CN113221496B - 一种基于三维测试性分析模型的故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于三维测试性分析模型的故障诊断方法，通过故障和测点间的依赖关系，以及温度对于测点可靠性的影响来构建三维测试性分析模型，然后在某一固定温度k_q下，通过测试结果序列与故障依赖矩阵实现待测系统在不同温度环境的单故障、多故障定位。

Description

一种基于三维测试性分析模型的故障诊断方法

技术领域

本发明属于模拟电路故障诊断技术领域，更为具体地讲，涉及一种基于三维测试性分析模型的故障诊断方法。

背景技术

随着现代电子技术飞速发展，电路的复杂性和集成度越来越高，电路系统朝着“大数字，小模拟”的电路结构逐渐发展。据相关资料显示，模拟电路和数字电路组成的混合电路占电路系统整体的60％以上，其中模拟电路占比不超多20％，但电路系统发生故障时，超过80％的概率是由模拟电路元器件故障所引起的，因此模拟电路元器件正常运行对电路系统的可靠性和稳定性至关重要。然而随着电路集成度的提高，导致实际电路中存在大量不可访问的测试节点，在仅存的少数测量节点中，还存在部分节点对于元件故障不敏感或多个节点之间相互冗余的情况。因此如何利用少量的测试节点，有效准确的提取模拟电路故障特征实现故障诊断是相关研究的重点和难点。

在复杂装备故障诊断领域，多信号模型一直是一种通用的方法。由于其模型具有对故障模式简化、与实际物理系统结构相似、建模难度低等优点。但传统多信号模型的D矩阵仅由0、1构成，由于测点存在测试不确定性，测点测试结果会存在一定误报，因此0、1矩阵无法完全真实反映实际电路。因此选择将测点的可靠度来替换传统D矩阵中的0、1。这里我们主要考虑了温度对于测点可靠性的影响，因此构建了故障-测点-温度三维测试性分析模型，给出了在不同温度下改进D矩阵的单故障和多故障定位。

现有的故障测试方案设计方法中，序贯测试基于初步设计中给出的信号流图和相关性模型描述的电路关系，给出测试序列测试方法，减小测试产生的代价，可以有效地提高后期设计和验证评估的效率，因此，该技术被广泛应用于装备系统的可测性设计。

近年来，AO*算法通过采用启发式搜素和与或图搜索结合的方式提升了最优解的搜索效率，成为广泛使用的诊断策略生成方法。该方法基于故障模糊集和测点信息的逻辑关系生成隔离各个故障的决策树模型，极大地提高了故障诊断的效率。然而AO*算法以及其相关的改进方法在启发式代价评估时仅考虑了故障的概率信息和各个测点的代价信息，而忽略了故障依赖关系对启发式搜索的影响，这导致启发式搜索的策略受到局限，影响了算法的测试优化效率。

专利201910438846.0将启发式搜索与动态规划相结合，通过降低最优解重复搜索的次数提升求解效率，然而，该专利的启发式函数的设定仅考虑到测试代价与故障概率的关系，而忽略了启发式搜索中依赖信息带来的影响，因此启发式函数的估计可能与真实的测试代价有很大的偏差，进而影响了最优测试策略的求解效率。与专利201910438846.0不同，提供一种基于故障决策网络的测试策略快速生成方法，通过故障和测点间的依赖关系，利用启发式评估值生成最优测试策略，从而通过最优搜索路径隔离出网络中的故障。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于三维测试性分析模型的故障诊断方法，通过构建三维测试性分析模型，通过故障和测点间的依赖关系，以及温度对于测点可靠性的影响，进而实现被测系统的单故障、多故障定位。

为实现上述发明目的，本发明一种基于三维测试性分析模型的故障诊断方法，其特征在于，包括以下步骤：

(1)、构建待测系统的三维测试性分析模型H＝{S,T,D,P,K}，其中，S表示待测系统出现的各种故障集，S＝{s₁,s₂,…,s_i,…,s_m}，s_i表示第i种故障，m表示故障总编号，i∈[1,m]；T表示待测系统的所有可用测点集，T＝{t₁,t₂,…,t_j,…,t_n}，t_j表示第j个可用测点，n表示可用测点总编号，j∈[1,n]；P表示待测系统发生某个故障的先验概率集，P＝{p₁,p₂,…,p_i,…,p_m}，p_i表示出现故障s_i的先验概率；K表示待测系统的测试温度集，K＝{k₁,k₂,…,k_q,…,k_Q}，k_q表示第q个测试温度，Q表示测试温度总编号，q∈[1,Q]；D为改进的三维故障依赖矩阵，D_S×T×K＝[d_stk]_S×T×K；

在某一固定温度k_q下，其具体的二维故障依赖矩阵

表示为：

其中，d_ij表示在温度k_q下测点测试准确的可靠性，当d_ij＝0时，表示测点与故障不相关或者测点完全不可靠，当d_ij＝1时，表示故障不但与测点相关且测点完全可靠，当0＜d_ij＜1时，表示测点t_j对故障模式s_i测试准确的概率；

(2)、获取测试结果序列；

当待测系统发生故障时，遍历可用测点集T，采集每个可用测点t_j的电压或电流，再与待测系统正常状态下采集到的电压或电流进行比较，如果其差值在允许的误差范围内，则表示该可用测点t_j测试通过，将测试结果记为g_j＝0；否则，将测试结果记为g_j＝1；当可用测点集T遍历完成后，建立测试结果序列g＝{g₁,g₂,…,g_j,…,g_n}；

(3)、基于故障依赖矩阵

的单故障定位；

(3.1)、遍历测试结果序列g，当g_j＝0时，则在故障集S中删除在矩阵

中d_ij不为0的行对应的故障模式；当g_j＝1时，则在故障集S中删除在矩阵

中d_ij为0的行对应的故障模式；

在故障集S中，如果剩余的故障模式数为1，则剩余的故障模式为测试结果序列g诊断的故障结果；如果故障集S中剩余的故障模式数大于1，则存在模糊组，进入步骤(3.2)；如果故障集S中剩余的故障模式数为0，则进入步骤(4)；

(3.2)、通过计算模糊组成员的故障发生的概率来确定测试结果序列g诊断的故障结果；

在步骤(3.1)中，如果故障s_i和s_τ在故障集S中未删除，i、τ∈[1,m]且i≠τ，则故障s_i的发生的概率为：

则故障s_τ发生的概率为：

(3.3)、选取

并将最大概率对应的故障模式作为测试结果序列g诊断的故障结果；

(4)、基于依赖矩阵D_kq的多故障定位；

(4.1)、将测试结果序列g中g_j＝0但d_ij≠0的故障s_i排除掉，将剩余行重组为一个新的矩阵

设其行数为

(4.2)、利用贪婪算法更新矩阵

(4.2.1)、设置多故障定位矩阵X，初始化为空集；

(4.2.2)、在矩阵

中，计算每种故障模式的平均检测概率；

依次选取矩阵

中的第i行d_i＝{d_i1,d_i2..d_ij....d_in}，d_i对应的故障模式为s_i，对应的先验概率为p_i，那么s_i对应的平均检测概率w_i为：

其中，

(4.2.3)、将矩阵

中所有故障模式的平均检测概率组成平均检测概率矩阵

(4.2.4)、在平均检测概率矩阵W中取max(w_i)，将max(w_i)所在行d_i对应的故障模式s_i加入到X中，再在d_i中找出不为0的元素d_ij对应列，然后按照找出的列将g中的g_j修改为0，最后将d_i从矩阵

中删除，从而更新矩阵

(4.2.5)、判断g中所有元素g_j是否都为0，如果都为0，则迭代停止；否则，将更新后的矩阵

按照步骤(4.2.2)至(4.2.5)所述方法继续处理，直到g中所有元素全部被置为0；

(4.3)、提取X中的故障模式，并作为测试结果序列g诊断的故障结果；

(5)、改变当前测试温度k_q，并构建对应的二维矩阵，然后按照步骤(2)至(3)所述方法对不同温度环境的待测系统进行故障诊断。

本发明的发明目的是这样实现的：

本发明一种基于三维测试性分析模型的故障诊断方法，通过故障和测点间的依赖关系，以及温度对于测点可靠性的影响来构建三维测试性分析模型，然后在某一固定温度k_q下，通过测试结果序列与故障依赖矩阵实现待测系统在不同温度环境的单故障、多故障定位。

同时，本发明一种基于三维测试性分析模型的故障诊断方法还具有以下有益效果：

(1)、通过建立考虑温度影响的三维依赖矩阵，当系统工作在不同温度环境下时，可以采用当前工作环境对应的

进行故障诊断，可以提高正确诊断的概率。

(2)、传统依赖矩阵在单故障诊断存在模糊组时，无法隔离到具体故障，本发明通过利用新构建的矩阵

可以实现计算模糊组中成员故障概率大小，从而实现单故障定位；

(3)、本发明提出了利用贪婪算法实现测试不可靠条件下的依赖矩阵D_kq进行多故障定位的方法，该方法能够实现对多故障的准确定位。

附图说明

图1是本发明一种基于三维测试性分析模型的故障诊断方法流程图；

图2是基于依赖矩阵的多故障定位流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明一种基于三维测试性分析模型的故障诊断方法流程图。

在本实施例中，如图1所示，本发明一种基于三维测试性分析模型的故障诊断方法，包括以下步骤：

S1、构建三维测试性分析模型H＝{S,T,D,P,K}，其中，S表示待测系统出现的各种故障集，S＝{s₁,s₂,…,s_i,…,s₁₀}，s_i表示第i种故障；T表示待测系统的所有可用测点集，T＝{t₁,t₂,…,t_j,…,t₇}，t_j表示第j个可用测点；P表示待测系统发生某个故障的先验概率集，P＝{p₁,p₂,…,p_i,…,p₁₀}，p_i表示出现故障s_i的先验概率；K表示待测系统的测试温度集，K＝{k₁,k₂,…,k_q,…,k₅}，k_q表示第q个测试温度；D为改进的三维故障依赖矩阵，D_S×T×K＝[d_stk]_S×T×K；

在固定温度k₁下，其具体的二维矩阵

表示为：

其中，d_ij表示在温度k_q下测点测试准确的可靠性，当d_ij＝0时，表示测点与故障不相关或者测点完全不可靠，当d_ij＝1时，表示故障不但与测点相关且测点完全可靠，当0＜d_ij＜1时，表示测点t_j对故障模式s_i测试准确的概率；

在本实施例中，如表1所示，在固定温度k₁下二维矩阵

具体为：

表1

S2、获取测试结果序列；

当待测系统发生故障时，遍历可用测点集T，采集每个可用测点t_j的电压或电流，再与待测系统正常状态下采集到的电压或电流进行比较，如果其差值在允许的误差范围内，则表示该可用测点t_j测试通过，将测试结果记为g_j＝0；否则，将测试结果记为g_j＝1；当可用测点集T遍历完成后，建立测试结果序列g＝{g₁,g₂,…,g_j,…,g₇}＝{1,0,0,1,1,0,1}；

S3、基于依赖矩阵

的单故障定位；

S3.1、遍历测试结果序列g，当g_j＝0时，则在故障集S中删除在矩阵

中d_ij不为0的行对应的故障模式；当g_j＝1时，则在故障集S中删除在矩阵

中d_ij为0的行对应的故障模式；

在故障集S中，如果剩余的故障模式数为1，则剩余的故障模式为测试结果序列g诊断的故障结果；如果故障集S中剩余的故障模式数大于1，则存在模糊组，进入步骤S3.2；如果故障集S中剩余的故障模式数为0，则进入步骤S4；

在本实施例中，当g＝{g₁,g₂,…,g_j,…,g₇}＝{1,0,0,1,1,0,1}时，例如g₁＝1，在D_k1中d_i1为0的行有s₂,s₃,s₅,s₇,s₈,s₉，在故障集S中删除这些故障；g₂＝0，在D_k1中d_i2不为0的行有s₂,s₅,s₇,s₉，但都在前一步中删除了，不需要重复删除，按此遍历g_j，最终的S＝{s₁,s₄}，因此需要通过步骤S3.2进行进一步的判断；

在本实施例中，又例如：当g＝{g₁,g₂,…,g_j,…,g₇}＝{1,0,0,1,1,1,1}时，故障集S中剩余的故障模式数为0，即所有的故障模式都删除完了，这时就需要通过步骤S4进行多故障的定位；

S3.2、通过计算模糊组成员的故障发生的概率来确定测试结果序列g诊断的故障结果；

在步骤S3.1中，如果故障s₁,s₄在故障集S中未删除，则故障s₁的发生的概率为：

则故障s₄发生的概率为：

S3.3、选取

本实施例为

并将

对应的故障模式s₄作为测试结果序列g诊断的故障结果；

S4、基于依赖矩阵D_k1的多故障定位，具体流程如图2所示；

S4.1、将测试结果序列g＝{1,0,0,1,1,1,1}中，g_j＝0但d_ij≠0的故障s_i排除掉，将剩余行重组为一个新的矩阵

设其行数为

在本实施例中，如表2所示，在固定温度k₁下重组的新矩阵

为：

表2

S4.2、利用贪婪算法更新矩阵

S4.2.1、设置多故障定位矩阵X，初始化为空集；

S4.2.2、在矩阵

中，计算每种故障模式的平均检测概率；

依次选取矩阵

中的第i行d_i＝{d_i1,d_i2,d_i3}，d_i对应的故障模式为s_i，对应的先验概率为p_i，那么s_i对应的平均检测概率w_i为：

在本实施例中，s₁,s₂,s₃对应的平均检测概率w₁,w₂,w₃分别为：2.4×10^-5,1.7×10^-4,2.5×10^-4；

S4.2.3、将矩阵

中所有故障模式的平均检测概率组成平均检测概率矩阵W＝(w₁,w₂,w₃)；

S4.2.4、在平均检测概率矩阵W中取max(w_i)，即w₃，将w₃所在行d₃对应的故障模式s₃加入到X中，再在d₃中找出不为0的元素d_3j对应列，然后按照找出的列将g中的g₃修改为0，最后将d₃从矩阵

中删除，从而更新矩阵

在本实施例中，如表3所示，在固定温度k₁下更新后的矩阵

为：

表3

S4.2.5、判断g中所有元素g_j是否都为0，如果都为0，则迭代停止；否则，将更新后的矩阵

按照步骤S4.2.2至S4.2.5所述方法继续处理，直到g中所有元素全部被置为0；

S4.3、提取X中的故障模式，并作为测试结果序列g诊断的故障结果，在本实施例中，按照上述步骤求得X＝[s₂,s₃]，因此s₂,s₃为测试结果序列g诊断的故障结果；

S5、改变当前测试温度k₁，并构建对应的二维矩阵，然后按照步骤S2至S3所述方法对不同温度环境的待测系统进行故障诊断。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于三维测试模型的故障诊断方法，其特征在于，包括以下步骤：

(1)、构建待测系统的三维测试模型H＝{S,T,D,P,K}，其中，S表示待测系统出现的各种故障集，S＝{s₁,s₂,…,s_i,…,s_m}，s_i表示第i种故障，m表示故障总编号，i∈[1,m]；T表示待测系统的所有可用测点集，T＝{t₁,t₂,…,t_j,…,t_n}，t_j表示第j个可用测点，n表示可用测点总编号，j∈[1,n]；P表示待测系统发生某个故障的先验概率集，P＝{p₁,p₂,…,p_i,…,p_m}，p_i表示出现故障s_i的先验概率；K表示待测系统的测试温度集，K＝{k₁,k₂,…,k_q,…,k_Q}，k_q表示第q个测试温度，Q表示测试温度总编号，q∈[1,Q]；D为改进的三维故障依赖矩阵，D_S×T×K＝[d_stk]_S×T×K；

在某一固定温度k_q下，其具体的二维故障依赖矩阵

表示为：

其中，d_ij表示在温度k_q下测点测试准确的可靠性，当d_ij＝0时，表示测点与故障不相关或者测点完全不可靠，当d_ij＝1时，表示故障不但与测点相关且测点完全可靠，当0＜d_ij＜1时，表示测点t_j对故障模式s_i测试准确的概率；

(2)、获取测试结果序列；

当待测系统发生故障时，遍历可用测点集T，采集每个可用测点t_j的电压或电流，再与待测系统正常状态下采集到的电压或电流进行比较，如果其差值在允许的误差范围内，则表示该可用测点t_j测试通过，将测试结果记为g_j＝0；否则，将测试结果记为g_j＝1；当可用测点集T遍历完成后，建立测试结果序列g＝{g₁,g₂,…,g_j,…,g_n}；

(3)、基于故障依赖矩阵

的单故障定位；

(3.1)、遍历测试结果序列g，当g_j＝0时，则在故障集S中删除在矩阵

中d_ij不为0的行对应的故障模式；当g_j＝1时，则在故障集S中删除在矩阵

中d_ij为0的行对应的故障模式；

在故障集S中，如果剩余的故障模式数为1，则剩余的故障模式为测试结果序列g诊断的故障结果；如果故障集S中剩余的故障模式数大于1，则存在模糊组，进入步骤(3.2)；如果故障集S中剩余的故障模式数为0，则进入步骤(4)；

(3.2)、通过计算模糊组成员的故障发生的概率来确定测试结果序列g诊断的故障结果；

在步骤(3.1)中，如果故障s_i和s_τ在故障集S中未删除，i、τ∈[1,m]且i≠τ，则故障s_i的发生的概率为：

则故障s_τ发生的概率为：

(3.3)、选取

并将最大概率对应的故障模式作为测试结果序列g诊断的故障结果；

(4)、基于故障依赖矩阵

的多故障定位；

(4.1)、将测试结果序列g中g_j＝0但d_ij≠0的故障s_i排除掉，将剩余行重组为一个新的矩阵

设其行数为

(4.2)、利用贪婪算法更新矩阵

(4.2.1)、设置多故障定位矩阵X，初始化为空集；

(4.2.2)、在矩阵

中，计算每种故障模式的平均检测概率；

依次选取矩阵

中的第i行d_i＝{d_i1,d_i2..d_ij....d_in}，d_i对应的故障模式为s_i，对应的先验概率为p_i，那么s_i对应的平均检测概率w_i为：

其中，

(4.2.3)、将矩阵

中所有故障模式的平均检测概率组成平均检测概率矩阵

(4.2.4)、在平均检测概率矩阵W中取max(w_i)，将max(w_i)所在行d_i对应的故障模式s_i加入到X中，再在d_i中找出不为0的元素d_ij对应列，然后按照找出的列将g中的g_j修改为0，最后将d_i从矩阵

中删除，从而更新矩阵

(4.2.5)、判断g中所有元素g_j是否都为0，如果都为0，则迭代停止；否则，将更新后的矩阵

按照步骤(4.2.2)至(4.2.5)所述方法继续处理，直到g中所有元素全部被置为0；

(4.3)、提取X中的故障模式，并作为测试结果序列g诊断的故障结果；

(5)、改变当前测试温度k_q，并构建对应的二维矩阵，然后按照步骤(2)至(3)所述方法对不同温度环境的待测系统进行故障诊断。

Images