基于故障树机车系统级故障诊断技术研究.docVIP

基于故障树机车系统级故障诊断技术研究 　　摘 要：随着我国列车技术突飞猛进的发展，车载设备的复杂性和相互之间的耦合关系也日趋复杂，对于故障诊断提出了更高的要求，以往针对单一设备的故障诊断已无法很好满足需求。因此，需要从整车的层面上，对列车的运行状态进行实时监控。本文在分析电力机车整车故障状态特点的基础上，结合诊断技术与专家系统理论，以电力机车整车故障诊断为目标，针对专家知识获取困难，规则搜索匹配效率低等问题，深入研究电力机车故障诊断的知识库、知识表示及推理机，设计了基于故障树和规则的电力机车故障诊断专家系统。 　　关键词：故障树，专家系统，电力机车 　　中图分类号：TP274 文献标识码：A 文章编号：1006-8937（2016）21-0022-04 　　随着列车运行速度不断提高，列车运行安全不仅是铁路工作者、科研人员所关注的问题，也是所有普通民众所关注的问题。任何设备都可能产生故障，单凭技术人员的感觉来检测难以满足现代故障诊断要求。本文基于现代检测技术、专家系统以及智能故障诊断技术，构建了电力机车故障诊断专家系统，实现对电力机车故障进行及时有效诊断，并给出故障处理意见，减小故障损失[1]。 　　1 系统级故障诊断专家系统基本思路 　　1.1 基本框架 　　故障树分析以前主要应用于分析系统故障原因，计算系统的可靠度，以优化系统设计，因此，在系统可靠性分析与设计中得到广泛应用。近年来，利用故障树模型进行故障源搜寻的研究引起了极大关注。 　　由于故障树易于分析事件，而基于规则的专家系统匹配推理直观速快，因此，本文提出了以故障树来分析和获取知识，以规则匹配来进行推理的诊断专家系统，其结构如图1所示。 　　1.2 知识库规则的获取 　　然后通过寻找对象故障树的所有最小割集，将故障树的每一个最小割集转换为知识库中的一条规则，其基本步骤，如图2所示。 　　求出故障树最小割集是获取专家系统规则的关键所在。常用由上而下的故障树搜寻法求解故障树最小割集，采取从上到下遇到“与门”就将“与门”下面所有的输入事件排成一行，遇到“或门”就把“或门”下面所有输入事件排成一排，依此类推，直到不能分解。以牵引电机电流不平衡故障树为例来说明相应知识库规则的获取。电流不平衡故障树如图3所示，其编码简化形式，如图4所示。 　　首先按自上而下搜索法，获取故障树的全部最小割集为： 　　（B003600010001）、（B003600010002）、（B003600020003）、（B003600020004）、（B003600020005）、（B003600010006）、（B003600030007）、（B003600030008）、（B003600030009）、（B003600020010）、（B003600020011） 　　可以看出，由于在故障树中，节点之间都是或逻辑关系，所以每一个叶子节点都构成一个最小割集，共11个。因此可得牵引电机电流不平衡专家规则共11条： 　　①IF B003600010001 THEN F0036； 　　②IF B003600010002 THEN F0036； 　　③IF B003600010003 THEN F0036； 　　………………… 　　11 IF B003600020011 THEN F0036； 　　通过同样的方法，可获取电力机车其他故障专家规则，并保存在规则表中，供故障诊断推理机利用。 　　2 故障诊断知识库 　　2.1 知识的表示 　　因为电力机车故障的诊断知识适合采用基于产生式规则的形式来表示；此外，由于其故障诊断知识数量繁多，故障类型复杂，需要将知识分类存储以提高推理速度和效率。因此，通过引进框架来弥补产生式规则这方面的缺点。这里把框架分为两种，一种是直接框架，框架类别为0，一种是间接框架，框架类别为1，如图5所示。 　　其中，框架号一般为对应事实号，框架名称为对应事实名称，父槽为父节点的框架名；槽类型为本事件与子事件的逻辑联系关系，若该事件为底事件，则槽类型为0。以牵引电机电流不平衡诊断知识的框架为例，如图6所示。 　　2.2 知识库框架 　　本节对关系型数据库的规则和框架的存储技术进行研究。本系统的知识库将由下面几个数据库表组成。 　　①数据字典表。数据字典表的作用是将全部条件和结论编码成符号形式。这样一方面可有效提升搜索与推理速度；另一方面不仅节省存储空间，还便于数据库程序的编写。本文所采用的具体编码规则为：顶事件编码=“F”+自身4位数字编码，如电流不平衡事件为F0036；中间事件编码=“M”+顶事件4位数字编码+自身4位数字编码，如电流故障不平衡事件编码为底事件编码=“B”+中间事件8位数字编码+自身4位数字编码，如硅元