CN112116003B - 一种复杂传感器网络自适应动态故障诊断方法及系统 - Google Patents
一种复杂传感器网络自适应动态故障诊断方法及系统 Download PDFInfo
- Publication number
- CN112116003B CN112116003B CN202010985990.4A CN202010985990A CN112116003B CN 112116003 B CN112116003 B CN 112116003B CN 202010985990 A CN202010985990 A CN 202010985990A CN 112116003 B CN112116003 B CN 112116003B
- Authority
- CN
- China
- Prior art keywords
- rule
- fault diagnosis
- monitoring information
- fault
- sensor
- 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 113
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 71
- 230000004913 activation Effects 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000003949 liquefied natural gas Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction 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
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种复杂传感器网络自适应动态故障诊断方法及系统，方法包括：获取复杂传感器网络中的传感器监测信息；基于传感器监测信息计算传感器监测信息相对于BRB中每条规则的匹配度；基于传感器监测信息相对于BRB中每条规则的匹配度，计算每条规则的激活权重；根据每条规则的激活权重，计算故障诊断模型的输出结果的置信度；根据所述故障诊断模型的输出结果的置信度以及复杂传感器网络的故障特征向量进行故障诊断。本发明能够提高复杂传感器网络故障诊断的精度和效率。
Description
技术领域
本发明涉及复杂传感器网络故障诊断领域，特别是涉及一种复杂传感器网络自适应动态故障诊断方法及系统。
背景技术
复杂传感器网络作为大型结构件，观测信息的重要获取途径，如大型桥梁、液化天然气储罐等，是确保大型结构件控制系统产生准确控制指令的关键，一旦发生故障将会直接影响整个系统的稳定性和安全性，进而对我国的国家利益和人民财产安全带来损失。为此，如何对复杂传感器网络进行实时故障诊断，保证在发生故障的第一时间采取相对应的措施，并结合传感器网络工作状态的变化对模型结构、参数进行自适应调整，以保证故障诊断的精度是目前所急需解决的问题。
目前，在对复杂传感器网络进行故障诊断的过程中主要存在以下三个问题：首先，现代传感器设计工艺较为成熟，所生产的传感器可靠度较高，发生故障的情况较少，进而导致能够获取的故障样本较少，所提供的信息量有限；第二，在使用传感器网络对大型结构件进行监测时，其分布区域广、监测指标多，影响其工作状态的因素较多，专家难以建立准确的数学模型；第三，传感器网络发生故障往往会导致其内部工作机理变化较大，进而导致所构建的故障诊断模型结构和参数不能完全适应故障后的传感器网络，极大的影响了后续传感器网络的故障诊断精度；第四，诸如液化天然气储罐等大型工业结构发生故障会引起严重的生产安全事故，为此需要在故障发生后最短的时间内对其进行诊断，进而对所构建模型的实时性提出了一定要求。因此，在对复杂传感器网络进行故障诊断的过程中，需要充分考虑以上四个方面的问题，有效提高复杂传感器网络故障诊断的精度和效率。
发明内容
基于此，本发明的目的是提供一种复杂传感器网络自适应动态故障诊断方法及系统，用以提高复杂传感器网络故障诊断的精度和效率。
为实现上述目的，本发明提供了如下方案：
一种复杂传感器网络自适应动态故障诊断方法，包括：
获取复杂传感器网络中的传感器监测信息；
基于传感器监测信息计算传感器监测信息相对于BRB中每条规则的匹配度；
基于传感器监测信息相对于BRB中每条规则的匹配度，计算每条规则的激活权重；
根据每条规则的激活权重，计算故障诊断模型的输出结果的置信度；
根据所述故障诊断模型的输出结果的置信度以及复杂传感器网络的故障特征向量进行故障诊断。
可选地，在获取复杂传感器网络中的传感器监测信息，之后包括：
将传感器监测信息转换到统一框架下。
可选地，传感器监测信息相对于BRB中每条规则的匹配度的计算公式如下：
其中，为第i个传感器监测信息相对于第j条规则中参考等级的匹配度；Bik和Bi(k+1)分别表示第i个传感器在第k条和第k+1条规则中的参考等级；/>为t时刻第i个传感器的监测信息，L′为规则数量。
可选地，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)为传感器监测信息相对于第k条规则的匹配度，表示第k条规则权重。
可选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。
可选地，故障诊断模型的输出结果的计算公式如下：
其中，βn(t)为故障诊断模型输出结果中第n个故障结果的置信度，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个故障结果的置信度，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。
可选地，根据所述故障诊断模型的输出结果的置信度以及复杂传感器网络的故障特征向量进行故障诊断，具体包括：
根据所述故障诊断模型的输出结果的置信度，构建输出结果向量；
根据输出结果向量与所述故障特征向量之间的距离进行故障诊断。
本发明还提供了一种复杂传感器网络自适应动态故障诊断系统，包括：
传感器监测信息获取模块，用于获取复杂传感器网络中的传感器监测信息；
匹配度计算模块，用于基于传感器监测信息计算传感器监测信息相对于BRB中每条规则的匹配度；
激活权重计算模块，用于基于传感器监测信息相对于BRB中每条规则的匹配度，计算每条规则的激活权重；
输出结果置信度计算模块，用于根据每条规则的激活权重，计算故障诊断模型的输出结果的置信度；
故障诊断模块，用于根据所述故障诊断模型的输出结果的置信度以及复杂传感器网络的故障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传感器网络自适应动态故障诊断方法及系统，方法包括：获取复杂传感器网络中的传感器监测信息；基于传感器监测信息计算传感器监测信息相对于BRB中每条规则的匹配度；基于传感器监测信息相对于BRB中每条规则的匹配度，计算每条规则的激活权重；根据每条规则的激活权重，计算故障诊断模型的输出结果的置信度；根据所述故障诊断模型的输出结果的置信度以及复杂传感器网络的故障特征向量进行故障诊断。本发明能够提高复杂传感器网络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传感器网络自适应动态故障诊断方法的流程图；
图2为复杂传感器网络自适应故障诊断模型示意图；
图3为本发明实施例储罐震动传感器网络监测数据；
图4为本发明实施例所述储罐震动传感器网络故障诊断结果；
图5为本发明实施例所述储罐震动传感器网络模型规则数量变化过程；
图6为本发明实施例复杂传感器网络自适应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传感器网络自适应动态故障诊断方法及系统，对于传感器网络工作中状态的变化对模型结构、参数进行自适应调整，同时兼顾其精度和实时性，有效的提高复杂传感器网络故障诊断的精度和效率。
为了解决复杂传感器网络故障诊断中存在的高价值样本缺失、网络干扰因素多、实时性要求高等难题，本发明基于置信规则库(Beliefrule base,BRB)专家系统构建复杂传感器网络自适应故障诊断模型，通过将专家知识与高价值样本相结合解决解决监测信息缺乏、干扰因素多的难题；然后基于规则权重提出故障诊断模型越减方法，在改变模型结构的同时对参数进行调整；最后，基于距离的最近临分类方法实现故障诊断。
首先，结合大型结构件工作机理分析，选择复杂传感器网络中的传感器作为故障诊断模型的输入指标，并结合BRB中规则的构造形式建立如下所示的规则库：
其中，x1(t),x2(t),…xM(t)表示网络中的M个传感器在t时刻的监测信息，{D1,…DN}为模型的诊断结果，表示传感器网络发生N种故障的对应的置信度，β1,k(t),β2,k(t)…βN,k(t)为各个故障等级对应的置信度。θk(t)是规则权重，表示该条规则在整个规则库中的相对重要程度。δ1(t),…δM(t)分别表示网络中各个传感器的权重，表示在所构建模型中的重要程度。在网络中传感器发生故障时，模型结构和参数会相对应的进行自适应调整，以达到最高的诊断精度。其中，模型结构调整即通过规则权重设置为0来调整模型中参与故障诊断的规则的数量，模型参数调整是通过调整模型中剩余规则的输出结果参考置信度β1,k(t),β2,k(t)…βN,k(t)和传感器权重δ1(t),…δM(t)。F(t)是故障诊断模型的输出结果。模型结构如图2所示。
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，一种复杂传感器网络自适应动态故障诊断方法，包括：
步骤101：获取复杂传感器网络中的传感器监测信息。
步骤102：基于传感器监测信息计算传感器监测信息相对于BRB中每条规则的匹配度。
步骤103：基于传感器监测信息相对于BRB中每条规则的匹配度，计算每条规则的激活权重。
步骤104：根据每条规则的激活权重，计算故障诊断模型的输出结果的置信度。
步骤105：根据所述故障诊断模型的输出结果的置信度以及复杂传感器网络的故障特征向量进行故障诊断。
下面对本方法进行详细论述：
(1)由于复杂传感器网络中监测所得到的多元数据格式不统一，无法直接使用。为此，传感器网络监测测数据通过下式转换到统一的框架下:
其中，为第i个传感器监测信息相对于其在第j条规则中参考等级的匹配度；Bik和Bi(k+1)分别表示第i个传感器在第k条和第k+1条规则中的参考等级，由专家结合传感器网络监测信息及其运行状态确定；/>为t时刻第i个传感器的监测信息，L′为所构建模型变结构后的规则数量。
(2)在所构建的模型中，不同的传感器输入情况下会激活不同的规则，其激活权重可以表示为：
其中，wk(t)为该条规则的激活权重，表示传感器的输入信息对模型规则的效用。αk(t)为传感器输入信息相对于第k条规则的匹配度。为网络中各个传感器的相对权重。表示故障诊断模型中第k条规则权重，表示该条规则在整个模型中的重要程度，在系统发生故障的过程中，规则所发挥的作用会发生改变。在规则权重太小时，表示该条规则在整个模型中发挥的作用很小。故障诊断模型作为一种专家系统，其工程应用的制约在于高维特征下的规则组合爆炸所导致的建模实时性差、模型的复杂度太高。模型的复杂性是决定诊断实时性的关键。为此，在同时考虑模型实时性与诊断精度的情况下，需要对模型的结构进行动态的调整。模型结构可以通过下式进行调整。
如上式所示，在规则权重较低时，通过删除该条规则的形式来降低模型的复杂度，进而提高故障诊断的实时性。
(3)在获取得到每条规则的激活权重后，不同的规则会产生不同的故障诊断结果，为此需要通过ER算法将不同的规则诊断结果进行融合，得到最终的故障诊断模型输出结果。ER算法的解析形式可以表示为：
其中，βn(t)为基于BRB的故障诊断模型输出结果中第n个故障结果的置信度。wk(t)为第k条规则的激活权重，βn,k(t)为该条规则中输出结果的置信度。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。
(4)针对故障诊断模型的输出结果，通过基于距离的最邻近分类方法对传感器的进行故障诊断。将故障诊断模型在t时刻的输出结果表示为β(t)＝[β1(t)…βN(t)]，即为输出结果向量，Cj为第j个故障的特征向量。当β(t)中的与第j个故障特征向量之间距离最小时，即认为模型的诊断结果为第j个故障状态。计算公式表示为：
其中，由专家设置传感器网络的N个故障特征向量Cj,j＝1,2,...,N。
在线获取监测信息后，结合历史信息和所构建的优化模型对故障诊断模型公式(2)-(9)进行更新，以提高其故障诊断精度，保证所构建的模型能够根据储罐运行状态及传感器故障状态自适应的对模型结构、参数进行调整。优化模型如下所示：
模型参数优化过程需要服从如下约束条件：
0≤θk(t)≤1 (11)
0≤δi(t)≤1,i＝1,2,...,M (12)
0≤βn,k(t)≤1,n＝1,2,...,N,k＝1,2,...,L' (13)
其中，ν为模型诊断率，T为监测数据的数量，Y为诊断正确的个数，即在t时刻诊断正确时，Y(t)＝1；否则，Y(t)＝0。
本发明所针对的使用环境主要是针对复杂传感器网络故障诊断存在一定的实时性要求和建模精度要求，采用了在线监测信息直接更新模型参数和结构的方式，如式(2)-(14)所示，需要在建模的过程中对每一时刻的参数进行动态的调整，是一种对复杂传感器网络自适应故障诊断最直接的处理方式，解决了现存研究无法处理置信规则库专家系统在故障诊断时所存在的规则组合爆炸而无法在线建模的问题。
本发明所述复杂传感器网络自适应故障诊断方法流程如图2所示。为了验证所构建模型的有效性，在储罐结构监测的无线传感器网络中进行了验证。主要实验步骤包括以下三步：
步骤一：无线传感器网络监测信息采集及处理；
大型液化天然气储罐作为国民经济领域的典型大型工业结构之一，其使用过程中的可靠性直接关乎人民生命、财产安全。在储罐使用的过程中，受地面微小震动、不均匀沉降的影响，储罐会发生微笑震动，导致储罐发生罐体破损，进而引发天然气泄露。为此，在本发明实验环节选取了储罐传感器网络中的三个不同位置的震动传感器作为实验对象，命名为A，B，C，在剔除部分失效数据后，选取1300组数据。其中，分别对于三个传感器注入传感器恒偏差故障，其监测数据如图3所示，并将所有监测数据随机选取分为两组：训练数据和测试数据，分别为650组。
步骤二：无线传感器网络自适应故障诊断模型的构建；
对于储罐震动监测网络中的三个传感器，根据监测数据确定其4个参考等级，如表1所示，其中L、M、SH和H分别表示低、中等、稍高和高。BRB规则输出有4中故障状态，即正常(L)、A故障(FA)、B故障(FB)和C故障(FC)。根据式(1)中的规则构建方式，所构建出的初始BRB模型中共有64条规则，其中初始置信度分布由专家结合储罐结构、传感器布置位置等给定，初始规则权重设置为1，如表2所示。规则越减阈值θThre为0.2，优化算法为基于考虑投影算子的协方差矩阵自适应优化策略(The projection covariance matrix adaptionevolution strategy,P-CMA-ES)。正常状态、A传感器故障、B传感器故障、C传感器故障的故障特征向量分别为：[1000]、[0100]、[0010]和[0001]。
表1震动传感器参考等级和参考值
表2传感器网络自适应故障诊断初始模型
步骤三：无线传感器网络自适应故障诊断模型的训练与测试；
本发明所述复杂传感器网络自适应故障诊断方法是基于BRB专家系统所建立的，其初始模型由专家结合领域知识确定，在对动态传感器网络进行故障诊断时，由于动态环境对传感器网络所造成的影响在实时变化，导致初始模型不能很好的对网络中的故障传感器进行检测与定位，并且在传感器网络发生故障过程中，初始模型不能根据传感器网络变化进行自适应结构、参数调整，造成初始模型不能准确对故障进行诊断。为此，需要结合所获取的历史数据对模型进行训练，并利用在线数据对模型结构和参数进行自适应调整。评估结果如图4所示，优化后的故障诊断模型能够准确的对传感器网络中的故障进行诊断，并且模型复杂度和参数在训练的过程中能够根据实时监测数据进行自适应调整。模型结构变化如图5所示，可以看出所构建的模型能够根据在线监测数据对结构进行在线调整。在模型训练过程中，共运行10次，其中诊断率最高为0.9492，平均诊断率为0.9391，方差为8.5378E-05。因此，可以看出做构建的模型具有很强的鲁棒性，并且对于故障的诊断率较高。
如图6所示，本发明还提供了一种复杂传感器网络自适应动态故障诊断系统，包括：
传感器监测信息获取模块601，用于获取复杂传感器网络中的传感器监测信息。
匹配度计算模块602，用于基于传感器监测信息计算传感器监测信息相对于BRB中每条规则的匹配度。
激活权重计算模块603，用于基于传感器监测信息相对于BRB中每条规则的匹配度，计算每条规则的激活权重。
输出结果置信度计算模块604，用于根据每条规则的激活权重，计算故障诊断模型的输出结果的置信度。
故障诊断模块605，用于根据所述故障诊断模型的输出结果的置信度以及复杂传感器网络的故障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 (5)
1.一种复杂传感器网络自适应动态故障诊断方法，其特征在于，包括：
获取复杂传感器网络中的传感器监测信息；
基于所述传感器监测信息计算传感器监测信息相对于BRB中每条规则的匹配度；
基于所述传感器监测信息相对于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结果的置信度；
根据所述故障诊断模型的输出结果的置信度以及复杂传感器网络的故障特征向量进行故障诊断；
其中，所述传感器监测信息相对于BRB中每条规则的匹配度的计算公式如下：
其中，为第i个传感器监测信息相对于第j条规则中参考等级的匹配度；Bik和Bi(k+1)分别表示第i个传感器在第k条和第k+1条规则中的参考等级；/>为t时刻第i个传感器的监测信息，L'为规则数量；
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)为传感器监测信息相对于第k条规则的匹配度，表示第k条规则权重；
所述故障诊断模型的输出结果的置信度的计算公式如下：
其中，βn(t)为故障诊断模型输出结果中第n个故障结果的置信度，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个故障结果的置信度，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。
2.根据权利要求1所述的复杂传感器网络自适应动态故障诊断方法，其特征在于，在所述获取复杂传感器网络中的传感器监测信息，之后包括：
将所述传感器监测信息转换到统一框架下。
3.根据权利要求1所述的复杂传感器网络自适应动态故障诊断方法，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。
4.根据权利要求1所述的复杂传感器网络自适应动态故障诊断方法，其特征在于，根据所述故障诊断模型的输出结果的置信度以及复杂传感器网络的故障特征向量进行故障诊断，具体包括：
根据所述故障诊断模型的输出结果的置信度，构建输出结果向量；
根据输出结果向量与所述故障特征向量之间的距离进行故障诊断。
5.一种复杂传感器网络自适应动态故障诊断系统，其特征在于，包括：
传感器监测信息获取模块，用于获取复杂传感器网络中的传感器监测信息；
匹配度计算模块，用于基于所述传感器监测信息计算传感器监测信息相对于BRB中每条规则的匹配度；
激活权重计算模块，用于基于所述传感器监测信息相对于BRB中每条规则的匹配度，计算每条规则的激活权重；
输出结果置信度计算模块，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结果的置信度；
故障诊断模块，用于根据所述故障诊断模型的输出结果的置信度以及复杂传感器网络的故障特征向量进行故障诊断；
其中，所述传感器监测信息相对于BRB中每条规则的匹配度的计算公式如下：
其中，为第i个传感器监测信息相对于第j条规则中参考等级的匹配度；Bik和Bi(k+1)分别表示第i个传感器在第k条和第k+1条规则中的参考等级；/>为t时刻第i个传感器的监测信息，L'为规则数量；
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)为传感器监测信息相对于第k条规则的匹配度，表示第k条规则权重；
所述故障诊断模型的输出结果的置信度的计算公式如下：
其中，βn(t)为故障诊断模型输出结果中第n个故障结果的置信度，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个故障结果的置信度，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010985990.4A CN112116003B (zh) | 2020-09-18 | 2020-09-18 | 一种复杂传感器网络自适应动态故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010985990.4A CN112116003B (zh) | 2020-09-18 | 2020-09-18 | 一种复杂传感器网络自适应动态故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112116003A CN112116003A (zh) | 2020-12-22 |
| CN112116003B true CN112116003B (zh) | 2024-01-19 |
Family
ID=73801373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010985990.4A Active CN112116003B (zh) | 2020-09-18 | 2020-09-18 | 一种复杂传感器网络自适应动态故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116003B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018120077A1 (zh) * | 2016-12-26 | 2018-07-05 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
| CN109379755A (zh) * | 2018-10-29 | 2019-02-22 | 中建科技有限公司深圳分公司 | 一种传感器网络的故障诊断装置及其故障诊断方法 |
| CN110163075A (zh) * | 2019-03-01 | 2019-08-23 | 东南大学 | 一种基于权值训练的多信息融合故障诊断方法 |
-
2020
- 2020-09-18 CN CN202010985990.4A patent/CN112116003B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018120077A1 (zh) * | 2016-12-26 | 2018-07-05 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
| CN109379755A (zh) * | 2018-10-29 | 2019-02-22 | 中建科技有限公司深圳分公司 | 一种传感器网络的故障诊断装置及其故障诊断方法 |
| CN110163075A (zh) * | 2019-03-01 | 2019-08-23 | 东南大学 | 一种基于权值训练的多信息融合故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 利用置信规则库的数控机床伺服系统故障诊断;张邦成;尹晓静;王占礼;周志杰;张玉玲;吕康文;;振动.测试与诊断(第04期);全文 * |
| 基于置信规则库的机载导弹故障诊断;刘兆政;肖明清;朱海振;李剑峰;张磊;杨亚军;;空军工程大学学报(自然科学版)(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112116003A (zh) | 2020-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN108803486B (zh) | 基于并联深度学习网络的数控机床热误差预测与补偿方法 | |
| CN109407654B (zh) | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 | |
| CN109472110A (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
| Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
| CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
| CN111780800B (zh) | 一种传感器故障的监测、隔离以及重构方法和系统 | |
| CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
| CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| CN112418682B (zh) | 一种融合多源信息的安全性评估方法 | |
| CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
| WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
| CN112069685A (zh) | 一种考虑可解释性的复杂机电系统健康评估方法及系统 | |
| CN111707458B (zh) | 一种基于深度学习信号重构的转子监测方法 | |
| CN110570013A (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN114035550B (zh) | 一种基于eso的自主式水下机器人执行机构故障诊断方法 | |
| 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 | |
| CN112489841A (zh) | 一种核电机组蒸汽发生器的水位容错控制方法 | |
| CN110990938A (zh) | 一种掌子面在掘岩体状态软测量方法 | |
| CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
| CN112101797B (zh) | 一种复杂工业系统动态故障诊断方法及系统 | |
| CN112651444B (zh) | 一种基于自学习的非平稳过程异常检测方法 | |
| Zheng et al. | Research on Predicting Remaining Useful Life of Equipment Based on Health Index | |
| CN111123890B (zh) | 一种特种设备故障监测系统 |
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 |