一种基于改进Petri网检测应变式称重传感器故障的方法技术

本发明专利技术公开了一种基于改进Petri网检测应变式称重传感器故障的方法，属于检测技术领域。该故障检测方法包括根据传感器自身的物理结构和故障事件统计，形成传感器的故障逻辑系统；利用改进型的Petri网结合上述的故障逻辑系统，建立故障模型；综合模糊统计、故障统计数据、专家经验和神经网络调节算法，确定初始库所置信度、权值和变迁阈值；通过推理计算得到模型中全部库所置信度，通过这些结果，对传感器进行故障预测与诊断。通过上述方法提高了应变式称重传感器故障检测的可靠性和精准性。

Method for detecting fault of strain type weighing sensor based on improved Petri net

The invention discloses a method for detecting the fault of a strain type weighing sensor based on an improved Petri net, belonging to the technical field of detection. The fault detection method based on the physical structure including the sensor and fault event statistics, the formation of fault logic system of the sensor; the use of improved Petri network with fault logic system and the establishment of fault model; fuzzy comprehensive statistics, fault statistics, expert experience and neural network control algorithm to determine the initial base confidence, the weights and threshold changes; get all the base model in reliability through calculation, through these results, fault prediction and diagnosis of the sensor. The reliability and accuracy of the strain sensor are improved by the method mentioned above.

【技术实现步骤摘要】
一种基于改进Petri网检测应变式称重传感器故障的方法
本专利技术涉及检测
，具体涉及一种基于改进Petri网检测应变式称重传感器故障的方法。
技术介绍
应变式称重传感器主要应用在各种条件下的称重和测力，并广泛运用在我们生活中的各个领域，其生产工艺质量和电路设计的优劣直接影响传感器的精确性。目前，越来越多的行业和领域离不开称重传感器的支撑，其中就不乏很多大吨位的称重传感器，为保证其正常稳定的运行与使用，必须有一套行之有效的故障预测与诊断系统，其意义重大。Petri网是对离散并行系统的数学表示，由于Petri网是一种良好的并行计算和行为分析方法，既有严格的数学公式，也有直观的图形描述。目前基于Petri网的主要故障检测方法有：将模糊技术与Petri网相结合，提出模糊Petri网(FuzzyPetriNet，FPN)的建模方法，有效地解决了库所token值不确定性问题，但没有给出FPN的动态推理方法。MYCIN方法来进行置信度推理计算，但MYCIN方法存在权值计算的缺陷。应用矩阵推理模糊Petri网解决了模糊故障Petri网的矩阵推理问题，但是其相关模型参数，比如权值等，具有很大的不确定性。基于方向性的建模思想，降低了关联矩阵的维度，简化了计算，但没有对权值进行过多描述。结合BP算法，使得Petri网具有自学习能力，权值变得更加明确，但没有对模型进行相应的改进。BP神经网络与传统的模糊故障Petri网相结合，提出了自适应模糊Petri网，解决了传统模糊故障Petri的学习能力，但是没有明确指出变迁置信度的确定，使得系统具有较多的不确定性。
技术实现思路
本专利技术的目的是提供一种基于改进Petri网在应变式称重传感器的故障检测方法，利用改进Petri网检测应变式称重传感器的故障，提高了传感器故障检测的可靠性和精准性。本专利技术采用以下的技术方案：一种基于改进Petri网检测应变式称重传感器故障的方法，包括以下步骤：步骤1：根据应变式称重传感器自身的物理结构和故障事件统计，形成传感器的故障逻辑系统，故障逻辑系统是由一个或多个故障而引发的其他故障的关系；步骤2：根据Petri网结合上述的故障逻辑系统，建立故障模型；模糊故障Petri网定义为一个9元组：Sp＝(P,T,I,O,K,ω,α,f,λ)；其中，(1)P＝{p1,p2,...,pn}库所故障集合，代表了传感器发生的各种故障，包括“输出调整电阻断栅”，“称重过载”，“膜片分流的灵敏度偏大”；(2)T＝{t1,t2,...,tn}表示变迁集合，当有变迁触发时ti＝1，否则ti＝0；(3)K＝(k1,k2,...,kn)T表示库所标识向量，当库所表示事件发生故障时，ki＝1，否则，ki＝0；(4)ω＝(ω1,ω2,...,ωn)T为库所权值n维向量，满足当Pk∈I(t)时，(5)α＝(α1,α2,...,αn)T为库所置信度n维向量，表示故障事件真实发生的置信度；(6)f＝(f1,f2,...,fn)T为库所事件模糊概率集合，fi表示库所事件pi所发生的概率大小；(7)λ＝(λ1,λ2,...,λn)T为变迁阀值向量；步骤3：综合模糊统计、故障统计数据、专家经验和神经网络调节算法，确定初始库所置信度、权值和变迁阈值；初始库所置信度是通过模糊统计法，结合历史数据与专家经验获得；权值的确定是通过神经网络算法进行调节得到：定义di为第i个单元应有的输出(期望输出)；定义yi为第i个单元的实际输出，该单元的误差信号ei＝di-yi，其中，yi＝vi(∑αi·ωi)，vi(x)＝1/(exp(x)+1)；权值的调节体现在误差反传，其中误差平方作为调节信号进行反传；修改量梯度为权值的修正量为其中η是学习率；得到一个新的权值将其回代到上述式中，经过反复迭代计算，直到误差平方E在允许范围之内，权值调节结束；步骤4：通过推理计算得到模型中全部库所置信度，通过这些结果，对传感器进行故障预测与诊断；推理计算包括正向推理与逆向推理，正向推理是基于FPN模型的，正向推理反映了故障传播的特性，根据工作环境和元件的检测或专业人员获取的故障征兆信息，来预测可能发生的状况，通过变迁点火的判别矩阵和故障状态标识的流动，对可能发生的故障进行评估，并采取相应的应对措施；逆向推理是当有故障发生时，来推导故障发生的原因；正向推理，为了清晰、简洁地表示各矩阵推理运算，利用Petri网描述并发系统的能力和模糊Petri网数学理论推导基础，定义了5个特殊算子：(1)比较算子◇：C＝A◇B，A，B和C均为m×n矩阵，当aij＞bij时，Cij＝1；当aij＜bij时，Cij＝0，i＝1,2,…,m；j＝1,2,…,n；(2)取小算子∧：C＝A∧B，A,B和C均为m×n矩阵，cij＝min(aij,bij)，i＝1,2,…,m；j＝1,2,…,n；(3)取大算子∨：C＝A∨B，A，B和C均为m×n矩阵cij＝max(aij,bij)，i＝1,2,…,m；j＝1,2,…,n；(4)直乘算子*：C＝A*b，A和C分别为m×n，n×m矩阵，b为n维向量，则cij＝aij·bi，i＝1,2,…,m；j＝1,2,…,n；(5)乘法算子和C分别为m×q，q×n，m×n矩阵，j＝1,2,…,n；采用MYCIN的置信度为基础，对相关算法进行改良，推理结束后可得到全部库所的置信度值，依次作为故障评价与诊断的依据。改良如下：定义一：权值矩阵P为m×n矩阵，且当权值ωj是库所αi的权值的时候，pij＝1，否则pij＝0，i＝1,2,…,m；j＝1,2,…,n；定义二：变迁矩阵Q为m×n矩阵，且当权值ωi连接变迁tj的时候，qij＝1，否则qij＝0，i＝1,2,…,m；j＝1,2,…,n；改进后MYCIN推理公式：αi+1＝αi∨(1+exp[ORT])-1。其中，R＝[(αTP)*ω]Q，表示在若干变迁中库所置信度与权值乘积的等效和的n维列向量，当且仅当αi+1＝αi时，推理结束，否则继续推理；变迁点火判别矩阵和故障状态标识推理方式如下：(1)变迁判别，定义三：称t为潜在变迁使能的；定义四：若变迁T能够触发点火，则在输出库所POj上产生一个新的置信度；若不能触发点火，那么输出库所为0；为计算变迁点火矩阵，用上文计算得到的向量R然后，通过比较公式得到变迁点火判别矩阵，Y＝R◇λ,其中Y＝(y1,y2,...,yn)T为变迁点火判别矩阵，若满足点火条件yi＝1，否则yi＝0，根据点火规则，得到含有token的库所所对应变迁的使能点火矩阵推理公式：式中：Ki-1-Ki-2表示第i-1次新点火标识向量；(2)故障状态标识向量，将上述结果带入推理矩阵公式：逆向推理，引入了最小割集故障发生率，定义三：若最小割集G＝{p1,p2,...,pn}，最小割集故障发生率为：f(G)＝(α1+α2+…+αn)/nn＞0；逆向推理的输入、输出库所分别为正向的输出、输入库所，即I-＝O，O-＝I，逆向推理矩阵公式为：式中：为第k次逆向点火时的逆网使能变迁序列。本专利技术具有的有益效果是：本专利技术提供了一种基于改进Petri网检测应变式称重传感器故障的方法，设计一种改进型Petri网，用sigmoid函数来代替不确定性较强的变迁置信度。该改进型Petri网利用本文档来自技高网...

【技术保护点】
一种基于改进Petri网检测应变式称重传感器故障的方法，其特征在于，包括以下步骤：步骤1：根据应变式称重传感器自身的物理结构和故障事件统计，形成传感器的故障逻辑系统；步骤2：根据Petri网结合上述的故障逻辑系统，建立故障模型；模糊故障Petri网定义为一个9元组：S

【技术特征摘要】
1.一种基于改进Petri网检测应变式称重传感器故障的方法，其特征在于，包括以下步骤：步骤1：根据应变式称重传感器自身的物理结构和故障事件统计，形成传感器的故障逻辑系统；步骤2：根据Petri网结合上述的故障逻辑系统，建立故障模型；模糊故障Petri网定义为一个9元组：Sp＝(P,T,I,O,K,ω,α,f,λ)；其中，(1)P＝{p1,p2,...,pn}库所故障集合，代表了传感器发生的各种故障，包括“输出调整电阻断栅”，“称重过载”，“膜片分流的灵敏度偏大”；(2)T＝{t1,t2,...,tn}表示变迁集合，当有变迁触发时ti＝1，否则ti＝0；(3)K＝(k1,k2,...,kn)T表示库所标识向量，当库所表示事件发生故障时，ki＝1，否则，ki＝0；(4)ω＝(ω1,ω2,...,ωn)T为库所权值n维向量，满足当Pk∈I(t)时，(5)α＝(α1,α2,...,αn)T为库所置信度n维向量，表示故障事件真实发生的置信度；(6)f＝(f1,f2,...,fn)T为库所事件模糊概率集合，fi表示库所事件pi所发生的概率大小；(7)λ＝(λ1,λ2,...,λn)T为变迁阀值向量；步骤3：综合模糊统计、故障统计数据、专家经验和神经网络调节算法，确定初始库所置信度、权值和变迁阈值；初始库所置信度是通过模糊统计法，结合历史数据与专家经验获得；权值的确定是通过神经网络算法进行调节得到：定义di为第i个单元应有的输出(期望输出)；定义yi为第i个单元的实际输出，该单元的误差信号ei＝di-yi，其中，yi＝vi(∑αi·ωi)，vi(x)＝1/(exp(x)+1)；权值的调节体现在误差反传，其中误差平方作为调节信号进行反传；修改量梯度为权值的修正量为其中η是学习率；得到一个新的权值ωi(1)＝Δωi+ωi，将其回代到上述式中，经过反复迭代计算，直到误差平方E在允许范围之内，权值调节结束；步骤4：通过推理计算得到模型中全部库所置信度，通过这些结果，对传感器进行故障预测与诊断；推理计算包括正向推理与逆向推理，正向推理是基于FPN模型的正向推理反映了故障传播的特性，根据工作环境和元件的检测或专业人员获取的故障征兆信息，来预测可能发生的状况，通过变迁点火的判别矩阵和故障状态标识的流动，对可能发生的故障进行评估，并采取相应的应对措施；逆向推理是当有故障发生时，来推导故障发生的原因；正向推理，为了清晰、简洁地表示各矩阵推理运算，利用Petri网描述并发系统的能力和模糊Petri网数学理论推导基础，定义了5个特殊算子：(1)比较算子◇：C＝A◇B，A，B和C均为m×n矩阵，当aij＞bij时，Cij＝1；当aij＜bij时，Cij＝0，i＝1,2,…,m；j＝1,2,…...

【专利技术属性】
技术研发人员：程学珍，朱晓琳，王程，曹茂勇，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东,37