CN110333694B - 基于模糊Petri网的数控设备故障诊断方法 - Google Patents
基于模糊Petri网的数控设备故障诊断方法 Download PDFInfo
- Publication number
- CN110333694B CN110333694B CN201910705455.6A CN201910705455A CN110333694B CN 110333694 B CN110333694 B CN 110333694B CN 201910705455 A CN201910705455 A CN 201910705455A CN 110333694 B CN110333694 B CN 110333694B
- Authority
- CN
- China
- Prior art keywords
- fault
- library
- transition
- numerical control
- diagnosis
- 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.)
- Active
Links
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4063—Monitoring general control system
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提供了一种基于模糊Petri网的数控设备故障诊断方法,本发明从网论的基本原理出发,结合诊断问题的特点,以数控机床故障诊断为例,对故障诊断领域的Petri网模型进行了研究,同时利用模糊Petri网可分层的特点,将相对复杂的故障逐层细分,从而缩小诊断范围,最终实现数控设备诊断对象故障诊断的效率和实用性的提高。
Description
技术领域
本发明涉及一种基于模糊Petri网的数控设备故障诊断方法。
背景技术
智能化技术的出现和发展标志着我国科技能力和经济能力的增强,新技术与新方法不断投入与各个工业的生产领域中。科学技术的进步也促进了数控化设备的更新换代,设备的显著特征是:高度集成化、高度智能化、高度自动化。而在这种情况下,产生的问题就是设备系统发生故障的可能性就变大了。并且,由于设备各个部件之间的联系很紧密,因此一旦发生了故障,很可能会影响整个设备的运行。数控设备其技术复杂、运行条件要求高、平均运行成本也相对较高,往往导致发生故障停机,若不能及时准确的排除故障,将会导致长时间的停机,延长交货周期,从而给企业带来严重的经济损失。
发明内容
本发明的目的在于提供一种基于模糊Petri网的数控设备故障诊断方法。
为解决上述问题,本发明提供一种基于模糊Petri网的数控设备故障诊断方法,包括:
分析数控设备诊断对象的故障信息,收集数控设备诊断对象的故障原因、故障位置、故障现象、故障诊断方案;
整理故障诊断发生的故障事件、故障条件以及对应方案;
根据所述故障信息建立数控设备诊断对象的模糊Petri网故障诊断模型,由数控设备诊断对象的故障事件设定库所置信度值、变迁的阀值、变迁的规则置信度,并根据变迁的正向激发统计变迁激发次数计算变迁激发频率,再根据变迁的逆向激发计算逆向激发值;
建立初始库所集、变迁集、目标库所集以及每个库所的立即可达集合和可达集合;
根据故障现象在模糊规则下对数控设备诊断对象进行逆向推理,得到故障原因,检查现场判断是否为引起故障的故障原因,
若是,则推理结束,对数控设备诊断对象进行故障点的维修;
若不是,根据逆向推理检测下一个故障原因库所对应的故障命题,直到找到故障原因库所为止;现场检测实际情况给出故障原因库所可信度,设定变迁激发阀值,由故障原因库所进行正向激发,观察托肯在模糊推理规则下能否到达目标库所,若能则得到引起故障现象发生的原因,若不能再检查下一个故障原因库所依次进行故障诊断,直到找到故障原因。
进一步的,在上述方法中,分析数控设备诊断对象的故障信息,收集数控设备诊断对象的故障原因、故障位置、故障现象、故障诊断方案,包括:
将易发的故障原因作为起始库所,将故障位置作为中间库所,将故障现象作为目标库所。
进一步的,在上述方法中,所述故障事件、故障条件以及对应方案为各自库所成立的命题。
进一步的,在上述方法中,所述模糊Petri网故障诊断模型为十元组:
FPN=(P,T,D,I,O,f,α,β,γ,μ),
其中:
P={p1,p2,…,pn,}为库所的非空有限集合;
T={t1,t2,…,tn}为变迁的非空有限集合;
D={d1,d2,…,dn}为命题的非空有限集合;
|P|=|D|;
I:P×T→{0,1}为输入函数,若I(p,t)=1,则表示p与t之间有联系,此时p为t的输入库所,t的所有库所集合表示为·t,或I(t);若I(p,t)=0,则p与t之间无联系;
O:T×P→{0,1}为输入函数,若O(p,t)=1,则表示t与p之间有联系,此时p为t的输出库所,t的所有库所集合表示为t·,或O(t);若O(p,t)=0,则t与p之间无联系;
f为变迁逆向激发函数,f(ti)=μi×γi,f(ti)∈[0,1];
α:P→[0,1]为P的一个关联函数,它表示P至一个0到1之间的实数的映射;
β:P→D为P的关联函数,它表示P至命题集合的双向映射;
γ为变迁频率函数,即γ(ti)=γi,γi∈[0,1],表示变迁ti激发的频率为γi;
μ为变迁可信度函数,即μ(ti)=μi,μi∈[0,1],表示变迁ti的可信度为μi;
令A为一有向弧的集合,若pj∈I(ti),则存在一个从pj至ti的有向弧aji,aji∈A;若pk∈O(ti),则存在一个从ti至pk的有向弧aik,aik∈A;若f(ti)=μi,μi∈[0,1],则称ti与实数μi关联;若β(pi)=di,di∈D,则称pi与命题di关联。
进一步的,在上述方法中,所述初始库所集与目标库所集为P={p1,p2,…,pn,},为库所的非空有限集合;
所述变迁集为T={t1,t2,…,tn},为变迁的非空有限集合;
FPN的可达性是由立即可达集与可达集表示:
令ta为一变迁,pi、pj以及pk为三个库所,若pi∈I(ta),且pk∈O(ta),则称pk是从pi立即可达的;若pj是从pk立即可达的,则称pj是从pi可达的,所有从库所pi立即可达的库所的集合称为pi的立即可达集合,记为IRS(pi);所有从pi可达的库所的集合称为pi的可达集合,记为RS(pi);若库所pi与pk君为变迁ta的输入库所,即pi∈I(ta)且pk∈I(ta),则称pi与pk为关于ta的相邻库所。
进一步的,在上述方法中,根据故障现象在模糊规则下对数控设备诊断对象进行逆向推理,得到故障原因,检查现场判断是否为引起故障的故障原因中,
定义三种类型的库所:第一类称为目标库所,所述目标库所所对应的命题反映的征兆或现象,在FPN中表现为只有输出变迁;第一类称为起始库所,表示引发故障征兆或现象的原因,也是诊断推理的最终结果,在FPN中表现为只有输出变迁,没有输入变迁;其余的库所称为中间库所,故障诊断任务就是根据出现的征兆库所,寻找能导致征兆库所的故障库所的过程。
进一步的,在上述方法中,所述逆向推理包括:
库所的可达性在这个推理过程中起着关键的作用,首先,列出各个库所的立即可达性集合IRS(pi)和可达性集合RS(pi),库所pi的立即可达性集合为库所pi值经过一次变迁所达到的库所集合,库所pi的可达性集合RS(pi)为库所pi经过一系列变迁所得到的库所的集合;将故障现象库所pi作为目标,以故障现象库所pi为立即可达集的所有库所中,优先诊断最大逆向激发值对应的库所,如果库所为诊断原因库所,逆向推理结束;如果该库所为故障部位库所,重新将故障部位库所作为目标继续逆向推理,直到逆向激发得到的库所为故障原因库所。
进一步的,在上述方法中,所述正向激发包括:
将故障原因库所作为故障诊断的起始库所,在故障原因库所中放置一个托肯,表示该库所对应的命题存在;检查故障的人员经过逆向推理得到故障原因,判断故障原因的真实程度,给予故障原因库所的可信度,然后判断变迁是否可以激发;输入库所变迁表示变迁激发的前提条件,输出库所表示变迁激发导致的结果,给定每个变迁固定的阀值λ;当α(pi)≥λ,变迁激发,托肯转移到变迁激发的输出库所中,如果输出库所为故障现象库所,说明故障原因已经扎到,如果输出库所为故障部位库所,继续进行激发,直到托肯到达故障现象库所;当α(pi)<λ,变迁无法激发,对模糊Petri网其他故障部位和故障原因库所进行逆向推理,重新诊断。
与现有技术相比,本发明从网论的基本原理出发,结合诊断问题的特点,以数控机床故障诊断为例,对故障诊断领域的Petri网模型进行了研究,同时利用模糊Petri网可分层的特点,将相对复杂的故障逐层细分,从而缩小诊断范围,最终实现数控设备诊断对象故障诊断的效率和实用性的提高。
本发明在传统的FPN的故障诊断基础上,引入变迁逆向激发的概念,对故障诊断的迅速性有了更大的提升,对及时排除故障,提高数控设备诊断对象的生产率的可能性。基于改进的模糊Petri网,既有定量分析,又有定性分析,计算推理与仿真相结合,逻辑连贯清晰,在之后的计算机软件上实现打下了良好的基础,于此同时,FPN还可以根据实际情况对数控设备诊断对象进行增减必要的系统故障原因,以使得数控设备诊断对象的故障信息不断地得到完善,适用于各种设备的故障诊断。在数控设备诊断对象已经发生故障时,利用FPN的反向推理和正向激发,可以迅速确定故障源,消除了传统故障诊断的盲目性,提高了故障诊断的效率。
附图说明
图1是本发明一实施例的基于模糊Petri网的数控设备故障诊断方法的流程图;
图2是本发明一实施例的以数控机床液压系统故障诊断为实施例的故障诊断模型示意图;
图3是本发明一实施例的于模糊Petri网的数控设备故障诊断方法的内部流程图。
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所示,本发明提供一种基于模糊Petri网的数控设备故障诊断方法,包括:
步骤S1,分析数控设备诊断对象的故障信息,收集数控设备诊断对象的故障原因、故障位置、故障现象、故障诊断方案;
步骤S2,整理故障诊断发生的故障事件、故障条件以及对应方案;
步骤S3,根据所述故障信息建立数控设备诊断对象的模糊Petri网故障诊断模型,由数控设备诊断对象的故障事件设定库所置信度值、变迁的阀值、变迁的规则置信度,并根据变迁的正向激发统计变迁激发次数计算变迁激发频率,再根据变迁的逆向激发计算逆向激发值;
步骤S4,建立初始库所集、变迁集、目标库所集以及每个库所的立即可达集合和可达集合;
步骤S5,根据故障现象在模糊规则下对数控设备诊断对象进行逆向推理,得到故障原因,检查现场判断是否为引起故障的故障原因,
若是,则推理结束,对数控设备诊断对象进行故障点的维修;
若不是,根据逆向推理检测下一个故障原因库所对应的故障命题,直到找到故障原因库所为止;现场检测实际情况给出故障原因库所可信度,设定变迁激发阀值,由故障原因库所进行正向激发,观察托肯在模糊推理规则下能否到达目标库所,若能则得到引起故障现象发生的原因,若不能再检查下一个故障原因库所依次进行故障诊断,直到找到故障原因。
在此,Petri网是一种用网状图形表示系统建模的方法,是1962年由德国Bonn大学Petri.C.A提出来的,是一种具有严格数学定义的图形建模工具,而且有很强的功能分布和功能描述能力,是对异步、离散、并发事件动态系统建模和性能分析的有力工具,具有可达性、安全性、可逆性、有界性等性质。在故障诊断中,利用Petri网可以很好地描述故障的产生过程。
由于故障信息的不确定性或模糊性,用普通Petri网建模方法很难满足故障诊断的要求,因此发明将模糊技术于Petri网相结合,定义了模糊Petri网(简称FPN)模型。FPN是离散事件动态系统建模和分析的有力工具,是对于构造模糊产生规则的良好图形建模工具,利用FPN模糊规则对库所状态进行并行分析和模糊推理。为了使Petri网具有模糊推理能力,本发明提出一种基于模糊Petri网的智能故障诊断方法。
本发明从网论的基本原理出发,结合诊断问题的特点,以数控机床故障诊断为例,对故障诊断领域的Petri网模型进行了研究,同时利用模糊Petri网可分层的特点,将相对复杂的故障逐层细分,从而缩小诊断范围,最终实现数控设备诊断对象故障诊断的效率和实用性的提高。
本发明在传统的FPN的故障诊断基础上,引入变迁逆向激发的概念,对故障诊断的迅速性有了更大的提升,对及时排除故障,提高数控设备诊断对象的生产率的可能性。基于改进的模糊Petri网,既有定量分析,又有定性分析,计算推理与仿真相结合,逻辑连贯清晰,在之后的计算机软件上实现打下了良好的基础,于此同时,FPN还可以根据实际情况对数控设备诊断对象进行增减必要的系统故障原因,以使得数控设备诊断对象的故障信息不断地得到完善,适用于各种设备的故障诊断。在数控设备诊断对象已经发生故障时,利用FPN的反向推理和正向激发,可以迅速确定故障源,消除了传统故障诊断的盲目性,提高了故障诊断的效率。
本发明的基于模糊Petri网的数控设备故障诊断方法一实施例中,步骤S1,分析数控设备诊断对象的故障信息,收集数控设备诊断对象的故障原因、故障位置、故障现象、故障诊断方案,包括:
将易发的故障原因作为起始库所,将故障位置作为中间库所,将故障现象作为目标库所。
本发明的基于模糊Petri网的数控设备故障诊断方法一实施例中,所述故障事件、故障条件以及对应方案为各自库所成立的命题。
本发明的基于模糊Petri网的数控设备故障诊断方法一实施例中,所述模糊Petri网故障诊断模型为十元组:
FPN=(P,T,D,I,O,f,α,β,γ,μ),
其中:
P={p1,p2,…,pn,}为库所的非空有限集合;
T={t1,t2,…,tn}为变迁的非空有限集合;
D={d1,d2,…,dn}为命题的非空有限集合;
|P|=|D|;
I:P×Ti{0,1}为输入函数,若I(p,t)=1,则表示p与t之间有联系,此时p为t的输入库所,t的所有库所集合表示为·t,或I(t);若I(p,t)=0,则p与t之间无联系;
O:T×P→{0,1}为输入函数,若O(p,t)=1,则表示t与p之间有联系,此时p为t的输出库所,t的所有库所集合表示为t·,或O(t);若O(p,t)=0,则t与p之间无联系;
f为变迁逆向激发函数,f(ti)=μi×γi,f(ti)∈[0,1];
α:P→[0,1]为P的一个关联函数,它表示P至一个0到1之间的实数的映射;
β:P→D为P的关联函数,它表示P至命题集合的双向映射;
γ为变迁频率函数,即γ(ti)=γi,γi∈[0,1],表示变迁ti激发的频率为γi;
μ为变迁可信度函数,即μ(ti)=μi,μi∈[0,1],表示变迁ti的可信度为μi;
令A为一有向弧的集合,若pj∈I(ti),则存在一个从pj至ti的有向弧aji,aji∈A;若pk∈O(ti),则存在一个从ti至pk的有向弧aik,aik∈A;若f(ti)=μi,μi∈[0,1],则称ti与实数μi关联;若β(pi)=di,di∈D,则称pi与命题di关联。
本发明的基于模糊Petri网的数控设备故障诊断方法一实施例中,所述初始库所集与目标库所集为P={p1,p2,…,pn,},为库所的非空有限集合;
所述变迁集为T={t1,t2,…,tn},为变迁的非空有限集合;
FPN的可达性是由立即可达集与可达集表示:
令ta为一变迁,pi、pj以及pk为三个库所,若pi∈I(ta),且pk∈O(ta),则称pk是从pi立即可达的;若pj是从pk立即可达的,则称pj是从pi可达的,所有从库所pi立即可达的库所的集合称为pi的立即可达集合,记为IRS(pi);所有从pi可达的库所的集合称为pi的可达集合,记为RS(pi);若库所pi与pk君为变迁ta的输入库所,即pi∈I(ta)且pk∈I(ta),则称pi与pk为关于ta的相邻库所。
本发明的基于模糊Petri网的数控设备故障诊断方法一实施例中,步骤S5,根据故障现象在模糊规则下对数控设备诊断对象进行逆向推理,得到故障原因,检查现场判断是否为引起故障的故障原因中,
定义三种类型的库所:第一类称为目标库所,所述目标库所所对应的命题反映的征兆或现象,在FPN中表现为只有输出变迁;第一类称为起始库所,表示引发故障征兆或现象的原因,也是诊断推理的最终结果,在FPN中表现为只有输出变迁,没有输入变迁;其余的库所称为中间库所,故障诊断任务就是根据出现的征兆库所,寻找能导致征兆库所的故障库所的过程。
本发明的基于模糊Petri网的数控设备故障诊断方法一实施例中,所述逆向推理包括:
库所的可达性在这个推理过程中起着关键的作用,首先,列出各个库所的立即可达性集合IRS(pi)和可达性集合RS(pi),库所pi的立即可达性集合为库所pi值经过一次变迁所达到的库所集合,库所pi的可达性集合RS(pi)为库所pi经过一系列变迁所得到的库所的集合;将故障现象库所pi作为目标,以故障现象库所pi为立即可达集的所有库所中,优先诊断最大逆向激发值对应的库所,如果库所为诊断原因库所,逆向推理结束;如果该库所为故障部位库所,重新将故障部位库所作为目标继续逆向推理,直到逆向激发得到的库所为故障原因库所。
本发明的基于模糊Petri网的数控设备故障诊断方法一实施例中,所述正向激发包括:
将故障原因库所作为故障诊断的起始库所,在故障原因库所中放置一个托肯(Token),表示该库所对应的命题存在;检查故障的人员经过逆向推理得到故障原因,判断故障原因的真实程度,给予故障原因库所的可信度,然后判断变迁是否可以激发;输入库所变迁表示变迁激发的前提条件,输出库所表示变迁激发导致的结果,给定每个变迁固定的阀值λ。当α(pi)≥λ,变迁激发,托肯转移到变迁激发的输出库所中,如果输出库所为故障现象库所,说明故障原因已经扎到,如果输出库所为故障部位库所,继续进行激发,直到托肯(Token)到达故障现象库所;当α(pi)<λ,变迁无法激发,对模糊Petri网其他故障部位和故障原因库所进行逆向推理,重新诊断。
以下将结合附图,对本发明的技术方案以数控机床液压系统故障诊断为实施例的故障诊断进行详细说明。
结合图1和图2,一种基于模糊Petri网的智能故障诊断方法包括以下步骤:
步骤(1):模糊Petri网定义为一个十元组:
FPN=(P,T,D,I,O,f,α,β,γ,μ)
其中:
P={p1,pi,…,pn,}为库所的非空有限集合;
T={t1,t2,…,tn}为变迁的非空有限集合;
D={d1,d2,…,dn}为命题的非空有限集合;
|P|=|D|;
I:P×T→{0,1}为输入函数,若I(p,t)=1,则表示p与t之间有联系,此时p为t的输入库所,t的所有库所集合表示为·t,或I(t);若I(p,t)=0,则p与t之间无联系;
O:T×P→{0,1}为输入函数,若O(p,t)=1,则表示t与p之间有联系,此时p为t的输出库所,t的所有库所集合表示为t·,或O(t);若O(p,t)=0,则t与p之间无联系;
f为变迁逆向激发函数,f(ti)=μi×γi,f(ti)∈[0,1];
α:P→[0,1]为P的一个关联函数,它表示P至一个0到1之间的实数的映射;
β:P→D为P的关联函数,它表示P至命题集合的双向映射;
γ为变迁频率函数,即γ(ti)=γi,γi∈[0,1],表示变迁ti激发的频率为γi;
μ为变迁可信度函数,即μ(ti)=μi,μi∈[0,1],表示变迁ti的可信度为μi;
令A为一有向弧的集合,若pj∈I(ti),则存在一个从pj至ti的有向弧aji,aji∈A;
若pk∈O(ti),则存在一个从ti至pk的有向弧aik,aik∈A。若f(ti)=μi,μi∈[0,1],则称ti与实数μi关联;若β(pi)=di,di∈D,则称pi与命题di关联。
步骤(2):根据图2数控机床液压系统故障诊断的模糊Petri网模型获得各个库所的立即可达集IRS(pi)和可达集RS(pi)如表1。
表1库所的立即可达集IRS(pi)和可达集RS(pi)
步骤(3):根据数控机床液压系统故障诊断获得故障信息,对每个库所进行命题定义,得到每个库所所代表的含义如表2:
表2命题di的含义
步骤(4):根据模糊取值范围确定变迁的可信度与变迁的激发频率,以及根据模糊推理规则,计算求得变迁逆向激发值如下表3:
表3变迁的可信度、激发频率、逆向激发值
图3为本发明的内部流程图一种基于模糊Petri网的智能故障诊断方法示意图,获得数控机床液压系统故障信息后,以图3中所示库所P16为例进行实施一种基于模糊Petri网的智能故障诊断方法。
(1)逆向推理
根据故障现象对液压系统进行逆向推理,max[f(t20),f(t21),f(t29)]=f(t29),变迁t29优先逆向激发,输入库所p29为故障部位库所,对应的命题为d29液压站故障。以p29为目标继续逆向推理,max[f(t15),f(t16),f(t17),f(t18),f(t19)]=f(t16),变迁t16优先逆向激发,输入库所p16为故障原因库所,对应的命题为d16流量、压力开关故障,逆向推理结束。
根据逆向推理,故障现象液压系统故障的故障诊断原因顺序依次为:
β(p16)=d16,流量、压力开关故障→β(p15)=d15,电磁阀故障→β(p17)=d17,油泵电机故障→β(p18)=d18油泵输出端无油或流量过少→β(p21)=d21,管路破损或阻塞→β(p19)=d19,联轴器损坏→β(p20)=d20,过滤器阻塞。
(2)正向激发
逆向推理得到液压系统故障的原因为流量、压力开关故障,维修人员检查流量开关和压力开关是否发生故障,并给予维修。根据实际情况给出故障原因库所可信度。设定变迁激发阀值λ=0.71。如果“流量、压力开关故障”、“非常真实”,给予库所p16可信度α(p16)=0.96>λ,变迁t16激发,α(p29)=α(p16)×μ(t16)=0.93>λ,变迁t29激发,最终达到故障现象库所,及故障原因找到。如果命题“流量、压力开关故障”、“不太真实”,给予库所可行度α(p16)=0.56<λ,变迁t16无法激发,说明流量、压力开关故障不是液压系统故障的根本原因。再检查故障原因电磁阀故障,依次进行故障诊断,直到找到故障原因。
本发明从网论的基本原理出发,结合诊断问题的特点,以数控机床故障诊断为例,对故障诊断领域的Petri网模型进行了研究,同时利用模糊Petri网可分层的特点,将相对复杂的故障逐层细分,从而缩小诊断范围,最终实现数控设备诊断对象故障诊断的效率和实用性的提高。
本发明的各系统实施例的详细内容,具体可参见各方法实施例的对应部分,在此,不再赘述。
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 (8)
1.一种基于模糊Petri网的数控设备故障诊断方法,其特征在于,包括:
分析数控设备诊断对象的故障信息,收集数控设备诊断对象的故障原因、故障位置、故障现象、故障诊断方案;
整理故障诊断发生的故障事件、故障条件以及对应方案;
根据所述故障信息建立数控设备诊断对象的模糊Petri网故障诊断模型,由数控设备诊断对象的故障事件设定库所置信度值、变迁的阀值、变迁的规则置信度,并根据变迁的正向激发统计变迁激发次数计算变迁激发频率,再根据变迁的逆向激发计算逆向激发值;
建立初始库所集、变迁集、目标库所集以及每个库所的立即可达集合和可达集合;
根据故障现象在模糊规则下对数控设备诊断对象进行逆向推理,得到故障原因,检查现场判断是否为引起故障的故障原因,
若是,则推理结束,对数控设备诊断对象进行故障点的维修;
若不是,根据逆向推理检测下一个故障原因库所对应的故障命题,直到找到故障原因库所为止;现场检测实际情况给出故障原因库所可信度,设定变迁激发阀值,由故障原因库所进行正向激发,观察托肯在模糊推理规则下能否到达目标库所,若能则得到引起故障现象发生的原因,若不能再检查下一个故障原因库所依次进行故障诊断,直到找到故障原因。
2.如权利要求1所述的基于模糊Petri网的数控设备故障诊断方法,其特征在于,分析数控设备诊断对象的故障信息,收集数控设备诊断对象的故障原因、故障位置、故障现象、故障诊断方案,包括:
将易发的故障原因作为起始库所,将故障位置作为中间库所,将故障现象作为目标库所。
3.如权利要求1所述的基于模糊Petri网的数控设备故障诊断方法,其特征在于,所述故障事件、故障条件以及对应方案为各自库所成立的命题。
4.如权利要求1所述的基于模糊Petri网的数控设备故障诊断方法,其特征在于,所述模糊Petri网故障诊断模型为十元组:
FPN=(P,T,D,I,O,f,α,β,γ,μ),
其中:
P={p1,p2,…,pn}为库所的非空有限集合;
T={t1,t2,…,tn}为变迁的非空有限集合;
D={d1,d2,…,dn}为命题的非空有限集合;
|P|=|D|;
I:P×T→{0,1}为输入函数,若I(p,t)=1,则表示p与t之间有联系,此时p为t的输入库所,t的所有库所集合表示为·t,或I(t);若I(p,t)=0,则p与t之间无联系;
O:T×P→{0,1}为输入函数,若O(p,t)=1,则表示t与p之间有联系,此时p为t的输出库所,t的所有库所集合表示为t·,或O(t);若O(p,t)=0,则t与p之间无联系;
f为变迁逆向激发函数,f(ti)=μi×γi,f(ti)∈[0,1];
α:P→[0,1]为P的一个关联函数,它表示P至一个0到1之间的实数的映射;
β:P→D为P的关联函数,它表示P至命题集合的双向映射;
γ为变迁频率函数,即γ(ti)=γi,γi∈[0,1],表示变迁ti激发的频率为γi;
μ为变迁可信度函数,即μ(ti)=μi,μi∈[0,1],表示变迁ti的可信度为μi;
令A为一有向弧的集合,若pj∈I(ti),则存在一个从pj至ti的有向弧aji,aji∈A;若pk∈O(ti),则存在一个从ti至pk的有向弧aik,aik∈A;若f(ti)=μi,μi∈[0,1],则称ti与实数μi关联;若β(pi)=di,di∈D,则称pi与命题di关联;
其中,p1,p2,…,pn分别表示各个库所的数值数学符号;
t1,t2,…,tn分别表示各个变迁的数值数学符号;
d1,d2,…,dn分别表示各个命题的数值数学符号;
p表示库所,t表示变迁;
pk表示库所的非空有限集合中输出库所中的某一个库所;
ti表示变迁的非空有限集合中的某一个变迁;
pj表示库所的非空有限集合中输入库所中的某一个库所。
5.如权利要求4所述的基于模糊Petri网的数控设备故障诊断方法,其特征在于,所述初始库所集与目标库所集为P={p1,p2,…,pn,},为库所的非空有限集合;
所述变迁集为T={t1,t2,…,tn},为变迁的非空有限集合;
FPN的可达性是由立即可达集与可达集表示:
令ta为一变迁,pi、pj以及pk为三个库所,若pi∈I(ta),且pk∈O(ta),则称pk是从pi立即可达的;若pj是从pk立即可达的,则称pj是从pi可达的,所有从库所pi立即可达的库所的集合称为pi的立即可达集合,记为IRS(pi);所有从pi可达的库所的集合称为pi的可达集合,记为RS(pi);若库所pi与pk君为变迁ta的输入库所,即pi∈I(ta)且pk∈I(ta),则称pi与pk为关于ta的相邻库所。
6.如权利要求1所述的基于模糊Petri网的数控设备故障诊断方法,其特征在于,根据故障现象在模糊规则下对数控设备诊断对象进行逆向推理,得到故障原因,检查现场判断是否为引起故障的故障原因中,
定义三种类型的库所:第一类称为目标库所,所述目标库所所对应的命题反映的征兆或现象,在FPN中表现为只有输出变迁;第一类称为起始库所,表示引发故障征兆或现象的原因,也是诊断推理的最终结果,在FPN中表现为只有输出变迁,没有输入变迁;其余的库所称为中间库所,故障诊断任务就是根据出现的征兆库所,寻找能导致征兆库所的故障库所的过程。
7.如权利要求6所述的基于模糊Petri网的数控设备故障诊断方法,其特征在于,所述逆向推理包括:
库所的可达性在这个推理过程中起着关键的作用,首先,列出各个库所的立即可达性集合IRS(pi)和可达性集合RS(pi),库所pi的立即可达性集合为库所pi值经过一次变迁所达到的库所集合,库所pi的可达性集合RS(pi)为库所pi经过一系列变迁所得到的库所的集合;将故障现象库所pi作为目标,以故障现象库所pi为立即可达集的所有库所中,优先诊断最大逆向激发值对应的库所,如果库所为诊断原因库所,逆向推理结束;如果该库所为故障部位库所,重新将故障部位库所作为目标继续逆向推理,直到逆向激发得到的库所为故障原因库所。
8.如权利要求7所述的基于模糊Petri网的数控设备故障诊断方法,其特征在于,所述正向激发包括:
将故障原因库所作为故障诊断的起始库所,在故障原因库所中放置一个托肯,表示该库所对应的命题存在;检查故障的人员经过逆向推理得到故障原因,判断故障原因的真实程度,给予故障原因库所的可信度,然后判断变迁是否可以激发;输入库所变迁表示变迁激发的前提条件,输出库所表示变迁激发导致的结果,给定每个变迁固定的阀值λ;当α(pi)≥λ,变迁激发,托肯转移到变迁激发的输出库所中,如果输出库所为故障现象库所,说明故障原因已经扎到,如果输出库所为故障部位库所,继续进行激发,直到托肯到达故障现象库所;当α(pi)<λ,变迁无法激发,对模糊Petri网其他故障部位和故障原因库所进行逆向推理,重新诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910705455.6A CN110333694B (zh) | 2019-07-31 | 2019-07-31 | 基于模糊Petri网的数控设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910705455.6A CN110333694B (zh) | 2019-07-31 | 2019-07-31 | 基于模糊Petri网的数控设备故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110333694A CN110333694A (zh) | 2019-10-15 |
CN110333694B true CN110333694B (zh) | 2022-02-22 |
Family
ID=68148283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910705455.6A Active CN110333694B (zh) | 2019-07-31 | 2019-07-31 | 基于模糊Petri网的数控设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110333694B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209516B (zh) * | 2020-01-06 | 2023-04-28 | 广东工业大学 | 基于Petri网诊断器的离散事件系统模式故障在线诊断方法 |
CN114545898A (zh) * | 2022-01-21 | 2022-05-27 | 大唐互联科技(武汉)有限公司 | 一种基于petri-net模型的无人机轨迹验证方法和系统 |
CN117111589B (zh) * | 2023-10-23 | 2024-01-02 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制系统故障诊断方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670553A (zh) * | 2018-12-25 | 2019-04-23 | 福州大学 | 基于自适应神经模糊推理系统的光伏阵列故障诊断方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006047762B4 (de) * | 2006-10-06 | 2008-10-16 | Siemens Ag | System zum Testen der Funktion eines Computernetzwerkes |
CN101178703B (zh) * | 2007-11-23 | 2010-05-19 | 西安交通大学 | 基于网络分割的故障诊断谱聚类方法 |
CN102146845B (zh) * | 2011-01-28 | 2013-07-03 | 中国人民解放军海军工程大学 | Petri网图形化方法及在船用燃气轮机故障诊断上的应用 |
CN104765965A (zh) * | 2015-04-15 | 2015-07-08 | 国家电网公司 | 基于模糊Petri的GIS故障诊断与可靠性分析方法 |
CN109039739A (zh) * | 2018-08-01 | 2018-12-18 | 南瑞集团有限公司 | 一种改进模糊Petri的电力通信现场故障诊断方法 |
-
2019
- 2019-07-31 CN CN201910705455.6A patent/CN110333694B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670553A (zh) * | 2018-12-25 | 2019-04-23 | 福州大学 | 基于自适应神经模糊推理系统的光伏阵列故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110333694A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110333694B (zh) | 基于模糊Petri网的数控设备故障诊断方法 | |
Lee et al. | Intelligent prognostics tools and e-maintenance | |
CN101950382B (zh) | 一种带有风险控制的液压设备最优维修计算方法 | |
CN110779746A (zh) | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 | |
Roemer et al. | An overview of selected prognostic technologies with application to engine health management | |
CN116186946B (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
Xiao et al. | HMM‐TCN‐based health assessment and state prediction for robot mechanical axis | |
CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
CN109522962A (zh) | 一种化工厂安全定量评估方法 | |
CN115964907A (zh) | 复杂系统健康趋势预测方法、系统、电子设备及存储介质 | |
CN108825482B (zh) | 一种飞机轴向柱塞泵的故障检测方法及检测系统 | |
CN116611523B (zh) | 涡轮风扇发动机的可解释故障预测方法及系统 | |
CN117874955A (zh) | 一种基于有限元分析的齿轮寿命疲劳预测方法 | |
Guo et al. | Towards practical and synthetical modelling of repairable systems | |
CN111842759A (zh) | 基于工业互联网平台的重型锻造装备远程运维系统架构 | |
Kim et al. | A study toward appropriate architecture of system-level prognostics: physics-based and data-driven approaches | |
CN116151312A (zh) | 基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统 | |
CN114782788A (zh) | 基于先验知识的工业故障诊断方法和系统 | |
Mohammadi et al. | Analysis of numerical integration in RNN-based residuals for fault diagnosis of dynamic systems | |
Dong et al. | A CNN-ELM compound fault diagnosis method based on joint distribution modification | |
CN118152786B (zh) | 基于知识图谱的设备故障辅助决策方法、系统及存储介质 | |
CN114896463B (zh) | 一种基于汽车质量问题数据库的问题录入方法及系统 | |
Yin et al. | Fault diagnosis of excavator hydraulic system based on expert system | |
Stein | Model compilation and diagnosability of technical systems | |
Yan et al. | Reliability prediction of a hydraulic system with probabilistic model checking |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |