CN112016208B - 一种考虑扰动的隐含故障诊断方法及系统 - Google Patents

一种考虑扰动的隐含故障诊断方法及系统 Download PDF

Info

Publication number
CN112016208B
CN112016208B CN202010883377.1A CN202010883377A CN112016208B CN 112016208 B CN112016208 B CN 112016208B CN 202010883377 A CN202010883377 A CN 202010883377A CN 112016208 B CN112016208 B CN 112016208B
Authority
CN
China
Prior art keywords
implicit
fault diagnosis
implicit fault
parameter
equipment
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
Application number
CN202010883377.1A
Other languages
English (en)
Other versions
CN112016208A (zh
Inventor
胡昌华
唐帅文
周志杰
曹友
宁鹏云
张春潮
王杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202010883377.1A priority Critical patent/CN112016208B/zh
Publication of CN112016208A publication Critical patent/CN112016208A/zh
Application granted granted Critical
Publication of CN112016208B publication Critical patent/CN112016208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Manufacturing & Machinery (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种考虑扰动的隐含故障诊断方法及系统。该方法包括：获取隐含故障诊断模型；隐含故障诊断模型包括状态方程和观测方程；状态方程为基于扰动证据推理规则构建的状态方程，状态方程用于估计设备的隐含故障特征；状态方程用于估计设备的实际观测信息；获取当前时刻采集的设备观测信息；根据设备观测信息判断当前时刻设备是否受到扰动；如果是，采用隐含故障诊断模型对设备的隐含故障特征和设备的实际观测信息进行估计，确定设备的隐含故障诊断结果；如果否，采用隐含故障诊断模型对设备的隐含故障特征进行估计，确定设备的隐含故障诊断结果。本发明可以提高隐含故障诊断的准确度。

Description

一种考虑扰动的隐含故障诊断方法及系统
技术领域
本发明涉及故障诊断领域，特别是涉及一种考虑扰动的隐含故障诊断方法及系统。
背景技术
复杂系统的故障按照可观测性通常分为可观测故障和隐含故障。在工程实际中，技术人员无法直接检测到后一种故障状态，因此，对系统的隐含故障进行诊断也开始受到了广泛关注。以惯性导航系统为例，漂移是决定其导航精度和工作性能的主要因素，直接表征了系统的故障状态。然而，在系统运行过程中，漂移无法被直接获取，只能通过某些特征电压、电流或脉冲信号等状态量来反映。如果技术人员不能有效地掌握系统的漂移状态，系统中潜在的故障就无法被有效识别，甚至可能会造成严重损失。如何有效利用复杂系统的可观测信息，快速准确地对系统的隐含故障进行诊断，保证系统安全可靠运行，是急需解决的问题。
在已有的关于复杂系统隐含故障诊断方法的研究中，典型的有基于模型的方法、数据驱动的方法、基于定性知识的方法和基于半定量信息的方法。虽然前三种方法在不同的工程实际中得到了广泛应用，但仍存在一定的局限性。对于复杂系统而言，其组成部件众多，各部件的工作机理不同且包含不确定性。因此，基于模型的方法无法建立精确的数学模型来描述隐含故障。对于惯性导航系统这类复杂系统来说，受测试频率和测试次数限制，所能获取的故障测试数据往往较少。因此，数据驱动的方法也不能较好地实现隐含故障诊断。基于定性知识的方法可以合理利用专家知识，但也存在一定的主观不确定性，导致隐含故障诊断结果不够准确。相比于前三种方法，基于半定量信息的方法更具综合性，能够更好地处理定量数据和定性知识，并实现更准确的隐含故障诊断。
然而，在基于半定量信息的方法研究中，大部分只考虑了单个隐含故障的诊断，而没有考虑其它隐含故障。以惯性导航系统为例，陀螺仪漂移和加速度计漂移都属于隐含故障特征，有必要对这些状态特征进行有效掌控，即对多隐含故障进行诊断。此外，现有的研究忽略了扰动对故障诊断的影响。当惯性导航系统在强激励信号或旋转平台异常启停等扰动下工作时，其隐含故障的状态可能会发生变化并产生不确定性，这些不确定性将会间接地反映在可观测信息中。
鉴于此，急需一种既能综合利用半定量信息，又能考虑多隐含故障特征，且能有效识别扰动信息的隐含故障诊断方法。
发明内容
本发明的目的是提供一种考虑扰动的隐含故障诊断方法及系统，以考虑扰动对故障诊断的影响，提高隐含故障诊断的准确度。
为实现上述目的，本发明提供了如下方案：
一种考虑扰动的隐含故障诊断方法，包括：
获取隐含故障诊断模型；所述隐含故障诊断模型包括状态方程和观测方程；所述状态方程为基于扰动证据推理规则构建的状态方程，所述状态方程用于估计设备的隐含故障特征；所述状态方程用于估计所述设备的实际观测信息；
获取当前时刻采集的设备观测信息；
根据所述设备观测信息判断当前时刻所述设备是否受到扰动；
当所述设备受到扰动时，采用所述隐含故障诊断模型对所述设备的隐含故障特征和所述设备的实际观测信息进行估计；
根据隐含故障特征的估计值和所述实际观测信息的估计值，确定所述设备的隐含故障诊断结果；
当所述设备未受到扰动时，采用所述隐含故障诊断模型对所述设备的隐含故障特征进行估计；
根据所述隐含故障特征的估计值和所述设备观测信息，确定所述设备的隐含故障诊断结果。
可选的，所述获取隐含故障诊断模型，具体包括：
基于状态空间方程，确定复杂系统的状态方程和观测方程；
将所述复杂系统的观测方程确定为所述隐含故障诊断模型中所述设备的观测方程；
基于所述复杂系统的状态方程，采用扰动证据推理规则建立所述隐含故障诊断模型中每个隐含故障特征对应的状态方程；
采用期望最大化法估计所述隐含故障诊断模型中的参数，得到确定参数后的隐含故障诊断模型；所述隐含故障诊断模型中的参数包括第一参数和第二参数，所述第一参数为每个隐含故障特征对应的状态方程中的参数，所述第二参数为所述设备的观测方程中的参数。
可选的，所述隐含故障诊断模型中所述设备的观测方程为：
y(t)＝G(x(t),Ψ)+υ(t)；
其中，y(t)为当前时刻的可观测量；x(t)为当前时刻的隐含故障特征；G(·)为非线性函数，表示隐含故障特征与可观测量之间的映射关系；Ψ为第二参数，表示G(·)的参数向量；υ(t)表示n维噪声向量。
可选的，所述基于所述复杂系统的状态方程，采用扰动证据推理规则建立所述隐含故障诊断模型中每个隐含故障特征对应的状态方程，具体包括：
基于所述复杂系统的状态方程x(t)＝F(x(t-1),Ωσ)，采用扰动证据推理规则，利用公式xl(t)＝ERrule_l(x(t-1),Ω)建立第l个隐含故障特征对应的状态方程；式中，x(t)为当前时刻的隐含故障特征，x(t)＝[x1(t),…,xm(t)]T，m表示隐含故障特征的数量，xj(t)表示第j类隐含故障特征，j＝1,…,m；F(·)为表示前一时刻的隐含故障特征x(t-1)与当前时刻的隐含故障特征x(t)之间映射关系的非线性函数；Ωσ为第一参数，表示F(·)的参数向量，且包含扰动强度σ(t)；xl(t)为当前时刻第l个隐含故障特征；ERrule_l(·)表示第l个隐含故障诊断子模型，用于建立当前时刻的第l个隐含故障特征和前一时刻所有的隐含故障特征x(t-1)之间的非线性关系，且l＝1,…,m；Ω为所述第一参数中第l个隐含故障特征对应的参数；
确定前一时刻所有的隐含故障特征x(t-1)在辨识框架下的置信分布S(xj(t-1))：
Figure BDA0002654793990000041
式中，S(·)表示置信分布函数；
Figure BDA0002654793990000042
Θ为辨识框架，Θ＝{H1,H2,…,HN}；P(Θ)为辨识框架的幂集；
Figure BDA0002654793990000043
为xj(t-1)对应于等级P(Θ)时所分配的混合概率质量；
Figure BDA0002654793990000044
表示xj(t-1)对应于等级H时所分配的混合概率质量，计算公式为：
Figure BDA0002654793990000045
其中，
Figure BDA0002654793990000046
wj(t-1)为xj(t-1)的权重，rj(t-1)为xj(t-1)的可靠度；
Figure BDA0002654793990000047
表示第j个隐含故障特征xj(t-1)相对于等级H的置信度，
Figure BDA0002654793990000048
基于前一时刻所有的隐含故障特征x(t-1)在辨识框架下的置信分布，根据前一时刻所有的隐含故障特征x(t-1)中每个元素提供给所述第l个隐含故障诊断子模型的证据，计算第l个隐含故障诊断子模型中所有证据组合后相对于等级H的置信度
Figure BDA0002654793990000049
Figure BDA00026547939900000410
其中，
Figure BDA00026547939900000411
wj,l(t-1)为第j个元素提供给所述第l个隐含故障诊断子模型的证据的权重，rj,l(t-1)为第j个元素提供给所述第l个隐含故障诊断子模型的证据的可靠度；参数
Figure BDA00026547939900000412
N为辨识框架中等级的个数；
获取等级H的效用；
根据所述等级H的效用和所有证据组合后相对于等级H的置信度
Figure BDA00026547939900000413
确定第l个隐含故障诊断子模型，即第l个隐含故障特征对应的状态方程：
Figure BDA0002654793990000051
其中，u(H)为等级H的效用；
依次确定每个隐含故障特征对应的状态方程，得到所述隐含故障诊断模型。
可选的，所述采用期望最大化法估计所述隐含故障诊断模型中的参数，得到确定参数后的隐含故障诊断模型，具体包括：
采用期望最大化法建立目标函数：max{Γ(R|Rk)}；约束条件为：
Figure BDA0002654793990000052
R为所述隐含故障诊断模型中的参数，R＝[Ωσ,Ψ]T；Ψ为第二参数；Ωσ为第一参数，所述第一参数中第i个隐含故障特征对应的参数Ω为[wi(t),ri(t)]，wi(t)为当前时刻第i个隐含故障特征的权重，ri(t)为当前时刻第i个隐含故障特征的可靠度；
对所述目标函数求解，得到所述隐含故障诊断模型中的参数的估计值，得到确定参数后的隐含故障诊断模型；所述隐含故障诊断模型包括多个隐含故障诊断子模型。
可选的，根据所述设备观测信息判断当前时刻所述设备是否受到扰动，具体包括：
对于所述设备观测信息中的第i个观测量，获取所述第i个观测量在设定时间段内的观测数据；
计算所述第i个观测量在设定时间段内的平均观测值；
判断是否满足
Figure BDA0002654793990000053
式中，yi(τ)为τ时刻第i个观测量的观测值；
Figure BDA0002654793990000054
为所述第i个观测量在设定时间段内的平均观测值；ρ为所述第i个观测量在设定时间段内的方差；ψ为调整扰动作用范围的参数；
当不满足
Figure BDA0002654793990000055
时，确定τ时刻所述设备受到扰动；
当满足
Figure BDA0002654793990000056
时，确定τ时刻所述第i个观测量未受到扰动；
当τ时刻所有观测量均未受到扰动时，确定τ时刻所述设备未受到扰动。
本发明还提供一种考虑扰动的隐含故障诊断系统，包括：
隐含故障诊断模型获取模块，用于获取隐含故障诊断模型；所述隐含故障诊断模型包括状态方程和观测方程；所述状态方程为基于扰动证据推理规则构建的状态方程，所述状态方程用于估计设备的隐含故障特征；所述状态方程用于估计所述设备的实际观测信息；
设备观测信息获取模块，用于获取当前时刻采集的设备观测信息；
扰动判断模块，用于根据所述设备观测信息判断当前时刻所述设备是否受到扰动；
信息估计模块，用于当所述设备受到扰动时，采用所述隐含故障诊断模型对所述设备的隐含故障特征和所述设备的实际观测信息进行估计；当所述设备未受到扰动时，采用所述隐含故障诊断模型对所述设备的隐含故障特征进行估计；
故障诊断结果确定模块，用于当所述设备受到扰动时，根据隐含故障特征的估计值和所述实际观测信息的估计值，确定所述设备的隐含故障诊断结果；当所述设备未受到扰动时，根据所述隐含故障特征的估计值和所述设备观测信息，确定所述设备的隐含故障诊断结果。
可选的，所述隐含故障诊断模型获取模块，具体包括：
复杂系统状态方程和观测方程确定单元，用于基于状态空间方程，确定复杂系统的状态方程和观测方程；
隐含故障诊断模型中观测方程确定单元，用于将所述复杂系统的观测方程确定为所述隐含故障诊断模型中所述设备的观测方程；
隐含故障特征对应的状态方程建立单元，用于基于所述复杂系统的状态方程，采用扰动证据推理规则建立所述隐含故障诊断模型中每个隐含故障特征对应的状态方程；
隐含故障诊断模型中参数估计单元，用于采用期望最大化法估计所述隐含故障诊断模型中的参数，得到确定参数后的隐含故障诊断模型；所述隐含故障诊断模型中的参数包括第一参数和第二参数，所述第一参数为每个隐含故障特征对应的状态方程中的参数，所述第二参数为所述设备的观测方程中的参数。
可选的，所述隐含故障特征对应的状态方程建立单元，具体包括：
隐含故障特征对应的状态方程建立子单元，用于基于所述复杂系统的状态方程x(t)＝F(x(t-1),Ωσ)，采用扰动证据推理规则，利用公式xl(t)＝ERrule_l(x(t-1),Ω)建立第l个隐含故障特征对应的状态方程；式中，x(t)为当前时刻的隐含故障特征，x(t)＝[x1(t),…,xm(t)]T，m表示隐含故障特征的数量，xj(t)表示第j类隐含故障特征，j＝1,…,m；F(·)为表示前一时刻的隐含故障特征x(t-1)与当前时刻的隐含故障特征x(t)之间映射关系的非线性函数；Ωσ为第一参数，表示F(·)的参数向量，且包含扰动强度σ(t)；xl(t)为当前时刻第l个隐含故障特征；ERrule_l(·)表示第l个隐含故障诊断子模型，用于建立当前时刻的第l个隐含故障特征和前一时刻所有的隐含故障特征x(t-1)之间的非线性关系，且l＝1,…,m；Ω为所述第一参数中第l个隐含故障特征对应的参数；
置信分布确定子单元，用于确定前一时刻所有的隐含故障特征x(t-1)在辨识框架下的置信分布S(xj(t-1))：
Figure BDA0002654793990000071
式中，S(·)表示置信分布函数；
Figure BDA0002654793990000072
Θ为辨识框架，Θ＝{H1,H2,…,HN}；P(Θ)为辨识框架的幂集；
Figure BDA0002654793990000073
为xj(t-1)对应于等级P(Θ)时所分配的混合概率质量；
Figure BDA0002654793990000074
表示xj(t-1)对应于等级H时所分配的混合概率质量，计算公式为：
Figure BDA0002654793990000075
其中，
Figure BDA0002654793990000076
wj(t-1)为xj(t-1)的权重，rj(t-1)为xj(t-1)的可靠度；
Figure BDA0002654793990000077
表示第j个隐含故障特征xj(t-1)相对于等级H的置信度，
Figure BDA0002654793990000078
证据组合后置信度计算子单元，用于基于前一时刻所有的隐含故障特征x(t-1)在辨识框架下的置信分布，根据前一时刻所有的隐含故障特征x(t-1)中每个元素提供给所述第l个隐含故障诊断子模型的证据，计算第l个隐含故障诊断子模型中所有证据组合后相对于等级H的置信度
Figure BDA0002654793990000079
Figure BDA0002654793990000081
其中，
Figure BDA0002654793990000082
wj,l(t-1)为第j个元素提供给所述第l个隐含故障诊断子模型的证据的权重，rj,l(t-1)为第j个元素提供给所述第l个隐含故障诊断子模型的证据的可靠度；参数
Figure BDA0002654793990000083
N为辨识框架中等级的个数；
效用获取子单元，用于获取等级H的效用；
隐含故障特征对应的状态方程确定子单元，用于根据所述等级H的效用和所有证据组合后相对于等级H的置信度
Figure BDA0002654793990000084
确定第l个隐含故障诊断子模型，即第l个隐含故障特征对应的状态方程：
Figure BDA0002654793990000085
其中，u(H)为等级H的效用；
隐含故障诊断模型确定子单元，用于依次确定每个隐含故障特征对应的状态方程，得到所述隐含故障诊断模型。
可选的，所述隐含故障诊断模型中参数估计单元，具体包括：
参数估计模型构建子单元，用于采用期望最大化法建立目标函数：max{Γ(R|Rk)}；约束条件为：
Figure BDA0002654793990000086
R为所述隐含故障诊断模型中的参数，R＝[Ωσ,Ψ]T；Ψ为第二参数；Ωσ为第一参数，所述第一参数中第i个隐含故障特征对应的参数Ω为[wi(t),ri(t)]，wi(t)为当前时刻第i个隐含故障特征的权重，ri(t)为当前时刻第i个隐含故障特征的可靠度；
求解子单元，用于对所述目标函数求解，得到所述隐含故障诊断模型中的参数的估计值，得到确定参数后的隐含故障诊断模型；所述隐含故障诊断模型包括多个隐含故障诊断子模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过判断设备是否受到扰动，进而采用隐含故障诊断模型进行不同的隐含故障诊断，能够有效描述扰动对隐含故障的影响，实现多隐含故障的准确诊断，保证诊断结果与实际相符，进而提高了隐含故障诊断的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明考虑扰动的隐含故障诊断方法的流程示意图；
图2为本发明隐含故障诊断模型的框架图；
图3为本发明隐含故障诊断模型的诊断流程示意图；
图4为本发明考虑扰动的隐含故障诊断系统的结构示意图；
图5为本发明具体实施例中电压观测数据；
图6为本发明具体实施例中带扰动的漂移系数测试数据；
图7为本发明具体实施例中扰动检测结果；
图8为本发明具体实施例中无扰动的漂移系数测试数据；
图9为本发明具体实施例中所提模型的漂移系数估计结果；
图10为本发明具体实施例中不考虑模型优化的漂移系数估计结果；
图11为本发明具体实施例中不考虑扰动的漂移系数估计结果；
图12为本发明具体实施例中基于隐含马尔科夫模型的漂移系数估计结果。
具体实施方式
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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
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。
图1为本发明考虑扰动的隐含故障诊断方法的流程示意图。如图1所示，本发明考虑扰动的隐含故障诊断方法包括以下步骤：
步骤100：获取隐含故障诊断模型。所述隐含故障诊断模型包括状态方程和观测方程；所述状态方程为基于扰动证据推理规则构建的状态方程，所述状态方程用于估计设备的隐含故障特征；所述状态方程用于估计所述设备的实际观测信息。如图2所示，所述隐含故障诊断模型包括多个隐含故障诊断子模型，每个隐含故障诊断子模型包括对应隐含故障特征的状态方程。具体的，构建隐含故障诊断模型的过程如下：
Step1：基于现代控制理论中的状态空间方程，确定复杂系统的状态方程和观测方程。复杂系统的状态方程和观测方程为如下形式：
x(t)＝F(x(t-1),Ωσ) (1)
y(t)＝G(x(t),Ψ)+υ(t) (2)
其中，F(·)表示一个非线性函数，用于建立系统历史时刻的隐含故障特征x(t-1)与当前时刻的隐含故障特征x(t)之间的定量关系。Ωσ表示F(·)的参数向量，且包含扰动强度σ(t)。G(·)表示一个非线性函数，用于建立隐含故障特征与可观测量之间的映射关系。Ψ表示G(·)的参数向量。υ(t)表示n维噪声向量，一般υ(t)服从高斯分布，即υ(t)～N(0,ξ)，ξ表示协方差矩阵。
Step2：将所述复杂系统的观测方程确定为所述隐含故障诊断模型中所述设备的观测方程。在工程实际中，υ(t)可以通过统计方法得到，这意味着ξ通常是已知的。通过对复杂系统的历史观测数据进行统计分析，可以确定系统的观测方程(2)。至此，本发明设备的观测方程建立完成。
Step3：基于所述复杂系统的状态方程，采用扰动证据推理规则建立所述隐含故障诊断模型中每个隐含故障特征对应的状态方程。对于隐含故障特征的状态方程，本发明考虑扰动情况，基于复杂系统的状态方程构建新的状态方程。
如图2所示，基于状态方程x(t)＝F(x(t-1),Ωσ)，对于第l个隐含故障特征，采用扰动证据推理规则(Evidentialreasoningrule,ERrule)建立第l个隐含故障特征对应的状态方程，状态方程为：
xl(t)＝ERrule_l(x(t-1),Ω) (3)
其中，符号ERrule_l(·)表示第l个基于扰动证据推理规则的隐含故障诊断子模型，用于建立t时刻的第l个隐含故障特征和(t-1)时刻所有的隐含故障特征x(t-1)之间的非线性关系，且有l＝1,…,m。那么，对于m个隐含故障特征，需建立m个基于扰动证据推理规则的隐含故障诊断模型。
对于(t-1)时刻所有的隐含故障特征x(t-1)，x(t-1)的第j个元素xj(t-1)在辨识框架Θ＝{H1,H2,…,HN}下的置信分布可以描述为如下形式：
Figure BDA0002654793990000111
其中，j＝1,…,m。S(·)表示置信分布函数，
Figure BDA0002654793990000112
表示隐含故障特征xj(t-1)相对于等级H的置信度，
Figure BDA0002654793990000113
根据上述公式，S(xj(t-1))带有可靠度的加权置信分布形式为：
Figure BDA0002654793990000114
其中，wj(t-1)和rj(t-1)分别为xj(t-1)的权重与可靠度；P(Θ)为辨识框架的幂集，
Figure BDA0002654793990000115
表示xj(t-1)对应于等级H时所分配的混合概率质量，计算如下：
Figure BDA0002654793990000116
其中，中间参数
Figure BDA0002654793990000117
的表达式如下：
Figure BDA0002654793990000118
对于第l个基于扰动证据推理规则的隐含故障诊断子模型ERrule_l(·)，隐含故障特征x(t-1)的每个元素会提供一条证据，记证据的权重分别为w1,l(t-1),…,wm,l(t-1)，证据的可靠度分别为r1,l(t-1),…,rm,l(t-1)。那么，基于公式(5)、公式(6)和公式(7)，可以确定隐含故障特征x(t-1)所有元素对应的证据组合后相对于等级H的置信度
Figure BDA0002654793990000119
为：
Figure BDA0002654793990000121
其中，中间参数μi表达式为：
Figure BDA0002654793990000122
用u(H)表示等级H的效用，结合置信度
Figure BDA0002654793990000123
通过效用计算可得：
Figure BDA0002654793990000124
公式(10)即为融合得到在当前时刻的第l个隐含故障特征xl(t)的状态方程。类似地，m个隐含故障特征均可按照此法建立，得到m个隐含故障特征，即x(t)。至此，式(1)所示的系统的状态方程即隐含故障诊断模型中的状态方程建立完成。
Step4：采用期望最大化法估计所述隐含故障诊断模型中的参数，得到确定参数后的隐含故障诊断模型；所述隐含故障诊断模型中的参数包括第一参数和第二参数，所述第一参数为每个隐含故障特征对应的状态方程中的参数Ωσ，所述第二参数为所述设备的观测方程中的参数Ψ。
假设Ynor(t)和Yper(t)分别表示t个时间点内正常的和受扰动的系统观测值，它们均为向量形式，记为Ynor(t)＝[ynor(1),…,ynor(t)]和Yper(t)＝[yper(1),…,yper(t)]。假设Y(t)＝[Ynor(t),Yper(t)]，那么可以得到如下条件概率密度函数：
p(Y(t)|R)＝p(Ynor(t),Yper(t)|R)＝p(Ynor(t)|R)p(Yper(t)|Ynor(t),R) (11)
其中p(·|·)表示条件概率密度函数符号，R表示包含参数Ωσ和Ψ的参数向量，记为R＝[Ωσ,Ψ]T。对式(11)两边同时取对数，可得到如下表达式：
lnp(Ynor(t)|R)＝lnp(Y(t)|R)-lnp(Yper(t)|Ynor(t),R) (12)
根据期望最大化(Expectationmaximum,EM)方法的基本思想，建立如下目标函数：
max{Γ(R|Rk)} (13)
s.t.
Figure BDA0002654793990000131
其中，R＝[Ωσ,Ψ]T，Ψ为第二参数；Ωσ为第一参数，第一参数Ωσ中第i个隐含故障特征对应的参数Ω为[wi(t),ri(t)]，wi(t)为当前时刻第i个隐含故障特征的权重，ri(t)为当前时刻第i个隐含故障特征的可靠度，i＝1,2,…,m；Rk为参数R经过第k次优化后的结果。
对上述目标函数求解，可以得到每个隐含故障诊断子模型中的参数，即第一参数Ωσ和第二参数Ψ的估计值，进而代入公式(1)和公式(2)，可以得到确定参数后的隐含故障诊断模型。
步骤200：获取当前时刻采集的设备观测信息。系统在t时刻的可观测信息可以表示为y(t)＝[y1(t),…,yn(t)]T，其中，n表示可观测信息的数量，yi(t)表示第i类可观测信息，且i＝1,…,n。
步骤300：根据设备观测信息判断当前时刻设备是否受到扰动。当所述设备受到扰动时，执行步骤400-步骤500；当所述设备未受到扰动时，执行步骤600-步骤700。
系统在t时刻的隐含故障特征可表示为x(t)＝[x1(t),…,xm(t)]T，m表示隐含故障特征的数量，xj(t)表示第j类隐含故障特征，且j＝1,…,m。隐含故障特征无法被直接观测到，但可以间接地由y(t)进行表征。当系统处于工作状态时，其隐含故障特征会受到外界扰动因素的影响，进而加速系统的性能退化。也就是说，假设t时刻的扰动强度为σ(t)，隐含故障特征x(t)在扰动的作用下会发生变化，记为xper(t)，且满足xper(t)＝x(t)+σ(t)Δx(t)。其中，Δx(t)表示t时刻的扰动增量。在此情况下，系统的可观测信息y(t)也会发生变化，记为yper(t)。若隐含故障特征不受扰动影响，则记为xnor(t)，相应的可观测信息记为ynor(t)。
对于可观测信息y(t)＝[y1(t),…,yn(t)]T，假设在t个时间点内可观测量yi的观测数据表示为{yi(1),…,yi(t)}。记序列{yi(t)}的均值为
Figure BDA0002654793990000132
方差为ρ。设备是否受到扰动的检测准则为：
若yi(τ)未受扰动影响，则有
Figure BDA0002654793990000133
上式意味着yi(τ)为正常值yi,nor(τ)，其中，τ＝1,…t。当τ时刻所有观测量均未受到扰动时，确定τ时刻所述设备未受到扰动。
若yi(τ)受到扰动影响，则有
Figure BDA0002654793990000141
上式意味着yi(τ)为受扰动值yi,per(τ)。此时确定τ时刻设备受到扰动。其中，ψ是一个动态参数，用于调整扰动的作用范围，在工程中可根据实际系统情况给出。如果隐含故障特征的变化趋势不明显，可以给出一个较小的ψ值，如
Figure BDA0002654793990000142
反之，可以给出一个较大的ψ值，如
Figure BDA0002654793990000143
不同的隐含故障特征可能有不同的变化趋势，相应的ψ值也不相同。
步骤400：采用隐含故障诊断模型对设备的隐含故障特征和设备的实际观测信息进行估计。如图3所示，图3为本发明隐含故障诊断模型的诊断流程示意图。
步骤500：根据隐含故障特征的估计值和实际观测信息的估计值，确定设备的隐含故障诊断结果。
步骤600：采用隐含故障诊断模型对设备的隐含故障特征进行估计。
步骤700：根据隐含故障特征的估计值和设备观测信息，确定设备的隐含故障诊断结果。
本发明还提供一种考虑扰动的隐含故障诊断系统，图4为本发明考虑扰动的隐含故障诊断系统的结构示意图。如图4所示，本发明考虑扰动的隐含故障诊断系统包括以下结构：
隐含故障诊断模型获取模块401，用于获取隐含故障诊断模型；所述隐含故障诊断模型包括状态方程和观测方程；所述状态方程为基于扰动证据推理规则构建的状态方程，所述状态方程用于估计设备的隐含故障特征；所述状态方程用于估计所述设备的实际观测信息。
设备观测信息获取模块402，用于获取当前时刻采集的设备观测信息。
扰动判断模块403，用于根据所述设备观测信息判断当前时刻所述设备是否受到扰动。
信息估计模块404，用于当所述设备受到扰动时，采用所述隐含故障诊断模型对所述设备的隐含故障特征和所述设备的实际观测信息进行估计；当所述设备未受到扰动时，采用所述隐含故障诊断模型对所述设备的隐含故障特征进行估计。
故障诊断结果确定模块405，用于当所述设备受到扰动时，根据隐含故障特征的估计值和所述实际观测信息的估计值，确定所述设备的隐含故障诊断结果；当所述设备未受到扰动时，根据所述隐含故障特征的估计值和所述设备观测信息，确定所述设备的隐含故障诊断结果。
作为另一实施例，本发明考虑扰动的隐含故障诊断系统中，所述隐含故障诊断模型获取模块401，具体包括：
复杂系统状态方程和观测方程确定单元，用于基于状态空间方程，确定复杂系统的状态方程和观测方程。
隐含故障诊断模型中观测方程确定单元，用于将所述复杂系统的观测方程确定为所述隐含故障诊断模型中所述设备的观测方程。
隐含故障特征对应的状态方程建立单元，用于基于所述复杂系统的状态方程，采用扰动证据推理规则建立所述隐含故障诊断模型中每个隐含故障特征对应的状态方程。
隐含故障诊断模型中参数估计单元，用于采用期望最大化法估计所述隐含故障诊断模型中的参数，得到确定参数后的隐含故障诊断模型；所述隐含故障诊断模型中的参数包括第一参数和第二参数，所述第一参数为每个隐含故障特征对应的状态方程中的参数，所述第二参数为所述设备的观测方程中的参数。
作为另一实施例，本发明考虑扰动的隐含故障诊断系统中，所述隐含故障特征对应的状态方程建立单元，具体包括：
隐含故障特征对应的状态方程建立子单元，用于基于所述复杂系统的状态方程x(t)＝F(x(t-1),Ωσ)，采用扰动证据推理规则，利用公式xl(t)＝ERrule_l(x(t-1),Ω)建立第l个隐含故障特征对应的状态方程；式中，x(t)为当前时刻的隐含故障特征，x(t)＝[x1(t),…,xm(t)]T，m表示隐含故障特征的数量，xj(t)表示第j类隐含故障特征，j＝1,…,m；F(·)为表示前一时刻的隐含故障特征x(t-1)与当前时刻的隐含故障特征x(t)之间映射关系的非线性函数；Ωσ为第一参数，表示F(·)的参数向量，且包含扰动强度σ(t)；xl(t)为当前时刻第l个隐含故障特征；ERrule_l(·)表示第l个隐含故障诊断子模型，用于建立当前时刻的第l个隐含故障特征和前一时刻所有的隐含故障特征x(t-1)之间的非线性关系，且l＝1,…,m；Ω为所述第一参数中第l个隐含故障特征对应的参数。
置信分布确定子单元，用于确定前一时刻所有的隐含故障特征x(t-1)在辨识框架下的置信分布S(xj(t-1))：
Figure BDA0002654793990000161
式中，S(·)表示置信分布函数；
Figure BDA0002654793990000162
Θ为辨识框架，Θ＝{H1,H2,…,HN}；P(Θ)为辨识框架的幂集；
Figure BDA0002654793990000163
为xj(t-1)对应于等级P(Θ)时所分配的混合概率质量；
Figure BDA0002654793990000164
表示xj(t-1)对应于等级H时所分配的混合概率质量，计算公式为：
Figure BDA0002654793990000165
其中，
Figure BDA0002654793990000166
wj(t-1)为xj(t-1)的权重，rj(t-1)为xj(t-1)的可靠度；
Figure BDA0002654793990000167
表示第j个隐含故障特征xj(t-1)相对于等级H的置信度，
Figure BDA0002654793990000168
证据组合后置信度计算子单元，用于基于前一时刻所有的隐含故障特征x(t-1)在辨识框架下的置信分布，根据前一时刻所有的隐含故障特征x(t-1)中每个元素提供给所述第l个隐含故障诊断子模型的证据，计算第l个隐含故障诊断子模型中所有证据组合后相对于等级H的置信度
Figure BDA0002654793990000169
Figure BDA00026547939900001610
其中，
Figure BDA00026547939900001611
wj,l(t-1)为第j个元素提供给所述第l个隐含故障诊断子模型的证据的权重，rj,l(t-1)为第j个元素提供给所述第l个隐含故障诊断子模型的证据的可靠度；参数
Figure BDA0002654793990000171
N为辨识框架中等级的个数。
效用获取子单元，用于获取等级H的效用。
隐含故障特征对应的状态方程确定子单元，用于根据所述等级H的效用和所有证据组合后相对于等级H的置信度
Figure BDA0002654793990000172
确定第l个隐含故障诊断子模型，即第l个隐含故障特征对应的状态方程：
Figure BDA0002654793990000173
其中，u(H)为等级H的效用。
隐含故障诊断模型确定子单元，用于依次确定每个隐含故障特征对应的状态方程，得到所述隐含故障诊断模型。
作为另一实施例，本发明考虑扰动的隐含故障诊断系统中，所述隐含故障诊断模型中参数估计单元，具体包括：
参数估计模型构建子单元，用于采用期望最大化法建立目标函数：max{Γ(R|Rk)}；约束条件为：
Figure BDA0002654793990000174
R为所述隐含故障诊断模型中的参数，R＝[Ωσ,Ψ]T；Ψ为第二参数；Ωσ为第一参数，所述第一参数中第i个隐含故障特征对应的参数Ω为[wi(t),ri(t)]，wi(t)为当前时刻第i个隐含故障特征的权重，ri(t)为当前时刻第i个隐含故障特征的可靠度；Rk为第k次优化后所述隐含故障诊断模型中的参数。
求解子单元，用于对所述目标函数求解，得到所述隐含故障诊断模型中的参数的估计值，得到确定参数后的隐含故障诊断模型；所述隐含故障诊断模型包括多个隐含故障诊断子模型。
下面提供一个具体实施例进一步说明本发明的上述方案。
本实施例以某型陀螺仪为例，对陀螺仪当前时刻的漂移系数进行估计。在本实施例中，陀螺仪连续工作2小时，收集到327组电压观测数据，如图5所示。利用一台计算机自动测量装置对陀螺仪的零次项漂移系数K0和一次项漂移系数K1进行记录，如图6所示。假设扰动强度σ(t)＝0.01；扰动增量服从标准正态分布，即Δx(t)～N(0,1)；动态参数ψ设置为1.4；扰动检测单位数据长度为5。定义如下符号函数：
Figure BDA0002654793990000181
对每个时刻的扰动进行检测，得到不同时间点下的扰动检测结果如图7所示。根据图7可知，隐含故障特征受扰动影响的时间点个数为56。相应地，可解算出K0和K1的正常测试数据如图8所示。根据工程经验，设置漂移系数的参考等级和参考值如表1所示：
表1漂移系数参考等级与参考值
Figure BDA0002654793990000182
为了实现当前时刻的故障诊断，需要实时估计漂移系数K0和K1，此时证据表示为x(t-1)＝[K0(t-1),K1(t-1)]。建立两个基于扰动证据推理规则的隐含故障诊断模型，分别为K0(t)＝ERrule_1(K0(t-1),K1(t-1),Ω1)和K1(t)＝ERrule_2(K0(t-1),K1(t-1),Ω2)，分别记为Model_0和Model_1。考虑到模型中的证据权重和证据可靠度均为未知参数，需要进一步识别，故有Ω1＝[w0,w2,r1,r2]T和Ω2＝[w3,w4,r3,r4]T，进一步可得到Ω＝[w0,…,w4,r0,…,r4]T。假设观测方程(2)中G(x(t),Ψ)可表示为：
Figure BDA0002654793990000183
其中，
Figure BDA0002654793990000184
为需要识别的参数向量，其初始值可由工程技术人员给出。根据式(13)，待优化的参数为
Figure BDA0002654793990000185
设置初始参数向量如表2所示：
表2初始参数设置
Figure BDA0002654793990000186
下面对模型进行训练，采用Matlab优化工具箱，以图5的电压测试数据为训练集，以图8的无扰动漂移系数测试数据为测试集，K0和K1的初始值分别设置为0.005和0.003。经过训练，优化后的参数R如表3所示：
表3参数优化结果
Figure BDA0002654793990000191
在模型测试部分，训练后的Model_0和Model_1分别用于估计陀螺仪当前时刻的两种漂移系数，结果如图9所示。记K0的观测值和估计值之间的均方误差(Meansquareerror,MSE)为MSE_0，K1的观测值和估计值之间的均方误差为MSE_1。经计算，MSE_0＝5.0496×10-5，MSE_1＝2.4772×10-5。从图9和计算得到的均方误差可以看出，由训练模型产生的估计结果可以很好地拟合陀螺仪的漂移系数变化趋势。这表明本发明所提出的基于扰动证据推理规则的隐含故障诊断模型和参数估计算法能够有效地利用陀螺仪的可观测信息来提高漂移系数的估计精度，即提高故障诊断精度。
下面进行对比研究，一是本发明隐含故障诊断模型未训练情况下的漂移系数估计(记为Case1)，二是忽略扰动作用情况下的漂移系数估计(记为Case2)，三是采用经典的隐含马尔科夫模型(HMM)进行漂移系数估计(记为Case3)。
在Case1中，模型的初始参数和表2保持一致，但不做模型优化。通过计算得到估计结果如图10所示，MSE_0＝8.9239×10-5，MSE_1＝4.6938×10-5。
在Case2中，模型的初始参数和表2保持一致，但忽略了观测数据中的扰动信息，即以图5的电压测试数据为训练集，以图6的带扰动的漂移系数测试数据为测试集。通过优化计算得到估计结果如图11所示，MSE_0＝5.6242×10-5，MSE_1＝4.3994×10-5。
在Case3中，漂移系数的参考值和表1保持一致，假设观测信息服从高斯分布，初始的概率向量设置分别为
Figure BDA0002654793990000192
和
Figure BDA0002654793990000193
初始的概率转移矩阵分别表示为
Figure BDA0002654793990000194
相应的基于HMM的漂移系数估计模型分别记为HMM_0和HMM_1，通过优化得到更新后的概率向量和概率转移矩阵如下所示：
Figure BDA0002654793990000201
Figure BDA0002654793990000202
HMM的估计结果如图12所示，通过计算可以得到MSE_0＝7.8171×10-4，MSE_1＝2.5266×10-4。
表4列举了所有参与比较的模型的估计结果对应的MSE，如下所示：
表4漂移系数估计结果比较
Figure BDA0002654793990000203
根据表4可知，本发明所提的基于扰动证据推理规则的隐含故障诊断模型可以对陀螺仪的两种漂移系数进行有效估计，漂移系数估计结果的均方误差相比于其它三种情况都是最低的，从而实现陀螺仪的精确故障诊断。对于K0，所提方法的估计精度分别提高了43.41％、10.22％和93.58％。对于K1，所提方法的估计精度分别提高了47.22％、43.69％和90.20％。分析原因，Case1中未考虑模型的优化，专家初始给定的模型参数带有一定的主观不确定性，导致估计结果的误差增大，这也验证了所提参数估计算法的有效性。Case2中未考虑扰动对隐含故障特征的影响，虽然进行了参数优化，但忽略了观测信息中的扰动因素，误将带有扰动的电压数据作为正常情况下的电压数据，导致估计结果的误差增大；Case3中采用HMM进行多隐含故障诊断。一方面，HMM具有无后效性，而陀螺仪的漂移系数的历史观测数据与当前观测数据具有一定的相关性；另一方面，HMM是一种线性模型，不能有效地处理各种使陀螺仪漂移的非线性特性增强的不确定性。综上所述，本发明所提出的考虑扰动的隐含故障诊断方法是合理有效的。
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它实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种考虑扰动的隐含故障诊断方法，其特征在于，包括：
获取隐含故障诊断模型；所述隐含故障诊断模型包括状态方程和观测方程；所述状态方程为基于扰动证据推理规则构建的状态方程，所述状态方程用于估计设备的隐含故障特征；所述状态方程用于估计所述设备的实际观测信息；
获取当前时刻采集的设备观测信息；
根据所述设备观测信息判断当前时刻所述设备是否受到扰动；
当所述设备受到扰动时，采用所述隐含故障诊断模型对所述设备的隐含故障特征和所述设备的实际观测信息进行估计；
根据隐含故障特征的估计值和所述实际观测信息的估计值，确定所述设备的隐含故障诊断结果；
当所述设备未受到扰动时，采用所述隐含故障诊断模型对所述设备的隐含故障特征进行估计；
根据所述隐含故障特征的估计值和所述设备观测信息，确定所述设备的隐含故障诊断结果。
2.根据权利要求1所述的考虑扰动的隐含故障诊断方法，其特征在于，所述获取隐含故障诊断模型，具体包括：
基于状态空间方程，确定复杂系统的状态方程和观测方程；
将所述复杂系统的观测方程确定为所述隐含故障诊断模型中所述设备的观测方程；
基于所述复杂系统的状态方程，采用扰动证据推理规则建立所述隐含故障诊断模型中每个隐含故障特征对应的状态方程；
采用期望最大化法估计所述隐含故障诊断模型中的参数，得到确定参数后的隐含故障诊断模型；所述隐含故障诊断模型中的参数包括第一参数和第二参数，所述第一参数为每个隐含故障特征对应的状态方程中的参数，所述第二参数为所述设备的观测方程中的参数。
3.根据权利要求2所述的考虑扰动的隐含故障诊断方法，其特征在于，所述隐含故障诊断模型中所述设备的观测方程为：
y(t)＝G(x(t),Ψ)+υ(t)；
其中，y(t)为当前时刻的可观测量；x(t)为当前时刻的隐含故障特征；G(·)为非线性函数，表示隐含故障特征与可观测量之间的映射关系；Ψ为第二参数，表示G(·)的参数向量；υ(t)表示n维噪声向量。
4.根据权利要求2所述的考虑扰动的隐含故障诊断方法，其特征在于，所述基于所述复杂系统的状态方程，采用扰动证据推理规则建立所述隐含故障诊断模型中每个隐含故障特征对应的状态方程，具体包括：
基于所述复杂系统的状态方程x(t)＝F(x(t-1),Ωσ)，采用扰动证据推理规则，利用公式xl(t)＝ER rule_l(x(t-1),Ω)建立第l个隐含故障特征对应的状态方程；式中，x(t)为当前时刻的隐含故障特征，x(t)＝[x1(t),…,xm(t)]T，m表示隐含故障特征的数量，xj(t)表示第j类隐含故障特征，j＝1,…,m；F(·)为表示前一时刻的隐含故障特征x(t-1)与当前时刻的隐含故障特征x(t)之间映射关系的非线性函数；Ωσ为第一参数，表示F(·)的参数向量，且包含扰动强度σ(t)；xl(t)为当前时刻第l个隐含故障特征；ER rule_l(·)表示第l个隐含故障诊断子模型，用于建立当前时刻的第l个隐含故障特征和前一时刻所有的隐含故障特征x(t-1)之间的非线性关系，且l＝1,…,m；Ω为所述第一参数中第l个隐含故障特征对应的参数；
确定前一时刻所有的隐含故障特征x(t-1)在辨识框架下的置信分布S(xj(t-1))：
Figure FDA0002654793980000021
式中，S(·)表示置信分布函数；
Figure FDA0002654793980000022
Θ为辨识框架，Θ＝{H1,H2,…,HN}；P(Θ)为辨识框架的幂集；
Figure FDA0002654793980000023
为xj(t-1)对应于等级P(Θ)时所分配的混合概率质量；
Figure FDA0002654793980000024
表示xj(t-1)对应于等级H时所分配的混合概率质量，计算公式为：
Figure FDA0002654793980000031
其中，
Figure FDA0002654793980000032
wj(t-1)为xj(t-1)的权重，rj(t-1)为xj(t-1)的可靠度；
Figure FDA0002654793980000033
表示第j个隐含故障特征xj(t-1)相对于等级H的置信度，
Figure FDA0002654793980000034
基于前一时刻所有的隐含故障特征x(t-1)在辨识框架下的置信分布，根据前一时刻所有的隐含故障特征x(t-1)中每个元素提供给所述第l个隐含故障诊断子模型的证据，计算第l个隐含故障诊断子模型中所有证据组合后相对于等级H的置信度
Figure FDA0002654793980000035
Figure FDA0002654793980000036
其中，
Figure FDA0002654793980000037
wj,l(t-1)为第j个元素提供给所述第l个隐含故障诊断子模型的证据的权重，rj,l(t-1)为第j个元素提供给所述第l个隐含故障诊断子模型的证据的可靠度；参数
Figure FDA0002654793980000038
N为辨识框架中等级的个数；
获取等级H的效用；
根据所述等级H的效用和所有证据组合后相对于等级H的置信度
Figure FDA0002654793980000039
确定第l个隐含故障诊断子模型，即第l个隐含故障特征对应的状态方程：
Figure FDA00026547939800000310
其中，u(H)为等级H的效用；
依次确定每个隐含故障特征对应的状态方程，得到所述隐含故障诊断模型。
5.根据权利要求4所述的考虑扰动的隐含故障诊断方法，其特征在于，所述采用期望最大化法估计所述隐含故障诊断模型中的参数，得到确定参数后的隐含故障诊断模型，具体包括：
采用期望最大化法建立目标函数：max{Γ(R|Rk)}；约束条件为：
Figure FDA0002654793980000041
其中，R为所述隐含故障诊断模型中的参数，R＝[Ωσ,Ψ]T；Ψ为第二参数；Ωσ为第一参数，所述第一参数中第i个隐含故障特征对应的参数Ω为[wi(t),ri(t)]，wi(t)为当前时刻第i个隐含故障特征的权重，ri(t)为当前时刻第i个隐含故障特征的可靠度；Rk为第k次优化后所述隐含故障诊断模型中的参数；
对所述目标函数求解，得到所述隐含故障诊断模型中的参数的估计值，得到确定参数后的隐含故障诊断模型；所述隐含故障诊断模型包括多个隐含故障诊断子模型。
6.根据权利要求1所述的考虑扰动的隐含故障诊断方法，其特征在于，所述根据所述设备观测信息判断当前时刻所述设备是否受到扰动，具体包括：
对于所述设备观测信息中的第i个观测量，获取所述第i个观测量在设定时间段内的观测数据；
计算所述第i个观测量在设定时间段内的平均观测值；
判断是否满足
Figure FDA0002654793980000042
式中，yi(τ)为τ时刻第i个观测量的观测值；
Figure FDA0002654793980000043
为所述第i个观测量在设定时间段内的平均观测值；ρ为所述第i个观测量在设定时间段内的方差；ψ为调整扰动作用范围的参数；
当不满足
Figure FDA0002654793980000044
时，确定τ时刻所述设备受到扰动；
当满足
Figure FDA0002654793980000045
时，确定τ时刻所述第i个观测量未受到扰动；
当τ时刻所有观测量均未受到扰动时，确定τ时刻所述设备未受到扰动。
7.一种考虑扰动的隐含故障诊断系统，其特征在于，包括：
隐含故障诊断模型获取模块，用于获取隐含故障诊断模型；所述隐含故障诊断模型包括状态方程和观测方程；所述状态方程为基于扰动证据推理规则构建的状态方程，所述状态方程用于估计设备的隐含故障特征；所述状态方程用于估计所述设备的实际观测信息；
设备观测信息获取模块，用于获取当前时刻采集的设备观测信息；
扰动判断模块，用于根据所述设备观测信息判断当前时刻所述设备是否受到扰动；
信息估计模块，用于当所述设备受到扰动时，采用所述隐含故障诊断模型对所述设备的隐含故障特征和所述设备的实际观测信息进行估计；当所述设备未受到扰动时，采用所述隐含故障诊断模型对所述设备的隐含故障特征进行估计；
故障诊断结果确定模块，用于当所述设备受到扰动时，根据隐含故障特征的估计值和所述实际观测信息的估计值，确定所述设备的隐含故障诊断结果；当所述设备未受到扰动时，根据所述隐含故障特征的估计值和所述设备观测信息，确定所述设备的隐含故障诊断结果。
8.根据权利要求7所述的考虑扰动的隐含故障诊断系统，其特征在于，所述隐含故障诊断模型获取模块，具体包括：
复杂系统状态方程和观测方程确定单元，用于基于状态空间方程，确定复杂系统的状态方程和观测方程；
隐含故障诊断模型中观测方程确定单元，用于将所述复杂系统的观测方程确定为所述隐含故障诊断模型中所述设备的观测方程；
隐含故障特征对应的状态方程建立单元，用于基于所述复杂系统的状态方程，采用扰动证据推理规则建立所述隐含故障诊断模型中每个隐含故障特征对应的状态方程；
隐含故障诊断模型中参数估计单元，用于采用期望最大化法估计所述隐含故障诊断模型中的参数，得到确定参数后的隐含故障诊断模型；所述隐含故障诊断模型中的参数包括第一参数和第二参数，所述第一参数为每个隐含故障特征对应的状态方程中的参数，所述第二参数为所述设备的观测方程中的参数。
9.根据权利要求8所述的考虑扰动的隐含故障诊断系统，其特征在于，所述隐含故障特征对应的状态方程建立单元，具体包括：
隐含故障特征对应的状态方程建立子单元，用于基于所述复杂系统的状态方程x(t)＝F(x(t-1),Ωσ)，采用扰动证据推理规则，利用公式xl(t)＝ER rule_l(x(t-1),Ω)建立第l个隐含故障特征对应的状态方程；式中，x(t)为当前时刻的隐含故障特征，x(t)＝[x1(t),…,xm(t)]T，m表示隐含故障特征的数量，xj(t)表示第j类隐含故障特征，j＝1,…,m；F(·)为表示前一时刻的隐含故障特征x(t-1)与当前时刻的隐含故障特征x(t)之间映射关系的非线性函数；Ωσ为第一参数，表示F(·)的参数向量，且包含扰动强度σ(t)；xl(t)为当前时刻第l个隐含故障特征；ER rule_l(·)表示第l个隐含故障诊断子模型，用于建立当前时刻的第l个隐含故障特征和前一时刻所有的隐含故障特征x(t-1)之间的非线性关系，且l＝1,…,m；Ω为所述第一参数中第l个隐含故障特征对应的参数；
置信分布确定子单元，用于确定前一时刻所有的隐含故障特征x(t-1)在辨识框架下的置信分布S(xj(t-1))：
Figure FDA0002654793980000061
式中，S(·)表示置信分布函数；
Figure FDA0002654793980000062
Θ为辨识框架，Θ＝{H1,H2,…,HN}；P(Θ)为辨识框架的幂集；
Figure FDA0002654793980000063
为xj(t-1)对应于等级P(Θ)时所分配的混合概率质量；
Figure FDA0002654793980000064
表示xj(t-1)对应于等级H时所分配的混合概率质量，计算公式为：
Figure FDA0002654793980000065
其中，
Figure FDA0002654793980000066
wj(t-1)为xj(t-1)的权重，rj(t-1)为xj(t-1)的可靠度；
Figure FDA0002654793980000067
表示第j个隐含故障特征xj(t-1)相对于等级H的置信度，
Figure FDA0002654793980000068
证据组合后置信度计算子单元，用于基于前一时刻所有的隐含故障特征x(t-1)在辨识框架下的置信分布，根据前一时刻所有的隐含故障特征x(t-1)中每个元素提供给所述第l个隐含故障诊断子模型的证据，计算第l个隐含故障诊断子模型中所有证据组合后相对于等级H的置信度
Figure FDA0002654793980000069
Figure FDA00026547939800000610
其中，
Figure FDA0002654793980000071
wj,l(t-1)为第j个元素提供给所述第l个隐含故障诊断子模型的证据的权重，rj,l(t-1)为第j个元素提供给所述第l个隐含故障诊断子模型的证据的可靠度；参数
Figure FDA0002654793980000072
N为辨识框架中等级的个数；
效用获取子单元，用于获取等级H的效用；
隐含故障特征对应的状态方程确定子单元，用于根据所述等级H的效用和所有证据组合后相对于等级H的置信度
Figure FDA0002654793980000073
确定第l个隐含故障诊断子模型，即第l个隐含故障特征对应的状态方程：
Figure FDA0002654793980000074
其中，u(H)为等级H的效用；
隐含故障诊断模型确定子单元，用于依次确定每个隐含故障特征对应的状态方程，得到所述隐含故障诊断模型。
10.根据权利要求9所述的考虑扰动的隐含故障诊断系统，其特征在于，所述隐含故障诊断模型中参数估计单元，具体包括：
参数估计模型构建子单元，用于采用期望最大化法建立目标函数：max{Γ(R|Rk)}；约束条件为：
Figure FDA0002654793980000075
R为所述隐含故障诊断模型中的参数，R＝[Ωσ,Ψ]T；Ψ为第二参数；Ωσ为第一参数，所述第一参数中第i个隐含故障特征对应的参数Ω为[wi(t),ri(t)]，wi(t)为当前时刻第i个隐含故障特征的权重，ri(t)为当前时刻第i个隐含故障特征的可靠度；Rk为第k次优化后所述隐含故障诊断模型中的参数；
求解子单元，用于对所述目标函数求解，得到所述隐含故障诊断模型中的参数的估计值，得到确定参数后的隐含故障诊断模型；所述隐含故障诊断模型包括多个隐含故障诊断子模型。
CN202010883377.1A 2020-08-28 2020-08-28 一种考虑扰动的隐含故障诊断方法及系统 Active CN112016208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010883377.1A CN112016208B (zh) 2020-08-28 2020-08-28 一种考虑扰动的隐含故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010883377.1A CN112016208B (zh) 2020-08-28 2020-08-28 一种考虑扰动的隐含故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN112016208A CN112016208A (zh) 2020-12-01
CN112016208B true CN112016208B (zh) 2022-09-02

Family

ID=73503716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010883377.1A Active CN112016208B (zh) 2020-08-28 2020-08-28 一种考虑扰动的隐含故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN112016208B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113242018B (zh) * 2021-06-17 2023-08-04 阳光智维科技股份有限公司 一种光伏设备故障诊断方法及其应用装置
CN115979310B (zh) * 2023-03-20 2023-07-07 中国人民解放军火箭军工程大学 一种惯导系统性能退化评估方法、系统、电子设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259927A (zh) * 2020-01-08 2020-06-09 西北工业大学 基于神经网络和证据理论的火箭发动机故障诊断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259927A (zh) * 2020-01-08 2020-06-09 西北工业大学 基于神经网络和证据理论的火箭发动机故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
分形法在发动机隐含故障诊断中的应用;王朝晖等;《石油大学学报(自然科学版)》;20030330(第01期);全文 *
基于HMM的设备故障预测方法研究;康建设等;《系统仿真技术》;20090728(第03期);全文 *

Also Published As

Publication number Publication date
CN112016208A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
EP1416348B1 (en) Methodology for temporal fault event isolation and identification
US7640145B2 (en) Automated model configuration and deployment system for equipment health monitoring
CN102789545B (zh) 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
CN112016208B (zh) 一种考虑扰动的隐含故障诊断方法及系统
CN109917777B (zh) 基于混合多采样率概率主成分分析模型的故障检测方法
CN110466381B (zh) 充电桩状态的评估方法
CN108427400B (zh) 一种基于神经网络解析冗余的飞机空速管故障诊断方法
CN109387779B (zh) 一种基于统计数据驱动的万能式断路器操作附件剩余寿命预测方法
CN112884051B (zh) 数据驱动的轻量级无人机多部件在线复杂故障诊断方法
CN102257448B (zh) 使用切换模型对信号进行滤波的方法和设备
CN111796233B (zh) 双母线接线形式下多台电压互感器继发性误差的评估方法
CN113050019A (zh) 数据驱动评估结果和检定规程融合的电压互感器评估方法及系统
CN111523727B (zh) 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法
CN112100574A (zh) 一种基于重采样的aakr模型不确定度计算方法及系统
CN111079348B (zh) 一种缓变信号检测方法和装置
CN116292367A (zh) 基于一维卷积的电厂风机系统异常工况检测方法
CN115979310A (zh) 一种惯导系统性能退化评估方法、系统、电子设备及介质
CN109324591B (zh) 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法
Dong et al. Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab
CN113158448A (zh) 一种船舶系统设备阈值的自适应计算方法
EP3923213A1 (en) Method and computing system for performing a prognostic health analysis for an asset
CN114112390B (zh) 一种非线性复杂系统早期故障诊断方法
CN116933003A (zh) 基于DaNet的无人机发动机的剩余使用寿命预测方法
CN115047853A (zh) 基于递推规范变量残差和核主元分析的微小故障检测方法
CN114004268A (zh) 一种牵引系统故障的在线诊断方法及装置

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