CN104808645A - 一种离散事件系统故障诊断方法 - Google Patents
一种离散事件系统故障诊断方法 Download PDFInfo
- Publication number
- CN104808645A CN104808645A CN201510093443.4A CN201510093443A CN104808645A CN 104808645 A CN104808645 A CN 104808645A CN 201510093443 A CN201510093443 A CN 201510093443A CN 104808645 A CN104808645 A CN 104808645A
- Authority
- CN
- China
- Prior art keywords
- event
- failure
- sequence
- events
- discrete
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明涉及一种离散事件系统故障诊断方法,该方法包括以下步骤:S1.建立故障系统模型,并从观察集获取系统各个元件的观察事件序列,根据各个元件的观察事件序列,通过故障系统模型,获取、记录与各个元件观察事件序列相关联的故障事件;S2.枚举各个元件关联故障事件可能的故障序列,应用剪枝规则,对各个元件可能的故障序列进行剪枝处理;S3.判断经过剪枝处理的故障序列是否与相应元件的观察事件序列相符,若相符则将此故障序列以及相应元件作为诊断结果进行输出。本发明提供的方法计算复杂度低,同时其诊断效率相对现有技术而言,得到较大的提高。
Description
技术领域
本发明涉及人工智能控制领域,更具体地,涉及一种离散事件系统故障诊断方法。
背景技术
离散事件系统,也称之为离散事件系统或离散事件动态系统。随着科学技术的发展,自动化水平的逐步提高,大型电网、通信网络、智能控制设备等都使用了庞大且复杂的离散事件系统。区别于传统的连续系统,离散事件系统的状态不随时间的变化而连续变化,而是在一些离散时间点上由于某种动作或者事件的驱动而发生变化。因此,它的数学模型往往很难用数学方程来表示。
然而离散事件系统的故障诊断是具有深刻意义的,一方面,现实的系统往往是动态运行的,动态系统经过量化后可以由离散事件系统近似地表示;另一方面,静态系统的故障诊断研究已经十分成熟,而离散事件系统的各个状态接近于静态系统,因此可以有效地利用静态系统的研究成果。
离散事件系统故障诊断的目的是根据系统模型以及可观察事件,对系统中即将发生的故障事件进行诊断。高效而准确地诊断系统发生的故障事件能够使技术人员及时发现并定位故障,帮助维护系统的安全。但是,在离散事件系统的故障诊断中,随着系统状态的增多,诊断空间的增长,导致计算复杂度增加,诊断效率较低。这是限制其广泛应用的一个重要因素。
针对离散事件系统的诊断方法主要包括以下三个步骤:(1)使用自动机等方法为系统建模,通过其内部联系刻画出系统的正常和故障行为;(2)利用传感器等工具监测系统,获得系统运行中发生的观测事件序列;(3)找出系统所有可能的行为轨迹,通过该轨迹得到系统的故障元件和故障原因。
在以上诊断方法的基础上,该领域的研究人员提出了各自的研究理论:
Reiter和de Kleer的方法是根据系统行为和观察集的理论,将与观察一致的(极小)故障部件集视为诊断。但是对于离散事件系统而言,系统的变化是由动作或者事件引起的,所以需要将动作和事件的发生作为系统的诊断。Sampath等人通过建立有限状态自动机模型和特征化诊断为可达分析问题来诊断离散事件系统。为了表示系统组件之间的交互关系,有些学者进一步提出了通讯自动机的概念,以更好地描述离散事件系统。之后Console等人又提出了利用进程代数进行建模诊断的方法,Aghasaryan等人介绍了特别适用于并发系统的Petri网建模方法。另一方面,离散事件系统可以利用人工智能的动作和变化理论进行诊断。McIlraith和Iwan提出使用演绎计划来生成诊断,而Baral等人建议使用逻辑编程和回答集编程。随着产生观察集策略的算法发展,离散动态系统诊断的研究得以持续。然而,要产生这样的诊断是相当消耗时间的。在Grastien和Rintanen发现诊断可以约简为寻找路径问题后,离散事件系统的诊断又引起了学者们的兴趣。另外,Grastien和Cordier在离散事件系统的在线诊断方面,还研究了增量诊断及可诊断性的问题。赵相福等也研究了离散事件系统诊断的在线诊断问题和不完备系统模型下的诊断问题。
发明内容
本发明为解决以上现有技术的缺陷,提供了一种离散事件系统故障诊断方法。该方法首先获取各个元件的观察事件序列,然后通过故障系统模型获取与各个元件观察事件序列关联的故障事件,再对关联故障事件的故障序列进行剪枝处理,在以上基础上,根据经过剪枝处理的故障序列,进行故障诊断。上述过程中,只利用关联度高的故障事件进行故障诊断,可将大部分故障事件排除在诊断之外,本方法的计算复杂度低,同时其诊断效率相对现有技术而言,得到较大的提高。
为实现以上发明目的,采用的技术方案是:
一种离散事件系统故障诊断方法,包括以下步骤:
S1.建立故障系统模型,并从观察集获取系统各个元件的观察事件序列,根据各个元件的观察事件序列,通过故障系统模型,获取、记录与各个元件观察事件序列相关联的故障事件;
S2.枚举各个元件关联故障事件可能的故障序列,应用剪枝规则,对各个元件可能的故障序列进行剪枝处理;
S3.判断经过剪枝处理的故障序列是否与相应元件的观察事件序列相符,若相符则将此故障序列以及相应元件作为诊断结果进行输出。
优选地,为了能够使诊断的结果更加的精确,步骤S2中,对与各个元件不关联的故障事件可能的故障序列进行枚举,同时应用剪枝规则,对不关联故障事件可能的故障序列进行剪枝处理。
优选地,为了能够获取关联度最高的故障事件进行下一步的处理,步骤S1中,需要对关联的故障事件进行一次或多次更新,所述更新具体如下:获取与各个元件观察事件序列相关联的故障事件之后,记录各个元件在一定时间间隔内产生的观察事件序列,并根据该观察事件序列,通过故障系统模型对关联的故障事件进行更新。
优选地,所述故障系统模型SD包括全局连接图G和元件状态自动机图∑A;
其中SD=G∪ΣA,G=ΣComps∪ΣConnect,ΣComps为元件的集合,ΣConnect为各个元件之间的连接关系集合,ΣA={Ai,i∈ΣComps},Ai为元件状态自动机,即ΣA为所有元件状态自动机集合。
优选地,元件状态自动机由一个四元组(Qi,Ei,Ti,q0i)表示,其中Qi为元件状态集合,Ei为元件事件集合,Ti为变迁集合,Qi,q0i为初始状态。
优选地,所述元件事件集合Ei包括四个子集合Ni、Fi、Oi、Ci;
其中Ni为正常事件子集合,若事件ni∈Ni在元件上发生,元件改变它内部的状态;
Fi为故障事件子集合,若事件fi∈Fi在元件上发生,元件进入故障状态,故障标签为fi;
Oi为可观察事件子集合,若事件oi∈Oi在元件上发生,该事件可由系统检测得到;
Ci为通信事件子集合,若事件ci∈Ci在元件上发生,该事件至少会影响一个其他元件。
优选地,所述观察集为一个三元组序列(ci,ei,ti),其中ci为元件名称,ci∈ΣComps,ei为可观察事件,ei∈Oi,ti表示可观察事件ei发生的时间。
与现有技术相比,本发明的有益效果是:
本发明提供的方法首先获取各个元件的观察事件序列,然后通过故障系统模型获取与各个元件观察事件序列关联的故障事件,再对关联故障事件的故障序列进行剪枝处理,在以上基础上,根据经过剪枝处理的故障序列,进行故障诊断。上述过程中,只利用与元件观察事件序列关联的故障事件进行故障诊断,因此可将大部分故障事件排除在诊断之外,所以本方法的计算复杂度低,同时其诊断效率相对现有技术而言,得到较大的提高。
附图说明
图1为本发明提供方法的流程图。
图2为添加不关联故障事件后的流程图。
图3为窗口更新增量诊断方法的流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
本发明提供了一种离散事件系统故障诊断方法,如图1、2、3所示,该方法首先获取各个元件的观察事件序列,然后通过故障系统模型获取与各个元件观察事件序列关联的故障事件,再对关联故障事件的故障序列进行剪枝处理,在以上基础上,根据经过剪枝处理的故障序列,进行故障诊断。上述过程中,只利用与元件观察事件序列关联的故障事件进行故障诊断,因此可将大部分故障事件排除在诊断之外,所以本方法的计算复杂度低,同时其诊断效率相对现有技术而言,得到较大的提高。
其采用的技术方案如下:
S1.建立故障系统模型,并从观察集获取系统各个元件的观察事件序列,根据各个元件的观察事件序列,通过故障系统模型,寻找相应路径,从而获取、记录与各个元件观察事件序列相关联的故障事件;
S2.枚举各个元件关联故障事件可能的故障序列,应用剪枝规则,对各个元件可能的故障序列进行剪枝处理;
S3.判断经过剪枝处理的故障序列是否与相应元件的观察事件序列相符,若相符则将此故障序列以及相应元件作为诊断结果进行输出。
上述方案中的诊断结果是根据关联故障事件得到的,关联故障事件只占全部故障事件的一部分,因此将该诊断结果称之为极小诊断结果。
同时,在求解关联故障事件的时候,可以应用窗口更新增量诊断方法对关联故障事件进行更新,以获得关联度更高的故障事件进行下一步处理。其具体的技术方案如下:使用迭代法对关联故障事件进行更新,假设经过前(j-1)次迭代,获取的与元件观察事件序列相关联的故障事件集合为μ,其中μ包含故障事件M,则在一定事件间隔内,再进行第j次迭代时,诊断窗口λ内新产生的观察事件序列为obsj=[o1,...,oj],根据该观察事件序列,通过故障系统模型获得故障事件的更新ωj,则应用ωj对故障事件M进行更新。具体如下:
而对集合为μ的更新具体如下:
上述方案中,迭代的次数可为一次或多次,具体数量可按照需求进行设定。
为了能够使诊断的结果更加的精确,步骤S2中,对与各个元件不关联的故障事件可能的故障序列进行枚举,同时应用剪枝规则,对不关联故障事件可能的故障序列进行剪枝处理。
本实施例中,考虑到实际应用的离散事件系统较多都是复杂而又庞大的系统,系统中的元件有一定的连接关系,并且各个元件都有自己的状态变迁。虽然有一些自动机合并技术可以获得系统整体的自动机图,但是这样合并的开销却是非常庞大的。所以为了避免这些开销并且更好地说明关联性动态诊断和窗口更新增量诊断方法,故障系统模型SD包括全局连接图G和元件状态自动机图∑A;全局连接图为一系统邻接表,在建立故障系统模型的时候,需要输入系统连接表和元件状态自动机图。
其中SD=G∪ΣA,G=ΣComps∪ΣConnect,ΣComps为元件的集合,ΣConnect为各个元件之间的连接关系集合,ΣA={Ai,i∈ΣComps},Ai为元件状态自动机,即ΣA为所有元件状态自动机集合。其中,元件状态自动机由一个四元组(Qi,Ei,Ti,q0i)表示,其中Qi为元件状态集合,Ei为元件事件集合,Ti为变迁集合,Qi,q0i为初始状态。
上述方案中所述元件事件集合Ei包括四个子集合Ni、Fi、Oi、Ci;
其中Ni为正常事件子集合,若事件ni∈Ni在元件上发生,元件改变它内部的状态;
Fi为故障事件子集合,若事件fi∈Fi在元件上发生,元件进入故障状态,故障标签为fi;
Oi为可观察事件子集合,若事件oi∈Oi在元件上发生,该事件可由系统检测得到;
Ci为通信事件子集合,若事件ci∈Ci在元件上发生,该事件至少会影响一个其他元件。
本实施例中,观察集为一个三元组序列(ci,ei,ti),其中ci为元件名称,ci∈ΣComps,ei为可观察事件,ei∈Oi,ti表示可观察事件ei发生的时间。
本发明提供的方法首先获取各个元件的观察事件序列,然后通过故障系统模型获取与各个元件观察事件序列关联的故障事件,再对关联故障事件的故障序列进行剪枝处理,在以上基础上,根据经过剪枝处理的故障序列,进行故障诊断。上述过程中,只利用与元件观察事件序列关联的故障事件进行故障诊断,因此可将大部分故障事件排除在诊断之外,所以本方法的计算复杂度低,同时其诊断效率相对现有技术而言,得到较大的提高。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种离散事件系统故障诊断方法,其特征在于:包括以下步骤:
S1.建立故障系统模型,并从观察集获取系统各个元件的观察事件序列,根据各个元件的观察事件序列,通过故障系统模型,获取、记录与各个元件观察事件序列相关联的故障事件;
S2.枚举各个元件关联故障事件可能的故障序列,应用剪枝规则,对各个元件可能的故障序列进行剪枝处理;
S3.判断经过剪枝处理的故障序列是否与相应元件的观察事件序列相符,若相符则将此故障序列以及相应元件作为诊断结果进行输出。
2.根据权利要求1所述的离散事件系统故障诊断方法,其特征在于:步骤S1中,需要对关联的故障事件进行一次或多次更新,所述更新具体如下:获取与各个元件观察事件序列相关联的故障事件之后,记录各个元件在一定时间间隔内产生的观察事件序列,并根据该观察事件序列,通过故障系统模型对关联的故障事件进行更新。
3.根据权利要求1或2所述的离散事件系统故障诊断方法,其特征在于:步骤S2中,对与各个元件不关联的故障事件可能的故障序列进行枚举,同时应用剪枝规则,对不关联故障事件可能的故障序列进行剪枝处理。
4.根据权利要求1所述的离散事件系统故障诊断方法,其特征在于:所述故障系统模型SD包括全局连接图G和元件状态自动机图ΣA;
其中SD=G∪ΣA,G=ΣComps∪ΣConnect,ΣComps为元件的集合,ΣConnect为各个元件之间的连接关系集合,ΣA={Ai,i∈ΣComps},Ai为元件状态自动机,即ΣA为所有元件状态自动机集合。
5.根据权利要求4所述的离散事件系统故障诊断方法,其特征在于:元件状态自动机由一个四元组(Qi,Ei,Ti,q0i)表示,其中Qi为元件状态集合,Ei为元件事件集合,Ti为变迁集合,q0i为初始状态。
6.根据权利要求5所述的离散事件系统故障诊断方法,其特征在于:所述元件事件集合Ei包括四个子集合Ni、Fi、Oi、Ci;
其中Ni为正常事件子集合,若事件ni∈Ni在元件上发生,元件改变它内部的状态;
Fi为故障事件子集合,若事件fi∈Fi在元件上发生,元件进入故障状态,故障标签为fi;
Oi为可观察事件子集合,若事件oi∈Oi在元件上发生,该事件可由系统检测得到;
Ci为通信事件子集合,若事件ci∈Ci在元件上发生,该事件至少会影响一个其他元件。
7.根据权利要求6所述的离散事件系统故障诊断方法,其特征在于:所述观察集为一个三元组序列(ci,ei,ti),其中ci为元件名称,ci∈ΣComps,ei为可观察事件,ei∈Oi,ti表示可观察事件ei发生的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510093443.4A CN104808645A (zh) | 2015-03-02 | 2015-03-02 | 一种离散事件系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510093443.4A CN104808645A (zh) | 2015-03-02 | 2015-03-02 | 一种离散事件系统故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104808645A true CN104808645A (zh) | 2015-07-29 |
Family
ID=53693564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510093443.4A Pending CN104808645A (zh) | 2015-03-02 | 2015-03-02 | 一种离散事件系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104808645A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509483A (zh) * | 2018-01-31 | 2018-09-07 | 北京化工大学 | 基于知识图谱的机械故障诊断知识库构建方法 |
CN108899904A (zh) * | 2018-08-30 | 2018-11-27 | 山东大学 | 一种交直流大电网连锁故障快速搜索方法及系统 |
CN109002031A (zh) * | 2018-06-26 | 2018-12-14 | 卡斯柯信号有限公司 | 一种应用于监测系统设备故障诊断及智能预警的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070260390A1 (en) * | 2006-05-04 | 2007-11-08 | Honeywell International Inc. | System and method for turbine engine fault detection using discrete event system modeling |
CN101710359A (zh) * | 2009-11-03 | 2010-05-19 | 中国科学院计算技术研究所 | 一种故障诊断系统及方法 |
CN103871003A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 一种应用历史故障数据的配电网故障诊断方法 |
-
2015
- 2015-03-02 CN CN201510093443.4A patent/CN104808645A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070260390A1 (en) * | 2006-05-04 | 2007-11-08 | Honeywell International Inc. | System and method for turbine engine fault detection using discrete event system modeling |
CN101710359A (zh) * | 2009-11-03 | 2010-05-19 | 中国科学院计算技术研究所 | 一种故障诊断系统及方法 |
CN103871003A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 一种应用历史故障数据的配电网故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
李占山: "基于时序的离散时间系统的可诊断性", 《计算机科学》 * |
王晓宇等: "离散时间系统的同步诊断算法", 《计算机科学》 * |
陈卫: "离散事件系统关联性动态诊断的研究与实现", 《中国优秀硕士论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509483A (zh) * | 2018-01-31 | 2018-09-07 | 北京化工大学 | 基于知识图谱的机械故障诊断知识库构建方法 |
CN109002031A (zh) * | 2018-06-26 | 2018-12-14 | 卡斯柯信号有限公司 | 一种应用于监测系统设备故障诊断及智能预警的方法 |
WO2020001077A1 (zh) * | 2018-06-26 | 2020-01-02 | 卡斯柯信号有限公司 | 一种应用于监测系统设备故障诊断及智能预警的方法 |
US11809269B2 (en) | 2018-06-26 | 2023-11-07 | Casco Signal Co., Ltd. | Fault diagnosis and intelligent warning method for monitoring system device |
CN108899904A (zh) * | 2018-08-30 | 2018-11-27 | 山东大学 | 一种交直流大电网连锁故障快速搜索方法及系统 |
CN108899904B (zh) * | 2018-08-30 | 2021-04-30 | 山东大学 | 一种交直流大电网连锁故障快速搜索方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104597892B (zh) | 一种用于电子信息装备层次化故障诊断方法 | |
Zhou et al. | Review on testing of cyber physical systems: Methods and testbeds | |
AU2002248549B2 (en) | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking | |
CN102208028B (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
CN103064008B (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN101907868B (zh) | 牵引供电系统智能故障诊断方法及其系统 | |
CN109829468A (zh) | 基于贝叶斯网络的民机复杂系统故障诊断方法 | |
CN107168281B (zh) | 基于有限时间观测器的多智能体系统故障诊断方法 | |
CN109657789A (zh) | 基于小波神经网络的风机齿轮箱故障趋势预测方法 | |
US20210397950A1 (en) | Abnormal driving state determination device and method using neural network model | |
CN103529830A (zh) | 一种基于有限频域飞行控制系统渐变故障的诊断设计方法 | |
CN106056273A (zh) | 一种基于故障树的冗余电动泵本体失效可靠性监测方法 | |
CN104808645A (zh) | 一种离散事件系统故障诊断方法 | |
CN105975797A (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
CN116756909A (zh) | 一种基于数据模型及机理模型的火电厂预警诊断系统 | |
CN110361609A (zh) | 特高压设备监测系统及方法 | |
CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
Poll et al. | Evaluation, selection, and application of model-based diagnosis tools and approaches | |
CN116451016A (zh) | 一种卫星智能化故障系统诊断评估的方法 | |
Zeng et al. | Research on indexes and verification technology of airborne PHM system | |
WO2022162060A1 (de) | Big-data für fehlererkennung in batteriesystemen | |
CN104991547B (zh) | 一种实际故障征兆数据驱动的多重故障诊断方法 | |
Maier et al. | Automated generation of timing models in distributed production plants | |
CN112214912A (zh) | 一种外部自动测试系统及机载设备测试方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150729 |