CN107656518A - 一种系统故障推理方法 - Google Patents
一种系统故障推理方法 Download PDFInfo
- Publication number
- CN107656518A CN107656518A CN201710852625.4A CN201710852625A CN107656518A CN 107656518 A CN107656518 A CN 107656518A CN 201710852625 A CN201710852625 A CN 201710852625A CN 107656518 A CN107656518 A CN 107656518A
- Authority
- CN
- China
- Prior art keywords
- diagnosed
- fault
- failure
- matrix
- testability
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明涉及一种故障推理方法,涉及航空故障测试技术领域,其基于故障诊断专家系统及多信号流图测试性模型,具体包括:对被诊断系统在单一状态参数下进行故障判断,以二属性值辨识判断结果,最终形成被诊断系统的状态矩阵;对被诊断系统进行测试性建模,得到被诊断系统的故障模式与被诊断系统状态的相关性矩阵;对上述被诊断系统的状态矩阵及相关性矩阵进行运算,得到被诊断系统的诊断结果。本发明的系统故障推理方法在系统故障推理过程中,具有速度快、精度高等优点。
Description
技术领域
本发明属于航空故障测试技术领域,尤其涉及一种系统故障推理方法。
背景技术
大型复杂装备系统作为机、电、液、气和控制混合的复杂交联系统,部件多、类型杂,单一零部件的故障会造成系统多处异常或功能降级,故障现象极具迷惑性,不容易判断故障源部件。当两个及更多零部件发生故障时,故障现象更为复杂,故障检测隔离变得更为棘手;尤其在系统具有余度配置、功能备份和重构能力时,或者由多个子系统的复杂交联共同完成功能的情况下,故障可能仅仅触发系统的局部功能异常,也可能引发整个系统的状态变化,此时故障在线检测、快速诊断和隔离定位就变得十分重要,而对于大型复杂系统,故障检测也尤为复杂和困难,故障定位时间难以确定。
而针对上述的故障检测问题,现有技术多采用故障推理技术,故障推理技术能够根据系统状态参数,对故障进行即时诊断和定位,向相关人员发出告警,提供可靠的决策依据,并为事后维修提供基础数据,其应用较多的是基于规则的故障诊断专家系统。
故障诊断专家系统(如图1所示)主要包括知识库、推理机和逻辑控制程序。其中,知识库用于存放被诊断系统的诊断规则,及被诊断对象状态监测点的数据、信息和异常判据等事实;推理机是专家系统的核心,完成故障推理功能和对推理过程的控制,推理的实质是搜索知识库,将事实和规则按一定条件进行匹配的一个过程。为了减少搜索匹配时间、提高推理速度,推理机可以采用多算法实现,如马尔可夫算法、Rete算法等。但这个搜索匹配过程视故障类型、是否已录入知识库、是否需要二次人机交互而具有不确定性,因而故障诊断专家系统难以实现快速的在线、实时故障诊断。
故障诊断专家系统的关键环节是建立知识库,无论使用哪种方法,被诊断系统的故障规则都离不开熟知被诊断系统工作的设计人员,即真正的相关领域专家。初始创建及维护知识库时,领域专家需要通过人机接口对知识库进行相应的管理操作,为推理机进行故障诊断提供足够的系统故障“知识”,在大型复杂系统面前,受个人思维、脑力和技术水平限制,在短时间很难建立健全的诊断规则。一旦故障诊断专家系统方案调整,诊断规则需要重新分析和整理,技术开发过程不稳定、适应性差。而且在故障诊断过程中,推理机还需要根据诊断的程度,决定是否向用户索取新的诊断征兆信息,诊断过程需要人机交互,不易实现故障在线检测和诊断。
发明内容
本发明的目的是提供一种系统故障推理方法,用于解决目前系统故障推理中或是建模时间长、或是推理结果不准等问题。
为实现上述目的,本发明的一种故障推理方法,基于故障诊断专家系统及多信号流图测试性模型,其包括:
对被诊断系统在单一状态参数下进行故障判断,以二属性值辨识判断结果,最终形成被诊断系统的状态矩阵;
对被诊断系统进行测试性建模,得到被诊断系统的故障模式与被诊断系统状态的相关性矩阵;
对上述被诊断系统的状态矩阵及相关性矩阵进行运算,得到被诊断系统的诊断结果。
进一步的,所述状态参数包括电压信号、电流信号、温度信号、压力信号和频率信号。
进一步的,所述二属性值为“正常”或“失效”,对应的数值表述为1/0。
进一步的,基于多信号流图测试性建模过程为:
第一:建立系统测试节点,所述系统测试节点包括若干个;
第二:通过有向线段将所述系统测试节点链接形成测试性模型。
进一步的,所述系统测试节点包括系统组成单元及系统相关测试指标。
进一步的,所述有向线段表示系统功能信号流向和/或系统组成单元之间关系。
进一步的,所述调整包括调整系统组成单元的零件类型、数量、测试点。
进一步的,所述系统测试节点能够接收若干条有向线段,以及所述系统测试节点能够发送若干条有向线段。
本发明的系统故障推理方法相比当前应用较多的故障诊断专家系统推理技术,综合故障诊断推理技术具有如下优点:
1)无需向专家系统那样,建立与系统各个故障向对应的诊断规则,避免了建立规则库的一系列技术难题,也就避免了搜索规则库的过程和相应算法开发;
2)运用了多信号流图建立的系统测试性模型,首先基于多信号流图建模具有等有点,而且该测试性模型能够通过工具软件生成的相关性矩阵,更适于计算机处理,整个推理机也具有了测试性模型对应的快速、灵活等优点,能够快速调整,适应系统方案变化,为面对复杂大系统的故障诊断技术研究人员提供了便捷、有效的方法;
3)测试性模型是系统测试性设计与分析的伴随产物,也是系统传感器布局优化的工具之一,综合运用测试性模型,形成技术互通和融合,强化了系统整体的技术重用和研发效率。
附图说明
图1为现有技术的故障诊断专家系统示意图。
图2为本发明实施例的基于多信号流图生成的故障现象诊断树。
图3为本发明的基于故障诊断专家系统和多信号流图测试性建模的流程图。
图4为本发明实施例的供电系统发电机测试性建模示意。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。
本发明提出了一种系统故障推理方法综合运用了故障诊断专家系统和基于多信号流图测试性模型,其面向大型复杂系统,能够实现在线故障监测诊断,并能够快速建立故障诊断系统,具体技术方案为:
利用专家系统知识库技术,对系统各个单一状态参数进行判断,建立轻量化的系统故障知识库,辨识系统当前的健康状态,并用“正常/失效”二值属性来标识辨识结果,最终形成系统状态矩阵;通过系统测试性建模,得到系统故障模式与系统状态测试的相关性矩阵,作为系统测试性嵌入式模型;通过计算机对系统状态矩阵和系统测试性嵌入式模型,进行矩阵运算,得出系统故障诊断结果。
在本发明的上述技术方案中,故障诊断专家系统所使用的知识库,仅是对单个系统状态信号的辨识判断,状态信号如某电压信号、某电流信号、某温度信号、某压力信号,不涉及复杂的系统功能分析,无需领域专家,系统设计人员即可完成,是轻量化的系统故障知识库。故障诊断推理过程中,无需建立与特定故障相匹配的诊断规则,无需搜索知识库进行故障匹配,故障诊断过程与故障的复杂程度和知识库的规模无关,只与系统状态参数数量和嵌入式相关性矩阵的规模有关。系统的嵌入式测试性模型是0/1数值化的数学矩阵,是系统测试性设计与分析的附属产物,便于计算机处理,同系统状态矩阵进行矩阵运算时,处理速度快,无需事后分析,无需再次人机交互提供诊断依据、确认故障分支,因而,系统故障诊断过程确定、快速,可实现系统的故障在线监测和实时故障诊断。
在本发明中基于测试性模型的故障诊断推理机,利用多信号流图的优势进行测试建模后,为了使用计算机处理相关性矩阵进行实时故障推理,则需首先获得用正常/失效两个状态来标识的系统当前健康状态。因而采用了故障诊断专家系统推理技术中的知识库,作为基于测试性模型的诊断推理机的输入,在通过测试性模型对应的相关性矩阵的计算机运算处理,能够快速进行诊断推理,与系统测试性分析结果相对应,确定故障、正常和被怀疑的部件组,快速、准确的确定故障源,形成低虚警率的形成综合故障诊断推理系统。
本发明中采用的故障诊断专家系统原理参见图1所示,本发明中采用的基于多信号流图生成的故障现象诊断树模型参见图2所示。
上述故障诊断推理过程示意如图3所示。
以某供电系统故障诊断为例建立系统测试模型如图4所示。
模型对应的相关性矩阵,可作为故障诊断推理软件使用的嵌入式系统测试性模型,相关性矩阵见下表1。
表1供电系统测试性模型对应的相关性矩阵
则系统相关性矩阵
梳理各个单一状态信号的故障/正常判据,形成系统的轻量化知识库如下表2:
表2故障/正常判据系统的轻量化知识库
在供电系统某个状态下,监测到发电机相关参数如下表3:
表3发电机参数
序号 | 信号名称 | 信号监测值 | 诊断结果 |
1 | 永磁机输出电压 | 28.1V | 正常,0 |
2 | 发电机输出电压 | 114.9V | 正常,0 |
3 | 发电机输出电流 | 210.0A | 故障,1 |
4 | 发电机输出频率 | 399.5Hz | 正常,0 |
按照知识库对系统状态参数进行辨识判断,则得到系统状态矩阵如下:
系统状态矩阵
通过系统的相关性矩阵Da和状态Ds进行运算,诊断推理结果矩阵:
诊断推理结果矩阵Dr为与相关性Da行数相同的列向量,考察Dr的每个元素ri(i=1.2.3...n,n为相关性矩阵行数,即系统的故障模式数量)
1)若ri为0,则相关性Da第i行对应的“故障模式i”没有发生,系统当前的故障状态与故障模式i无关(本实施例中i=1,若r1=0,则“永磁机输出电压超标”没有发生);
2)若ri不为0,则相关性Da第i行对应的“故障模式”可能发生,系统当前的故障状态可能由故障模式i引起;但故障模式i并不一定造成系统故障的唯一故障模式(本实施例中,只有r4=1,即i=4,“发电机输出电流超标”是系统当前唯一的故障模式);
3)ri大于0的元素中,若元素的值与状态矩阵的秩相等,则该故障模式是引起系统故障;
4)ri大于0的元素中,值相等的元素被确定为故障模糊组,通过当前的相关性矩阵和状态矩阵,不能唯一确定系统故障是由哪个故障模式造成的;可以此作为故障排出隔离依据,开展故障排出确定工作。
本实施例中,通过上述判断方法最终可确定故障为“发电机输出电流超标”;在其它系统故障发生时,状态辨识与故障诊断推理过程类似。
本发明的系统故障推理方法仅需被诊断系统在单一系统状态信号的故障判据,无需领域专家完成全被测系统的故障关联分析,此工作可视为专家系统初级工作;将测试性模型对应的系统相关性矩阵,作为实时系统在线故障诊断所能够使用的系统测试性模型,通过综合运用基于规则的专家系统和基于多信号流图的故障诊断推理技术,形成适用于复杂系统新型在线实时故障诊断推理技术,兼具两种技术的优点,不需要领域专家来进行知识库的建立和维护这里繁杂的工作,能够快速建立大型复杂系统的故障诊断系统,成为故障预测及健康管理PHM的重要支撑技术。
在系统方案调整时,无需像专家系统一样,由领域专家耗时、费力重新分析系统故障关联性、整理知识库;采用多信号流图进行建模时,故障模式与测试点的相关关系可通过建模软件快速导出成为相关性矩阵,再将模型中测试点相关的信号量经过异常推理判断后,用“正常/失效”来标识,组成系统当前健康状态,通过与相关性矩阵一同矩阵运算,进行实时故障诊断推理,获得与系统测试性分析结果相对应的诊断结果,确定故障、正常和被怀疑的部件组,从而形成实时故障诊断系统。基于测试性模型的诊断推理技术优势在于,矩阵运算可由计算机完成,形成实时故障诊断,但需要先期获得“正常/失效”标识的系统健康状态,这需要对信号逐一确定判断准则,并不是计算机处理的强项。
本发明的系统故障推理方法相比当前应用较多的故障诊断专家系统推理技术,综合故障诊断推理技术具有如下优点:
1)无需向专家系统那样,建立与系统各个故障向对应的诊断规则,避免了建立规则库的一系列技术难题,也就避免了搜索规则库的过程和相应算法开发;
2)运用了多信号流图建立的系统测试性模型,首先基于多信号流图建模具有等有点,而且该测试性模型能够通过工具软件生成的相关性矩阵,更适于计算机处理,整个推理机也具有了测试性模型对应的快速、灵活等优点,能够快速调整,适应系统方案变化,为面对复杂大系统的故障诊断技术研究人员提供了便捷、有效的方法。
3)测试性模型是系统测试性设计与分析的伴随产物,也是系统传感器布局优化的工具之一,综合运用测试性模型,形成技术互通和融合,强化了系统整体的技术重用和研发效率。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种故障推理方法,其特征在于,所述故障诊断推理方法基于故障诊断专家系统及多信号流图测试性模型,其包括:
对被诊断系统在单一状态参数下进行故障判断,以二属性值辨识判断结果,最终形成被诊断系统的状态矩阵;
对被诊断系统进行测试性建模,得到被诊断系统的故障模式与被诊断系统状态的相关性矩阵;
对上述被诊断系统的状态矩阵及相关性矩阵进行运算,得到被诊断系统的诊断结果。
2.根据权利要求1所述的系统故障推理方法,其特征在于,所述状态参数包括电压信号、电流信号、温度信号、压力信号和频率信号。
3.根据权利要求1所述的系统故障推理方法,其特征在于,所述二属性值为“正常”或“失效”,对应的数值表述为1/0。
4.根据权利要求1所述的系统故障推理方法,其特征在于,基于多信号流图测试性建模过程为:
第一:建立系统测试节点,所述系统测试节点包括若干个;
第二:通过有向线段将所述系统测试节点链接形成测试性模型。
5.根据权利要求4所述的基于测试性建模和分析的传感器优化布局方法,其特征在于,所述系统测试节点包括系统组成单元及系统相关测试指标。
6.根据权利要求4所述的故障推理方法,其特征在于,所述有向线段表示系统功能信号流向和/或系统组成单元之间关系。
7.根据权利要求5所述的故障推理方法,其特征在于,所述调整包括调整系统组成单元的零件类型、数量、测试点。
8.根据权利要求6所述的故障推理方法,其特征在于,所述系统测试节点能够接收若干条有向线段,以及所述系统测试节点能够发送若干条有向线段。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611087502 | 2016-11-30 | ||
CN2016110875028 | 2016-11-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107656518A true CN107656518A (zh) | 2018-02-02 |
Family
ID=61129699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710852625.4A Pending CN107656518A (zh) | 2016-11-30 | 2017-09-20 | 一种系统故障推理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107656518A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375608A (zh) * | 2018-10-12 | 2019-02-22 | 洛阳智能农业装备研究院有限公司 | 一种基于图模型的发动机故障诊断方法 |
CN109799803A (zh) * | 2018-12-11 | 2019-05-24 | 大连理工大学 | 一种基于lft的航空发动机传感器及执行机构故障诊断方法 |
CN111366391A (zh) * | 2020-03-31 | 2020-07-03 | 北京旋极信息技术股份有限公司 | 故障诊断方法及系统 |
WO2021218003A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理系统 |
CN113790876A (zh) * | 2021-08-25 | 2021-12-14 | 北京旋极信息技术股份有限公司 | 一种机械系统的机内测试方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008310745A (ja) * | 2007-06-18 | 2008-12-25 | Dainippon Screen Mfg Co Ltd | 画像処理装置、紙器作製システム、紙器の印刷用画像データ生成方法、およびプログラム |
CN102184291A (zh) * | 2011-05-06 | 2011-09-14 | 北京航空航天大学 | 一种针对全测试无反馈系统的系统级故障诊断方法 |
CN102818948A (zh) * | 2012-07-16 | 2012-12-12 | 北京航空航天大学 | 基于模糊故障诊断和相关性模型诊断的dr合成诊断方法 |
CN103927446A (zh) * | 2014-04-18 | 2014-07-16 | 北京航空航天大学 | 一种考虑亚健康状态和单入单出约束的产品故障诊断方法 |
CN104597892A (zh) * | 2014-12-16 | 2015-05-06 | 北京航天测控技术有限公司 | 一种用于电子信息装备层次化故障诊断方法 |
-
2017
- 2017-09-20 CN CN201710852625.4A patent/CN107656518A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008310745A (ja) * | 2007-06-18 | 2008-12-25 | Dainippon Screen Mfg Co Ltd | 画像処理装置、紙器作製システム、紙器の印刷用画像データ生成方法、およびプログラム |
CN102184291A (zh) * | 2011-05-06 | 2011-09-14 | 北京航空航天大学 | 一种针对全测试无反馈系统的系统级故障诊断方法 |
CN102818948A (zh) * | 2012-07-16 | 2012-12-12 | 北京航空航天大学 | 基于模糊故障诊断和相关性模型诊断的dr合成诊断方法 |
CN103927446A (zh) * | 2014-04-18 | 2014-07-16 | 北京航空航天大学 | 一种考虑亚健康状态和单入单出约束的产品故障诊断方法 |
CN104597892A (zh) * | 2014-12-16 | 2015-05-06 | 北京航天测控技术有限公司 | 一种用于电子信息装备层次化故障诊断方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375608A (zh) * | 2018-10-12 | 2019-02-22 | 洛阳智能农业装备研究院有限公司 | 一种基于图模型的发动机故障诊断方法 |
CN109799803A (zh) * | 2018-12-11 | 2019-05-24 | 大连理工大学 | 一种基于lft的航空发动机传感器及执行机构故障诊断方法 |
CN111366391A (zh) * | 2020-03-31 | 2020-07-03 | 北京旋极信息技术股份有限公司 | 故障诊断方法及系统 |
CN111366391B (zh) * | 2020-03-31 | 2022-06-14 | 北京旋极信息技术股份有限公司 | 故障诊断方法及系统 |
WO2021218003A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理系统 |
CN113790876A (zh) * | 2021-08-25 | 2021-12-14 | 北京旋极信息技术股份有限公司 | 一种机械系统的机内测试方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107656518A (zh) | 一种系统故障推理方法 | |
Cai et al. | Bayesian networks in fault diagnosis | |
Dash et al. | Challenges in the industrial applications of fault diagnostic systems | |
CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
CN101770219B (zh) | 一种车铣复合机床故障诊断知识库的知识获取方法 | |
JP5306902B2 (ja) | 資産システムの高性能条件監視のためのシステムおよび方法 | |
Huang et al. | A fault analysis method for three‐phase induction motors based on spiking neural P systems | |
CN108805359A (zh) | 一种故障预判方法及装置 | |
SE522545C2 (sv) | System, anordning och förfarande för diagnostisering av flödesprocesser | |
De Simone et al. | LSTM-based failure prediction for railway rolling stock equipment | |
CN104504248A (zh) | 一种基于设计数据分析的故障诊断建模方法 | |
CN102063119A (zh) | 一种基于点巡检数据和dcs在线数据的设备故障预测方法 | |
CN113626267B (zh) | 复杂电子系统不确定性故障诊断效能评估方法 | |
CN106679847A (zh) | 一种电力设备故障诊断方法及装置 | |
CN106802599A (zh) | 一种基于专家数据库的电力变压器故障诊断系统 | |
Carratù et al. | A novel methodology for unsupervised anomaly detection in industrial electrical systems | |
Ge et al. | Digital twin driven fault diagnosis method for subsea control system | |
M’halla et al. | Monitoring of a milk manufacturing workshop using chronicle and fault tree approaches | |
Kościelny et al. | A graph theory-based approach to the description of the process and the diagnostic system | |
McKenzie et al. | An integrated model-based approach for real-time on-line diagnosis of complex systems | |
Khan et al. | Outliers detection and repairing technique for measurement data in the distribution system | |
AU2020103327A4 (en) | IPMI- Advanced Grid Connected Systems: Intelligent Power Quality Monitoring and Improvement in Advanced Grid Connected Systems | |
Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm | |
Sparling | Transformer monitoring-moving forward from monitoring to diagnostics | |
Liu et al. | Research on interval triangular fuzzy multi-attribute fault diagnosis methods based on the grey relation grade |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180202 |
|
RJ01 | Rejection of invention patent application after publication |