CN110261159A - 柔性制造刀具子系统故障诊断方法 - Google Patents

Abstract

本发明提供了一种柔性制造刀具子系统故障诊断方法，本发明将模糊petri网引入柔性制造系统故障诊断技术中，对柔性制造刀具子系统建立模糊petri网模型。使用所建立的故障诊断模型，不但可以根据各种信息进行故障诊断，还可以根据故障诊断结果进行综合诊断，可以保证柔性制造系统高效运行。提出通过正向推理与反向验证相结合的双向特征建模方法进行故障诊断，并且定义故障变迁集合记录故障传播路径，相较于传统的故障诊断方法，本发明具有效率高、准确性高、可靠性强等优点，为提高柔性制造系统的生产效率、降低生产成本、保证柔性制造系统高效运行，提供了有效的解决办法。

Description

柔性制造刀具子系统故障诊断方法

技术领域

本发明涉及一种柔性制造刀具子系统故障诊断方法。

背景技术

柔性制造系统(FMS)是计算机集成制造系统(CIMS)的重要组成成分，对于发展智能制造意义重大。柔性制造系统的生产方式具有很高的灵活性，能够根据实际系统中的生产设备和环境要求，灵活的进行生产，能够生产出不同特性的产品满足各种各样的市场需求。为了保证柔性制造系统的可靠运行，必须建立故障诊断手段，在其运行过程中及时由故障征兆找出故障源，并予以及时排除。

在柔性制造系统中，刀具是加工中心进行金属切削的主要工具，它的使用是否最佳，调度是否合理，管理是否完善，对整个柔性制造系统的利用率、生产效率和生产质量都将产生很大影响。

使用传统的故障诊断方法，柔性制造系统的故障传播固有特性得不到完整体现。

发明内容

本发明的目的在于提供一种柔性制造刀具子系统故障诊断方法。

为解决上述问题，本发明提供一种柔性制造刀具子系统故障诊断方法，包括：

步骤S1，在线监测柔性制造刀具子系统的健康状态指标，在运行过程中收集频发的故障征兆，确定各故障征兆之间的关系，根据所出现的故障征兆寻找故障起因；

步骤S2，根据各个故障征兆之间的关系，确定所述柔性制造刀具子系统的故障产生式规则；

步骤S3，依据所述柔性刀具子系统的故障产生式规则建立对应的故障诊断的模糊Petri网模型，在所述模糊Petri网模型中将故障征兆作为起始库所，将故障起因作为终止库所；并定义故障变迁集合T_s，其中，T_s为已经发生过的变迁集合，起始时刻该集合为空集，t_i发生后，T_s＝T_s+{t_j}，(i，j∈N)1-1，所述故障变迁集合T_s用来标记故障的传播路径，同时用于防止变迁反复发生，即同一故障发生后，在没有修复之前不会反复发生，增加T_s后，变迁t能否发生必须满足条件：

步骤S4，建立所述柔性制造刀具子系统故障诊断算法，基于所述柔性制造刀具子系统故障诊断算法，并使用模糊Petri网进行故障推理与诊断时，将正向推理和反向验证相结合，先用正向推理推导可能产生的故障，并对该正向推理推导可能产生的故障的环节采取措施加以防范，一旦出现故障，用反向验证来寻找故障源，若正、反向推理的结论吻合，则说明诊断有效；若正、反向推理的结论不吻合，则修改库所和变迁的可信度、阈值或权值，不断调整直到两者吻合为止；

步骤S5，对整个刀具子系统故障诊断过程进行记录，编写故障诊断报告。

进一步的，在上述方法中，步骤S4中，先用正向推理推导可能产生的故障，包括：

假设刀具子系统运转良好，没有发生故障，然后根据历史数据进行正向推理。

进一步的，在上述方法中，步骤S4中，所述正向推理包括：

(11)根据所要诊断问题的逻辑关系，建立模糊Petri网模型；在此，一些复杂系统的网模型可能比较庞大，可利用面向对象或高级Petri网技术进行化简；

(12)写出对应故障征兆和目标故障的初始库所和目标库所；

(13)确定模糊Petri网的初始标识M₀，通过观察、历史数据等确定各库所和变迁的初始可信度、权值和阈值，令Ts＝φ；

(14)在当前的初始标识M下，计算有发生权的变迁t_i的发生后果，并插入Ts集合，即Ts＝Ts+{t_i}；

(15)重复(14)，直到没有变迁发生，即到达目标状态，判断其可信度是否大于等于阈值：若是，则说明该故障会发生；否则，系统正常；

(16)检查T_s集合，若相邻变迁之间有连接关系，则说明故障是连续传播的；否则，故障有多条传播路径，有多个目标状态，推理结束。

进一步的，在上述方法中，步骤S4中，一旦出现故障，用反向验证来寻找故障源，若正、反向推理的结论吻合，则说明诊断有效；若正、反向推理的结论不吻合，则修改库所和变迁的可信度、阈值或权值，不断调整直到两者吻合为止，包括：

根据算法进行反向验证，假设故障已经产生，采用反向验证寻找故障源，找到故障源以后进行现场检查，若故障源不在此处且与正向推理结论不符，则修改初始权值再次进行反向验证，若通过现场检查发现故障源在此处且与正向推理结果一致，反向验证结束。

进一步的，在上述方法中，步骤S4中，所述反向验证包括：

(21)初始目标库所(p_j，m(p_j)，(i，j∈N))是1个终止节点，其中：p_j是目标库所，·p_j＝t_j，设m(p_j)＝1，表示故障已发生；

(22)按照变迁发生概率从大到小选择非终止节点(p_i，-)，其中，“-”表示可信度未知，若则标注此节点为终止节点。

进一步的，在上述方法中，步骤S4中，一旦出现故障，用反向验证来寻找故障源，若正、反向推理的结论吻合，则说明诊断有效；若正、反向推理的结论不吻合，则修改库所和变迁的可信度、阈值或权值，不断调整直到两者吻合为止，包括：

对每个终止节点，根据计算所得的可信度来判断是否与实际情况相符，若相符，则推理正确，终止节点变为(p_S，Φ，y_S)，反向验证结束；若不相符，则调整各变迁的权值和阈值以及库所的可信度再次进行反向验证。

进一步的，在上述方法中，所述模糊Petri网模型为七元模糊Petri网模型(P，T，F，d，w，M0，T_s)其中：

P＝{p1，p2，…，pm}表示有限库所集合，将现实世界中的实体解释为被动元素时由P表示(发生条件、地点、资源)，在故障诊断中表示目标故障；

T＝{t1，t2，…，tm}表示有限变迁集合，将现实世界中的实体解释为主动元素时，由T表示(事件、变迁、动作)，在故障诊断中表示引起目标故障发生的变迁；

F为弧，将每个库所和变迁相连。其中： 分别为F的定义域和值域；

w为权值，表示库所对变迁可以发生的支持度，m(p)则表示库所成立的可信度；wI×m(p)表示库所对变迁发生的真实可信度；

d为阈值，表示变迁t对各个发生条件的支持度的最低要求，也就是变迁t的发生必须满足库所对变迁发生的实际可信度大于等于阈值：wI×m(p)≥d(t)1-3；

M0＝{m0(p1)，m0(p2)，…，m0(pm)}∈(0，1]，称为初始可信度，通常由历史数据、观测、经验积累等途径得到；

T_s为已经发生过的变迁集合，起始时刻该集合为空集，t_i发生后，T_s＝T_s+{t_j}。

与现有技术相比，本发明将模糊petri网引入柔性制造系统故障诊断技术中，对柔性制造刀具子系统建立模糊petri网模型。使用所建立的故障诊断模型，不但可以根据各种信息进行故障诊断，还可以根据故障诊断结果进行综合诊断，可以保证柔性制造系统高效运行。提出通过正向推理与反向验证相结合的双向特征建模方法进行故障诊断，并且定义故障变迁集合记录故障传播路径，相较于传统的故障诊断方法，本发明具有效率高、准确性高、可靠性强等优点，为提高柔性制造系统的生产效率、降低生产成本、保证柔性制造系统高效运行，提供了有效的解决办法。

附图说明

图1是本发明一实施例的柔性制造刀具子系统模糊Petri网模型图；

图2是本发明一实施例的基于模糊Petri网的故障诊断流程图；

图3是本发明一实施例的图1中库所和变迁的含义及其初始可信度和权值以及阈值图；

图4是本发明一实施例的图1中库所和变迁的含义及其新初始可信度和权值以及阈值图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1和2所示，本发明提供一种柔性制造刀具子系统故障诊断方法，包括：

步骤S1，在线监测柔性制造刀具子系统的健康状态指标，在运行过程中收集频发的故障征兆，确定各故障征兆之间的关系，根据所出现的故障征兆寻找故障起因；

步骤S2，根据各个故障征兆之间的关系，确定所述柔性制造刀具子系统的故障产生式规则；

步骤S3，依据所述柔性刀具子系统的故障产生式规则建立对应的故障诊断的模糊Petri网模型，如图1所示，在所述模糊Petri网模型中将故障征兆作为起始库所，将故障起因作为终止库所；并定义故障变迁集合T_s(Translate Set)，其中，T_s为已经发生过的变迁集合，起始时刻该集合为空集，t_i发生后，T_s＝T_s+{t_j}，(i，j∈N)1-1，所述故障变迁集合T_s(Translate Set)用来标记故障的传播路径，同时用于防止变迁反复发生，即同一故障发生后，在没有修复之前不会反复发生，增加T_s后，变迁t能否发生必须满足条件：

步骤S4，建立所述柔性制造刀具子系统故障诊断算法，基于所述柔性制造刀具子系统故障诊断算法，并使用模糊Petri网进行故障推理与诊断时，将正向推理和反向验证相结合，先用正向推理推导可能产生的故障，并对该正向推理推导可能产生的故障的环节采取措施加以防范，一旦出现故障，用反向验证来寻找故障源，若正、反向推理的结论吻合，则说明诊断有效；若正、反向推理的结论不吻合，则修改库所和变迁的可信度、阈值或权值，不断调整直到两者吻合为止，模糊Petri网故障诊断流程如图2所示；

在此，利用正向推理与反向验证相结合的方法进行故障诊断，提高准确性与可靠性，并给出模糊Petri网故障诊断流程图如图2所示；

步骤S5，对整个刀具子系统故障诊断过程进行记录，编写故障诊断报告。

在此，本发明基于模糊Petri网的柔性制造刀具子系统故障诊断，定义模糊故障变迁集合，采用双向特征建模，增加故障诊断的准确性。

本发明定义一个已经发生过的变迁集合T_s来记录故障的传播路径，同时增加一个反向验证来确保正向推理结果准确，使用模糊petri网对柔性制造刀具系统进行建模和故障诊断。模糊petri网不但可以描述资源的共享、竞争、并发和不确定性，而且能够进行定性和定量分析。

本发明根据柔性制造刀具子系统故障特性建立模糊petri网模型定义故障变迁集合，记录故障传播路径，防止故障变迁反复发生。采用双向特征建模增加故障诊断准确性与可靠性。本发明应用广泛，后续改进开发潜力很大。

本发明将模糊petri网引入柔性制造系统故障诊断技术中，对柔性制造刀具子系统建立模糊petri网模型。使用所建立的故障诊断模型，不但可以根据各种信息进行故障诊断，还可以根据故障诊断结果进行综合诊断，可以保证柔性制造系统高效运行。提出通过正向推理与反向验证相结合的双向特征建模方法进行故障诊断，并且定义故障变迁集合记录故障传播路径，相较于传统的故障诊断方法，本发明具有效率高、准确性高、可靠性强等优点，为提高柔性制造系统的生产效率、降低生产成本、保证柔性制造系统高效运行，提供了有效的解决办法。

本发明的一种柔性制造刀具子系统故障诊断方法一实施例中，步骤S4中，先用正向推理推导可能产生的故障，包括：

假设刀具子系统运转良好，没有发生故障，然后根据历史数据进行正向推理。

本发明的一种柔性制造刀具子系统故障诊断方法一实施例中，步骤S4中，所述正向推理包括：

(11)根据所要诊断问题的逻辑关系，建立模糊Petri网模型；

在此，一些复杂系统的网模型可能比较庞大，可利用面向对象或高级Petri网技术进行化简；

(12)写出对应故障征兆和目标故障的初始库所和目标库所；

(13)确定模糊Petri网的初始标识M₀，通过观察、历史数据等确定各库所和变迁的初始可信度、权值和阈值，令Ts＝φ；

(14)在当前的初始标识M下，计算有发生权的变迁t_i的发生后果，并插入Ts集合，即Ts＝Ts+{t_i}；

(15)重复(14)，直到没有变迁发生，即到达目标状态，判断其可信度是否大于等于阈值：若是，则说明该故障会发生；否则，系统正常；

(16)检查T_s集合，若相邻变迁之间有连接关系，则说明故障是连续传播的；否则，故障有多条传播路径，有多个目标状态，推理结束；

本发明的一种柔性制造刀具子系统故障诊断方法一实施例中，步骤S4中，一旦出现故障，用反向验证来寻找故障源，若正、反向推理的结论吻合，则说明诊断有效；若正、反向推理的结论不吻合，则修改库所和变迁的可信度、阈值或权值，不断调整直到两者吻合为止，包括：

根据算法进行反向验证，假设故障已经产生，采用反向验证寻找故障源，找到故障源以后进行现场检查，若故障源不在此处且与正向推理结论不符，则修改初始权值再次进行反向验证，若通过现场检查发现故障源在此处且与正向推理结果一致，反向验证结束。

本发明的一种柔性制造刀具子系统故障诊断方法一实施例中，步骤S4中，所述反向验证包括：

(21)初始目标库所(p_j，m(p_j)，(i，j∈N))是1个终止节点，其中：p_j是目标库所，^·p_j＝t_j，设m(p_j)＝1，表示故障已发生；

(22)按照变迁发生概率从大到小选择非终止节点(p_i，-)，其中，“-”表示可信度未知，若则标注此节点为终止节点。

本发明的一种柔性制造刀具子系统故障诊断方法一实施例中，步骤S4中，一旦出现故障，用反向验证来寻找故障源，若正、反向推理的结论吻合，则说明诊断有效；若正、反向推理的结论不吻合，则修改库所和变迁的可信度、阈值或权值，不断调整直到两者吻合为止，包括：

对每个终止节点，根据计算所得的可信度来判断是否与实际情况相符，若相符，则推理正确，终止节点变为(p_S，Φ，y_S)，反向验证结束；若不相符，则调整各变迁的权值和阈值以及库所的可信度再次进行反向验证。

本发明的一种柔性制造刀具子系统故障诊断方法一实施例中，步骤S2中，通过在线监测收集故障征兆，建立柔性制造刀具子系统的故障产生式规则。

本发明的一种柔性制造刀具子系统故障诊断方法一实施例中，所述模糊Petri网模型为七元模糊Petri网模型(P，T，F，d，w，M0，T_s)其中：

P＝{p1，p2，…，pm}表示有限库所集合，将现实世界中的实体解释为被动元素时由P表示(发生条件、地点、资源)，在故障诊断中表示目标故障；

T＝{t1，t2，…，tm}表示有限变迁集合，将现实世界中的实体解释为主动元素时，由T表示(事件、变迁、动作)，在故障诊断中表示引起目标故障发生的变迁；

F为弧，将每个库所和变迁相连。其中： 分别为F的定义域和值域；

w为权值，表示库所对变迁可以发生的支持度，m(p)则表示库所成立的可信度；wI×m(p)表示库所对变迁发生的真实可信度；

d为阈值，表示变迁t对各个发生条件的支持度的最低要求，也就是变迁t的发生必须满足库所对变迁发生的实际可信度大于等于阈值：wI×m(p)≥d(t)1-3；

M0＝{m0(p1)，m0(p2)，…，m0(pm)}∈(0，1]，称为初始可信度，通常由历史数据、观测、经验积累等途径得到；

T_s为已经发生过的变迁集合，起始时刻该集合为空集，t_i发生后，T_s＝T_s+{t_j}。

具体的，柔性制造刀具系统模糊Petri网模型中各库所含义：

P₀：弹簧锁紧螺母太松；

P₁：弹簧刚性不足；

P₂：弹簧损坏；

P₃：负载过大；

P₄：刀具超重；

P₅：弹簧卡紧力不足；

P₆：刀库掉刀；

刀具系统规则如下：

如果弹簧锁紧螺母太松则弹簧卡紧力不足；

如果弹簧刚性不足则弹簧卡紧力不足；

如果弹簧损坏则弹簧卡紧力不足；

如果负载过大则刀库掉刀；

如果刀具超重则刀库掉刀；

如果弹簧卡紧力不足则刀库掉刀。

柔性制造系统模糊Petri网模型的算法优化：

模糊故障Petri网的实践意义在于故障推理与诊断。在故障诊断过程中，使用的推理方法一般是正向推理。正向推理是根据已知条件推导可能产生的故障结果，用于监测信息比较完备的在线故障监测和诊断问题；但是正向推理无法根据已经产生的故障结果来推导原因，所以在正向推理之后增加反向验证，用于监测信息不太充分的离线故障诊断。使用模糊Petri网进行故障推理与诊断时，将正向推理和反向验证相结合，先用正向推理推导可能产生的故障，并对该环节采取措施加以防范，变“定期检修、被动维修”为“主动维护”；一旦出现故障，用反向验证来寻找故障源，若正、反向推理的结论吻合，则说明诊断有效；若两者不吻合，则需要修改库所和变迁的可信度、阈值或权值，不断调整直到两者吻合为止。

1.模糊Petri网变迁发生条件：

2.在初始表示M₀下，变迁t_i有发生权，必须同时满足式1-2和式1-3。

3.

4.w_I×m(p)≥d(t)1-3

5.变迁发生后果。在此，先定义函数：

6.

7.

8.

如图2所示，柔性制造刀具系统故障诊断主要包括建立模糊Petri网模型，正向推理，反向验证，故障决策四部分。

模糊Petri网建模主要通过在柔性制造系统运行过程中收集柔性制造刀具系统的故障征兆和故障起因，在模糊Petri网模型中将故障征兆作为起始库所，故障起因作为终止库所，并结合柔性制造刀具子系统的分布式规则建立模糊Petri网模型。

正向推理是根据已知条件推导可能产生的故障结果，用于监测信息比较完备的在线监测和诊断问题。

步骤一，现在假设刀具子系统运转良好，没有发生故障，根据图3中历史数据进行正向推理即图1所示模糊Petri网从左向右推理。

步骤二，由图1可知t₀，t₁，t₂为竞争关系，由式1-6可知t₁有发生权，t₀，t₂没有发生权，p5的可信度来自于t1；由式1-6可知，m(p₅)＝0.84；T_s＝[t₁]。

步骤三，t₃，t₄，t₅存在竞争关系，由式1-6可知t₃，t₄，t₅都有发生权；可知m(p₆)＝max{0.63，0.70，0.95}＝0.95；T_s＝[t₁，t₅]。

步骤四，p₆已是终止节点推理结束。

正向推理的结论是p₆中的故障由p₁→t₁→p₅→t₅产生。

由于正向推理无法根据已经产生的故障结果来推导原因，所以在正向推理之后增加反向验证，用于监测信息不太充分的离线故障诊断。使用模糊Petri网进行故障推理与诊断时，将正向推理和反向验证相结合，先用正向推理推导可能产生的故障，并对该环节采取措施加以防范，变“定期检修、被动维修”为“主动维护”；一旦出现故障，用反向验证来寻找故障源，若正、反向推理的结论吻合，则说明诊断有效；若两者不吻合，则需要修改库所和变迁的可信度、阈值或权值，不断调整直到两者吻合为止。

现在假设p₀已经产生故障，采用反向验证来寻找故障源，验证过程如下：

步骤一，p₆已经产生故障，即m(p₆)＝1。

步骤二，可知t₃，t₄，t₅为竞争关系，由式1-6计算可信度：m(p₃)＝0.78，m(p₄)＝0.83，m(p₅)＝0.89。

步骤三，可信度最大的为p₅，取可信度最大的p₅分支继续往回推，由3.2节中的定义计算可信度：m(p₀)＝0.84；m(p₁)＝0.81；m(p₂)＝0.97；可信度最大的为p₂，得到p₂为故障源，p₀也需要注意。通过现场检查发现故障源不在此处，且与正向推理的结论不符。需要对初始权值进行调整然后重新进行反向验证，新的初始权值见图4所示。由式1-6计算可信度：m(p₀)＝0.77；m(p₁)＝0.81；m(p₂)＝0.68；可信度最大的为p₁，，p₁已是终止节点，经过现场检查，故障源在此处，由于弹簧刚性不足引起了刀库掉刀，导致刀具系统停止运行，与正向推理结果相一致，反向验证结束。

反向验证的结论是：p₆的故障来自p₁与正向推理结果相符，数据如图3及图4所示，表中初始可信度和权值阈值为经验值。

为准确描述故障传播的固有特性，且便于根据故障信息定位故障源，定义了一个故障传播集合Ts，描述故障传播路径。

将模糊petri网的理论应用于柔性制造系统的故障诊断，正向推理和反向验证相结合，正向推理用于记录故障的传播过程，反向验证用于根据已经发生的故障定位故障源。并提出正向推理与反向验证算法步骤，调整库所和变迁的可信度、阈值、权值的方法，应用于柔性制造系统的刀具子系统中，证明了这种故障诊断方法的可靠性和准确性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (7)

1.一种柔性制造刀具子系统故障诊断方法，其特征在于，包括：

步骤S1，在线监测柔性制造刀具子系统的健康状态指标，在运行过程中收集频发的故障征兆，确定各故障征兆之间的关系，根据所出现的故障征兆寻找故障起因；

步骤S2，根据各个故障征兆之间的关系，确定所述柔性制造刀具子系统的故障产生式规则；

步骤S3，依据所述柔性刀具子系统的故障产生式规则建立对应的故障诊断的模糊Petri网模型，在所述模糊Petri网模型中将故障征兆作为起始库所，将故障起因作为终止库所；并定义故障变迁集合T_s，其中，T_s为已经发生过的变迁集合，起始时刻该集合为空集，t_i发生后，T_s＝T_s+{t_j}，(i，j∈N)1-1，所述故障变迁集合T_s用来标记故障的传播路径，同时用于防止变迁反复发生，即同一故障发生后，在没有修复之前不会反复发生，增加T_s后，变迁t能否发生必须满足条件：

步骤S4，建立所述柔性制造刀具子系统故障诊断算法，基于所述柔性制造刀具子系统故障诊断算法，并使用模糊Petri网进行故障推理与诊断时，将正向推理和反向验证相结合，先用正向推理推导可能产生的故障，并对该正向推理推导可能产生的故障的环节采取措施加以防范，一旦出现故障，用反向验证来寻找故障源，若正、反向推理的结论吻合，则说明诊断有效；若正、反向推理的结论不吻合，则修改库所和变迁的可信度、阈值或权值，不断调整直到两者吻合为止；

步骤S5，对整个刀具子系统故障诊断过程进行记录，编写故障诊断报告。

2.如权利要求1所述的柔性制造刀具子系统故障诊断方法，其特征在于，步骤S4中，先用正向推理推导可能产生的故障，包括：

假设刀具子系统运转良好，没有发生故障，然后根据历史数据进行正向推理。

3.如权利要求2所述的柔性制造刀具子系统故障诊断方法，其特征在于，步骤S4中，所述正向推理包括：

(11)根据所要诊断问题的逻辑关系，建立模糊Petri网模型；

在此，一些复杂系统的网模型可能比较庞大，可利用面向对象或高级Petri网技术进行化简；

(12)写出对应故障征兆和目标故障的初始库所和目标库所；

(13)确定模糊Petri网的初始标识M₀，通过观察、历史数据等确定各库所和变迁的初始可信度、权值和阈值，令Ts＝φ；

(14)在当前的初始标识M下，计算有发生权的变迁t_i的发生后果，并插入Ts集合，即Ts＝Ts+{t_i}；

(15)重复(14)，直到没有变迁发生，即到达目标状态，判断其可信度是否大于等于阈值：若是，则说明该故障会发生；否则，系统正常；

(16)检查T_s集合，若相邻变迁之间有连接关系，则说明故障是连续传播的；否则，故障有多条传播路径，有多个目标状态，推理结束。

4.如权利要求3所述的柔性制造刀具子系统故障诊断方法，其特征在于，步骤S4中，一旦出现故障，用反向验证来寻找故障源，若正、反向推理的结论吻合，则说明诊断有效；若正、反向推理的结论不吻合，则修改库所和变迁的可信度、阈值或权值，不断调整直到两者吻合为止，包括：

根据算法进行反向验证，假设故障已经产生，采用反向验证寻找故障源，找到故障源以后进行现场检查，若故障源不在此处且与正向推理结论不符，则修改初始权值再次进行反向验证，若通过现场检查发现故障源在此处且与正向推理结果一致，反向验证结束。

5.如权利要求3所述的柔性制造刀具子系统故障诊断方法，其特征在于，步骤S4中，所述反向验证包括：

(21)初始目标库所(p_j，m(p_j)，(i，j∈N))是1个终止节点，其中：p_j是目标库所，^·p_j＝t_j，设m(p_j)＝1，表示故障已发生；

(22)按照变迁发生概率从大到小选择非终止节点(p_i，-)，其中，“-”表示可信度未知，若则标注此节点为终止节点。

6.如权利要求5所述的柔性制造刀具子系统故障诊断方法，其特征在于，步骤S4中，一旦出现故障，用反向验证来寻找故障源，若正、反向推理的结论吻合，则说明诊断有效；若正、反向推理的结论不吻合，则修改库所和变迁的可信度、阈值或权值，不断调整直到两者吻合为止，包括：

对每个终止节点，根据计算所得的可信度来判断是否与实际情况相符，若相符，则推理正确，终止节点变为(p_s，Φ，y_s)，反向验证结束；若不相符，则调整各变迁的权值和阈值以及库所的可信度再次进行反向验证。

7.如权利要求1所述的柔性制造刀具子系统故障诊断方法，其特征在于，所述模糊Petri网模型为七元模糊Petri网模型(P，T，F，d，w，M0，T_s)其中：

P＝{p1，p2，…，pm}表示有限库所集合，将现实世界中的实体解释为被动元素时由P表示(发生条件、地点、资源)，在故障诊断中表示目标故障；

T＝{t1，t2，…，tm}表示有限变迁集合，将现实世界中的实体解释为主动元素时，由T表示(事件、变迁、动作)，在故障诊断中表示引起目标故障发生的变迁；

F为弧，将每个库所和变迁相连。其中： 分别为F的定义域和值域；

w为权值，表示库所对变迁可以发生的支持度，m(p)则表示库所成立的可信度；wI×m(p)表示库所对变迁发生的真实可信度；

d为阈值，表示变迁t对各个发生条件的支持度的最低要求，也就是变迁t的发生必须满足库所对变迁发生的实际可信度大于等于阈值：wI×m(p)≥d(t)1-3；

M0＝{m0(p1)，m0(p2)，…，m0(pm)}∈(0，1]，称为初始可信度，通常由历史数据、观测、经验积累等途径得到；

T_s为已经发生过的变迁集合，起始时刻该集合为空集，t_i发生后，T_s＝T_s+{t_j}。