基于IHMCAP算法的一个故障诊断模型.pdfVIP

基于IHMCAP算法的一个故障诊断模型 何佳洲周志华陈兆乾 (南京大学计算机软件新技术国家重点实验室，南京210093) 摘要本文在故障集和与之对应的差错属性集的基础上，构造系统的故障模型，用IHMCAP 算法寻找属性值与故障类型之间的对应关系，由此对故障进行诊断。理论分析及应用表明， 该方法不仅精度高、通用性好、学习能力强，而且在利用系统的先验知识与动态数据上也 ● 取得了均衡。 关键词机器学习，神经网络，故障诊断 ● 1·引言 由于运行环境和工作条件的限制，对任何系统而言，故障的产生是不可避免。因此， 为保证系统正常运行，故障诊断已经成为系统必不可少的重要组成部分。 狭义上，故障诊断包括两层含义即故障检测和故障定位，前者是指测试一个系统，判 断其是否存在故障，而后者则是指在前者的基础上进一步定位故障点。广义上，故障诊断 的内容，除了包含要判断系统有无故障以及故障产生后找到故障部位，还包含对故障特性 的分析以及所采取的措施，例如让系统降功能运行，或中断系统运行防止故障的传播和灾 难性事故的发生。 故障诊断的主要方法有：依赖于动态模型的方法和不依赖于动态模型的方法。 依赖于动态模型的方法【lJ，由于要求控制系统的动态过程能用数学模型来描述，因而 应用受到很大限制。实际中广泛采用的是不依赖于动态模型的方法，其种类繁多。包括专 家系统方法【2】、故障树诊断方法13]、人工神经网络方法p】、模式识别方法、模糊数学方法等 等。 上述各种诊断方法均不同程度地存在以下缺点：(1)缺乏通用性。由于依赖于动态模 型的方法、专家系统的方法、故障树诊断方法与具体的系统密切相关，而不同的系统采用 神经网络诊断时，网络类型与结构也不一样，因此，针对一种系统开发的诊断系统，在移 植到其它系统时会遇到很大困难：(2)系统先验知识和动态数据的利用不均衡。表现在要么 过分地依赖于系统的先验知识，如动态模型的方法、故障树诊断方法等，要么对系统的先 验知识利用较少，如神经网络方法；(3)学习能力不足。动态模型的方法、故障树诊断方法 ● 等缺乏学习能力，而专家系统中的知识库系统搜索效率低的固有缺点，以及一般的神经网 络在学习时易陷于局部极小，也导致这一类系统通常只有较低级的学习能力。 增量式IHMCAP算法，运用分类的观点处理故障诊断问题。其优点是：首先建立一个 通用故障模型，通过寻找属性值与故障类型的对应关系对故障进行诊断，从而保证通用性； ● 其次由于该算法采用符号学习与神经网络相结合的策略，因此，不仅较合理地利用系统的 先验知识．而且使之在与动态数据利用上取到了均衡；同时又由于其具有增量学习能力， 可以对新增故障类型进行学习，因此确保了系统具有较强的学习能力。 969—— 2·基于I洲c^P算法故障诊断模型 2．1故障模型…”1 故障伴随着系统的产生而产生，故障在系统运行时，以差错和失效的形式表现出来。 系统失效则系统必然出现差错，反之则不然。就象系统出了差错后不一定失效一样，故障 系统有时也可能不出差错。最好的故障诊断方法是在系统尚未出差错时，就将故障诊断出 来，例如，修正软件的编译错误、事先发现电路上的虚焊等。事实上，相当数量的故障， 直到系统出现差错、失效以之：F崩溃时，人们才会意识到它们的存在。因此，人们通常更 关心动态情形下对系统故障的诊断。 令Fs是系统S的故障集，殿={五，／i，厶，…，正)，兀表示无故障，这里将无故障● 作为一种特殊的故障类型。 ASi=／Aj|A飘蛙作为S的动态疆性．能表示由馥蹲{j导致钓差错1 IV_AS=[A。／Ak弱性作为S鹊输入羁性．能决定S动态特性i -N_ AS 4S’=IlAS．，爿S=AS’1)IN