基于模糊概率petri网的故障诊断算法研究.docVIP

基于模糊概率petri网的故障诊断算法研究 　　摘要：分析研究了具有概率信息的模糊petri网的故障诊断方法，利用概率信息消除反向诊断过程中冲突消解问题的同时，针对不确定逻辑的故障相关性，建立了具有不确定逻辑关系的模糊概率petri网模型，从而拓展了petri网的描述能力，提出了一种改进的反向诊断新算法，提高了诊断准确度。并以一个实际的故障诊断例子，对该诊断算法进行了说明，证明了方法的准确性和可行性。 　　Abstract: It analyzed and researched fault diagnosis method based on probability information with fuzzy petri nets, using probability eliminated the reverse problem conflict resolution in the diagnostic process, while the uncertain logic relationship established uncertainty fuzzy logic probability petri net model, which expands the ability of petri net description and proposes a new algorithm to improve the reverse diagnosis algorithm, improving diagnostic accuracy. And with a practical example of fault diagnosis, the diagnosis algorithm is described, demonstrating the accuracy and feasibility of the method. 　　关键词：模糊概率网；故障诊断；规则推理 　　Key words: fuzzy probability net；fault diagnosis；rule-based reasoning 　　中图分类号：TP39 文献标识码：A文章编号：1006-4311（2010）33-0161-01 　　 　　1用petri网进行故障的知识描述 　　对于用来描述故障传播的petri模型，模糊概率petri网进入了可信度，阀值以及概率三个关键的概念和相应参数，简要介绍如下： 　　定义1（可信度）根据E.H.Shortliffe等人提出的不确定推理方法，表示在故障征兆F出现时，某故障原因C成立的可信任程度，记为CF，其范围是[0，1]。 　　定义2（阀值）表示推理规则可用的最低要求，也就是该故障能引发征兆的最低条件。记为?姿，取值范围为[0，1]。 　　定义3（概率）用于表示多个故障对征兆的支持程度的不同，或者说各故障导致征兆发生的频率或重要程度不同。记为Pr，取值范围为[0，1]。 　　2模糊概率petri网的诊断推理过程 　　本文提出一种改进的更周全的petri网故障诊断推理算法，此算法是基于如下三种简单的诊断推理方法： 　　①正向逻辑关系为If di，then di+1：诊断中遵循先反向推理的顺序，由于引起对应于库所Pi+1的故障征兆的故障原因只有库所Pi对应的故障原因，显然Pr=1，则Cpi=1，即完全可信，必有Cpi?姿，推理规则肯定成立，即命题di为真，thenCPi+1=Cpi*Cti=Cti；②正向逻辑关系为If C1，or C2，or C3，then F。反向推理时，首先查询n=3个库所输入弧对应的变迁触发概率Pr，选择最具可能性的故障库所Pi作为推理路径，然后通过人机对话，用户根据实际故障输入对应命题的可信度Cpi，并把此库所赋予标记di=-1，表明已访问了此库所；③正向逻辑关系为If C1 and C2，then F。 　　因为输入库所是联合“并”的关系，所以当用户回答的∑Cpi?姿，才能认为是两个故障同时引起的征兆，此种情况下，两条弧的变迁置信度都是同一个值。 　　若∑Cpi?姿，则Cpi+1=∑Cpi*Cti。 　　其它规则都可以通过上述几种规则结构进行合成转化而得到。 　　3实例分析 　　以某指控设备的计算机故障诊断众多规则中一部分为例，运用模糊概率petri网的诊断算法来进行死机故障的定位。该指控设备由显示模块、操控模块、计算机模块以及外围接口模块组成，死机现象知识库包含的规则，用模糊Petri 网表示如图。 　　各变迁的激活阀值均设为?姿=0.7，变迁可信度和触发概率在图中已给出。图中起始库所集合PS={p1，p2，p3，p4，p6，p7，p8}，目标库所集合为