为弧的有限集；

(4)I：T_T→R⁺，I(t_T)为t_T对应的时间差值；

(5)TM：P_T×T_T→[0，1]，TM(p_T，t_T)为p_T到t_T的时间隶属度；

(6)FT：P_F→P_T，为模糊库所P_F到时间库所P_T的映射；

(7)W：P_F×T_F→[0，1]，W(p_F，t_F)为p_F到t_F的权值；

(8)CF：T_F×P_F→[0，1]，CF(t_F，p_F)为t_F到p_F的置信度；

(9)CT：T_F→[0，1]， $\mathrm{CT}\left(t_F\right)=\underset{p_F\∈\·t_F}{\mathrm{\Σ}}\mathrm{CW}(p_F,t_F)\·M\left(p_F\right),$ 为t_F的转移量；

(10)L：T_F→(0，1)，L(t_F)为t_F的阈值；

(11)M₀：P_T→{time}，为∑_TM-FPN的初始标识，{time}为所有时间刻度值的集合，状态标识M_i是对系统动态行为的描述，系统的每一个状态对应于库所的一个标识向量，所有系统状态的集合记为M。

进一步的，采用托肯的集合{(p，π(p))}表示M_i，M_i(p)＝π(p)，其中π(p)为库所p中的托肯；对于时间库所集P_T，π(p)→{time}为一时间刻度值集合；对于模糊库所集

为一模糊数。

进一步的，所述具体定义(5)中的时间隶属度函数的值TM(p_T，t_T)是p_T中的托肯π(p_T)相对于所有·t_T的托肯形成的集合

的隶属度最大值，其分布中心由加权数学期望

决定， $\mathrm{TM}(p_T,t_T)=\mathrm{Max}\left(\mathrm{Oracle}(\mathrm{TIME},\mathrm{EW}\left(G_{\·t_T}\right))\right),$ 其中，TIME＝π(p_T)＝{time_i|i＝1，...，n}，

Oracle为

上的模糊集，Oracle(time_i，EW)是分布中心为EW时time_i对Oracle的隶属度。

进一步的，所述加权数学期望EW用于计算带有权值的多个时间刻度值TIME＝{time₁，time₂，...，time_n}的分布中心， $\mathrm{EW}={\mathrm{time}}_{\mathrm{MaxW}}+\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\frac{({\mathrm{time}}_k-{\mathrm{time}}_{\mathrm{MaxW}})\·\sqrt{W\left({\mathrm{time}}_k\right)}}{n},$ 其中W(time_k)为time_k的权值，time_MaxW为TIME中权值最大的时间刻度值。

进一步的，所述加权方差DW刻画了带有权值的多个时间刻度值TIME＝{time₁，time₂，...，time_n}的离散程度，

其中W(time_k)为time_k的权值，EW为TIME的加权数学期望。

进一步的，所述步骤(3)中模糊时间片函数τ(time，C，IT，LT)为时间刻度time对于C，IT，LT所确定的模糊集的隶属度，该模糊集在图形上显示为一等腰梯形，其对称中心为C，上底边长为2*IT，下底边长为2*LT，τ为一类Oracle分段函数，

$\mathrm{\&tau;}(\mathrm{time},C,I,\mathrm{LT})=\left\{\begin{array}{c}1,\mathrm{if}|\mathrm{time}-C|\&le;\mathrm{IT}\\ 1-\frac{|\mathrm{time}-C|-\mathrm{IT}}{\mathrm{LT}-\mathrm{IT}},\\ \mathrm{ifIT}<|\mathrm{time}-C|\&le;\mathrm{LT}\\ 0,\mathrm{ifLT}<|\mathrm{time}-C|\end{array}\right..$

进一步的，所述步骤(4)中模型中用双线圆形表示时间库所P_T，其中托肯的数量为采集到的同类信号的数量，托肯的值表示信号发生时刻；时间变迁T_T用双线矩形表示，T_T的前置库所为一条诊断规则的前件，T_T的后置库所为相应的时间隶属度，其托肯代表时间隶属度的模糊值，用单线圆形表示模糊库所P_F；模糊变迁T_F用空心矩形

表示，T_F的后置库所对应于诊断规则成立的可能性或故障发生的可能性。

本发明的基于时间隶分析的模糊Petri网变电站故障诊断方法，利用模糊时间片和加权数学期望计算故障信号的时间分布，并采用加权方差分析信号分组的离散程度，选取离散程度最低的分组计算其时间隶属度，进而使用加权模糊推理进行故障诊断。该发明能有效地处理变电站故障诊断中时间不确定性问题，并能定量地分析信号时间分布离散度、时间差值函数以及重复出现的信号对诊断结果的影响。

附图说明

图1是模糊时间片函数示意图；

图2是本发明实施例的时序信号分布图；

图3是本发明实施例选择的一组信号分布图；

图4是本发明实施例选择的一组信号加权期望、加权方差分布图；

图5是本发明实施例选择的一组信号的时间隶属度示意图；

图6是本发明实施例选择的一组故障诊断推理模糊Petri网模型。

具体实施方式

基于时间隶属分析的模糊Petri网变电站故障诊断方法步骤如下：

(1)采用带时间隶属度函数的模糊Petri网构建变电站故障诊断模型；

(2)对采集的一组时序信号依据故障诊断规则进行分组，计算各时序信号组的加权期望和加权方差，并根据加权方差最小对应选出离散程度最小的信号组进行模糊推理；

(3)利用模糊时间片函数计算加权方差最小的分组各时序信号对应的时间隶属度；

(4)采用模糊Petri网模型对变电站故障诊断进行推理分析，确定故障发生的可能性。

步骤(1)中带时间隶属函数的模糊Petri网(TM-FPN)∑_TM-FPN＝{P，T，F，I，TM，FT，W，CF，CT，L，M₀}构建变电站故障诊断模型，具体定义如下：

(1)P＝P_T∪P_F，P_T＝{p_T}为一类时间库所的有限集，p_T中的托肯为时间刻度值的集合，p_T中托肯的数量为一非负整数；P_F＝{p_F}为一类模糊库所的有限集，p_F中的托肯为一模糊数；

(2)T＝T_T∪T_F∪T_N，T_T＝{t_T}为一类时间变迁的有限集；T_F＝{t_F}为一类模糊变迁的有限集；T_N＝{t_N}为常规变迁的有限集；

(3) $F\&Subset;(P\&times;T)\&cup;(T\&times;P),$ 为弧的有限集；

(4)I：T_T→R⁺，I(t_T)为t_T对应的时间差值；

(5)TM：P_T×T_T→[0，1]，TM(p_T，t_T)为p_T到t_T的时间隶属度；

(6)FT：P_F→P_T，为模糊库所P_F到时间库所P_T的映射；

(7)W：P_F×T_F→[0，1]，W(p_F，t_F)为p_F到t_F的权值；

(8)CF：T_F×P_F→[0，1]，CF(t_F，p_F)为t_F到p_F的置信度；

(9)CT：T_F→[0，1]， $\mathrm{CT}\left(t_F\right)=\underset{p_F\&Element;\&CenterDot;t_F}{\mathrm{\&Sigma;}}\mathrm{CW}(p_F,t_F)\&CenterDot;M\left(p_F\right),$ 为t_F的转移量；

(10)L：T_F→(0，1)，L(t_F)为t_F的阈值；

(11)M₀：P_T→{time}，为∑_TM-FPN的初始标识，{time}为所有时间刻度值的集合，状态标识M_i是对系统动态行为的描述，系统的每一个状态对应于库所的一个标识向量，所有系统状态的集合记为M。

采用托肯的集合{(p，π(p))}表示M_i，M_i(p)＝π(p)，其中π(p)为库所p中的托肯；对于时间库所集P_T，π(p)→{time}为一时间刻度值集合；对于模糊库所集P_F，

为一模糊数。

具体定义(5)中的时间隶属度函数的值TM(p_T，t_T)是p_T中的托肯π(p_T)相对于所有·t_T的托肯形成的集合

的隶属度最大值，其分布中心由加权数学期望

决定， $\mathrm{TM}(p_T,t_T)=\mathrm{Max}\left(\mathrm{Oracle}(\mathrm{TIME},\mathrm{EW}\left(G_{\&CenterDot;t_T}\right))\right),$ 其中，TIME＝π(p_T)＝{time_i|i＝1，...，n}，

Oracle为

上的模糊集，Oracle(time_i，EW)是分布中心为EW时time_i对Oracle的隶属度。

加权数学期望EW用于计算带有权值的多个时间刻度值TIME＝{time₁，time₂，...，time_n}的分布中心， $\mathrm{EW}={\mathrm{time}}_{\mathrm{MaxW}}+\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{({\mathrm{time}}_k-{\mathrm{time}}_{\mathrm{MaxW}})\&CenterDot;\sqrt{W\left({\mathrm{time}}_k\right)}}{n},$ 其中W(time_k)为time_k的权值，time_MaxW为TIME中权值最大的时间刻度值。

加权方差DW刻画了带有权值的多个时间刻度值TIME＝{time₁，time₂，...，time_n}的离散程度，

其中W(time_k)为time_k的权值，EW为TIME的加权数学期望。

模糊时间片函数τ(time，C，IT，LT)为时间刻度time对于C，IT，LT所确定的模糊集的隶属度，如图1所示，该模糊集在图形上显示为一等腰梯形，其对称中心为C，上底边长为2*IT，下底边长为2*LT，τ为一分段函数， $\mathrm{\&tau;}(\mathrm{time},C,I,\mathrm{LT})=\left\{\begin{array}{c}1,\mathrm{if}|\mathrm{time}-C|\&le;\mathrm{IT}\\ 1-\frac{|\mathrm{time}-C|-\mathrm{IT}}{\mathrm{LT}-\mathrm{IT}},\\ \mathrm{ifIT}<|\mathrm{time}-C|\&le;\mathrm{LT}\\ 0,\mathrm{ifLT}<|\mathrm{time}-C|\end{array}\right.$ 由带时间隶属函数的模糊

Petri网模型可知，τ为一类Oracle分段函数。

设

TS＝{(1，s₆)，(4，s₁)，(5，s₇)，(5，s₄)，(8，s₃)，(10，s₅)，(12，s₂)，(15，s₈)，(16，s₄)，(16，s₁)，(18，s₇)}为SCADA采集的一组时序信号，S＝{s_i|i＝1，2，...，n}为信号的标识。图2说明了这组时序信号的分布情况。

设有一条诊断规则r可用于图2中的故障信号推理：

其中，表示当前置条件信号都发生在时间差值I(r)内时可进行诊断，这里令I(r)＝8，C＝{c_i|i＝1，2，...，m}表示故障原因。

实际上，依据r对TS中的时序信号进行分析，有4种不同的子集：

TS_B1＝{(1，s₆)，(5，s₇)，(5，s₄)，(15，s₈)}，

TS_B2＝{(1，s₆)，(5，s₄)，(15，s₈)，(18，s₇)}，

TS_B3＝{(1，s₆)，(5，s₇)，(15，s₈)，(16，s₄)}，

TS_B4＝{(1，s₆)，(15，s₈)，(16，s₄)，(18，s₇)}。

对TS_B1～TS_B4分别计算加权方差DW(如表1)，可以了解各子集信号间的离散程度。为了便于说明问题，设s₄，s₆，s₇，s₈，s₉对于r推理的权值为(0.3，0.2，0.15，0.2，0.15)，权值为该诊断规则中某信号的重要程度。

表1不同子集的加极数学期望及加极方差

	EW	DW
			TSB1	5.67	8.80
TSB2	6.93	18.76
			TSB3	13.15	18.34
TSB4	14.40	15.73

表1中TS_B1的DW最小，说明TS_B1中带有权值的多个时间刻度值的离散程度最小，应选择TS_B1进行故障诊断的推理。这种选择方式代表的意义为：当某个故障引发保护动作时，其保护动作信号和关联信号将在一个较短的时间差值内发生并被SCADA采集，重要信号应在采集时间上聚集得较为紧密。

图3描述了TS_B1的分布情况，图4显示了TS_B1加权数学期望的位置和加权方差的计算结果。对TS_B1可利用模糊时间片τ进一步计算各时序信号对应的时间隶属度，这里设参数IT＝I(r)，LT＝3*I(r)。计算可得 ${\mathrm{\&tau;}}_{(1,s_6)}=1,{\mathrm{\&tau;}}_{(5,s_7)}=1,$ ${\mathrm{\&tau;}}_{(5,s_4)}=1,{\mathrm{\&tau;}}_{(15,s_8)}=1-\frac{|15-5.67|-8}{24-8}=0.917,$ 图5说明了TS_B1中的时序信号对于τ所确定模糊集的时间隶属度。对TS的故障诊断过程建立TM-FPN模型如图6所示。在图6所示的模型中用双线圆形

表示时间库所P_T，其中托肯的数量为采集到的同类信号的数量，托肯的值表示信号发生时刻；时间变迁T_T用双线矩形表示，T_T的前置库所为一条诊断规则的前件，T_T的后置库所为相应的时间隶属度，其托肯代表时间隶属度的模糊值，用单线圆形○表示模糊库所P_F；模糊变迁T_F用空心矩形

表示，T_F的后置库所对应于诊断规则成立的可能性或故障发生的可能性。各库所和变迁的具体含义见表2。

利用TM-FPN模型对TS进行故障诊断的过程为：

(1)初始状态

M₀＝{(p_T1，{5，16})，(p_T2，{1})，(p_T3，{5，18})，(p_T4，{15})，(p_T5，{})，(p_F1，0)，..，(p_F8，0)}，初始状态时p_F1～p_F8中的托肯值均为0；

表2库所和变迁的含义

(2)t_T1依据r处理前置库所的时间托肯，选择DW最小的子集，以其EW为对称中心利用模糊时间片τ计算各信号对应的时间隶属度TM。t_T1触发后p_T1～p_T5中的托肯值保持不变，产生的新状态中相应元素转变为(p_F1，1)，(p_F2，1)，(p_F3，1)，(p_F4，0.94)；

(3)t_F1根据转移控制函数CT计算r成立的可能性，t_F1触发后p_F6库所的托肯值增加为0.84；

最后所应说明的是：以上实施例仅用以说明而非限定本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解；依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于时间隶属分析的模糊Petri网变电站故障诊断方法，其特征在于，该方法的步骤如下：

(1)采用带时间隶属度函数的模糊Petri网构建变电站故障诊断模型；

(2)对采集的一组时序信号依据故障诊断规则进行分组，计算各时序信号组的加权期望和加权方差，并根据加权方差最小对应选出离散程度最小的信号组进行模糊推理；

(3)利用模糊时间片函数计算加权方差最小的分组各时序信号对应的时间隶属度；

(4)采用模糊Petri网模型对变电站故障诊断进行推理分析，确定故障发生的可能性。

2.根据权利要求1所述的基于时间隶属分析的模糊Petri网变电站故障诊断方法，其特征在于，所述步骤(1)中带时间隶属函数的模糊Petri网∑_TM-FPN＝{P，T，F，I，TM，FT，W，CF，CT，L，M₀}构建变电站故障诊断模型，具体定义如下：

(1)P＝P_T∪P_F，P_T＝{p_T}为一类时间库所的有限集，p_T中的托肯为时间刻度值的集合，p_T中托肯的数量为一非负整数；P_F＝{p_F}为一类模糊库所的有限集，p_F中的托肯为一模糊数；

(2)T＝T_T∪T_F∪T_N，T_T＝{t_T}为一类时间变迁的有限集；T_F＝{t_F}为一类模糊变迁的有限集；T_N＝{t_N}为常规变迁的有限集；

(3) $F\&Subset;(P\&times;T)\&cup;(T\&times;P),$ 为弧的有限集；

(4)I：T_T→R⁺，I(t_T)为t_T对应的时间差值；

(5)TM：P_T×T_T→[0，1]，TM(p_T，t_T)为p_T到t_T的时间隶属度；

(6)FT：P_F→P_T，为模糊库所P_F到时间库所P_T的映射；

(7)W：P_F×T_F→[0，1]，W(p_F，t_F)为p_F到t_F的权值；

(8)CF：T_F×P_F→[0，1]，CF(t_F，p_F)为t_F到p_F的置信度；

(9)CT：T_F→[0，1]， $\mathrm{CT}\left(t_F\right)=\underset{p_F\&Element;\&CenterDot;t_F}{\mathrm{\&Sigma;}}\mathrm{CW}(p_F,t_F)\&CenterDot;M\left(p_F\right),$ 为t_F的转移量；

(10)L：T_F→(0，1)，L(t_F)为t_F的阈值；

(11)M₀：P_T→{time}，为∑_TM-FPN的初始标识，{time}为所有时间刻度值的集合，状态标识M_i是对系统动态行为的描述，系统的每一个状态对应于库所的一个标识向量，所有系统状态的集合记为M。

3.根据权利要求2所述的基于时间隶属分析的模糊Petri网变电站故障诊断方法，其特征在于：采用托肯的集合{(p，π(p))}表示M_i，M_i(p)＝π(p)，其中π(p)为库所p中的托肯；对于时间库所集P_T，π(p)→{time}为一时间刻度值集合；对于模糊库所集

为一模糊数。

4.根据权利要求3所述的基于时间隶属分析的模糊Petri网变电站故障诊断方法，其特征在于，所述具体定义(5)中的时间隶属度函数的值TM(p_T，t_T)是p_T中的托肯π(p_T)相对于所有·t_T的托肯形成的集合

的隶属度最大值，其分布中心由加权数学期望决定， $\mathrm{TM}(p_T,t_T)=\mathrm{Max}\left(\mathrm{Oracle}(\mathrm{TIME},\mathrm{EW}\left(G_{\&CenterDot;t_T}\right))\right),$ 其中，TIME＝π(p_T)＝{time_i|i＝1，...，n}，

Oracle为

上的模糊集，Oracle(time_i，EW)是分布中心为EW时time_i对Oracle的隶属度。

5.根据权利要求4所述的基于时间隶属分析的模糊Petri网变电站故障诊断方法，其特征在于，所述加权数学期望EW用于计算带有权值的多个时间刻度值TIME＝{time₁，time₂，..，time_n}的分布中心  ， $\mathrm{EW}={\mathrm{time}}_{\mathrm{MaxW}}+\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{({\mathrm{time}}_k-{\mathrm{time}}_{\mathrm{MaxW}})\&CenterDot;\sqrt{W\left({\mathrm{time}}_k\right)}}{n},$ 其中W(time_k)为time_k的权值，time_MaxW为TIME中权值最大的时间刻度值。

6.根据权利要求5所述的基于时间隶属分析的模糊Petri网变电站故障诊断方法，其特征在于，所述加权方差DW刻画了带有权值的多个时间刻度值TIME＝{time₁，time₂，..，time_n}的离散程度，

其中W(time_k)为time_k的权值，EW为TIME的加权数学期望。

7.根据权利要求6所述的基于时间隶属分析的模糊Petri网变电站故障诊断方法，其特征在于：所述步骤(3)中模糊时间片函数τ(time，C，IT，LT)为时间刻度time对于C，IT，LT所确定的模糊集的隶属度，该模糊集在图形上显示为一等腰梯形，其对称中心为C，上底边长为2*IT，下底边长为2*LT，τ为一类Oracle分段函数，

$\mathrm{\&tau;}(\mathrm{time},C,I,\mathrm{LT})=\left\{\begin{array}{c}1,\mathrm{if}|\mathrm{time}-C|\&le;\mathrm{IT}\\ 1-\frac{|\mathrm{time}-C|-\mathrm{IT}}{\mathrm{LT}-\mathrm{IT}},\\ \mathrm{ifIT}<|\mathrm{time}-C|\&le;\mathrm{LT}\\ 0,\mathrm{ifLT}<|\mathrm{time}-C|\end{array}\right..$

8.根据权利要求2-7中任一项所述的基于时间隶属分析的模糊Petri网变电站故障诊断方法，其特征在于，所述步骤(4)中模型中用双线圆形表示时间库所P_T，其中托肯的数量为采集到的同类信号的数量，托肯的值表示信号发生时刻；时间变迁T_T用双线矩形表示，T_T的前置库所为一条诊断规则的前件，T_T的后置库所为相应的时间隶属度，其托肯代表时间隶属度的模糊值，用单线圆形表示模糊库所P_F；模糊变迁T_F用空心矩形

表示，T_F的后置库所对应于诊断规则成立的可能性或故障发生的可能性。

Images