CN112101797B - 一种复杂工业系统动态故障诊断方法及系统 - Google Patents
一种复杂工业系统动态故障诊断方法及系统 Download PDFInfo
- Publication number
- CN112101797B CN112101797B CN202010984442.XA CN202010984442A CN112101797B CN 112101797 B CN112101797 B CN 112101797B CN 202010984442 A CN202010984442 A CN 202010984442A CN 112101797 B CN112101797 B CN 112101797B
- Authority
- CN
- China
- Prior art keywords
- rule
- fault
- fault diagnosis
- complex industrial
- model
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 56
- 230000004913 activation Effects 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims 2
- 239000003949 liquefied natural gas Substances 0.000 description 17
- 238000003860 storage Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种复杂工业系统动态故障诊断方法及系统。方法包括:确定复杂工业系统的关键特征指标;基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度;基于所述关键特征指标相对于BRB中每条规则的匹配度,计算每条规则的激活权重;根据所述每条规则的激活权重,计算故障诊断模型的输出故障特征向量;根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。本发明能够提高复杂工业系统动态故障诊断的精度和效率。
Description
技术领域
本发明涉及复杂工业系统健康管理领域,特别是涉及一种复杂工业系统动态故障诊断方法及系统。
背景技术
诸如液化天然气储罐等复杂工业系统作为我国国民经济的重要组成部分,其运行期间的安全性和可靠性直接关乎人民财产和生命安全。复杂工业系统健康管理作为提高其安全性和可靠性的重要手段,目前已经被广泛的应用于多个领域。故障检测及诊断(Faultdetection and diagnosis,FDD)作为健康管理的重要方面,旨在通过系统的监测信息及时准确的发现、定位系统故障,为维修保养提供基础。随着科技的发展,目前,复杂工业系统的关键特征集中体现在集成化设计、自动化程度高、子系统高度耦合、实时性要求高、承担任务重要等,这给其故障诊断提出了很高的要求。
分析目前复杂工业系统故障诊断中面临的问题,总结可以分为四个方面:第一,随着装备制造业水平的不断提升,目前,诸如液化天然气储罐等复杂工业系统的设计可靠度不断提升,出现故障的概率大幅度降低,进而导致所能够获取的故障信息尤为缺乏;第二,由于复杂工业系统各个子系统之间高度耦合,且多采用集成化设计,导致影响其工作状态的因素较多,单纯依靠专家知识很难建立其准确的数学模型;第三,在复杂工业系统实际运行的过程中,随着故障的发生,其内部机理也会随之发生变化,进而需要所建立的故障诊断模型能够根据系统的变化对自身结构和参数进行自适应的调整更新,保证诊断的精度;第四,在复杂工业系统故障诊断的过程中,信息来源主要分为历史信息和在线监测信息,历史信息由长期积累所得到,能够包含大部分系统模态,在线监测信息主要反映了系统当前时刻的运行状态。将历史信息与在线监测信息进行简单组合可以保证模型记忆最长,但同时导致模型在线更新的实时性降低;单纯考虑在线监测信息又会使得模型丧失记忆,导致历史信息的浪费和诊断精度的降低。
发明内容
基于此,本发明的目的是提供一种复杂工业系统动态故障诊断方法及系统,用以提高复杂工业系统故障诊断的实时性和精度。
为实现上述目的,本发明提供了如下方案:
一种复杂工业系统动态故障诊断方法,包括:
确定复杂工业系统的关键特征指标;
基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度;
基于所述关键特征指标相对于BRB中每条规则的匹配度,计算每条规则的激活权重;
根据所述每条规则的激活权重,计算故障诊断模型的输出故障特征向量;
根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。
可选的地,在确定复杂工业系统的关键特征指标,之后包括:
将所述关键特征指标转换到统一框架下。
可选的地,关键特征指标相对于BRB中每条规则的匹配度的计算公式如下:
其中,为关键特征指标转换后在第j条规则中的匹配度;Rik和Ri(k+1)是第i个关键特征指标在第k条和第k+1条规则中的参考等级;/>为t时刻第i个关键特征指标,L′为规则数量。
可选的地,所述每条规则的激活权重的计算公式如下:
其中,wk(t)为第k条规则的激活权重,αk(t)为关键特征指标相对于第k条规则的匹配度,表示第k条规则权重。
可选的地,在所述规则权重低于阈值时,删除所述规则权重对应的规则,降低故障诊断模型的复杂度。
可选的地,所述故障诊断模型的输出故障特征向量的计算公式如下:
其中,[β1,β2…βN]为模型产生的输出故障特征向量,wk(t)为第k条规则的激活权重,βn,k(t)为第k条规则中第n个故障特征向量,L′为约减后的模型规则数量,N为系统中故障诊断结果的种类。
可选的地,根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断,具体包括:
计算所述输出故障特征向量与标准特征向量之间的距离;
确定最小的距离为当前时刻复杂工业系统的故障状态。
本发明还提供了一种复杂工业系统动态故障诊断系统,包括:
关键特征指标确定模块,用于确定复杂工业系统的关键特征指标;
匹配度计算模块,用于基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度;
激活权重计算模块,用于基于所述关键特征指标相对于BRB中每条规则的匹配度,计算每条规则的激活权重;
输出故障特征向量计算模块,用于根据所述每条规则的激活权重,计算故障诊断模型的输出故障特征向量;
故障诊断模块,用于根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。
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:
本发明公开了一种复杂工业系统动态故障诊断方法及系统。方法包括:确定复杂工业系统的关键特征指标;基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度;基于所述关键特征指标相对于BRB中每条规则的匹配度,计算每条规则的激活权重;根据所述每条规则的激活权重,计算故障诊断模型的输出故障特征向量;根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。本发明能够提高复杂工业系统动态故障诊断的精度和效率。
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地介绍,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他的附图。
图1为本发明实施例复杂工业系统动态故障诊断方法的流程图;
图2为本发明实施例故障诊断模型流程图;
图3为本发明实施例液化天然气储罐监测指标测试数据;
图4为本发明实施例液化天然气储罐动态故障模型约减后评估结果;
图5为本发明实施例液化天然气储罐遗忘因子的自适应变化;
图6为本发明实施例液化天然气储罐动态故障模型结构自适应变化;
图7为本发明实施例复杂工业系统动态故障诊断系统的结构框图。
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。
本发明的目的是提供一种复杂工业系统动态故障诊断方法及系统,用以提高复杂工业系统故障诊断的实时性和精度。
本发明所面临的复杂工业系统同时具有较高的实时性和诊断精度,需要对历史信息使用量和模型结构、参数进行同时更新,保证在使用最少历史信息的情况下达到最高的精度,是对复杂工业系统,如液体运载火箭等,特殊情况下的一种解决方法。
本发明的主要步骤可以分为以下四步:首先,由确定复杂工业系统的关键特征指标,并将所获取的多元监测信息转换到统一的框架下,为下一步信息融合奠定基础;然后,根据系统关键特征指标构建规则库,根据监测信息计算规则的激活权重并通过证据推理(Evidential Reasoning,ER)算法进行融合,得到故障输出特征向量;确定故障标准特征向量,然后基于距离的最近邻分类故障诊断策略确定系统故障;最后,根据当前时刻的诊断精度,通过遗忘因子调整历史信息与在线监测信息的使用比例,并通过规则权重实现模型结构的自适应调整。本发明的故障诊断模型流程图如图2所示。
根据BRB中规则的构建方式,本发明中的记忆长度自适应调整的复杂工业系统动态故障诊断模型可以调试为:
Then y(t)is{(D1,β1,k),...,(DN,βN,k)},
With rule weightθk,attribute weightδ1,…δM,forgeting factorΓ(t) (1)
其中,x1(t),x2(t),…xM(t)为t时刻复杂工业系统M个关键特征指标的监测信息,δ1,…δM是指标的权重,为指标相对应的参考等级,旨在将多元信息转换到统一的框架下。{D1,…DN}为复杂工业系统的个故障状态,[β1,k,β2,k…βN,k]为其相对应的故障输出特征向量。θk为规则权重。Γ(t)是t时刻的遗忘因子,随着系统状态的改变而进行自适应的调整。k=1,2,...,L。
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,一种复杂工业系统动态故障诊断方法,包括:
步骤101:确定复杂工业系统的关键特征指标。
步骤102:基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度。
步骤103:基于所述关键特征指标相对于BRB中每条规则的匹配度,计算每条规则的激活权重。
步骤104:根据所述每条规则的激活权重,计算故障诊断模型的输出故障特征向量。
步骤105:根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。
下面对本方法进行详细论述:
(1)复杂工业系统关键特征指标的选取与多元信息的转换
复杂工业系统特征指标较多,受模型实时性的限制,不可能对所有指标都进行监测。为此,首先需要专家结合复杂工业系统实际工况选择合适数量的特征指标。另一方面,由于所获取的多元监测信息格式不一,无法直接使用,需要通过下式将多元监测信息转换到统一的框架下:
其中,Rik和Ri(k+1)是第i个关键特征指标在第k条和第k+1条规则中的参考等级,参考等级需要结合特征的信息分布、类型决定。L'为模型自适应调整后的规则数量。为指标转换后在第j条规则中的匹配度。
在获取每个指标在每条规则中的匹配度后,可以通过下式计算得到所有关键特征指标在第k规则中的匹配度:
其中,表示指标的相对权重大小。
(2)故障诊断模型规则的激活及输出故障特征向量的融合
在所构建的故障诊断模型中,不同的监测信息会对于不同的规则的效用不同,在本发明中通过规则的激活权重表示,如下式所示:
其中,表示在模型动态调整过程中的规则权重,即当该条规则重要程度不满足要求时,将其约减。
激活的规则会产生系统故障的特征向量,表示该条规则诊断产生的结果。所有规则输出的故障特征向量可以通过证据推理(Evidential Reasoning,ER)算法进行融合,得到最终的输出故障特征向量。ER算法解析形式如下所示:
其中,[β1,β2…βN]为模型产生的输出故障特征向量,wk(t)为第k条规则的激活权重,βn,k(t)为第k条规则中第n个故障特征向量,L′为约减后的模型规则数量,N为系统中故障诊断结果的种类。μ仅是代替公式(8)的一个符号,可以替换为其他字母。
(3)基于距离的最近邻分类故障诊断策略
在得到模型的输出故障特征向量后,本发明基于距离的最邻近分类故障诊断策略对故障进行诊断。
首先,由专家给定系统中每种故障的标准特征向量Jj,然后计算其与模型输出故障特征向量J(t)之间的距离,其中确定最小的距离即为当前时刻系统的故障状态。计算公式如下所示:
其中,||·||为两个向量之间的范数,J为系统中的故障状态个数。
(4)模型参数、结构及遗忘因子的自适应调整
在复杂工业系统运行的过程中,随着不同故障的发生,其运行工况随之变化。为了保证诊断精度,模型的参数、结构和遗忘因子需要进行动态更新。在本发明中,模型的参数是通过优化算法进行更新,模型的结构是通过规则的自适应删减进行调整,遗忘因子是根据模型的精度进行动态调整。经过调整后,模型中的规则数量将发生变化,并且在整个在线诊断的过程中所使用的历史信息与在线信息的比例根据诊断精度进行自适应调整,即在诊断误差增大时使用的历史信息增加,相反当诊断误差降低时所使用的历史信息减少。
在模型参数更新方面,由于BRB属于一种专家系统,对模型参数物理意义有着严格的要求。因此,模型参数优化过程中需要服从如下约束条件:
0≤θk≤1 (9)
0≤δi≤1,i=1,2,...,M (10)
0≤βn,k≤1,n=1,2,...,N,k=1,2,...,L' (11)
在模型结构更新方面,根据规则权重对其进行自适应约减。在规则发挥作用不明显时,对其进行约减,如下式所示:
其中,θthre为规则约减的阈值,其数值大小直接关乎模型的建模精度和复杂度。
在遗忘因子更新方面,遗忘因子的大小直接决定历史信息和在线监测信息的使用比例,直接影响最终的诊断精度。因此,遗忘因子需要根据模型的建模精度进行实时调整,建立如下的遗忘因子调整算法:
DataTraining=Dataonline+τ(t)Datahistory (14)
Δτ(t)=θΔAccuracy rate (15)
其中,Datahistory和Dataonline为历史信息和在线监测信息,τ(t)是遗忘因子。Δτ(t)为遗忘因子变化量,θ为合适选择的实数,ΔAccuracy rate为模型诊断精度的变化量。
为了验证本发明的有效性,通过大型液化天然气储罐中进行了实验验证,主要包括以下步骤:
步骤一:问题描述及监测信息的获取
液化天然气储罐作为一种典型的复杂工业系统,主要用来存储液化天然气,是目前居民生活的必需品。随着近年来清洁能源的使用比例不断提高,液化天然气储罐的数量正在不断增加。液化天然气储罐对于连接管道的气密性有着极高的要求,一旦发生泄露,将会导致储罐爆炸,发生严重的安全生产事故,对人民财产生命造成了极大的威胁。因此,需要准确的对液化天然气的管道连接处进行监测,在发生泄露的第一时间采取相应措施,保证其安全性和可靠性。在本发明中,实验基于海南省中海油有限公司所建造的液化天然气储罐开展,选取了三条主要液化天然气输送管道的连接处安装了气体传感器,对泄露信息进行监测。在实验过程中,通过模拟泄露进行故障模拟,监测数据如图3所示。
步骤二:含有遗忘因子的液化天然气储罐动态故障诊断模型的建立
在三个传感器的监测数据中,结合数据量、模型复杂度、诊断精度、诊断实时性等,确定三个传感器的监测信息参考等级各为4个,如表1所示。结合公式(1)所示的规则构造方式,所构建的故障诊断模型中共有64条规则。由于气体传感器在实际使用的过程中容易受到环境的影响,因此,在确定规则输出置信度时需要同时考虑三个传感器的监测信息,初始诊断模型如表2所示。在初始模型中,假定规则同等重要,即规则权重设置为1。初始模型训练过程中不考虑遗忘因子。
表1气体传感器参考等级和参考值
表2液化天然气储罐动态故障诊断初始模型
步骤三:动态故障诊断模型的训练及测试
本发明在实验过程中,共采集数据1300组,其中传感器1处发生泄露故障共采集300组,传感器2处发生故障共采集300组,传感器3处发生故障共采集300组。从数据集中随机筛选650组作为训练数据,对所构建的故障诊断模型进行训练。在后续测试的过程中,使用训练数据作为历史信息,测试数据作为在线监测信息,通过遗忘因子来调整两者之间的使用比例,进而达到模型记忆长度自适应变化。在本发明中,对于遗忘因子的调节是通过输出结果的检测率调整,即检测率满足要求时,增加遗忘因子,降低历史信息的比例;在检测率不满足要求时,降低遗忘因子,增加历史信息的比例。测试结果如图4所示,遗忘因子和模型规则数量如图5和图6所示。本发明的故障诊断率为0.9923,能够准确的诊断模型中发生的故障。
如图7所示,本发明还提供了一种复杂工业系统动态故障诊断系统,包括:
关键特征指标确定模块701,用于确定复杂工业系统的关键特征指标。
匹配度计算模块702,用于基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度。
激活权重计算模块703,用于基于所述关键特征指标相对于BRB中每条规则的匹配度,计算每条规则的激活权重。
输出故障特征向量计算模块704,用于根据所述每条规则的激活权重,计算故障诊断模型的输出故障特征向量。
故障诊断模块705,用于根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。
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。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 (7)
1.一种复杂工业系统动态故障诊断方法,其特征在于,包括:
确定复杂工业系统的关键特征指标;
基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度;
基于所述关键特征指标相对于BRB中每条规则的匹配度,计算每条规则的激活权重;
根据所述每条规则的激活权重,计算故障诊断模型的输出故障特征向量;
根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断;具体包括:计算所述输出故障特征向量与标准特征向量之间的距离;确定最小的距离为当前时刻复杂工业系统的故障状态;
其中,故障诊断模型的参数、结构和遗忘因子需要进行动态更新;在参数更新方面,参数优化过程中需要服从如下约束条件:
0≤θk≤1
0≤δi≤1,i=1,2,...,M
0≤βn,k≤1,n=1,2,...,N,k=1,2,...,L'
其中,θk为第k条规则的权重,δi为第i个关键特征指标的权重,M为关键特征指标的数量,βn,k为第k条规则中第n个故障特征向量,L'为约减后的模型规则数量,N为系统中故障诊断结果的种类;
在结构更新方面,根据规则权重对其进行自适应约减,如下式所示:
其中,表示在模型动态调整过程中的规则权重,θthre为规则约减的阈值;
在遗忘因子更新方面,建立如下的遗忘因子调整算法:
DataTraining=Dataonline+τ(t)Datahistory
其中,Datahistory和Dataonline为历史信息和在线监测信息,τ(t)是遗忘因子,Δτ(t)为遗忘因子变化量,θ为合适选择的实数,ΔAccuracy rate为故障诊断模型诊断精度的变化量。
2.根据权利要求1所述的复杂工业系统动态故障诊断方法,其特征在于,在确定复杂工业系统的关键特征指标,之后包括:
将所述关键特征指标转换到统一框架下。
3.根据权利要求2所述的复杂工业系统动态故障诊断方法,其特征在于,关键特征指标相对于BRB中每条规则的匹配度的计算公式如下:
其中,为关键特征指标转换后在第j条规则中的匹配度;Rik和Ri(k+1)是第i个关键特征指标在第k条和第k+1条规则中的参考等级;/>为t时刻第i个关键特征指标,L'为规则数量。
4.根据权利要求3所述的复杂工业系统动态故障诊断方法,其特征在于,所述每条规则的激活权重的计算公式如下:
其中,wk(t)为第k条规则的激活权重,ak(t)为关键特征指标相对于第k条规则的匹配度,表示在模型动态调整过程中的规则权重。
5.根据权利要求4所述的复杂工业系统动态故障诊断方法,其特征在于,在所述规则权重低于阈值时,删除所述规则权重对应的规则,降低故障诊断模型的复杂度。
6.根据权利要求4所述的复杂工业系统动态故障诊断方法,其特征在于,所述故障诊断模型的输出故障特征向量的计算公式如下:
其中,[β1,β2…βN]为模型产生的输出故障特征向量,wk(t)为第k条规则的激活权重,βn,k(t)为第k条规则中第n个故障特征向量,L'为约减后的模型规则数量,N为系统中故障诊断结果的种类。
7.一种复杂工业系统动态故障诊断系统,其特征在于,包括:
关键特征指标确定模块,用于确定复杂工业系统的关键特征指标;
匹配度计算模块,用于基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度;
激活权重计算模块,用于基于所述关键特征指标相对于BRB中每条规则的匹配度,计算每条规则的激活权重;
输出故障特征向量计算模块,用于根据所述每条规则的激活权重,计算故障诊断模型的输出故障特征向量;
故障诊断模块,用于根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断;具体包括:计算所述输出故障特征向量与标准特征向量之间的距离;确定最小的距离为当前时刻复杂工业系统的故障状态;
其中,故障诊断模型的参数、结构和遗忘因子需要进行动态更新;在参数更新方面,参数优化过程中需要服从如下约束条件:
0≤θk≤1
0≤δi≤1,i=1,2,...,M
0≤βn,k≤1,n=1,2,...,N,k=1,2,...,L'
其中,θk为第k条规则的权重,δi为第i个关键特征指标的权重,M为关键特征指标的数量,βn,k为第k条规则中第n个故障特征向量,L'为约减后的模型规则数量,N为系统中故障诊断结果的种类;
在结构更新方面,根据规则权重对其进行自适应约减,如下式所示:
其中,表示在模型动态调整过程中的规则权重,θthre为规则约减的阈值;
在遗忘因子更新方面,建立如下的遗忘因子调整算法:
DataTraining=Dataonline+τ(t)Datahistory
其中,Datahistory和Dataonline为历史信息和在线监测信息,τ(t)是遗忘因子,Δτ(t)为遗忘因子变化量,为合适选择的实数,ΔAccuracy rate为故障诊断模型诊断精度的变化量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984442.XA CN112101797B (zh) | 2020-09-18 | 2020-09-18 | 一种复杂工业系统动态故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984442.XA CN112101797B (zh) | 2020-09-18 | 2020-09-18 | 一种复杂工业系统动态故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101797A CN112101797A (zh) | 2020-12-18 |
CN112101797B true CN112101797B (zh) | 2023-10-27 |
Family
ID=73760060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010984442.XA Active CN112101797B (zh) | 2020-09-18 | 2020-09-18 | 一种复杂工业系统动态故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101797B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113050606A (zh) * | 2021-03-29 | 2021-06-29 | 中国人民解放军火箭军工程大学 | 一种复杂非平稳过程的质量相关故障检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525397A (zh) * | 2016-10-31 | 2017-03-22 | 上海电力学院 | 一种核电高压加热器故障诊断方法 |
CN109117353A (zh) * | 2018-08-20 | 2019-01-01 | 中国石油大学(北京) | 故障诊断结果的融合方法及装置 |
CN110057581A (zh) * | 2019-04-29 | 2019-07-26 | 杭州电子科技大学 | 基于区间型信度规则推理的旋转机械故障诊断方法 |
CN111259551A (zh) * | 2020-01-17 | 2020-06-09 | 中国人民解放军火箭军工程大学 | 一种基于置信规则库的惯组故障预测方法 |
-
2020
- 2020-09-18 CN CN202010984442.XA patent/CN112101797B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525397A (zh) * | 2016-10-31 | 2017-03-22 | 上海电力学院 | 一种核电高压加热器故障诊断方法 |
CN109117353A (zh) * | 2018-08-20 | 2019-01-01 | 中国石油大学(北京) | 故障诊断结果的融合方法及装置 |
CN110057581A (zh) * | 2019-04-29 | 2019-07-26 | 杭州电子科技大学 | 基于区间型信度规则推理的旋转机械故障诊断方法 |
CN111259551A (zh) * | 2020-01-17 | 2020-06-09 | 中国人民解放军火箭军工程大学 | 一种基于置信规则库的惯组故障预测方法 |
Non-Patent Citations (3)
Title |
---|
基于改进置信规则库推理的分类方法;叶青青;杨隆浩;傅仰耿;陈晓聪;;计算机科学与探索(05);全文 * |
基于深度学习的故障诊断方法综述;文成林;吕菲亚;;电子与信息学报(01);全文 * |
置信规则库结构识别的置信K均值聚类算法;李彬;王红卫;杨剑波;祁超;郭敏;;系统工程(05);说明书第85-91页以及附图1-6 * |
Also Published As
Publication number | Publication date |
---|---|
CN112101797A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105096053B (zh) | 一种适用于复杂工艺系统的健康管理决策方法 | |
CN110348752B (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
Si et al. | A new prediction model based on belief rule base for system's behavior prediction | |
CN116681187B (zh) | 一种基于企业经营数据的企业碳配额预测方法 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
AU2021105665A4 (en) | Remaining useful life prediction method and system of subsea christmas tree system based on digital twin | |
CN116519021B (zh) | 一种惯性导航系统故障诊断方法、系统及设备 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN111651933A (zh) | 基于统计推断的工业锅炉故障预警方法及系统 | |
CN112101797B (zh) | 一种复杂工业系统动态故障诊断方法及系统 | |
CN109870306A (zh) | 一种拖拉机发动机故障诊断及预测方法 | |
CN114692875A (zh) | 一种故障诊断用gis知识图谱的构建方法 | |
CN109507992A (zh) | 一种机车制动系统部件的故障预测方法、装置及设备 | |
CN116071051A (zh) | 惯导系统最优更换时机确定方法、系统、电子设备及介质 | |
Yan et al. | Reliability prediction of CNC machine tool spindle based on optimized cascade feedforward neural network | |
CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
Zhang et al. | A data augmentation boosted dual informer framework for the performance degradation prediction of aero-engines | |
Zhao et al. | Remote intelligent expert system for operation state of marine gas turbine engine | |
Yang et al. | Wear Prediction of Petrochemical Granulator Gearbox Using Multiscale Temporal Convolutional Network via Online Oil Monitoring | |
Pang et al. | A New Fault Diagnosis Method for Quality Control of Electromagnet Based on T–S Fault Tree and Grey Relation | |
Frank | Handling modelling uncertainty in fault detection and isolation systems | |
CN112116003B (zh) | 一种复杂传感器网络自适应动态故障诊断方法及系统 | |
Kang et al. | Research on water quality prediction model based on echo state network | |
CN111061191A (zh) | 一种基于分布式的油气储罐远程运维系统及方法 | |
Ayo-Imoru | A hybrid system for condition based maintenance in nuclear power plants |
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 |