基于MFM的故障诊断模型的研究
航空发动机故障诊断技术的模型构建与优化
航空发动机故障诊断技术的模型构建与优化随着航空工业的发展和民航市场的不断扩大，航空发动机的安全性和可靠性对航空公司和乘客来说变得尤为重要。
航空发动机故障诊断技术的模型构建与优化成为了航空工业中的关键问题。
本文将介绍航空发动机故障诊断技术的模型构建与优化的方法与步骤。
首先，航空发动机故障诊断技术的模型构建与优化需要建立合适的故障诊断模型。
故障诊断模型是通过对航空发动机运行数据进行分析和模型构建，以实现对故障的检测、诊断与预测。
建立故障诊断模型的第一步是收集航空发动机的运行数据，包括传感器数据、参数数据等。
然后，对这些数据进行预处理，包括数据清洗、数据标准化等。
接下来，选择合适的故障诊断算法，例如基于统计学的方法、机器学习方法、人工智能算法等，并根据实际需求进行模型优化和调整。
其次，航空发动机故障诊断技术的模型构建与优化需要进行特征选择与提取。
特征选择是为了找到与故障相关的最重要的特征变量，以提高故障诊断的准确性和效率。
特征提取是将原始数据转换为更具代表性的特征向量，以减少数据维度和噪声的影响。
特征选择和提取的方法有很多，如相关系数分析、主成分分析、信息增益等。
选择合适的特征选择和提取方法，可以提高模型的分类性能和诊断准确性。
第三，航空发动机故障诊断技术的模型构建与优化需要进行模型训练和评估。
模型训练是使用已知的故障样本和正常样本进行模型参数的估计和学习，以建立故障诊断模型。
模型评估是对训练后的模型进行性能评估，以验证模型的准确性和鲁棒性。
常用的模型评估指标包括准确率、召回率、F1值等。
通过不断的训练和评估，可以优化模型的参数和结构，提高模型的预测能力和稳定性。
最后，航空发动机故障诊断技术的模型构建与优化需要进行实时监控和更新。
航空发动机故障诊断是一个持续的过程，需要实时地对发动机运行数据进行监控和诊断。
当发现异常情况或故障时，及时采取措施进行修复或更换，以保障航空发动机的安全运行。
同时，还需要不断对模型进行更新和优化，以适应不同型号和规格的航空发动机，提高故障诊断的普适性和可靠性。
柔性制造系统(FMS)故障诊断技术研究分析综述
柔性制造系统(FMS)故障诊断技术研究综述来源：开关柜无线测温 摘要：分析FMS地特点及其故障诊断地困难性.在综合大量文献地基础上，对国内外在该领域地主要研究内容、发展现状以及研究成果进行归纳和总结，指出当前研究工作地特点和已有研究存在地主要问题.对今后地发展进行了展望，指出集成诊断、多传感器信息融合、多方法综合应用地集成智能决策系统，以及网络化远程诊断服务是FMS诊断系统研究和发展地方向.b5E2R。
关键词：柔性制造系统；故障诊断；智能诊断系统市场环境决定着企业地生产方式，制造企业需要以最快地上市速度，最好地质量、最低地成本、最优地服务及最清洁地环境来满足不同客户对产品地需求和社会可持续发展地要求.在这一目标地驱动下，多种先进制造技术（advanced manufacturing technology，AMT）被提出，并受到重点研究和发展.柔性制造系统（flexible manufacturing system，FMS）是ATM发展地产物，受到了普遍地研究，并在制造企业得到大量应用.FMS通常包括若干数控设备、中央刀库、物料运输装置和计算机控制系统等子设备或子系统，由控制网络将多个设备有机联合，使各设备统一调度、相互协调共同完成生产加工任务，并可以根据制造任务或生产环境地变化进行灵活调整.这种灵活性即指系统地柔性，柔性是FMS地最大特点，其具有应变性好、生产率高，适应中、小批量生产等特点.1 FMS特点及其故障诊断地困难性柔性制造系统（FMS）作为一类复杂地机电系统，其复杂程度、行为状态和工作环境等都与传统地制造系统有很大不同，比较明显地是：（1）FMS是对多个异质系统在功能及结构上地有机集成，属于复杂大系统.（2）系统强调高度自动化，智能程度要求较高.（3）相对于自动化生产线，系统地动态行为更加复杂，刚性控制减弱，柔性更加明显.（4）系统具有容错控制，当某一子设备或子系统发生故障时，系统地运行过程控制（即调度）可以重构，以保证系统整体功能地不失性.（5）单一设备或系统地自身行为或故障不再局限于其自身范围内，常常会影响在功能或地域上相关、相连地设备或系统.FMS系统所具有地上述特点，导致其故障诊断不仅有一般设备诊断地特点，而且表现地更复杂、更特殊.（1）FMS地高度柔性，必然要求系统内部地高度灵活性和运行模式地多样性，负面地影响是增大了系统地不定因素和在模式转换过程中故障发生地高可能性.（2）系统设备多样、复杂，加工以柔性多任务为目标，加工类型、过程、工况多样，因此，难以全面搜集各种正常与异常状态地先验样本和模式样本，即诊断知识获取困难.（3）过程状态及故障地断续性、突发性、模糊性、关联性及时变性更加明显，致使故障征兆信息、设备状态信息地获取比较困难，故障地快速定位难度更大.（4）加工设备各部件间地动态联动性、离散性致使故障地传播性、故障源地分散性更加明显.（5）工件尺寸甚至误操作等随机干扰因素影响加大，使诊断系统地误诊、漏诊地可能性更大，诊断推理地精确性、结论地可信度都有所下降.（6）加工过程中信息量大而繁杂，适合于监控、诊断与预警地信息资源需要挖掘，对监控策略、故障特征提取、诊断知识库管理等环节提出了挑战.（7）FMS在运行过程中，更多情况下是缺乏人地现场监视，因此，故障难以早期发现；对现场故障地瞬时信息，特别是感官信息就往往无法捕捉，而此类信息对故障地快速定位（推理）是极有价值地.从实际地应用来看，诊断对象地复杂度增加，可能导致诊断系统地复杂度呈几何指数性增长.从多家FMS研究及应用单位地实际应用情况看，FMS地运行故障频发，且现有地诊断系统难以应付多种复杂地故障快速定位要求.2 当前地研究内容及发展状态作为FMS理论研究及实践应用地关键与瓶颈技术之一地故障诊断技术，受到了国内外制造领域地重点研究，并取得了一定地研究成果.分析和总结众多在不同研究方向上具有创新性地研究成果，归纳、分类形成如图1所示FMS诊断技术研究地基本方向.可以清楚地看出，围绕FMS这一具有复杂结构及组成地自动化制造系统，诊断技术地研究主要沿如下4个方向深入开展：（1）诊断系统架构研究.（2）智能诊断方法研究.（3）FMS故障机理及故障模型研究.（4）系统集成技术研究.基于上述4个大地研究方向，众多地研究又从不同地侧重点出发，最终形成了更细致地研究分支.整体而言，FMS诊断技术研究呈发散式向与诊断流程各个环节相关技术逐级深入.p1Ean。
FMS故障诊断的关键技术研究
FMS故障诊断的关键技术研究目录第一章绪论 (1)1.1 问题的提出背景及研究意义 (1)1.2 故障诊断概述 (3)1.2.1 故障诊断的基本概念 (3)1.2.2 故障诊断的分类 (3)1.3 FMS的故障诊断研究现状及发展趋势 (5) 1.3.1 FMS的故障诊断研究现状 (5)1.3.2 FMS的故障诊断发展趋势 (7)1.4 本文的主要研究内容及结构安排 (8)第二章FMS故障诊断集成系统架构研究 (10) 2.1 FMS故障特点 (10)2.1.1 FMS的定义、组成与分类 (10)2.1.2 FMS故障的特点 (13)2.2 FMS故障诊断系统框架 (14)2.2.1 FMS故障诊断系统的组成 (15)2.2.2 FMS故障诊断关键技术分析 (17)2.3 本章小结 (18)第三章FMS故障粗诊断 (19)3.1 物流系统故障诊断 (19)3.1.1 物流系统故障机理分析 (19)3.1.2 物流系统的故障诊断 (20)3.2 加工系统初级诊断的任务 (21)3.3 贝叶斯网络概述 (22)3.3.1 贝叶斯网络中的相关概率论知识 (22) 3.3.2 贝叶斯概率推理 (23)3.3.3 贝叶斯网络的概念及特点 (24)3.3.4 贝叶斯网络的建模 (25)3.3.5 贝叶斯网络的推理模式及算法 (26)3.3.6 贝叶斯网络的学习 (28)3.4 贝叶斯网络在加工系统初级诊断中的应用 (30)3.4.1 基于贝叶斯网络的FMS加工系统初级诊断步骤 (30) 3.4.2 诊断实例分析 (32)3.5 本章小结 (33)第四章基于支持向量机的FMS故障精诊断 (34)4.1 支持向量机概述 (34)4.1.1 支持向量机的概念 (34)4.1.2 支持向量机的多分类扩展 (37)4.2 基于支持向量机的FMS故障精诊断 (40)4.2.1 FMS设备层故障特点 (41)4.2.2 基于支持向量机的诊断步骤 (42)4.3 诊断实例分析 (43)4.3.1 BP神经网络分类器 (43)4.3.2 诊断数据集 (45)4.3.3 基于BP神经网络的故障诊断仿真 (45)4.3.4 基于SVM的故障诊断仿真 (46)4.4 本章小结 (47)第五章FMS故障诊断集成系统实现 (48)5.1 故障诊断系统的模式 (48)5.2 远程故障诊断系统的发展与研究现状 (49)5.3 远程故障诊断系统的网络模式选择 (49)5.3.1 客户机/服务器模式 (49)5.3.2 浏览器/服务器模式 (50)5.4 远程故障诊断系统拓扑结构 (52)5.5 FMS故障诊断系统的功能结构设计 (52)5.6 FMS远程故障诊断系统的实现 (53)5.7 本章小结 (55)总结与展望 (56)参考文献 (58)攻读学位期间取得的研究成果 (63)致谢 (64)第一章绪论第一章绪论1.1 问题的提出背景及研究意义随着新技术的不断出现，作为国民经济支柱的制造业也在不断进行技术革新，制造业逐渐向数字化、网络化和智能化方向发展。
多级流模型(MFM)在传感器故障诊断中的应用
随着现代工业、科学技术 的发展 ，许多机械装备正朝着大型化 、高速化 、连续化 、集中化 、自 动
化 方 向发展 ．生 产系统 中各 设备 之 间 的联系 也越 来越 紧 密． 由于各种 随机 因素 的影 响 ，这些 设备难 免
会出现一些异常故障现象 ，即设备降低或失去一定的功能．研究并应用先进的状态监测与故障诊断技 术 ，保证这些关键设备安全而高效地运行 ，具有重要意义．设备 的故障诊断是根据人类积累的经验和 数据 ， 采用一定的技术手段对设备所处的状态进行判断 ，对设备 的故 障及其发展变化进行诊断和估 计．在对设备进行诊断时 ，某些传感器有时候可能无法正确反映出部件的工作状态 ，如果不除去发生 故 障的传 感器 ，就 会对设 备 的运 行状 态做 出错 误 的诊 断 ．如何 获 得准 确 的结果 ，首 先 就要 对传 感器 测 量的结果进行检验 ，即对传感器 的健康状态进行诊断． 多级流模型 （ Ｆ Ｍ Ｍ，Ｍ ｌｌ ｅｆ ｗｍ ｄｌ）由丹麦技术大学的 Ｍ ｒ ｎＬ ｄ ｕ ｉｖｌ ｏ ｏｅ ｔｅ ｌ ｓ ｏｅ ｉ 首先提出， ｔ ｎ …并成功应
ｓ ｓｅ ｉ ｍｏ ｅ ｃ ｍｐ ｅｅ，ａ ｄ ｃ ｎ ｓｇ ｉ ｃ ｎｌ ｅ ｕ ｅ ｔ ｅ ａ ｕ ｔ ｆｃ ｍｐ ｔｔ ｎ，Ｓ ｔｈ ｓｏ ｖｏ ｓａ ｖ ｎ ａ ｅ ｎ ｔ ｅ ｙ ｔｍ ｓ ｒ ｏ ｌｔ ｎ ａ ｉｎ ｆ ａ ｔ ｒ ｄ ｃ ｈ ｍｏ ｎ ｏ ｕ ａ ｉ ｉ ｙ ｏ ｏ Ｏ ｉ ａ ｂ ｉｕ ｄ ａ ｔｇ ｓ ｉ ｈ
ｉ ｇ ｐ ｏ ｅ ｓ ｎ ｓ ｓ ｔｅ ＭＦ ａｇ ｒ ｈ ｔ ｅ ｌ ｅ ｔ ｅ ｏ ｌ ｅ ｄ ａ ｎ ｓｓｏ ｅ ｓ ｒｆ ｕｔｉ ｈ ｙ ｔｍ． ｎ ｒ ｃ ｓ ，ａ ｄ ｕ ｅ ｈ Ｍ ｏｉ ｍ ｏ ｒ ａｉ ｈ ｎ ｉ ｉ ｇ ｏ ｉ ｆｓ ｎ ｏ ａ ｌ ｎ ｔ ｅ ｓ ｓ ｌ ｔ ｚ ｎ ｅ
基于粗糙集理论和FCM的轨道电路故障诊断模型
基于粗糙集理论和FCM的轨道电路故障诊断模型ZPW-2000A作为目前铁路广泛运用的一种轨道电路设备，与人民生活密切相关，对其安全性和可靠性的要求较高。
当轨道电路发生故障时，就很有可能发生火车相撞等事故，损害人身安全。
轨道电路故障诊断是依据监测数据(包括正常和设备故障数据)，判断当前故障发生在何种设备上，以便维修人员可以快速找到故障点进行维修，提高维修效率。
近年来，国内外已经引入一些较为先进的故障诊断概念和算法来诊断轨道电路故障，用来提高故障自动智能诊断的效率和能力。
文献[1]提出一种基于模糊神经网络的轨道电路故障诊断模型，验证了4种常见故障。
文献[2]采用一种自适应最优核时频分布提取数据的时频分布信息的方法，该方法可以解决轨道电路补偿电容故障的定位问题。
文献[3]将轨道电路复杂网络分解成许多小的神经网络组态，并对常见的6种故障进行故障诊断。
文献[4]使用信息融合技术定位轨道电路故障，得到良好的效果。
然而这些方法都忽略了随机收集的监测数据，关联性高、数据量大且维数较高。
因此初选的特征之间存在冗余和相容性，并且需要大量的数据进行分析，对数据的需求较高。
1.2.1 DNA提取用含枸橼酸钠抗凝剂的真空采血管，分别采集患儿及其父母外周静脉血5ml，应用试剂盒(采用美国OMIGA公司E.Z.N.A Blood DNA试剂盒)提取DNA，提取步骤参照试剂盒说明；取适量DNA用紫外分光光度进行定量和纯度检测，其余保存于-20℃备用。
粗糙集理论(Rough Sets)是一种强有力的数据分析的理论工具，用于处理模糊、不完全和海量的数据，可对数据进行降维和特征选择[5]。
约简是粗糙集理论研究的核心，每个约简结果都拥有和原始数据类似的分类能力。
属性约简的作用是提取特征属性的有效信息，使知识处理的过程得以简化并提高数据的利用率。
本文采用主分量式的约简算法并结合相容度概念，使用相容度模型快速选定核集，主分量式选取要素属性，从而得到最优化或者较为优化的属性约简。
多级流模型_MFM_在传感器故障诊断中的应用
收稿日期:2008-04-07.作者简介:石浪涛(1977- ),男,江西乐平人,硕士研究生,主要研究方向为旋转机械状态监测与故障诊断.多级流模型(MFM )在传感器故障诊断中的应用石浪涛1,赵 云2(11江西理工大学机电工程学院,江西赣州341000;21嘉兴学院机电工程学院,浙江嘉兴314001)摘 要:多级流模型(MF M ,Multilevel fl ow models )是系统目标和功能的图形化模型,作为一种功能模型,MF M 通常比相应的面向事件的模型更简单,而对系统的描述更加完全,并能显著地减少计算量,因而在实时性要求很高的故障诊断中具有明显的优势.结合一个工程实例介绍M F M 及建模过程,并利用MF M 算法来实现系统中传感器故障的在线诊断.关键词:多级流模型;故障诊断;传感器故障 中图分类号:TP212Appli ca ti on of the M ultilevel Flow M odels to the Sen sor Fault D i a gnosisSH ILang -tao 1,Z HAO Yun 2(11School of Electromechanical Engineering,Jiangxi University of Science and Technology,Ganzhou,Jiangxi 341000;21School of Electr omechanical Engineering,Jiaxing University,Jiaxing,Zhejiang 314001)Abstract:Multilevel fl ow models (MF M )are graphical models of goals and functi ons of technical system s .A s a functi onal model,MF M is usually si m p ler than the corres ponding event -oriented model,while its descri p ti on of the syste m is more comp lete,and can significantly reduce the a mount of computati on,s o it has obvi ous advantages in the real -ti m e de manding fault diagnosis .By incor porating a p r oject exa mp le,this paper intr oducesMF M and the model 2ing p r ocess,and uses the M F M algorith m t o realize the online diagnosis of sens or fault in the syste m.Key words:multilevel fl ow models;fault diagnosis;sens or fault diagnosis文献标识码:A. 文章编号:1008-6781(2008)06-0087-04随着现代工业、科学技术的发展,许多机械装备正朝着大型化、高速化、连续化、集中化、自动化方向发展.生产系统中各设备之间的联系也越来越紧密.由于各种随机因素的影响,这些设备难免会出现一些异常故障现象,即设备降低或失去一定的功能.研究并应用先进的状态监测与故障诊断技术,保证这些关键设备安全而高效地运行,具有重要意义.设备的故障诊断是根据人类积累的经验和数据,采用一定的技术手段对设备所处的状态进行判断,对设备的故障及其发展变化进行诊断和估计.在对设备进行诊断时,某些传感器有时候可能无法正确反映出部件的工作状态,如果不除去发生故障的传感器,就会对设备的运行状态做出错误的诊断.如何获得准确的结果,首先就要对传感器测量的结果进行检验,即对传感器的健康状态进行诊断.多级流模型(MF M ,Multilevel fl ow models )由丹麦技术大学的Morten L ind 首先提出,[1]并成功应用于复杂系统的故障诊断,如用于核电站、超高温加工乳制品工艺、用于手术后重症监护患者的监测与诊断系统Guardian 计划等.MF M 建模方法认为系统是通过一系列的物质、能量、动力或者信息的流动来实现其目的,是基于流的思想而建立的模型.MF M 作为一种功能模型通常比相应的面向事件的模型更简单,而对系统的描述更加完全,并能显著地减少计算量,因而在实时性要求很高的故障诊断中具有明显优势.Larss on 归纳了利用MF M 进行故障诊断的三种基本算法:测量值有效算法、告警・78・第20卷第6期2008年11月Vol .20No .62008.11 嘉兴学院学报Jou rna l of J iaxing U n iversity分析算法和故障诊断算法[2].本文旨在对MF M建模技术做简单介绍并利用一个实际系统说明MF M 算法在传感器故障诊断中的应用.1 多级流模型MF M 是基于分析复杂系统的目标和功能以及相互关系的图形化模型,其中用目标这个概念描述一个系统或子系统的用途.系统和子系统的目标可以是生产目标、安全目标、经济或优化目标的模型目标.而功能概念描述关于物质流、能量流和信息流的系统性能,MF M 还描述了目标和实现这些目标的功能之间以及功能与为这些功能创造条件的子目标之间的关系[3].MF M 的定义中存在物质流、能量流、信息流这几种流结构,而流结构是由流功能组成的,在MF M 中流功能块的连接并不是随意的,而是按照一定的句法来连接.Larss on 提出了有关流功能的连接句法和一些规则.MF M 建模的关键在于是否有一种流变量贯穿于系统之中,并对系统目标的实现起着关键的作用,因而特别需要对系统的充分理解,并深知贯穿系统之中的流变量及它们之间的相互联系.它同时采用了两种分解策略:方法———结果(Means -End )和部分———整体(Part -W hole ).在MF M 模型中,对系统的描述是通过描述它的目标、功能(用来实现目标)和部件(用来实现功能)来完成的,这三个方面组成了方法———结果结构中的不同层次的知识流.2 MF M模型应用图1 某公司生产线循环冷却系统简图图1为某公司生产装备的循环水冷却系统,为保证生产线上运行设备的温度,必须保证该系统中水的正常循环.在这个系统中,冷却生产设备的水从热水池经由上行水泵驱动流向冷却塔,经冷却后的水流入冷水池经由下行水泵驱动通过阀门V2和V3返回到缓冲槽,这样生产线上的生产设备被循环水冷却.其中上行水泵和下行水泵分别配备一个变频器来控制水流量.为了保证冷却系统正常有效,充分发挥冷却塔的冷却效果,其循环水系统应保证两个目标:1)冷却塔中的水平面保持在某个特定的位置;2)冷水池中一定要保证有最小限度的水量.这一目标是通过物质流,即水的循环来实现的.这里,热水池在模型中既是物质的“源”又是物质的“宿”,两个水泵在物质流中是传输的功能,被冷却的设备在该物质流中是存储的功能.那么,根据物质流中各功能之间的相互关系,建立该系统的物质流模型如图2所示.同时,由于两个传输功能(水泵)的作用依赖于这样的一个子目标:为水泵的运行提供足够的电力,这一子目标又通过一电能流来实现.图2 某公司生产线循环水冷却系统简图的MF M 模型MF M 模型有三个分支,流路M1叙述了水从热水池到缓冲槽的流动,流路E1、E2描述了通过变频器从供应端到水泵的电能传输,因此,M1是物质流模型,而E1和E2是能量流模型.在流路M1中从左到右的功能是:1)作为源功能的热水池;2)通过上行水泵的传输;3)具备存储功能的冷却塔;4)因重力引起的水传输的导管;5)具备存储功能的冷水池;6)通过下行水泵的传输;7)通过分支导管连接的下行水泵与两个平行阀门V2和V3的平衡;8)实现阀门V2和V3的两路传输;9)通过导管部件实现的阀门V2和V3与缓冲槽的平衡;10)经由导管实现缓冲槽与生产设备的传输;11)带缓冲槽的热水池.E1-E2流路中包含了描述电能的能・88・ 嘉兴学院学报 第20卷第6期量流功能.3 传感器故障诊断在图1所示的冷却系统中,为了使控制系统能够有效地发挥作用,传感器是关键元件.系统中各传感器必须可靠,一旦传感器出现故障,必须及时诊断处理.以往采用的传感器故障诊断方法主要是各种各样的冗余法,如:直接冗余、解析冗余、时序冗余等.现利用MF M 模型的三种算法对传感器故障进行剖析.311 测量值有效算法该算法的基本原理是:系统中各功能的输入及输出流之间具有一定的关系.比如对于相连的源功能和传输功能,在正常时,它们的流值应该相一致.这种满足流值关系的多个功能是一个一致子群,如果有一个功能与它周围的一致子群相悖,很可能该测量值的传感器发生了错误.假设通过传感器所测量的数值如图3所示:[单位:10-6m 3/s ,存储功能上面的三个值(50,0,图3 MF M 模型中物质流的各测量值简图50),它们分别代表其输入流、存储器内水量的微分值及输出流]由于上述各测量的数据流值处于一个一致的子群里,根据MF M 测量值有效算法,在正常情况下,物质或者能量等不会无故消失,也不会无缘无故增加,故流在各个部件之间传播时,必然符合一定的规律.比如对于传输功能来说,其输入流值应等于输出流值.利用测量值有效算法的规则[4],我们可以判断出传输器6的传感器出现故障.312 告警分析算法告警分析算法将一系列的告警状态作为输入,比如:正常(nor mal )、流过小(l ow fl ow )、流过大(high fl ow )、容量过小(l ow volu me )以及容量过大(high v olume ).每一个告警都对应于MF M 模型中的一个部件,告警分析思想就是要根据征兆识别出那些初始告警,而其余的可能是初级告警,也图4 循环水冷却系统中物质流的MF M 模型及各功能的告警状态可能是初始告警影响的结果.利用循环冷却水系统为例,详细地说明告警分析的过程:在图4中,假设F1、F2、F3和F5都有测量值与它们的告警状态相连,而F4和F6没有,进一步假设F1、F2、F3和F5的状态分别是l ocap 、l ofl ow 、l ovol 、l ovol .应用上述思想分析可以得出这样的结论:Fl 的l ocap 告警一定是初始告警,而F2的l ofl ow 告警和F3的l ovol 告警则可能是后继告警.运用后效传播(Consequence Pr opagati on )思想可以分析出:若对F4和F6进行测量,则可能发现它们的告警状态都是l ofl ow .因此,假设F4的告警状态为l ofl ow,同样运用告警分析算法,可以得出结论:F5的l ovol 告警可能是后继告警.那么,对于这个例子来说,告警分析的结果就是:只有F1的l ocap 告警是初始告警,而所有其他的告警都可能是受它影响的结果.分析结果用图4来表示功能的故障状态.其中F1是热水池的源功能,分析结果说明了这个故障状态的唯一一种原因就是热水池中的水太少.313 故障诊断算法故障诊断算法利用MF M 模型来产生一种“反向链接”类型的诊断.其输入可能来自于用户回答的问题,也可能来自于被测量的信号,还可能来自于规则的触发.系统寻找故障,提供解释并给出补救措施,其诊断过程是沿着MF M 模型按照深度优先的方式来进行的.同样以循环水冷却系统为例,对故障诊断算法进行说明.假设热水池的水面不符合要求,即违背了总目标G1,那么用户需要找出为什么没能实现这一目标的原因.于是,故障诊断算法从目标G1开始,即从最顶层目标开始,然后沿着“达到”联系向下・98・石浪涛,赵云:多级流模型(MF M )在传感器故障诊断中的应用进入到描述物质流的那个网络,并对其中的各个功能依次检查.图5 MF M 模型的故障诊断算法搜索简图图5的故障诊断算法从总目标开始,沿着“达到”联系进入物质流的流结构中并到达了功能F1处,通过诊断搜索发现F1为初始故障,于是诊断转移到传输功能F2,算法通过提问得知F2处于故障状态,并调用告警分析算法,得出结论:F1为初始故障,F2处于后继故障.算法到达存储功能F3上,依次类推,算法结束了对物质流结构的搜索,由于传输功能F2出现故障,并且它还通过“条件”联系与一子目标相连,故算法通过这个联系继续向下搜索,算法在能量流E1沿着虚线箭头向下搜索,通过提问发现功能F12状态正常,于是算法到达功能F13,通过提问发现功能F13处于故障,并经过分析得知F13为初始故障,因而,功能F2也被设为初始故障,算法结束.综上所述,总的故障状态是由两个独立的原因引起的:1)热水池中本身水量不足;2)上行水泵未动作.利用MF M 算法,我们可以迅速追寻到故障的源头,并对传感器的布置做出合理分析.同理我们可以得知,要使这个系统正常运行,需要在3处布置传感器,即在图1的冷却塔3、冷水池5和平衡阀V2、V3与下行水泵之间分别布置液位传感器和压力传感器.4 结论MF M 模型具有实时性好、诊断速度快等优点,已广泛运用于各种故障诊断中.在绝大多数工业自动化系统中,传感器的测量值之间既互相独立又互相联系,利用MF M 模型可以有效地建立传感器之间的内在关系,并利用测量值有效算法来判别传感器的故障.但应该看到MF M 模型是一种定性模型,必须与其他模型很好地结合起来综合应用,而这,正是本课题继续研究的方向.参考文献:[1]M 1L ind 1Rep resenting goals and functi ons of comp lex syste m s -an intr oducti on t o multilevel fl ow modeling [R ].Copenhagen I nstituteof Aut omatic Contr ol Syste m s,Technical University of Denmark,1990.[2]J 1E 1Larss on .Knowledge -based methods f or contr ol syste m s [D ].Depart m ent of Aut omatic Contr ol,Lund I nstitute of Technol ogy,Lund,1992.[3]J 1E 1Larss on .D iagnostic reas oning strategies for means -end models [J ].Aut omatic 1994,30(5):775-787.[4]J 1E 1Larss on .D iagnosis based on exp licit means -end models [J ].A rtificial I ntelligence 1996,80(1):29-93.(责任编辑 李星)・09・ 嘉兴学院学报 第20卷第6期。
机械故障诊断的模型与算法研究
机械故障诊断的模型与算法研究引言:机械故障诊断是现代工业领域中十分重要的一个环节。
随着机械设备的复杂性增加，传统的手工诊断方法已经无法满足实际需求。
因此，研究机械故障诊断的模型与算法成为了一个热门的研究方向。
本文将探讨机械故障诊断的模型与算法研究的现状和未来发展方向。
一、背景介绍机械故障诊断是通过监测和分析机械设备的运行数据，确定机械故障的原因和位置。
传统的机械故障诊断方法主要依赖于经验和技术人员的直观判断，存在诊断结果不准确、效率低下等问题。
为了提高机械故障诊断的准确性和效率，学者们开始研究利用模型与算法进行机械故障诊断。
二、模型的研究在机械故障诊断的模型研究中，常用的模型包括神经网络模型、支持向量机模型和隐马尔可夫模型等。
神经网络模型是一种模拟人脑神经元网络的模型，其通过学习和调整模型参数，可以对机械故障进行准确的诊断。
支持向量机模型是一种基于统计学习理论的模型，它通过在高维特征空间中找到一个最优超平面，将样本进行分类。
隐马尔可夫模型是一种用于时间序列数据建模的模型，它可以对机械故障的状态进行建模。
这些模型在机械故障诊断中都取得了不错的效果。
三、算法的研究除了模型的研究外，机械故障诊断的算法也是研究的重点之一。
常用的算法包括遗传算法、粒子群算法和模拟退火算法等。
遗传算法是一种模拟生物进化的算法，通过模拟自然选择、交叉和变异的过程，搜索最优解。
粒子群算法是一种模拟鸟群觅食行为的算法，通过模拟粒子寻找最优解的过程，进行优化搜索。
模拟退火算法是一种模拟金属退火过程的算法，通过模拟固体退火过程，搜索最优解。
这些算法在机械故障诊断中也有广泛应用。
四、现状与挑战目前，机械故障诊断的模型与算法研究已经取得了不少成果。
然而，仍然存在着一些挑战。
一方面，机械故障诊断涉及的数据量庞大，如何高效地处理这些数据是一个亟待解决的问题。
另一方面，目前的模型和算法往往需要依赖于专家知识进行建模和调参，降低了模型和算法的普适性和灵活性。
轴承故障诊断中基于FEM的弹性振动特性分析
轴承故障诊断中基于FEM的弹性振动特性分析随着机械设备越来越复杂，轴承作为其中一个重要的部件，在机械运转中的重要性也越来越受到重视。
但是，轴承也会因为各种原因出现故障，除了一些表面故障可以通过简单的检查和更换来解决外，一些隐蔽的内部故障则需要更精细的诊断和分析。
目前，对于轴承的故障诊断，弹性振动特性分析是一种非常有效的方法。
基于有限元方法（FEM）的弹性振动特性分析可以准确地计算轴承在不同负载下的应力和变形情况，从而确定轴承的强度和刚度是否满足要求，进而分析轴承的故障原因。
为了深入探究基于FEM的弹性振动特性分析在轴承故障诊断中的应用，本文将从以下几个方面进行探讨。
1. FEM基本原理简介FEM是一种常用的数值分析方法，它将复杂的结构分割成许多小的单元，然后用数学方法来求解每个单元的受力情况，最终得出整个结构的应力和变形分布情况。
FEM方法具有高度的通用性和灵活性，可以快速处理各种类型的问题。
2. 轴承的弹性振动特性分析轴承的弹性振动特性是指轴承在受到某些外力作用时，由于本身的材料和结构特点，而产生的变形和振动情况。
弹性振动特性分析可以通过计算轴承的应变、应力等参数，来判断轴承的健康状态。
3. 基于FEM的轴承弹性振动特性分析方法基于FEM的轴承弹性振动特性分析方法包括以下几个步骤：（1）建立轴承的三维有限元模型。
将轴承分割成许多小的三维单元，确定每个单元的材料特性、截面面积等。
（2）定义边界条件和受力情况。
根据实际情况，确定模型的边界条件和受力情况。
（3）进行模型计算。
通过FEM软件进行计算，得出轴承在不同负载下的应力和变形情况。
（4）分析计算结果。
根据轴承所受负荷情况和计算结果，分析轴承的强度和刚度是否满足要求。
4. 基于FEM的弹性振动特性分析在轴承故障诊断中的应用基于FEM的弹性振动特性分析方法是一种与实际情况紧密结合的方法，其应用在轴承故障诊断中有以下几个优点：（1）高效性。
通过FEM软件进行计算，可以快速准确地计算轴承在不同负载下的应力和变形情况。
一种电网故障诊断的算法1
一种电网故障诊断算法作者单位摘要：本文提出一种多级流模型（multilevel flow model, MFM）和启发式规则结合的电网故障快速诊断算法，该方法以电网的故障报警作为诊断的输入，利用多级流模型分析报警事件之间的相互关系，通过启发式规则定义报警事件预处理、报警事件信息融合的规则。
本文方法克服了专家系统方法依赖有限的人工经验的不足，机器学习、神经网络方法分析规则需要训练的缺点，同时多级流模型图形化的建模方式较基于潮流模型的方法更为简单。
采用EMS产生的报警事件作为信息处理输入，大大提高了诊断的速度。
通过IEEE 9节点、14节、39节点以及两变电站作为算例，对该方法的有效性及实用性进行了验证。
关键词：多级流模型；启发式规则；电网；故障诊断中图分类号：0引言在实际电网中，电网某一故障发生时，能量管理系统（EMS）将产生一系列报警事件。
这些报警事件实时性高，是故障诊断的重要判据。
但是，这一系列的报警事件时序上无规律，电网的拓扑结构、EMS系统的报警设置、甚至负荷水平等都会影响报警事件的时序。
加拿大魁北克区域调度中心研究了其调度区域内不同故障发生时，EMS系统在特定时间内产生的报警事件数目[1]:变压器故障，2s中内150条报警记录；发电机故障，总计2000条报警记录，其中前5s，300条报警记录；雷暴，平均20条报警记录/s；两区域解裂，前5s，15000条报警记录。
针对上述问题，文献[2]指出电网报警事件筛选属于模式识别问题，采用神经网络方法能够辨识报警事件的根源。
专家系统的方法10年前开始用于电网报警事件处理[3][4]，文献[5]报道了最早的基于专家系统原理实现报警事件筛选及故障诊断工程化系统。
葡萄牙区域控制中心采用基于知识的方法实现了具备报警筛选功能的智能诊断模块[6]。
上述方法的缺点是无法保证所采用的规则对电网各种情况的完备性。
基于模型的方法，例如潮流计算，具有精确和广泛适用的优点，但是依赖大量的计算，耗时，诊断的时效性不高。
基于FCM-FM算法的光伏阵列故障诊断
第6卷 第4期 新 能 源 进 展Vol. 6 No. 42018年8月ADVANCES IN NEW AND RENEWABLE ENERGYAug. 2018* 收稿日期：2018-05-02 修订日期：2018-07-03 基金项目：国家重点研发计划项目（2017YFB0902100） † 通信作者：朱红路，E-mail ：hongluzhu@文章编号：2095-560X （2018）04-0297-07基于FCM-FM 算法的光伏阵列故障诊断*魏子杰1，李爱武1，邵 帅2，胡 阳2，朱红路3†（1．龙源（北京）太阳能技术有限公司，北京 100034；2．华北电力大学控制与计算机工程学院，北京 102206；3. 华北电力大学可再生能源学院，北京 102206）摘 要：工作于自然环境的光伏阵列故障频发，及时对故障进行定位和分类对于提高光伏电站运行水平具有重要意义。
针对光伏阵列的常见故障类型（短路、开路、局部遮挡等），基于运行数据提出无监督模糊C 均值（FCM ）聚类与模糊隶属（FM ）算法相结合的光伏阵列故障诊断方法。
论文首先对光伏阵列典型故障的产生机理进行分析并提取故障特征参数；然后，采用FCM 聚类方法对光伏阵列典型故障样本数据进行分类，得到不同故障的聚类中心；最后，利用FM 算法计算运行数据与聚类中心的隶属度，判定故障类型。
基于数字模拟实验和实证测试，验证上述方法的有效性。
分析结果表明，本文方法可有效判别光伏阵列的典型故障，诊断结果准确、可靠。
关键词：光伏阵列；故障诊断；模糊C 均值聚类；模糊隶属度 中图分类号：TK01+2；TM615 文献标志码：A doi ：10.3969/j.issn.2095-560X.2018.04.007Fault Diagnosis of PV Array Based on FCM-FM AlgorithmWEI Zi-jie 1, LI Ai-wu 1, SHAO Shuai 2, HU Yang 2, ZHU Hong-lu 3(1. Longyuan (Beijing) Solar Technology Co., Ltd., Beijing 100034, China;2. School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China;3. School of Renewable Energy, North China Electric Power University, Beijing 102206, China)Abstract: Faults often occur in photovoltaic arrays which work in the natural environment. Locating and classifying the faults timely is of great significance to improve the operating level of photovoltaic power stations. Aiming at several common faults (short circuit, open circuit and partial occlusion) of photovoltaic array, a new method of photovoltaic array fault diagnosis using operation data and combining fuzzy C-means (FCM) algorithm and fuzzy membership (FM) algorithm is proposed in this paper. Firstly, the occurrence mechanism of typical faults of PV array is carried out, and the fault feature parameters are extracted. Then, the FCM algorithm is used to classify the fault samples of PV array and the clustering centers of various faults are obtained. Finally, the FM algorithm is used to calculate the membership degree of the fault data about the clustering centers and determine the fault types. The simulation and experimental tests are both adopted to verify effectiveness of the methods. The results show that the proposed fault diagnosis method can effectively identify the typical faults of PV array and the diagnostic results are accurate and reliable. Key words: PV array; fault diagnosis; fuzzy C-means clustering; fuzzy membership degree0 引 言光伏电站故障主要集中在直流侧，严重影响电站的安全经济运行，目前光伏电站直流侧监控已达光伏阵列级别，部分智能光伏电站甚至达到了组件级。
《多层免疫模型及其在故障诊断中的应用研究》
《多层免疫模型及其在故障诊断中的应用研究》篇一一、引言在现代工业生产、生物医学以及航空航天等众多领域中，系统的故障诊断问题始终是一个关键问题。
传统诊断方法常常面临着诊断准确率不高、数据利用率低和算法效率差等挑战。
而基于免疫原理的多层免疫模型（Multilevel Immunity Model, MIM）近年来因其对复杂系统处理能力的强大优势而受到了广泛的关注。
本文旨在探讨多层免疫模型的理论原理及其在故障诊断中的应用研究。
二、多层免疫模型的理论原理多层免疫模型（MIM）借鉴了生物免疫系统的多层次防御机制，其基本原理包括三个层次：初级响应层、中级响应层和高级响应层。
每个层次都具有不同的功能和特性，协同工作以应对外部的威胁和攻击。
1. 初级响应层：这一层主要负责对系统进行实时监控，当系统出现异常时，初级响应层会立即做出反应，如触发警报等。
2. 中级响应层：在初级响应层响应后，中级响应层将根据系统的情况进行深入分析，寻找异常的原因和位置，并尝试修复问题。
3. 高级响应层：这一层主要负责学习和记忆，通过不断学习和总结过去的经验，提高系统的自我修复能力和对未来威胁的预防能力。
三、多层免疫模型在故障诊断中的应用多层免疫模型在故障诊断中的应用主要体现在以下几个方面：1. 数据处理与特征提取：多层免疫模型可以通过初级响应层对原始数据进行处理和预处理，提取出关键的特征信息，为后续的诊断提供基础。
2. 故障检测与定位：通过中级响应层的分析，多层免疫模型可以快速检测出系统的故障，并定位到具体的部位和原因。
3. 自我修复与预防策略：高级响应层可以根据历史经验和实时数据，对系统进行自我修复，并制定出有效的预防策略，以减少故障的发生。
四、应用案例分析以工业生产线中的机械设备为例，我们可以通过多层免疫模型对设备进行故障诊断。
首先，初级响应层可以实时监控设备的运行状态，当发现异常时立即发出警报。
然后，中级响应层通过分析设备的运行数据和历史数据，找出故障的具体原因和位置。
基于混合逻辑动态模型的PMSM系统开路故障诊断方法
第27卷㊀第8期2023年8月㊀电㊀机㊀与㊀控㊀制㊀学㊀报Electri c ㊀Machines ㊀and ㊀Control㊀Vol.27No.8Aug.2023㊀㊀㊀㊀㊀㊀基于混合逻辑动态模型的PMSM 系统开路故障诊断方法杜嘉晨,㊀樊启高,㊀黄文涛(江南大学物联网工程学院,江苏无锡214122)摘㊀要:针对永磁同步电机驱动系统功率器件开路故障问题,提出了一种基于混合逻辑动态模型和剩余电流的开路故障诊断方法,以提高永磁同步电机驱动系统的安全性与可靠性㊂通过研究电机驱动系统离散开关信号和连续电流状态变量,建立永磁同步电机系统的混合逻辑动态模型对电机电流进行估计;然后,利用估计模型与实际电流的残差极性与残差间的差值极性作为诊断特征量,通过查找设计的故障状态表以实现故障器件定位㊂该方法利用控制策略中已使用的变量实现开路故障诊断,避免使用额外的传感器,并且可有效消除转速和负载变化对诊断结果准确性的影响㊂仿真与实验结果表明,该方法具有诊断时间短㊁准确度高㊁鲁棒性强等优点,且诊断时间均小于基本电流周期的60%㊂关键词:永磁同步电机;故障诊断;开路故障;混合逻辑动态;模型;剩余电流DOI :10.15938/j.emc.2023.08.011中图分类号:TM351文献标志码:A文章编号:1007-449X(2023)08-0100-09㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2021-10-31基金项目:江苏省自然科学基金(BK20210475);中央高校基本科研基金(JUSRP121020)作者简介:杜嘉晨(1998 ),男,硕士研究生,研究方向为永磁同步电机驱动与故障诊断;樊启高(1986 ),男,博士,教授,博士生导师,研究方向为运动控制与机器人;黄文涛(1989 ),男,博士,讲师,研究方向为永磁电机驱动和模型预测控制㊂通信作者:黄文涛Open-circuit fault diagnosis for PMSM system based on mixedlogical dynamic modelDU Jiachen,㊀FAN Qigao,㊀HUANG Wentao(School of Internet of Things Engineering,Jiangnan University,Wuxi 214122,China)Abstract :In order to realize the safe and reliable operation of permanent magnet synchronous motor drive system,an open circuit fault diagnosis method based on the residual current of the mixed logical dynamic model is proposed in this paper.By studying the discrete switching signals and continuous current state variables,a mixed logic dynamic model of the motor drive system was established to estimate motor cur-rents.Then,the polarities of the errors between the estimated and the actual currents were extracted as the diagnostic features.The faulty switches can be located by searching for the designed fault status ta-ble.The variables used in the control strategy were used to realize fault detection avoiding additional sen-sors.Besides,the proposed approach can reduce the influence of loads.The simulated and experimental results show that the proposed method has the advantage of short diagnosis time,high accuracy and strong robustness.And the diagnosis time is less than the 60%of the fundamental current cycle.Keywords :permanent synchronous motor;fault diagnosis;open circuit;mixed logic dynamic;model;residual current0㊀引㊀言永磁同步电机(permanent magnet synchronous motor,PMSM)因其高效率㊁高精确度㊁高可靠性以及紧凑性好等优点,在电动汽车㊁航空航天㊁医疗以及军事中应用越来越广泛㊂在电机驱动系统中,功率半导体器件是最脆弱的环节,会威胁整个系统的安全可靠运行㊂因此,对功率器件进行实时和有效的检测至关重要[1-3]㊂功率开关器件的故障一般可分为短路故障和开路故障㊂短路故障发生的时间极短,通常功率变换器会配备硬件保护电路或快速熔断器对该类故障进行隔离,因此,短路故障也可转化为开路故障㊂目前,逆变器功率开关管故障诊断方法主要可分为基于电压信号的方法㊁基于电流信号的方法以及基于模型的方法㊂基于电压信号的方法一般诊断时间较短,一般在一个电流基波周期以内,但是需要在电路中增设额外电压传感器或者硬件电路,会增加驱动系统成本与提高系统的复杂性㊂此外,基于电压的方法也容易受到噪声㊁延迟以及死区时间的影响[4-6]㊂与基于电压信号的方法相比,基于电流信号的方法凭借其无需额外的传感器以及较强的适用性得到了广泛的应用㊂但是该方法的诊断时间与准确性通常与相电流有关,诊断时间为一到几个电流基波周期不等㊂基于电流的诊断方法一般利用电流信号㊁电流观测器或者基于电流的智能算法来实现故障的诊断与定位㊂其中电机电流分析法是一种通用故障分析方法,常用的方法有:电流频域分析法[7-8]㊁平均电流Park矢量法[9-10]㊁归一化直流法[11]等㊂该类方法通过对采集到的电流信息进行频谱分析㊁取平均值以及归一化等运算,从定子电流信息中提取能够用于故障诊断与定位的特征㊂电流频域分析法利用故障后的电流矢量轨迹斜率作为故障特征[10],以此判断开关管故障发生的位置㊂此方法算法简便,但容易受到负载扰动以及噪声影响,抗干扰性较差,实际工程中易出现误诊断情况,且只能针对单管故障进行诊断㊂Park矢量法与归一化直流法则能有效地降低负载以及噪声对诊断结果的影响㊂这两种方法从电流信号中提取故障特征,将三相定子电流信号转换成dq轴信号并对其进行取平均值等运算,然后对结果进行归一化处理,通过设置相应的阈值来判断是否发生故障㊂同时,设置多个特征量分别用于故障诊断与故障定位[11],能进一步提高诊断结果的准确性㊂该方法虽能降低负载扰动等对诊断结果的影响,但诊断阈值的设置需要根据电机以及驱动系统的参数来进行设置,此外以取平均值的方式得到的特征量,诊断时间通常在一个电流基波周期以上,快速性较差㊂随着人工智能的兴起,一些基于知识的方法也被用于故障诊断中,如神经网络[12]㊁小波变换[13]等,该类方法需要利用大量的数据进行训练,对计算性能的要求较高,适用性较差㊂为了进一步缩短诊断时间,基于模型的方法应运而生㊂在该类方法中,通常需要建立精确的估计模型,通过估计模型与实际参考值的比较,两者之间的残差一般可提取相应的故障信息㊂根据建立模型的变量不同,可分为电压模型[14]与电流模型[15-17]㊂基于电压模型的方法虽然具有快速性好的优点,在几个采样周期内即可完成诊断[14],但与基于电压信号的方法类似,其同样需要额外的传感器且抗干扰性能同样较差㊂基于电流模型的方法具有结构简单㊁无需额外传感器等优势,具有较强的适用性,典型的有混合逻辑动态(mixed logic dynamic,MLD)模型㊂该模型已经被广泛用于故障诊断算法中㊂文献[15]和文献[16]对单相整流器建立了MLD模型,利用估计模型与实际的残差进行故障诊断,结果表明,该模型能有效诊断单个开关管故障情况,诊断时间短㊁可靠性高㊂文献[17]则将其运用于三相PMSM驱动系统,以剩余电流的相角作为故障诊断特征量㊂该方法能将诊断时间缩短到电机电流基波周期的四分之一,然而,由于相角特征的局限性,因此只能对单桥臂的开关管故障实现诊断㊂针对上述问题,本文在文献[17]的基础上,提出一种基于MLD剩余电流的PMSM驱动系统开路故障诊断方法㊂首先,研究不同故障情况下MLD模型剩余电流极性的特征,对单个和多个开关管的开路故障情况进行分析;然后,利用剩余电流的极性辅以残差电流相间差值的极性进行故障诊断与定位;最后,通过仿真和实验验证所提方法的可行性㊂结果表明,此方法可有效诊断单个和多个开关管故障类型,且诊断时间均小于基波电流周期的60%㊂1㊀PMSM系统MLD模型1.1㊀PMSM数学模型两电平电压源型逆变器供电PMSM驱动系统101第8期杜嘉晨等:基于混合逻辑动态模型的PMSM系统开路故障诊断方法如图1所示㊂PMSM 通常为星型连接,PMSM 定子每相绕组可等效为电阻㊁电感与反电动势串联,电机的连续模型进而可表示为:u an =Ri a +L d i ad t +e a ;u bn =Ri b +L d i bd t +e b ;u cn=Ri c +L d i cd t+e c ㊂üþýïïïïïïï(1)式中:u an ㊁u bn ㊁u cn 为三相电压;i a ㊁i b ㊁i c 为三相绕组电流;e a ㊁e b ㊁e c 为三相反电动势;R 为绕组电阻;L 为绕组电感㊂图1㊀PMSM 驱动系统Fig.1㊀Diagram of PMSM drive system根据电路拓扑以及基尔霍夫电压定律,有:u an =u ag -u ng ;u bn =u bg -u ng ;u cn=u cg-u ng㊂üþýïïï(2)由于PMSM 绕组为星型连接,则i a +i b +i c =0,假设三相反电动势平衡,即e a +e b +e c =0,则由式(1)可得u an +u bn +u cn =0㊂(3)结合式(2),可以得到中性点n 对母线地g 点的电压u ng 为u ng=13(u ag +u bg +u cg )㊂(4)再将式(4)代入到式(2)中,可以得到三相绕组电压为:u an =13(2u ag -u bg -u cg );u bn =13(-u ag +2u bg -u cg );u cn =13(-u ag -u bg +2u cg )㊂üþýïïïïïï(5)1.2㊀MLD 模型在一定条件下,电机可简化为线性模型,而逆变器输出一定幅值和频率的电压脉冲序列是一个典型的非线性环节,因此,逆变器和电机构成了一个由离散事件驱动连续状态演化的混杂系统,可根据此系统建立混合逻辑动态模型㊂如果用s 1~s 6等效为开关管T 1~T 6的开关信号, 1 表示导通, 0 表示关断㊂电流流入绕组的方向为正,流出为负,则根据电流方向以及开关信号可确定绕组相电压㊂这里以A 相为例,a 点和g 点的电压u ag 与电流方向和开关状态的关系可由表1来表示㊂B 相与C 相同理㊂表1㊀MLD 模型关系表Table 1㊀Relation table of MLD model电流方向开关状态电压u agi a >0s 1=0,s 2=1u ag =0s 1=1,s 2=0u ag =V dcs 1=0,s 2=0u ag =0i a <0s 1=0,s 2=1u ag =0s 1=1,s 2=0u ag =V dc s 1=0,s 2=0u ag =V dc这里,引入新的辅助变量来表示电流极性:[δk =1]↔[i k >0];[δk =0]↔[i k <0]㊂}(6)其中k ={a,b,c}㊂三相逆变器有s 1~s 66个离散控制变量以及δa ㊁δb ㊁δc 3个离散条件变量,共9个逻辑变量,共有29种状态,以A 相为例,可以得到u ag 的数学表达式为u ag =V dc (s 1s 2δa +s 1s 2δa +s 1s 2δa )=V dc s 2(s 1+δa )㊂(7)式中:s j =1-s j ;δj =1-δj ;j ={1,2, ,6}㊂同理,三相绕组对地电压即MLD 模型为:u ag =V dc s 2(s 1+s 1δa );u bg =V dc s 4(s 3+s 3δb );u cg =V dc s 6(s 5+s 5δc )㊂üþýïïïï(8)将式(8)代入到式(5)中,得到系统离散输入向量为u =u an u bn u cn éëêêêùûúúú=V dc 32-1-1-12-1-1-12éëêêêùûúúúδ1δ2δ3éëêêêùûúúú㊂(9)201电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀其中δ1δ2δ3éëêêêêùûúúúú=s 2(s 1+s 1δa )s 4(s 3+s 3δb )s 6(s 5+s 5δc )éëêêêêùûúúúú㊂将其代入式(1)并化简可以得到用向量表示的电机驱动模型为i ㊃=Ai +B 1e +B 2δ㊂(10)式中:i =[i a ㊀i b ㊀i c ]T为三相定子电流;定子反电动势e =[e a ㊀e b ㊀e c ]T ;状态系数矩阵A =diag (-R /L ,-R /L ,-R /L );连续输入系数矩阵B 1=diag(-1/L ,-1/L ,-1/L );离散输入系数矩阵B 2=V dc 32-1-1-12-1-1-12éëêêêùûúúú㊂对于PMSM,转子d 轴领先于α轴的电角度记为θ,则PMSM 的反电动势为e =-ωe ψf [sin θsin(θ-2π3)sin(θ+2π3)]T㊂(11)式中:ωe 为电机电磁角速度;ψf 为永磁磁链㊂2㊀故障诊断与分析2.1㊀诊断原理根据第1节的分析可以知道电机驱动系统属于一个典型的混杂系统,由离散控制变量和连续条件变量确定电路拓扑㊂当出现故障情况时,系统的状态将会发生改变,与正常状态下出现偏差㊂由此,可以构造系统状态估计模型,根据估计模型与实际值之间的残差来进行故障的诊断㊂诊断原理图如图2所示㊂图2㊀诊断原理图Fig.2㊀Diagnostic schematic diagram在正常状态下,状态估计模型与实际状态是一致的㊂故障发生后,离散输入向量δ发生改变,实际系统的输入量可记做δᶄ,而估计模型的输入向量仍为δ,会导致状态估计模型与实际值产生偏差,产生状态残差,用式(10)描述的实际系统减去状态估计模型得到的电流,可得状态残差方程为i ~㊃=A i ~+B 2(δᶄ-δ)㊂(12)式中:i ~=i -i ^为系统残差;i 为实际电流;i ^为估计模型得到的电流;δᶄ为实际系统离散输入向量;δ为状态估计器的离散输入向量㊂2.2㊀开路故障分析根据开关管发生故障的位置与数量的不同,一共有21种不同的故障状态㊂可分为以下4类:1)故障情况1:单个开关管开路故障,共有6种状态;2)故障情况2:两个不同桥臂开关管开路故障,一个在桥臂上方,一个在桥臂下方,共有6种状态;3)故障情况3:两个不同桥臂开关管开路故障,两个均在桥臂的上方或下方,共有6种状态;4)故障情况4:两个同一桥臂开关管开路故障,共有3种状态㊂根据式(12),对4种故障情况的剩余电流进行详细分析,以提取特征信息㊂2.2.1㊀故障情况1以A 相桥臂上方开关管T 1开路为例,当故障发生时,相当于s ᶄ1ʉ0,可以得到实际系统离散输入向量为δᶄ=s 2δa s 4(s 3+s 3δb )s 6(s 5+s 5δc )éëêêêêùûúúúú㊂(13)则残差方程变为i ~㊃=A i ~+V dc s 1s 2δa 3L -211éëêêêùûúúú㊂(14)假设三相状态残差的初始值均为0,求解式(14)微分方程可得:i ~a =-2V dc s 1s 2δa3L (1-e -R L t );i ~b =V dc s 1s 2δa 3L (1-e -R L t);i ~c=V dc s 1s 2δa 3L(1-e -R L t)㊂üþýïïïïïïï(15)301第8期杜嘉晨等:基于混合逻辑动态模型的PMSM 系统开路故障诊断方法由式(15)可以得到三相剩余电流具体数学关系以及极性等特征:i ~a =-2i ~b =-2i ~c ɤ0㊂2.2.2㊀故障情况2以A 相桥臂上方开关管T 1以及B 相桥臂下方开关管T 4开路为例,当故障发生时,相当于s ᶄ1=s ᶄ4ʉ0,此时实际系统离散输入向量为δᶄ=s 2δas 3+s 3δbs 6(s 5+s 5δc )éëêêêêùûúúúú㊂(16)残差方程变为i ~㊃=A i ~+V dc 3L 2-1-1-12-1-1-12éëêêêùûúúú-s 1s 2δa s 4(s 3+s 3δb )0éëêêêêùûúúúú㊂(17)三相电流残差为:i ~a =V dc3L [-2s 1s 2δa -s 4(s 3+s 3δb )](1-e -R L t );i ~b =V dc 3L [s 1s 2δa +2s 4(s 3+s 3δb )](1-e -R L t);i ~c=V dc 3L [s 1s 2δa-s 4(s 3+s 3δb )](1-e -R L t )㊂üþýïïïïïïï(18)从式(18)可以确定电流的极性有i ~a ɤ0,i ~b ȡ0,而i ~c 的极性无法由解析表达式准确判断㊂2.2.3㊀故障情况3以A 相桥臂上方开关管T 1以及B 相桥臂上方开关管T 3开路为例,当故障发生时,相当于s ᶄ1=s ᶄ3ʉ0,与情况I 和情况II 类似,可以得到三相电流残差为:i ~a =V dc3L (-2s 1s 2δa -s 3s 4δb )(1-e -R L t );i ~b =V dc 3L (s 1s 2δa -2s 3s 4δb )(1-e -R L t);i ~c=V dc 3L(s 1s 2δa +s 3s 4δb )(1-e -R L t )㊂üþýïïïïïïï(19)此类故障情况可准确判断极性的特征为:i ~c ȡ0,而i ~a 和i ~b 的极性无法由解析表达式确定㊂2.2.4㊀故障情况4以A 相桥臂两个开关管T 1以及T 2开关管开路为例,当故障发生时,相当于s ᶄ1=s ᶄ2ʉ0,可以得到三相电流残差为:i ~a =2V dc 3L (s 2δa -s 1s 2δa )(1-e -R L t );i ~b =-V dc 3L (s 2δa -s 1s 2δa )(1-e -R L t);i ~c=-V dc 3L(s 2δa -s 1s 2δa )(1-e -R L t)㊂üþýïïïïïïïï(20)此类故障情况的特征为:i ~a =-2i ~b =-2i ~c ,但三相电流残差的极性同样无法由解析表达式确定㊂3㊀故障定位根据上文所述,发生不同开路故障时三相剩余电流的表达式呈现出不同特征㊂从剩余电流的极性角度判断,即可分类与识别出情况1㊁2和3的具体故障类型与故障状态,引入一新变量σk 来进行故障的定位㊂这里,如果电流极性为正,则σk =1,极性为负,则σk =-1,其他情况如故障情况2中的C 相剩余电流,则σk =0㊂诊断变量与剩余电流的数学表达式为:σk =1,i ~k >τ;-1,i ~k <-τ;0,其他㊂ìîíïïïï(21)式中:k ={a,b,c};τ为阈值㊂由于故障情况4中σk 均为0,无法识别出具体故障状态,于是,引入辅助判断特征量ζl 来进行断相故障定位㊂这里选取三相剩余电流的相电流差值的极性作为辅助判断变量㊂为了减少计算量,这里只选取A 相与B 相㊁A 相与C 相之间的差值作为辅助判断变量,分别记为ζ1㊁ζ2,与故障诊断特征量相似,判断公式为:ζl =1,Δi >τ;-1,Δi <-τ;0,其他㊂ìîíïïï(22)式中:l ={1,2};τ为阈值㊂根据以上分析,可以得出具体的故障表如表2和表3所示㊂401电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀表2㊀第1~3类故障表Table2㊀Detection results for types1~3故障情况故障开关管判断变量σ1σ2σ3故障号1T1-1111 T21-1-12 T31-113 T4-11-14 T511-15 T6-1-1162T1T4-1107 T1T6-1018 T2T31-109 T2T510-110 T3T601-111 T4T50-11123T1T300113 T1T501014 T3T510015 T2T400-116 T2T60-1017 T4T6-10018表3㊀第4类故障表Table3㊀Detection results for type4故障情况故障开关管判断变量辅助变量σ1σ2σ3ζ1ζ2故障号4T1T20001119 T3T40001020 T5T600001214㊀仿真与实验4.1㊀仿真结果在MATLAB/Simulink中搭建使用矢量控制的PMSM驱动系统,电机仿真参数如表4所示㊂仿真中,负载转矩设置为1.5N㊃m,即62.5%额定转矩,转速参考设置为1800r/min㊂图3为模拟在0.02s时T1开关管发生开路故障时定子电流㊁剩余电流以及故障号的波形㊂从图中可以得到,在模拟故障发生后,A相电流失去正半周期电流波形,同时,B㊁C两相电流发生轻微的畸变,剩余电流从正常状态下的零值左右开始发生变化,说明故障发生后,估计模型与实际值之间有偏差,通过故障诊断方法的计算,得到故障号为1,查故障表2得到T1开关管发生开路故障,与模拟故障情况一致,且诊断时间为0.11ms,为1.33%电流基波周期㊂图3㊀T1故障仿真波形Fig.3㊀Simulated results for open-circuit fault in T1图4为模拟在0.02s时T4和T5同时发生开路故障的仿真波形㊂从图中可以看到,故障发生后,B 相失去下半周期波形,C相失去上半周期波形,同时剩余电流也不再为0,根据电流极性得出故障号最终稳定在12,查故障表2得到与设置一致的故障类型㊂诊断时间约为3.41ms,为40.94%基波电流周期㊂501第8期杜嘉晨等:基于混合逻辑动态模型的PMSM系统开路故障诊断方法图4㊀T4和T5故障发生波形Fig.4㊀Simulated results for open-circuit faults in T4and T54.2㊀实验结果为了验证所提出诊断方法的有效性,对此方法进行了实验验证㊂实验平台如图5所示,此平台主要由PMSM㊁控制器㊁逆变器以及计算机组成㊂对拖的两台PMSM中一台作为测试电机,另一台作为负载电机,参数与表4中一致;控制器为Rtunit数字控制系统,其软件与MATLAB/Simulink配套,以TMS320F28346DSP为主处理器;逆变器中的功率器件为英飞凌FP40R12KT3IGBT模块,相电流由型号为KEN TBC-DS5的电流传感器采集,电机实际转子位置由增量编码器获得,采样频率为10kHz㊂实验中,除特殊说明外,实验中参数设置为给定转速1200r/min,负载1.68N㊃m(70%额定负载)㊂综合考虑采样精确度与电机参数对诊断快速性和准确性的影响,实验中阈值τ设置为3㊂图5㊀实验平台Fig.5㊀Experimental platform表4㊀PMSM参数Table4㊀Parameters of PMSM图6为故障情况1中T2开关管开路故障时,A 相实际电流㊁A相估计电流㊁A相电流残差以及故障号的实验波形㊂在正常运行状态下,A相实际电流与估计电流均为正弦波,其幅值与相位相似,因此,电流的残差在0左右轻微波动,此时故障号始终为0,即正常运行状态㊂当模拟故障发生后,A相丢失上半周期电流波形,此时估计电流虽发生畸变,但仍包含正负分量,因此,电流残差迅速发生变化并超过阈值τ,B相与C相类似,得到的故障诊断变量经过计算得到故障号为2,查表2得T2开关管发生开路故障与实际一致㊂从模拟故障发生到正确检测到故障用时约2.16ms,为基波电流周期的17.28%㊂图6㊀T2故障实验波形Fig.6㊀Experimental results for open-circuit fault in T2601电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀图7为故障情况2中T 1和T 4开关管开路故障时的实验波形㊂模拟故障发生后,A 相电流丢失正半周期电流波形,估计电流几乎保持不变,同时电流残差迅速发生变化,经过诊断方法的计算,用时5.60ms 将故障状态正确诊断出来,查表2得与实际情况一致,诊断时间约为44.8%基波电流周期㊂图7㊀T 1和T 4故障实验波形Fig.7㊀Experimental results for open-circuit faults in T 1and T 4图8为故障情况3中T 1和T 3开关管开路故障时的实验波形㊂模拟故障发生后,A 相电流丢失正半周期电流波形,并且A 相电流残差迅速减小并小于阈值-τ,同时故障号指示为13,查表2得T 1与T 3开关管发生故障,与实际一致,用时7.34ms,为基本电流周期的58.72%㊂图8㊀T 1和T 3故障实验波形Fig.8㊀Experimental results for open-circuit faults in T 1and T 3图9为故障情况4中T 5和T 6开关管同时故障时,C 相实际电流㊁C 相估计电流㊁A 相与C 相电流差值以及故障号的实验波形㊂当模拟故障发生后,C 相电流完全丢失为0,估计电流仍为正弦波,但有轻微的畸变,同时相电流的差值也呈现正弦波的形态,并超过阈值τ,故障诊断结果为21,查表为C 相断相故障,与实际情况一致,历时5.68ms,为基波电流周期的45.44%㊂图9㊀T 5和T 6故障实验波形Fig.9㊀Experimental results for open-circuit faults in T 5and T 6图10为正常状态下转速突变的实验波形㊂在本实验中,转速由原先的1200r /min 突然降至600r /min,从波形中可以看到,转速变化过程中,实际电流与估计电流都发生变化,但实际电流变化幅度更大,二者的差异即体现在残差波形上㊂当残差变化幅度超过阈值τ,引起了短暂误诊断,随后诊断信号又变为0㊂速度给定变化后,经过半个基波周期,实际电流与估计电流均趋于稳定㊂由于实际电流的较大畸变导致了电流残差超过了阈值,系统出现了误诊断,但大约6.82ms 后,故障号又指示成为正常状态,历时54.56%电流基波周期㊂图10㊀转速给定变化实验波形Fig.10㊀Experimental waveforms under speed variationconditions图11为正常状态下负载转矩突变的实验波形㊂在该实验中,由重载(3.6N㊃m)即1.5倍的额定转矩突降至空载,实际电流与估计电流的幅值均有所减小,但电流残差的变化范围仍在阈值范围之内,因此,并没有出现误诊断的情况㊂701第8期杜嘉晨等:基于混合逻辑动态模型的PMSM 系统开路故障诊断方法图11㊀转矩变化实验波形Fig.11㊀Experimental waveformsunder load variation conditions5㊀结㊀论本文提出了一种基于MLD模型电流残差的永磁同步电机驱动系统开路故障诊断方法㊂该方法利用MLD估计模型与实际电流之间的电流残差作为诊断特征量,分析了不同故障状态下电流残差的特征,从中提取可以用于实现诊断的特征量,即残差的极性㊂由于断相故障的特殊性,另外引入了相电流残差的差值作为辅助诊断变量㊂仿真与实验证明,该方法能正确检测和定位单个以及多个开关管的开路故障,且诊断时间均小于基波电流周期的60%㊂此外,此方法对运行工况变化具有鲁棒性㊂参考文献:[1]㊀赵文祥,程明,朱孝勇,等.驱动用微特电机及其控制系统的可靠性技术研究综述[J].电工技术学报,2007,22(4):38.ZHAO Wenxiang,CHENG Ming,ZHU Xiaoyong,et al.An over-view of reliability of drive system for small and special electric ma-chines[J].Transactions of China Electrotechnical Society,2007, 22(4):38.[2]㊀HENAO H,CAPOLINO G,FERNANDEZ C,et al.Trends infault diagnosis for electrical machines:a review of diagnostic tech-niques[J].IEEE Industrial Electronics Magazine,2014,8(2):31.[3]㊀YANG Shaoyong,BRYANT A,MAWBY P,et al.An industry-based survey of reliability in power electronic converters[J].IEEE Transactions on Industry Applications,2011,47(3):1441. [4]㊀马铭遥,凌峰,孙雅蓉,等.三相电压型逆变器智能化故障诊断方法综述[J].中国电机工程学报,2020,40(23):7683.MA Mingyao,LING Feng,SUN Yarong,et al.Review of intelli-gent fault diagnosis methods for three-phase voltage-mode inverters [J].Proceedings of the CSEE,2020,40(23):7683. [5]㊀WANG Xueqing,WANG Zheng,XU Zhixian,et prehen-sive diagnosis and tolerance strategies for electrical faults and sen-sor faults in dual three-phase PMSM drives[J].IEEE Transactions on Power Electronics,2019,34(7):6669.[6]㊀HANG Jun,ZHANG Jianlong,CHENG Ming,et al.Detectionand discrimination of open-phase fault in permanent magnet syn-chronous motor drive system[J].IEEE Transactions on Power E-lectronics,2016,31(7):4697.[7]㊀安群涛,孙力,孙立志,等.三相逆变器开关管故障诊断方法研究进展[J].电工技术学报,2011,26(4):135.AN Quntao,SUN Li,SUN Lizhi,et al.Recent development of fault diagnosis methods for switches in three-phase inverters[J].Transactions of China Electrotechnical Society,2011,26(4):135.[8]㊀陈勇,刘志龙,陈章勇.基于电流矢量特征分析的逆变器开路故障快速诊断与定位方法[J].电工技术学报,2018,33(4):883.CHEN Yong,LIU Zhilong,CHEN Zhangyong.Fast diagnosis and location method for open-circuit fault in inverter based on current vector character analysis[J].Transactions of China Electrotechni-cal Society,2018,33(4):883.[9]㊀JORGE O,ANTONIO J.A new approach for real-time multipleopen-circuit fault diagnosis in voltage source inverters[J].IEEE Transactions on Industry Applications,2011,47(6):2487.[10]㊀HUANG Wentao,DU Jiachen,HUA Wei,et al.Current-basedopen-circuit fault diagnosis for PMSM drives with model predic-tive control[J].IEEE Transactions on Power Electronics,2021,36(9):10695.[11]㊀YAN Hao,XU Yongxiang,ZOU Jibin,et al.A novel open-cir-cuit fault diagnosis method for voltage source inverters with a sin-gle current sensor[J].IEEE Transactions on Power Electronics,2018,33(10):8775.[12]㊀GAO Yating,WANG Wu,LIN Qiongbin,et al.Fault diagnosisfor power converters based on optimized temporal convolutionalnetwork[J].IEEE Transactions on Instrumentation Measure-ment,2021,70:1.[13]㊀于生宝,何建龙,王睿家,等.基于小波包分析和概率神经网络的电磁法三电平变换器故障诊断方法[J].电工技术学报,2016,31(17):102.YU Shengbao,HE Jianlong,WANG Ruijia,et al.Fault diagno-sis of electromagnetic three-level inverter based on wavelet packetanalysis and probabilistic neural networks[J].Transactions ofChina Electrotechnical Society,2016,31(17):102. [14]㊀ZHOU Dehong,YANG Shunfeng,TANG Yi.A voltage-basedopen-circuit fault detection and isolation approach for modularmultilevel converters with model-predictive control[J].IEEETransactions on Power Electronics,2018,33(11):9866. [15]㊀GE Xinglai,PU Junkai,GOU Bin,et al.An open-circuit faultdiagnosis approach for single-phase three-level neutral-point-clamped converters[J].IEEE Transactions on Power Electron-ics,2018,33(3):2559.[16]㊀GOU Bin,GE Xinglai,WANG Shunliang,et al.An open-switchfault diagnosis method for single-phase PWM rectifier using amodel-based approach in high-speed railway electrical tractiondrive system[J].IEEE Transactions on Power Electronics,2016,31(5):3816.[17]㊀AN Quntao,SUN Li,SUN Lizhi.Current residual vector-basedopen-switch fault diagnosis of inverters in PMSM drive systems[J].IEEE Transactions on Power Electronics,2015,30(5):2814.(编辑:邱赫男)801电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀。
《多层免疫模型及其在故障诊断中的应用研究》
《多层免疫模型及其在故障诊断中的应用研究》篇一一、引言在现代工程系统中，故障诊断是保障系统正常运行和提高系统可靠性的重要环节。
然而，随着系统复杂性的增加，传统的故障诊断方法往往面临诸多挑战。
多层免疫模型作为一种新型的、模仿生物免疫系统的诊断方法，其在故障诊断领域的应用越来越受到重视。
本文将首先对多层免疫模型进行介绍，然后详细探讨其在故障诊断中的应用研究。
二、多层免疫模型简介多层免疫模型（Multilayer Immune Model）是一种模仿生物免疫系统特性的模型。
生物免疫系统具有高度的自适应性、辨识能力和自我修复能力，能够在复杂环境中有效地应对各种挑战。
多层免疫模型将生物免疫系统的这些特性引入到工程系统中，以实现对复杂系统的有效诊断和保护。
多层免疫模型主要包括三个层次：感知层、处理层和决策层。
感知层负责收集系统信息，包括正常工作状态下的数据和异常情况下的数据。
处理层通过算法对收集到的数据进行处理和解析，提取出有用的信息。
决策层根据处理层提供的信息，做出相应的决策，如识别故障、自我修复等。
三、多层免疫模型在故障诊断中的应用多层免疫模型在故障诊断中的应用主要体现在以下几个方面：1. 故障识别：多层免疫模型通过感知层收集系统信息，利用处理层中的算法对信息进行解析和比对，从而识别出系统中的故障。
这种识别方法具有较高的准确性和灵敏度，能够在早期发现潜在的故障，为故障的及时处理提供了有力支持。
2. 自我修复：当多层免疫模型识别出故障后，决策层会根据预设的规则和策略，自动启动自我修复机制。
这种机制包括对故障部分的隔离、修复或替换等操作，以保障系统的正常运行。
3. 适应性强：多层免疫模型具有较强的适应性，能够根据不同的系统和环境进行自我调整和优化。
这种适应性使得多层免疫模型在面对复杂多变的故障情况时，能够快速做出准确的判断和决策。
4. 并行处理能力：多层免疫模型具有并行处理能力，能够在同一时间内处理多个故障或问题。
mFM介绍
6、 存储节点的高容量警报将导致与它输入端相连的传送节点的低 流量警报；导致与它输出端相连的传送节点的高流量警报。 7、 存储节点的泄漏将会导致它本身的容量变低。
8、 存储节点的填充将会导致它本身的容量变高。
9、 平衡节点的泄漏将会导致与它的输出端相连的传送节点的低流 量警报，与它的输入端相连的传送节点的高流量警报。
警报状态的校验
在进行故障警报分析与诊断之前首先要保证警报的状态正确 条件检验
G1 M1 M1 G1
F1
F2
F3 G2
F4
F5
F6
F7
F1
F2
F3 G2
F4
F5
F6
F7
E1
E1
F8
F9 (a)
F10
F8
F9 (b)
F10
总结算法规则如下：对于MFM中每 个条件，如果与之连接的目标不能被 实现，那么检查条件连接的功能节点 是否可以用警报分析规则和条件属性 进行解释，如果不能被解释，说明子 目标的网络或被连接的功能节点可能 存在错误的警报。
Y
是否完成 Y 是否所有节点都被标记 N A不是根源警报
Y A是根源警报
是否到最右边的警报节点 Y 结束
N
得到下一个警报节点
基于MFM的火力发电系统故障诊断流程图
以失效功能节点A开始，标记它 Y 状态是否冲突 N 是否标记 Y N
找到A的第一个连接的节点
利用规则，分析警报节点A与此节点
对此节点进行标记
建 立 多 级 流 模 型
对 模 型 的 校 验
测量校 验算法 研究
故障警报 分析与诊 断算法
火力发电 故障诊断 系统开发
系统进 行实例 验证
基于MFM的故障诊断模型的研究
基于MFM的故障诊断模型的研究摘要：多级流模型将复杂系统分解为不同的功能层，相互之间通过完成关系、实现关系和条件关系相连接。
本文通过研究MFM中流的基本属性、功能节点分组及MFM的建模方法，建立变电站的MFM模型。
关键字：MFM 故障诊断模型1. MFM模型基于多级流模型（Multilevel Flow Models, MFM）的故障诊断方法，是把整个生产过程抽象成广义的“流”，根据生产系统物质流、能量流以及信息流等变化推断故障源[1]。
目前，MFM已经成功应用于复杂系统的故障诊断。
2.MFM建模的理论基础多级流模型是一种基于目标的层次化、图形化的建模方法，它将真实的物理系统以物质流、能量流、信息流的形式进行抽象，然后使用一些特定的图形符号来描述系统过程的目标、功能以及设备单元，从而对系统的生产、运行过程进行建模。
MFM对系统主要进行三个层次的描述：目标、功能、设备元件 [2]。
在电力系统中，应用较多的功能节点有：源、目标、传输、存储、平衡、汇、连接节点、观测者、决策者、管理者及操作者等，如图1所示。
图1 常用功能节点每个功能模型通过流网络以特定的连接关系与一个或多个目标模型连在一起，以完成系统的目标。
同样，目标模型也能通过特定的条件关系与一个或多个功能模型连接起来，表明此目标为该功能实现的前提。
目标、功能和设备元件之间是多对多的关系，概括起来说，主要有：达成关系、条件关系、实现关系等。
多级流模型的建模思想是把生产过程抽象成广义的“流”，以系统目标与实现目标的功能为模型主体，建立复杂流程工业系统的抽象层次模型。
以“流”作为建模的主线，它主要可分为：能量流、物质流、信息流[3]。
因为多级流建模是一种基于目标与功能的建模方法，子目标的实现是总目标实现的前提条件，所以，可以把大系统分解成若干个子系统。
子系统的目标即为子目标，子目标的实现要靠多种功能共同完成。
3.简单电力系统MFM简化模型分析下面以一个简单电力系统的简化MFM模型为例，说明MFM建模的机理，对MFM的建模过程进行验证。
基于SDG和MFM的主风机组报警分析建模研究
关系 的实现通常是另一个功能节点正常工作的前提
实际测量值，将各节点测量值与该节点的上下限阈值比较，当某
节点测量值超过阈值上限时其状态为“+”，当某节点测量值低于
多级流模型的建模思想是根据系统要达到的目标及设备元 阈值下限时其状态为“-”，当某节点测量值在上、下限阈值之间， 件的功能，将生产过程抽象成物质流、能量流以及信息流等 。 [16] 其状态为“0”。从出现报警的偏离点开始搜索节点 xi：为代表任意
离核的谱聚类算法，并将该算法应用到天然气压缩机转子故障 中不同类型信号的分类中，实验结果表明：
督式学习算法不 基于欧式加权距离核
同，该算法在计 的谱聚类算法
0.8239
15
（1）基于欧式加权距离核的谱聚类算法考虑了样本点内部 特征属性，克服了传统谱聚类算法的缺陷，在样本空间分布复
算过程中，不需 传统谱聚类算法（σ=1） 0.1485 33.75
多级流模型不仅强调了部分与整体的关系，更明确的表达了系 统目标与功能之间关系。MFM 建模流程见图 1。
三、SDG 模型推理算法 基于 SDG 模型的故障报警分析最大的优点在于它的完备
正在进行搜索的节点，把 xi 放入栈 S，该堆栈 S 初始化为易产生大量报警信号[1]。因此，如何分析报警关系，确定系统 证相结合的混合推理方法，揭示故障传播路径。
的运行状态是一项既重要又困难的任务。马杰等[2]采用基于多层
目前常用的报警分析方法只注重分析结果的正确性，缺乏对
流模型的方法分析报警元件，采用因果图原理对报警部件进行深 分析过程及分析结果的可理解性的关注。基于符号有向图（SDG）
尺度参数 σ 分别取值 1，5，10。为准确评价各聚类结果，依据式 结果影响较大。
基于多级流模型的故障诊断技术研究的开题报告
基于多级流模型的故障诊断技术研究的开题报告一、选题背景随着信息化时代的到来，现代工业生产系统已经变得越来越复杂，由此带来了更高的维护和故障排查难度。
因此，工业系统故障诊断技术的研究成为了极具应用价值和研究前景的热点领域。
多级流模型是工业生产过程中普遍存在的一种复杂的流程模型，它由多个相互关联的子流程组成，每个子流程都包含多个任务和状态，形成了一个完整的生产系统。
通过对多级流模型进行建模和分析，可以对生产系统中的故障进行定位和诊断，从而在维护和故障排查方面提高效率，降低生产成本。
二、研究内容本研究将采用基于多级流模型的故障诊断技术，通过对多级流模型进行建模、分析和优化，提高故障定位和诊断的准确性和效率。
具体研究内容如下：1. 多级流模型的建模方法研究：结合生产过程中的实际应用情况，设计多级流模型的建模方法，并构建具有代表性的多级流模型。
2. 多级流模型的分析与优化研究：通过对多级流模型的分析和优化，提高生产系统的生产效率和质量，同时减少故障和停机时间。
3. 基于多级流模型的故障诊断技术研究：利用多级流模型的分析结果，研究故障定位和诊断算法，实现对生产系统故障的快速准确诊断。
4. 系统设计与实现研究：设计和实现基于多级流模型的故障诊断系统，包括系统架构、数据采集与处理、算法实现等方面。
三、研究意义本研究的意义主要体现在以下几个方面：1. 提高生产效率和质量：通过对多级流模型的分析和优化，实现对生产系统的优化和提升，减少无谓的停机时间和流程瓶颈，提高生产效率和质量。
2. 实现对生产过程的实时监测和诊断：基于多级流模型的故障诊断技术，可以快速、准确地定位故障，并采取相应的措施解决问题，从而保证生产过程的连续性和稳定性。
3. 推动智能制造的发展：本研究提出的基于多级流模型的故障诊断技术，将为智能制造的发展提供技术支持。
四、研究方法本研究将采用以下研究方法：1. 文献资料法：调研与多级流模型建模、分析、优化和故障诊断相关的文献资料，了解前沿技术和研究进展。
基于Mamdani模糊神经网络的相敏轨道电路故障诊断方法研究
基于Mamdani模糊神经网络的相敏轨道电路故障诊断方法研究陆晓峰;王小敏;李光耀【摘要】Addressing the uncertainty and fuzziness of 25 Hz phase-sensitive track circuit faults, this paper proposes an improved track circuit fault diagnosis method based on Mamdani fuzzy neural network. The adaptive-momentum BP learning method is used to train and optimize model parameters with the derivation process and the setting of initial value of system parameters is discussed. Simulation results show that under the same experimental conditions, the improved method reduces the training error and effectively improves the stability and convergence speed of the learning process. Application of this method to 25 Hz phase-sensitive track circuit faults diagnosis is of high feasibility.%针对25 Hz相敏轨道电路故障的不确定性与模糊性，提出一种基于Mamdani模糊神经网络的轨道电路故障智能诊断改进方法。
采用自适应动量BP学习调整法对模型参数进行训练优化，给出推导过程，并讨论系统参数初始值的设定。
- 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、"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、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)。
基于MFM的故障诊断模型的研究
发表时间：2016-08-25T16:02:40.417Z 来源：《电力设备》2016年第12期作者： 1罗成 2牟春晓 3孙睿 4许潇 5曹东亮 6李雪
[导读] 多级流模型是一种基于目标的层次化、图形化的建模方法，它将真实的物理系统以物质流、能量流、信息流的形式进行抽象。
1罗成 2牟春晓 3孙睿 4许潇 5曹东亮 6李雪艳
（1、2、4、5、6国网山东省电力公司检修公司 264000 ; 国网山东省电力公司东营供电公司 257000）
摘要：多级流模型将复杂系统分解为不同的功能层，相互之间通过完成关系、实现关系和条件关系相连接。
本文通过研究MFM中流的基本属性、功能节点分组及MFM的建模方法，建立变电站的MFM模型。
关键字：MFM 故障诊断模型
1. MFM模型
基于多级流模型（Multilevel Flow Models, MFM）的故障诊断方法，是把整个生产过程抽象成广义的“流”，根据生产系统物质流、能量流以及信息流等变化推断故障源[1]。
目前，MFM已经成功应用于复杂系统的故障诊断。
2.MFM建模的理论基础
多级流模型是一种基于目标的层次化、图形化的建模方法，它将真实的物理系统以物质流、能量流、信息流的形式进行抽象，然后使用一些特定的图形符号来描述系统过程的目标、功能以及设备单元，从而对系统的生产、运行过程进行建模。
MFM对系统主要进行三个层次的描述：目标、功能、设备元件 [2]。
在电力系统中，应用较多的功能节点有：源、目标、传输、存储、平衡、汇、连接节点、观测者、决策者、管理者及操作者等，如图1所示。
图1 常用功能节点
每个功能模型通过流网络以特定的连接关系与一个或多个目标模型连在一起，以完成系统的目标。
同样，目标模型也能通过特定的条件关系与一个或多个功能模型连接起来，表明此目标为该功能实现的前提。
目标、功能和设备元件之间是多对多的关系，概括起来说，主要有：达成关系、条件关系、实现关系等。
多级流模型的建模思想是把生产过程抽象成广义的“流”，以系统目标与实现目标的功能为模型主体，建立复杂流程工业系统的抽象层次模型。
以 “流”作为建模的主线，它主要可分为：能量流、物质流、信息流[3]。
因为多级流建模是一种基于目标与功能的建模方法，子目标的实现是总目标实现的前提条件，所以，可以把大系统分解成若干个子系统。
子系统的目标即为子目标，子目标的实现要靠多种功能共同完成。
3.简单电力系统MFM简化模型分析
下面以一个简单电力系统的简化MFM模型为例，说明MFM建模的机理，对MFM的建模过程进行验证。
简单电力系统的示意图如图2所示。
图2 简单电力系统示意图
电力系统的供电过程是：发电机发出电能，通过母线输送到线路，然后再通过母线输送到负载。
系统主要由发电机C1、母线C2和C5、线路C4、负载C6和保护C3组成。
本文主要以其两个目标进行举例说明：G1是系统的主目标——维持负载正常供电；G2是系统的子目标——为线路提供保护。
电力系统的目标、功能节点及设备元件间的关系如上文分析的是多对多的关系。
它们之间的关系主要有：设备元件C1-C6和功能节点Fl-F10间的实现关系，目标G1与功能节点F1-F7间的达成关系，子目标G2与功能节点F4的条件关系以及功能节点间的连接关系。
考虑到实际电力系统的复杂性，可以将电力系统分模块建模，主要的模块有发电机、线路、母线、保护和负载。
各个模块的模型如图3所示，这些模块之间可以相互连接，其中母线模块可以根据母线上具体的出现调整出线的多少，保护可以具体到保护的类型。
用模块表示简单电力系统的模型比较繁琐，但是在复杂电力系统中，用模块表示就会比较规范并且模型容易搭建。
4.结论和展望
鉴于MFM故障诊断的规则一致、运行速度快，诊断深入、准确、可靠性较高，对于电力系统这类具有流特性，而可靠性要求较高的系统，具有很大的实用性。
参考文献：
[1]张健德, 杨明, 张志俭. 基于多层流模型的核电站警报分析系统的开发[J]. 核科学与工程, 2008, 28(1): 66-74
[2]刘仲宇. 基于多级流模型的故障诊断技术研究[D]. 杭州: 浙江大学. 2008
[3]石浪涛, 赵云. 多级流模型(MFM)在传感器故障诊断中的应用[J]. 嘉兴学院学报, 2008, 20(6): 87-90。