CN103278328B - 基于模糊Petri网的风电机组液压变桨系统故障诊断方法 - Google Patents
基于模糊Petri网的风电机组液压变桨系统故障诊断方法 Download PDFInfo
- Publication number
- CN103278328B CN103278328B CN201310182102.5A CN201310182102A CN103278328B CN 103278328 B CN103278328 B CN 103278328B CN 201310182102 A CN201310182102 A CN 201310182102A CN 103278328 B CN103278328 B CN 103278328B
- Authority
- CN
- China
- Prior art keywords
- fault
- library
- transition
- pitch system
- fuzzy
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000007704 transition Effects 0.000 claims abstract description 71
- 238000003745 diagnosis Methods 0.000 claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 230000001960 triggered effect Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000012530 fluid Substances 0.000 claims 1
- 230000001965 increasing effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
基于模糊Petri网的风电机组液压变桨系统故障诊断方法,属于风电机组液压变桨系统故障诊断技术领域。确定顶事件,再找出事件发生的直接原因,依此类推,直到找出导致系统故障的最底层原因,建立液压变桨距系统故障Petri网模型;由各库所间关系获得液压变桨系统各故障库所的可达集合等;分析故障库所的立即可达集合等,根据模糊产生式规则、变迁触发规则和模糊推理算法,确定故障产生原因及故障库所可信度,实现风电机组液压变桨距系统的故障诊断。本发明实现了风电机组液压变桨距系统故障诊断,有效避免了液压变桨系统诊断中的漏判、误判和无法判断问题,能定量给出故障可能性大小,提高了诊断正确率,在风电机组液压变桨系统故障诊断中具有积极意义。
Description
技术领域
本发明涉及一种基于模糊Petri网的风电机组液压变桨系统故障诊断方法,属于风电机组液压变桨系统故障诊断技术领域。
背景技术
随着能源和环境危机,风力发电作为一种可再生能源发电的形式,受到各国的普遍关注。提高我国风电设备的技术水平和制造能力,降低风力发电成本,增强其市场竞争力,降低风电场的运营成本,是目前我国各大风机厂家和运营商的共同愿望。风电机组单机容量随着风电发展规模的不断扩大而日益增大,但频发的故障使机组年平均发电时间缩短,设备检修时间变长,导致机组故障检修成本很高。对于风电场运营商,如何提高风电机组的利用率,减少机组的突发事故率,进而缩短机组故障停机时间,越来越成为一项十分迫切的任务。由于风电机组所处环境恶劣,温度、风沙、气候变化等都会影响设备性能,因此加强对风电机组故障诊断方法的研究,确保风电机组的安全运行具有重要意义。
在风电机组中,液压系统以其响应频率快、扭矩大、便于集中布置和集成化等优点,在气动刹车、机械刹车、偏航驱动、偏航刹车、变转速、变桨距控制等方面进行了广泛的应用。然而,大功率风力机的液压系统一旦发生故障,维修难度较大。掌握大功率风力机的液压系统故障诊断与分析技术,提供风电机组故障判断的科学依据,准确评估机组的可靠性,从而可以合理制定检修计划,开展检修任务,对于指导机组优化运行,避免对机组故障诊断的盲目性等,意义重大。
Petri网模型能将系统抽象的、离散的各个状态用具体的图像模型表示出来,兼具了图形化建模能力和数学计算能力,不仅在系统描述和动态性能分析方面具有独到之处,而且在人工智能领域的知识表示和诊断推理方面也得到了广泛的应用。在故障诊断系统中,故障的产生和传播是一个典型的动态过程,利用Petri网可以很好地描述故障的产生和传播过程。考虑到故障受外界复杂环境影响使其描述具有不确定性或模糊性,为了使Petri网具有模糊推理能力,本发明提出了一种模糊Petri网风电机组液压变桨系统故障诊断方法以满足故障诊断的要求。
发明内容
模糊Petri网(Fuzzy Petri Nets)作为对离散事件动态系统建模和分析的重要工具,是构造模糊产生式规则的良好图形建模工具,利用FPN可以对规则库状态的变化特性在不同的层面上进行并行分析和模糊推理。为了使Petri网具有模糊推理的能力,本发明提出一种模糊Petri网风电机组液压变桨系统故障诊断方法。
一种基于模糊Petri网的风电机组液压变桨系统故障诊断方法,包括以下步骤:
1)建立风电机组液压变桨系统的模糊Petri网模型,以系统全面的描述液压变桨系统的故障传播的过程。
先要确定故障模型的顶事件,即给出的故障事件,再找出事件发生的直接原因;依此类推,直到找出导致系统故障的最底层原因,建立液压变桨距系统的故障Petri网模型。
2)根据模糊Petri网模型及库所间的逻辑关系,获得液压变桨系统各故障库所的可达集合、立即可达集合和相邻库所集合。
在模糊推理算法中,需要对模糊Petri网中的各个库所建立可达集合RS(Pi)﹑立即可达集合IRS(Pi)以及相邻库所集合AP(Pij)。一个库所的可达集合RS(Pi)是库所Pi触发一系列变迁后能够到达的库所集合,即库所Pi经过一个或多个变迁只要能够达到的集合都可以组成该库所的可达集合RS(Pi);立即可达集IRS(Pi)是库所Pi触发一个变迁ti后就能够达到的库所集合,即库所Pi只能够经过一次变迁而不是经过多次变迁转移达到的集合从而实现立即可达的目的;相邻库所集AP(Pij)是许多同库所Pi一样经过一个变迁便能够立即达到的集合,即对于一个有多输入库所的变迁来说,除了该输入库所Pi,其他经过该变迁的库所所组成的集合就构成了该库所的相邻库所集合AP(Pij)。
3)风电机组液压变桨机构的故障诊断
通过分析故障库所的可达集合、立即可达集合和相邻库所集合,根据模糊产生式规则、变迁触发规则和模糊推理算法,进行模糊反向并行推理过程,确定故障产生原因并得到故障库所可信度,实现风电机组液压变桨距系统故障诊断。
模糊petri网的推理是一种带有可信度的推理,所述模糊产生式规则是指根据液压变桨系统的模糊petri网所示的逻辑关系,可以生成若干规则,例如其中一条规则可描述为:如果P1(库所P1的含义为液压泵供油少)发生,那么P12(库所P12的含义为刹车解除回路压力不足)发生,该规则的可信权值CF(ti)=0.88。P1称为前提库所,P12称为结论库所。
所述变迁触发规则是指前提库所可信度α(Pk)和与变迁阈值的大小进行比较,如果库所可信度,则表示变迁ti能够被触发,否则变迁ti不能够被触发。
所述模糊推理算法的步骤如下:
步骤1:假设库所P0出现故障,如果P0属于立即可达集合IRS(Pi),则先找到该库所P0对应的立即可达集合IRS(Pi)的规则可信权值最大的CF(ti)对应的前提库所Pi,记下故障路径Pi-P0,转步骤2,如果P0不属于任何立即可达集合,转步骤10。
步骤2:重复步骤1,继续查找Pi对应规则可信权值最大的前提库所Ps,然后再重复步骤1,找Ps的前提库所,依此类推直到找到的底库所Pf不属于任意立即可达集合IRS(Pi),即Pf不存在前提库所,则可确定一条故障路径Pf-Pn-…Ps-Pi-P0。
步骤3:根据专家经验得故障路径上最后一个前提库所Pf的故障可信度。
步骤4:将前提库所Pf的故障可信度与前提库所Pf到结论库所Pn间变迁ti的变迁阈值进行比较,如果,则表示变迁ti能够被触发,则该事件能够发生,将规则可信权值CF(ti)和前提库所Pf故障可信度α(Pf)相乘得到结论库所Pn的故障可信度α(Pn):α(Pn)=CF(ti)×α(Pf),标识为变迁触发,转到步骤8。否则转步骤5
步骤5:如果,则表示变迁ti不能够被触发,则该事件不能够发生,标记为v(ti)=1表示该变迁不能被触发,且已访问该事件,转到步骤6;
步骤6:对比结论库所Pn所属的立即可达集合IRS(Pn),寻找次大的规则可信权值,如果找到次大的规则可信权值,则将次大的规则可信权值设置为最大的规则可信权值,转入步骤2继续执行,这样会重新确定一条故障新路径,然后转入步骤3;
步骤7:如果步骤6中没有找到次大的规则可信权值,令步骤6中结论库所为新前提库所,判断该新的前提库所为是否为故障顶事件P0,如是则转步骤9,否则找到新前提库所对应的结论库所,然后将其结论库所定义为新Pn,重复步骤6,寻找新路径。
步骤8:令步骤5中的结论库所变成前提库所,重复步骤:4,步骤5,计算出最终故障路径…-…-P0,得到这条路径导致库所P0的故障可信度α(P0),转步骤9。
步骤9:返回α(P0)的值得到该故障路径导致库所P0出现故障的可信度大小,观察变迁转移的过程,即故障产生的最可靠的路径,查看导致库所P0出现故障的原因,完成风电机组液压变桨系统的故障诊断,推理结束。
步骤10:返回α(P0)=0,vi=1,表示没有找到故障路径和原因,推理结束。
实现故障诊断时,我们可以通过开发故障诊断系统平台显示故障诊断情况。
本发明的有益效果为:本发明提出了一种风电机组液压变桨系统故障诊断方法,该方法通过液压变桨系统变迁转移的过程,准确定位故障的原因和位置,方便快捷的计算出各故障库所的可靠性,(以上过程可以通过在计算机完成),有效避免了液压变桨系统诊断中的漏判、误判和无法判断问题,并能定量给出每种故障可能性大小,提高诊断的正确率,在风电机组液压变桨系统故障诊断中具有积极意义。
附图说明
图1为模糊Petri网故障诊断流程示意图。
图2为模糊Petri网故障模型示意图。
图3为模糊Petri网故障模型中元素单元结构示例示意图。其中,指前提库所;指变迁;指结论库所;0.90,指规则的可信权值CF(t4)=0.90。
具体实施方式
下面结合附图对本发明作进一步说明:
图1为模糊Petri网故障诊断流程示意图。图2为模糊Petri网模型示意图。
如图1所示,一种基于模糊Petri网的风电机组液压变桨系统故障诊断方法,包括步骤:
1)建立风电机组液压变桨系统的模糊Petri网模型,以系统全面的描述液压变桨系统的故障传播的过程
先要确定故障模型的顶事件,即给出的故障判据,再找出事件发生的直接原因,并确定原因之间的逻辑关系;依此类推,直到找出导致系统故障的最底层原因,建立液压变桨距系统的故障Petri网模型。图2示例了一个模糊Petri网模型图。(图3为模糊Petri网故障模型中元素单元结构示例示意图。)
2)根据模糊Petri网模型,分析各库所间的逻辑关系,获得液压变桨系统各故障库所的可达集合、立即可达集合和相邻库所集合。
在模糊推理算法中,需要对模糊Petri网中的各个库所建立可达集合RS(Pi)﹑立即可达集合IRS(Pi)以及相邻库所集合AP(Pij)。一个库所的可达集合RS(Pi)是库所Pi触发一系列变迁后能够到达的库所集合,即库所Pi经过一个或多个变迁只要能够达到的集合都可以组成该库所的可达集合RS(Pi);立即可达集IRS(Pi)是库所Pi触发一个变迁ti后就能够达到的库所集合,即库所Pi只能够经过一次变迁而不是经过多次变迁转移达到的集合从而实现立即可达的目的;相邻库所集AP(Pij)是许多同库所Pi一样经过一个变迁便能够立即达到的集合,即对于一个有多输入库所的变迁来说,除了该输入库所Pi,其他经过该变迁的库所所组成的集合就构成了该库所的相邻库所集合AP(Pij)。
3)风电机组液压变桨机构的故障诊断
通过分析故障库所的可达集合、立即可达集合和相邻库所集合,根据模糊产生式规则、变迁触发规则和模糊推理算法,进行模糊反向并行推理过程,搜索出故障发生最可靠路径,确定故障产生原因并计算故障库所可信度,实现风电机组液压变桨距系统的故障诊断。
模糊petri网的推理是一种带有可信度的推理,所述模糊产生式规则是指根据液压变桨系统的模糊petri网所示的逻辑关系,可以生成若干规则,例如其中一条规则可描述为:如果P1(库所P1的含义为液压泵供油少)发生,那么P12(库所P12的含义为刹车解除回路压力不足)发生,该规则的可信权值CF(ti)=0.88。P1称为前提库所,P12称为结论库所。
所述变迁触发规则是指前提库所可信度α(Pk)和与变迁阈值的大小进行比较,如果库所可信度,则表示变迁ti能够被触发,否则变迁ti不能够被触发。
所述模糊推理算法的步骤如下:
步骤1:假设库所P0出现故障,如果P0属于立即可达集合IRS(Pi),则先找到该库所P0对应的立即可达集合IRS(Pi)的规则可信权值最大的CF(ti)对应的前提库所Pi,记下故障路径Pi-P0,转步骤2,如果P0不属于任何立即可达集合,转步骤10。
步骤2:重复步骤1,继续查找Pi对应规则可信权值最大的前提库所Ps,然后再重复步骤1,找Ps的前提库所,依此类推直到找到的底库所Pf不属于任意立即可达集合IRS(Pi),即Pf不存在前提库所,则可确定一条故障路径Pf-Pn-…Ps-Pi-P0,记为故障路径1。
步骤3:根据专家经验得故障路径上最后一个前提库所Pf的故障可信度。
步骤4:将前提库所Pf的故障可信度与前提库所Pf到结论库所Pn间变迁ti的变迁阈值进行比较,如果,则表示变迁ti能够被触发,则该事件能够发生,将规则可信权值CF(ti)和前提库所Pf故障可信度α(Pf)相乘得到结论库所Pn的故障可信度α(Pn):α(Pn)=CF(ti)×α(Pf),标识为变迁触发,转到步骤8。否则转步骤5
步骤5:如果,则表示变迁ti不能够被触发,则该事件不能够发生,标记为v(ti)=1表示该变迁不能被触发,且已访问该事件,转到步骤6;
步骤6:对比结论库所Pn所属的立即可达集合IRS(Pn),寻找次大的规则可信权值,如果找到次大的规则可信权值,则将次大的规则可信权值设置为最大的规则可信权值,转入步骤2继续执行,这样会重新确定一条故障新路径,然后转入步骤3;
步骤7如果步骤6中没有找到次大的规则可信权值,令步骤6中结论库所为新前提库所,判断该新的前提库所为是否为故障顶事件P0,如是则转步骤9,否则找到新前提库所对应的结论库所,然后将其结论库所定义为新Pn,重复步骤6,寻找新路径。
步骤8:令步骤5中的结论库所变成前提库所,重复步骤:4,步骤5,计算出最终故障路径…-…-P0,得到这条路径导致库所P0的故障可信度α(P0),转步骤9。
步骤9:返回α(P0)的值得到该故障路径导致库所P0出现故障的可信度大小,观察变迁转移的过程,即故障产生的最可靠的路径,查看导致库所P0出现故障的原因,完成风电机组液压变桨系统的故障诊断,推理结束。
步骤10:返回α(P0)=0,vi=1,表示没有找到故障路径和原因,推理结束。
下面结合实施例说明模糊Petri网模型的建立:
建立模糊Petri网模型,先要确定故障模型的顶事件,即给出的故障判据,液压变桨距系统的故障判据有3种,即开机顺桨故障,增大功率故障和减小功率故障,这3种判据(故障事件)构成了液压系统故障Petri网模型的第1层次事件;再分析第1层次事件,分别找出事件发生的直接原因,并确定原因之间的逻辑关系;依此类推,直到找出导致系统故障的最底层原因,建立液压变桨距系统的故障模糊Petri网模型。如图2所示。
下面介绍建立库所的相邻库所集合APik、立即可达集合IRS(pi)和可达集合RS(pi):
一个库所的可达集合RS(Pi)是库所Pi触发一系列变迁后能够到达的库所集合;立即可达集IRS(Pi)是库所Pi触发一个变迁ti后就能够到达的库所集合;相邻库所集AP(Pij)是许多同库所Pi一样经过一个变迁便能够立即达到的集合,即对于一个有多输入库所的变迁来说,除了该输入库所Pi,其他经过该变迁的库所所组成的库所就构成了该库所的相邻库所集合AP(Pij),
因此,根据图2的模糊Petri网模型,建立每个库所的相邻库所集合APik、立即可达集合IRS(pi)和可达集合RS(pi),如表1和表2所示。由图2模糊Petri网模型可以观察得到对于一个变迁来说输入库所和输出库所是一一对应的关系,所以各库所的相邻库所集合Pij均为空
表1 模型对应的相邻库所集合
表2 库所的立即可达、可达集
下面介绍风电机组液压变桨机构的故障诊断:
根据模糊产生式规则、变迁触发规则和模糊推理算法,通过分析库所的相邻库所集合APik、立即可达集合IRS(pi)和可达集合RS(pi),找到可能导致系统故障的路径。
根据图2所示的模糊Petri网模型模型,可得到若干条模糊产生式规则,确定相应的前提库所和结论库所,为了下面说明方便,假设专家经验把变迁触发规则中的各个变迁的阈值均设定为0.6。根据模糊推理算法中的步骤1和步骤2可知:
假设系统已知故障“风电机组液压变桨系统故障”,即图2中对应的库所P17出现故障,通过参照表1和表2,可知引起P17发生的路径有三条,P14→P17,P15→P17,P16→P17。再根据模糊式产生规则,查询规则的可信度,其中(CF(t25)=0.97)的置信度较大,再参照表1和表2,反向推理能推出P15的路径有P1→P15,P2→P15,P7→P15,P8→P15,P9→P15,P10→P15,P13→P15,由于CF(t5)较大,所以找到的路径为P13→P15→P17,然后继续反向查找能引发P13的路径有1条P12→P13,;继续反向寻找能引发P12的路径有三条:P1→P12,P2→P12,P3→P12,因为的置信度较大,所以找到路径为P1→P12→P13→P15→。
根据步骤3,需要知道前提库所P1(液压泵供油少)的可信度。该可信度等级通常是可以事先确定的,如通过先验知识获得或者通过现场传感器采集的数据分析得到。例如:用户通过查看现场液压泵供油的压力数据的大小,专家经验给出可信度为α(P1)=0.93。
则执行步骤4,步骤5,专家经验把变迁的阈值均设定为0.6,由于0.93高于t1阈值0.6,所以库所P1对应的命题是可以被触发的,则P12置信度为输入库所的置信度乘以对应的规则权值:0.93×CF(t1)=0.93×0.88=0.8184,该然后转步骤8。此时由于0.8184>λ=0.6,即大于预先设定的t4的阈值,所以t4可被触发,可得到P13的置信度为0.8184×CF(t4)=0.73656>0.6(t5的阈值),故t5可被触发,得到P15的置信度为0.73656×CF(t5)=0.6776352>0.6(t25的阈值),故t25可被触发,得到P17的置信度为0.6776352×CF(t25)=0.657306144。根据步骤9,风电机组液压变桨诊断系统最终给出故障发生的可靠性α(P17)=0.657306144。用户可以通过t1,t4,t5和t25的变迁的LED灯依次点亮,直观的看到模糊故障Petri网的变迁转移过程,确定的故障路径为P1→P12→P13→P15→P17,准确的定位故障位置及原因为:P1引起的P17故障。
如果根据步骤3,用户通过查看现场液压泵供油的压力数据的大小,专家经验给出可信度为α(P1)=0.1。执行步骤4,发现小于设定的阈值0.6,则对应库所P1的命题没有被触发,则执行步骤5,P12不会由P1产生,然后执行步骤6,分析库所的立即可达集表2可知,库所P12被触发的路径另外还有P2→P12,P3→P12,则故障诊断系会依据步骤6从规则可信权值次大的值CF(t3)继续进行以上步骤的故障推理。当被寻找的库所命题的可信度高于设定的阈值0.6时,该变迁就能触发,那么故障库所P12的可信度的值α(P12)就能够得到。若路径P2→P12和路径P3→P12均没有被触发,则执行步骤7,P12为新的前提库所,找到其对应的结论库所为P13,将P13定义为新的Pn,转步骤6,由于P13没有找到次大的规则可信权值,所以转步骤7,P13为新的前提库所,找到其对应的结论库所为P15,将P15定义为新的Pn,转步骤6,继续搜寻其他路径P1→P15,P2→P15,P5→P15,P7→P15,P8→P15,P9→P15,P10→P15中变迁可信度最大的故障路径CF(t8),不断重复以上步骤,直到找出引起该故障的最终原因进而得到该故障库所的可信度大小。
如果假设通过上述模糊推理过程,最终确定的故障路径为P1→P12→P13→P15→P17,用户可以通过t1,t4,t5和t25的变迁的LED灯依次点亮,直观的看到模糊故障Petri网的变迁转移过程,从而确定的故障路径为P1→P12→P13→P15→P17,准确的定位故障原因和位置为P1引起的P17故障。
本发明可以通过开发故障诊断系统平台,显示故障诊断结果情况。
本发明通过液压变桨系统变迁转移的过程,能准确定位故障的原因和位置,实现了风电机组液压变桨距系统故障诊断。方便快捷的计算出各故障库所的可靠性,有效避免了液压变桨系统诊断中的漏判、误判和无法判断问题,并能定量给出每种故障可能性大小,提高了诊断的正确率。在风电机组液压变桨系统故障诊断中具有积极意义。
Claims (2)
1.一种基于模糊Petri网的风电机组液压变桨系统故障诊断方法,其特征在于,该方法步骤如下:
1)建立风电机组液压变桨系统的模糊Petri网模型,以描述液压变桨系统的故障传播的过程
将给出的故障事件作为顶事件,再找出事件发生的直接原因,依此类推,直到找出导致系统故障的最底层原因,建立液压变桨距系统的故障Petri网模型;
2)根据模糊Petri网模型及库所间的逻辑关系,获得液压变桨系统各故障库所的可达集合、立即可达集合和相邻库所集合;
3)风电机组液压变桨机构的故障诊断
通过分析故障库所的可达集合、立即可达集合和相邻库所集合,根据模糊产生式规则、变迁触发规则和模糊推理算法,进行模糊反向并行推理过程,搜索出故障发生的路径,确定故障产生原因并得到故障库所的可信度;
所述可达集合、立即可达集合和相邻库所集合——一个库所的可达集合RS(Pi)是库所Pi触发一系列变迁后能够到达的库所集合,即库所Pi经过一个或多个变迁只要能够达到的集合都可以组成该库所的可达集合RS(Pi);立即可达集IRS(Pi)是库所Pi触发一个变迁ti后就能够达到的库所集合,即库所Pi只能够经过一次变迁而不是经过多次变迁转移达到的集合从而实现立即可达的目的;相邻库所集AP(Pij)是许多同库所Pi一样经过一个变迁便能够立即达到的集合,即对于一个有多输入库所的变迁来说,除了该输入库所Pi,其他经过该变迁的库所所组成的集合就构成了该库所的相邻库所集合AP(Pij);
所述模糊产生式规则是指根据液压变桨系统的模糊petri网所示的逻辑关系,生成的若干规则;
所述变迁触发规则是指前提库所可信度α(Pk)与变迁阈值的大小进行比较,如果库所可信度则表示变迁ti能够被触发,否则变迁ti不能够被触发;
所述模糊推理算法,步骤为:
步骤1:假设库所P0出现故障,如果P0属于立即可达集合IRS(Pi),则先找到该库所P0对应的立即可达集合IRS(Pi)的规则可信权值最大的CF(ti)对应的前提库所Pi,记下故障路径Pi-P0,转步骤2,如果P0不属于任何立即可达集合,转步骤10;
步骤2:重复步骤1,继续查找Pi对应规则可信权值最大的前提库所Ps,然后再重复步骤1,找Ps的前提库所,依此类推直到找到的底库所Pf不属于任意立即可达集合IRS(Pi),即Pf不存在前提库所,则可确定一条故障路径Pf-Pn-…Ps-Pi-P0;
步骤3:根据专家经验得故障路径上最后一个前提库所Pf的故障可信度;
步骤4:将前提库所Pf的故障可信度与前提库所Pf到结论库所Pn间变迁ti的变迁阈值进行比较,如果则表示变迁ti能够被触发,则该事件能够发生,将规则可信权值CF(ti)和前提库所Pf故障可信度α(Pf)相乘得到结论库所Pn的故障可信度α(Pn):α(Pn)=CF(ti)×α(Pf),转到步骤8;否则,转步骤5;
步骤5:如果则表示变迁ti不能够被触发,则该事件不能够发生,标记为v(ti)=1表示该变迁不能被触发,且已访问该事件,转到步骤6;
步骤6:对比结论库所Pn所属的立即可达集合IRS(Pn),寻找次大的规则可信权值,如果找到次大的规则可信权值,则将次大的规则可信权值设置为最大的规则可信权值,转入步骤2继续执行,这样会重新确定一条故障新路径,然后转入步骤3;
步骤7:如果步骤6中没有找到次大的规则可信权值,则令步骤6中结论库所为新前提库所,判断其是否为故障顶事件P0,如是则转步骤9,否则寻找新前提库所对应的结论库所,然后将新前提库所对应的结论库所定义为新Pn,重复步骤6,寻找新路径;
步骤8:令步骤5中的结论库所变成前提库所,重复步骤4、步骤5,计算出最终故障路径…-…-P0,得到这条路径导致库所P0的故障可信度α(P0),转步骤9;
步骤9:返回α(P0)的值得到该故障路径导致库所P0出现故障的可信度大小,观察变迁转移的过程,即故障产生的最可靠的路径,查看导致库所P0出现故障的原因,完成风电机组液压变桨系统的故障诊断,推理结束;
步骤10:返回α(P0)=0,vi=1,表示没有找到故障路径和原因,推理结束。
2.根据权利要求1所述的一种基于模糊Petri网的风电机组液压变桨系统故障诊断方法,其特征在于,所述模糊产生式规则是指根据液压变桨系统的模糊petri网所示的逻辑关系生成的规则为:如果库所P1液压泵供油少发生,那么库所P12刹车解除回路压力不足发生,该规则的可信权值CF(ti)=0.88,P1为前提库所,P12为结论库所。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310182102.5A CN103278328B (zh) | 2013-05-16 | 2013-05-16 | 基于模糊Petri网的风电机组液压变桨系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310182102.5A CN103278328B (zh) | 2013-05-16 | 2013-05-16 | 基于模糊Petri网的风电机组液压变桨系统故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103278328A CN103278328A (zh) | 2013-09-04 |
CN103278328B true CN103278328B (zh) | 2015-06-10 |
Family
ID=49060912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310182102.5A Expired - Fee Related CN103278328B (zh) | 2013-05-16 | 2013-05-16 | 基于模糊Petri网的风电机组液压变桨系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103278328B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104765965A (zh) * | 2015-04-15 | 2015-07-08 | 国家电网公司 | 基于模糊Petri的GIS故障诊断与可靠性分析方法 |
CN104749959B (zh) * | 2015-04-27 | 2017-05-10 | 重庆大学 | 一种基于广义滑模估计器的机组变桨容错控制方法 |
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 |
CN106555788B (zh) * | 2016-11-11 | 2018-02-06 | 河北工业大学 | 基于模糊处理的深度学习在液压装备故障诊断中的应用 |
CN109630347B (zh) * | 2018-11-22 | 2020-06-02 | 成都锐达自动控制有限公司 | 故障诊断的水电站调速器油压智能控制系统及诊断方法 |
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 |
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 |
CN110261159B (zh) * | 2019-07-31 | 2021-06-29 | 上海应用技术大学 | 柔性制造刀具子系统故障诊断方法 |
CN110782147B (zh) * | 2019-10-18 | 2022-06-14 | 武汉大学 | 一种基于模糊Petri网的溢油灾害链风险分析方法 |
CN110821759B (zh) * | 2019-12-13 | 2021-03-23 | 北京三力新能科技有限公司 | 一种液压变桨故障快速定位和安全停机方法 |
CN112328659B (zh) * | 2020-11-03 | 2024-04-05 | 中车株洲电力机车研究所有限公司 | 一种风力发电机组液压变桨系统故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393922A (zh) * | 2011-06-23 | 2012-03-28 | 山西省电力公司晋中供电分公司 | 变电站智能报警专家系统的模糊Petri推理方法 |
CN102680817A (zh) * | 2012-04-28 | 2012-09-19 | 辽宁省电力有限公司朝阳供电公司 | 一种基于模糊Petri网变压器故障诊断方法 |
CN102928738A (zh) * | 2012-10-31 | 2013-02-13 | 辽宁省电力有限公司沈阳供电公司 | 一种智能电网故障的动态层次诊断装置及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009127264A2 (en) * | 2008-04-16 | 2009-10-22 | Tomasz Wojcicki | System and method for specifying and implementing it systems |
-
2013
- 2013-05-16 CN CN201310182102.5A patent/CN103278328B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393922A (zh) * | 2011-06-23 | 2012-03-28 | 山西省电力公司晋中供电分公司 | 变电站智能报警专家系统的模糊Petri推理方法 |
CN102680817A (zh) * | 2012-04-28 | 2012-09-19 | 辽宁省电力有限公司朝阳供电公司 | 一种基于模糊Petri网变压器故障诊断方法 |
CN102928738A (zh) * | 2012-10-31 | 2013-02-13 | 辽宁省电力有限公司沈阳供电公司 | 一种智能电网故障的动态层次诊断装置及方法 |
Non-Patent Citations (1)
Title |
---|
模糊Petri网在风电机组故障诊断中的应用;黄敏 等;《计算机工程与应用》;20121231;第206-210页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103278328A (zh) | 2013-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103278328B (zh) | 基于模糊Petri网的风电机组液压变桨系统故障诊断方法 | |
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
CN106844826A (zh) | 一种用于风电机组齿轮箱故障预测诊断的方法 | |
Liu et al. | Research on fault diagnosis of wind turbine based on SCADA data | |
CN102486833B (zh) | 装置的效能预测及故障检测的方法 | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
CN104715282A (zh) | 一种基于改进pso-bp神经网络的数据预测方法 | |
Yao et al. | Adaptive residual CNN-based fault detection and diagnosis system of small modular reactors | |
Xu et al. | Data based online operational performance optimization with varying work conditions for steam-turbine system | |
CN107084853A (zh) | 云制造下设备故障预测方法 | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
CN114167217B (zh) | 一种铁路配电网的多重故障诊断方法 | |
CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
CN108074045B (zh) | 风电机组整机脆弱性分析与故障排序方法及电子终端 | |
Wang et al. | Research on anomaly detection and positioning of marine nuclear power steam turbine unit based on isolated forest | |
CN117560275A (zh) | 基于图神经网络模型的微服务系统根因定位方法及装置 | |
CN115660198B (zh) | 滚动轴承剩余使用寿命预测方法 | |
Sun et al. | Quality consistency analysis for complex assembly process based on Bayesian networks | |
CN115237091B (zh) | 一种机电装备故障溯源方法及系统 | |
CN115377999B (zh) | 一种基于宽频测量数据的次同步振荡辨识的方法 | |
CN103336829B (zh) | 基于模拟退火算法的查询优化方法 | |
CN110427689A (zh) | 基于信息新技术的燃机机组机群监测诊断方法 | |
CN113642937B (zh) | 风机集群的运维排程方法、装置、电子设备及存储介质 | |
CN116483865A (zh) | 一种具有优先级的液压故障诊断专家系统 | |
Wang et al. | The Application Research of Deep Learning Based Method for Short-term Wind Speed Forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150610 Termination date: 20160516 |