CN104268375A - 基于知识petri网的船用电站故障诊断方法 - Google Patents

Abstract

本发明公开了基于知识petri网的船用电站故障诊断方法，包括：1根据船用电站故障Petri网模型获取并筛选船用电站各单元的故障征兆集合；2利用改进的Apriori算法对上述故障征兆集合和故障单元进行强关联规则挖掘；3通过人机对话，用户输入故障征兆特征量和置信度，系统使用上述强关联规则通过模糊推理进行故障征兆识别以确定故障单元；4以故障单元为根库所从故障Petri网模型中抽取出子故障Petri网使用正向运行和逆向推理的方法进行故障原因诊断，并根据诊断结果给出故障原因、故障路径图和相应的故障维修方法。本发明能避免故障原因漏判，同时生成故障传播路径，提高了船用电站故障诊断的准确性和高效性。

Description

基于知识petri网的船用电站故障诊断方法

技术领域

本发明涉及船用电站故障诊断技术领域，具体地指一种基于知识的petri(Petri网是对离散并行系统的数学表示)网的船用电站故障诊断方法。

背景技术

船用电站设备多，涉及的技术复杂，其维修保障工作十分繁重。虽然通过长期的资料积累和维修人员维修经验的不断增长，电站故障诊断的效率在不断地提高，但是故障资料多是以纸张形式保存，没有形成故障知识，同时维修人员的经验水平的参差不齐也影响了故障诊断的效率。

目前的计算机故障诊断技术主要采用小波变换、最小二乘法、专家系统、故障树和Petri网等方法。

1.基于小波变换：小波变换故障诊断方法先对信号进行多级小波分解，得到各子带数据。通过对小波变换系数模极大值的检测来实现对信号奇异性的检测，从而确定故障发生的时间，并推导出故障发生的地点。这种方法实时性好，但不能很好的处理潜在故障。

2.基于最小二乘法的方法：根据模型参数及相应的物理参数的历史数据对参数进行估计形成一次估计值序列并用该序列进行估值诊断。该方法故障检测快而准，诊断的实时性强；但由于不易辨识非线性与时变系统的参数，应用受到限制。

3.基于专家系统的方法：专家系统是典型的基于知识的方法，它通过获取大量的专家诊断知识，利用专家的推理方法，解决故障诊断领域的问题。缺点是知识获取困难、知识库更新能力差、领域知识之间的矛盾难于处理、逻辑表达和处理能力局限性大。

4.基于故障树的方法：故障树分析法通过对可能造成系统失效的各种因素进行分析，从而确定系统失效原因的各种可能组合方式或其发生概率，将系统故障形成原因按树枝状逐级细化，将其逻辑关系用与、或等逻辑符号表示出来，自上而下逐级分解，直到不能分解的底事件，形成故障树。故障树诊断方法直观、形象，能够实现快速的诊断。缺点是不能诊断不可预知的故障；诊断结果严重依赖于故障树信息的正确性和完整性。

5.基于Petri网的方法：Petri网是一种可用图形表示并可使用数学方法进行描述的组合模型，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。Petri网的缺点是其节点数量随着系统复杂度的提高而不断增多，使模型分析带来困难，容易造成状态空间爆炸。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。

参考文献：张炜.故障Petri网的状态方程研究.兰州工业高等专科学校学报，2007,17(2)。

发明内容

本发明的目的就是要提供一种基于知识petri网的船用电站故障诊断方法，该方法能实现故障部位的快速准确定位，并能利用船用电站故障Petri网模型实现故障诊断，区分主次故障原因，尽量避免故障原因漏判，提高船用电站故障诊断的准确性和高效性。

为实现此目的，本发明所设计的基于知识petri网的船用电站故障诊断方法，其特征在于，它包括如下步骤：

步骤1：在现有的船用电站故障Petri网模型Σ中获取船用电站各单元的实际故障与所对应的故障征兆的集合；

步骤2：对上述船用电站各单元的实际故障与所对应的故障征兆的集合通过以下步骤201～步骤205所述的改进的Apriori算法，进行强关联规则挖掘，即将船用电站各单元的故障征兆和实际故障间的强关联规则挖掘出来；

步骤201：设船用电站各单元的实际故障与所对应的故障征兆的集合为I＝{i₁,i₂,…,i_n}，设船用电站故障Petri网模型Σ中所有实际故障集合为I_F，设船用电站故障Petri网模型Σ中所有实际故障的故障征兆集合为I_N，且有I＝I_N+I_F，然后按照故障征兆不同的类型，将上述故障征兆集合I_N分为若干项故障征兆子集的组合，即设故障征兆类型共有m类，则有：

其中，I_Nj和I_Nl指的是I_N中的第j及第l类故障征兆子集，m为故障征兆类型的数目，也就是故障征兆子集的数目；

另外，设从船用电站故障Petri网模型Σ中获取的船用电站各单元的实际故障与所对应的故障征兆的所有对应记录为集合D，这些实际故障和故障征兆称为集合D的项，集合D内的每一个元素R都是一条故障征兆与实际故障的对应记录，元素R是一个同时包含若干个故障征兆和一个对应的实际故障的集合，并且这些若干个故障征兆是分别属于不同类的故障征兆子集的；上述船用电站各单元的实际故障与所对应的故障征兆的集合I为所述集合D的所有项的集合，集合D内的每一个元素R都是集合D的一个项集；

对于集合D中的元素R而言，由R中的若干元素组成的项集称为R的子项集，这些子项集也是D的项集；对于属于集合D的任意一个项集V有：

V＝{i_e,i_f,....,i_g,i_h}(i_e,i_f,....,i_g∈I_N,i_h∈I_F)

如果属于集合D的任意一个项集V有k个元素，那么称项集V为k项集(k≥1)；规定项集V必须满足的条件为：项集V的前k-1个元素i_e,i_f,....,i_g分别属于k-1个不同类的故障征兆子集，第k个元素i_h是一个实际故障；

项集V在集合D中的支持度是指项集V在集合D中出现的概率，即集合D中的元素包含项集V的概率，也就是说集合D中包含项集V的元素数量与集合D的元素数量的比值，即：

Support(V)＝P(V)

其中，Support(V)为项集V的支持度，P(V)为项集V在集合D中出现的概率，如果项集V满足：

Support(V)≥min_sup

其中min_sup为设定的最小支持度阈值；那么项集V是一个频繁项集，称为频繁k项集；

由项集V的所有元素组成的蕴含式{i_e,i_f,....,i_g}→{i_h}称为一条关联规则，即如果存在项集V的前k-1个元素{i_e,i_f,....,i_g}，那么也存在第k个元素{i_h}；显然集合和集合是项集V的子项集，也是集合D的项集；关联规则X→Y的支持度是指集合D中的记录同时包含X和Y的概率，也就是项集V的支持度，即：

Support(X→Y)＝Support(V)

关联规则X→Y的置信度为集合D中的记录如果包含所述集合X那么也包含所述集合Y的概率，也就是集合D中同时包含集合X和集合Y的元素数量与包含集合X的元素数量的比值，即：

Confidence(X→Y)＝P(Y/X)

其中Confidence(X→Y)是指关联规则的置信度，P(Y/X)是指Y关于X的条件概率；

如果所述关联规则X→Y满足：

$\left\{\begin{array}{c}\mathrm{Support}(X\→Y)\≥\min \_\sup \\ \mathrm{Confidence}(X\→Y)\≥\min \_\mathrm{conf}\end{array}\right.$

其中min_conf为设定的最小置信度阈值；那么称关联规则X→Y是强关联规则；

设集合L是集合D的所有频繁项集的集合；集合L_k是集合D的所有频繁k项集的集合；

步骤202：由集合D获取集合L₁的候选集合C₁，其中，集合L₁为频繁1项集的集合，候选集合C₁是集合D所有频繁1项集的集合；按照步骤201中频繁项集的定义筛选集合C₁中的元素，即对C₁中的任意一个元素r，如果满足Support(r)≥min_sup，就把r存入L₁，如果集合L₁为空集，即结束运行，否则设计数器k＝1；

步骤203：使用连接步获取集合L_k+1的候选集合C_k+1，连接步是指由L_k的元素进行自连接，自连接的规则是将集合L_k中具有相同前k-2项的元素两两组合，每一个组合在去除相同项后得到一个k+1项集，如果这个k+1项集是集合D的一个k+1项集而且没有在集合C_k+1出现过，就把这个k+1项集存入集合C_k+1，集合C_k+1的元素必须都不相同并且是集合D的k+1项集；

步骤204：使用剪枝步筛选集合C_k+1中的元素，剪枝步的规则是集合C_k+1保留的元素必须是步骤201中所定义的频繁项集，由集合C_k+1中的所有保留的元素组成集合L_k+1，将L_k+1加入到集合L中，即L＝L∪L_k+1；

步骤205：如果集合L_k+1不是空集，即则令计数器自增1，即k＝k+1，返回步骤203继续执行，否则对于集合L中的每一个元素按照步骤201中关联规则的定义产生关联规则，即对于集合L的任意一个元素v，假设v＝{i_a,i_b,....,i_c,i_d}(i_a,i_b,....,i_c∈I_N,i_d∈I_F)，那么关联规则就是{i_a,i_b,....,i_c}→{i_d}，并使用步骤201中的强关联规则的定义对关联规则{i_a,i_b,....,i_c}→{i_d}进行筛选，即如果 $\left\{\begin{array}{c}\mathrm{Support}\left(\right\{i_a,i_b,....,i_c\}\→\{i_d\left\}\right)\≥\min \_\sup \\ \mathrm{Confidence}\left(\right\{i_a,i_b,....,i_c\}\→\{i_d\left\}\right)\≥\min \_\mathrm{conf}\end{array}\right.,$ 那么{i_a,i_b,....,i_c}→{i_d}是一个强关联规则，保留该关联规则，所有强关联规则组成强关联规则集合；

步骤3：通过人机对话，用户输入故障征兆特征量和置信度，系统根据上述强关联规则集合使用模糊推理进行故障征兆识别以确定实际故障；

步骤4：以故障征兆识别确定的实际故障为根库所从船用电站故障Petri网模型Σ中抽取出子故障Petri网，使用故障Petri网正向运行和逆向推理的方法进行故障原因诊断，并根据诊断结果给出故障原因、故障路径图和相应的故障维修方法。

本发明的有益效果：为了提高船用电站故障诊断的效率，能够快速、准确地判断电站发生的故障位置和原因。本发明运用Petri理论、Apriori算法，实现了船用电站的基于知识的Petri网的故障诊断方法，改变以往诊断系统容易出现故障原因漏判的状况。

特别是针对船用电站故障征兆量大、具有不确定性的特点，采用改进的Apriori算法对船用电站故障Petri网模型中的所有单元的实际故障和相应的所有故障征兆进行强关联规则挖掘。一是规定项集必须是同时包含若干不同类别的故障征兆和一个实际故障的集合，在获取频繁项集的过程中就过滤掉大量冗余、无效的项集；二是规定了强关联规则必须从故障征兆到实际故障挖掘的关联规则，从而过滤掉无效的强关联规则，确保获得的强关联规则是有效的强关联规则。挖掘得到的强关联规则集合将作为故障征兆识别的依据。

特别是在通过故障征兆识别确定实际故障后，利用以该实际故障为根库所的故障Petri网，进行正向运行和逆向推理结合的故障原因诊断，从最大程度上避免故障原因漏判。在故障Petri网模型中，每个叶子库所代表的实际故障所对应的部件都有各自的累积故障分布函数，按照故障时间就可以推算出故障Petri网中是否有叶子库所代表的实际故障发生，故障发生就表示该库所产生了托肯。系统可以根据故障Petri网的点火规则运行该故障Petri网，运行结束后根据根库所是否具有托肯来判断故障原因是否已经找到，有托肯表示故障原因能够传播到该实际故障，故障原因找到。如果无法确定故障原因，则需要据故障Petri网模型中库所和其下层库所之间的可信度进行逆向推理，以确定故障原因。在诊断过程中算法根据规则更新累积故障分布函数或可信度。最后故障Petri网按一定的规则进行拆分，剩余部分中有托肯的库所如果原来是叶子库所的就是本次故障的主要故障原因，被拆分出去的结构中有托肯的库所如果原来是叶子库所的就是本次故障的次要故障原因，从而避免了故障原因漏判的现象，并能够区分出主次故障原因。

利用本发明基于知识petri网的船用电站故障诊断方法不仅能够实现故障快速定位和诊断，区分出主要故障原因、次要故障原因，避免故障原因漏判，而且改善了以往船用电站故障信息系统缺乏可操作性的弊端，最大程度地提高维修效率

附图说明

图1为本发明中强关联规则挖掘流程图；

图2位本发明中故障诊断流程图。

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：

一种基于知识petri网的船用电站故障诊断方法，其特征在于，它包括如下步骤：

步骤1：在现有的船用电站故障Petri网模型Σ中获取船用电站各单元的实际故障与所对应的故障征兆的集合；

步骤2：对上述船用电站各单元的实际故障与所对应的故障征兆的集合通过以下步骤201～步骤205所述的改进的Apriori算法，进行强关联规则挖掘，即将船用电站各单元的故障征兆和实际故障间的强关联规则挖掘出来，如图1所示；

步骤201：设船用电站各单元的实际故障与所对应的故障征兆的集合为I＝{i₁,i₂,…,i_n}，设船用电站故障Petri网模型Σ中所有实际故障集合为I_F，设船用电站故障Petri网模型Σ中所有实际故障的故障征兆集合为I_N，且有I＝I_N+I_F，然后按照故障征兆不同的类型，将上述故障征兆集合I_N分为若干项故障征兆子集的组合，即设故障征兆类型共有m类，则有：

其中，I_Nj和I_Nl指的是I_N中的第j及第l类故障征兆子集，m为故障征兆类型的数目，也就是故障征兆子集的数目；

另外，设从船用电站故障Petri网模型Σ中获取的船用电站各单元的实际故障与所对应的故障征兆的所有对应记录为集合D，这些实际故障和故障征兆称为集合D的项，集合D内的每一个元素R都是一条故障征兆与实际故障的对应记录，元素R是一个同时包含若干个故障征兆和一个对应的实际故障的集合，并且这些若干个故障征兆是分别属于不同类的故障征兆子集的；上述船用电站各单元的实际故障与所对应的故障征兆的集合I为所述集合D的所有项的集合，集合D内的每一个元素R都是集合D的一个项集；

对于集合D中的元素R而言，由R中的若干元素组成的项集称为R的子项集，这些子项集也是D的项集；对于属于集合D的任意一个项集V有：

V＝{i_e,i_f,....,i_g,i_h}(i_e,i_f,....,i_g∈I_N,i_h∈I_F)

如果属于集合D的任意一个项集V有k个元素，那么称项集V为k项集(k≥1)(k-itemset)；规定项集V必须满足的条件为：项集V的前k-1个元素i_e,i_f,....,i_g分别属于k-1个不同类的故障征兆子集，第k个元素i_h是一个实际故障；

项集V在集合D中的支持度是指项集V在集合D中出现的概率，即集合D中的元素包含项集V的概率，也就是说集合D中包含项集V的元素数量与集合D的元素数量的比值，即：

Support(V)＝P(V)

其中，Support(V)为项集V的支持度，P(V)为项集V在集合D中出现的概率，如果项集V满足：

Support(V)≥min_sup

其中min_sup为设定的最小支持度阈值(在实际使用中有用户的具体需求决定，一般为0.7)；那么项集V是一个频繁项集，称为频繁k项集；

由项集V的所有元素组成的蕴含式{i_e,i_f,....,i_g}→{i_h}称为一条关联规则，即如果存在项集V的前k-1个元素{i_e,i_f,....,i_g}，那么也存在第k个元素{i_h}；显然集合和集合是项集V的子项集，也是集合D的项集；关联规则X→Y的支持度是指集合D中的记录同时包含X和Y的概率，也就是项集V的支持度，即：

Support(X→Y)＝Support(V)

关联规则X→Y的置信度为集合D中的记录如果包含所述集合X那么也包含所述集合Y的概率，也就是集合D中同时包含集合X和集合Y的元素数量与包含集合X的元素数量的比值，即：

Confidence(X→Y)＝P(Y/X)

其中Confidence(X→Y)是指关联规则的置信度，P(Y/X)是指Y关于X的条件概率；

如果所述关联规则X→Y满足：

$\left\{\begin{array}{c}\mathrm{Support}(X\→Y)\≥\min \_\sup \\ \mathrm{Confidence}(X\→Y)\≥\min \_\mathrm{conf}\end{array}\right.$

其中min_conf为设定的最小置信度阈值(在实际使用中有用户的具体需求决定，但必须比min_sup高，一般为0.8)；那么称关联规则X→Y是强关联规则；

设集合L是集合D的所有频繁项集的集合；集合L_k是集合D的所有频繁k项集的集合；

步骤202：由集合D获取集合L₁的候选集合C₁，其中，集合L₁为频繁1项集的集合，候选集合C₁是集合D所有频繁1项集的集合；按照步骤201中频繁项集的定义筛选集合C₁中的元素，即对C₁中的任意一个元素r，如果满足Support(r)≥min_sup，就把r存入L₁，如果集合L₁为空集，即结束运行，否则设计数器k＝1；

步骤203：使用连接步获取集合L_k+1的候选集合C_k+1，连接步是指由L_k的元素进行自连接，自连接的规则是将集合L_k中具有相同前k-2项的元素两两组合，每一个组合在去除相同项后得到一个k+1项集，如果这个k+1项集是集合D的一个k+1项集而且没有在集合C_k+1出现过，就把这个k+1项集存入集合C_k+1，集合C_k+1的元素必须都不相同并且是集合D的k+1项集；

步骤204：使用剪枝步筛选集合C_k+1中的元素，剪枝步的规则是集合C_k+1保留的元素必须是步骤201中所定义的频繁项集，由集合C_k+1中的所有保留的元素组成集合L_k+1，将L_k+1加入到集合L中，即L＝L∪L_k+1；

步骤205：如果集合L_k+1不是空集，即则令计数器自增1，即k＝k+1，返回步骤203继续执行，否则对于集合L中的每一个元素按照步骤201中关联规则的定义产生关联规则，即对于集合L的任意一个元素v，假设v＝{i_a,i_b,....,i_c,i_d}(i_a,i_b,....,i_c∈I_N,i_d∈I_F)，那么关联规则就是{i_a,i_b,....,i_c}→{i_d}，并使用步骤201中的强关联规则的定义对关联规则{i_a,i_b,....,i_c}→{i_d}进行筛选，即如果 $\left\{\begin{array}{c}\mathrm{Support}\left(\right\{i_a,i_b,....,i_c\}\→\{i_d\left\}\right)\≥\min \_\sup \\ \mathrm{Confidence}\left(\right\{i_a,i_b,....,i_c\}\→\{i_d\left\}\right)\≥\min \_\mathrm{conf}\end{array}\right.,$ 那么{i_a,i_b,....,i_c}→{i_d}是一个强关联规则，保留该关联规则，所有强关联规则组成强关联规则集合；

步骤3：通过人机对话，用户输入故障征兆特征量和置信度，系统根据上述强关联规则集合使用模糊推理进行故障征兆识别以确定实际故障；

步骤4：以故障征兆识别确定的实际故障为根库所从船用电站故障Petri网模型Σ中抽取出子故障Petri网，使用故障Petri网正向运行和逆向推理的方法进行故障原因诊断，并根据诊断结果给出故障原因、故障路径图和相应的故障维修方法，，如图2所示。

上述技术方案的步骤4中，以故障征兆识别确定的实际故障为根库所从船用电站故障Petri网模型Σ中抽取出子故障Petri网通过以下步骤401～步骤408，使用故障Petri网正向运行和逆向推理的方法进行故障原因诊断，并根据诊断结果给出故障原因、故障路径图和相应的故障维修方法；

步骤401：船用电站故障Petri网模型Σ是一个自下而上的分层的Petri网，对于船用电站故障Petri网模型Σ中的库所p_a，规定如果库所p_a是叶子库所(即其没有下一层库所)，则库所p_a包含了对应部件的累积故障时间函数f_a(τ)和失效阈值λ_a(在实际使用中自己指定，一般是0.9或0.95)；如果在τ时刻，f_a(τ)≥λ_a则表示船用电站的部件在τ时刻发生了故障，库所p_a产生一个托肯；

步骤402：以步骤3中故障征兆识别所确定的实际故障所对应的库所p₀为根库所从船用电站故障Petri网模型Σ中抽取出子故障Petri网Σ_sub作为本次诊断用的故障Petri网，设故障发生的时间点为t₀；

步骤403：计算子故障Petri网Σ_sub的初始状态标识M₀，根据故障发送的时间点t₀和叶子库所的累积故障分布函数，计算Σ_sub中所有叶子库所的托肯数目，其它非叶子库所的托肯数为0，令计数器k＝0；

步骤404：判断子故障Petri网Σ_sub的当前状态标识M_k中根库所p₀的托肯数，如果为1则表示故障已经传播到根库所p₀，故障原因找到，更新状态标识M_k中所有托肯数为1的叶子库所的累积故障分布函数，本系统设定如果上一次对该叶子库所进行累积故障分布函数更新时该叶子库所对应的实际故障共发生了x次，那么当该实际故障总共发生次数达到x的1.2倍时再次对累积故障分布函数进行更新，更新方法是使用统计学知识人工调整，转到步骤407；如果托肯数为0则表示故障原因未找到，根据当前状态标识M_k求点火序列U_k，进入步骤405；

步骤405：如果根据当前状态标识求的点火序列U_k存在则计算子故障Petri网Σ_sub下一个标识M_k+1，计算公式为现有的故障Petri网状态方程详见张炜.故障Petri网的状态方程研究.兰州工业高等专科学校学报，2007,17(2)，其中C是关联矩阵，运算符的运算规则是：对于两个m×n的矩阵E和矩阵F，有G_ij＝max(E_ij,F_ij)(1≤i≤m,1≤j≤n)，即G中的元素是矩阵E和矩阵F中相同位置的元素中的较大者；计数器k自增1；转到步骤404继续运行；如果根据当前状态标识求的点火序列U_k不存在，则需要根据可信度进行逆向推理，进入步骤406；

步骤406：根据可信度进行逆向推理查找故障原因，对于子故障Petri网Σ_sub中的库所p_b和其下一层库所中的某个库所p_c，规定可信度w_bc指的是库所p_b对应的实际故障发生是由库所p_c对应的实际故障发生所引起的概率；

托肯数为1的叶子库所表示对应的实际故障发生，按照步骤404中的更新方法进行累积故障分布函数更新；

将根库所p₀的托肯数设为1，从根库所p₀开始自上向下递归处理子故障Petri网的每一层库所；

假设正在处理的库所为p_d，判断正在处理的库所p_d的托肯数目，如果正在处理的库所p_d的托肯数目为0表示对应故障没有发生，正在处理的库所p_d处理完毕；如果正在处理的库所p_d的托肯数目为1则表示对应实际故障发生，如果p_d是叶子库所则按照步骤404中的更新方法进行累积故障分布函数更新；如果不是叶子库所则判断正在处理的库所p_d与正在处理的库所p_d下一层库所集合Z_d之间的变迁t的类型；

如果t是与变迁，那么集合Z_d中托肯数目为1的库所表示故障已经传递到该库所，无需对其进行递归处理；将为0的库所的托肯数目设为1；

如果t是或变迁，则找出集合Z_d中可信度最高值对应的库所p_q，将其托肯数目设为1，将正在处理的库所p_d到可信度最高值对应的库所p_q的可信度值w_dq加0.1，即w_dq＝w_dq+0.1，对集合Z_d中所有库所的可信度归一化处理，设集合Z_d有n个库所，则归一化公式为：

$w_{\mathrm{dj}}^{\′}=\left\{\begin{array}{c}{w}_{\mathrm{dj}}/1.1,(j\≠q,p_j\∈Z_d,p_q\∈Z_d)\\ 1-\underset{l}{\overset{n-1}{\mathrm{\Σ}}}{w}_{\mathrm{dl}}^{\′},(j=q,l\≠q,p_l\∈Z_d,p_q\∈Z_d)\end{array}\right.$

其中w_dj是原始的可信度值，w′_dj是归一化后新的可信度值，w′_dq是归一化后正在处理的库所p_d到可信度最高值对应的库所p_q的可信度值，是除了w′_dq之外的n-1项新可信度值的和；

正在处理的库所p_d处理完毕，如果正在处理的库所p_d不是叶子库所，那么判断正在处理的库所p_d与其下一层库所集合Z_d之间的变迁t的类型，如果该变迁t是与变迁，就对集合Z_d中原来托肯值为0的库所按照正在处理的库所p_d的处理方式进行递归处理；如果变迁t是或变迁，就把集合Z_d中原来可信度最高值对应的库所p_q按照正在处理的库所p_d的处理方式进行递归处理；

对子故障Petri网Σ_sub的所有库所递归处理完毕后，逆向推理结束；

步骤407：故障原因已经找到，进行主要故障原因和次要故障原因判断，根据子故障Petri网Σ_sub当前标识M_k从根库所开始自上而下递归拆分Petri网，假设正在处理的库所为p_d，判断正在处理的库所p_d的托肯数目，如果正在处理的库所p_d的托肯数目为0表示对应故障没有发生，移除以正在处理的库所p_d为根库所的子故障Petri网；如果正在处理的库所p_d的托肯数目为1表示故障发生，判断正在处理的库所p_d是否为叶子库所，如果不是，则按照正在处理的库所p_d的处理方法依次递归处理正在处理的库所p_d的下一层库所集合中的所有库所，正在处理的库所p_d处理结束；

子故障Petri网Σ_sub所有库所均处理完毕后，递归拆分Petri网完成，子故障Petri网Σ_sub被拆分后的剩余部分结构就是本次故障的故障传播路径，剩余部分结构中的库所如果在子故障Petri网Σ_sub中是叶子库所，那它就是本次故障的主要故障原因，被移除部分中的托肯数目为1的库所如果在子故障Petri网Σ_sub中是叶子库所，那它就是本次故障的次要故障原因；

步骤408：根据诊断结果给出故障路径传播图、主要故障原因、次要故障原因和故障维修专家指南，本次故障诊断结束。

上述技术方案中，根据船用电站故障Petri网模型进行故障诊断时必须首先确定进行故障征兆识别，虽然模型已经是经过属性约简后获取的最小化模型，但其故障单元所对应的故障征兆信息量仍旧较为大、且冗余征兆知识较多。为了能够快速准确地进行故障征兆识别，必须首先要使用改进的Apriori算法挖掘出故障征兆和故障单元间的强关联规则，即步骤201～步骤205中所描述的方法。

上述技术方案的步骤201～步骤205中所描述的使用Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法，其核心是基于两阶段频集思想的递推算法，但其最大的缺点是可能产生大量的候选集，制约了其在故障诊断中的应用，本发明将Apriori算法进行改进，规定了候选集元素的筛选规则和强关联规则的形式，确保每次递推都能排除所有不必要的元素，使得每次获得的候选集都是最小集合，最终获得的强关联规则都是从故障征兆特征量到故障单元的强关联规则，在保证算法效率的同时，有效地简化了数据的处理过程。

上述技术方案中，使用船用电站故障Petri网模型进行故障原因诊断使用的是故障Petri网的正向运行和逆向推理结合的方法。现有故障诊断系统容易出现故障原因漏判的情况，且不能区分主次故障原因，为了能够快速准确地进行故障诊断，最大程度上避免故障原因漏判，获取故障的主次故障原因和故障路径，必须使用故障Petri网的正向运行和逆向推理结合的方法，即步骤401～步骤408中所描述的方法。

上述技术方案的步骤401～步骤408中所描述的故障Petri网是一种用于故障诊断的Petri网，故障Petri网能够使用状态方程实现故障原因快速查找，但存在无法找到故障原因以及出现故障原因漏判的现象。本发明将设备部件的累积故障函数引入故障Petri网，并使用故障Petri网正向运行和逆向推理的方法进行故障原因查找，首先使用故障Petri网的正向运行进行故障原因查找，如果无法找到故障原因则使用逆向推理。在原因查找过程中根据情况分别更新部件的累积故障函数和故障之间的可信度，提高下一次诊断的准确性。最后根据故障Petri网的最终标识拆分故障Petri网，从而得到主要故障原因、次要故障原因和故障传播路径，并给出维修指导。

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 (2)

1.一种基于知识petri网的船用电站故障诊断方法，其特征在于，它包括如下步骤：

步骤1：在现有的船用电站故障Petri网模型Σ中获取船用电站各单元的实际故障与所对应的故障征兆的集合；

步骤2：对上述船用电站各单元的实际故障与所对应的故障征兆的集合通过以下步骤201～步骤205所述的改进的Apriori算法，进行强关联规则挖掘，即将船用电站各单元的故障征兆和实际故障间的强关联规则挖掘出来；

步骤201：设船用电站各单元的实际故障与所对应的故障征兆的集合为I＝{i₁,i₂,…,i_n}，设船用电站故障Petri网模型Σ中所有实际故障集合为I_F，设船用电站故障Petri网模型Σ中所有实际故障的故障征兆集合为I_N，且有I＝I_N+I_F，然后按照故障征兆不同的类型，将上述故障征兆集合I_N分为若干项故障征兆子集的组合，即设故障征兆类型共有m类，则有：

其中，I_Nj和I_Nl指的是I_N中的第j及第l类故障征兆子集，m为故障征兆类型的数目，也就是故障征兆子集的数目；

另外，设从船用电站故障Petri网模型Σ中获取的船用电站各单元的实际故障与所对应的故障征兆的所有对应记录为集合D，这些实际故障和故障征兆称为集合D的项，集合D内的每一个元素R都是一条故障征兆与实际故障的对应记录，元素R是一个同时包含若干个故障征兆和一个对应的实际故障的集合，并且这些若干个故障征兆是分别属于不同类的故障征兆子集的；上述船用电站各单元的实际故障与所对应的故障征兆的集合I为所述集合D的所有项的集合，集合D内的每一个元素R都是集合D的一个项集；

对于集合D中的元素R而言，由R中的若干元素组成的项集称为R的子项集，这些子项集也是D的项集；对于属于集合D的任意一个项集V有：

V＝{i_e,i_f,....,i_g,i_h}(i_e,i_f,....,i_g∈I_N,i_h∈I_F)

如果属于集合D的任意一个项集V有k个元素，那么称项集V为k项集(k≥1)；规定项集V必须满足的条件为：项集V的前k-1个元素i_e,i_f,....,i_g分别属于k-1个不同类的故障征兆子集，第k个元素i_h是一个实际故障；

项集V在集合D中的支持度是指项集V在集合D中出现的概率，即集合D中的元素包含项集V的概率，也就是说集合D中包含项集V的元素数量与集合D的元素数量的比值，即：

Support(V)＝P(V)

其中，Support(V)为项集V的支持度，P(V)为项集V在集合D中出现的概率，如果项集V满足：

Support(V)≥min_sup

其中min_sup为设定的最小支持度阈值；那么项集V是一个频繁项集，称为频繁k项集；

由项集V的所有元素组成的蕴含式{i_e,i_f,....,i_g}→{i_h}称为一条关联规则，即如果存在项集V的前k-1个元素{i_e,i_f,....,i_g}，那么也存在第k个元素{i_h}；显然集合和集合是项集V的子项集，也是集合D的项集；关联规则X→Y的支持度是指集合D中的记录同时包含X和Y的概率，也就是项集V的支持度，即：

Support(X→Y)＝Support(V)

关联规则X→Y的置信度为集合D中的记录如果包含所述集合X那么也包含所述集合Y的概率，也就是集合D中同时包含集合X和集合Y的元素数量与包含集合X的元素数量的比值，即：

Confidence(X→Y)＝P(Y/X)

其中Confidence(X→Y)是指关联规则的置信度，P(Y/X)是指Y关于X的条件概率；

如果所述关联规则X→Y满足：

$\left\{\begin{array}{c}\mathrm{Support}(X\→Y)\≥\min \_\sup \\ \mathrm{Confidence}(X\→Y)\≥\min \_\mathrm{conf}\end{array}\right.$

其中min_conf为设定的最小置信度阈值；那么称关联规则X→Y是强关联规则；

设集合L是集合D的所有频繁项集的集合；集合L_k是集合D的所有频繁k项集的集合；

步骤202：由集合D获取集合L₁的候选集合C₁，其中，集合L₁为频繁1项集的集合，候选集合C₁是集合D所有频繁1项集的集合；按照步骤201中频繁项集的定义筛选集合C₁中的元素，即对C₁中的任意一个元素r，如果满足Support(r)≥min_sup，就把r存入L₁，如果集合L₁为空集，即结束运行，否则设计数器k＝1；

步骤203：使用连接步获取集合L_k+1的候选集合C_k+1，连接步是指由L_k的元素进行自连接，自连接的规则是将集合L_k中具有相同前k-2项的元素两两组合，每一个组合在去除相同项后得到一个k+1项集，如果这个k+1项集是集合D的一个k+1项集而且没有在集合C_k+1出现过，就把这个k+1项集存入集合C_k+1，集合C_k+1的元素必须都不相同并且是集合D的k+1项集；

步骤204：使用剪枝步筛选集合C_k+1中的元素，剪枝步的规则是集合C_k+1保留的元素必须是步骤201中所定义的频繁项集，由集合C_k+1中的所有保留的元素组成集合L_k+1，将L_k+1加入到集合L中，即L＝L∪L_k+1；

步骤205：如果集合L_k+1不是空集，即则令计数器自增1，即k＝k+1，返回步骤203继续执行，否则对于集合L中的每一个元素按照步骤201中关联规则的定义产生关联规则，即对于集合L的任意一个元素v，假设v＝{i_a,i_b,....,i_c,i_d}(i_a,i_b,....,i_c∈I_N,i_d∈I_F)，那么关联规则就是{i_a,i_b,....,i_c}→{i_d}，并使用步骤201中的强关联规则的定义对关联规则{i_a,i_b,....,i_c}→{i_d}进行筛选，即如果 $\left\{\begin{array}{c}\mathrm{Support}\left(\right\{i_a,i_b,....,i_c\}\→\{i_d\left\}\right)\≥\min \_\sup \\ \mathrm{Confidence}\left(\right\{i_a,i_b,....,i_c\}\→\{i_d\left\}\right)\≥\min \_\mathrm{conf}\end{array}\right.,$ 那么{i_a,i_b,....,i_c}→{i_d}是一个强关联规则，保留该关联规则，所有强关联规则组成强关联规则集合；

步骤3：通过人机对话，用户输入故障征兆特征量和置信度，系统根据上述强关联规则集合使用模糊推理进行故障征兆识别以确定实际故障；

步骤4：以故障征兆识别确定的实际故障为根库所从船用电站故障Petri网模型Σ中抽取出子故障Petri网，使用故障Petri网正向运行和逆向推理的方法进行故障原因诊断，并根据诊断结果给出故障原因、故障路径图和相应的故障维修方法。

2.根据权利要求1所述的基于知识petri网的船用电站故障诊断方法，其特征在于：所述步骤4中，以故障征兆识别确定的实际故障为根库所从船用电站故障Petri网模型Σ中抽取出子故障Petri网通过以下步骤401～步骤408，使用故障Petri网正向运行和逆向推理的方法进行故障原因诊断，并根据诊断结果给出故障原因、故障路径图和相应的故障维修方法；

步骤401：船用电站故障Petri网模型Σ是一个自下而上的分层的Petri网，对于船用电站故障Petri网模型Σ中的库所p_a，规定如果库所p_a是叶子库所，则库所p_a包含了对应部件的累积故障时间函数f_a(τ)和失效阈值λ_a；如果在τ时刻，f_a(τ)≥λ_a则表示船用电站的部件在τ时刻发生了故障，库所p_a产生一个托肯；

步骤402：以步骤3中故障征兆识别所确定的实际故障所对应的库所p₀为根库所从船用电站故障Petri网模型Σ中抽取出子故障Petri网Σ_sub作为本次诊断用的故障Petri网，设故障发生的时间点为t₀；

步骤403：计算子故障Petri网Σ_sub的初始状态标识M₀，根据故障发送的时间点t₀和叶子库所的累积故障分布函数，计算Σ_sub中所有叶子库所的托肯数目，其它非叶子库所的托肯数为0，令计数器k＝0；

步骤404：判断子故障Petri网Σ_sub的当前状态标识M_k中根库所p₀的托肯数，如果为1则表示故障已经传播到根库所p₀，故障原因找到，更新状态标识M_k中所有托肯数为1的叶子库所的累积故障分布函数，本系统设定如果上一次对该叶子库所进行累积故障分布函数更新时该叶子库所对应的实际故障共发生了x次，那么当该实际故障总共发生次数达到x的1.2倍时再次对累积故障分布函数进行更新，更新方法是使用统计学知识人工调整，转到步骤407；如果托肯数为0则表示故障原因未找到，根据当前状态标识M_k求点火序列U_k，进入步骤405；

步骤405：如果根据当前状态标识求的点火序列U_k存在则计算子故障Petri网Σ_sub下一个标识M_k+1，计算公式为现有的故障Petri网状态方程其中C是关联矩阵，运算符的运算规则是：对于两个m×n的矩阵E和矩阵F，有G_ij＝max(E_ij,F_ij)(1≤i≤m,1≤j≤n)，即G中的元素是矩阵E和矩阵F中相同位置的元素中的较大者；计数器k自增1；转到步骤404继续运行；如果根据当前状态标识求的点火序列U_k不存在，则需要根据可信度进行逆向推理，进入步骤406；

步骤406：根据可信度进行逆向推理查找故障原因，对于子故障Petri网Σ_sub中的库所p_b和其下一层库所中的某个库所p_c，规定可信度w_bc指的是库所p_b对应的实际故障发生是由库所p_c对应的实际故障发生所引起的概率；

托肯数为1的叶子库所表示对应的实际故障发生，按照步骤404中的更新方法进行累积故障分布函数更新；

将根库所p₀的托肯数设为1，从根库所p₀开始自上向下递归处理子故障Petri网的每一层库所；

假设正在处理的库所为p_d，判断正在处理的库所p_d的托肯数目，如果正在处理的库所p_d的托肯数目为0表示对应故障没有发生，正在处理的库所p_d处理完毕；如果正在处理的库所p_d的托肯数目为1则表示对应实际故障发生，如果p_d是叶子库所则按照步骤404中的更新方法进行累积故障分布函数更新；如果不是叶子库所则判断正在处理的库所p_d与正在处理的库所p_d下一层库所集合Z_d之间的变迁t的类型；

如果t是与变迁，那么集合Z_d中托肯数目为1的库所表示故障已经传递到该库所，无需对其进行递归处理；将为0的库所的托肯数目设为1；

如果t是或变迁，则找出集合Z_d中可信度最高值对应的库所p_q，将其托肯数目设为1，将正在处理的库所p_d到可信度最高值对应的库所p_q的可信度值w_dq加0.1，即w_dq＝w_dq+0.1，对集合Z_d中所有库所的可信度归一化处理，设集合Z_d有n个库所，则归一化公式为：

$w_{\mathrm{dj}}^{\′}=\left\{\begin{array}{c}{w}_{\mathrm{dj}}/1.1,(j\≠q,p_j\∈Z_d,p_q\∈Z_d)\\ 1-\underset{l}{\overset{n-1}{\mathrm{\Σ}}}{w}_{\mathrm{dl}}^{\′},(j=q,l\≠q,p_l\∈Z_d,p_q\∈Z_d)\end{array}\right.$

其中w_dj是原始的可信度值，w′_dj是归一化后新的可信度值，w′_dq是归一化后正在处理的库所p_d到可信度最高值对应的库所p_q的可信度值，是除了w′_dq之外的n-1项新可信度值的和；

正在处理的库所p_d处理完毕，如果正在处理的库所p_d不是叶子库所，那么判断正在处理的库所p_d与其下一层库所集合Z_d之间的变迁t的类型，如果该变迁t是与变迁，就对集合Z_d中原来托肯值为0的库所按照正在处理的库所p_d的处理方式进行递归处理；如果变迁t是或变迁，就把集合Z_d中原来可信度最高值对应的库所p_q按照正在处理的库所p_d的处理方式进行递归处理；

对子故障Petri网Σ_sub的所有库所递归处理完毕后，逆向推理结束；

步骤407：故障原因已经找到，进行主要故障原因和次要故障原因判断，根据子故障Petri网Σ_sub当前标识M_k从根库所开始自上而下递归拆分Petri网，假设正在处理的库所为p_d，判断正在处理的库所p_d的托肯数目，如果正在处理的库所p_d的托肯数目为0表示对应故障没有发生，移除以正在处理的库所p_d为根库所的子故障Petri网；如果正在处理的库所p_d的托肯数目为1表示故障发生，判断正在处理的库所p_d是否为叶子库所，如果不是，则按照正在处理的库所p_d的处理方法依次递归处理正在处理的库所p_d的下一层库所集合中的所有库所，正在处理的库所p_d处理结束；

子故障Petri网Σ_sub所有库所均处理完毕后，递归拆分Petri网完成，子故障Petri网Σ_sub被拆分后的剩余部分结构就是本次故障的故障传播路径，剩余部分结构中的库所如果在子故障Petri网Σ_sub中是叶子库所，那它就是本次故障的主要故障原因，被移除部分中的托肯数目为1的库所如果在子故障Petri网Σ_sub中是叶子库所，那它就是本次故障的次要故障原因；

步骤408：根据诊断结果给出故障路径传播图、主要故障原因、次要故障原因和故障维修专家指南，本次故障诊断结束。