基于模糊分層SDG模型的故障推理方法①

基于模糊分層SDG模型的故障推理方法①

楊恒占1,2, 張 可1, 錢(qián)富才2,31(西安工業(yè)大學(xué) 電子信息工程學(xué)院, 西安 710021)2(西安理工大學(xué) 自動(dòng)化與信息工程學(xué)院, 西安 710048)3(西安衛(wèi)星測(cè)控中心 航天器在軌故障診斷與維修重點(diǎn)實(shí)驗(yàn)室, 西安 710043)

針對(duì)傳統(tǒng) SDG 模型診斷方法存在的診斷分辨率低、速度慢、效率低等不足, 提出了一種基于模糊分層SDG模型的故障推理方法. 首先建立系統(tǒng)的SDG模型, 并進(jìn)行分層; 再利用模糊變量表示節(jié)點(diǎn)變量, 用條件概率表表達(dá)節(jié)點(diǎn)間的定性因果關(guān)系; 最后利用貝葉斯推理和回溯搜索找出故障源候選集, 并對(duì)候選解進(jìn)行排序. 應(yīng)用提出的方法, 進(jìn)行了某型號(hào)航空發(fā)動(dòng)機(jī)燃油調(diào)節(jié)系統(tǒng)故障診斷, 結(jié)果表明該方法能夠提高診斷的分辨率和效率,診斷結(jié)果準(zhǔn)確而且完備.

故障診斷; SDG模型; 貝葉斯推理; 模糊分層

故障診斷是當(dāng)前工業(yè)、軍事等領(lǐng)域日益重要的一個(gè)研究?jī)?nèi)容. 隨著系統(tǒng)復(fù)雜程度的越來(lái)越高, 以及自動(dòng)化程度的快速發(fā)展, 系統(tǒng)故障率也隨之升高. 利用先進(jìn)的故障診斷技術(shù)對(duì)系統(tǒng)進(jìn)行診斷, 不僅可以有效排除系統(tǒng)故障, 而且可以防止重大事故的發(fā)生, 避免人員傷亡及經(jīng)濟(jì)損失. 目前故障診斷包括定性、半定量和定量三種模型. 定性模型屬于基于深層知識(shí)的方法, 具有能夠識(shí)別某未知故障、克服知識(shí)獲取瓶頸等獨(dú)有的優(yōu)點(diǎn), 是復(fù)雜系統(tǒng)故障診斷較為的理想方法,基于SDG(Signed Directed Graph, SDG)模型的故障診斷就是一種深層知識(shí)的故障診斷方法[1].

SDG模型由Shiozaki等人提出, 它反應(yīng)了復(fù)雜系統(tǒng)變量之間的內(nèi)在因果關(guān)系及影響, 具有良好的自解釋性和完備性, 應(yīng)用于工業(yè)領(lǐng)域安全評(píng)估和故障診斷中, 取得了巨大的進(jìn)展[2,3]. 在國(guó)內(nèi), 基于SDG模型的故障診斷方法也得到了一定的研究. 例如, 龍兵等提出的采用多信號(hào)模型進(jìn)行故障診斷方法[4,5]; 安若銘等利用結(jié)構(gòu)抽象法建立基于功能單元的分層診斷技術(shù)[6,7].但應(yīng)用SDG模型進(jìn)行故障源推理時(shí), 容易出現(xiàn)“組合爆炸”現(xiàn)象, 產(chǎn)生多義性, 嚴(yán)重影響了診斷結(jié)果的分辨率和效率[8,9]. 因此, 如何解決傳統(tǒng) SDG 模型診斷方法存在的這些問(wèn)題, 是目前相關(guān)研究的一個(gè)熱點(diǎn)[10,11].

本文在現(xiàn)有SDG模型故障診斷方法基礎(chǔ)上, 將模糊理論和分層思想引入SDG模型中, 形成模糊分層SDG模型. 模糊量的引入使故障診斷的分辨率提高, 分層思想的引入使故障源搜索空間縮小, 診斷效率提高. 應(yīng)用該方法能夠解決SDG模型的診斷過(guò)程中出現(xiàn)的故障分辨率低、搜索空間大、效率低等診斷問(wèn)題, 為檢修人員提供準(zhǔn)確檢修信息. 最后通過(guò)某航空發(fā)動(dòng)機(jī)燃油調(diào)節(jié)系統(tǒng)的故障診斷實(shí)例驗(yàn)證了所提出方法的有效性.

1 系統(tǒng)建模

模糊分層SDG模型建模思路如下: 首先建立系統(tǒng)的SDG模型, 利用分層方法進(jìn)行分層; 再根據(jù)系統(tǒng)所處工作狀態(tài)的不同, 采用模糊語(yǔ)言值描述節(jié)點(diǎn)的模糊變量取值, 各節(jié)點(diǎn)之間的定性因果關(guān)系采用條件概率表(Conditional Probability Table, CPT)來(lái)表示; 最后通過(guò)回溯搜索和貝葉斯推理找出故障源候選解的集合,并對(duì)候選解進(jìn)行排序.

1.1 SDG模型

基于SDG模型的分析方法是根據(jù)系統(tǒng)結(jié)構(gòu)原理建立系統(tǒng)SDG模型, 對(duì)系統(tǒng)進(jìn)行故障診斷. 選取合適的參數(shù)作為節(jié)點(diǎn); 建立從給定的故障節(jié)點(diǎn)開(kāi)始的SDG模型; 利用存貯在SDG模型上的已知信息, 通過(guò)故障推理方法獲得故障源候選集合, 從而對(duì)系統(tǒng)的故障原因做出有效識(shí)別.

定義1. SDG模型G的精確數(shù)學(xué)模型表示如下:

式中: 集合V={vi|vi為測(cè)試節(jié)點(diǎn)}; 集合E={ei,j|節(jié)點(diǎn)vi指向vj的有向邊}; 函數(shù)φ:φ(ei,j)(ei,j∈E,φ→{+,-}), 為支路ei,j的符號(hào),各支路節(jié)點(diǎn)間的正、反作用分別用“+”和“-”表示.

定義2. 所有節(jié)點(diǎn)當(dāng)前符號(hào)的集合稱(chēng)為SDG模型G的樣本值,函數(shù)φ: φ(vi)(vi∈V,φ→{+,0,-}),稱(chēng)為節(jié)點(diǎn)vi的符號(hào). 即:

式中:Y為vi的測(cè)試值;Y為vi的期望值; ε為vi處于正常狀態(tài)的閾值. “1”代表節(jié)點(diǎn)的測(cè)試值超過(guò)了正常閾值, 節(jié)點(diǎn)故障; “-1”代表節(jié)點(diǎn)的測(cè)試值在正常閾值之下, 節(jié)點(diǎn)故障; “0”代表節(jié)點(diǎn)的測(cè)試值在正常閾值內(nèi),節(jié)點(diǎn)正常.

如圖1所示為SDG模型的節(jié)點(diǎn)、有向邊示意圖,圖中的SDG模型有三個(gè)節(jié)點(diǎn)A、B、C和兩個(gè)有向邊、AC.AB上的“+”代表A對(duì)B的影響作用為正,即A的值增大會(huì)導(dǎo)致B的值也增大, A的值減小會(huì)導(dǎo)致B的值也減小;AC上的“-”代表A對(duì)C的影響作用為負(fù), 即A的值增大會(huì)導(dǎo)致C的值減小, A的值減小會(huì)導(dǎo)致C的值增大.

圖1 系統(tǒng)總體框圖

1.2 分層方法

分層SDG模型是對(duì)系統(tǒng)的故障傳播進(jìn)行分層次的描述, 表示了故障源的層次, 也就是說(shuō)任一節(jié)點(diǎn)故障只能傳播到本層和比本層更低層的節(jié)點(diǎn), 而不會(huì)影響到高層的節(jié)點(diǎn), 從而使故障源搜索空間減小, 使可候選故障源減少, 診斷效率提高.

定義3. SDG模型的先行集和可達(dá)集分別用A和R表示: A由所有能夠到達(dá)vi的節(jié)點(diǎn)組成, R由所有從vi到達(dá)的節(jié)點(diǎn)組成.

定義4. 分層SDG模型GF的數(shù)學(xué)模型表示如下:

式中: 集合VF={vh|vh為第h層所有節(jié)點(diǎn)}, h為節(jié)點(diǎn)的層數(shù); 函數(shù)ψ:ψ(eh,h+1)(eh,h+1∈EF,, 各支路節(jié)點(diǎn)間的正、反作用分別用“+”和“-”表示; 集合EF=為第h層和h+1層節(jié)點(diǎn)間的所有有向邊}.

采用基于可達(dá)性的分層方法[12], 具體步驟為:

步驟1. 對(duì)每個(gè)節(jié)點(diǎn)尋找可達(dá)集R和先行集A .

步驟2. 分別計(jì)算R和A的交集, 對(duì)于交集與A相同的節(jié)點(diǎn)vi就是第1層的節(jié)點(diǎn). 第1層節(jié)點(diǎn)的集合可以表示為:

步驟3 除去所有已經(jīng)確定層次的節(jié)點(diǎn), 再除去與這些節(jié)點(diǎn)相連的有向邊, 就會(huì)產(chǎn)生一個(gè)新的SDG模型.對(duì)該新SDG模型的所有節(jié)點(diǎn)重復(fù)步驟1和2, 分別計(jì)算第2到h層的節(jié)點(diǎn)集合, 直到對(duì)所有節(jié)點(diǎn)進(jìn)行分層.第h層節(jié)點(diǎn)集可以表示為:

采用以上步驟, 某SDG模型的分層如圖2所示.

圖2 SDG模型分層示意圖

1.3 模糊分層SDG模型

在大規(guī)模的系統(tǒng)中, 故障之間的關(guān)系復(fù)雜, 加上不可測(cè)量節(jié)點(diǎn)的存在和測(cè)量噪聲的影響, 導(dǎo)致系統(tǒng)變量的測(cè)量不準(zhǔn)確. 因此, 本文采用模糊量表示這一不確定性, 使故障診斷的分辨率提高. 根據(jù)系統(tǒng)所處工作狀態(tài)的不同, 采用模糊語(yǔ)言值描述節(jié)點(diǎn)的模糊變量取值. 一種模糊語(yǔ)言值與一個(gè)模糊子集相對(duì)應(yīng), 模糊子集能夠反映所處的不同工作狀態(tài)和系統(tǒng)變量的大小,使得更多的定量信息包含于系統(tǒng)節(jié)點(diǎn)中.

定義5. 模糊分層SDG模型GM的精確數(shù)學(xué)模型表示如下:

式中:vm為模糊變量. 根據(jù)節(jié)點(diǎn)所處工作狀態(tài)的不同,假設(shè)系統(tǒng)的模糊變量取3個(gè)模糊語(yǔ)言值, 即{低,正常,高}={L, M, H}; λ為各模糊子集所對(duì)應(yīng)的隸屬度函數(shù), λ={,,}; A為節(jié)點(diǎn)v的父集, 即先行集; R為節(jié)點(diǎn)v的子集, 即可達(dá)集; T為節(jié)點(diǎn)v的條件概率表CPT, 表達(dá)了節(jié)點(diǎn)v與其父節(jié)點(diǎn)之間的概率因果關(guān)系,是貝葉斯推理的前提條件.

定義7. 支路EM的數(shù)學(xué)模型表示如下:

式中: vm和vn分別為EM的起始和終止節(jié)點(diǎn); Wm,n為vm和vn的故障傳播權(quán)重, Wm,n∈[0,1], 表示支路傳播故障能力的大小, 根據(jù)系統(tǒng)原理和實(shí)際運(yùn)行經(jīng)驗(yàn)得出; C為故障傳播介質(zhì), 即兩變量之間相互作用部件的集合.

由定義5、6和7所描述的模型即為模糊分層SDG模型. 該模型的建立步驟如下:

步驟1. 選取合適的系統(tǒng)參數(shù)作為節(jié)點(diǎn), 確定節(jié)點(diǎn)間的故障影響關(guān)系, 建立SDG模型.

步驟2. 對(duì)步驟1的SDG模型進(jìn)行分層處理.

步驟3. 若SDG模型中存在環(huán)路, 則需對(duì)其進(jìn)行化簡(jiǎn), 打開(kāi)環(huán)路; 若SDG模型中不存在環(huán)路, 則跳過(guò)步驟3, 直接進(jìn)行步驟4. 開(kāi)環(huán)方法如下: 若v1,v2,…,vk-1,vk構(gòu)成環(huán)路, 其中vk為受控節(jié)點(diǎn), 則可以增加一個(gè)復(fù)制了vk信息的節(jié)點(diǎn)vk+1, 以此將環(huán)路在vk處打開(kāi), 這樣從v1,v2,…,vk-2,vk-1到vk+1便成為有向無(wú)環(huán)圖.

步驟4. 按照定義5、6和7對(duì)節(jié)點(diǎn)和有向邊描述.

2 故障推理方法

故障推理是進(jìn)行故障診斷的重要環(huán)節(jié), 模糊分層SDG模型的故障推理就是判斷是否為相容支路. 但是,對(duì)于有較高實(shí)時(shí)性要求的系統(tǒng), 不能采用復(fù)雜性過(guò)高的推理算法. 因此本文采用貝葉斯概率推理算法來(lái)判斷是否為相容支路, 尋找故障源候選集合. 本文中貝葉斯概率推理僅是對(duì)節(jié)點(diǎn)間的故障傳播關(guān)系定性應(yīng).

貝葉斯推理的基礎(chǔ)是貝葉斯網(wǎng)絡(luò). 與貝葉斯網(wǎng)絡(luò)的傳統(tǒng)應(yīng)用不同, 本文的系統(tǒng)模型中, CPT中的概率只有0和1兩種, 表示的是節(jié)點(diǎn)之間的一種多態(tài)邏輯關(guān)系. 又由于非線性情況的存在, 簡(jiǎn)單的增量和減量定性關(guān)系不能完全反映這種情況. 因此, 本文通過(guò)CPT建立子節(jié)點(diǎn)與父節(jié)點(diǎn)間的故障邏輯關(guān)系.

2.1 故障候選集合確定

對(duì)于貝葉斯網(wǎng)絡(luò), 在已知CPT的情況下, 按照條件獨(dú)立性假設(shè)可得到集合V的聯(lián)合概率分布為:

式中: parents(iv)為iv的所有父節(jié)點(diǎn)變量的一個(gè)取值.

對(duì)于模糊分層SDG模型, 各節(jié)點(diǎn)集合為Vm=, E為概率已知的節(jié)點(diǎn)集合, Q為概率待求的節(jié)點(diǎn)集合, U為不可測(cè)的節(jié)點(diǎn)集合.

在已知E和各節(jié)點(diǎn)CPT的情況下, 利用貝葉斯推理求Q中某一節(jié)點(diǎn)的后驗(yàn)條件概率, 如下所示:

在系統(tǒng)含有不可測(cè)量節(jié)點(diǎn)的情況下, 貝葉斯推理也可以獲得該節(jié)點(diǎn)的后驗(yàn)條件概率, 實(shí)現(xiàn)概率推理.由于要用貝葉斯推理結(jié)果來(lái)判斷支路是否相容, 因此需要對(duì)傳統(tǒng)判斷相容支路的定義進(jìn)行擴(kuò)展, 本文采用的貝葉斯推理算法為成熟的連接樹(shù)算法.

定義8. 假設(shè)圖3所示為系統(tǒng)的某一部分, 采集節(jié)點(diǎn)A運(yùn)行數(shù)據(jù), 并進(jìn)行模糊量化處理. 根據(jù)其他可測(cè)量的證據(jù)節(jié)點(diǎn)的值, 通過(guò)連接樹(shù)貝葉斯推理算法得到與節(jié)點(diǎn)A對(duì)應(yīng)的各個(gè)模糊語(yǔ)言值的概率, 若已知模糊變量A的值與概率最大的模糊變量取值一致, 則指向節(jié)點(diǎn)A的所有支路為相容支路.

圖3 模糊SDG模型的相容支路示意圖

圖3 中, 若通過(guò)測(cè)量得到A對(duì)應(yīng)的模糊變量A=H,而通過(guò)貝葉斯推理算法得到的結(jié)果為P(A=H)=0.7, P(A=M)=0.1, P(A=L)=0.2, 其中P(A=H)概率最大, 且A的取值與已知一致, 則根據(jù)定義8可知, EB→A和EC→A為相容邊.

2.2 故障可能性排序

定義9. 故障可能性為:

式中: Wi,j為支路ei,j故障傳播權(quán)重,F(C)為支路部件集C的故障概率. 計(jì)算故障源候選節(jié)點(diǎn)集合中各個(gè)故障源的Pw(C),對(duì)各故障源概率大小進(jìn)行排序.

3 診斷步驟

綜上所述, 基于模糊分層SDG模型故障推理方法進(jìn)行故障診斷的具體步驟如下:

步驟1. 選取合適的系統(tǒng)參數(shù)作為節(jié)點(diǎn), 確定節(jié)點(diǎn)間的故障影響關(guān)系, 按照定義1建立系統(tǒng)SDG模型.

步驟2. 針對(duì)步驟1建立的SDG模型, 采用定義4里面的分層模型和分層方法, 進(jìn)行分層處理(若存在環(huán)路, 需進(jìn)行開(kāi)環(huán)處理).

步驟3. 根據(jù)定義6和定義7, 完成對(duì)節(jié)點(diǎn)和有向邊的描述.

步驟4. 采用定義8貝葉斯概率推理來(lái)判斷是否為相容支路, 求出故障源候選集.

步驟5. 根據(jù)定義9, 通過(guò)計(jì)算各故障源的故障可能性大小, 對(duì)候選故障源的故障概率大小進(jìn)行排序.

下面, 采用本方法應(yīng)用于航空發(fā)動(dòng)機(jī)燃油調(diào)節(jié)系統(tǒng)進(jìn)行實(shí)例分析.

4 實(shí)例分析

航空發(fā)動(dòng)機(jī)燃油調(diào)節(jié)系統(tǒng)作為航空發(fā)動(dòng)機(jī)的重要控制系統(tǒng)之一, 在系統(tǒng)中的作用尤為重要. 燃油調(diào)節(jié)系統(tǒng)要求診斷方法有很高的完備性和準(zhǔn)確性, 但對(duì)于航空發(fā)動(dòng)機(jī)這樣的復(fù)雜系統(tǒng)而言, 缺少診斷經(jīng)驗(yàn), 故障樣本不易得到, 適合采用本方法.

通過(guò)對(duì)某型號(hào)航空發(fā)動(dòng)機(jī)燃油調(diào)節(jié)系統(tǒng)原理分析,以及實(shí)際工作和工作經(jīng)驗(yàn)的總結(jié), 找出系統(tǒng)可測(cè)量的關(guān)鍵變量, 確定變量間的定性關(guān)系, 如表1所示為建模中確定采用的測(cè)量參數(shù)及相應(yīng)的測(cè)試節(jié)點(diǎn).

表1 航空發(fā)動(dòng)機(jī)燃油調(diào)節(jié)系統(tǒng)參數(shù)表

MEC管道發(fā)生泄漏故障時(shí), 導(dǎo)致PS12增大, 進(jìn)而導(dǎo)致N1和N2均下降, PLA超前; TS濾網(wǎng)阻塞時(shí), 導(dǎo)致TS增大, 進(jìn)而導(dǎo)致N1和N2均增大, PLA滯后, VBV的開(kāi)合角度偏小, VSV的開(kāi)合角度偏大; TS氨氣泄漏與TS濾網(wǎng)阻塞產(chǎn)生的結(jié)果相反, 即N1和N2均下降, PLA超前, VBV的開(kāi)合角度偏大, VSV的開(kāi)合角度偏小; CIT濾網(wǎng)阻塞時(shí), 導(dǎo)致CIT上升, 進(jìn)而造成VBV的開(kāi)合角度偏大, VSV的開(kāi)合角度偏小; CIT氨氣泄漏與CIT濾網(wǎng)阻塞產(chǎn)生的結(jié)果相反, 即CIT降低,進(jìn)而造成VBV的開(kāi)合角度偏小, VSV的開(kāi)合角度偏大.

因此, 應(yīng)用上文提出的模型定義和建模方法, 建立燃油調(diào)節(jié)系統(tǒng)SDG模型如圖4所示.

圖4 航空發(fā)動(dòng)機(jī)燃油調(diào)節(jié)系統(tǒng)SDG模型

對(duì)圖4所示燃油調(diào)節(jié)系統(tǒng)SDG模型采用基于可達(dá)性的分層方法進(jìn)行分層, 結(jié)果如圖5所示. 由于此系統(tǒng)不存在環(huán)路, 因此無(wú)需進(jìn)行開(kāi)環(huán)處理.

圖5 航空發(fā)動(dòng)機(jī)燃油調(diào)節(jié)系統(tǒng)分層SDG模型

依據(jù)模糊SDG模型的概念, 分別描述圖5中各節(jié)點(diǎn)和支路, 表2所示為模型中節(jié)點(diǎn)A1的模糊子集. 根據(jù)表2, 對(duì)其它可獲得的節(jié)點(diǎn)變量值進(jìn)行模糊量化處理, 使其變?yōu)槟：? 表3所示為節(jié)點(diǎn)的CPT, 描述了A1與其父節(jié)點(diǎn)之間的故障邏輯關(guān)系.

表2 節(jié)點(diǎn)A1的模糊子集

表3 節(jié)點(diǎn)A1的CPT

本例中, 首先假設(shè)故障“CIT濾網(wǎng)阻塞”, 該故障將導(dǎo)致節(jié)點(diǎn)A1偏大和節(jié)點(diǎn)S1偏小, 從而開(kāi)始報(bào)警, 得到報(bào)警節(jié)點(diǎn)集合為T(mén)={A1, S1}. 其次, 從報(bào)警節(jié)點(diǎn)開(kāi)始回溯搜索, 找出故障源. 取出報(bào)警節(jié)點(diǎn)A1, 位于分層SDG模型的第2層, 對(duì)其進(jìn)行向上的回溯搜索, 搜索路徑分別為: A1→T1和A1→T2, 通過(guò)貝葉斯概率推理仿真得出A1→T1為模糊不相容通路, 則根據(jù)上文的系統(tǒng)故障分析可知, “CIT濾網(wǎng)阻塞”為故障源; 取出報(bào)警節(jié)點(diǎn)S1, 位于分層SDG模型的第3層, 對(duì)其進(jìn)行向上的回溯搜索, 因?yàn)锳1已被搜索過(guò), 所以搜索路徑分別為: S1→P, S1→A2→T1, S1→A2→T2, S1→T1和S1→T2, 通過(guò)貝葉斯概率推理仿真得出A2→T2為模糊不相容通路, 則根據(jù)上文的系統(tǒng)故障分析可知, “TS氨氣泄漏”為故障源. 綜上得到故障源候選集合為{CIT濾網(wǎng)阻塞, TS氨氣泄漏}. 最后, 假設(shè)WT1,A1=0.7, F(CIT) = 6%, WT2,A2=0.5, F(CIT) = 7%, 通過(guò)定義9得:

根據(jù)故障可能性對(duì)故障源進(jìn)行排序可知: CIT濾網(wǎng)阻塞＞TS氨氣泄漏.

根據(jù)診斷結(jié)果可以得知, 診斷系統(tǒng)不但實(shí)現(xiàn)了對(duì)先前預(yù)設(shè)故障“CIT濾網(wǎng)阻塞”的識(shí)別, 而且還識(shí)別出新的可能故障“TS氨氣泄漏”. 這是因?yàn)樵趯?shí)際系統(tǒng)中,“TS氨氣泄漏”也可能產(chǎn)生同樣的故障現(xiàn)象, 體現(xiàn)了很好的完備性; 分層思想的引入, 縮小了故障搜索空間,提高了診斷仿真效率. 表4所示為與傳統(tǒng)SDG模型的診斷結(jié)果比較, 可以看出, 本文方法縮小了候選故障集, 提高了診斷分辨率.

表4 兩種方法結(jié)果比較

5 結(jié)語(yǔ)

本文提出的基于模糊分層SDG模型的故障診斷方法, 通過(guò)貝葉斯推理判斷是否為相容支路, 找出候選故障集, 對(duì)各故障源概率大小進(jìn)行排序. 通過(guò)分層方法, 縮小了故障搜索空間, 提高了診斷效率; 采用模糊思想, 提高了診斷分辨率. 應(yīng)用于某型號(hào)航空發(fā)動(dòng)機(jī)燃油調(diào)節(jié)系統(tǒng)故障診斷, 分析結(jié)果表明, 該方法不但具有傳統(tǒng)SDG模型故障診斷的完備性, 而且有效提高了診斷的分辨率, 診斷高效, 適用于復(fù)雜系統(tǒng)的故障診斷要求.

1 劉鵬鵬,左洪福,蘇艷,孫見(jiàn)忠.基于圖論模型的故障診斷方法研究進(jìn)展綜述.中國(guó)機(jī)械工程,2013,24(5):696–702.

2 Hiranmayee V, Vanket V. PCA-SDG based process monitoring and fault diagnosis. Control Engineering Practice, 1999, (7): 903–917.

3 Hiranmayee V, Venkatasubramanian V, Maurya M, et al. A signed directed graph-based systematic frame work for steady-state malfunction diagnosis inside control loops. Chemical Engineering Science, 2006, 61(6): 1790–1810.

4 龍兵,姜興渭,宋政吉.基于多Agent衛(wèi)星遙測(cè)數(shù)據(jù)實(shí)時(shí)監(jiān)測(cè)與診斷技術(shù).航空學(xué)報(bào),2005,26(6):726–732.

5 劉磊,龍兵,劉震.兩種多故障診斷算法的性能比較研究.電子測(cè)量與儀器學(xué)報(bào),2011,25(1):75–80.

6 安若銘,姜興渭,宋政吉.基于抽象的分層診斷技術(shù)應(yīng)用研究.航空學(xué)報(bào),2006,27(3):448–452.

7 安若銘,高陽(yáng).基于分層神經(jīng)網(wǎng)絡(luò)的航天器故障診斷技術(shù).航天器環(huán)境工程,2013,30(2):203–208.

8 王偉,于達(dá)仁,趙輝,等.基于符號(hào)有向圖模型的故障診斷方法.動(dòng)力工程,2007,(5):736–741.

9 曹文亮,王兵樹(shù),馬良玉,等.基于SDG推理規(guī)則和定量分析的故障診斷技術(shù).熱能動(dòng)力工,2005,(6):66–70.

10 劉敏華.基于SDG模型的故障診斷及應(yīng)用研究[博士學(xué)位論文].北京:淸華大學(xué),2005.

11 劉軍強(qiáng),王小磊,張馬蘭,等.基于改進(jìn)符號(hào)有向圖模型的發(fā)動(dòng)機(jī)引氣系統(tǒng)多故障診斷方法.航空動(dòng)力學(xué)報(bào),2015,30(2): 410–421.

12 呂寧,熊智華,王雄.SDG故障診斷中的分層建模遞階推理方法.控制工程,2010,17(4):561–564.

Fault Reasoning Method Based on Fuzzy Hierarchical SDG Model

YANG Heng-Zhan1,2, ZHANG Ke1, QIAN Fu-Cai2,31(School of Electronic and Information Engineering, Xi’an Technological University, Xi’an 710021, China)2(School of Automation and Information Engineering, Xi’an University of Technology, Xi’an 710048, China)3(Key Laboratory of Spacecraft In-orbit Fault Diagnosis and Repair, Xi’an Satellite Control Center, Xi’an 710043, China)

Aiming at the shortcomings of traditional SDG model diagnostic, such as low resolution, slow speed and low efficiency, this paper proposes a fault reasoning method based on fuzzy hierarchical SDG model. Firstly, build system’s SDG model, and then layer. Using fuzzy variable to represent node variables, we express qualitative causal relationship by conditional probability table between nodes. Finally we use Bayesian inference and backtracking search to find out fault source candidates, and sort candidate solutions. By using the proposed method, the fault diagnosis of certain type aircraft engine fuel control system is carried out, and the results show that the method can improve the resolution and efficiency of diagnosis, the diagnosis results are accurate and complete.

fault diagnosis; SDG model; Bayesian inference; the fuzzy hierarchical

航天器在軌故障診斷與維修實(shí)驗(yàn)室開(kāi)放課題(SDML_OF2015004);陜西省國(guó)際科技合作重點(diǎn)項(xiàng)目(2015KW-024)

2016-04-06;收到修改稿時(shí)間:2016-05-16

10.15888/j.cnki.csa.005523