技术领域
本发明涉及故障诊断技术领域,尤其是涉及一种基于测试顺序概率矩阵的装备故障诊断方法。
背景技术
已知地,针对装备进行故障诊断的方法可分为三大类:基于数学模型的方法、基于信号处理的方法以及基于知识的方法。基于知识的方法中,例如可以利用多信号流图模型生成故障模式-测试相关性矩阵,然后通过测试数据与相关性矩阵进行匹配的方式进行故障隔离。或者利用二元决策图进行故障树定性分析的方法,将故障树原理和专家系统有机融合,以此实现故障诊断。利用上述方法能够实现较为精准的故障隔离,但需要完备的测试数据,否则会导致诊断的结果模糊度较大,即该方法对于不确定信息的处理能力较弱。
为解决测试数据不完备情况下的故障诊断问题,有人提出了将有向图、模糊理论和遗传算法相结合的智能故障诊断方法,用有向图来构造系统模型,模糊集来解决模型中的不确定性问题,遗传算法来对可能的故障传播路径进行搜索。此外,还有人通过粗糙集和遗传算法来减少冗余属性和冲突样本,然后提取最简单的故障属性作为SVM的训练样本,用作分类器快速隔离故障。这些方法很好的解决了信息不确定性带来的模糊度问题,但均需要大量的样本数据去训练模型。
发明内容
本发明旨在提供一种基于测试顺序的装备故障诊断方法,以解决复杂装备系统中测试数据不完备情况下的不确定性故障诊断问题。
为实现上述目的,本发明采用如下技术方案:
根据本发明的第1方面,提供了一种装备故障诊断模型构建方法,该故障诊断模型能够表示故障原因、故障模式、测试项目节点之间确定的因果关系,通过所述因果关系能够实现装备故障的诊断,该方法包括:
构建故障原因和故障模式间的第一相关性矩阵C,该矩阵C为一二值矩阵,其行向量表示所有的故障原因对故障模式产生的影响情况,列向量表示故障原因对应的所有故障模式产生的影响情况;
构建故障模式和测试项目间的第二相关性矩阵D,该矩阵D为一二值矩阵,其行向量表示所有的测试对故障模式激励信号的响应,列向量表示测试对应的所有故障模式激励信号的响应;
将所述第一相关性矩阵C与所述第二相关性矩阵D合并,生成双边相关性矩阵B,该双边相关性矩阵B中,故障模式-测试项目相关性矩阵元素表示故障模式和测试项目间的相关关系,故障原因-故障模式相关性矩阵元素表示故障模式和故障原因间的相关关系。
在一些实施例中,还包括基于所述双边相关性矩阵以及专家知识构建能够表示测试时序、故障原因和故障模式发生相关程度的双边矢量概率矩阵
进一步地,构建所述双边矢量概率矩阵
更进一步地,应用三角模糊数层次分析法,对专家知识进行最置信应用。
根据本发明的第2方面,提供了一种装备故障诊断方法,包括:
构建表示装备故障原因、故障模式、测试项目节点之间确定的因果关系的双边相关性矩阵;
获取装备测试数据,并将测试数据按照双边相关性矩阵测试项目行向量顺序进行排序转化成一个向量,该向量中元素的值取决于测试数据与测试项目和待测参数指标预先设定值的范围相比是否符合规范要求;
对向量中元素值表示不符合规格要求的测试项目进行报故,并对双边相关性矩阵中的测试项目行向量进行匹配,获取与报故测试项目相关的故障模式集合,通过所述双边相关性矩阵,获取与故障模式集合相关的故障原因集合。
与现有技术相比,本发明无需大量数据样本,并且能够解决复杂系统中数据不完备情况下的不确定性诊断问题。
附图说明
图1为故障模式-测试相关性矩阵生成流程图;
图2为基于双边相关性矩阵模型诊断流程;
图3为基于双边相关性矩阵生成双边矢量概率矩阵的流程;
图4(a)为三角模糊数隶属度函数图,图4(b)为不同语言值的三角模糊数对应的隶属度函数图;
图5为层次分析法流程图;
图6为滤波放大器结构示意图;
图7为故障原因-故障模式相关性矩阵;
图8为故障模式-测试项目相关性矩阵;
图9为故障原因-故障模式-测试项目双边相关性矩阵。
具体实施方式
以下通过实施例及附图对本发明的技术方案进行更详细地描述。
以下描述中:
“相关”表示两个元素X
相关性矩阵则是表示两组元素X={X
仅仅表明某一个测试点与其输入组成单元(1个或n个)以及直接输入该组成单元的任何测试点(1个或n个)的逻辑关系,称为一阶相关性。
1.故障原因和故障模式间的相关性矩阵
设故障原因节点集合c={c
式(1)中,行向量α=[c
C
2.故障模式和测试项目间的相关性矩阵
根据故障模式与信号、信号与测试之间的相关性,可以获取故障-信号-测试模型,用于表示测试与故障模式之间的依赖关系。因此,故障模式-测试相关性矩阵定义为:
式(2)中,行向量α
D
如图1所示,通过如下步骤生成该相关性矩阵D
(1)确定故障模式-信号的相关性矩阵M
(2)确定信号-测试的相关性矩阵T
(3)根据矩阵M
3.双边相关性矩阵
上述故障原因-故障模式相关性矩阵C
在该双边相关性矩阵B
由于双边相关性矩阵B
根据本发明的一种实施方式,提供了一种基于双边相关性矩阵的故障诊断方法。
如图2所示,基于双边相关性矩阵B
步骤101、将测试结果按照双边相关性矩阵B
该向量中,w
步骤102、针对报故的测试项目,对双边相关性矩阵中的测试项目行向量进行匹配,获取与报故测试项目相关的故障模式集合。
例如,若向量
进一步地,从故障模式集合{m
步骤103、在双边相关性矩阵中搜索与故障模式集合相关的故障原因集合,以实现故障原因定位。
通过双边相关性矩阵B
在某些情况下,有些装备具有高耦合特性,并且测试过程有严格的操作流程和规定的检测手段,导致其测试排故过程中,不能像例如汽车一样随意拆卸、布置临时测点,并且这类装备也具备例如飞机那样的冗余系统,因此无法带故测试。此外,装备测试可能会由于部分关键测试项目出现报错现象而终止测试流程,导致部分测试项目数据未知。
针对此类装备,当采用双边相关性矩阵进行诊断排故时,有可能会得到一组故障模糊组,使得测试人员无法从其中挑选出最大可能发生的故障模式,因此需要对故障模糊组进行解耦。
在复杂装备系统中,由于大部分故障模式是与某些特定的测试呈强相关性,而与其他的呈弱相关或不相关,因此双边相关性矩阵大部分行向量中存在元素“1”是与某些测试呈一阶相关,其他的“1”是高阶相关或不相关。
基于此,根据本发明的另一实施方式,以双边相关性矩阵和专家知识为基础,构建一个能够表示测试时序、故障原因和故障模式发生相关程度的双边矢量概率矩阵
如图3所示,将双边相关性矩阵中测试的顺序按照装备测试顺序进行排列,将故障模式顺序按照测试项目与其相关程度(例如以概率表示)进行排序,即可得到双边矢量矩阵
由于该双边矢量矩阵还缺少各个测试项目与相应故障模式以及各个故障模式与相应故障原因的相关程度(例如以概率表示)数据。可以采用专家知识来获取各个测试项目与相应故障模式以及各个故障模式与相应故障原因的相关程度。上述专家知识可以来自采用已知方法构建的基于专家评价指标体系的知识库,然而这类结果有可能具有不全面性、不确定性和模糊性。
为此,根据可选的方法,本发明采用模糊数,例如三角模糊数来表示相关程度。如图4所示,一个三角模糊数的隶属度函数具有如下形式:
例如,为了将专家知识对相关程度的评判结果与模糊数联系起来,可以引入“非常高”、“高”、“偏高”、“中等偏上”、“中等”、“中等偏下”、“偏低”、“低”和“非常低”等九个语言变量,每个语言变量与三角模糊数的对应关系如表1所示:
根据另一可选的方法,利用层次分析法(Analystic Hierarchy Process,AHP)对因素两两比较相对重要性构建判断矩阵A,可以解决专家在对某一个系统的影响因素进行评估时,由于某些因素的特殊性,经常无法直接给出各个因素对系统影响的权重,尤其是出现多系统多因素强耦合的情况,利用专家知识有可能无法周全、客观地给出各子因素对各子系统的影响程度的问题。
设有n个子因素集合X={x
可以通过评估尺度对a
在建立判断矩阵A后,可以通过例如特征向量值法对矩阵中各层次要素的权重进行求取。求得的特征值中,最大特征值所对应的特征向量W作为各因素权重。此外,还可以通过一致性指标的验证来获得最终的权重。
由于层次分析法仅以因素权重估计值作为决策的依据,在处理过程中未考虑专家知识的不确定性,存在精度问题。本发明将三角模糊理论与层次分析法整合可降低其不精确性。针对专家知识的局限性和不确定性等情况,采用三角模糊数层次分析法(TriangularFuzzy Analystic Hierarchy Process,TFAHP),利用三角模糊数替代表层次分析法对因素的评估尺度,评判标准如表2所示:
例如,因素i比因素j略重要,则在判断矩阵A中对应的元素a
应用三角模糊数层次分析法,对专家知识进行最置信应用。例如,对某一故障模式和测试项目相关程度的N次评分结果为:
平均评分模糊数为:
按照故障模式和测试项目相关程度的评分概率值的高低和测试顺序对故障模式的顺序进行排列,即可得到含有各个测试项目与相应故障模式相关程度的双边矢量概率矩阵
以相关程度从高到低进行纵向排列,离测试项目越近的故障模式相关度就越高,例如假设故障模式m
同理,按照故障原因和故障模式相关程度的评分模糊数值的高低和故障模式对故障原因的顺序进行排列,即可得到含有各个故障模式与相应故障原因相关程度的双边矢量矩阵
通过上述的双边矢量矩阵
以下以典型的滤波放大电路为例,采用本发明提供的方法分析、获取滤波放大电路由故障原因、故障模式、测试项目节点构成的双边矢量概率模型。
滤波放大电路原理图如图6所示,该电路是一个由反相比例放大器、RC低通滤波器、反相器组成的滤波放大电路,其中,与反相比例放大器的相关信号是s
由图可以看出,当R
收集图6所示电路的可靠性相关信息,按照功能信号、故障原因、故障模式、故障影响、检测手段、故障原因发生概率等方面,进行分析,并把故障模式按照多信号模型要求分为:功能性故障和全局性故障两种类型,分别用符号F和G表示,其结果如下表所示:
分析滤波放大电路的上表中数据,构建如图7所示的故障原因-故障模式相关性矩阵C
假设采用专家知识对放大滤波器进行3次评估,则:
1)若双边矢量矩阵中
对3次评估给出的模糊判断矩阵求取其最大特征值,分别为:
对模糊判断矩阵B
由式(14)可知,一致性满足要求,进而可得到3次评估对引起t
取3次评估的权重是相等的,即θ
V=[0.9928,0.1195] (16)
2)若双边矢量矩阵中
V'=0.889 (18)
3)、若双边矢量矩阵中
由此可得到放大滤波电路的矢量概率矩阵
因此,若是有测试点报故,即可以通过上表实现对相关的故障模式、故障原因进行概率排序,以进行故障定位。
以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解,依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
机译: 基于概率密度的故障诊断方法及装置
机译: 矩阵变换器开关的基于预测控制的开路故障诊断方法
机译: 矩阵变换器的故障诊断方法及故障诊断系统