基于模糊Petri网的故障诊断系统的研究

《基于模糊Petri网的故障诊断系统的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

摘要随着科技的飞速发展，现代生产和生活中用到的设备越来越先进。设备能否有效的运行，关系着经济效益甚至人们的生命安全。因此，有必要对故障诊断技术进行研究。由于故障诊断知识本身具有不确定性、不精确性，如何表示故障知识以及对其进行推理，是故障诊断系统需要解决的关键问题。．．Petri网作为一种图形化建模工具，可以很直观地表示系统并发、动态行为。将Petri网引入故障诊断领域，具有重要的理论价值和现实意义。模糊Petri网作为Petri网应用的一个重要拓展，不但具有Petri网的图形描述能力，而且继承了模糊系统强大的模糊推理能力。非常适合用模糊Petri网来表示故障诊断中的不确定的模糊信息，进行推理。本文将模糊Petri网与故障诊断技术相结合，对以下内容作了重点研究：1．简要地介绍了故障诊断技术，讨论了主要的故障诊断方法。介绍了Petri网与模糊Petri网的基本原理。2．分析了基于传统Petri网的故障诊断技术的不足，提出一种适合故障诊断特点的基于模糊Petri网的诊断方法。提出的初始库所模糊token值的确定方法，能够量化不精确的，非定量的信息，有效地解决推理过程中关于传播路径的选择问题。根据诊断知识表示和推理的特点，建立的变迁点火机制与故障诊断反向推理算法，能够实现有效地推理，找出故障传播路径。3．以电梯故障诊断为实例，来验证所提出的故障诊断算法的有效性与可行性。关键词：故障诊断；模糊Petri网；电梯故障诊断；反向推理；token值 L ABSTRACTWiththerapiddevelopmentofscienceandtechnology，theequipmentusedinindustryorlifeismoreandmoreadvanced．ItisimportantthatthekeyequipmentcanoperateingoodstateSOastoimprovetheindustrialeconomicbenefits，eventhesafeofpeople’Slife．Therefore，itisnecessarytoresearchfaultdiagnosismethods．Thediagnosisknowledgehassomefeaturessuchasuncertaintyandinaccurate．Howtoexpressandreasoningthediagnosisknowledgeisakeyproblemwhichneededtobesolvedinthefaultdiagnosissystem．Petrinet，asagraphicalmodelingtool，whichcanrepresentconcurrence，asynchronyinintuitiveway．IthasveryimportanttheoreticalvalueandparacticalsignificancetousePetrinetintofaultdiagnosis．FuzzyPetrinets，asaveryimportantdevelopmentofPetrinet，notonlyhavethedescribeability，butalsoinheritethegreatfuzzyreasoningability．ItisverysuitabletousefuzzyPetrinetsforexpressingandreasoningfuzzyinformation．Basedonthecharacteroffaultdiagnosis，thePetrinetisappliedtothefieldoffaultdiagnosis．Researchworkinthethesisfocuson：1．Introducethefaultdiagnosissystem，theknowledgeofPetrinetandfuzzyPetrinet．2．AmethodbasedonthefuzzyPetrinetisputforwardbyanalyzingtheapplicationlimitsoftraditionalPetrinetinthefaultdiagnosisfields．Aneffectivewayisdevisedforcomputingfuzzytokens，whichhastheabilitytoexpressfuzzyinformation．Wecanusethismethodtosolvetheproblemoffaultpropagationchosen．Atlast，atransitionfiredalgorithmandabackward-reasoningalgorithmisputforward，whichcanappliedforknowledgereasoningandfindout’faultpropagationroutes．3．Usetheexampleofelevatorfaultdiagnosistoconfirmthefeasibilityandvalidityofthismethod．II Keywords：faultdiagnosis；fuzzyPetrinet；elevatorfaultdiagnosis；backwardchaining；tokensIII 目录摘iIj；．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．I—jLBSTRACT．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．II第一章绪论1．1课题的背景和研究意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1·1．2国内外研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯21．2．1目前主要的故障诊断方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．21．2．2Petri网在故障诊断中的应用⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．51．3本课题研究任务和创新点⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．61．4本论文的结构安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯7第二章故障诊断原理及技术基础2．1设备故障诊断的基础理论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯82．1．1设备的系统构成⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．82．1．2设备故障诊断的相关概念⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一82．1．3设备故障的分类⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯102．1．4设备故障的特性⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．102．2设备故障诊断的知识构成和求解策略⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．112．2．1设备故障诊断的知识构成⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯112．2．2设备故障诊断的求解策略⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．122．3设备故障诊断的技术基础⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．122．3．1设备诊断技术的内容⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯122．3．2设备诊断技术的类型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯132．3．3设备故障信息的获取方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．142．3．4设备故障的检测方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．14第三章Petri网理论研究3．1Petri网简介⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯153．2Petri网的基础知识⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．153．3Petri网的特性⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯173．4模糊Petri网基本原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯19 3．4．1模糊Petri网定义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯193．4．2模糊Petri网库所集中token初始值的确定方法⋯⋯⋯⋯⋯⋯⋯⋯⋯19第四章模糊Petri网故障诊断研究4．1传统Petri网在故障诊断应用中存在的局限性⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯264．2故障知识的表示⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．274．3变迁的点火算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一304．4推理与决策机制⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一314．5与已有的故障诊断方法的比较⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯37第五章基于模糊Petri网诊断实例5．1基于模糊Petri网的电梯故障诊断建模⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．395．2电梯故障诊断中的反向推理过程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一42第六章结论与展望6．1结论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯456．2进一步的工作及展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯46参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯47致j射⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．52附录A攻读硕士学位期间发表论文目录⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯53附录B攻读硕士学位期间所参加的项目⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯54 【．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．一 第一章绪论1．1课题的背景和研究意义随着现代工业的发展与科学技术的进步，在实际生活与生产中，现代设备越来越先进，朝着结构复杂，功能完备，自动化程度高等趋势发展。但是，由于设备受到外界和内在许多无法预知的因素影响，设备往往会出现各种各样的故障，导致其无法正常的工作。设备发生故障时，有可能引起连锁反应，造成严重的人力伤亡和巨大的经济损失，给社会的发展带来不良的影响。近些年来，系统发生故障，带来严重的后果的事情时有发生。如泄露、空难、大面积停电等。1984年12月3日，印度的博帕尔农场发生了毒气泄漏事件，有20万人生活受到了严重的影响，其中直接导致了上千人死亡。在l986年4月的前苏联切尔诺贝利核电站核泄漏事件，也带来了恶劣的影响，造成的直接经济损失多达30亿美元。当场有就两人死亡，而参加救援的83．4万工作人员中，30多万人因受到放射影响失去生命，7万多人变成了残疾。1986年1月28日，美国航天飞机“挑战者"号发生爆炸；从1998年8月到1999年5月期间，美国的运载火箭发射经历了五次失败经验；2003年2月1日美国航天飞机“哥伦比亚"号空中解体，这些事件都给美国的航天计划带来了沉重的打击。2003年8月14日，美国和加拿大都因电网故障导致电力系统全面崩溃，造成了大范围的停电，给人们的生活带来不便，也造成了巨大的经济损失。这一系列的恶性事件的发生，迫使我们想方设法提高设备的可靠性以及安全性。运用设备故障诊断技术，对各种异常状况或故障状态做出及时地与正确的诊断，能够提高设备运行的可靠性、有效性以及安全性，充分延长设备的使用寿命，从而降低设备的周期成本。简而言之，设备故障诊断的目的就是为了保证设备的正常运行以及获取更大的社会效益和经济效益。德国的CarlAdamPetri先生提出的Petri网，作为一种图形化的建模工具，可以描述并发、动态系统的普遍现象，在各领域得到了广泛的应用。系统故障的产生与传播恰好是一个典型的并发、动态行为，将Petri网应用到故障诊断非常适合。复杂设备的故障诊断中，存在着大量的不确定信息，例如故障发生的随机性、故障征兆的模糊性，诊断经验知识的不确定性、不一致性和不完备性等。模糊Petri 网结合了Petri网的图形描述能力以及模糊系统的模糊推理能力，使得知识的表示简单清晰，且便于知识的分析、推理及决策支持等，因此，将模糊Petri网应用于故障诊断，具有非常重要的理论价值和现实意义。目前，国内．外关于模糊Petri网的故障诊断还处于探索阶段，还需要后来者的深入研究，不断充实这一方面的成果。1．2国内外研究现状到了20世纪，随着生产的发展，设备的复杂程度和技术水平大大提高，这时出现了定期维修。大约在60年代，美国军方意识到了定期维修存在的问题，当设备还能正常运行时，他们就对设备进行监控，发现潜在的故障因素，便于提前采取措施来防止突发性的故障发生。很快许多企业纷纷效仿这种方式，于是，设备故障诊断技术得以发展。电子技术、快速傅里叶变化、信号处理与人工智能等技术的发展，都促使了设备故障诊断技术的发展。70年代末，我国的故障诊断技术开始发展，虽然比起其他国家，起步较晚，但是发展较快，在某些设备的诊断研究方面颇具特色。设备故障诊断技术从早期依靠各种直接检测手段来达到诊断目的，慢慢的发展为依靠积累经验的诊断过程，到现在的基于知识的智能化的故障诊断技术，经历了多个阶段。目前，国内外有很多学者对故障诊断的研究做出巨大的努力，取得重要的成果。故障诊断技术已经涉及数理、计算机、力学、微电子技术、控制技术、信息处理与人工智能等多个学科【11。1．2．1目前主要的故障诊断方法根据国内外的研究状况，现有的故障诊断方法，可以分为三大类：1．基于信号的方法这种方法，概括起来可以分为两类，第一种诊断方法是基于直接的可测信号的，根据直接的可测的输入、输出信号以及它们的变化趋势来诊断故障，如果输入、输出信号以及变化趋势总是保持在一定的范围内，这种情况是正常的。如果超出了规定的范围，就说明系统中存在故障。第二种诊断方法是基于信号处理技术的诊断方法【z4l。一般是通过信号模型来分析可测信号，提取特征值，从而检测出故障。小波属于一种常见的信号模型，小波变换对噪声的抑制能力非常强，2 灵敏度非常高，而且运算量不大，是一种可行性很高的方法。文献【5】阐述了小波变换在工程应用中的具体含义，并且通过介绍其在故障诊断中的信号非平稳性分析的应用，以及通过瞬间过程检测和奇异点检测的仿真示例，证明了小波变换在故障诊断中对非平稳信号的时域局部细节的刻划能力。2．基于解析模型的方法基于解析模型的方法，发展较早，研究最全面，是应用得较早的一种故障诊断方法。在这种方法中，需要得到被诊断对象的可测信息与系统先验信息，而系统的先验信息通常由其解析模型表达。通过比较这两种信息，形成残差，然后对残差进行处理分析，从而实现故障诊断。基于解析模型的方法有一般有三种【6．，1。第一种为状态估计诊断法，其原理是，检测系统的参数变化形成残差，再根据从残差中提出的故障特征来实现故障诊断。常用的状态估计法很多，包括滤波器方法、自适应非线性观测方法与未知输入非线性观测器方法等。第二种为参数估计诊断法，在参数估计诊断法中，通过辨识系统模型参数以及参数变化的统计特性来检测故障。文献【8】中提到了多种参数估计诊断法，如极大似然估计法、互相关法、最小二乘法、辅助变量法、自适应算法和随机逼近法等。还有一种为一致性检验法，在这种方法中，需要求系统能观性子空间和该子空间的正交补以及系统的输出信号，首先通过已有的状态方程求取前两者，然后将系统的输出信号投影到正交补上，这样就能形成残差，最后从残差的特征来判断故障类型，从而实现故障诊断。3．基于知识的方法人工智能的发展，导致了基于知识的故障诊断方法的诞生。基于知识的方法一般有如下几种。(1)专家故障诊断系统近年来，专家系统方法在故障诊断领域中应用得较为广泛。专家系统一般由知识库‘综合数据库、推理机制、解释机制以及知识获取系统五个部分构成。其中知识库用来存储领域知识、专家知识以及经验常识等知识。诊断知识库包括了产生规则和诊断参数两部分，规则是专家的启发式经验知识，体现故障现象与故障原因之间的关系[gAol。推理机实质上是一组计算机程序，控制和协调整个系统。推理机决定着如何选用知识库中的知识，对用户所提供的证据按照一定的策略推 理，求解当前的问题。推理机制决定了知识处理水平的高低以及诊断效率的高低，能够从已有的知识或者事实中得出新的信息，从已知信息中得出蕴含的故障性质的描述。数据库中的数据由已知的信息、用户输入的信息以及推理得到的中间结果组成。诊断解释接口对推理路线与推理结论做出必要的解释，便于用户的理解。文献[11】将数据库技术、推理机与面向对象的方法有机地结合在一起，建立了基于产生式规则的汽车故障诊断专家系统。(2)模糊故障诊断方法文献【12】中概括了模糊故障诊断方法，主要包括基于模糊模型的诊断方法、基于模糊推理的诊断方法以及基于模糊模式识别诊断方法等。将模糊逻辑引入故障诊断中，可以克服诊断信号的不确定性与不精确性带来的困难，所以在处理复杂系统的大时滞、时变以及非线性方面，显示出了它的优越性。然而，这种方法存在着明显的不足，当对复杂的系统进行故障诊断时，建立正确的模糊规则和隶属度函数需要花费很长时间。(3)神经网络故障诊断方法在神经网络故障诊断中，故障特征信号对应着神经网络输入，诊断结果对应着神经网络输出。根据已有的故障征兆和诊断结果，就可以对神经网络进行离线训练，这样，这两者的对应关系可以通过神经网络的权值来记忆。将离线训练得到的故障征兆加到神经网络的输入端，就可以实现故障诊断，得到故障诊断结果。每个故障类型必须与输出神经元相对应，否则出现新的故障类型时，系统就无能为力。(4)故障树故障诊断方法故障树分析法中，按照树枝状逐层细化系统故障的形成原因。故障树的最顶端是容易发生的故障状态，最底端是不能再细分的底事件，从上至下遵循逐层分解的原理。故障诊断方法优点表现在：知识库很容易动态的修改，并且能够保持一致性。选择规则的搜寻上可以使用概率推理，以便提高诊断效率。诊断技术不受领域的限制，只要根据相应的故障树，就能够实现诊断。缺点表现在，故障树诊断方法中，必须要保证故障树的完整性与正确性，诊断结果与这两者存在着依赖关系。这种方法不能诊断无法预知的故障。(5)基于事例推理诊断方法4 作为一种新的推理技术，事例推理是通过已有的经验实例来指导解决新问题，建立一个有效的实例组织方式与实例索引机制非常关键。从实例中提取规则．不需要人为的干预，降低了知识获取的负担，大大提高了解题的速率。(6)基于图论的故障诊断方法文献[13]介绍基于图论的故障诊断的主要方法有两种：一种是基于故障传播有向图的诊断，其基本原理是将系统对象抽象成图中相应节点，并把系统元件间的故障传播关系抽象化为有向边，将系统模型化为图实现故障诊断。另一种是基于符号有向图的诊断，其基本原理是将系统元件状态变量定义为图的节点，并用相关联的节点关系来表示图的边，赋值“+"、“．”、“O’’来指明两者之间的关系。如果系统的任一节点处于非零状态，则表明系统发生故障，然后基于故障一致边原理进行判断，可以实现故障分离，并找到故障源以便排除。在实际化工过程中，由于系统动态特性复杂，操作条件多变，基于符号有向图的故障诊断方法具有不可比拟的优势，但相比其他的故障诊断方法，其精确度有所欠缺。(7)基于灰色理论的故障诊断方法灰色理论故障诊断，实质上是将预测系统看作为一个灰色系统，然后利用已知信息预报含有故障模式的不可知信息的特性、工作状态以及发展趋势。灰色理论包括了灰色预测、灰色关联度分析、灰色聚类以及灰色决策，其中，灰色关联度分析法因为其算法简单，能够编程实现，算法不需要过多的人工干预，样本数量要求小等优点，得到广泛的应用。(8)基于粗糙集的故障诊断方法粗糙集理论于上世纪80年代提出，是一种数学分析工具，能够应用到不精确、不完整等类型的数据分析当中，发现隐含在这类数据中的知识与潜在规律。粗糙集理论运用当中，除了数据自身提供的信息外，不需要其它任何先验知识，这样为处理不确定信息又提供了一条有效的途径。因此，在故障诊断中的知识发现与获取中广泛地应用了粗糙集理论。1．2．2Petri网在故障诊断中的应用Petri网首先由德国数学家CarlAdamPetri于1962年在他的博士论文提出，发展至今，成为一种具有严密数学基础的建模工具。Petri网不仅有比较完善的理论和数学方法，而且具有并发、不确定和异步等特性。利用Petri网能够实现有效的5 知识表示与推理。这些年来，国内外许多研究人员对于用Petri网来表示知识尤其是具有因果关系的知识进行了广泛的研究。现在已经有各种方法通过采用扩充的Petri网来对基于规则的系统进行知识的表示与校验。文献[14．21】的研究表明，Petri网非常适合描述系统动态和行为的改变，而故障是以设备状态和行为变化为特征的，故障产生和传播恰好是一个动态行为，用Petri网可以很好地表示系统状态和行为的变化关系，准确地描述系统的产生和传播特性，所以，Petri网非常适合于诊断中的知识表示。模糊Petri网作为Petri网的一个重要分支，被广泛地应用于各大领域的系统故障诊断中。文献[22．23]建立了Petri网模型，对汽车发动机的故障诊断进行了研究，从而缩小了诊断范围，最终实现汽车故障诊断效率和实时性的提高。在文献[24】中，应用模糊Petri网来解决电网故障诊断中不确定性问题。文献[25]将自适应模糊Petri网与有色Petri网相结合，用于电网故障诊断当中，提高了诊断效率，保证了供电稳定和电网安全运营。文献[26]提出了一种基于禁忌搜索算法的模糊Petri网的鱼雷电子系统故障诊断方法。首先优化模糊Petri网参数，然后根据库所信度大小进行故障推理，从而实现故障定位，并将其应用到鱼雷电子系统的故障诊断系统中。文献【27】提出利用模糊Petri网对航天系统进行故障诊断，并给出了基于模糊Petri网的故障传播模式模型及反正向结合的推理算法。文献【28．29]将模糊Petri网运用到电梯故障诊断中。文献【30】使用回归支持向量机(RSVM)对电梯在不同运行状态下的专家诊断数据进行训练，得到与电梯状态相对应的FPN诊断网络权值。Petri网的并行推理功能，在实时在线故障诊断技术中发挥了重要的作用。近年来，这种方法越来越受关注，模糊Petri网在故障诊断方面具有较好的前景。1．3本课题研究任务和创新点本课题的研究任务主要是：深入分析故障诊断技术的原理，根据故障诊断技术与模糊Petri网的特点，将二者相结合，建立基于模糊Petri网的故障诊断算法，来分析故障的产生与传播过程，对诊断知识进行表示与推理。研究电梯的基本工作原理、可能发生的故障及机理，利用电梯故障诊断来验证该算法的可靠性以及有效性。本课题的创新点体现在：6 7 第二章故障诊断原理及技术基础各种设备的构成不同，应用的领域不同，工作方式的不同，这些差异会导致所使用的诊断方法不同。因此，对于故障诊断技术而言，必须对故障诊断建立一套相对统一的诊断理论、方法以及策略。2．1设备故障诊断的基础理论2．1．1设备的系统构成根据系统论的观点，设备的系统是指，有限个“元素"通过彼此之间的相互联系，并且按照一定的规律构成。系统中的“元素"是指，系统的子系统，或是更深层次、下一级子系统，或者组成子系统最基本的物理元件。系统中元素与元素之间的相互联系，决定了系统的基本性质特点。在工程应用中，按照设备的构成与功能划分，可将系统划分为简单系统、复合系统以及复杂系统三类。从构造上来看，简单系统是由若干个物理元件通过确定的联系组成，而复合系统由若干个简单系统构成，组成方式可以是多层次的，而层次之间的联系是确定的。复杂系统由多个子系统构成，并且按照多层次的组合方式进行组合，而且层与层之间的联系也是不确定的。从功能上来讲，简单系统输入与输出之间存在的关系，是由构造系统的定量的或者逻辑的因果关系所决定。复合系统与简单系统存在着许多相似的特点。而复杂系统的输出与输入之间的关系一般不是严格的定量的或者逻辑的因果关系。2．1．2设备故障诊断的相关概念l、设备故障许多文献上对设备故障的定义表述都不相同，至今没有统一的说法，但有几种认可度比较高的规定，如国标(GB3187—82)规定：给定层次级上的子分系统“丧失规定的功能”，或者其输出与预期的输出不匹配，称为系统设备故障⋯】。电子工业部(sJ-2166—82)的规定：一般情况下，系统设备故障是指，系统设备在正常工作条件下，不能完成规定的任务与功能，或者一项和几项性能参数不能保8 持在预期规定的额定范围内，或者完成设备功能的机械零器件，元器件和结构体单元发生破裂、断裂与卡死等损坏状态。除了上述对故障的定义外，国内外许多学者从不同的角度出发，给出各自对设备故障的定义。一种是从被测对象出发，将一个系统的故障定义为输入与预期的输出存在矛盾。一种观点是从设备维修的角度出发，将设备故障定义为设备运行的功能失常，包括系统的或者局部的功能失效，通过调整参数或者更换产生故障的零部件，可以使系统的功能得以恢复。2、设备的故障诊断．“设备的故障诊断，指的是在一定的工作环境下查明导致设备规定功能失调的、所指定层次的子系统或者联系的不正常状态。一般情况下，上一层次的故障起源于下一层次的故障。因此，进行故障诊断时，必须考虑系统层次之间的相关联状态。3、系统的特征信号在系统的行为中，与系统的功能紧密联系的那部分信号，称之为系统特征信号。系统无故障时的输出称为正常的输出，此时的特征信号称为正常的特征信号。而当系统有故障时，此时的输出称为异常的输出，对应的特征信号称为异常的特征信号。特征信号包含了系统中相应的元素、联系的相关信息。在设备故障诊断技术中，如何去选择包含信息量多的特征信号，非常重要。4、系统的征兆对特征信号加以处理而提取到的信息即为系统的征兆，提取到的信息可以直接用于诊断系统设备的故障中。根据已知的征兆判定设备的类型，找出故障所在部位的过程，就是故障诊断的过程。因此，在故障诊断中，如何有效地提取征兆非常重要。5、故障的传播过程系统设备中的异常输出以及异常特征信号的传播过程称为故障的传播。系统中的某元素与它相关联系发生故障时，不管它的输入信号是否正常，它的输出必定是错误的，异常的。这种异常的输出作为上一层次系统的输入元素时，必然又会导致其它元素以及相关联系的异常。这样层层牵连，会进一步激发上一层次的系统故障。如果故障在传播过程，有多个异常输出，多条传播路径，则会产生异9 常信号的混合叠加，异常信号传播过程中的交互影响是极为复杂的现象，因此，在设备故障诊断中必须理清各层次之间的相互关系。2．1．3设备故障的分类设备在实际工作中，会产生各种各样的故障，为了方便故障的诊断，设备故障可以按不同的分类方式来进行分类处理，这里介绍六种主要的分类方式：按故障存在时间的程度划分，可以分为暂时性故障与永久性故障。其中暂时性故障具有间断性特点，通过简单参数处理就可以让系统恢复正常功能。永久性故障必须修复或更换某些受损的元器件才能消除故障；按故障发生及发展的进程划分，可以分为突发性故障与渐发性故障。其中突发性故障发生偶然，时间短暂，一般带有破坏性。渐发性故障具有一个缓慢发生的过程，有一定的规律性，可以通过对设备早期的工作状态信息进行监测来防范此类故障；按故障造成结果的严重程度划分，可分为破坏性故障与非破坏性故障；按故障发生的原因划分，可分为内因故障与外因故障；按故障相关性划分，可分为相关性故障与非相关性故障。相关性故障是由设备其它部件引起的。非相关性故障则是因零部件的本身直接因素引起的：按故障发生的时期划分，可分为早期故障、使用期故障以及后期故障。早期故障在设备投入运行初期就暴露出来。使用期故障是设备在有效寿命期内正常工作时发生的故障，设备故障多数处于这种工作状态。后期故障是因设备的零部件逐渐磨损，疲劳，老化等原因使系统功能退化的故障，发生在设备使用的后期阶段。2．1．4设备故障的特性设备故障具有多种特性，其中主要包括层次性、放射性、传播性、相关性、延时性以及不确定性等。(1)层次性，对复杂的设备而言，其结构和功能可以划分为若干层次，因此，设备故障和征兆具有层次性。‘(2)放射性，由于系统设备中某一子系统或者某一部位的故障，而造成其他相应关联层次与部件出现异常。(3)传播性，设备故障传播有横向传播和纵向传播两种方式，横向传播层次内表示的同一层次内的元件引起的功能异常；纵向传播具有层次感，从系统最小10 元素单元的故障引起，先后造成部件一一子系统一一系统的故障。(4)相关性，系统的故障与对应的征兆之间存在着复杂的关系，可能某一故障对应若干征兆，或者某一征兆对应许多故障，由于设备故障与征兆之间并非是一一对应的关系，使得设备故障诊断变得更加困难。(5)延时性，故障的发生，发展以及故障的传播，每个环节都需要一定的时间。因此造成了故障的延时性。通过对故障的传播时间的判断，可以初步确定故障的性质和位置；通过设备故障发生与发展的状态特点可提前对设备状态进行预测和诊断。因此构成故障空间，除纵向传播和横向传播两个坐标轴外，还需要考虑时间轴。(6)不确定性，设备故障和故障的征兆信息具有随机性和模糊性，加上某些信息的不确知性，组成了设备故障信息的不确定性。2．2设备故障诊断的知识构成和求解策略在第一章中，我们分析了设备故障诊断的几种常见方法，而在基于知识的方法当中，知识的构成及故障诊断的求解策略起着核心和关键的作用。现在讨论这两个问题。2．2．1设备故障诊断的知识构成知识是指人类在长期的生产与活动中所积累的认识与经验的总结。知识的分类与表示是与领域有关的，我们结合故障诊断知识的特点，将其划分为：故障征兆、经验知识、背景知识、过程知识、模型知识、决策知识与控制知识，下面将逐一进行简短介绍：(1)故障征兆，是指对故障各种特征属性值表现为异常时候的一种定量或者定性的描述，属于事实性知识。(2)经验知识，是指在长期的故障诊断实践中，积累的关于如何进行故障诊断的启发式知识。它是一种浅知识，其具有启发性，求解效率高等特点，在表现形式上也较规范统一。(3)背景知识，背景知识主要有两类：一类是指来自故障理论分析、模型试验的实测数据、故障机理研究、故障可能引起的后果分级等知识；另一类是指设备在运行过程中，对所发生故障情景的描述，如故障类型、故障现象与处理措施 等。(4)过程知识，它常常反映一个动态地具有时序的过程。(5)模型知识，是指基于设备的结构、原理以及功能描述的诊断知识，能够对突发性的设备故障进行诊断，属于深层知识。(6)决策知识，指的是设备发生故障时，应该采取的处理措施，可采用的检测和维修方案，以及故障再现对策和故障排除对策。(7)控制知识，利用控制知识，一方面可以协调各类知识的应用，另一方面可以提高诊断效率方面的知识。2．2．2设备故障诊断的求解策略在整个设备故障诊断过程中，诊断专家会适时、有机地使用上述各类型知识。通过对故障征兆信息的判断，来确定造成系统故障的原因。整个过程是一个有穷递归的过程。在进行设备故障诊断问题求解时，诊断专家一般采用下面三种知识模型来简化诊断过程：浅知识模型、深知识模型以及混合知识模型。浅知识模型是指利用系统工作异常时产生的征兆信息来诊断，这种模型比较适合功能关系不明确，征兆信息较多的情况。而深知识模型是通过采集系统的结构和功能方面的信息，来对设备进行诊断，一般在实际应用中，常常采用深浅结合的混合式知识模型来进行诊断。诊断专家在有效使用各种类型的知识时，不能将这些知识随意的堆积使用，也不能简单的分割来使用，因为这些知识表示方式以及提供的信息不尽相同。．设备故障诊断必须有机灵活的结合各种类型的诊断知识，并在相应合理的推理机制下完成设备诊断任务。2．3设备故障诊断的技术基础2．3．1设备诊断技术的内容设备故障诊断的内容包括状态监测、分析诊断和故障预测三个方面，其具体实施过程如图2．1所示。12 图2．1设备诊断过程由图可知：故障诊断过程主要包括信号采集，信号处理，状态识别，诊断决策四个方面。(1)信号采集，主要是采集被检测的设备在运行过程中出现的各种参数变化和能量状态变化产生的各种对应信息。可以选择标志设备工作状态的不同信号来表示诊断需求的不同，如一些压力、振动、工作温度与环境等。一般通过采用不同的传感器来获取被检测设备的各种检测信号。(2)信号处理，主要是将前面采集的信号进行提取，分类以及存储等处理，以获得象征系统设备各种工作状态特性的过程，也称为设备特征提取过程。如对振动信号或温度信号进行频谱分析的过程。(3)状态识别，主要将从被检测设备中提取的工作特性参数与设备规定的参数进行比较判别，从而确定设备所处的工作状态，为下一步诊断决策提供相应的判别准则和诊断依据。(4)诊断决策，通过状态识别提供的信息，对设备不同的工作状态采取相对应的措施和对策，同时根据当前信号预测设备的状态，判断设备可能工作发展的趋势，并加以分析。2．3．2设备诊断技术的类型根据被诊断设备对象与目的的不同，设备诊断技术可有多种分类方式：按照诊断对象划分，诊断技术可分为旋转机械诊断技术，工程结构诊断技术，往复机械诊断技术，通讯系统诊断技术，运载器和装置诊断技术以及工艺流程诊断技术：按照诊断目的和要求划分，诊断技术可分为功能诊断与运行诊断，直接诊断与间接诊断，定期诊断与连续诊断，在线诊断和离线诊断，常规工况和特殊工况诊断等；按诊断方法的完善程度划分，设备诊断技术可分为简易诊断与精密诊断。 2．3．3设备故障信息的获取方法在设备故障诊断过程中，反映系统状态的信号能够被足量的充分的检测，对设备的故障诊断来说具有非常重要的意义。一般情况下，故障信息的获取主要有直接观测法、磨损残渣测定法、参数测定法以及设备性能指标的测定四种方法。2．3．4设备故障的检测方法设备故障形式多种多样，造成设备故障的原因也有很多。不同故障所需要的检测方法也不尽相同。目前，故障检测方法主要可以分为以下四大类：振动和噪声的故障检测，材料裂纹及缺陷损伤的故障检测，设备零部件材料的磨损及腐蚀故障检测，温度、压力、流量变化引起的故障检测。14 第三章Petri网理论研究Petri网作为一种用于离散时间系统建模与分析的重要工具，经过几十年的发展，Petri网理论日益丰富，并且被成功地应用于各大领域。3．1Petri网简介1962年德国数学家CarlAdamPetri在博士论文中提出了Petri网概念。最初，Petri网模型是用来刻画计算机系统异步成份之间通讯时间的因果关系。后来，随着广大研究人员对传统Petri网的深入研究，扩充了Petri网理论，逐渐形成了高级Petri网(HighLevelPetriNets，HLPN)理论。高级Petri网可以综合考虑系统中数据和时间等约束条件，便于对复杂系统的建模。随着描述复杂性和实际系统形态的增加，研究者还提出了谓词变迁网、随机Petri网和模糊Petri网等理论。谓词Petri网系统通过引入谓词和重弧的归并来简化Petri网的表示，随机Petri网涵盖了概率信息，模糊Petri网结合了模糊数学。这些高级网系统拓宽了Petri网的应用领域。Petri网不仅具备与Turing机等价的模拟能力【32l，而且具备描述异步并发的能力以及直观的图形表达能力，可以很好地描述离散事件的动态行为，并对其进行建模与分析。在人工智能系统、管理信息系统、故障诊断系统、柔性制造系统、通信协议以及性能评价等诸多领域，都广泛地应用Petri网。3．2Petri网的基础知识Petri网主要由库所(Place)、变迁(transition)和有向弧(arc)构成，系统的不同状态通过包含于库所中的托肯(token)的动态变化来表示。当库所描述的是一种资源时，所含token的数量对应着资源的数量，可以是多个或者零个。当库所描述的是一个命题时，所含标记数量要么为一要么为零，分别对应着命题成立与否。在图3．1中，用不同的图形来表示Petri网的结构元素，圆圈表示的是库所，有向线段表示的是有向弧，窄条形表示变迁，圆圈中的黑点表示的是token。 P1P2P3“图3．1Petri网Petri网的动态行为通过它的点火规则来体现。如图3．1所示，对于变迁t而言，其输入库所为Pl、P2，输出库所为P3，每段弧的权值为1。这种情况下，只要所有的输入库所都包含一个token，那么这个变迁的点火是可以发生的。点火发生后，输入库所中的token将会减少一个，而输出库所中的token会增加一个。然而，变迁的点火所描述的仅仅是其输入库所与输出库所的状态变化，是系统的局部状态变化。这是Petri网的一个重要特性，利用这个特性可以对并行分布系统做很好的描述。以下是网的形式化概念。定义3．1三元组N=(S，T；F)称为有向网，简称网(Net)的充要条件是：(1)Sn丁=①；(2)SUT≠①；(3)FsSxTUTxS(“×"为笛卡尔积)‘dom(F)=表示t在M有发生权，也可以说成，M授权(enables)t发生或者t在M授权(enabled)下发生。定义3．6变迁发生后果若M【t>，即t在M可以发生，将标识M变为M的后继M’，M’的定义是：对于Vs∈S，M’(s)=M(s)-W(s，f)若SE‘f—f’M(s)+W(s，f)若s∈t。--’tM(s)-W(s，f)+形(，，s)若S∈f。n。fM(s)若s萑‘，。M’It>M表示M’为M的后继事实。3．3Petri网的特性利用Petri网来对系统进行模拟与分析时，可以对系统的行为特性与结构特性进行研究，这两者中，与初始表示有关的只有行为特性。在这里，主要讨论系17 统的行为特性。(1)可达性(Reachability)可达性是研究任何系统动态特性的基础，决定着一个系统是否能够到达一个指定的状态。按照Petri网的点火规则，变迁的点火会产生新的标识，从而改变标识的分布。若存在从Mo到Mn的点火序列(y----M0hMlt2⋯⋯tnMn，则Mn从Mo是可达的，可以用Mo【o>Mn来表示标识Mo通过点火序列。到达标识Mn。(2)有界性(Reachability)在Petri网中，如果对于每个标识M∈【Mo’．>和每个库所p，库所中的标记数M(p)≤k均成立，则称Petri网有界。满足这个条件的最小正整数K称为库所P的界，用K(p)表示。有界性是一个重要的特性，反映了库所在系统运行中能获得的最大标记数，即最大资源数。实际运用中，为了使系统正常运行，必须保证每个库所中的标记数小于容量K。(3)安全性(Security)如果Petri网有界，并且界为l，那么就称Petri网为安全的。(4)活性(Liveness)在Petri网∑=@，T；F，K，W，Mo)中，Mo为∑的初始标识，【Mo>表示可达标识集，如果对于任意M∈【Mo>，都有M’∈【M>，使得M’【t>，那么称变迁t为活的，如果对于所有的t∈T都是活的，那么称∑为活的Petri网。活性通常在系统中用于检测是否存在死锁。(5)可覆盖性(Coverability)Ml、M2分别表示Petri网的两个标识，M(P)表示为标识M中的库所中的token数，如果对于任意的库所，都有Ml(P)≤M2(P)，那么ME覆盖MI，记作Mt≤M2，M2称为Petri网的一个可覆盖标识。(6)守恒性(Conservation)Petri网系统中，通常用token来表示系统的资源。守恒性表现在，系统运行的过程中，token的总数既不会减少也不会增加，既总token数保持恒定不变。(7)同步距离(SynchronicDistance)同步距离是与两个事件相互依赖度有关的量。在Petri网(N，Mo)中，两个变迁Tt和T2之间的同步距离被定义如下：18 而：=吲孑(互)一苫(疋)l其中。是从【Mo>中任意状态M开始点火的序列，孑(乃)表示Ti，i=l，2点火的次数。3．4模糊Petri网基本原理模糊Petri网(FuzzyPetriNet，FPN)是在Petri网的基础上发展起来的，1991年，S．M．Chen首次在论文(KnowledgeRepresentationUsingFuzzyPetriNets)中提出了模糊Petri网的基本形式化定义1331，从此，模糊Petri网被广泛地应用到模．糊知识推理的一般问题中，并相应地形成了一套比较独立而又完整的算法和理论体系[34．s11。3．4．1模糊Petri网定义定义3．7模糊Petri网用如下八元组表示：FPN=(P,T’D，I，O，f,a，13)其中：(1)P={pl，P29+oo，pn>为库所的有限集合；(2)T={tl，t2，．．．，tn)为变迁的有限集合；(3)D={dl，d2，．．．，d。)为命题的有限集合，IPI=IDI，PnTnD=①；(4)I(O)：T_P，是输入(输出)函数，反映变迁到库所输入(输出)映射关系；(5)f：为T_{0，l>实数映射，表示变迁的置信度；(6)a：为P_{O，1)实数映射，表示库所的置信度；(7)13：为P的一个关联函数，P_D的双向映射，即13(pi)=di(i=l，2⋯．，n)。模糊Petri网是一般Petri网的扩展。在模糊Petri网中，网的框架代表基于产生式规则的知识结构，库所表示命题，如果命题为真，则在库所中标识一个token，token的值表示命题为真的置信度。规则的推理过程用Petri网中带置信度的变迁的点火表示，命题和推理规则之间的因果关系用库所与变迁之间的有向弧来表示。3．4．2模糊Petri网库所集中token初始值的确定方法目前针对FPN的研究多集中在模糊Petri网的应用方面1521，对FPN的自身理论研究尚显不足，尤其是在模糊token的初始值的确定方法方面少见报道。应用模糊Petri网时模糊token的初始值都是由专家或研究人员依据经验直接给出或19 者主观猜测的，这势必会影响应用模糊Petri网的效果。如果token的初始值仅仅是由主观猜测而给出，即使算法与推理过程正确，结果也不一定正确。因此，研究一种更能客观地符合应用实际的模糊Petri网中token的初始分布的有效方法就显得尤为重要。文献[53】提出了模糊token对应命题的隶属度的确定方法。文献[54]尽管提到了采用隶属函数来获取初始库所中的token值，但未给出如何来选择相应隶属函数，如何获得其隶属度及具体操作等的详细方法。在已有研究基础上，我们根据模糊token的获取来源将其分为单因素模糊token和多因素模糊token两类，并分别就这两类模糊token的确定方法做了较深入的探讨与研究。模糊Petri网中的token与普通Petri网中的token有本质区别。普通Petri网中的token代表了资源，取值可以大于1。而模糊Petri网中的token取值介于【0，1】之间。在模糊推理的过程中，库所与命题一一对应，而库所中token的取值就表示该命题所描述的模糊语言变量的隶属度。在客观世界中，存在大量的模糊现象，如“天气的好与坏”，“好看不好看”等。这些现象中的鉴定界线模糊，不能给出明确的判定标准。因此，如何量化这些不精确的，非定量的信息(即如何确定模糊token的值)。是我们将模糊Petri网运用于实际问题中的首要问题。本文将事物具有的特征称为因素。例如，在评价一件衣服的好坏时往往要涉及款式、颜色、价格、舒适度等多个因素综合考虑。根据具体的被考察对象，我们将其分为单因素确定和多因素确定两大类。在所有的确定方法中，为了使评判结果具有较强的科学性和准确性，首先要选取合适的评判专家。评判者根据具体所考察的对象来确定，一般由各类不同的人员组成。如考察的对象是评价衣服的好坏，可以根据消费者的职业、性别、年龄、爱好、经济情况等不同，来选取评判专家。下面就单因素确定和多因素确定这两大类分别进行讨论。1．单因素模糊token的确定方法在模糊Petri网系统中，如果初始库所对应的命题所考察的对象仅受单个因素的影响，则模糊token值的计算比较简单，有如下两种方法。(1)直接法直接法指的是由专家来给出自己的评判，从而计算出模糊token的具体值。20 设参与评判的专家为n位，而从评判结果中提取符合命题的个数为m。则确定隶属频率H由公式3．1给出。∥：一m·(3．1)∥2一Lj·J，刀相应的，可以取初始库所的模糊token值为肛。(2)间接法所谓间接法，指的是在专家来给出自己的评判后，并不是直接判定该结论是否符合命题，而是采取打分的形式将模糊信息量化。每个专家给出符合命题的区间【ai，bi】(i=1，2，⋯，n表示专家个数)。由间接法得到模糊token值的算法流程如算法1给出。算法l：模糊token值的间接计算算法。输入：专家给出的一系列命题结论输出：该命题结论的模糊token值·算法流程：Stepl：观察区间Ui的取值，得出最小值amin和最大值bm拣，构成论域U=【amin，bmax】；Step2：将论域U等分为k等份，构成k个区间，为Uj[sj，wj]tj'--1，2⋯．，忌)，每个区间长度q=【(bmax—amin)+1】／k；Step3：计算义0，，义0，表示专家i所给出的区间中的值，以增量d为间隔在区间Ui出现的次数。增量d的取值根据具体事例而定，取变量的最小单位，而且d<<(bmax—amin)；∥一AUJ一0，bf％’—b,-ral+ksjsntswj&j蚰|量w{．!盟+l，口I'．，，jJj(3．2)Step4：计算所有专家所给的区间值在区间Uj出现的次数，xu，2善x0，(j=l，2，⋯，k)(3·3)21 Step5：计算频率肛，专家所给区间中的值在区间Uj的频率脚等于出现的次数与样本空间值的比值。r，I，：=型(j：：1，2，．．．，k)(3．4)』～_Ip，2。U2l，z，⋯，KJ【j·4，n‘qStep6：确定模糊token的值，模糊token值为min{tt，1>。上述两种方法，随着k的取值增大，论域U被等分成的各区间长度q值越小，则结果将更加精确。当然，k的取值愈大，则相应的计算量也会增大。所以在应用时，k值要根据具体情况而定。2．多因素模糊token的确定方法在具体应用中，大部分情况下初始库所对应的命题为多因素模糊信息。例如，初始库所对应的命题为某种服装受喜爱的程度，这就涉及到了多个因素。一件衣服是否令消费者喜欢，需要从花色样式、耐穿程度、价格等多个方面考虑。面对这种情况，用上文提到的多种方法来确定模糊token值是行不通的。多因素模糊token值的确定算法框架详见算法2。算法2：多因素模糊token值的确定算法输入：针对考察对象，由相应专家给出的评判集输出：多因素模糊token值算法流程：Stepl：对考察对象进行评判，给出评判因素集合Y(yl，y2，．．．，yn)；Step2：给出评定集，根据考察对象的特征给出相应的评定集合Z(zl，Z2，⋯，Zm)；Step3：根据给出的因素集合与评定集合构成矩阵A0Ao=乙YtItnY21"121ynU"1⋯Zm⋯|11m⋯U2m⋯|IM在矩阵Ao中，pij(滓1，2，⋯，n，j=l，2，⋯，m)的取值根据单因素模糊token的取值获取，且∑％=l。j=lStep4：根据具体的情况给出权值集合W=(Wl，W2，⋯，Wn)，权值集合的取值 按单因素模糊token的取值获取，且∑形=1。i=lStep5：计算评判结果B=形·4=(．“l，JLl2，．．．‰)Step6-将所得结果归二化，得到集合(pl’，p2’，．．．pm’)p。．-掣【L(3．5)∑p，i=lStep7．-从集合F中找到对应的∥’，即命题中模糊信息的概率，也就是库所集中模糊token的初始值。．”3．应用实例为说明上文所提到的方法，参考文献[32】中四季系统的例子，判断季节是否为春天，引入如下实例。(1)单因素模糊token确定初始库所对应的命题为“季节为春天"，现仅从温度的这个因素来考虑季节是否为春天。模糊信息是单因素的。下面分别用直接法与间接法来确定模糊token值。用直接法确定首先根据所考察的对象，选取合适的评判专家。因为所考察的对象是季节问题，任何人都深有感触。所以从不同的职业中选取10人，有气象专家，教师，农民，学生，医生，作家等。在给出的判断中，从气温这个因素去考虑，有6人认为为春天。因此根据公式3．1，可得概率It=6／10=0．6。用间接法确定在间接确定的过程中，还是这lO人来判定。首先判断者给出自己所认为的春天气温的取值区间，如表3．1所示。Stepl：根据算法l的步骤1和步骤2：我们得到amin=7，bmax=30，于是论域U为[7，30】。将论域分成8等份，每个区间包含3个数值，分别为Ul，U2，⋯，U8，取增量为l。Step2：再根据算法1的步骤3：计算义0，： Ul为【7，9】，根据公式(3．2)，计算出xb。(i=1，2⋯lo)分别为0,3，o，o，o，o，o，o，1，o。表3．1判断者调查结果表趔堑耋壹丞的冬遏【旦)一判断者1[10，30】判断者2【7，28】判断者3【12，251判断者4【15，30】判断者5rio，22]．．判断者6【13，23】判断者7【11，26]判断者8【10，28】判断者9【9，27】判断者10【12，29】Step3：然后根据根据算法1中的步骤4中的公式3．3，可计算出lOxu=乏易。=o+3+o+o+0+0+o+0+1+0_4。同理，我们可以得到义0：，又h，⋯⋯，XUs分别为19，28，30，30，27，21，10。Step4：根据根据算法1中的步骤5，用公式3．4计算频率脚：斗。=玉立=盟-o．130’11’q10×3同理可得p2，p3，⋯⋯，p8，分别为O．63，0．93，1，1，0．9，0．7，0．33。Step5：据所得的脚可得出区间Uj对应的token值。Step6：由以上计算结果，可以得出如下结果，详见表3-2所示。表3-2计算结果圣匡闷丕些塑堑旦笪●_____--_●‘-●_●_________-___-●__■_____-_●_-__-____-----。__。。。。。_-。。。。。。。。。。●-。。。_’—————————一一区间l【7，9】40．13o．13区间2【10，12】190．63区间3【13，15】280．93O．93区间4【16，18】30l·l区间5【19，21】30l区间6[22，24】270．9区间7125，271210．7区间8[28，30】10o．330．33现在的气温22。C，根据以上表格，可知其属于区间U6，故所对应的模糊token值为0．9。相对直接法而言，间接法计算复杂些，但是计算结果更为客观。24 2多因素模糊token确定与季节变化有关的因素很多，如气温、湿度、植物生长的情况等，仅从气温这个因素把春天与其他的季节区分开，．这样就会造成模糊token值获取过程不够客观。因此，按照多因素模糊token值确定方法来确定。(1)根据算法2的步骤l，首先给出因素集，为Y{气温(y1)，湿度(y2)，植物生长的情况(y3)>。(2)根据算法2的步骤2，给出评定集，为Z{属于春天(z1)，不属于春天(z1)}。(3)根据算法2的步骤3，并根据单因素的模糊token值的确定方法，将各个因素作为单一的来考虑，获取对应的概率，得到如下矩阵：4=Z2O．1O．15O．3(4)根据算法2的步骤4，给出权值集合，同样是根据单一因素的确定方法得到，W=(0．4，0．4，0．2)。可见评判专家侧重于气温和湿度这两个因素来确定现在是否为春天。(5)再根据算法2的步骤5，计算评判结果，B=W·4=(0．84，0．16)。由于结果已经归一化，无需再处理(而一般情况下还需执行步骤6和步骤7做归一化处理)，最终得到命题“季节为春天’’所对应的初始库所模糊token值为0．84。假如我们仅仅从单一因素去确定模糊token值的话，会导致确定的结果不够客观，不够精确。比如我们只从气温这个因素去确定，那么模糊token值为0．9，显然不准确。而且在多因素模糊token的确定中，权值的确定也是不容忽视的，它决定了每种因素在衡量的过程中所占的比重。磊吣|耋们．1，●； 第四章模糊Petri网故障诊断研究模糊Petri网作为Petri网应用的一个重要拓展，既具备Petri网的图形描述能力，又继承了模糊系统强大的模糊推理能力，非常适合用模糊Petri网来对故障信息进行表示与推理。本章提出一种基于模糊Petri网故障诊断方法，首先将故障模糊诊断规则转化为Petri网表示，确定模糊Petri网的变迁点火规则，并提出一种反向推理算法进行推理，得出故障产生原因。4．1传统Petri网在故障诊断应用中存在的局限性传统Petri网描述的系统时一个共同的特性表现为：系统的动态行为是通过物资资源和信息资源的流动来体现tss】。网中的资源不可重用，不可覆盖。变迁的点火会消耗其输入库所中的资源，相应地会在其输出库所中产生资源。如果网中的资源被一个变迁占用，就不能被其它的变迁使用。换而言之，网中的资源是不可重用的，不可覆盖的，通常表现为冲突、冲撞等现象。利用图4．1来说明传统的Petri网在故障诊断中存在的部分局限性。plp1图4．1典型的Petri网故障传播模型图中库所对应设备的故障状态，黑点对应这种异常状态，变迁对应故障的发生。按照传统的Petri网理论分析可知，图4．1(a)中在库所PI处存在资源竞争，变迁tl、t2只能有一个发生，即存在冲突问题。然而在故障传播过程当中，一个故障原因可能导致多种故障现象，也就是故障能够沿着多条传播路径同时传播。这种情况下，用传统Petri网就不能准确的描述。图4．1(b)中存在着空间资源竞争，也就是冲撞，变迁tI、t2只能一个发生。然而，在故障传播过程中具有并发特性，不同的故障原因通过不同的故障传播途径会导致相同的故障发生。显然，用传统的Petri网不能准确的描述这种现象。 另外，传统的Petri网中，变迁的点火会消耗其输入库所中的token，如果用传统的Petri网来描述故障传播，这种特性表现为，故障发生之后所对应的故障原因随之消失，这显然是不符合客观事实的。因此，故障特性难以用传统的Petri网合理地描述，有必要对传统的Petri网进行适当的改造，使它能够合理地描述故障传播的特性。4．2故障知识的表示典型的知识表示方法有：谓词逻辑、语义网络、框架、产生式系统等，每种方法都存在着优缺点。谓词逻辑方法是将行为的主、客体通过谓词逻辑表示，推理规则把知识应用于特定的结论。如李雷打篮球，表示为：play(LiLei，basketball)。该种方法的优点是可以表示多种知识，缺点是表示知识的结构较小，动态性、灵活性、变化性也不好。语义网络是知识的结构化图解表示，形式化为SN=。N是节点集合，L是节点间链的集合。节点表示实体、概念和情况等，链线表示节点间的关系。最常用的是is．a链(表示了类和实例间的关系)和has—a(表示节点有某种特征)。语义网络的优点是直观，但表达的知识面较窄。框架也是一种结构化表示法，通常槽、侧面构称，其中每个槽包含若干个侧面，每个侧面又包含若干个值。框架能够方便地表示特殊概念的知识，缺点是槽的个数难以扩充。若干个不同的系统，如果都是以同一个基本概念为基础，那么可以用产生式系统来描述。产生式系统由总数据库、产生式规则以及控制策略构成。其中产生式规则的形式为：IF(conditionisTure)THEN(Action)。产生式系统表达自然直观，可进行模块化处理。但是前提条件或者规则太多的时候，推理效率相对较低。在复杂的设备故障诊断中，存在大量的不确定的信息。为了较准确的描述这些信息，将模糊产生式规则应用到诊断知识的表示当中。R={RI、R2、⋯，Rn}表示一组模糊产生式规则，通用形式为：Ri：IFdjTHENdk(CF=pi)(4．1)在式4．1中，dj表示前提命题，dk表示结论命题，每～个命题的真值介于27 0到l之间。gi∈[0，11表示规则的置信度。令九∈[0，l】表示规则的阈值，Yj∈[0，1】表示前提命题dj的真值。式子4．1可以执行的条件是Yj≥九，这时，结论命题dk的真值Yk变为Yj与m的乘积。否则，式子4．1不能执行。模糊Petri网的每个变迁可以看做为一个规则，变迁的输入库所和输出库所可以分别看作为规则的前提条件和结论命题。设备系统、模糊Petri网与模糊产生式规则的相互对应关系如表4．1所示。·表4．1设备系统、模糊Petri网与模糊产生式规则的相互对应关系通常产生式规则有如下四种类型，主要思想是模糊命题的合取式的真值取各子式真值的最小值，模糊命题析取式的真值取各子式的真值的最大值。规定：yi表示库所Pi所对应的命题di的可信度，其中i=l，⋯，n。类型1：IFdl，THENd2(f=II)。这种类型的Petri网表示如图4．2所示。mPlo_卜℃一P2(1)变迁t触发前山p。p十℃m(2)变迁t触发后图4．2类型1模糊规则的FPN表示类型2：IFdlandd2and⋯“，THENdk(f=u)。这种类型的Petri网表示如图．4．3所示。 (1)变迁t触发前(2)变迁t触发后图4．3类型2模糊规则的FPN表示类型3：IFdkTHENdland⋯dn，(f=lJi，i=l，⋯，n)。这种类型的Petri网表示如图4．4所示。(2)变迁t触发后．图4．4类型3模糊规则的FPN表示类型4：IFdlord2or⋯ordn,THENdk(f=lli，i=1，⋯，n)。这种类型的Petri网表示如图4．5所示。m也mkhm如mk艮 (2)从K中任意选取一条规则ri，ri∈K，然后令K=K一“)；(3)在模糊Petri网中增加变迁节点ti，将ri的阈值定义为变迁结点ti的点火阂值扎；．(4)检查库所集P，对所有的p，若P满足P∈P且P为规则ri的前提命题，则在FPN中增加输入弧(p，ti)；(5)检查库所集P，对所有的p，若P满足P∈P且P为规则ri的结论命题，则在FPN中增加输入弧(ti，p)，规则ri的置信度CF表示为变迁的置信度“；(6)如果K={①)，那么转换完成，否则转到步骤2。4．3变迁的点火算法故障知识转化为模糊Petri网表示以后，故障的产生可以用模糊Petri网的动态行为来表示。而变迁的点火从而引起标识的改变体现的就是Petri网的动态行为。FPN的点火算法得分情况讨论。l、对于简单类型，也就是上文提到的类型1，其点火算法如下。(1)计算变迁的输入强度Q(t)。在当前标识M下，VP∈‘f，变迁t的输入强度为输入库所的置信度，也就是模糊token的取值。模糊token的确定方法，详见3．4．2节。烈r)=口(￡)(4．2)其中，a(只)表示库所节点Pi在标识M下含有的token值。(2)判断变迁t是否能够发生。若Q(t)>九，其中九表示为t的阈值。(3)变迁点火后，计算变迁的输出库所中产生的token值。对于任意P∈P，库所中的token变化如下：烈p，-{锗’名@3，其中u为变迁t的置信度，也就是规则的置信度。2、若为复合类型，如上文提到的类型3，在实际应用中不常见，在这里不做考虑。对于类型2，变迁节点属于与(AND)型，点火算法如下：(1)比较每一个输入库所pi的模糊token值，得出最小的模糊token值mina(p。)，若mina(p。)>九，则变迁发生。(2)变迁点火后，计算库所中的token值。 州p寸m芝紫磅墨∽4，3、对于类型4，变迁节点属于或(OR)型，可以看成是多个简单类型做OR运算。点火算法如下：(1)只要存在a(p，)>九i，表示可以点火。(2)变迁点火后，计算变迁的输出库所中的token值。若存在m个库所的a(p，)>九i，那么将这m个库所重新编号为Sl、S2⋯⋯Sm，对应的模糊token值分别为p(S1)、p(S2)⋯⋯p(sm)，阈值分别为Ul、U2⋯⋯nm。则库所的token值为：a协max{fl(Si)*Ul,fl(端2⋯⋯照m月’墨(4．5)在这些可以发生变迁的库所中，若卢(邑)奉U。为最大值(1≤h≤n)，那么是前提库所Ph引起变迁发生。由上述推理过程中，可以看出模糊Petri网与传统Petri网在点火算法的差异。传统Petri网中，变迁的点火后，其输入库所中的token会减少，相对应的，其输出库所中会产生token。而在模糊Petri网中，仅仅在输出库所中产生token，这非常符合故障传播的机理。因为变迁的点火对应为故障事件的发生，若初始库所中的token消失就意味着故障发生后，故障原因就消失了，这显然不符合常理。所以，在模糊Petri网的点火规则中，变迁t点火后，其输入库所的token值保持不变。4．4推理与决策机制用FPN对系统进行建模之后，需要确定合适的推理机制，以提高问题的求解效率。所用的推理策略通常有正向推理、反向推理以及正反向混合推理三种策略【561。在本论文中，主要采取反向推理方法。因为在故障诊断中，维修者首先发现的是故障现象，通过对故障现象进行分析和推理，找出故障原因。采取反向推理的控制策略与故障诊断过程的思维方式是一致的。反向推理的思想是：从目标开始，反向使用推理规则，找出该目标的前提命题，如果该前提命题还是其他规则的的结论，再重复以上步骤，直到对某个规则的前提给出确定的判断为止。在基于模糊Petri网的反向推理中，有必要对Petri网中每一个库所建立可达3l 图4．6FPN表示32 向立即 反向推理算法：第一步：根据Petri网模型图建立SP、GP、RS、IRS、RIRS和AP。最初，在所有的库所里面，只有初始库所有模糊token值，为了推理的准确性，初始库所的模糊token值根据3．4．2节提出的方法确定。设立两个集合U、V。第二步：根据所要诊断的故障，找到相应的库所pj若pjeGP，跳到第六步。若Pj∈GP，则将pj放入集合V中。第三步：从集合V中选一个元素Pi，找出其输入变迁。“第四步：判断对应变迁的个数。1、若有多个变迁ti(i=l，2，⋯⋯n)，观察每个变迁ti所对应的每一个前提库所ai’(1)若ai中存在没有模糊token值的库所，则将这些没有模糊token值的库所放入集合V中。回到第三步，进行迭代。(2)若ai不存在没有模糊token值的库所，如所有ai中都有模糊token值，或者是部分有模糊token值，部分属于集合U，或者是所有的库所都属于集合U。都可以判断根据4．2节中的第三种情况判断是否能点火。若能，则按照式4．5计算所对应的结论库所Pi的模糊token值，并将pi从集合V中删除。若不能，则将所对应的结论库所Pi从V中删除，并放入集合U中。2、若为单个变迁ti，找出变迁ti所对应的前提库所ai。单个变迁可以对应简单类型，或者是“与”类型。那么前提库所ai的个数可以是一个或者多个。(1)若变迁对应的为简单类型，ai有模糊token值，则根据4．2节中的方法1判断变迁ti是否能发生，若能发生，则根据式4．3算出变迁ti对应的结论库所pi的模糊token值，并将pi从集合V中删除。若不能发生，则将所对应的结论库所pi从V中删除，放入集合U中。ai没有模糊token值，且ai不在集合U中，将ai放入集合V。回到第三步，进行迭代。ai在集合U中，表示ai的模糊token值为零，变迁ti不发生，将所对应的结论库所pi从集合V中删除，并放入集合U中。(2)若变迁对应的为“与’’类型 ai中存在有库所属于集合U，那么该变迁ti不能发生，变迁ti对应的结论库所Pi从集合V中删除，将其放入集合U中。ai中没有库所属于集合U，且存在无模糊token值的库所bi，将bi放入集合V。回到第三步，进行迭代。ai都有模糊token值，则根据4．2节中的方法2判断变迁ti是否能发生，若能发生，则根据式4．4算出变迁ti对应的结论库所pi的模糊token值，并将Pi从集合V中删除。若不能发生，则将所对应的结论库所Pi从集合V中删除，并放入集合U中。．第五步：判断V中是否存在库所，若有，回到第三步迭代。若没有，给出计算出来的pi的模糊token值。第六步：结束。算法主体：输入：所要诊断的故障输出：对应的故障原因<1Trolib【】=GetTroublelibO；／／根据所要诊断的故障，找到其对应库所P2For(Integeri=1⋯n)3Integersign=0；4For(Integerj=1⋯n)5If(TroIib[i】!=GPD】)／／判断P是否在目标集中6sign++；7EndIf8EndFor9If(nI=sign)10V．Add(Trolib[i】)／／如果在目标集中，将其放入集合Vl1Endlf12Else13break；14EndElse15EndFor16S：P=GetEle(V)；／／从V中选取一个元素P17TroChan【】=GetRIRSChan()；／／根据反向立即可达集找其对应的输入变迁18If(TroChan．Sizel=1)／／输入变迁为多个19For(Integeri=l，⋯n)20If(Pre[TroChan[i]]==null)／／变迁的输入库所中存在没有模糊token的库所21V．Add(Pre[TroChan[i])／／将输入库所中没有模糊token的放入集合V中22GotoS；／／继续迭代23Endlf 242526272829303132333435m=0；／／用来标志是否所有的库所都有模糊token值If(Pre[TroChan[i]】!=null)m++：Endif；If(m==n)·IfTroChanFire；如果变迁能够发生Calc()；／／计算P的模糊token值V．Delete(P)；／／将P从集合V中删除EndlfE1seV．Delete(P)；U．Add(P)；／／如果变迁不发生，将P从集合V删除，添加到集合U中EndelseEndIfEndforEndIf．If(TroChan．Size==1)／／如果输入变迁只有一个If(TroChan．Style==”Normal”)／／变迁的类型为“简单"型If(Pre[TroChan[i]】!=null)／／变迁的输入库所有模糊tokenIfTroChanFire；如果变迁能够发生Cale()；／／计算P的模糊token值V．Delete(P)；／／将P从集合V中删除EndIfElseV．Delete(P)；U．Add(P)；／／如果变迁不发生，将P从集合VEndelseEndIfIf(Pre[TroChan[i】Inu)／／变迁的输入库所在集合U中V．Delete[P]；／／将输出库所从集合V中删除EndIfIf(Pre[TroChan[il]==null)／／变迁的输入库所没有模糊tokenV．Add(Pre[TroChan[i])／／将输入库所中没有模糊token的放入集合V中gotoS；／／继续迭代EndIfIf(Pre．style==”And”)For(Integeri=1．“n)If(Pre【TroChan[i】InU)V．Delete[P]；Break；EndIfh=0；／／用来标志是否所有的库所都有模糊token值，是否在集合U中If(Pre[TroChan[i]】!=null&&TroChan[i】NotInU)h++；Endif；67890123456789O123456789O1234567893456 70If(h----n)7lIfTroChanFire；如果变迁能够发生72Calc()；／／计算P的模糊token值73V．Delete(P)；／／将P从集合V中删除74Endlf75Else76V．Delete(P)；77U．Add(P)；／／女l果变迁不发生，将P从集合V中删除，添加到集合U中78Endelse79Endlf80If(Pre【TroChan[i】】-=null&&TroChan[i】NotlnU)82V．Add(Pre[TroChan[i])／／将输入库所中没有模糊token的放入集合V中83GotoS；／／继续迭代84Endlf85Endfor86EndIf87Endlf88If(V．Size!=O)89gotoS；／／如果V中有元素，继续迭代90Endlf91Else92getCalcValueO；／／如果V中没有元素，得到诊断故障所对应的库所的模糊token值93Endelse)4．5与已有的故障诊断方法的比较在故障诊断反向推理过程中，常常出现的一个问题，就是一个故障现象有多个故障原因的情况，这时候就要解决故障传播路径的选择问题。以图4．6为例，导致库所P4出现异常的原因可以是tI或者t2的点火。如果不清楚库所Pl、P2所对应命题的状态，就无法确定引起库所P4发生的原因。解决这种问题途径就是使用一种可行的方法来确定最有可能发生的故障传播途径。文献[56】提出将概率信息引入Petri网，根据故障事件发生概率的大小来确定可能的路径。本文提出模糊Petri网的确定方法，比起以往根据主观推测来给出初始库所的模糊token值，更符合客观事实。然后根据提出的变迁点火算法，来选择一条可能的路径，这样能有效的解决推理过程中关于传播路径的选择问题。文献【57】中提出的推理算法，当推理过程出现变迁不能点火的情况时，推理过程就无法继续下去，无法得出目标库所正确的推理结论值，从而无法诊断出故37 38 第五章基于模糊Petri网诊断实例电梯作为重要的运输工具，在现代生活中得到广泛地使用，电梯的安全可靠关系到人们的日常生活甚至生命财产安全，大家对电梯的安全可靠性寄予了很高的期望。本文以电梯故障诊断为例，验证所提出的基于模糊Petri网的故障诊断方法的可靠性。5．1基于模糊Petri网的电梯故障诊断建模查阅了关于电梯故障诊断的文献[59．60】，电梯的故障具有复杂性，层次性，相关性以及不确定性等特点，采用模糊Petri网对电梯故障进行知识表示和搜索推理，能够表示和处理电梯故障信息的模糊性和不确定性。以电梯急停故障为例，建立模糊Petri网模型，进行故障诊断。首先根据电梯急停故障的特点建立库所集、命题集、规则库：(1)库所集P={pl，P2，⋯⋯P30}Pl：电流状况；P2：东西卡门情况；P3：门刀与门锁碰撞情况；P4：门锁开关状况；Ps：继电器触点断开状况；P6：继电器触点粘结状况；P7：继电器线圈短路状况；P8：继电器线圈断路状况；P9：继电器触点状况；P101继电器线圈状况；Pll：变频器参数设置情况；P12：电子印板元件情况；P13：抱闸线圈状况；P14：行程开关位置状况；P15：探测部件状况；P16：信号转换器状况；P17：线路传输状况；P18：测距器接线情况；P19：曳引钢丝绳状况；P20：保险丝状况；P2l：f-j锁状况；P22：继电器状况；P23：限速器状况；P24：变频器状况；P25：电脑主板状况；P26：抱闸状况；P27：电缆状况；P28：称重器状况；P29：轿厢位置反馈情况；P30：电梯急停状况。(2)命题集d={dl，d2，⋯⋯d30}dl：电流过大；d2：东西卡门；d3：门刀碰门锁；d4：门锁开关故障；d5：继电器触点断开；d6：继电器触点粘结；d7：继电器线圈短路；d8：继电器线圈断路；d9：继电器触点故障；dlo：继电器线圈故障；dll：变频器参数设置错误；d12：电子印板元件击穿；d13：抱闸线圈损坏；d14：行程开关位置不准；d15：探测部件损坏；d16：信号转换器损坏；d17：线路传输故障；d18：测距器故障；d19：曳引钢丝绳打滑；d20：保险丝熔断；d2I：门锁故障；d22：继电器故障；d23：限速器损坏；d24：变频器故障；d25"电脑主板损坏；d26：抱闸故39 障；d27：电缆存在断股；d28：称重器故障；d29：轿厢位置反馈不准；d30：电梯急停状况。(3)规则：R1：IF(电流过大(d1))，THEN(保险丝熔断((d20)))；，R2：IF(东西卡门(d2))，THEN(f]锁故障(d21))；R3：IF(门刀碰门锁(d3))，THEN(f]锁故障(d21))；R4：IF(f]锁开关故障(d4))，THEN(f]锁故障020)；R5：IF(继电器触点断开(d5))，THEN(继电器触点故障(d9))；R6：IF(继电器触点粘结(d6))，THEN(继电器触点故障(d9))；R7：IF(继电器线圈短路(d7))，THEN(继电器线圈故障(dlo))；R8：IF(继电器线圈断路(d8))，THEN(继电器线圈故障(dlo))；R9：IF(继电器触点故障(d9))，THEN(继电器故障(d22))；R1O：IF(继电器线圈故障(dlo))，THEN(继电器故障(d22))；R11：IF(变频器参数设置错误(d11))，THEN(变频器故障(d24))；R12：IF(电子印板元件击穿(d12))，THEN(电脑主板损坏(d25))；R13：IF(抱闸线圈损坏(d13))，THEN(抱闸故障(d26))；R14：IF(行程开关位置不准(d14))，THEN(抱闸故障(d26))；R15：IF(探测部件损坏(d15))，THEN(称重器故障(d28))；R16：IF(信号转换器损坏016))，THEN(称重器故障(d28))；R17：IF(线路传输故障017))，THEN(称重器故障(d28))；R18：IF(测距器接线错误(d18))，THEN(轿厢位置反馈不准(d29))；R19：IF(曳引钢丝绳打滑(d19))，THEN(轿厢位置反馈不准(d29))；R20：IF(保险丝熔断(d20))，THEN(电梯急停0soD；R21：IF(f]锁故障(d21))，THEN(电梯急停(d30))；R22：IF(继电器故障(d22))，THEN(电梯急停(d30))；R23：IF(限速器损坏(d23))，THEN(电梯急停(d30))；R24：IF(变频器故障024))，THEN(电梯急停(d30))；R25：IF(电脑主板损坏025))，THEN(电梯急停(d30))；、R26：IF(抱闸故障(d26))，THEN(电梯急停(d30))；R27：IF(电缆存在断股(d27))，THEN(电梯急停(d30))； R28：IF(称重器故障(d28))，THEN(电梯急停(d30))；R29：IF(轿厢位置反馈不准(d29))，THEN(电梯急停(d30))；基于模糊Petri网的故障诊断模型如图5．1所示。p5p6P7p8图5．1基于模糊Petri网的故障诊断模型初始库所的模糊token值根据模糊token值的确定方法确定，由评审专家根据多次试验得出，为：a(p1)=0．22，a(p2)=0．43，a(p3)=0．50，a(p4)=O．62，a(p5)=0．72，tz(p6)=0．63，tt(p7)20．55，a(ps)20．67，a(Pl1)20．33，a(p12)2O．52，tZ(P13)2O．56，ct(P14)。O．57，a(P15)=0．63，a(p16)=O．66，a(p17)=0．75，a(pls)=O．23，tZ(P19)20．33，ct(P23)20．72．a(P27)=O．65。规则置信度：lal=0．8，I-t2=0．9，p3=O．94，114=0．81，Ix5=0．97，96=0．96，肛7=0．95，I．ts=0．88，1上9=0．86，“lo=0．84，lXll=0．87，!x12=0．92，}11320．93，p1420．94，肛1520．92，lxl6=0．86，I，q7=0．87，p18=0．7，IXlg=0．75，1上20=0．92，921=0．76，p2220．88，It2320．96，924=0．95，I．t25=0．95，p26=0．94，p27=0．70，tt2S=0．9，!x29=0．8变迁阈值：九l=O．6，X2=0．7，九3=O．8，X4=0．5，九5=O．6，L6=0．6，九7=0．8，九8=O．5，九9=0．4，九lo=O．6，九ll=0．7，九12=0．5，k13=0．8，九14=O．8，九15=0．6，九16=O．7，九17=0．5，41 九ls=0．6，)L19=0．7，7,20=0．8，九2l=0．5，九2220．6，九2320．8，x2420．7，九25=0．8，九26=O．5，九27=0．6，L2s=0．7，九29=O．55．2电梯故障诊断中的反向推理过程在建立了电梯急停故障的模糊Petri网诊断模型之后，其故障诊断的反向推理过程的步骤如下。(1)首先建立初始库所集SP={pl，P2，P3，P4，P5，P6，P7，Ps，Pll，P12，P13，P14，P15，P16，P17，Pls，P9，>，目标库所集Gp={P30>·可以得到库所pi的可达集合RS、立即可达集合IRS、反向立即可达集合RIRS，如表5．1所示。不存在相邻库所集。中。表5—1RS、IRS、RIRS卫i垦§(巳i)!垦墨【巳i)堡!垦墨【巳i2PI{P20，P30}{P20}①P2{P21，P30}{P21)①P3{P21，P30}{P21>①P4{P21，P30}{P21}①P5{P9，P22，P30}{P9}①P6{P9，P22，P30}{P9)tI)P7{Plo，P22，P30}{PIo}①Ps{Plo，P22，P30}{PIo}①P9{P22，P30}{P22}{p5){p6)Plo{P22，P30}{P22}{p7){ps}Pl1{P24，P30}{P24}①PlsP19P20P21P22P23P24P25P26P27PEsP29P30{P25{P26{P2s{Pz8{P29{P30①30}{P25}{P26}{P2s}{PEs}{P29}{P30}{V30}①{PI}{P2){a3}{a4}{P9}{Plo}①{P11){P12}{P13}{P14>①{P15}{P16}{PiT}{Pis}{P19){P20}{P20}{P22}{P23}{P24}{P25){P26}{P27}(2)假设出现故障为“电梯急停"，从目标库所选取P30，将P30放入集合V42P，，}}}}))))}) (3)执行第三步，根据反向立即可达集合RIRS推断引起库所P30发生的变迁。(4)判断变迁的个数为多个，分别为t20，t2l，t22，t23，t24，t25，t26，t27，t28，t29。变迁分别对应的前提库所中，．存在P20、P2l、P22、P24、P25、P26、P28、P29没有初始库所值，因此，将它们添加到集合V中。(5)继续执行第三步，找集合引发V中库所发生的变迁。引发P20发生的变迁为tl，tl所对应的前提库所为Pl，Pl的初始库所值a(p1)=0．22，变迁阂值九l=0．6，变迁不发生。将P20从集合V中删除，添加到集合U中。”引发P2l发生的变迁为t2,t3，t4，所对应的前提库所为分别为P2、P3、P4，模糊token值分别为a(p2)=0．43，a(p3)=0．50，a(p4)=0．62，阈值分别为池=O．7，b=0．8，九4=0．5，只有变迁t4发生。计算P21的模糊token值a(P21)=p4·a(p4)=O．81XO．62=0．5022。将P21从集合V中删除。引发库所P22发生的变迁有t9、t10,它们所对应的前提库所P9、P10都没有模糊token值，因此将P9、Plo放入集合V中。回到第三步，继续找引发P9、Plo的变迁。引发P9发生的变迁有t5、t6。ts、t6所对应的前提库分别为P5、P6。P5、P6所对应的模糊token值为a(ps)=o．72，a(p6)=0．63，阈值分别为九5=0．6，九6=O．6，因此t5，t6变迁都能点火。但是p5·a(p5)>96·0t(p6)。因此引起P9发生的变迁为ts，P9的模糊token值a(p9)=p5·a(ps)=0．72x0．97=0．6984。将库所P9从集合V中删除。引发Plo发生的变迁有t7、t8。t7、t8所对应的前提库分别为P7、P8。P7、P8所对应的模糊token值为a(p7)=o．55，a(ps)=0．67，，阈值分别为九7=0．8，Xs=0．5，因此tg变迁都能点火。Plo的模糊token值a(plo)=p8·a(ps)=o．88x0．67=0．5896。将库所Plo从集合V中删除。此时，对于库所P22而言，变迁它们所对应的前提库所P9、Plo都有模糊token值，变迁t9,t10的阈值分别为九9=O．4，九lo=0．6，因此变迁t9能发生，P22的模糊token值为a(p22)=p9·a(p9)=o．86x0．6984=0．61。将P22从集合V中删除。引发P24发生的变迁为tll，tll所对应的前提库所Pll的模糊token值a(p11)=O．33，九ll=O．7。因此变迁tll不发生，将将P24从集合V中删除，添加到集合U中。引发P25发生的变迁为t12，t12所对应的前提库所P12的模糊token值a(p12)=0．52，变迁t12的阈值九12=0．5。因此变迁t12发生，P25的模糊token值为43 or(p25)=p12·tX(P12)50．92X0．52=0．4784。引发P26发生的变迁为t13、t14，分别对应的前提库所为P13、P14。P13、P14的模糊token值分别为a(p13)=0．56，0【(p14)=0．57，变迁t13、t14对应的阈值分别为九13=0．8，九14=0．8。因此变迁不发生，将P26从集合V中删除，放入集合U中。引发P28发生的变迁为t15、t16、t17，分别对应的前提库所为Pls、P16、P17。Pls、P16、P17的模糊token值分别为tg(pls)=0．63，tx(p16)=0．66，a(P17)=0．75，变迁t15、t16、t17对应的阈值分别为九15=0．6，九16=0．7，九17=O．5。变迁t15、t17都能点火，但是Ills·a(pls)