CN109325293A - 一种基于相关性模型的多故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于相关性模型的多故障诊断方法。包括：系统相关性建模并获取故障‑测试相关性矩阵、约简相关性矩阵、生成多故障相关性矩阵、多故障诊断四大步骤。该方法首先对系统进行相关性建模并获取故障‑测试相关性矩阵；然后，根据系统测试结果对相关性矩阵进行约简；其次，对约简相关性矩阵中各故障特征向量进行“逻辑或”运算以获取多故障相关性矩阵；最后，基于多故障相关性矩阵进行故障诊断。本发明基于相关性模型和测试结果，可对系统进行多故障诊断。

Description

一种基于相关性模型的多故障诊断方法

技术领域

本发明属于测试与故障诊断技术领域，涉及一种基于相关性模型的多故障诊断方法。

背景技术

基于相关性模型的故障诊断主要分为并发诊断和序贯诊断这两种方式。并发诊断是一种传统的监控诊断方式，即先完成所有的测试再诊断，整个过程只需要测试、诊断一个周期来实现，它要求预先测量所有征兆或至少预先测量绝大部分征兆，这样才能得到正确的诊断结果，这种诊断方式比较适合于被测系统机内传感信息比较丰富的情形。序贯诊断是一种以“测试→诊断→再测试”循环过程为核心的测试与诊断方式，它适合于在原理性试验、样机研制等阶段的系统。

诊断策略优化设计中采用的是序贯诊断方式，即构造一个最优化的测试顺序，确保以最小的测试代价得到正确的诊断结果，也就是测试排序。诊断策略优化设计是一个典型的NP‐Complete问题，为了降低求解难度，目前的研究主要假设系统中只有单个故障发生、测试结果都是可靠的等，对于多故障诊断的研究还比较少。

并发诊断最典型的方法是已知组件的故障先验概率，根据系统测试结果求取各组件的故障后验概率，通过后验概率最大的准则确定故障组件。该方法不局限于单个故障假设，可用于多故障诊断，但该方法只搜索最优解，舍弃次优解，且容易陷入局部最优。

针对上述问题，有必要展开基于相关性模型的多故障诊断方法。

发明内容

针对序贯诊断和并发诊断方法在多故障诊断中的局限，本发明提供一种基于相关性模型的多故障诊断方法。首先利用现有相关性建模方法获取系统故障-测试相关性矩阵，然后根据系统测试结果对相关性矩阵进行约简，其次对约简相关性矩阵中各故障特征向量进行“逻辑或”运算以获取多故障相关性矩阵，最后，基于多故障相关性矩阵实现对系统的多故障诊断。

现将本发明方法的技术解决方案叙述如下：

本发明一种基于相关性模型的多故障诊断方法，具体包括以下4个步骤：

步骤1：利用现有相关性建模方法获取系统故障-测试相关性矩阵。

采用信息流或多信号流图等相关性模型对系统进行相关性建模。在此基础上，根据可达性算法可获取系统的相关性矩阵，其表达式如(1)式所示：

t₁ t₂ … t_n

式中，FT表示故障‐测试相关性矩阵，它是一个m×n的矩阵，行表示故障模式，列表示测试集；F＝{f₁,f₂,…,f_m}表示系统独立的故障状态集，用于表示系统的各种故障状态，其中f_i表示系统第i个故障的故障状态；T＝{t₁,t₂,…,t_n}表示系统可用测试的有限集，规定每个测试都是二值输出，而且测试结果都是可靠的。设P＝{p(f₀),p(f₁),…,p(f_m)}为各个故障状态独立发生的先验概率，其中p(f_i)表示仅有故障f_i发生的先验概率。矩阵元素ft_ij表示故障f_i与测试t_j之间的相关关系，ft_ij＝1表示故障f_i能被测试t_j检测到，ft_ij＝0表示故障f_i不能被测试t_j检测到。

步骤2：根据系统测试结果对相关性矩阵FT进行约简。

根据故障-测试相关性矩阵定义，可对系统故障和测试观测结果的关系进行分析：

当矩阵元素ft_ij＝1时，即故障f_i和测试t_j相关

1)若故障f_i发生时，测试t_j观测结果肯定为“1”；

2)若故障f_i未发生时，测试t_j观测结果未知(若ft_kj＝1，故障f_k发生，可引起测试t_j观测结果为“1”)；

3)若测试t_j观测结果为“1”，则故障f_i状态未知(可能别的故障f_k引起)；

4)若测试t_j观测结果为“0”，则故障f_i肯定无故障。

约简的目的是：删除不可能发生的故障状态，即测试t_j的观测结果为0，则它能检测到的故障状态f_i(满足条件ft_ij＝1的故障)必然不发生。约简的方法是：将测试结果为0的测试(即测试结果“通过”)在矩阵FT中所对应的列向量删除，只保留测试结果为1(即测试“不通过”)的测试所对应的列向量；同时将测试结果为0的测试所对应列向量中对应含有1的行向量删除，得到约减后的矩阵其中h≤m,k≤n。

步骤3：获取多故障相关性矩阵FT_d

对约减矩阵中各故障特征向量(行向量)进行“逻辑或”运算以获取多故障相关性矩阵FT_d。易知多故障的故障特征应包含其每个单故障的故障特征，因此，可将矩阵FT_y中各故障特征向量之间的“逻辑或‖”运算结果用于表示系统中多故障并发的情况，例如：故障f_i的特征向量为[010]，故障f_j的特征向量为[100]，则多故障f_(i,j₎的特征向量为f_(i,j)＝fi||f_j＝[110]。逻辑运算结果作为新的行向量添加至矩阵FT_y的最下端，并将该新矩阵定义为多故障相关性矩阵FT_d。矩阵FT_d的列向量数目为k，行向量数目最大可为2^h-1。

步骤4：基于多故障相关性矩阵FT_d进行故障诊断。

步骤4.1：当故障状态f_i发生时，其行向量中“1”元素所对应的测试输出应均不通过；若所有测试输出均不通过，则对应故障f_i所对应的行向量应全为元素“1”。因此，删除含有“0”元素的行，剩余全为元素“1”的行向量所对应的故障状态为可疑故障，所有可疑故障组成的集合为故障模糊组G。

步骤4.2：对故障模糊组中的故障，依据其故障先验概率进行排序，得出故障诊断结论。其中，多故障f_(i,j)的故障先验概率计算方式为：p(f_(i,j))＝p(f_i)×p(f_j)。

由上述过程可以得到一个对可疑故障进行排序的故障模糊组，即完成了基于相关性模型的多故障诊断。

本发明的优点在于：

(1)针对序贯诊断的诊断策略设计方法，只能用于单故障的诊断问题，本发明可用于多故障并发的诊断；

(2)针对并发诊断的最大后验概率贝叶斯方法，只能给出一个最优解且易陷入局部最优搜索的问题，本发明可给出对可疑故障进行排序的故障模糊组。

(3)本发明利用相关性模型获取的相关性矩阵以及测试的结果进行系统多故障诊断，无需利用其他诊断知识，具有良好的工程应用价值。

附图说明

图1是基于相关性模型的多故障诊断方法流程图。

图2是某控制系统相关性模型。

具体实施方式

下面结合附图和实施例对本发明方法的具体实施方式作进一步说明：

实施例

某控制系统的相关性模型如图2所示，该模型在功能和结构的划分基础上有两个分支，f₂和f₃为一分支，f₄为一分支。在模型中，故障状态沿着箭头方向可被相应的测试所检测。如f₁发生，则所有测试的测试结果均为不通过；f₄发生，则仅有测试t₄的测试结果为不通过。各故障状态的先验概率为p(f₁)＝0.1，p(f₂)＝0.2，p(f₃)＝0.3，p(f₄)＝0.4；系统的测试结果为t₁＝0，t₂＝1，t₃＝1，t₄＝1。相关性模型表明了该控制系统各组成部分之间的相互连接关系和各组成部分与各测试之间的相关关系，为测试和故障诊断提供了基础。

步骤1：对系统进行相关性建模并获取系统的相关性矩阵。

对某控制系统进行相关性建模如图2所示，根据可达性算法，可获取故障-测试相关性矩阵。t₁～t₄分别表示4个测试，f₁～f₄表示4个故障。其中各项测试和故障具体为：

t₁为信号采集测试；

t₂为控制器单元有效测试；

t₃为作动器动作范围测试；

t₄为特征信号输出测试；

f₁为信号采集器故障；

f₂为控制器单元故障；

f₃为作动器故障；

f₄为特征信号输出单元故障。

建立的故障-测试相关性矩阵如表1所示。

表1某控制系统的故障-测试相关性矩阵

	t<sub>1</sub>	t<sub>2</sub>	t<sub>3</sub>	t<sub>4</sub>
					信号采集器故障(f<sub>1</sub>)	1	1	1	1
控制器单元故障(f<sub>2</sub>)	0	1	1	0
					作动器故障(f<sub>3</sub>)	0	0	1	0
特征信号输出单元故障(f<sub>4</sub>)	0	0	0	1

步骤2：根据系统测试结果对相关性矩阵进行约简。

根据系统的测试结果t₁＝0，t₂＝1，t₃＝1，t₄＝1，可知只有测试t₁的测试结果为合格，得出故障f₁肯定不会发生故障。删除列向量t₁和行向量f₁，得到约简相关性矩阵如表2所示：

表2某控制系统约简相关性矩阵

	t<sub>2</sub>	t<sub>3</sub>	t<sub>4</sub>
				控制器单元故障(f<sub>2</sub>)	1	1	0
作动器故障(f<sub>3</sub>)	0	1	0
				特征信号输出单元故障(f<sub>4</sub>)	0	0	1

步骤3：获取多故障相关性矩阵。

基于约简相关性矩阵，对矩阵中各故障特征向量(行向量)进行“逻辑或”运算，得到多故障特征向量如下：

控制器单元与作动器故障f_(2,3)＝f₂||f₃＝[1 1 0]||[0 1 0]＝[1 1 0]

控制器单元与特征信号输出单元故障f_(2,4)＝f₂||f₄＝[1 1 0]||[0 0 1]＝[1 11]

作动器与特征信号输出单元故障f_(3,4)＝f₃||f₄＝[0 1 0]||[0 0 1]＝[0 1 1]

控制器单元、作动器与特征信号输出单元故障

f_(2，3,4)＝f2||f₃||f₄＝[1 1 0]||[0 1 0]||[0 0 1]＝[1 1 1]

得到多故障相关性矩阵如表3所示：

表3系统多故障相关性矩阵

	t<sub>2</sub>	t<sub>3</sub>	t<sub>4</sub>
				控制器单元故障(f<sub>2</sub>)	1	1	0
作动器故障(f<sub>3</sub>)	0	1	0
				特征信号输出单元故障(f<sub>4</sub>)	0	0	1
控制器单元与作动器故障f<sub>(2,3)</sub>	1	1	0
				控制器单元与特征信号输出单元故障f<sub>(2,4)</sub>	1	1	1
作动器与特征信号输出单元故障f<sub>(3,4)</sub>	0	1	1
				控制器单元、作动器与特征信号输出单元故障f<sub>(2,3,4)</sub>	1	1	1

步骤4：基于系统多故障相关性矩阵进行多故障诊断。

步骤4.1：在系统多故障相关性矩阵中，含有“0”元素的故障状态有f₂,f₃,f₄,f_(2,3),f_(2,3,4)。将系统多故障相关性矩阵中含有“0”元素的故障向量删除，得到故障模糊组，如表4所示。

表4系统故障模糊组

	t<sub>2</sub>	t<sub>3</sub>	t<sub>4</sub>
				控制器单元与特征信号输出单元故障f<sub>(2,4)</sub>	1	1	1
控制器单元、作动器与特征信号输出单元故障f<sub>(2,3,4)</sub>	1	1	1

步骤4.2：对故障模糊组中的多故障，计算其故障先验概率：

p(f_(2,4))＝p(f₂)×p(f₄)＝0.2×0.4＝0.08

p(f_(2,3,4))＝p(f₂)×p(f₃)×p(f₄)＝0.2×0.3×0.4＝0.024

根据计算结果，可知p(f_(2,4))＞p(f_(2,3,4))，系统出现控制器单元与特征信号输出单元故障的概率大于控制器单元、作动器与特征信号输出单元故障的概率。

Claims (3)

1.一种基于相关性模型的多故障诊断方法，其特征在于，包括以下步骤：

步骤1，利用现有相关性建模方法获取系统故障-测试相关性矩阵

对系统进行相关性建模，根据可达性算法获取系统的相关性矩阵，其表达式如下所示：

式中，FT表示故障-测试相关性矩阵，它是一个m×n的矩阵，行表示故障模式，列表示测试集；F＝{f₁,f₂,…,f_m}表示系统独立的故障状态集；T＝{t₁,t₂,…,t_n}表示系统的测试集，规定每个测试都是二值输出；设P＝{p(f₀),p(f₁),…,p(f_m)}为各个故障状态独立发生的先验概率；矩阵元素ft_ij表示故障f_i与测试t_j之间的相关关系；

步骤2，根据系统测试结果对相关性矩阵FT进行约简

将测试结果为0的测试，在矩阵FT中所对应的列向量删除，只保留测试结果为1的测试所对应的列向量；同时将测试结果为0的测试所对应列向量中对应含有1的行向量删除，得到约减后的矩阵FT_y＝[ft_ij]_h×k，其中h≤m,k≤n；

步骤3，获取多故障相关性矩阵FT_d

步骤4，基于多故障相关性矩阵FT_d进行故障诊断。

2.根据权利要求1所述的一种基于相关性模型的多故障诊断方法，其特征在于，步骤3具体为：

对约减矩阵FT_y＝[ft_ij]_h×k中各故障特征向量进行“逻辑或‖”运算，逻辑运算结果作为新的行向量添加至矩阵FT_y的最下端，将该新矩阵定义为多故障相关性矩阵FT_d，其中矩阵FT_d的列向量数目为k，行向量数目最大为2^h-1。

3.根据权利要求1所述的一种基于相关性模型的多故障诊断方法，其特征在于，步骤4具体为：

步骤4.1，删除多故障相关性矩阵FT_d中含有“0”元素的行，剩余全为元素“1”的行向量所对应的故障状态为可疑故障，所有可疑故障组成的集合为故障模糊组G；

步骤4.2，对故障模糊组G中的故障，依据其故障先验概率进行排序，得出故障诊断结论，多故障f_(i,j)的故障先验概率计算方式为：p(f_(i,j))＝p(f_i)×p(f_j)。