CN102818948A - 基于模糊故障诊断和相关性模型诊断的dr合成诊断方法 - Google Patents

Abstract

本发明提供了一种基于模糊故障诊断和相关性模型诊断的DR合成诊断方法，用于电子设备故障诊断。该方法首先确定各测试点监测的状态参量类型，为连续量或逻辑量；然后对连续量的测试，将测试作为故障征兆，建立模糊关系矩阵R，而对逻辑量的测试，建立相关性矩阵D，将建立的模糊关系矩阵R转置后与相关性矩阵组合为DR合成矩阵；最后针对实时测试故障状态向量，利用DR合成矩阵和DR合成诊断方程定位故障源。本发明充分考虑了系统状态参量中的连续量和逻辑量，弥补了模糊故障诊断的粗糙性，又改善了相关性模型诊断的局限性，适用于具有连续量和逻辑量的系统的故障诊断，可实现故障源的准确定位。

Description

基于模糊故障诊断和相关性模型诊断的DR合成诊断方法

技术领域

本发明涉及一种针对电子产品的基于模糊故障诊断和相关性模型诊断的DR合成诊断方法，属于电子设备故障诊断技术领域。

背景技术

信息融合是指对单个和多个传感器的信息和数据进行多层次、多方面的处理，包括：自动检测、关联、相关、估计和组合。航空电子设备的故障检测与定位，一直是一个十分复杂困难的工作，需要考虑监测数据与监测数据、BIT信息与监测数据等各种融合方法，实现更智能的信息融合增强诊断。其主要信息融合故障诊断方法有：模糊故障诊断、相关性模型诊断、Bayes推理、D-S证据推理及神经网络信息融合等。

模糊故障诊断方法和相关性模型诊断方法具有普遍的适用性。模糊故障诊断方法是利用模糊集合论中的隶属函数和模糊关系矩阵的概念来解决故障原因与故障征兆之间的不确定关系，进而实现故障的检测与诊断。该方法的诊断结果比较粗糙，即准确性较差。相关性模型诊断方法是将被测对象实时测试故障状态向量与相关性矩阵行向量进行逐行比较，找到与其完全一致的行向量，其对应的故障就是诊断结果。该方法的诊断结果相对准确，但只能针对测试状态矢量的“0”和“1”值进行故障搜寻，具有一定的局限性。

由于大多系统都是数模混合电路，其状态参量既有连续量又有逻辑量，采用模糊故障诊断方法或相关性模型诊断方法进行诊断时，得到的诊断结果并不准确或不是最优的。因此，对于同时具备连续量和逻辑量的系统的故障诊断，目前还缺少既能弥补了模糊故障诊断的粗糙性，又能改善相关性模型诊断的局限性的综合诊断方法。

发明内容

本发明的目的是为了既能弥补模糊故障诊断的粗糙性，又能改善相关性模型诊断的局限性，提出了一种基于模糊故障诊断和相关性模型诊断的DR合成诊断方法。本发明方法主要通过分析确定各个测试点监测的状态参量类型，构建一个既包括连续量也包括逻辑量的DR合成矩阵，再根据实时测试故障状态向量，利用DR合成诊断方程定位出故障源，实现对故障的准确隔离。

本发明的基于模糊故障诊断和相关性模型诊断的DR合成诊断方法包括如下步骤：

步骤1，为各测试点所对应的测试编号，并确定各测试点监测的被测对象的状态参量的类型。被测对象的状态参量可分为连续量和逻辑量两种类型。

步骤2，构建相关性矩阵与模糊关系矩阵的DR合成矩阵，DR合成矩阵是指将相关性矩阵D和模糊关系矩阵R合成得到的矩阵。本步骤包括如下步骤：

步骤2.1，建立模糊关系矩阵。

步骤2.1.1，判断步骤1中各个测试点监测的状态参量是否包含连续量，若不包含则不存在模糊关系矩阵，转到步骤2.2执行，否则执行步骤2.1.2；

步骤2.1.2，将监测连续量的测试点对应的测试作为模糊关系矩阵R中的故障征兆；

步骤2.1.3，按照现有的构建模糊关系矩阵的方法，建立只包含步骤2.1.2中所确定的故障征兆与每一个故障原因之间模糊关系的模糊关系矩阵R。一个故障征兆对应模糊关系矩阵R中的一行，一个故障原因对应模糊关系矩阵R中的一列，模糊关系矩阵R中第i行第j列所对应的元素r_ij表示第i个故障征兆属于第j个故障原因的隶属度。

步骤2.2，建立相关性矩阵D。

步骤2.2.1，判断步骤1中各个测试点监测的状态参量是否包含逻辑量，若不包含则不存在相关性矩阵，转到步骤2.3执行，否则执行步骤2.2.2；

步骤2.2.2，将监测逻辑量的测试点所对应的测试作为相关性矩阵D中的测试；

步骤2.2.3，按照现有的构建相关性矩阵的方法，建立只包含步骤2.2.2中所确定的测试与每一个故障模式之间相关关系的相关性矩阵D。一个测试对应相关性矩阵D中的一列，一个故障模式对应相关性矩阵D中的一行，相关性矩阵D中的第i行第j列所对应的元素d_ij表示第i个故障模式与第j个测试的相关性，当第j个测试能测到第i个故障模式时，d_ij＝1；否则，d_ij＝0。

步骤2.3，建立DR合成矩阵。利用模糊关系矩阵与相关性矩阵之间的共性，将模糊关系矩阵转置，再与相关性矩阵组合，得到由转置后的模糊关系矩阵与相关性矩阵组合而成的DR合成矩阵，具体步骤如下：

步骤2.3.1，如果模糊关系矩阵R不存在，把相关性矩阵D作为DR合成矩阵M，否则继续；

步骤2.3.2，将模糊关系矩阵R转置得到转置矩阵R^T；

步骤2.3.3，如果相关性矩阵D不存在，把转置矩阵R^T作为DR合成矩阵M，否则继续；

步骤2.3.4，根据式（1），将得到的转置矩阵R^T与相关性矩阵D组合得到DR合成矩阵M。

把转置后的模糊关系矩阵R^T与相关性矩阵D组合，构成一个DR合成矩阵，记为M，矩阵M中，行表示故障模式，列表示测试，测试按照编号顺次排序，矩阵M如下式所示：

其中，DR合成矩阵M的行按照故障模式F₁,F₂,…,F_m表示为第1个故障模式,第2个故障模式,……,第m个故障模式，m取正整数，表示故障模式的总个数；DR合成矩阵M的每一列T₁,T₂,…,T_n表示第1个测试,第2个测试,……,第n个测试，n取正整数，表示测试的个数；矩阵中的第i行第j列的元素m_ij表示故障模式F_i与测试T_j之间的关系值，值为：

步骤3，利用DR合成诊断方程定位故障源。

DR合成诊断方程如下：

F＝MoT^c                               （2）

式中，F表示故障模式矢量，由故障模式构成，即F=[F₁,…,F_i,…,F_m]^T；M表示DR合成矩阵；Tc表示实时测试故障状态向量，由测试构成，即T^c＝[T₁,…,T_i,…,T_n]^T；“o”为DR合成诊断运算规则，记为

表示模糊同或运算，“∧”表示取小运算。

F_i具体计算如下式：

模糊同或运算

运算规则如下式：

步骤3具体步骤如下：

步骤3.1，获取实时测试故障状态向量；根据监测的实时状态参量，获取一个测试样本，作为实时测试故障状态向量T^c。

步骤3.2，计算故障模式矢量；根据得到的DR合成矩阵M和实时测试故障状态向量T^c，通过式（2）、式（3）以及式（4）计算出一个故障模式矢量F。

步骤3.3，定位故障源，具体是：根据最大隶属度原则，搜索故障模式矢量F中所有可能的故障模式，将最大概率所对应的故障作为故障源，即为诊断结果。

本发明的优点及积极效果在于：

（1）本发明在构建模糊关系矩阵和相关性矩阵的基础上，利用了模糊关系矩阵与相关性矩阵之间的共性，提出了一种DR合成矩阵的构建方法，充分考虑了系统状态参量中的连续量和逻辑量，为提高诊断结果的准确性起到了积极的效果。

（2）本发明在模糊故障诊断和相关性模型诊断两种故障诊断算法的基础上，建立了一种新的DR合成诊断运算规则

既可以用于对模糊关系矩阵中的非逻辑量进行计算，又能够符合相关性模型诊断需要同时兼顾“0”元素和“1”元素的严苛要求，同时适用于模糊故障诊断与相关性模型诊断。

（3）本发明提出的DR合成诊断方法，既弥补了模糊故障诊断的粗糙性，又改善了相关性模型诊断的局限性，适用于同时具有连续量和逻辑量的系统的故障诊断，可以实现故障源的准确定位。

（4）本发明提出的DR合成诊断方法，提供了一套规范化的故障诊断方法，具有比现有故障诊断方法更通用的适用范围。

附图说明

图1是本发明的DR合成诊断方法的总流程图；

图2是本发明的DR合成诊断方法步骤中构建DR合成矩阵的流程图；

图3是本发明的构建DR合成矩阵步骤中利用的模糊关系矩阵与相关性矩阵之间的共性示意图；

图4是本发明的诊断方法步骤中利用DR合成诊断方程定位故障源的示意图；

图5是本发明实施例所用某航电模块的信号调理电路的仿真模型图；

图6是本发明实施例所用某航电模块信号调理电路的测试配置示意图；

图7是本发明实施例中构建模糊关系矩阵所采用的电压模糊集隶属函数分布图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

如图5所示，某航电模块的信号调理电路采用五级放大，可以将微弱电压信号进行无失真放大和调理，消除高频噪声的干扰。该电路包括7个功能模块：输入滤波电路1、一级放大电路2、二级放大电路3、三级放大电路4、四级放大电路5、五级放大电路6和输出滤波电路7。

如图6所示，图5所示航电模块的信号调理电路中存在的故障模式（故障原因）组成如下：输入滤波电路故障F₁；一级放大电路故障F₂；二级放大电路故障F₃；三级放大电路故障F₄；四级放大电路故障F₅；五级放大电路故障F₆；输出滤波电路故障F₇。该电路的测试配置包括五个测试点：一级放大测试T₁；二级放大测试T₂；三级放大测试T₃；四级放大测试T₄；输出滤波测试T₅。其中一级放大测试T₁和输出滤波测试T₅是通过传感器进行监测，二级放大测试T₂、三级放大测试T₃和四级放大测试T₄是通过BIT进行监测。

基于单故障假设，利用该信号调理电路的仿真模型，选择了几种典型元件故障进行仿真，得到的仿真数据如表1所示。

表1某航电模块信号调理电路仿真数据

下面结合图1和实施例具体说明本发明的方法，本发明的基于模糊关系诊断和相关性模型诊断的DR合成诊断方法包括以下几个步骤：

步骤1，确定测试点监测的状态参量类型。连续量是系统实时记录的状态参数数值，如功率、电压、电流、温度、油位等。逻辑量主要用于表示故障字，即是用来记录某些重要的故障事件或征兆现象是否发生的标志，如打开/关闭、运行/停止、以及BIT信息等，可以用简单的1/0值来表示。通过分析被测对象的测试配置，确定各个测试点所监测的状态参量类型。

由于一级放大测试T₁和输出滤波测试T₅是通过传感器进行监测，其输出是监测数据经过特征提取后的连续量，而二级放大测试T₂、三级放大测试T₃和四级放大测试T₄是通过BIT进行监测，其输出是监测数据经过BIT决策后的逻辑量。

步骤2，构建DR合成矩阵。

结合图2，构建DR合成矩阵流程的具体步骤如下：

步骤2.1，建立模糊关系矩阵。

步骤2.1.1，判断步骤1中各个测试点监测的状态参量是否包含连续量，若不包含则不存在模糊关系矩阵，转到步骤2.2，否则继续；

一级放大测试T₁和输出滤波测试T₅监测的数据特征是连续量，存在模糊关系矩阵，继续执行步骤2.1.2。

步骤2.1.2，根据监测连续量的测试点，将该测试作为模糊关系矩阵中的故障征兆；

将测试T₁和T₅作为故障征兆，即模糊关系矩阵R中的行。

步骤2.1.3，按照现有的构建模糊关系矩阵的方法，建立只包含步骤2.1.2中所确定的故障征兆与每一个故障原因之间模糊关系的模糊关系矩阵R。

假设各观测点电压值的模糊集包括三类：(-∞，a)表示输出电压过低，(a,b)表示输出电压正常，(b,+∞)表示输出电压过高，e表示容差，三个模糊集隶属函数分布曲线图如图7所示。

如图7，故障征兆“输出电压异常（过高或过低）”的隶属函数μ(x)计算公式表示为：

$\mathrm{\&mu;}\left(x\right)=\left\{\begin{array}{cc}1& x\&le;a\\ \frac{(a+e)-x}{e}& a<x\&le;a+e\\ 0& a+e<x\&le;b-e\\ \frac{x-(b-e)}{e}& b-e<x<b\\ 1& x\&GreaterEqual;b\end{array}\right.---\left(5\right)$

式（5）中，各级放大电路a、b和e的详细设置值如表2所示。

表2隶属函数参数设置表

观测数据	描述	a值（V）	b值（V）	e值（V）
					级放大测试输出电压	对一级放大效果进行测试	0.0274	0.0604	0.015
二级放大测试输出电压	对二级放大效果进行测试	-0.8267	-0.3751	0.2258
					三级放大测试输出电压	对三级放大效果进行测试	1.875	4.134	1.1295
四级放大测试输出电压	对四级放大效果进行测试	-5.582	-1.066	2258
					输出测试点输出电压	测试放大电路的输出	0.7962	4.206	1.7049

将表1中一级放大电路输出电压、二级放大电路输出电压、三级放大电路输出电压、四级放大电路输出电压和输出滤波电路输出电压的仿真数据代入式(5)的隶属函数，可以计算出一级放大测试T₁、二级放大测试T₂、三级放大测试T₃、四级放大测试T₄、输出滤波测试T₅的测试结果分别隶属于各个元件故障的隶属度，如表3所示。

表3仿真数据隶属度统计表

根据表3，利用下式计算出故障征兆一级放大测试T₁和输出滤波测试T₅属于每一个故障原因隶属度值。

式中，r_ij表示模糊关系矩阵中第i个故障征兆属于第j个故障原因的隶属度。

例如，第1个故障征兆T₁属于第1个故障原因F₁的隶属度

r₁₁=(1.000+0.560+0.413+1.000+1.000+1.000)/(1.000+0.560+0.413+1.000+1.000+1.000+1.000+0.601+0.467+1.000+1.000+1.000+1.000+0.6000+0.466+1.000+1.000+1.000+1.000+0.601+0.467+1.000+1.000+1.000+1.000+0.601+0.467+1.000+1.000+1.000）=0.197

从而得到只包含故障征兆测试T₁和测试T₅的模糊关系矩阵如下式：

$R=\left[\begin{array}{cccccccc}& F_1& F_2& F_3& F_4& F_5& F_6& F_7\\ T_1& 0.197& 0.197& 0.119& 0.134& 0.154& 0.171& 0.171\\ T_5& 0.201& 0.200& 0.220& 0.241& 0.258& 0.272& 0.272\end{array}\right]---\left(7\right)$

步骤2.2，建立相关性矩阵。

步骤2.2.1，判断步骤1中各个测试点监测的状态参量是否包含逻辑量，若不包含则不存在相关性矩阵，转到步骤2.3，否则继续；

二级放大测试T₂、三级放大测试T₃和四级放大测试T₄监测的BIT信息是逻辑量，需要继续执行步骤2.2.2。

步骤2.2.2，根据监测逻辑量的测试点，将该测试点所对应的测试作为相关性矩阵中的测试；

把二级放大测试T₂、三级放大测试T₃和四级放大测试T₄作为相关性矩阵中的测试，即相关性矩阵中的列。

步骤2.2.3，按照现有的构建相关性矩阵的方法，建立只包含步骤2.2.2中所确定的测试与每一个故障模式之间相关关系的相关性矩阵D。

根据图6所示的该信号调理电路的测试配置，对二级放大测试T₂、三级放大测试T₃和四级放大测试T₄与7个故障模式进行相关性分析，得到相关性矩阵D如下式：

$D=\left[\begin{array}{cccc}& T_2& T_3& T_4\\ F_1& 1& 1& 1\\ F_2& 1& 1& 1\\ F_3& 1& 1& 1\\ F_4& 0& 1& 1\\ F_5& 0& 0& 1\\ F_6& 0& 0& 0\\ F_7& 0& 0& 0\end{array}\right]---\left(8\right)$

步骤2.3，建立DR合成矩阵。

构建DR合成矩阵时需要利用模糊关系矩阵与相关性矩阵之间的共性，模糊关系矩阵是描述故障征兆与故障原因之间的模糊关系，其中，行表示故障征兆，列表示故障原因；而相关性矩阵是描述故障模式与测试之间的逻辑关系，其中，行表示故障模式，列表示测试。而在实际的故障诊断中，故障征兆就可以看成是一种测试，故障原因就类似于故障模式。这样，相关性矩阵与模糊矩阵在本质上实际是统一的，如图3所示，m×n的相关性矩阵D转置后的行和列可分别对应n×m的模糊关系矩阵R的列和行，只不过一个是确定的“0”或“1”逻辑关系，一个是介于“0”和“1”之间的不确定关系。建立由模糊关系矩阵与相关性矩阵组合而成的DR合成矩阵，具体步骤如下：

步骤2.3.1，如果不存在模糊关系矩阵，把相关性矩阵D作为DR合成矩阵M，否则继续；

根据步骤2.1，存在模糊关系矩阵。

步骤2.3.2，将模糊关系矩阵R转置得到转置矩阵R^T；

转置得到矩阵R^T如下式：

$R^T=\left[\begin{array}{ccc}& T_1& T_5\\ F_1& 0.197& 0.201\\ F_2& 0.197& 0.200\\ F_3& 0.119& 0.220\\ F_4& 0.134& 0.241\\ F_5& 0.154& 0.258\\ F_6& 0.171& 0.272\\ F_7& 0.171& 0.272\end{array}\right]---\left(9\right)$

步骤2.3.3，如果不存在相关性矩阵，把转置矩阵R^T作为DR合成矩阵M，否则继续；

根据步骤2.2，存在相关性矩阵。

步骤2.3.4，根据式（1），将得到的转置矩阵R^T与相关性矩阵D组合得到DR合成矩阵M。

DR合成矩阵M如下式，其中合成矩阵的列按照测试T₁、T₂、T₃、T₄、T₅的顺序进行排列。

$M=\left[\begin{array}{cccccc}& T_1& T_2& T_3& T_4& T_5\\ F_1& 0.197& 1& 1& 1& 0.201\\ F_2& 0.197& 1& 1& 1& 0.200\\ F_3& 0.119& 1& 1& 1& 0.220\\ F_4& 0.134& 0& 1& 1& 0.241\\ F_5& 0.154& 0& 0& 1& 0.258\\ F_6& 0.171& 0& 0& 0& 0.272\\ F_7& 0.171& 0& 0& 0& 0.272\end{array}\right]---\left(10\right)$

步骤3，利用DR合成诊断方程定位故障。

结合图4，在建立了DR合成矩阵M后，根据实时测试故障状态向量T^c，利用DR合成诊断方程定位出故障源，具体步骤如下：

步骤3.1，获取实时测试故障状态向量；

假设此时发生二级放大电路R10开路故障，各级放大电路的输出电压仿真数据为{0.0494,-1.421,7.105,-1.052,5.758}。在实际利用传感器和BIT进行测试时，各级放大电路的输出电压仿真数据分别经过传感器的特征提取和BIT的决策，从而得到实际各个测试点的输出值为{0.267,1,1,1,1}，即为实时测试故障状态向量T^c＝[0.2671111]^T。

步骤3.2，计算故障模式矢量；

根据得到的DR合成矩阵M和实时测试故障状态向量T^c，通过式（2）、式（3）以及式（4）计算出一个故障模式矢量F＝[0.201 0.200 0.220 0 0 0 0]^T。

步骤3.3，定位故障源

根据最大隶属度原则，搜索故障模式矢量F中所有可能的故障模式，将最大概率所对应的故障模式作为故障源，即选择“0.220”对应的故障模式F₃（二级放大电路故障）作为故障源，因此可以得到诊断结果是二级放大电路故障。

而此时，如果选用模糊故障诊断方法进行诊断，诊断结果是故障源F₆和F₇组成的故障模糊组，并不准确；如果选用相关性模型诊断方法进行诊断，诊断结果是故障源为F₁、F₂和F₃组成的故障模糊组，并不精确。由此可见，基于模糊故障诊断和相关性模型诊断的DR合成诊断结果比单独诊断要优异，其诊断结果比模糊诊断准确，又避免了相关性模型诊断中的模糊组。

Claims (3)

1.一种基于模糊关系诊断和相关性模型诊断的DR合成诊断方法，其特征在于，包括如下步骤：

步骤1，为各测试点所对应的测试编号，并确定各测试点监测的状态参量的类型，分为连续量和逻辑量两种类型；

步骤2，构建由相关性矩阵D与模糊关系矩阵R合成的DR合成矩阵M，具体是：

步骤2.1，建立模糊关系矩阵，具体是：

步骤2.1.1，判断步骤1中各测试点监测的状态参量是否包含连续量，若不包含，则不存在模糊关系矩阵，转到步骤2.2执行，否则执行步骤2.1.2；

步骤2.1.2，将监测连续量的测试点对应的测试作为模糊关系矩阵R中的故障征兆；

步骤2.1.3，建立包含步骤2.1.2中所确定的故障征兆与每一个故障原因之间模糊关系的模糊关系矩阵R；一个故障征兆对应模糊关系矩阵R中的一行，一个故障原因对应模糊关系矩阵R中的一列，模糊关系矩阵R中第i行第j列所对应的元素r_ij表示第i个故障征兆属于第j个故障原因的隶属度；

步骤2.2，建立相关性矩阵D，具体是：

步骤2.2.1，判断步骤1中各个测试点监测的状态参量是否包含逻辑量，若不包含则不存在相关性矩阵，转到步骤2.3执行，否则执行步骤2.2.2；

步骤2.2.2，将监测逻辑量的测试点所对应的测试作为相关性矩阵D中的测试；

步骤2.2.3，建立包含步骤2.2.2中所确定的测试与每一个故障模式之间相关关系的相关性矩阵D；一个测试对应相关性矩阵D中的一列，一个故障模式对应相关性矩阵D中的一行，相关性矩阵D中的第i行第j列所对应的元素d_ij表示第i个故障模式与第j个测试的相关性，当第j个测试能测到第i个故障模式时，d_ij＝1；否则，d_ij＝0；

步骤2.3，将模糊关系矩阵转置，再与相关性矩阵组合，得到DR合成矩阵；

步骤3，利用DR合成诊断方程定位故障源，具体是：

步骤3.1，获取实时测试故障状态向量T^c，T^c＝[T₁,…,T_i,…,T_n]^T；

步骤3.2，利用DR合成诊断方程，计算故障模式矢量F，F=[F₁,…,F_i,…,F_m]^T

步骤3.3，定位故障源，具体是：根据最大隶属度原则，搜索故障模式矢量F中所有可能的故障模式，将最大概率所对应的故障作为故障源。

2.根据权利要求1所述的DR合成诊断方法，其特征在于，所述步骤2.3具体包括如下步骤：

步骤2.3.1，若模糊关系矩阵R不存在，把相关性矩阵D作为DR合成矩阵M，否则继续执行下一步；

步骤2.3.2，将模糊关系矩阵R转置得到转置矩阵R^T；

步骤2.3.3，如果相关性矩阵D不存在，把转置矩阵R^T作为DR合成矩阵M，否则继续执行下一步；

步骤2.3.4，将得到的转置矩阵R^T与相关性矩阵D组合，得到DR合成矩阵M；

矩阵M的每行对应一个故障模式，每列对应一个测试，测试按照编号顺次排序；上面矩阵中，m表示故障模式的总个数，n表示测试的个数；矩阵中第i行第j列的元素m_ij表示故障模式F_i与测试T_i之间的关系值：

3.根据权利要求1所述的DR合成诊断方法，其特征在于，所述步骤3.2的DR合成诊断方程具体如下：

DR合成诊断方程为：F＝MoT^c；其中，o为DR合成诊断运算规则，记为

表示模糊同或运算，∧表示取小运算；

具体F_i的计算公式为：

i＝1,2,…,m；

模糊同或运算

运算规则为：

Images