含未测节点的符号有向图故障诊断方法

合集下载

基于复杂网络理论的符号有向图(SDG)化工故障诊断

基于复杂网络理论的符号有向图(SDG)化工故障诊断

CHEMICAL INDUSTRY AND ENGINEERING PROGRESS 2016年第35卷第5期·1344·化 工 进 展基于复杂网络理论的符号有向图(SDG )化工故障诊断王政1,孙锦程1,王迎春1,姜英1,贾小平2,王芳2(1青岛科技大学化工学院,山东 青岛266042;2青岛科技大学环境与安全工程学院,山东 青岛266042) 摘要:化工过程系统的大型化和复杂性,仅通过常规方式来描述故障机理越来越受到限制。

本文以流程图建模法构建的符号有向图(signed directed graph ,SDG )故障模型为基础,将化工过程系统抽象为网络拓扑结构,通过对网络模型的统计特征描述,判断网络的复杂性、小世界性和无标度性,进而以复杂网络中心性理论定量计算网络中各个节点的重要性,分析比较各指标来确定网络中的核心节点,并通过Capocci 算法对网络进行社团结构的定量划分,最后以网络中的核心节点确定化工过程中易引起安全事故的关键变量,并用社团划分的结果绘制出化工故障诊断模型的关键路径,确定重点监测部位。

案例应用结果表明:该方法可行,为化工过程系统中故障节点和监测提供了新的解决思路,丰富了化工过程故障诊断和预防控制的相关理论。

关键词:化工流程;SDG ;复杂网络;故障诊断中图分类号:X 92 文献标志码:A 文章编号:1000–6613(2016)05–1344–09 DOI :10.16085/j.issn.1000-6613.2016.05.013Research on chemical process signed directed graph(SDG) fault diagnosisbased on complex networkWANG Zheng 1,SUN Jincheng 1,WANG Yingchun 1,JIANG Ying 1,JIA Xiaoping 2,WANG Fang 2(1College of Chemical Engineering ,Qingdao University of Science and Technology ,Qingdao 266042,Shandong ,China ;2College of Environment and Safety Engineering ,Qingdao University of Science and Technology ,Qingdao266042,Shandong ,China )Abstract :C hemical process systems are large scale and complex. It was limited to describe the fault only through conventional model. This paper based on the SDG (signed directed graph )fault model which constructed with flow modeling method and made the chemical process system abstract the network topology. We described the network model statistical characteristics and judged the network characteristic of complexity ,small world and scale-free. The centrality theory was used to quantitatively calculate the importance of each node in the network. Then, those indexes compared to determine the core node in the network, as well as the community with the Capocci algorithm for network structure quantitatively. Finally, we used the core node of the network to determine the chemical process key variables that easy to cause safety accidents. The result of the community partition maps out the protected path for the chemical fault model. The key monitoring area was identified. Results showed that the proposed method can find the fault nodes of chemical process system and the place that need to be monitored and controlled ,which can then be used as a support in fault diagnosis and preventive controls.Key words :chemical process ;signed directed graph ;complex network ;fault diagnosis第一作者及联系人:王政(1968—),男,博士,副教授,硕士生导师。

故障传播有向图的故障定位研究

故障传播有向图的故障定位研究

0 引言
为了提高市场竞 争力 , 变频 空调厂商推 出的空调 功能越来越多 , 电路也越来越 复杂。若 空调在进人 市 场之后发现有质量问题 , 不仅会增加 空调的维修 费用 和时间, 还会对企业 的经营 、 声誉等造成 很大 的损 失。 因此 , 在变频空调投入使 用之前对其 电控板上 的电路 进行故障定位和诊断是十分必要的。 故障定位有不同的故障诊断方法 , 如专家系统 、 人 工神经网络和支持 向量机等 , 些方法虽取得 了较好 这
h e u t f a p i a i n i a e tt i t o s e s T e r s l o p lc t n i d c ts t a h s me h d i a y,r p d,a d f a i l o h ai n e sb e,i e t re f c s wi e o t i e o o lX s se . t b t fe t l b b a n d f r c mp e y t ms s e l
优技 术相结合对电路进行故 障定 位 , 实现 了电路的故障诊 断。应 用结果表明 , 该方法方便 、 速 、 快 可行 , 对复杂系统效果尤其 明显。 关键词 :故 障定位 故障诊 断 矩阵 层次 性分解 约束传播 中间寻优
中图分类号 :T 2 6+. P0 3 文献 标志码 :A
Ab t a t Th a l da n ssfree t nc cr ut sv r mp ra nprcia n ie rn p l ain sr c : efut ig oi o lcr i ic iy i e i otnti a tc le gn e iga pi to s,whl a l lc l ain i h i o r y c iefut o ai t steman z o

PCA-SDG在TEP多源故障诊断中的应用。

PCA-SDG在TEP多源故障诊断中的应用。
软件 2 1 0 2年第 3 卷 第 1 3 期
S F WAR 0 T E
国际 I T传媒 品牌
P - D 在T P CA S G E 多源故障诊断 中的应 用术
田 娟 谢 刚 王培鑫
( 原理 工大学 信 息工程 学院 ,山西 太原 0 02 ) 太 3 04

要: 针对传统基于 S DG( 符号有向图 ) 的故 障诊断方法对每个变量节点状态和高低闽值难 以确定 , 且对各个变量单 独统计 ,
s gevr bea a s to t o s eigcr lt no ah l . meh dcmbnn C pic l c mp nn nls ) n D i l a a l n l i wi u ni r or a o f r be A to o ii P A(r i e o o et a i adS G n i ys h c d n e i v s g np a ys
wa r p s d t sp o o e o i r v h r d t n l mp o e t eta i o a l p e f u t ig o i . e c n sn l u a i b e t h al r y t m r m CA, a k i mu t l a l d a n ss W a i g e o tv ra l swi t e f i e s mp o fo P i h u bc —
பைடு நூலகம்0 引 言
主 元 分析 ( C P A)是多变 量统 计方法 , 可用 于对 含有噪 声
的 和 高 度 相 关 的 测 量 数 据 进 行 分 析 。其 最 早 是 由 P asn于 ero

个 相 互 之 间 存 在 相 关 性 的 变 量 所 组 成 的 数 集 进 行 降 维 以 获

除氧器故障诊断的含未测节点的符号有向图方法

除氧器故障诊断的含未测节点的符号有向图方法

Y a e , N iH i —u ,I i f U D — nWA GWe, U Qn haLUJ — r g nu
( ari Is tt o eh o g , ebn1 0 0 , hn ) H e n ntue f c n l y Hari 5 0 1 C ia b i T o
AbtatT ef l d goi a o tm uigS G (i e i c dg p )a am d l fh ytm i ue looea v s c: h ut i ns l rh s D r a a s gi n s n ddr t r h s o e o ess sf prt e g ee a t e s ut i
r a h b l y t e r Th a e sude ho t lo ih h s b te e out n n ful da no i n ie. e c a ii h oy. t e c s t is s w he ag rt m a et rr s l i i a t ig ss o ln o
关 键 词 : 号有 向 图 ; 障 诊 断 ; 点 ; 量 符 故 节 测 分 类 号 :P 9 ,K 6 T 31T 27 文献标识码 : A 文 章 编 号 :0 1 84 2 0 ) 10 3 4 10 - 8 ( 08 0 -0 93 5 4
Aloi mso D b s d F u t a n ssw t me s rd N d sfrDe e ao g r h fS G-a e a l Dig o i i Un a u e o e o a rtr t h
( 尔滨工 业大 学能 源科 学与 工程 学院 , 尔滨 10 0 ) 哈 哈 5 0 1
摘要 : 符号有向图 ( D 模型 已被用于系统运行操作 的故 障诊 断 , S G) 系统图模型 中节 点表示部件 , 表示 故 障传播 特 边 征, 主要分析 已知报警集合寻找潜在故障源 的问题 。工业 过程 中许多 过程状 态不能 测量或 不能在线 测量 , 使得 原 相容性故障传播通道失效 。针对 S G模型 中的部分节点 因未测 量造成 的信息 缺失 , 出含未 测节 点的 S G模 型 D 给 D 的数学表达 ; 通过对路 径函数和节 点 函数 的转化 , 合有 向 图( G) 并 结 D 的可达性 理论 , 出了两种 转化故 障诊断方 给 法: 完全转换 的含未测节点严 格符 号有向图方法和部 分转换 的含未测 节点 严格符 号有 向图方法 。算 例研究 表明 , 该方法具有较强的故障诊断能力 。

基于SDG模型的故障诊断技术

基于SDG模型的故障诊断技术

是否偏离正常状态的上下限的界限值 , 它 的选 择对 诊断分辨率 反向推理是在 S D G 已知的瞬态样本中进行。
的高低有着直接的影 响。
5 S DG故 障诊 断方法
实际系统 中, 多个故障同时发 生的可能性远 远小于单故障
模型的建模方法, 推理机制以及利用S D G 模型进行故障诊断的步骤 。 详细阐述了 s D G 故障诊断技术的发展过程和各 阶段的进展 。 最后, 分析
了s D G 故 障诊 断的优缺 点 及其 改进 方法 关键词 : 自 动控 制技 术 ; 故 障诊 断; 符 号有向图 .
把方程 中的 “ = ” 号改为向左箭头 “ 一” , 从 现代 工 业 生产 的机 械设备 正朝着 大型 化、复 杂化 、 高速 影响还是减量影 响; 根据影 响方程 组直接 可以得 化、系统化 、自动化 和大功 率方 向发展 , 生产系统 本身的规模 而将代 数方 程转化 为影响 方程 ,
界, ”表示变量 等于或小于阈值下界,“ 0 ” 表示变 量处于正 取分 级或分布 式推理 的策 略。 S D G 的推 理机制主要有正 向推理
常工况 。 其 中, 阈值 是经过合理 选择后得 到的判断各节点变 量 和反向推理两种。 正 向推理 的前提是S D G  ̄ ) r 有 节点的状态未 知,
技术应用 ・
基于S DG模型 的故障诊 断技术
梁美丽( 山 西轻工 职业技 术学院, 山 西 太原 0 3 0 0 1  ̄
摘 要 : 本 文介 绍 了 基于符 号有向 图 ( S i g n e d D i r e c t e d G r a p h ) 模 型 的故 障诊 断技 术 的原理 ,  ̄@ S D G 模型 中节点和支路 的物理 意义 , S D G

基于符号有向图的汽车涡轮增压系统故障诊断

基于符号有向图的汽车涡轮增压系统故障诊断
Ab t a t T e ta i o a S sr c : h r d t n 1 GD — a e a h d a n ss i b s d f u ig o i me h d l n e h q a t a ie e s n n me h d , i h a t o b e d d t e u n i t r a o i g t v t o s wh c h s
Di g o i o r o S se a l Ba e n S a n ss fTu b y tm F u t s d o DG
XU Ku W ANG h n f n P NG 一 i Z n, C u — a g, E Ya 1, HU Mi g n
( fiUnv ri f e h oo yS h o fMe h n a n tmoieE gn e n Hee 3 0 9, hn Hee ies yo c n lg c o lo c a rl d Auo t n ie r g, fi 0 0 C ia) t T a v i 2
合 肥 T 业 大 学 机械 与汽 车 T程 学 院 , 合肥 2 0 0 309
摘 要 : 于 符号 有 向 图 S G(i e i ce r h 的传 统 故 障 诊 断 方法 融 入 了定 量推 理 的 方法 , 高 了诊 断 精 度 , 基 D Sg dDr tdG a ) n e p 提 然
i r v d t e p e iin o h ig o t o .Ho v r d r g t e p o e s o e l g w t h n a u e o e , e mp o e h r c s ft e d a n si a l t o c we e , u n h r c s f d ai i t e u me s r d n d s t i n h h t d t n l fu td a n s sl a e h a u e o q iae td lt g o s u t n o h n o ma in e t n in’ r i o a a l ig o i mo t t k s t e me s r f e u v ln ee i r a s mp i n t e if r t x e so S a i s y n o o a t e n d s T e e me s r s w l e sl a s h r b e fi fr ai n ls n o f c e ti a l d a n s . h s ci o e . h s a u e i a i c u e t e p o l ms o no v l y m t o s a d lw ef i n n fu t ig o i T i o i s p p r wi rt o s me r s a c r m h r s e t e o h n a u e o e ’p o a a in p t n r p s h a e l f sl d o e e r h fo t e p o p c i f t e u me s r d n d s li y v r p g t ah a d p o o e t e o me h d o u z l se i g meh dT e s b ih n h mb rh p ma r f f i r a s s a d s mp o o t e t o f f z y c u t r t o . h n e t l ig t e me e s i t x o al e c u e n y tms f m h n a s i u r e i c l n M e g n o ii g te r l fma i m mb rh p a d t r s od me h d . a t b a l ra o i g, mp r a o d ea d c mb n n h u e o xmu me e s i n h e h l t o s L sl y f u t e s n n a i k y, v l a l d a n ss meh d wi e c n l d d ai f u t i g o i d t o l b o cu e . l

基于分层模糊符号有向图法的故障诊断方法

基于分层模糊符号有向图法的故障诊断方法

t h e n e e d s o f f a u l t a c c u r a t e p o s i t i o n i n g . Ac c o r d i n g t o t h e q u a l i t a t i v e r e l a t i o n s h i p b e t we e n n o d e s a t f a i l u r e
ZHAO L i a n g, CHAI Qi n g l o n g
( Co l l e g e o f I n f or ma t i o n En g i n e e r i n g, Ta i y u a n Un i v e r s i t y o f Te c h n o l o g y, Ta i y u a n 0 3 0 0 2 4, Ch i n a )
l a y e r i n g i n t he f a u l t d i a g no s i s, t h i s mo d e l c a n r e d uc e t he s e a r c hi n g s p a c e a nd i mp r o v e t he d i a g no s i s e f f i c i e n — c y . The f u z z y me mbe r s hi p wa s i nt r od uc e d t o c a r r y ou t q ua nt i t a t i ve de s c r i pt i o n o n f a ul t p os s i bi l i t y a nd me e t
p r o p a g a t i o n p a t hs, t he hi e r a r c hi c a l f uz z y SDG mo d e l c omp a t i b l e p a t h wa y c a n b e d e t e r mi ne d . W h e n a f a ul t

基于符号有向图的故障诊断技术

基于符号有向图的故障诊断技术

简单例子 。见图 7 所表示的过程系统 , 由一个开 1容器、一台离心泵、一/ 调 3 ? 、
3 基于经验知识的 S G建模 . D
() 1 收集资料 ,包括 :工艺仪表流
程 图 (& D 、工艺 流 程 图 (F ) P I) P D 、平 面
过百分比逻辑的结果是一个从00 1 .到 . 0
当参数总共有M个原因节点 , 如果 其中有 N N≤M) ( 个为真 时,则该参数 为真 。百分比逻辑有点像 逻辑 ,不 或
图2 液位及离心泵系统 S G模型 D
() 5 建立设备单元 S G模型 D () 6 利用各设备单 元的 S G模型 D
结合工艺 流程建立系统的 S G模型。 D
该参数的值就是 。 真 () (N ) 2 与 A D 逻辑
<)…o = - !
字ii.) (1 : :. .
( ) 立每一 个设 备单 元 的 3建
S G模型: D () 4 作相关分析表:
与 逻辑表示参数的原因节点间的 关系是 与 逻辑 ,当该参数的所有原因 节点为 真” 时,该参数的值才是 。 真 () 3 百分比( ) % 逻辑
互影响,很可能会引发数十个甚至几十 个联锁报警 .甚至导致异常停车。
节点都要对所 有后果节
点作一次全面探索,并 且在探索中对通路经过
压力 流量、液位等。不同类 型节点问的因果关系用连接节 点 间的有 向边来 表征。如果

的 节 点作 相 容 性 标记
( 预估 ) 。最后应当对所 有探 索到的相容通路进
本文作者秦海英先生
个 变量 的偏 差( 始节 点) 起 引起另一个变量( 终止节点) 偏
差 .则 由起 始 节点 ( 因 变 原

故障诊断

故障诊断

控制系统故障诊断故障诊断的概念以及方法故障是由于系统中部分元器件功能失效而导致整个系统功能恶化的事件。

当系统发生故障时,系统中全部或部分的参变量就表现出与正常状态不同的特性,这种差异就包含着丰富的故障信息。

故障诊断的任务是对系统故障的特征进行描述,并利用这种描述去检测和隔离系统的故障。

故障诊断包括故障特征提取、故障估价和故障决策等几个部分。

动态系统的故障检测与诊断(Fault Detection and Diagnosis,FDD)是容错控制的重要支撑技术之一。

FDD 技术的发展已大大超前于容错控制,其理论与应用方面的成果也远远多于容错控制,依然是人们研究的热点问题。

目前国际上每年都有几百上千篇有关FDD 方面的论文与报告涌现。

故障诊断技术起源于Beard 在1971 年发表的博士论文[2]。

1976 年,Willsky在Automatica上发表了第一篇有关FDD 方面的综述性文章[3]。

Himmelblau于1978 年出版了国际上第一本FDD方面的学术著作[4]。

随后有大量的这方面的重要综述文章与著作[5-14]被发表。

我国开始FDD 技术的研究要比国外晚十年左右,清华大学的方崇智教授等从1983 年开始了FDD 技术的研究工作。

1985 年叶银忠等在《信息与控制》上发表了国内第一篇FDD 技术的综述文章[6]。

1994 年周东华等在清华大学出版社出版了国内第一本FDD 技术的学术专著[13],随后几年又有相关的学术专著问世[14]。

经过多年的发展,故障诊断技术的研究取得了丰富的研究成果,出现了众多的故障诊断方法。

这些FDD 方法大致可以分成依赖于模型的FDD 方法与不依赖于模型的FDD 方法两大类。

状之间的差异,可以用隶属度函数表示;iii) 侯选者产生器,根据差异提出可能的故障源,一般用有限搜索法进行搜索;iv) 诊断策略,用来协调整个循环搜索过程,确定与实际过程的症状相匹配的模型。

快速而高效的故障诊断算法一直是人们设计的目标,把智能算法用于故障诊断中并推广到实际应用中去,是人们研究的兴趣所在。

sdg方法

sdg方法

SDG方法阐述与分析
SDG(signed directed graph)方法即符号有向图方法是基于模型的定性方法,描述过程系统的物理关系,建立个设备变量、过程变量之间的定性关系,模型易于修改更新用于化工过程故障预警、诊断方面。

1、基于SDG方法的故障诊断
其采用带符号的有向图来描述复杂系统,通过SDG图上的已知信息搜寻产生下游节点发生扰动的可能故障源。

上图为3节点因果图反应SDG基本原理ABC三个系统可测变量的节点通过支路连接有向支路代表节点之间的关系,实线表示初始对于结果有正影响虚线为减量关系。

通过对相容通路的向下推理可以判断出下游节点的变化趋势,对潜在故障点进行预测,同理反向推理可以预测出故障源
2、时序过程片段提取
时序过程片段提取是定性趋势分析方法(qualitative trend analysis,QTA)的主要步骤之一。

这是一种基于历史数据的时间推理个形状分析方法,常用于慢过程的诊断和控制。

时序过程片段提取分为两个步骤
1.实时趋势提取:首先强实时数据在线分割成线性片段,讲数据表示为连续区间的形式。

2.判断在线线性片段所属的时序线性片段
过程趋势的最简单时序过程片段为以下七种之一
3、基于时序过程片段分析的SDG
将QTA的前期数据处理直接嵌入到SDG模型节点中,查看是否有节点当前时刻值超过安全阈值
叶一益1905120229
张毅1905120231
杨杨1905120228
李福霖1905120217
张羽翚1905120232。

基于有向图模型的故障诊断方法研究及其在航天中的应用

基于有向图模型的故障诊断方法研究及其在航天中的应用

3、机械制造业:在机械制造业中,设备的故障可能会导致生产线的停滞,影 响生产进度。基于模型的故障诊断方法可以建立机械设备的模型,通过分析模 型的状态,对设备的运行状态进行实时监控和预测,及时发现并处理潜在的故 障。
三、基于模型的故障诊断方法的 优势与挑战
基于模型的故障诊断方法具有以下优势: 1、可以对系统的整体性能进行全面的评估; 2、可以对系统的未来状态进行预测;
2、确定系统组成部分:根据收集的数据,确定系统的各个组成部分及其功能。 3、建立有向边:根据系统组成部分之间的依赖关系,建立有向边。
4、构建有向图模型:将各组成部分及其有向边整合到一个图中,形成完整的 有向图模型。
5、模型验证与优化:对构建好的有向图模型进行验证和优化,确保其准确性 和可读性。
参考内容
基于有向图模型的故障诊断方 法研究及其在航天中的应用
基本内容
故障诊断在航天领域具有至关重要的意义。航天系统复杂且高度集成,一旦出 现故障,后果往往不堪设想。因此,及早发现和排除故障是保障航天飞行安全 的关键。近年来,有向图模型在故障诊断领域的应用日益受到。本次演示将介 绍一种基于有向图模型的故障诊断方法的研究及其在航天中的应用。
有向图模型是一种描述系统因果关系的有效工具。在故障诊断中,有向图模型 可以直观地表示系统各部分之间的依赖关系,帮助我们更好地理解故障传播路 径。通过对有向图模型进行分析,可以有效地确定故障源并评估其对系统的影 响。
建立有向图模型需要以下步骤:
1、收集相关数据:收集关于系统组成部分及其相互关系的各种数据,如故障 历史、系统架构、设备规格等。
1、可以通过模型对系统进行定量化描述,提高诊断准确性; 2、可以实现故障特征的自动提取,降低对专家经验的依赖;

基于符号有向图的故障诊断系统及其软件平台

基于符号有向图的故障诊断系统及其软件平台

的相容性,采用回溯搜索的方法可实现对故障源的定位。 作为一种定性的数学模型,SDG 故障诊断由于其过于简单
的因果关系描述,使得诊断结果的精度较低;对于复杂系统进 行 SDG 建模时,由于节点和支路数量巨大,搜索推理的计算量 以 级 数上 升 ,诊 断 推 理 速度 缓 慢 。 为 克 服 这 些不 足 ,一 些 改 进 的 方法被提出,如:文献[3]提出的一种模糊 SDG 模型,通过引入 模糊理论对系统变量进行更精细的描述,采用模糊推理方法提 高了诊断精度;文献[4]通过对复杂系统进行功能单元划分 ,建 立分级 SDG 模型降低了建模复杂度和减少计算量等等。
Visio 自 动 化 可 通 过 多 种 方 式 实 现 :VBA 宏 、COM 加 载 项 以及 Visio 附件。 附件包括两种形式:一种是 Visio 库文件(.vsl 文件,一种 Visio 专用动态链接库 ),一种是独立的可执行文件 (.exe 文件)。 在实现 SDG 建模软件平台各项功能时,根据任务 特点的不同,可选择最为合适的方式开发。 结合它们的优点。
SDG 模型中有 2 类基本的形状:节点和路径。 其中节点描 述了系统中的元部件,具有状态属性。 而路经描述了节点间的 连接关系,具有符号属性。 针对常见设备元部件,设计了具有 如图 3 所示树型结构的形状:
点,空路径等等,防止推理计算结果错误,建模软件还应具备 对用户创建的图形模型进行错误检查的能力; 当用户创建了 新的图形元素时,能够提示用户设置相关参数,并自动为其进 行编号;此外还有如数据库访问,装订标准参数,指示各元素 精确位置等等辅助功能。 这些工作可以通过 Visio 自动化来实 现。
数据库存储了诊断对象的 SDG 模型,对于复杂系统而言 , 模型数据的记录可能达到上万条。 此外,为实现诊断脚本生成 对节点状态需要设置其标准参数和动态范围;为了提高诊断结 果的交互性, 还需要装订元部件在实物照片中的位置等等,这 些工作需要一个良好的数据库管理接口,以实现对海量数据的 维护和装订。 3.2 基于 Visio 的实现

基于符号有向图的汽车涡轮增压系统故障诊断

基于符号有向图的汽车涡轮增压系统故障诊断

基于符号有向图的汽车涡轮增压系统故障诊断
许堃;王春芳;彭亚丽;朱明
【期刊名称】《汽车科技》
【年(卷),期】2011(000)004
【摘要】基于符号有向图SDG(Signed Directed Graph)的传统故障诊断方法融
入了定量推理的方法,提高了诊断精度,然而对不可测节点的处理大多采取等效删除
以及假设状态信息扩展有效节点的方法,容易引起信息丢失和诊断效率低下的问题.
结合汽车涡轮增压系统诊断实例,针对含有不可测节点的故障传播路径,提出引入模
糊聚类的方法,由经验知识建立故障原因及其征兆的隶属度矩阵,结合最大隶属原则、阈值原则进行故障推理,得出有效的诊断方法.
【总页数】4页(P18-20,24)
【作者】许堃;王春芳;彭亚丽;朱明
【作者单位】合肥工业大学机械与汽车工程学院,合肥230009;合肥工业大学机械
与汽车工程学院,合肥230009;合肥工业大学机械与汽车工程学院,合肥230009;合肥工业大学机械与汽车工程学院,合肥230009
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.基于有向图的飞机增压系统功能建模故障诊断研究 [J], 王勇;谈斌
2.基于RBF网络的船用柴油机涡轮增压系统故障诊断 [J], 赵志强
3.基于FOA优化GRNN的船用柴油机涡轮增压系统故障诊断 [J], 孙丽娜;黄永红;刘涵茜
4.基于分层符号有向图的二回路系统故障诊断 [J], 马杰;张龙飞;彭俏;胡鹏飞
5.基于符号模型检测的符号有向图故障诊断解形式化验证 [J], 宁宁;张骏;高向阳因版权原因,仅展示原文概要,查看原文内容请购买。

基于定性符号有向图模型的故障诊断方法研究

基于定性符号有向图模型的故障诊断方法研究

基于定性符号有向图模型的故障诊断方法研究金赛赛;黄考利;张西山;连光耀【摘要】A qualitative symbol digraph Model for complex systems is proposed to avoid the computational complexity,poor robustness,and bad real-time ability of the quantitative model-based methods,which includes the qualitative symbol digraph modeling and reasoning method. Test analysis of a circuit shows that it is convenient to modeling,and diagnoses quickly,and improves the diagnosis ability of complex systems effectively.%为克服复杂系统定量模型诊断过程中存在的计算复杂、实时性和鲁棒性不强等缺陷,提出了基于定性符号有向图模型的故障诊断方法。

研究了定性符号有向图模型的建模机理和诊断推理方法,并将研究成果应用于某电路图进行实例分析。

结果表明,该方法诊断快速,建模方便,可以有效地提高复杂系统的诊断能力。

【期刊名称】《电子器件》【年(卷),期】2014(000)002【总页数】4页(P337-340)【关键词】故障诊断;建模;定性模型;符号有向图;诊断推理;复杂系统【作者】金赛赛;黄考利;张西山;连光耀【作者单位】军械工程学院,石家庄050003;军械技术研究所,石家庄050003;军械工程学院,石家庄050003;军械技术研究所,石家庄050003【正文语种】中文【中图分类】TP306.3随着装备系统规模、复杂程度、一体化程度及自动化水平不断提高的同时,故障发生的概率也在不断增加。

基于符号有向图的飞机故障风险评估方法

基于符号有向图的飞机故障风险评估方法

基于符号有向图的飞机故障风险评估方法周虹;陈志雄【摘要】针对飞机复杂系统故障模式多样、风险因素难以量化的特点,提出了一种风险符号有向图(RSDG)以描述飞机系统内部深层因果关系及故障风险因素信息.探讨了基于RSDG模型获取故障引发的故障链的方法,建立故障树计算链中各故障发生概率的步骤,并阐述了以故障链作为评估对象,采用灰色聚类决策法实现飞机系统故障风险评估的过程.结果表明,所提出的方法考虑了故障传播的规律,解决了传统故障风险评估方法应用中风险辨识与评估缺乏系统性和一致性的问题.该方法能够较好地适应大型复杂系统故障的风险分析.【期刊名称】《沈阳工业大学学报》【年(卷),期】2018(040)004【总页数】8页(P402-409)【关键词】符号有向图;飞机故障;风险评估;复杂系统;故障链;故障树;灰色聚类决策;故障传播【作者】周虹;陈志雄【作者单位】上海工程技术大学航空运输学院,上海201620;上海工程技术大学汽车工程学院,上海201620【正文语种】中文【中图分类】TP277故障风险是客观存在的,对飞机的故障进行风险评估,就是对飞机故障带来的危险进行严重性与可能性分析,然后确定故障的风险水平.在复杂系统故障风险评估过程中,危害性矩阵[1]和风险优先数等方法[2-5]有着广泛的应用,但这些方法的评估对象往往故障征兆单一,也未考虑其可能后续故障的风险水平.实际飞机系统中故障征兆繁多且相互关联,不同故障征兆相耦合将导致不一样的故障后果,危害程度也可能大不相同,依靠人工分析越来越困难.另外,故障影响从直接影响开始到后续的间接影响,是一个逐渐变化的过程[6],其最终影响度与系统检测、控制手段有很大关系.若缺乏故障影响评估的详细场景,忽略分析造成故障的传播变化过程,则对故障造成影响的严重度评价结果就缺乏系统性,难以做到客观、准确[7].针对飞机系统风险评估问题,本文在传统SDG模型[8-9]中引入测试节点,赋予模型中节点可靠性、测试性的多值属性,构建一种新的深层知识模型RSDG,其能够推理故障的传播链,并能系统地分析整个故障传播过程中的风险.1 RSDG模型定义定义RSDG模型是有向图G与函数Φ、Ψ的组合(G,Φ、Ψ),其中各变量解释说明如下:1) 有向图G为三元组(V,T,E).V={v1,v2,…,vn},为有限n节点状态变量集,每个vi具有若干状态节点属性,如状态发生偏差的先验概率、状态突变性、故障的安全级别、维修费用及维修时间等;T为可用测试集,测试集是在可使用的测试资源下能获得的测试量,包括设备测量出的物理参数量和系统观察量等,每个ti也具备测量费用等节点属性;有向边集合E=(V×V)∪(V×T),表示状态变量间、状态变量与测试变量的关系.2) 函数Φ∶E→{+,-},其中,Φ(ek)(ek∈E)称为ek支路的符号,用“+”表示正作用(增强),“-”表示反作用(减弱).3) 函数Ψ→{+,0,-}为节点对象vi所代表的故障模式或变量的当前状态,Ψ(vi)称为节点vi的符号,即(1)式中:Y为节点vi对应变量的实际值;为节点vi对应变量的期望值;ε为节点vi处于正常状态的阈值.2 模型的故障传播与风险分析RSDG模型继承了SDG中对系统内部深层因果关系的描述,又蕴含了可靠性信息和测试点信息,为风险评估中的三个识别过程提供了支持:1) 危害识别基于RSDG模型,以已知故障为初因事件,推理出一系列受影响节点,即后果节点.初因事件和后果节点构成故障链,明确故障的发展变化.2) 后果的可能性识别以故障链中的后果事件为顶事件,建立故障子树,通过故障树定性分析并定量计算该后果事件的发生概率.3)风险水平识别计算根据RSDG模型的节点属性构造评估指标并计算风险水平.2.1 基于RSDG模型的故障危害识别故障危害识别基于正向推理算法对RSDG拓扑结构进行深度优先搜索,确定故障链.故障链是由初因事件和后果事件组成的,初因事件是一个待评估的故障,也是模型中一个或多个已知发生偏差的状态节点;后果事件是一系列受初因事件直接或间接影响的节点.对于当前给定的故障节点,其影响节点是在RSDG模型中的下游变量,将受影响的下游节点按传播顺序排列就构成了事故的发展顺序——故障链.为简化分析,本文作以下故障链传播规定:如果故障发生后不能被监测或观测到,则后果故障才有可能发生;如果故障发生后能够被监测或观测到,则认为该故障的后果影响一定能够通过某些措施加以控制,阻止其进一步传播,故将该节点作为故障链的终止节点.在RSDG模型中,若一个状态节点有与之相关联的测试节点,认为该节点是可监测的,否则认为该节点是不可监测的节点.进行故障危害识别时,获取故障链中的节点集(记为C)的具体步骤如下:1) 根据初因事件的故障征兆,确定代表初因事件的状态节点集Vroot,选择其中一个节点vf∈Vroot作为当前处理节点;2) 由vf及其相关连支路的符号推算相邻影响节点vi呈现的状态,并更新C,即Ψ(vi)=Ψ(vf)φ(evf→vi)C=C∪{vi},vi∉C3) 以vi作为当前故障vf,按深度优先的原则重复步骤2)搜索直接影响节点,直至vf是可监测节点;4) 更新Vroot=Vroot-{vf},选择一个未处理的初因事件状态节点vf∈Vroot,重复2)~4),直至Vroot为空集.2.2 故障后果可能性识别后果事件发生的可能性是初因事件发生后的条件概率,由于事件的相依关系,计算事件的条件概率需要获知该事件的发生原因及相关逻辑.事件原因的相关逻辑分析是一种有向图的反向推理过程,将故障链中的后果事件作为顶事件,将顶事件的原因事件按因果关系逐层列出,并根据各原因节点的逻辑制约关系,用“与”、“或”关系等逻辑门有序地将所有原因事件合成到故障树[10]中,直至底事件,这里的底事件是指初因事件或发生概率已知的事件.对于一个后果事件,以此为顶事件Vtop,获取Vtop故障树中的节点集(记为D)的具体步骤为:1) 确定顶事件对应的状态节点及其符号,选择其中一个节点vf∈Vtop作为当前处理节点;2) 由vf及其相关连支路的符号推算相邻原因节点vi呈现的状态,并更新D,即Ψ(vi)=Ψ(vf)φ(evi→vf)D=D∪{vi},vi∉D3) 以vi作为当前故障vf,按深度优先的原则重复步骤2)搜索直接原因节点,直至vf是底层节点.对于RSDG中的一个故障节点,原因节点是其上游状态节点,而与测试节点无关.不同控制回路对故障影响不同,闭环控制系统的存在使引起顶事件发生的原因逻辑组合极大地增加,因此,在分析原因节点的逻辑关系时,需要区分RSDG模型上的非闭环节点、正反馈回路和负反馈回路.为描述节点逻辑拓展过程,假定系统RSDG模型(忽略测试节点)如图1所示.图1 RSDG模型示例Fig.1 Example for RSDG model各节点描述如下:1) 非闭环节点.所谓非闭环节点是指不属于任何一个控制回路的节点,在故障树中,它和其他节点相互之间不存在着制约关系,直接由“或门”相连.图1中假定故障为节点F变量超下限,即F(-),这也是故障树的顶事件.计算得到F的上层关联节点E、G为非闭环节点,则对于F(-)生成故障树如图2所示.图2 非闭环节点故障树示意图Fig.2 Schematic fault tree in non-closed loop node2) 正反馈回路节点.控制回路为正反馈时,闭环上的各个支路增益的乘积应为正,其故障传播规律有着突出特点,即一个节点发生偏差,则环路上所有节点将发生偏差.正反馈回路的因果故障树模型中各节点用“或门”展开.设图1中故障为节点K变量超下限,即K(-),容易看出K的相邻原因节点是一个正反馈回路,则对于K(-)生成故障树如图3所示.图3 正反馈回路节点故障树示意图Fig.3Schematic node fault tree in positive feedback loop3) 负反馈回路节点.控制回路为负反馈时,闭环上各个支路增益的乘积为负,其传播规律比正反馈复杂.当出现故障,可以由控制回路产生反向的控制作用,使得故障影响被消除,控制回路下游变量仍处于正常值范围.但当故障偏差积累到一定程度时,控制回路饱和失去调节功能,危险会继续扩展,引起回路被控变量异常的三种情况分别为:①不可控扰动,即负反馈回路上游节点变量出现过大偏差,控制系统饱和;②可控扰动且控制回路不起作用,即负反馈回路上游节点变量出现偏差,且负反馈控制性能降低;③控制回路引起的异常,即负反馈回路上游节点变量没有出现偏差,控制系统自身发生故障.因此,对于负反馈控制系统中的变量节点,其故障树包括三个子树事件.设图1中故障为节点E变量超下限,即E(-),而E的相邻原因节点是一个负反馈回路,对于E(-)生成故障子树如图4所示.根据以上分析可知,在利用RSDG生成故障树时,首先要找出模型中所有的回路,并判断回路类型,用单独一个节点来表示强连通部分,进而得到压缩有向图,再以故障节点为顶事件节点,以顶端事件和边界条件为瞬时样本,反向推理RSDG模型中的节点,最后根据节点类型选取合适的操作符将节点相连,并对其中的回路节点展开因果关系树,具体流程如图5所示.图4 负反馈回路节点故障子树示意图Fig.4Schematic node fault subtree in negative feedback loop图5 基于RSDG故障树生成步骤流程图Fig.5Flow chart of generation procedure of fault tree based on RSDG后果事件故障树生成后,依据其中逻辑可以计算条件概率.首先从底事件开始,设当前层包含事件集x={x1,x2,…,xk},依次向上计算上一层事件T的发生概率,直至得到顶事件T的条件概率,计算式为(2)式中:POR(T)为或门事件T发生率;PAND(T)为与门事件T发生率;S为初因事件.3 风险识别飞机系统的复杂性决定了飞机故障风险的评估是一个考虑多因素的决策过程,从安全性、经济性和可靠性多个角度,考虑飞机风险度的三个衡量准则为发生度、影响度和难检度,本文按照各因素的隶属关系设置一个多层次的指标体系(如图6所示),采用灰色决策聚类法[11]来综合评定风险值.图6 飞机风险评估指标体系Fig.6 Risk assessment index system for aircraft 采用Delphi法对指标体系的重要度进行评判,并借助于层次分析法[12]得到该递阶层次结构中二级指标ui相对于总指标的权重wi,且记组合权重向量为W=(w1,w2,w3,w4,w5,w6)基于飞机风险评估指标体系的风险评估步骤如下:1) 设故障链中包含m个事件,记第i个事件相对于uj的指标值为xij,则构成样本矩阵为(3)2) 依据飞机风险评估的实际问题,设有k个评估灰类[13-14],并确定k个评估灰类的白化权函数f k(xij),f k(xij)是xij属于第k类评估标准的权.表1列出了四类白化权函数对应的灰数和数学表达,按照经验或某种准则获得函数阈值A、B、C、D.表1 四类典型的白化权函数Tab.1 Four typical whitening weight functions 类别灰数数学表达式典型白化权函数fkij[A,B,C,D]fkij(xij)=(x-A)/(A-B)(xij∈[A,B])1(xij∈[B,C])1-(x-C)/(D-C)(xij∈[C,D])0(xij∉[A,D])适中测度白化权函数fkij[A,B,-,D]fkij(xij)=(x-A)/(B-A) (xij∈[A,B])1-(x-B)/(D-B)(xij∈[B,D])0(xij∉[A,D]) 下限测度白化权函数fkij[-,-,C,D]fkij(xij)=1(xij∈[0,C])1-(x-C)/(D-C)(xij∈[C,D])0(xij∉[0,D]) 上限测度白化权函数fkij[A,B,-,-]fkij(xij)=(x-A)/(B-A) (xij∈[A,B])1(xij∈[B,∞])0(xij∉[0,A])3)根据样本矩阵式(3)和表1,综合m个故障对每个uj的评估指标值,计算k类灰色统计数pkj及采用第k类评估标准的灰色权值rkj,即(4)(5)由灰色权值rkj构成的评估权矩阵为由指标权重向量和灰色评估权矩阵可得风险灰色聚类的综合评估向量为Ω=(σ1,σ2,…,σk)=WR(6)4) 由风险灰色聚类综合评估向量Ω计算故障链的综合风险值,计算表达式为(7)4 应用实例民用飞机气源系统的调节压力偏大,预冷器温度偏高故障是影响航班的一个突出问题,本文以该故障为例进行故障风险评估.对该故障所属发动机引气系统进行分析,将识别过程变量作为状态节点,确定测试手段作为测试节点,按照因果关系连接状态节点,建立RSDG模型如图7所示,图7中的节点说明如表2所示,模型中节点的概率属性值如表3所示.图7 发动机引气系统RSDG模型Fig.7RSDG model for engine bleed air system表2 变量节点说明Tab.2 Description of variable nodes节点名称VHPVHPV阀门开度VPRVPRV阀门开度PPRVPRSOV下游压力PPIPS 引气系统出口压力TPEG预冷器出口温度TOUT发动机引气出口温度VFAVFAV 阀门开度节点名称FPSNR压力传感器性能FPEG预冷器性能FFAVFAV性能T1PRSOV开度测试T2出口压力测试T3出口温度测试4.1 隔离故障链该实例的故障包括两个故障征兆:调节压力偏大与预冷器温度偏高,分别对应状态节点PPRV(+)与TPEG(+).由于Ψ(PPRV)φ(ePPRV→TPEG)Ψ(TPEG)=+,故两状态节点相容,表明两状态节点在同一条故障链中.以二者位于上游的PPRV为初因故障状态节点,但PPRV不是可监测节点,该故障可传播至后续节点PPIPS和TPEG,TPEG状态同样无法监测,故障继续传播,直至传播到可监测状态节点TOUT,得到的故障链如图8所示.表3 状态节点的概率属性Tab.3 Probabilistic attribute of state nodes事件发生概率PRSOV调节压力偏大(S)2.31×10-6引气出口压力高(F1)3.71×10-6引气出口温度高(F2)4.81×10-6预冷器出口温度高(F3)2.34×10-6FAV性能降低或堵塞(F4)8.98×10-7预冷器性能降低或故障(F5)5.87×10-8PRSOV调节压力超高(F6)5.69×10-8压力传感器漂移(F7)4.87×10-7图8 故障实例的故障链Fig.8 Fault chain of fault example4.2 确定故障链中各事件风险指标值首先需要获取各事件的发生概率,故障链中初因事件的概率即为PPRV(+)的概率属性值,后果节点发生概率则是PPRV(+)发生后的条件概率.计算条件概率需获取后果节点的产生原因及其逻辑.以引气出口压力高为顶事件,PPIPS=+为瞬间样本值,按照2.2节的算法,PPIPS为非控制节点,其相邻子节点以“或”逻辑展开的故障子树如图9所示.以引气出口温度高为顶事件,TOUT=+为瞬间样本值,TOUT为负反馈回路节点,按照负反馈回路故障子树生成方法最终得到故障树如图10所示.图9 引气出口压力高故障树Fig.9Fault tree for high pressure of engine bleed air outlet图10 引气出口温度高故障树Fig.10Fault tree for high temperature of engine bleed air outlet获取故障树后依据式(2)计算出各后果事件发生的条件概率,即P(F1/S)=P(S)=2.31×10-6P(F3/S)=P(S)(1-(1-P(F4)(1-P(F5))=3.22×10-12P(F2/F3)=P(F3/S)=3.22×10-12根据计算结果和节点属性值确定故障链中各事件风险体系指标值,如表4所示.表4 各事件的指标参数Tab.4 Index parameters for each event事件发生概率影响度安全性维修费用/元停机时间/h难检度状态突变性测量费用/元PRSOV调节压力偏大(S)2.31×10-6355093800引气出口压力高(F1)2.31×10-641200112100引气出口温度偏高(F2)3.22×10-1241280132100预冷器出口温度偏高(F3)3.22×10-12380043800将评估风险分为极小、较小、中等、较高、极高5个等级,分别对应5、4、3、2、1.通过经验统计构造发生度、影响度、难检度的白化权函数(以灰数表示)如表5所示.组合权重向量为W=(0.22,0.3,0.16,0.17,0.08,0.05).表5 各指标的白化权函数Tab.5 Whitening weight function of each index发生度难检度状态突变测量费用f1ij[-,-,5×10-8,1×10-7]f1ij[-,-,1,2]f1ij[-,-,50,100]f2ij[5×10-8,1×10-7,5×10-7,6×10-7]f2ij[1,2,-,2.5]f2ij[50,100,300,400]f3ij[5×10-7,6×10-7,1×10-6,2×10-6]f3ij[2.5,3,-,3.5]f3ij[300,400,500,600]f4ij[1×10-6,2×10-6,0.0001,0.005]f4ij[3.5,4,-,4.5]f4ij[500,600,900,1100]f5ij[0.0001,0.005,-,-]f5ij[4.5,5,-,-]f5ij[900,1100,-,-]影响度安全性维修费用停机时间f1ij[-,-,1,2]f1ij[-,-,200,300]f1ij[-,-,1,2]f2ij[1,2,-,2.5]f2ij[200,300,400,600]f2ij[1,2,3,5]f3ij[2.5,3,-,3.5]f3ij[400,600,800,1000]f3ij[3,5,8,10]f4ij[3.5,4,-,4.5]f4ij[800,1000,1200,1300]f4ij[8,10,12,14]f5ij[4.5,5,-,-]f5ij[1200,1300,-,-]f5ij[12,14,-,-]4.3 风险计算根据表4各事件的指标参数得到样本矩阵为由表5的白化权函数得到xij属于第k类评估标准的权f k(xij),并由式(3)计算出灰色统计数和总灰色统计数,进而得到评估权矩阵,即代入Ω=(σ1,σ2,…,σk)=WR,可得Ω=(0.11,0.09,0.309,0.442,0.049)由式(7)得到故障链各事件的综合风险值为η=3.23实例故障为较高风险的故障,而用本文提出的方法对飞机气源系统共数十种故障进行风险度分析,所得结果也为风险较高故障,风险评价结果与航空企业实际情况相符.5 结论针对飞机故障模式多样、难以量化的问题,本文提出了基于RSDG故障的风险评估方法,推导出飞机故障导致的故障链,并以故障链为分析对象,对故障链中各事件序列的影响和可能性进行分析,从定量的角度对故障风险进行辨识、分析、量化.与其他风险评估方法相比,该方法能够有效地弥补传统故障风险评估方法中RPN 因子含义模糊、评价不一致的缺陷,使风险评估更加详细准确.参考文献(References):【相关文献】[1] 王锦妮,火建卫.定量危害性矩阵分析方法研究 [J].航空工程进展,2016(1):70-77. (WANG Jin-ni,HUO Jian-wei.Research on quantitative criticality matrix analysis method [J].Advances in Aeronautica l Science & Engineering,2016(1):70-77.)[2] 晋民杰,李辰,范英,等.基于损失费用的风险优先数分析方法研究 [J].中国安全科学学报,2013,23(9):45-50.(JIN Min-jie,LI Chen,FAN Ying,et al.Research on risk priority number analysis method based on loss [J].China Safety Scie nce Journal,2013,23(9):45-50.)[3] 伍晓榕,裘乐淼,张树有,等.模糊语境下的复杂系统关联FMEA方法 [J].浙江大学学报(工学版),2013,47(5):782-789.(WU Xiao-rong,QIU Le-miao,ZHANG Shu-you,et al.Correlated FMEA method of complex system with linguistic vagueness [J].Journal of Z hejiang University (Engineering Science),2013,47(5):782-789.)[4] Adar E,nce M,Karatop B,et al.The risk analysis by failure mode and effect analysis (FMEA) and fuzzy-FMEA of supercritical water gasification system used in the sewage sludge treatment [J].Jo urnal of Environmental Chemical Engineering,2017,5(1):1261-1268.[5] Almomani B,Lee S,Jang D,et al.Probabilistic risk assessment of aircraft impact on a spent nuclear fuel dry storage [J]. Nuclear Engineering & Design,2017,311:104-119.[6] 王瑛,汪送,管明露.复杂系统风险传递与控制 [M].北京:国防工业出版社,2015. (WANG Ying,WANG Song,GUAN Ming-lu.Risk transfer and control of complex systems [M].Beijing:National Defence Industry Press,2015.)[7] 耿秀丽,褚学宁.基于故障因果链的故障模式与影响分析风险评估方法 [J].计算机集成制造系统,2009,15(12):2473-2480.(GENG Xiu-li,CHU Xue-ning.Risk evaluation method in failure mode and effects analysis based on failure cause-effect chain [J].Computer Integrated Manufacturing Systems,2009,15(12):2473-2480.)[8] 杨帆,萧德云.控制系统的SDG模型描述及故障传播分析 [J].控制与决策,2009,24(7):1001-1006.(YANG Fan,XIAO De-yun.SDG-based model description and fault propagation analysis in control systems [J].Control & D ecision,2009,24(7):1001-1006.)[9] Pramanik S,Venkataram P.Diagnosis of steady-state process behaviour using rules derived from signed directed graph [J].Journal of the I ndian Institute of Science,1990,70(5):163-171.[10]黄鸣宇,魏欧,胡军.基于故障配置的故障树生成 [J].计算机科学,2017,44(2):182-191. (HUANG Ming-yu,WEI Ou,HU Jun.Fault tree generation based on fault configuration [J].Compute Science,2017,44(2):182-191.)[11]金灿灿,王海燕,左洪福,等.基于SDG和灰色聚类的系统故障风险评估方法 [J].系统工程理论与实践,2015,35(4):1048-1056.(JIN Can-can,WANG Hai-yan,ZUO Hong-fu,et al.Research on fault risk assessment of system based on SDG and grey clustering meth od [J].System Engineering Theory & Practice,2015,35(4):1048-1056.)[12]许伟,常晓波,王继忠,等.基于可变模糊集的绿色施工评价 [J].沈阳工业大学学报,2015,37(6):690-694.(XU Wei,CHANG Xiao-bo,WANG Ji-zhong,et al.Evaluation of green construction based on variable fuzzy sets [J].Journal of Shenyang University of Technology,2015,37(6):690-694.)[13]Yu J M,Zhang X N,Xiong C L.A methodology for evaluating micro-surfacing treatment on asphalt pavement based on grey system models and grey rational degree theory [J].Construction and Building Materials,2017,150:214-226.[14]陈宝平.灰色聚类决策系统的设计与实现 [J].电子科技,2013,26(12):10-11.(CHEN Bao-ping.Design and implementation of grey clustering decision system [J].Electronic Science and Technology,2013,26(12):10-11.)。

基于符号模型检测的符号有向图故障诊断解形式化验证

基于符号模型检测的符号有向图故障诊断解形式化验证

基于符号模型检测的符号有向图故障诊断解形式化验证
宁宁;张骏;高向阳
【期刊名称】《信息与控制》
【年(卷),期】2010(39)4
【摘要】由于定量信息和非线性因果关系的丢失,符号有向图(SDG)的故障诊断解需要进一步进行校核与验证.将SDG故障诊断解的验证置于符号模型检测框架中进行研究,提出了基于符号模型检测的SDG故障诊断解形式化验证方法.首先定义了SDG模型的有限状态变迁系统形式化描述,建立了符号模型检测(SMV)模型;其次引入故障传播时间定义了模型观测变量的动态验证信息,提出了基于步进式监控的动态推理验证策略;然后扩展了动态推理验证过程的SMV模型,提出了验证算法SSDGFD SMC;最后,通过一个简单贮水罐系统的SDG模型实例验证了算法SSDGFD SMC的有效性.
【总页数】7页(P423-429)
【关键词】SDG模型;符号模型检测;动态验证信息;动态验证策略
【作者】宁宁;张骏;高向阳
【作者单位】西北工业大学自动化学院
【正文语种】中文
【中图分类】TP206
【相关文献】
1.基于符号有向图模型的故障诊断方法 [J], 王伟;于达仁;赵辉;胡清华
2.主元统计法与符号有向图模型相结合的故障诊断方法 [J], 曹文亮;王兵树;马良玉;张冀
3.基于定性符号有向图模型的故障诊断方法研究 [J], 金赛赛;黄考利;张西山;连光耀
4.基于符号模型检测的Web服务组合形式化验证 [J], 张世杰;徐鹏;刘沛瑶
5.基于符号有向图节点定量化模型的故障诊断方法 [J], 曹文亮;王兵树;马进;马良玉;辛宇峰
因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
函数9:Vo一{+,0,一}。
节点的状态函数值cp∈{O,+,一},某节点取“+”值表示该物理变量高于正常值,取/at 91,表示低于正 常值,取“0”表示变量正常。节点集合的状态赋值称为模式,表示这系统对应的状态。支路的状态 函数值咖∈{+,一},当取值为“+”,表明原凶变量与结果变量变化方l句相同;当取值为“.”,表明变 化方I句相反。图1给出~个二阶惯性系统a)及其相应的符号有向图模型c)和其中的一个模式d)。 在给定的SDG模型中,如果妒(矿咏)≯(气)妒(a一气)=+,则该支路ek称为相容,此即为相容性条件。
unavailable. the SDG model for the systems and two fault diagnosis algorithms(SDG_C and SDGP)through the transformation of edge and node function fusing the reachability theory.The case studies show the algorithm has better resolution in
are on
for
not
given
set
of alarms to ring alarms.For
process
industries,however,all the process nodes is
usually measured and the consistent fault propagation path assumption SDG-based systems where some nodes are not online observed in this
量。特别当SDG模型应用于不同电站时,电站测量系统存在差异,更易出现未测节点的情况。此时
SDG中迭|为存在未测节点而形成不完全节点信息,原有的SDG模型故障诊断算法就难以直接进行。
文献[16.17]仅针对控制环路中的未测节点提出了假设检验的处理办法,缺乏对非环路未测节点的讨 论。如果对非环路未测节点采用假设检验的方法处理,将引起组合爆炸的假设条件。本文针对未测 节点信息的利用程度给出两种故障诊断方法,使原有的非环路SDG模型的能适用于存在节点来测量 的情况;并根据可达性原理来利用现有信息最大限度缩小搜索根故障的范围,降低问题的复杂度, 提高诊断精度。SDG结构和诊断原理在文献[18.19]中有详细说明,为引出含未测节点的信息不完全 符号有向图,先对符号有向图模型作了简单描述,然后对严格符号有向图模型根据可达性原理进行 了有向图诊断分析,给出可达性有向图诊断算法。进一步增加可测节点的符号信息,给出了混合节 点路径的诊断算法,使得在已有信息的基础上,尽可能的缩小潜在故障诊断范围,提高诊断精度。 最后根据电站除氧器的SDG模型在含来测节点时进行故障诊断,以具体地给出含未测节点的SDG 模型的诊断流程。
SDG模型),是SDG有向图Go与函数≯,妒的组合(Go,≯,妒),其中:
ttll,q部分组成(%,厶,a+,a。)。
节点集合与边集合K与瓦。
邻接关联符a+:‰一%(支路的起始节点),a一:岛一ro(支路的终止节点)。该“邻 接关系”分别表示每一个支路的起始节点a:和终止节点a五。
C) d)
函数≯:eo一{+,一},其中≯(%)(%∈Eo)称为支路‘‘的符号。
态不能测量,或不能在线测量,使得原相容性故障传播通道失效。针对SIX}模型中的部分节点凶未 测量造成的信息缺失,给出含未测节点的SIX}模型的数学表达:并通过对路径函数和节点函数的转
化,结合有向图(DG)的可达性理论,给出了两种转化故障诊断方法:完全转换的含未测节点严格
符号有向图方法和部分转换的含未测节点,世格符号有向图方法。算例研究表明,该方法具有较强的 故障诊断能力。 关键词:符号有向图,故障诊断,节点,测量 中图分类号:TP391.TK267文献标识码:A
.156.
2006电站[|动化信息化学.术和技术交流年会
Chen和Howell给出了最新并很有应用前景的基于SDG分析的控制系统故障诊断分析应用11”。目前 的SDG分析方法大部分假设所有节点是完全可测量的。 但在实际系统中时常遇到某些节点未测量的情况,例如某些电站测量系统不很完善而只安装了
一些最基本测点,或者安装了价格低廉但精度较低的传感器,或者某传感器发生故障而成为无效测
Fo

一7、——/
(b)
——,-≯=+
(C)
……・-・≯=-
⑩⑥①@O





(d)
图l水箱系统及其DG,SDG模型和模式 F.罾l纽.ksystem nd ia DG SDGaml
I慵ttera
3.含未测节点的SDG模型诊断方法
为叙述方便,定义含未测节点的SDG模型,其图结构同一般的SDG相同,但其描述函数有差
Jin-fu
(Haerbin Institute ofTechnology,Haerbin 150001,Heilongjiang Province,China)
ABSTRACT:The fault diagnosis algorithm using useful to operative
SDG(Signed
别。
定义2含未测节点SDG模型y。是SDG有向图Go与函数≯,缈的组合(Go,≯,9),其中
a) b) G。同定义1相同。
函数驴:Eo一{+,一),其中《5(吼)(气∈eo)称为支路吼的符号。
c)函数妒:Vo一{+,O,-,?>。
相对于SDG模型中的函数9,未含测点SDG模型中9增加了不确定符,g-属性∥。相对于未测
2006电站自动化信息化学术和技术交流年会
含未测节点的符号有向图故障诊断方法
于达仁,王伟,胡清华,刘金福
(哈尔滨工业大学能源科学与工程学院,黑龙江省哈尔滨市150001)
Algorithms for SDG—based fault diagnosis with unmeasured nodes
YU
Da-ren,WANG Wei,HU Qing-hua,LIU
模型,采用综合方式进行故障诊断,基于这~思路提出算法SDGP算法。这样就能够更加充分的利
用系统模型中的符号信息,来提高故障诊断精度。
为了进一步分析,我们将节点集合碥根据是否可测量分为可测节点集合和未测节点集合;并进 一步将可测节点集合根据是否报警分为报警节点集合和未报警节点集合。九模型中任一节点信息完 全时,我们称为可测节点,其集合为可测节点集合A,即A={v I妒(v)∈{+,0,七,1,∈go)。相应未
2.SDG定性模型
有向图(DO)是由节点集合及顶点问的关系集合组成的一种结构G=(矿,E),其中集合y是
节点的有穷非空集合;E是节点之问关系的有穷集合,也叫边或支路集合。系统中故障传播的有向
图模型,称为系统有向图。其中集合矿指系统部件,集合E指故障传播属性。也就是说,边(”,1,)∈E
表示在节点z,处出现的故障报警将传播到节点’,。根据文献【19】的二阶惯性系统,图1给出了相应的 有向图模型b)。下面,部件和节点将被用来指定相同的含义。 通过结合定性或定量信息,可以得到各种类型的改进有向图,其中SDG是一种比较典型的有向图, 在SDG中,节点可以表示状态变量、操作部件或一个事件。根据文献[17]SDG可定义如下。 定义l 有向图Go a) b)
表示控制环路的闭环符号有向图的故障传播规律有着突出特点,即一个故障报警则环路上所有节点 全部报警。如图l所示,状态变量Ll、L2分别和FI、F2直接相关,任何一个节点出现故障都会导致
环路上两个节点同时出现报警。凶此环路中任何一个节点故障与环路中其它节点故障将难以区分,
对于小规模的未测节点环路利用假设检验的方法可以有效地提高故障分辨率。同时当故障诊断分辨 率局限于含有故障环路层次时,可根据通用图论约简算法将强连通环路压缩为一个节点而生成压缩
据DG中的可到达报警的传递性进行故障诊断(本文采用文献【20】中的BACKWARD算法),基于这 一思路提出算法SDGC算法。[h于这种算法在模型转化的过程中,省略了所有符号信息,相应的诊
断精度也有所减低。为了利用更多的可用信息,在能够利用符号信息的支路中仍然使用基于符号的
相容性条件,而将不能利用符弓信息的未测节点相关支路转化为DG模型,从而形成SDG.DG混合
人员常会突发面对很多测点报警pJ。加上此时承担着快速决策的压力,运行人员更容易对根故障产
生误判,急需故障诊断系统向运行人员提供大量方便的信息,来帮助运行人员迅速做出正确决策141。 故障诊断方法可分为基于定量数学模型、定性数学模型和信号处理的方法{5-61。其中符号有向图 (SDG)方法是一种定性数学模型的方法,它对过程变量间的因果关系和故障传播路径提供了简单
当某支路含有节点函数值为零的节点时,此支路通道肯定为不能满足相容性条件;同时当某节点为 未测量节点时,此节点含有很大的不确定性,可能为一,o,qq-一的任何一个,此时不能确定该支路通
道将能否满足相容性条件,因此原有的基于相容性条件的故障诊断算法就难以直接运行。
.1S7-
2006电站自动化信息化学术和技术交流年会
和图形化描述,并且符号有向图模型可以在缺乏详细过程知识的条件下根据经验或基本定律来建立 f7母J。特别是安全重要度比较高的系统中,图论模型也因能很好的表示故障演化动态并易于构造高效
算法,从l町得到了广泛的应用研究。Umeda,Venkatasubramanian V等对SDG建模作了大量的基础
工作【I¨列。曹文亮等讨论了几种通过定量化节点信息来改善SDG定性诊断精度问题的方法[t3-14l。
directed
graph)as
a model
ofthe system is
are
diagnosis of fault which occurred in processes.Graph-based systems problem of identifying the nodes that are potential
相关文档
最新文档