CN104182613B - 基于粗糙集的petri网的船用电站故障诊断模型构建方法 - Google Patents

Abstract

本发明公开了基于粗糙集的petri网的船用电站故障诊断模型构建方法，它包括1、获取船用电站电力系统每个零部件可能存在的故障表现信息的集合；2、利用粗糙集理论对故障表现信息的集合通过属性约简算法得到无冗余的故障表现信息集合；3、建立无冗余的故障表现信息集合中各个子集与船用电站电力系统各种实际故障之间的对应关系，该对应关系形成系统故障Petri网模型；4、将船用电站电力系统故障Petri网模型按船用电站电力系统的组成结构进行分层分类，并进行着色处理。本发明能使故障诊断模型在大故障信息量的情况下避免产生较大的冗余性，提高了Petri网船用电站故障诊断建模的准确性和高效性。

Description

基于粗糙集的petri网的船用电站故障诊断模型构建方法

技术领域

本发明涉及船用电站故障诊断技术领域，具体地指一种基于粗糙集的petri网(Petri网是对离散并行系统的数学表示)的船用电站故障诊断模型构建方法。

背景技术

船用电站电力系统的发、配电设备和控制系统相当复杂，上述船用电站电力系统控制的设备多，涉及的技术复杂，其维修保障工作烦琐，因此确保上述船用电站电力系统正常运行是保证船舶正常工作的重要因素。当系统出现故障后，需要在短时间内准确迅速识别故障区域，判断真正的故障元件，以便故障元件隔离后不影响非故障区域的正常运行，增加供电的持续性和稳定性。

过去的电站故障诊断方法，都是通过定期检修防止故障发生，故障发生后，依靠个人经验实施故障维修，往往需要花费很长的时间对故障装置进行检测和分析。

目前的计算机辅助故障诊断技术主要采用常规的Petri网络和粗糙集技术。常规的Petri网是一种可用图形表示的组合模型，可以很好地表示系统状态和行为的变化关系，准确地描述系统的产生和传播特性。同时Petri网也是严格定义的数学对象，借助数学分析方法和技术，可以很好的描述系统的结构及系统中并列、次序及循环发生的行为。但是对于大型复杂装备故障诊断而言，系统的信息量非常大，而且具有较大的冗余性，这在一定程度上会影响Petri网建模的准确性和高效性。现有Petri网建模的准确性和高效性较低对后续的故障诊断效率也会造成影响。

参考文献：苗夺谦，李道国.粗糙集理论、算法与应用.北京：清华大学出版社，2008。

发明内容

本发明的目的就是要提供一种基于粗糙集的petri网的船用电站故障诊断模型构建方法，该方法能使故障诊断模型在大故障信息量的情况下避免产生较大的冗余性，提高了Petri网船用电站故障诊断建模的准确性和高效性。

为实现此目的，本发明所设计的基于粗糙集的petri网的船用电站故障诊断模型构建方法，其特征在于，它包括如下步骤：

步骤1：获取船用电站电力系统每个零部件存在的所有故障表现信息的集合；

步骤2：利用粗糙集理论对上述所有故障表现信息的集合通过属性约简算法得到无冗余的故障表现信息集合；

步骤3：根据船用电站电力系统检修说明书建立上述无冗余的故障表现信息集合中各个子集与船用电站电力系统各种实际故障之间的对应关系，该对应关系形成船用电站电力系统故障Petri网模型；

步骤4：将船用电站电力系统故障Petri网模型按船用电站电力系统的组成结构进行分层，所述船用电站电力系统包括复制继电器组件、主开关控制组件、绝缘监控组件和电源整流器组件，其中上述每个组件及该组件对应的故障为一层，每个组件下的子组件及该子组件对应的故障为一个子层，另外，按故障的表现形式对船用电站电力系统故障Petri网模型进行分类，其中，同一个故障表现形式所对应的各个组件和/或子组件为一类，将不同的类分别着不同的颜色，即完成了基于粗糙集的petri网的船用电站故障诊断模型构建。

本发明的有益效果：

为了提高船舶电站故障诊断的效率，快速、准确地判断电站发生的故障位置和原因。该系统运用Petri理论、粗糙集的属性约简算法、图形学原理，实现了船舶电站故障的层次、有色Petri网的形式表示，改变以往诊断系统以文字为主的描述方式。特别是针对船用电站故障数据量大的特点，采用粗糙集决策表属性约简算法对所有故障表现信息的集合中不完备数据进行分析和推理，一方面删除冗余的属性信息，另一方面获取新的内在关联规则，并以此规则分类形成新的故障属性决策表，从中发现隐含的规则，揭示内在的规律，以获取最小故障诊断规则，从根本上提高了故障诊断的效率。

利用约简后的信息构造最优的有色Petri网故障诊断模型，并按照船用电站设备中故障数据的实际特点确定分类的细化程度，对同一类型的故障库所赋予相同的颜色值，用图形化方式来表示船舶电站的故障Petri网。从而每个故障原因所对应的颜色值就可以作为故障归属部位的标识，在系统故障图中，根据颜色就可以辨别设备故障的发生部位；在进行故障诊断时，根据颜色值可以筛选相关的数据，从而简少了数据的冗余，这样可以提高后续故障诊断的速度和效率。根据本发明所生产的基于粗糙集的petri网的船用电站故障诊断模型用现有的简单易操作的矩阵运算即可实现船舶电站故障的诊断。利用本发明生成的于粗糙集的petri网的船用电站故障诊断模型不仅可从根本上改变目前船舶电站故障维修时间长的问题，而且改善了以往船用电站故障信息系统文字多、缺乏可操作性的弊端，最大程度地提高维修效率，而且可大大促进装备维修的现代化，提高装备维修水平，推进维修保障工作的信息化进程。

附图说明

图1为本发明中属性约简算法的逻辑框图；

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细说明：

基于粗糙集的petri网的船用电站故障诊断模型构建方法，其特征在于，它包括如下步骤：

步骤1：获取船用电站电力系统每个零部件存在的所有故障表现信息的集合；

步骤2：利用粗糙集理论对上述所有故障表现信息的集合通过以下步骤201～步骤209所述的属性约简算法得到无冗余的故障表现信息集合，如图1所示；

步骤201：将船用电站电力系统每个零部件发生故障的原因集合定义为条件属性C，将船用电站电力系统每个零部件发生的故障定义为决策属性D，根据现有的决策属性对条件属性的依赖度计算公式(详见苗夺谦，李道国.粗糙集理论、算法与应用.北京：清华大学出版社，2008.)计算决策属性D对所有上述条件属性C的依赖程度γ_C(D)，该依赖程度γ_C(D)表明电站电力系统零部件故障发生是否与对应的原因相关及其关联程度；

步骤202：定义与上述电站电力系统每个零部件发生的故障相关的原因的集合为核属性Core(C)，并初始化为空，然后逐个判定条件属性C中的每一个故障原因a(a∈C)与决策属性D的关联程度γ_a(D),a∈C，如果γ_a(D),a∈C不为零就说明故障原因a与决策属性D有关联，如果有关联，就将故障原因a加入到核属性Core(C)中，即Core(C)＝Core(C)∪{a}；

同时，根据现有的决策属性对条件属性的依赖度计算公式(详见苗夺谦，李道国.粗糙集理论、算法与应用.北京：清华大学出版社，2008。)计算故障对核属性Core(C)中故障相关原因的依赖程度γ_Core(D)，并判定上述故障相关原因的依赖程度γ_Core(D)与决策属性D对所有上述条件属性C的依赖程度γ_C(D)是否相等，如果相等就说明已经找到了能够判定故障发生的原因，即此时的核属性Core(C)已经符合要求，否则说明无法通过传统的属性约简方法找到故障发生的原因，将在下面的步骤中采用基于自适应的PBIL(PopulationBased Incremental Learning，基于种群的增量学习)算法来寻找；

步骤203：初始化条件属性C中故障原因发生概率集合P，如果条件属性C中的一个故障原因a属于核属性Core(C)，则属于核属性Core(C)的故障原因a发生的概率P_i统一初始化为1，即核属性Core(C)一定会被选中，其他故障原因的学习概率初始化为P_i＝0.5，即算法初始化时各个故障原因是否被选中的概率是相等的，其中P_i∈P(1≤i≤n)，n为故障原因的个数，计算所有故障原因组成的故障系统的初始熵值；

步骤204：以上述各个故障原因的概率为基础，利用赌轮法指导产生m个故障可能原因集合G_j∈G(j＝1,2,…,m)，其中G为一系列0和1的组合，1代表该故障原因选中，0代表未选中；

步骤205：构造函数f(G_i)，函数f(G_i)用于在保持总体故障对故障可能原因集合的依赖度不变的情况下，找到所含故障原因最少的集合，即故障发生最符合的原因，利用函数f(G_i)计算m个解的目标函数值f(G₁),f(G₂),...,f(G_m)，将当前所有故障原因集合中最少的故障可能原因的集合为最优解G′；

其中：card(G_i)为选中的故障相关原因数量，n为故障原因集合中所有故障原因的个数，为所有故障原因集合中选中的相关故障原因对故障的依赖程度，该函数f(G_i)控制故障原因集合朝着最精简故障原因的方向进化：越大，说明选中的相关故障原因对故障的依赖程度越强，当其取值为1时说明故障发生完全取决于当前所选中的故障发生原因；

步骤206：用最优解G′修正核属性Core(C)的故障原因a发生的概率P_i为：P_i＝p_i+(g′_i-p_i)*r_p，g′_i表示G′中的第i个分量，r_p为修正现有故障原因的比例，r_p为0说明不修正，r_p为1说明完全按以前找到的最优解的值G′来代替；

步骤207：随机地选择部分核属性Core(C)的故障原因a发生的概率P_i进行调整P_i＝p_i*(1.0-r_v)+Random.Double()*r_v(Random.Double()为返回一个介于0.0和1.0之间的随机数，r_v是每个故障原因的概率的变异速率)，从而避免算法过早进入局部极值点，最大程度确保选出来的集合是最符合要求的故障原因；

步骤208：判断整个故障原因系统的熵值1≤i≤n，是否小于故障系统的初始熵值E₀，其中n为故障原因的个数，P_i为当前故障原因的概率，如果小于则通过下列两个公式分别的改变修正现有故障原因的比例r_p和每个故障原因的概率的变异速率r_v的值，实现自适应改变；否则按既定值r_p0、r_v0计算；

E₀是控制自适应调整时熵的阈值，r_p0为初始化学习速率，h为控制r_p0值变化幅度的常数；

自适应变异率r_v的计算公式为：

其中r_v0为初始化时确定的变异速率，k为变异率增幅控制参数；

步骤209：预设故障最优解的目标函数预期值为f₀(0≤f₀≤n,n为所有故障原因个数)，判断当前步骤205得到的最优解的目标函数f(G_i)是否小于f₀，是则返回步骤204继续运行，否则结束运行，并返回当前最符合要求的故障原因集合G′，该当前最符合要求的故障原因集合G′即为无冗余的故障表现信息集合；

步骤3：根据船用电站电力系统检修说明书建立上述无冗余的故障表现信息集合中各个子集与船用电站电力系统各种实际故障之间的对应关系，该对应关系形成船用电站电力系统故障Petri网模型；

步骤4：将船用电站电力系统故障Petri网模型按船用电站电力系统的组成结构进行分层，所述船用电站电力系统包括复制继电器组件、主开关控制组件、绝缘监控组件和电源整流器组件，其中上述每个组件及该组件对应的故障为一层，每个组件下的子组件及该子组件对应的故障为一个子层，另外，按故障的表现形式对船用电站电力系统故障Petri网模型进行分类，其中，同一个故障表现形式所对应的各个组件和/或子组件为一类，将不同的类分别着不同的颜色，即完成了基于粗糙集的petri网的船用电站故障诊断模型构建。上述故障有色Petri网图形化方案是利用故障表现信息的集合中存储的故障信息生成故障Petri网，并对其进行分类着色显示。按照先整体后部分的方式依次向下对故障树进行分层，并对不同类的故障库赋予不同的颜色值，最后将这种结构合理、层次清晰、便于分析的故障有色Petri网，运用图形编程显示在人机界面上。该步骤中形成的有色Petri网是一种形象直观的图形组合模型，运用图形编程实现故障Petri网的着色显示，从而达到了故障的图形化维护、浏览和诊断的目的，进一步适应实际的故障定位与诊断需要。

上述技术方案中，故障信息属性约简算法是指在保持故障信息决策能力不变的基础上，删除其中不相关或者不重要的条件属性。在保持了全局寻优特性的同时降低了属性间的相关性。所述属性约简算法中包括一个相关参数自适应调整机制。通过引入故障原因系统的熵值，使传统PBIL算法的学习概率和变异率根据故障原因系统的熵值的变化作出自适应调整，形成具有自学习和变异能力的自适应PBIL算法。

上述技术方案中，基于粗糙集的petri网的船用电站故障诊断模型是故障信息和故障关系构成的一个组合模型，其构建方法在于确定故障之间的关系：列出船舶电站的故障及其发生的概率，找出这些故障之间的逻辑和时间关系，每个故障的故障现象、故障部位、故障原因以及现象和原因之间的关系。

上述技术方案中，由于原始故障表现信息的集合的信息量大，并且存在大量不完备信息或冗余信息，构建的Petri网规模太大，故障诊断效率低。因此必须对原始故障信息进行有效的约简，根据大量的、不完全的、有噪声的数据提取隐含的信息和潜在规律，删除其中的冗余信息，以获取最小故障诊断规则，用来建立最优的有色Petri网模型，即步骤201～步骤209中所描述的方法。

步骤201～步骤209中所描述的属性约简是粗糙集理论的核心内容之一，它描述了在保持知识库区分能力不变的条件下，系统中每个属性的必要性判定及冗余属性的删除操作过程。在故障诊断中，由于庞大的故障信息导致无法清晰地归纳故障原因，属性约简实际上就是将庞大信息量通过一定的算法进行信息合并、删减，得到最优化的信息集合。然而由于属性约简的不唯一性以及多属性的组合爆炸等问题，制约了属性约简在故障诊断中的应用，本发明将粗糙集的属性约简与PBIL算法相结合，充分利用两者的优势，以属性约简的核为起点，以竞争过程中获取的最优解的信息为依据，用来指导后代的产生，避免了进化过程中的频繁操作和盲目搜索，在保证算法效率的同时，有效地简化了数据的处理过程。

本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (1)

1.一种基于粗糙集的petri网的船用电站故障诊断模型构建方法，其特征在于，它包括如下步骤：

步骤1：获取船用电站电力系统每个零部件存在的所有故障表现信息的集合；

步骤2：利用粗糙集理论对上述所有故障表现信息的集合通过属性约简算法得到无冗余的故障表现信息集合；

步骤3：根据船用电站电力系统检修说明书建立上述无冗余的故障表现信息集合中各个子集与船用电站电力系统各种实际故障之间的对应关系，该对应关系形成船用电站电力系统故障Petri网模型；

步骤4：将船用电站电力系统故障Petri网模型按船用电站电力系统的组成结构进行分层，所述船用电站电力系统包括复制继电器组件、主开关控制组件、绝缘监控组件和电源整流器组件，其中上述每个组件及该组件对应的故障为一层，每个组件下的子组件及该子组件对应的故障为一个子层，另外，按故障的表现形式对船用电站电力系统故障Petri网模型进行分类，其中，同一个故障表现形式所对应的各个组件和/或子组件为一类，将不同的类分别着不同的颜色，即完成了基于粗糙集的petri网的船用电站故障诊断模型构建；

所述步骤2中，利用粗糙集理论对上述所有故障表现信息的集合通过以下步骤201～步骤209所述的属性约简算法得到无冗余的故障表现信息集合；

步骤201：将船用电站电力系统每个零部件发生故障的原因集合定义为条件属性C，将船用电站电力系统每个零部件发生的故障定义为决策属性D，根据现有的决策属性对条件属性的依赖度计算公式计算决策属性D对所有上述条件属性C的依赖程度γ_C(D)，该依赖程度γ_C(D)表明电站电力系统零部件故障发生是否与对应的原因相关及其关联程度；

步骤202：定义与上述电站电力系统每个零部件发生的故障相关的原因的集合为核属性Core(C)，并初始化为空，然后逐个判定条件属性C中的每一个故障原因a，a∈C，与决策属性D的关联程度γ_a(D),a∈C，如果γ_a(D),a∈C不为零就说明故障原因a与决策属性D有关联，如果有关联，就将故障原因a加入到核属性Core(C)中，即Core(C)＝Core(C)∪{a}；

同时，根据现有的决策属性对条件属性的依赖度计算公式计算故障对核属性Core(C)中故障相关原因的依赖程度γ_Core(D)，并判定上述故障相关原因的依赖程度γ_Core(D)与决策属性D对所有上述条件属性C的依赖程度γ_C(D)是否相等，如果相等就说明已经找到了能够判定故障发生的原因，即此时的核属性Core(C)已经符合要求，否则说明无法通过传统的属性约简方法找到故障发生的原因，将在下面的步骤中采用基于自适应的PBIL算法来寻找；

步骤203：初始化条件属性C中故障原因发生概率集合P，如果条件属性C中的一个故障原因a属于核属性Core(C)，则属于核属性Core(C)的故障原因a发生的概率P_i统一初始化为1，即核属性Core(C)一定会被选中，其他故障原因的学习概率初始化为P_i＝0.5，即算法初始化时各个故障原因是否被选中的概率是相等的，其中P_i∈P，1≤i≤n，n为故障原因的个数，计算所有故障原因组成的故障系统的初始熵值；

ln为对数的符号；

步骤204：以上述各个故障原因的概率为基础，利用赌轮法指导产生m个故障可能原因集合G_j∈G(j＝1,2,…,m)，其中G为一系列0和1的组合，1代表该故障原因选中，0代表未选中；

步骤205：构造函数f(G_i)，函数f(G_i)用于在保持总体故障对故障可能原因集合的依赖度不变的情况下，找到所含故障原因最少的集合，即故障发生最符合的原因，利用函数f(G_i)计算m个解的目标函数值f(G₁),f(G₂),...,f(G_m)，将当前所有故障原因集合中最少的故障可能原因的集合为最优解G′；

$\begin{array}{cc}f\left(G_i\right)=(n-card(G_i)+\underset{i=1}{\overset{n}{\Σ}}{g}_i*{\mathrm{\γ}}_{g_i}(D\left)\right)& (1\≤i\≤n)\end{array}$

其中：card(G_i)为选中的故障相关原因数量，n为故障原因集合中所有故障原因的个数，为所有故障原因集合中选中的相关故障原因对故障的依赖程度，该函数f(G_i)控制故障原因集合朝着最精简故障原因的方向进化：越大，说明选中的相关故障原因对故障的依赖程度越强，当其取值为1时说明故障发生完全取决于当前所选中的故障发生原因；

步骤206：用最优解G′修正核属性Core(C)的故障原因a发生的概率P_i为：P_i＝p_i+(g′_i-p_i)*r_p，g′_i表示G′中的第i个分量，r_p为修正现有故障原因的比例，r_p为0说明不修正，r_p为1说明完全按以前找到的最优解的值G′来代替；

步骤207：随机地选择部分核属性Core(C)的故障原因a发生的概率P_i进行调整P_i＝p_i*(1.0-r_v)+Random.Double()*r_v，Random.Double()为返回一个介于0.0和1.0之间的随机数，r_v是每个故障原因的概率的变异速率，从而避免算法过早进入局部极值点，最大程度确保选出来的集合是最符合要求的故障原因；

步骤208：判断整个故障原因系统的熵值1≤i≤n，ln为对数的符号，是否小于故障系统的初始熵值E₀，其中n为故障原因的个数，P_i为当前故障原因的概率，如果小于则通过下列两个公式分别的改变修正现有故障原因的比例r_p和每个故障原因的概率的变异速率r_v的值，实现自适应改变；否则按既定值r_p0、r_v0计算；

$r_p=\left\{\begin{array}{cc}{r}_{p0}& E\&GreaterEqual;E_0\\ \exp \&lsqb;h*(\frac{E}{E_0}-1)\&rsqb;*r_{p0}& 0<E<E_0\end{array}\right.$

E₀是控制自适应调整时熵的阈值，r_p0为初始化学习速率，h为控制r_p0值变化幅度的常数；

自适应变异率r_v的计算公式为：

$r_v=\left\{\begin{array}{cc}{r}_{v0}& E\&GreaterEqual;E_0\\ \exp \&lsqb;k*(\frac{E}{E_0}-1)\&rsqb;*r_{v0}& 0<E<E_0\end{array}\right.$

其中r_v0为初始化时确定的变异速率，k为变异率增幅控制参数，exp表示以自然常数e为底的指数函数；

步骤209：预设故障最优解的目标函数预期值为f₀，0≤f₀≤n,n为所有故障原因个数，判断当前步骤205得到的最优解的目标函数f(G_i)是否小于f₀，是则返回步骤204继续运行，否则结束运行，并返回当前最符合要求的故障原因集合G′，该当前最符合要求的故障原因集合G′即为无冗余的故障表现信息集合。