CN103843015A - 使用模糊逻辑检测和分类过程缺陷 - Google Patents
使用模糊逻辑检测和分类过程缺陷 Download PDFInfo
- Publication number
- CN103843015A CN103843015A CN201280034829.2A CN201280034829A CN103843015A CN 103843015 A CN103843015 A CN 103843015A CN 201280034829 A CN201280034829 A CN 201280034829A CN 103843015 A CN103843015 A CN 103843015A
- Authority
- CN
- China
- Prior art keywords
- membership function
- fuzzy
- rule
- input
- output
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Abstract
使用模糊逻辑检测和分类过程缺陷。一种分布控制系统的模糊逻辑控制器,该分布控制系统监控大型电气机器,以便检测和识别故障。要被该模糊逻辑控制器监控的变量,包含压强、温度、以及在经典逻辑下使电气机器断线脱机的其他关键变量。在输入和输出隶属函数被识别,以及规则集被定义之后,该模糊逻辑控制器把被监控变量模糊化到输入隶属函数、确定前项真值、以及把该前项真值隐含到输出隶属函数上,以建立模糊输出集。其中多个输出模糊集将被组合,被组合的输出模糊集被联合。然后,该输出模糊集或联合的被组合输出模糊集被转换为明确值。
Description
交叉参考相关申请
本申请基于2011年7月14日递交的美国临时专利申请No.61/507,822,并要求其优先权,本文通过引用全文合并该申请的公开内容。
技术领域
本发明一般涉及应用模糊逻辑到分布控制系统,以便检测和分类电气机器的故障,诸如空气压缩机中的故障。
背景技术
模糊逻辑的一个定义陈述,模糊逻辑是从模糊集理论导出的多值逻辑的一种形式,用于处置近似的而不是精确的推理。而经典的命题逻辑有真(1)或假(0)两个真值,模糊逻辑变量有范围在0和1之间的真值,而不被局限于经典命题逻辑的两个真值。
在应用中,模糊逻辑不向用户提供二值输出或判定,即,“是”或“否”。相反,它提供一定程度的确定性或不确定性。虽然这可以认为是反直觉的,但模糊逻辑的使用,为做出涉及高度复杂的、自动化系统的判定,提供比经典二值系统好得多的基础。
模糊逻辑是建立在Lofti Zadeh的工作上的,他注意到,随着系统复杂性的增加,造成要精确陈述有关它的行为,变得更为困难,且终于不可能。本质上,人们走到模糊逻辑是解决给定问题唯一途径的复杂性的点上。
在非常过分单化的程度上,模糊逻辑能够被看成,如当驾驶员发现他自己处在有45mph速度限制的交通区时的操作。在确定行车速度中,驾驶员考虑多个数据点,包含在他后面和前面的驾驶员的动作、是否有更多交通进入该车流的点、如此等等。并不是所有驾驶员都按相同速度驾驶,而个别驾驶员对行车速度的选择,是基于当所有数据都被处理时做出的判定。与任一因素不存在简单的“如果-则”的关系。
模糊逻辑已经在许多不同系统控制和分析设计中被应用,在那里,变量的复杂的相互影响,不允许简单的“是/否”型解决方案。
应当解决的一个问题是,如何把模糊逻辑应用于复杂的系统,以便向操作员报警由于系统内的故障的潜在的自动停工。解决该问题将使操作员能确定故障是迫切的,停工和延迟能够被避免。
发明内容
本发明包括系统、方法、以及在分布控制系统(“DCS”)上执行模糊逻辑的计算机程序产品,分布控制系统监控电气机器(electricalmachine)的若干操作参数,以便提供将会导致电气机器自动停机的故障的发展的事先警告。该电气机器例如能够是在诸如空气压缩机中使用的电动机,或者能够是发电机。
本发明的上述和其他优点,在考虑附图和下面详细描述的优选实施例时,将变得显而易见,这些优选实施例作为说明和例子被提供,但不能以任何方式被认为是限制本发明。
附图说明
本发明将在下面更详细地并参照附图被描述,附图中:
图1示出设计模糊控制系统的现有技术方法;
图2提供饱和蒸汽供应系统的例子;
图3示出经典逻辑的真/假态,与模糊逻辑的有三角形形状的隶属函数(membership function)的比较;
图4示出经典逻辑的真/假态,与模糊逻辑的有梯形形状的隶属函数的比较;
图5提供组合的输出模糊集的模糊化(fuzzification),前项真值(antecedent truth value)的导出、隐含(implication)和聚集(aggregation)的例子;
图6示出使用模糊逻辑检测电气机器中故障的方法的步骤;
图7示出使用模糊逻辑分类电气机器中故障的方法的步骤;
图8是分布控制系统的方块图;
图9示出使用模糊逻辑检测电气机器中故障的模块;和
图10示出使用模糊逻辑分类电气机器中故障的模块。
具体实施方式
图1示出设计模糊逻辑控制器的方法100。在步骤110,用户定义控制器的输入和输出,该输入和输出包含过程观察和要被考虑的控制器动作。在步骤120,用户定义模糊化,借助该模糊化,输入被转换为真值。在步骤130,用户设计规则库,该规则库把输出链接到输入,确定哪种动作要被应用于哪种条件。在步骤140,模糊推理计算单元从该一个或多个模糊化真值导出前项真值,应用选定的规则加权和隐含方法,为每一项规则导出输出模糊集,并把全部输出模糊集聚集成组合的输出模糊集。最后,步骤150把该输出模糊集去模糊化(defuzzify),得到明确值(crisp value)。
该系统和方法更详细的描述以及关联的文本,在图2到5利用例子被提供。蒸汽供应阀的控制,将随着在经典逻辑下和模糊逻辑下的实施而被讨论。图2示出生产饱和蒸汽的锅炉210,该饱和蒸汽通过管线220向某一过程供应。对该过程决定性的是,饱和蒸汽要在292°F和320°F的温度范围内,理想的是在307°F。这些饱和蒸汽温度,对应于60PSIG的理想压强,45PSIG的低截止压强,以及75PSIG的高截止压强。蒸汽供应阀230因此受压强控制开关240的控制,该压强控制开关240包含:高压强控制开关(PCH)、低压强控制开关(PCL)、以及正常压强控制开关(PCN)。为了冗余,温度还以温度控制开关250监控,该温度控制开关250包含:高温控制开关(TCH)和低温控制开关(TCL)。压强控制开关240和温度控制开关250向蒸汽供应阀230提供电控制信号260。
当压强是60PSIG时,阀应当在居中位置。中继逻辑或其数字等效者,将在320°F或75PSIG以上开始关闭蒸汽供应阀,并将在292°F或45PSIG以下开始打开该阀。在经典逻辑设计下的输入将是PCH、PCL、PCN、TCH和TCL。输出将是阀关闭命令和阀打开命令。
各个压强和温度开关将被看作打开或关闭,例如,如果压强开关被关闭,赋值“1”,表明它的设定点已被达到,或者,如果压强开关被打开,赋值“0”,表明它的设定点尚未达到。因为该判定只在被指出是否为高压强或高温度、低压强或低温度、或者正常压强的基础上做出,不需要压强发送器测量精确的压强,从而它能有较低价格的压强开关。
反之,按模糊逻辑的实施方案,压强发送器将代替压强开关被实施,允许控制器了解压强的范围。这不一定意味着,模糊逻辑控制器的实施方案将要求现场开关用发送器的物理替换。在许多情形下,DCS系统早已从模拟发送器接收输入,该模拟发送器向DCS提供压强、流量、温度等等的精确值,但该DCS被编程,以处置来自那些发送器的选定的设定点值,作为对它的逻辑判定的输入,仿佛这些设定点来自各个开关似的。因此,来自发送器的数据通常对DCS早已是可用的,只是在经典逻辑实施方案中,没有发挥它的全部优点。
在模糊逻辑实施方案中,代替被考虑的“低压强”、“高压强”和“正常压强”的,是分开的输入,命名法把“压强”考虑为单个输入变量,有三个隶属函数:“低”、“正常”、以及“高”。在本简化的例子中,温度是第二个输入变量,并将有两个隶属函数:“高”和“低”。将有单个输出变量:阀命令,有隶属函数“关闭”和“打开”。因此,输入变量和它们的隶属函数的组合,以及输出变量和它的隶属函数的组合,可与经典逻辑的输入和输出的识别相当。
暂时跳过步骤120,考虑步骤130,规则库的设计。也与经典逻辑相似,规则被照字面表达成:
规则#1:IF(如果)压强高或温度高,THEN(则)压强控制阀应当开始关闭;
规则#2:IF(如果)压强低或温度低,THEN(则)压强控制阀应当开始打开;和
规则#3:IF(如果)压强正常,THEN(则)压强控制阀应当停留在它的当前位置。
注意,存在正常操作的明显规则,它在经典逻辑中等价于“什么也不做”。
步骤120违背经典逻辑。从发送器接收的精确测量,将被模糊化成一个或多个真值,它们的每一个可以是0、1、或居中值。图3提供模糊化的例子,那里的45PSIG被识别为低压强,60PSIG被识别为正常压强,而75PSIG被识别为高压强。图3(a)、(b)和(c)示出经典逻辑的实施方案,它们与图3(d)、(e)、(f)和(g)相反,图3(d)、(e)、(f)和(g)示出用直线形状表示模糊化的模糊逻辑实施方案。因此图3(a)是按照经典逻辑的、表明“低压强”函数的图形,它对45PSIG以下压强为真(1),而对45PSIG以上为假(0)。图3(b)是按照经典逻辑的、表明“正常压强”函数的图形,它只在60PSIG的一定点上为真,否则为假。图3(c)是按照经典逻辑的、表明“高压强”函数的图形,它只在75PSIG以上为真,而在该值以下为假。图3(d)是模糊逻辑实施方案、其中“低压强”函数对45PSIG以下压强为真(1),但它在该值以上变成不完全假,而有真值μ,当压强从45PSIG(低)强度上升(drop)到60PSIG(正常)强度时,该真值μ线性地从1下降到0。类似地,图3(e)是模糊逻辑实施方案,其中正常压强函数对60PSIG的压强完全为真(1),但它不变成完全假(0),除非压强在低压强边界以下或在高压强边界以上。更确切地说,随着压强从正常强度下降到低压强边界,正常函数的真值从1线性地下降到0,并且随着压强从正常强度上升到高压强边界,也从1线性地下降到0。在这种情形下,两条对称的直线的接续,产生三角形形状。
最后,图3(g)示出图3(d)、(e)和(f)的叠置。为清楚起见,多个函数的叠置,通常按彩色编码,而在本情形下,是改变线条类型,所以低压强函数是虚线,正常压强函数是实线,以及高压强函数是短划线。居中压强,诸如50PSIG,是在45PSIG的低压强边界和60PSIG的正常边界之间,在经典逻辑下将不被认为低或正常。然而,在模糊逻辑下,50PSIG将返回0.67的低函数真值(是从低压强边界45PSIG上的真值1,到60PSIG正常压强边界上的真值0的路途的1/3),并将有0.33的正常函数真值(是从正常压强边界上的真值1,到45PSIG低压强边界上的真值0的路途的2/3)。换句话说,尽管在经典逻辑下,50PSIG的压强既不会被识别为低压强,也不会被识别为正常压强,但在模糊逻辑下,它被认为是二者?即,二者任一个都不完全真,却是部分地真。
图4提供模糊化的不同例子,其中低和高压强分别再次被识别为45PSIG和60PSIG,但此时正常压强不被看作单个点,而是从55-65PSIG的范围。图4(a)、(b)和(c)表明经典逻辑的实施方案,它们与图4(d)、(e)、(f)和(g)相反,图4(d)、(e)、(f)和(g)表明用三角形形状表示模糊化的模糊逻辑实施方案。图4(a)与图3(a)全同,且图4(c)与图3(c)全同。图4(b)表明,“正常压强”对55-65PSIG范围中的压强为真(有真值1),否则为假。当该真值在图4(d)中被模糊化时,真值从45PSIG的低压强边界上的1,线性地下降到55PSIG上正常范围的较低边界上的0。类似地,在图4(f)中,真值从75PSIG的高压强边界上的1,线性地下降到65PSIG上正常范围的较高边界上的0。
图4(e)是模糊逻辑实施方案,其中正常压强函数对55-65PSIG的压强是完全真值,但不变成完全假,除非压强在低压强边界以下或在高压强边界以上。更确切地说,随着压强从正常水平的较低边界下降到低压强边界,正常函数的真值线性地从1下降到0,并且随着压强从正常水平的较高边界上升到高压强边界,也线性地从1下降到0。这种模糊化方法的形状,被称为“梯形”。图4(g)示出图4(d)、(e)和(f)的叠置。在这种模糊化中,50PSIG的压强将出现在低压强指示值(low pressure guide)和正常压强真值二者都是0.5的地方,指出50PSIG的压强是低压强函数和高压强函数二者的部分隶属。
除直线形状、三角形形状、以及梯形形状之外,另一种用于模糊化的流行形状是高斯形状,它将在图5中示出。
再次参考图1,下一个任务是步骤140,按规则集的要求,确定输入函数的不同组合的交集和/或联合、对每一输出隶属函数应用隐含方法导出真值、以及把输出隶属函数聚集成输出模糊集。
图5提供步骤140的例子。顶部的行代表规则#1,“如果压强低或温度低,则关闭蒸汽供应阀”。第二行代表规则#2,“如果压强正常,则把蒸汽供应阀留在它的居中位置”。第三行代表规则#3,“如果压强高或温度高,则打开蒸汽供应阀”。
所有三项规则的左方曲线图是压强变量,它对每一项规则有分开的隶属函数。测量的实际压强被利用高斯函数模糊化到隶属函数,在规则#1中使用“低压强”隶属函数,在规则#2中使用“正常压强”隶属函数,以及在规则#3中使用“高压强”隶属函数。
紧邻规则#1和规则#3的压强的曲线图是温度变量曲线图,规则#1有“高温度”隶属函数,而规则#3有“低温度”隶属函数。温度变量用梯形形状被模糊化到它的隶属函数。没有规则#2的温度隶属函数,因为该规则只依赖于压强。
假定在给定的时间瞬间,由竖直虚线指出的,压强读数是52PSIG。对规则#1,52PSIG值与“高压强”隶属函数相交于μ=0.5,以希腊字母μ代表该“真值”。对规则#2,该压强读数与“正常压强”隶属函数也相交于μ=0.5。对规则#3,该压强读数与“高压强”隶属函数相交于μ=0。就是说,按定义,52PSIG的压强不是“高压强”隶属函数的成员。然而,它是“正常压强”隶属函数和“高压强”隶属函数二者的部分成员。
对52PSIG的压强,饱和蒸汽应在299°F。然而,因为无论在压强还是在温度计量中的不精确性,试想该例子产生301°F的被报告温度。该值对应于“低温度”隶属函数上的μ=0.3,却在“高温度”隶属函数上的μ=0。
该输入现在已经被模糊化。就是说,对规则#1,“IF(如果)压强高或温度高,THEN(则)压强控制阀应当开始关闭”,模糊化结果已经被获得,对“压强高”隶属函数是μ=0.5,而对“温度高的隶属函数”是μ=0.3。下一个步骤是应用模糊算符,该算符对该规则是“OR”。任何数量的严格定义的方法,能够对AND和OR运算被应用。商业产品MATLAB对AND算符,给出缩放函数min(最小值)或prod(积)的选择。对OR算符,MATLAB给出max(最大值)或probor(一种概率方法,亦称代数和)的选择。probor被定义为:
probor(a,b)=a+b-ab
对OR算符选择max技术,对规则#1得到μ=0.5。
对规则#2,只有一个输入隶属函数“正常压强”,它在早先被识别有μ=0.5。
对规则#3,先前已经被示出,52PSIG的测量压强不是“高压强”隶属函数的一部分,而且301°F的测量温度不是“高温度”输入隶属函数的一部分。换句话说,对该二者μ=0,从而以选定的max方法应用该OR函数,同样得到μ=0。
下一步骤是确定每一项规则的加权。该加权通常是1,如在本例中那样。
下一步骤是应用隐含方法。MATLAB给出Mamdani型推理或Sugeno型推理的选择。Mamdani方法希望输出隶属函数为模糊集,于是在聚集过程之后,对每一输出变量有模糊集。该模糊集然后要求去模糊化(defuzzification)。反之,Sugeno推理将使用单个尖锋作为输出函数,而不用分布的模糊集。本例使用Mamdani方法。该方法以该单个输出变量的输出隶属函数“阀命令”的模糊化开始。规则#1的输出隶属函数是“命令阀关闭”,而规则#2的输出隶属函数是“不使阀改变”,以及规则#3的输出隶属函数是“命令阀打开”。这些隶属函数被选定有三角形形状。然后,当被模糊算符选择时,该隐含方法应用从输入隶属函数获得的隶属值。MATLAB支持由AND方法使用的同一函数的两种隐含方法:min(最小值),该min方法截断输出隶属函数以导出模糊输出集;以及prod(积),该prod方法按比例缩放输出隶属函数。选定min并考察规则#1,被模糊算符选择的值μ=0.5,被应用于“命令阀关闭”隶属函数的三角形形状,把它截断。对规则#1、规则#2和规则#3的每一项规则,截断的型式出现在最右一列,代表那些输出隶属函数的模糊输出集。
已经为输出变量的隶属函数的每个获得模糊输出集,全都被要求完成图1方法100的步骤140,把这些模糊输出集聚集成单个模糊输出集。此外,若干方法是可用的,而MATLAB支持max、probor和sum(各规则的输出集之和)。应用max方法,得到聚集的模糊输出集,如图5右下角所示。
方法100的最后步骤,即步骤150,是输出函数模糊集去模糊化,成为明确值。有若干不同的去模糊化的方法,包含:最大值隶属方法、重心去模糊化、最大值的中间值、以及最大值的平均值方法。最常被使用的方法是重心法(center of gravity method)。该被描述的方法是对时间的特定点。因此,明确值是在该时刻被接收,且该明确的结果将被跟踪并被存储一段时间周期。然后如果这些明确值的曲线示出某一值超出正常范围,则算符将把它看作考察中的系统正在接近设定点之一的预报信号,这些设定点是在传统逻辑下被建立的,即,模糊逻辑在理论上能够在有影响事件(actionable event)发生之前,提供该事件的事先通知。
图6示出本发明的一个实施例,是使用被编程进分布控制系统中的模糊逻辑,检测大型电气机器中故障的方法600。
作为最低限度,大型电气机器借助使它们的润滑油温度和压强被DCS监控而受到保护。在应用本发明实施例的一个实验中,模型化是在运行MATLAB的桌上计算机上进行的,使用DCS对大型空气压缩机测量和记录的数据,该压缩机有多于60个被测量的变量。工程学考察表明,在当前被采用的经典逻辑下,15个温度、压强和振动变量,可以导致空气压缩机停机。下面是该15个变量的列表,具有在管道系统和仪器图表上标识的诸类型的设定(P&ID):
润滑油压强84PIX23-正常、低、以及低-低
润滑油温度84TIX11–低、正常、高、以及高-高
第三级入口温度84TIX02–正常、高、以及高-高
第二级入口温度84TIX22–正常、高、以及高-高
高速小齿轮的温度84TIX19–正常、高、以及高-高
低速小齿轮的温度84TIX21–正常、高、以及高-高
大齿轮温度84TIX20–正常、高、以及高-高
主电机DE BG温度84TIX18–正常、高、以及高-高
主电机NDE BG温度84TIX17–正常、高、以及高-高
润滑油压强84PIX29–正常、以及低-低
电机NDE振动84VIX06–正常、高、以及高-高
电机DE振动84VIX07–正常、高、以及高-高
高速小齿轮的振动84VIX08–正常、高、以及高-高
低速小齿轮的振动84VIX09–正常、高、以及高-高
轴向轴振动(axial shaft vibration)84VIX12–正常、高、高-高、低、以及低-低
如所指出,模糊逻辑已经被结合到机器控制中,但还没有被广泛用于故障的检测和分类。在步骤610,用户对来自与该电气机器相关联的传感器的至少两个模拟变量的每一个,定义至少一个输入隶属函数。例如,润滑油压强84PIX23被给予“正常”、“低”、以及“低-低”的输入隶属函数。用户定义每一隶属函数的形状和至少一条隶属边界。在优选实施例中,被选定的形状不是三角形就是梯形。
在优选实施例中,输入变量的值的模糊化,是借助把直线形状(linear shape)应用于0和1之间的真值实现的。例如,P&ID表明,润滑油压强84PIX23在26PSIG上应当被认为正常,在21PSIG上应当被认为低,而在15PSIG上应当被认为低-低。这在MATLAB中被表示为:
[Input1]
Name=’Lube_oil_pressure_84-PI-X23’
Range=[0100]
NumMFs=3
MF1=’LowLow’:’trapmf’,[-36-41521]
MF2=’Low’:’trimf’,[152126]
MF3=’Normal’:’trapmf’,[2126104136]
就是说,第一输入变量被称为“Lube_oil_pressure_84-PI-X23”,且它有从0到100的范围。该变量有三个隶属函数。第一隶属函数是“low-low(低-低)”,且它被赋予梯形形状,在-36PSIG上是0,在-4PSIG上爬升到1,直到15PSIG维持在1上,然后在21PSIG上下垂到0。在该情形下不存在负的压强,这只不过是程序员对MATLAB编程的一种方式,用于表示部分梯形形状。如同说,从零到15PSIG,隶属函数是在1上,然后它开始线性地下降,在21PSIG到达0。第二隶属函数是“low(低)”,且它在15PSIG以下是0,然后在21PSIG线性地爬升到1,然后线性地降落,在26PSIG到达0。第三隶属函数是“normal(正常)”,有梯形形状,该梯形在21PSIG以下是0,然后在26PSIG爬升到1,并且直到104PSIG维持在1上,在104PSIG上,它逐渐降落到在136PSIG上的0。104PSIG和136PSIG的非常高的值,实际上永远不能达到;再次,这不过是在MATLAB中编程部分梯形形状的方便方式。
这样,18PSIG的测量值,对作为“low-low”隶属函数的成员的变量,将导致0.5的真值,对作为“low”隶属函数的成员的变量将导致0.5的真值,以及对作为“normal”隶属函数的成员的变量将导致0的真值。
其他14个输入变量和它们的相应隶属函数,以及单个输出变量“compressor performance(压缩机性能)”和它的三个隶属函数:“normal”、“high(高)”和“high-high(高-高)”,类似地被编程进MATLAB中。
在步骤620,用户对代表电气机器的性能级别的变量,定义“normal(正常)”、“high(高)”和“high-high(高-高)”输出隶属函数。注意,一些输入变量有“低”和“低-低”值,这些值分别与“高”和“高-高”成组。对该三个输出隶属函数的每一个,用户定义形状和至少一条隶属边界。
在步骤630,用户开发规则库。在该实验中,规则库是:
1)当且只当所有输入变量为正常时,压缩机将是正常的。
2)如果任一输入变量变高,压缩机性能将是高。
3)如果任一输入变量是高-高,压缩机性能将是高-高。
4)如果轴向轴振动是低,压缩机性能将是高。
5)如果轴向轴振动是低-低,压缩机性能将是高-高。
注意,规则4和5是必需的,至少在MATLAB的界限内,因为该程序只允许每规则每变量一个隶属函数。例如,规则3不能包含“如果轴向轴振动是高,或如果轴向轴振动是低”。因此,规则3包含它们中的一个,而其余隶属函数被置于不同的规则中。
这样,这些规则被编程为:
1.IF(Lube_oil_pressure_84-PI-X23is Normal)
AND(Lube_oil_temperature_84-TI-X11is Normal)
AND(3rd_stage_inlet_temperature_84-TI-X02is Normal)
AND(2nd_stage_inlet_temperature_84-TI-X22is Normal)
AND(Hi_speed_pinion_oil_temperature_84-TI-X19is Normal)
AND(Low_speed_pinion_oil_temperature_84-TI-X21is Normal)
AND(Bull_gear_oil_temperature_84-TI-X20is Normal)
AND(Main_motor_NDE_BG_temperature_84-TI-X18is Normal)
AND(Main_motor_NDE_BG_temperature_84-TI-X17is Normal)
AND(Lube_oil_pressure_84-PI-X29is Normal)
AND(Motor_NDE_vibration_84-VI-X06is Normal)
AND(Motor_NDE_vibration_84-VI-X07is Normal)
AND(High_speed_pinion_vibration_84-VI-X08is Normal)
AND(Low_speed_pinion_vibration_84-VI-X09is Normal)
AND(Axial_shaft_vibration_84-VI-X12is Normal)
THEN(Compressor_performance is Normal).
2.IF(Lube_oil_pressure_84-PI-X23is Low)
OR(Lube_oil_temperature_84-TI-X11is High)
OR(3rd_stage_inlet_temperature_84-TI-X02is High)
OR(2nd_stage_inlet_temperature_84-TI-X22is High)
OR(Hi_speed_pinion_oil_temperature_84-TI-X19is High)
OR(Low_speed_pinion_oil_temperature_84-TI-X21is High)
OR(Bull_gear_oil_temperature_84-TI-X20is High)
OR(Main_motor_NDE_BG_temperature_84-TI-X18is High)
OR(Main_motor_NDE_BG_temperature_84-TI-X17is High)
OR(Lube_oil_pressure_84-PI-X29is High)
OR(Motor_NDE_vibration_84-VI-X06is High)
OR(Motor_NDE_vibration_84-VI-X07is High)
OR(High_speed_pinion_Vibration_84-VI-X08is High)
OR(Low_speed_pinion_Vibration_84-VI-X09is High)
OR(Axial_Shaft_Vibration_84-VI-X12is High)
THEN(Compressor_performance is High)
3.IF(Lube_oil_pressure_84-PI-X23is Low-Low)
OR(Lube_oil_temperature_84-TI-X11is High-High)
OR(3rd_stage_inlet_temperature_84-TI-X02is High-High)
OR(2nd_stage_inlet_temperature_84-TI-X22is High-High)
OR(Hi_speed_pinion_oil_temperature_84-TI-X19is High-High)
OR(Low_speed_pinion_oil_temperature_84-TI-X21is High-High)
OR(Bull_Gear_oil_temperature_84-TI-X20is High-High)
OR(Main_motor_NDE_BG_temperature_84-TI-X18is High-High)
OR(Main_motor_NDE_BG_temperature_84-TI-X17is High-High)
OR(Lube_oil_pressure_84-PI-X29is Low-Low)
OR(Motor_NDE_vibration_84-VI-X06is High-High)
OR(Motor_NDE_vibration_84-VI-X07is High-High)
OR(High_speed_pinion_vibration_84-VI-X08is High-High)
OR(Low_speed_pinion_vibration_84-VI-X09is High-High)
OR(Axial_Shaft_vibration_84-VI-X12is High-High)
THEN(Compressor_performance is High-High)
4.IF(Axial Shaft Vibrations84-VI-X12is Low)
THEN(Compressor_performance is High)
5.IF(Axial_Shaft_vibration_84-VI-X12is Low-Low)
THEN(Compressor_performance is High-High)
用如下这些规则,MATLAB被编程:
[规则]
321111111211113,1(1):1
232222222022224,2(1):2
143333333133335,3(1):2
000000000000002,2(1):1
000000000000001,3(1):1
顶部一行代表规则#1,而逗号前面最初15个数字代表15个输入变量,以数字的值代表该输入变量的隶属函数。因此,对第一输入变量,它在上面被标识为润滑油压强84-PI-X23,要被考虑为是第三隶属函数,即“正常”。逗号之后是代表单独输出变量“压缩机性能”的数字,以该数字的值代表该输出变量的特定隶属函数,它在本情形下是第一隶属函数,即“正常”。括弧中的值是该规则的加权;这些规则全部已被给予相等的加权。最后,在冒号之后,是代表被应用于该输入隶属函数的值的算符,1是“AND”函数,而2是“OR“函数。如上面所指出,做出的选择是,AND方法将会是min而OR方法将会是max。
在步骤640,模拟输入变量的值从传感器被接收,并被模糊化,所以为与该模拟输入变量相关联的每一输入隶属函数计算真值。
在步骤650,通过把模糊算符应用于输入隶属函数的真值,为规则集的每一项规则确定前项真值。在优选实施例中,如在上面该实验的规则1中所示,该最小值法(minimum method)是为AND函数被选择的,而且如在上面该实验的规则2和3中所示,该最大值法(maximum method)是为OR函数被选择的。如果规则只含有一个输入隶属函数,诸如该实验的规则4和5,则该输入隶属函数的真值将被用作前项真值。
在步骤660,对每一项规则,该前项真值被隐含到该规则的输出隶属函数上,得到输出模糊集。在优选实施例中,该最小值函数(minimum function)被用于隐含。
在步骤670,输出模糊集被联合(amalgamate)成组合的输出模糊集。在优选实施例中,该最大函数被用于该联合。
在步骤680,该组合的输出模糊集被去模糊化,成为明确值,该明确值然后随着时间的推移被记录。在优选实施例中,重心函数被用于去模糊化。
该实验的结果是良好的,在该空气压缩机故障前的最后两个月的历史数据表明,该故障已经能够从五个实例中被预测出四个。
尽管图6的方法600同时跟踪所有输入变量,得到指示电气机器正常状态(health)的明确值,但图7所示第二实施例,分开地跟踪每一输入变量,得到每一明确值,能够帮助分类正在发展的故障。
定义输入隶属函数的步骤710,与图6的步骤610相似。如以前一样,用户定义形状和至少一条隶属边界。
定义输出隶属函数的步骤720则不同。使用上面实验中讨论的先前压缩机,以三个隶属函数(“正常”、“高”和“高-高”)代替一个输出(“压缩机性能”),在该方法700中,有15个输出,每个输入变量一个输出,每个输入变量只有一个隶属函数(“trouble(事故)”)。用户定义形状和至少一条隶属边界。在优选实施例中,该形状是三角形。
在步骤730,用户定义规则库。15项规则的第一项是
1.IF(Lube_oil_pressure_84-PI-X23is Low-Low)
AND(Lube_oil_temperature_84-TI-X11is NOT High-High)
AND(3rd_stage_inlet_temperature_84-TI-X02is NOT High-High)
AND(2nd_stage_inlet_temperature_84-TI-X22is NOT High-High)
AND(Hi_speed_pinion_oil_temperature_84-TI-X19is NOT High-High)
AND(Low_speed_pinion_oil_temperature_84-TI-X21is NOT High-High)
AND(Bull_Gear_oil_temperature_84-TI-X20is NOT High-High)
AND(Main_motor_NDE_BG_temperature_84-TI-X18is NOT High-High)
AND(Main_motor_NDE_BG_temperature_84-TI-X17is NOT High-High)
AND(Lube_oil_pressure_84-PI-X29is NOT Low-Low)
AND(Motor_NDE_vibration_84-VI-X06is NOT High-High)
AND(Motor_NDE_vibration_84-VI-X07is NOT High-High)
AND(High_speed_pinion_vibration_84-VI-X08is NOT High-High)
AND(Low_speed_pinion_vibration_84-VI-X09is NOT High-High)
AND(Axial_Shaft_vibration_84-VI-X12is NOT High-High)
THEN(Lube_oil_pressure_84-PI-X23is TROUBLE)
注意“NOT”算符的引入,该算符作用于隶属函数上时,在模糊逻辑中产生该隶属函数的补。换句话说,在原来隶属函数上将会产生真值x的模拟值,将会在由NOT算符创建的互补隶属函数上,产生真值1-x。在该实验中,其他14项规则被类似地创建,每次聚焦在一个模拟变量上,核查该模糊变量是否High-High的同时,所有其他模拟变量都不是High-High。
用如下这些规则MATLAB被编程:
[规则]
1-4-3-3-3-3-3-3-3-1-3-3-3-3-5,100000000000000(1):1
-14-3-3-3-3-3-3-3-1-3-3-3-3-5,010000000000000(1):1
-1-43-3-3-3-3-3-3-1-3-3-3-3-5,001000000000000(1):1
-1-4-33-3-3-3-3-3-1-3-3-3-3-5,000100000000000(1):1
-1-4-3-33-3-3-3-3-1-3-3-3-3-5,000010000000000(1):1
-1-4-3-3-33-3-3-3-1-3-3-3-3-5,000001000000000(1):1
-1-4-3-3-3-33-3-3-1-3-3-3-3-5,000000100000000(1):1
-1-4-3-3-3-3-33-3-1-3-3-3-3-5,000000010000000(1):1
-1-4-3-3-3-3-3-33-1-3-3-3-3-5,000000001000000(1):1
-1-4-3-3-3-3-3-3-31-3-3-3-3-5,000000000100000(1):1
-1-4-3-3-3-3-3-3-3-13-3-3-3-5,000000000010000(1):1
-1-4-3-3-3-3-3-3-3-1-33-3-3-5,000000000001000(1):1
-1-4-3-3-3-3-3-3-3-1-3-33-3-5,000000000000100(1):1
-1-4-3-3-3-3-3-3-3-1-3-3-33-5,000000000000010(1):1
-1-4-3-3-3-3-3-3-3-1-3-3-3-35,000000000000001(1):1
顶部一行代表规则#1,而逗号前面的最初15个数字代表15个输入变量,以数字的值代表该输入变量的隶属函数。负的符号表示NOT函数。因此,对第一输入变量,它在上面被标识为润滑油压强84-PI-X23,要被考虑为是第一隶属函数“低-低”。逗号之后是代表15个输出变量的15个数字,以该数字的值代表该输出变量的特定隶属函数。如被指出的,只有一个隶属函数“trouble(事故)”被指配给每一输出变量。对规则#1,逗号之后第一列中的“1”指出,该前项真值要被隐含到润滑油压强84-PI-X23的“trouble”隶属函数,而在所有其他列中的“0”,意味着该规则对任何其他变量没有隐含。
在步骤740,模拟输入变量的值从传感器被接收并被模糊化,于是为与该模拟输入变量相关联的每一输入隶属函数计算真值,或者当NOT算符存在时,为该输入隶属函数的补计算真值。在步骤750,通过把模糊算符AND应用于输入隶属函数的真值,为规则集的每一项规则,确定前项真值。在优选实施例中,为AND函数选择最小值法。
在步骤760,对每一项规则,前项真值被隐含到该规则的输出隶属函数上,得到输出模糊集。在优选实施例中,该最小值函数被用于该隐含。如上面所指出,在该方法中,有15个输出,但每一输出只有单个隶属函数“trouble”。
尽管方法600包含每输出变量的多个隶属函数的联合的步骤,但在方法700中不需要这样的步骤,因为每输出变量只有一个隶属函数。
在步骤770,15个变量的每个的输出集,被去模糊化成明确值,然后该明确值随着时间的推移被记录。在优选实施例中,重心函数被用于去模糊化。
该实验的结果是良好的,表明最终引起压缩机断开的准确的模拟输入变量,已经在时间上提前被识别。
在另一个实施例中,本发明是作为包含分布控制系统和模块的系统被实施的。图8是分布控制系统的示意图,该分布控制系统包含:包含程序存储器870和数据存储器880的非易失性存储器860;处理器820;诸如显示器810和输入装置850的人机接口;输入和输出电路830;至少一根总线890;以及附加的支持电路840。程序存储器870包含模块,在图9所示实施例中,它被提供用于检测电气机器中故障,而在图10所示实施例中,它被提供用于分类电气机器中故障。
图9示出该系统的实施例的模块,该系统检测电气机器中的故障。模块910监控模拟变量。模块920存储输入和输出隶属函数的预定的定义,包含形状和隶属边界。模块920还存储规则集。模块930接收受模块910监控的输入变量的值,并把它们模糊化,成为对应输入隶属函数的真值。模块940定义最终前项真值。如在前面只有一个隶属函数在前项中的情形所讨论的,该前项的真值被认为是最终前项真值。当前项中有多个隶属函数时,规则集中规定的模糊逻辑算符,被应用于该多个关联的真值,结果得到最终前项真值。模块950把给定规则的最终前项真值,隐含到该规则的输出隶属函数上,得到模糊集。模块960把输出模糊集聚集成组合的输出模糊集。模块970把组合的输出模糊集去模糊化,以得到明确值。
图10示出该系统的实施例的模块,该系统分类电气机器中故障。模块1010监控模拟变量。模块1020存储输入和输出隶属函数的预定的定义,包含形状和隶属边界。模块1020还存储规则集。模块1030接收受模块1010监控的输入变量的值,并把它们模糊化,成为对应输入隶属函数的真值,和/或当存在NOT算符时,成为对应输入隶属函数的补的真值。模块1040定义最终前项真值。模块1050把给定规则的最终前项真值,隐含到该规则的输出隶属函数上,得到模糊集。每一模拟变量只有一个模糊输出集,从而没有必要聚集成组合的输出模糊集。模块1060把每一模拟变量的输出模糊集去模糊化,得到每一模拟变量的明确值。
本领域的一般熟练技术人员还应当理解,使用本发明的模糊逻辑检测过程缺陷的方法的实施例,能够以计算机程序产品的形式被提供。
本发明在上面已经参照若干具体实施例被描述。然而,对本领域熟练技术人员显而易见的是,各种修改和变化能够对其做出,并不违背本发明,本发明的范围应当由下面的权利要求书确定。
Claims (24)
1.一种检测电气机器中故障的模糊专家系统,该模糊专家系统包括:
分布控制系统(DCS),包含:存储计算模块和数据的非易失性存储器装置;与该存储器耦合的处理器;人机接口;输入和输出电路;至少一根总线;以及至少一个通信协议;其中来自传感器的信息,用该至少一个通信协议发送到该输入电路,然后该输入电路把该信息在该至少一根总线上发送到该处理器;且其中该处理器向该输出电路发送指令,该输出电路然后把该指令发送到最后单元;
第一计算模块,监控至少两个模拟变量,该至少两个模拟变量包括来自与该电气机器关联的传感器的润滑油压强和润滑油温度;
第二计算模块,它被预编程,使它有:
用于该至少两个模拟变量每一个的至少一个输入隶属函数,其中每一输入隶属函数,包含形状和至少一条隶属边界;
代表该电气机器性能级别的正常、高和高-高输出隶属函数,其中每一输出隶属函数,包含形状和至少一条隶属边界;和
多项规则,每一项规则包括一个或多个输入隶属函数的前项,且还包括输出隶属函数之一的后项,其中在两个或更多输入隶属函数的前项的情形下,该规则还包括模糊算符;
第三计算模块,它为每一项规则,从第一计算模块接收该前项中对应于该一个或多个输入隶属函数的该模拟变量或这些模拟变量的值,且该第三计算模块使每一模拟值模糊化,成为用于对应输入隶属函数的真值;
第四计算模块,它定义最终前项真值,其中:
对只有一个隶属函数被定义在前项中的每一项规则,该最终前项真值等于由第三计算模块为该规则的输入隶属函数计算的模糊化真值;和
对有多个隶属函数被定义在前项中的每一项规则,预定模糊算符被应用于由第三计算模块为该规则的输入隶属函数计算的该多个模糊化真值,且结果被定义为最终前项真值;
第五计算模块,它为每一项规则,使用最小值函数,把最终前项真值隐含到输出隶属函数上,得到输出模糊集;
第六计算模块,它使用最大函数,把来自第五计算模块的输出模糊集,聚集成组合的输出模糊集;和
第七计算模块,它把预定的去模糊化方法,应用于该组合的输出模糊集,以确定代表电气机器正常状态的明确值;且该第六计算模块把该明确值存储在存储器中,并使它经过人机接口,可供操作员使用。
2.权利要求1的模糊专家系统,其中该至少一个输入隶属函数的每一个,具有使输入真值从零到一取直线形式的形状。
3.权利要求1的模糊专家系统,其中该去模糊化方法是重心法。
4.权利要求1的模糊专家系统,其中该电气机器是空气压缩机。
5.一种分类电气机器中故障的模糊专家系统,该模糊专家系统包括:
分布控制系统(DCS),包含:存储计算模块和数据的非易失性存储器装置;与该存储器耦合的处理器;人机接口;输入和输出电路;至少一根总线;以及至少一个通信协议;其中来自传感器的信息,用该至少一个通信协议发送到该输入电路,然后该输入电路把该信息在该至少一根总线上发送到该处理器;且其中该处理器向该输出电路发送指令,该输出电路然后把该指令发送到最后单元;
第一计算模块,监控至少两个模拟变量,该至少两个模拟变量包括来自与该电气机器关联的传感器的润滑油压强和润滑油温度;
第二计算模块,它被预编程,使它有:
用于该至少两个模拟变量每一个的输入隶属函数和输出隶属函数,其中每一隶属函数包含形状和至少一条隶属边界;和
用于该至少两个模拟变量每一个的规则,每一项规则与该至少两个模拟变量之一关联,其中每一项规则包括前项和后项,且其中该前项包括:与该规则的模拟变量相关联的输入隶属函数,以及与该至少两个模拟变量的所有其他模拟变量相关联的输入隶属函数的补;
第三计算模块,它为每一项规则,从第一计算模块接收模拟变量的值,且该第三计算模块使每一模拟值模糊化,成为用于对应输入隶属函数的真值或它的补,如该规则所规定的;
第四计算模块,它为每一项规则,把使用最小值函数的AND算符,应用于在第三计算模块中计算的模糊化真值,得到最终前项真值:
第五计算模块,它为每一项规则,使用该最小值函数,把最终前项真值隐含到输出隶属函数上,得到输出模糊集;和
第六计算模块,它为每一项规则,把预定去模糊化方法,应用于为该规则获得的输出模糊集,以确定代表是否与该规则相关联的模拟变量代表故障的明确值,以及该第六计算模块把该明确值存储在存储器中,并使它经过人机接口,可供操作员使用。
6.权利要求5的模糊专家系统,其中该至少一个输入隶属函数的每一个,具有使输入真值从零到一取直线形式的形状。
7.权利要求5的模糊专家系统,其中该去模糊化方法是重心法。
8.权利要求5的模糊专家系统,其中该电气机器是空气压缩机。
9.一种检测电气机器中故障的方法,包括:
对来自与该电气机器关联的传感器的至少两个模拟变量的每一个,定义至少一个输入隶属函数,这些传感器包括润滑油压强和润滑油温度,其中该至少一个输入隶属函数的每一个包含形状和至少一条隶属边界;
为代表电气机器性能等级的变量,定义正常、高和高-高输出隶属函数,其中每一输出隶属函数包含形状和至少一条隶属边界;
定义使输入隶属函数的模糊集与正常、高和高-高输出隶属函数的模糊集相关的规则集,以便使该规则集中每一项规则有一个或多个输入隶属函数和一个输出隶属函数;
从传感器接收该至少两个模拟变量的值,并使每一值模糊化,从而对与每一模拟变量相关联的至少一个输入隶属函数的每一个,计算真值;
为该规则集中每一项规则确定前项真值,其中:
对有单个输入隶属函数的每一项规则,该前项真值是该单个输入隶属函数的计算的真值;和
对有多个输入隶属函数的每一项规则,该前项真值是通过把该规则的前项中规定的模糊算符,应用于为该多个输入隶属函数计算的真值而导出的,其中最小值法被用于AND模糊算符,而最大值法被用于OR模糊算符;
使用最小值函数,把每一项规则的前项真值,隐含到该规则的输出隶属函数上,得到每一项规则的输出模糊集;
把每一项规则的输出模糊集,联合成组合的输出模糊集;和
通过把预定去模糊化方法,应用于该输出模糊集,计算明确值,其中该明确值代表该电气机器的正常状态。
10.权利要求9的方法,其中该至少一个输入隶属函数的每一个具有使输入真值从零到一取直线形式的形状。
11.权利要求9的方法,其中该去模糊化方法是重心法。
12.权利要求9的方法,其中该电气机器是空气压缩机。
13.一种分类电气机器中故障的方法,包括:
对来自与该电气机器关联的传感器的至少两个模拟变量的每一个,定义输入隶属函数和输出隶属函数,这些传感器包括润滑油压强和润滑油温度,其中每一个隶属函数包含形状和至少一条隶属边界;
为该至少两个模拟变量的每一个定义规则,该规则有前项和后项,其中该前项包括与该规则的模拟变量相关联的输入隶属函数,且该前项还包括与该至少两个模拟变量的所有其他模拟变量相关联的输入隶属函数的补;且其中该后项有单个输出隶属函数;
从传感器接收该至少两个模拟变量的值,并对每一项规则,使与该规则相关联的模拟变量的值模糊化,成为它的关联的输入隶属函数的真值,以及使该所有其他模拟变量的值模糊化,成为关联的互补输入隶属函数的真值;
通过把使用最小值法的AND模糊算符,应用于为输入隶属函数和互补输入隶属函数确定的真值,为该规则集的每一项规则确定前项真值;
使用最小值函数,把每一项规则的前项真值,隐含到该规则的输出隶属函数上,得到每一项规则的输出模糊集;和
通过应用预定去模糊化方法,计算每一输出模糊集的明确值,其中该明确值代表与该规则关联的模拟变量的正常状态。
14.权利要求13的方法,其中该至少一个输入隶属函数的每一个具有使输入真值从零到一取直线形式的形状。
15.权利要求13的方法,其中该去模糊化方法是重心法。
16.权利要求13的方法,其中该电气机器是空气压缩机。
17.一种检测电气机器中故障的计算机程序产品,包括:
有计算机可读程序代码嵌入其中的非易失性计算机可读媒体,该程序代码当被分布控制系统(DCS)的处理器执行时,引起该处理器:
对来自与该电气机器关联的传感器的至少两个模拟变量的每一个,定义至少一个输入隶属函数,这些传感器包括润滑油压强和润滑油温度,其中至少一个输入隶属函数的每一个包含形状和至少一条隶属边界;
为代表电气机器性能级别的变量定义正常、高和高-高输出隶属函数,其中每一输出隶属函数包含形状和至少一条隶属边界;
定义使输入隶属函数的模糊集与正常、高和高-高输出隶属函数的模糊集相关的规则集,以便使该规则集中每一项规则有一个或多个输入隶属函数和一个输出隶属函数;
从传感器接收该至少两个模拟变量的值,并使每一值模糊化,从而对与每一模拟变量相关联的至少一个输入隶属函数的每一个,计算真值;
为该规则集中每一项规则确定前项真值,其中:
对有单个输入隶属函数的每一项规则,该前项真值是该单个输入隶属函数的计算的真值;和
对有多个输入隶属函数的每一项规则,该前项真值是通过把该规则的前项中规定的模糊算符应用于该多个输入隶属函数的计算真值而导出的,其中最小值法被用于AND模糊算符,而最大值法被用于OR模糊算符;
使用最小值函数,把每一项规则的前项真值隐含到该规则的输出隶属函数上,得到每一项规则的输出模糊集;
把每一项规则的输出模糊集,联合成组合的输出模糊集;和
通过把预定去模糊化方法应用于该输出模糊集,计算明确值,其中该明确值代表该电气机器的正常状态。
18.权利要求17的计算机程序产品,其中该至少一个输入隶属函数的每一个具有使输入真值从零到一取直线形式的形状。
19.权利要求17的计算机程序产品,其中该去模糊化方法是重心法。
20.权利要求17的计算机程序产品,其中该电气机器是空气压缩机。
21.一种用于分类电气机器中故障的计算机程序产品,包括:
有计算机可读程序代码嵌入其中的非易失性计算机可读媒体,该程序代码当被分布控制系统(DCS)的处理器执行时,引起该处理器:
为来自与该电气机器关联的传感器的至少两个模拟变量的每一个定义输入隶属函数和输出隶属函数,这些传感器包括润滑油压强和润滑油温度,其中每一隶属函数包含形状和至少一条隶属边界;
为该至少两个模拟变量的每一个定义规则,该规则有前项和后项,其中该前项包括与该规则的模拟变量相关联的输入隶属函数,且该前项还包括与该至少两个模拟变量的所有其他模拟变量相关联的输入隶属函数的补;且其中该后项有单个输出隶属函数;
从传感器接收该至少两个模拟变量的值,并对每一项规则,使与该规则相关联的模糊变量的值模糊化,成为它的相关联的输入隶属函数的真值,以及使所有其他模拟变量的值模糊化,成为相关联的互补输入隶属函数的真值;
通过把使用最小值法的AND模糊算符应用于为输入隶属函数和互补输入隶属函数确定的真值,为该规则集的每一项规则确定前项真值;
使用最小值函数,把每一项规则的前项真值隐含到该规则的输出隶属函数上,得到每一项规则的输出模糊集;和
通过应用预定去模糊化方法,计算每一输出模糊集的明确值,其中该明确值代表与该规则相关联的模拟变量的正常状态。
22.权利要求21的计算机程序产品,其中该至少一个输入隶属函数的每一个具有使输入真值从零到一取直线形式的形状。
23.权利要求21的计算机程序产品,其中该去模糊化方法是重心法。
24.权利要求21的计算机程序产品,其中该电气机器是空气压缩机。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161507822P | 2011-07-14 | 2011-07-14 | |
US61/507,822 | 2011-07-14 | ||
PCT/US2012/046580 WO2013010051A1 (en) | 2011-07-14 | 2012-07-13 | Detection and classification of process flaws using fuzzy logic |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103843015A true CN103843015A (zh) | 2014-06-04 |
Family
ID=46679288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280034829.2A Pending CN103843015A (zh) | 2011-07-14 | 2012-07-13 | 使用模糊逻辑检测和分类过程缺陷 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20130019125A1 (zh) |
EP (1) | EP2732408A1 (zh) |
JP (1) | JP5755809B2 (zh) |
CN (1) | CN103843015A (zh) |
CA (1) | CA2839026C (zh) |
WO (1) | WO2013010051A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105466600A (zh) * | 2015-12-16 | 2016-04-06 | 东南大学 | 一种基于模糊算法的分布式绞盘液压油温度监测方法 |
CN107169658A (zh) * | 2017-05-18 | 2017-09-15 | 东北大学 | 基于可信度的湿法冶金浓密机的故障诊断方法 |
CN107944563A (zh) * | 2016-10-12 | 2018-04-20 | 发那科株式会社 | 机械学习装置以及机械学习方法 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2991072B1 (fr) * | 2012-05-28 | 2014-06-20 | Snecma | Systeme et methode de traitement d'informations pour la surveillance d'un systeme complexe |
DE102013111218A1 (de) | 2013-10-10 | 2015-04-16 | Kaeser Kompressoren Se | Elektronische Steuerungseinrichtung für eine Komponente der Drucklufterzeugung, Druckluftaufbereitung, Druckluftspeicherung und/oder Druckluftverteilung |
US10409926B2 (en) | 2013-11-27 | 2019-09-10 | Falkonry Inc. | Learning expected operational behavior of machines from generic definitions and past behavior |
US9910501B2 (en) | 2014-01-07 | 2018-03-06 | Toshiba Global Commerce Solutions Holdings Corporation | Systems and methods for implementing retail processes based on machine-readable images and user gestures |
US10037128B2 (en) | 2014-02-04 | 2018-07-31 | Falkonry, Inc. | Operating behavior classification interface |
EP3189623A4 (en) * | 2014-09-05 | 2018-05-09 | Hewlett-Packard Enterprise Development LP | Firewall port access rule generation |
CN105159092B (zh) * | 2015-09-28 | 2018-06-08 | 光大环保技术研究院(深圳)有限公司 | 用于除尘器清灰的模糊控制方法及系统 |
US10830091B2 (en) | 2018-01-08 | 2020-11-10 | Raytheon Technologies Corporation | Distress detection in dynamically and thermally coupled systems |
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 |
CN111027631B (zh) * | 2019-12-13 | 2023-09-01 | 四川赛康智能科技股份有限公司 | 高压耐张线夹压接缺陷判别的x射线影像分类识别方法 |
US11941545B2 (en) * | 2019-12-17 | 2024-03-26 | The Mathworks, Inc. | Systems and methods for generating a boundary of a footprint of uncertainty for an interval type-2 membership function based on a transformation of another boundary |
CN112231352B (zh) * | 2020-10-15 | 2023-08-22 | 南京工业大学 | 一种多路阀失效数据管理及失效模式自动诊断系统 |
CN113096123B (zh) * | 2021-05-07 | 2022-08-16 | 湘潭大学 | 一种多模糊推理级联的底火侧面缺陷分类和受损程度分析方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050021212A1 (en) * | 2003-07-24 | 2005-01-27 | Gayme Dennice F. | Fault detection system and method using augmented data and fuzzy logic |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05298110A (ja) * | 1992-04-23 | 1993-11-12 | Olympus Optical Co Ltd | ファジィ推論装置 |
JP3305026B2 (ja) * | 1992-12-28 | 2002-07-22 | キヤノン株式会社 | 画像形成装置 |
JPH07239254A (ja) * | 1994-02-28 | 1995-09-12 | Mitsubishi Heavy Ind Ltd | 原動機プラントの故障診断装置 |
GB2446343B (en) * | 2005-12-05 | 2011-06-08 | Fisher Rosemount Systems Inc | Multi-objective predictive process optimization with concurrent process simulation |
-
2012
- 2012-07-13 CA CA2839026A patent/CA2839026C/en not_active Expired - Fee Related
- 2012-07-13 JP JP2014520349A patent/JP5755809B2/ja not_active Expired - Fee Related
- 2012-07-13 EP EP12747951.7A patent/EP2732408A1/en not_active Withdrawn
- 2012-07-13 CN CN201280034829.2A patent/CN103843015A/zh active Pending
- 2012-07-13 US US13/548,310 patent/US20130019125A1/en not_active Abandoned
- 2012-07-13 WO PCT/US2012/046580 patent/WO2013010051A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050021212A1 (en) * | 2003-07-24 | 2005-01-27 | Gayme Dennice F. | Fault detection system and method using augmented data and fuzzy logic |
Non-Patent Citations (2)
Title |
---|
JAGDEV SINGH: "Fuzzy modeling and identification of intelligent control for refrigeration compressor", 《JOURANL OF SCIENTIFIC AND INDUSTRIAL RESEARCH》 * |
RONALDO R. DE AQUINO: "A Fuzzy System for Detection of Incipient Fault in Power Transformers Based on Gas-in-Oil Analysis", 《2010 IEEE INTERNATIONAL CONFERENCE ON, IEEE, PISCATAWAY,NJ,USA》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105466600A (zh) * | 2015-12-16 | 2016-04-06 | 东南大学 | 一种基于模糊算法的分布式绞盘液压油温度监测方法 |
CN105466600B (zh) * | 2015-12-16 | 2017-11-28 | 东南大学 | 一种基于模糊算法的分布式绞盘液压油温度监测方法 |
CN107944563A (zh) * | 2016-10-12 | 2018-04-20 | 发那科株式会社 | 机械学习装置以及机械学习方法 |
CN107944563B (zh) * | 2016-10-12 | 2020-05-26 | 发那科株式会社 | 机械学习装置以及机械学习方法 |
US11436693B2 (en) | 2016-10-12 | 2022-09-06 | Fanuc Corporation | Machine learning device and machine learning method for learning correlation between shipment inspection information and operation alarm information for object |
CN107169658A (zh) * | 2017-05-18 | 2017-09-15 | 东北大学 | 基于可信度的湿法冶金浓密机的故障诊断方法 |
CN107169658B (zh) * | 2017-05-18 | 2020-09-15 | 东北大学 | 基于可信度的湿法冶金浓密机的故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2014525090A (ja) | 2014-09-25 |
CA2839026A1 (en) | 2013-01-17 |
JP5755809B2 (ja) | 2015-07-29 |
US20130019125A1 (en) | 2013-01-17 |
EP2732408A1 (en) | 2014-05-21 |
CA2839026C (en) | 2016-10-04 |
WO2013010051A1 (en) | 2013-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103843015A (zh) | 使用模糊逻辑检测和分类过程缺陷 | |
Diez-Olivan et al. | Data fusion and machine learning for industrial prognosis: Trends and perspectives towards Industry 4.0 | |
EP3809220B1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
Tautz‐Weinert et al. | Using SCADA data for wind turbine condition monitoring–a review | |
US7096074B2 (en) | Methods and apparatus for early fault detection and alert generation in a process | |
Al-Dahidi et al. | Remaining useful life estimation in heterogeneous fleets working under variable operating conditions | |
JP5179086B2 (ja) | 工業プロセスの監視方法及び監視システム | |
Niggemann et al. | On the diagnosis of cyber-physical production systems | |
US11922738B2 (en) | Fusion of aviation-related data for comprehensive aircraft system health monitoring | |
Kusiak et al. | Prediction of status patterns of wind turbines: A data-mining approach | |
Cross et al. | Model-based and fuzzy logic approaches to condition monitoring of operational wind turbines | |
CN106485992A (zh) | 机械学习方法、机械学习装置、控制装置以及电动机装置 | |
CN103649858A (zh) | 用于预测组件或系统状况的方法和设备及计算机程序产品 | |
Divya et al. | Review of fault detection techniques for predictive maintenance | |
Strączkiewicz et al. | Supervised and unsupervised learning process in damage classification of rolling element bearings | |
CN115039047A (zh) | 工业工厂监测 | |
Peco Chacón et al. | State of the art of artificial intelligence applied for false alarms in wind turbines | |
Borissova et al. | An integrated framework of designing a decision support system for engineering predictive maintenance | |
Khanna et al. | Hybrid Adaptive Fault Detection and Diagnosis System for Cleaning Robots | |
CN106233217B (zh) | 用于提供广义化连续性能指示符的装置和方法 | |
Jagannathan et al. | Predicting road accidents based on current and historical spatio-temporal traffic flow data | |
Merkt | Predictive models for maintenance optimization: an analytical literature survey of industrial maintenance strategies | |
Rodriguez-Obando et al. | Set-invariance analysis for deterioration prediction on a roller-on-tire actuator | |
Dakhil et al. | Predicting prior engine failure with classification algorithms and web-based IoT sensors | |
JP2022191680A (ja) | データ選択支援装置及びデータ選択支援方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140604 |
|
RJ01 | Rejection of invention patent application after publication |