一种复杂工业系统动态故障诊断方法及系统技术方案

本发明专利技术公开了一种复杂工业系统动态故障诊断方法及系统。方法包括：确定复杂工业系统的关键特征指标；基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度；基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重；根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量；根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。本发明专利技术能够提高复杂工业系统动态故障诊断的精度和效率。

【技术实现步骤摘要】
一种复杂工业系统动态故障诊断方法及系统
本专利技术涉及复杂工业系统健康管理领域，特别是涉及一种复杂工业系统动态故障诊断方法及系统。
技术介绍
诸如液化天然气储罐等复杂工业系统作为我国国民经济的重要组成部分，其运行期间的安全性和可靠性直接关乎人民财产和生命安全。复杂工业系统健康管理作为提高其安全性和可靠性的重要手段，目前已经被广泛的应用于多个领域。故障检测及诊断(Faultdetectionanddiagnosis,FDD)作为健康管理的重要方面，旨在通过系统的监测信息及时准确的发现、定位系统故障，为维修保养提供基础。随着科技的发展，目前，复杂工业系统的关键特征集中体现在集成化设计、自动化程度高、子系统高度耦合、实时性要求高、承担任务重要等，这给其故障诊断提出了很高的要求。分析目前复杂工业系统故障诊断中面临的问题，总结可以分为四个方面：第一，随着装备制造业水平的不断提升，目前，诸如液化天然气储罐等复杂工业系统的设计可靠度不断提升，出现故障的概率大幅度降低，进而导致所能够获取的故障信息尤为缺乏；第二，由于复杂工业系统各个子系统之间高度耦合，且多采用集成化设计，导致影响其工作状态的因素较多，单纯依靠专家知识很难建立其准确的数学模型；第三，在复杂工业系统实际运行的过程中，随着故障的发生，其内部机理也会随之发生变化，进而需要所建立的故障诊断模型能够根据系统的变化对自身结构和参数进行自适应的调整更新，保证诊断的精度；第四，在复杂工业系统故障诊断的过程中，信息来源主要分为历史信息和在线监测信息，历史信息由长期积累所得到，能够包含大部分系统模态，在线监测信息主要反映了系统当前时刻的运行状态。将历史信息与在线监测信息进行简单组合可以保证模型记忆最长，但同时导致模型在线更新的实时性降低；单纯考虑在线监测信息又会使得模型丧失记忆，导致历史信息的浪费和诊断精度的降低。
技术实现思路
基于此，本专利技术的目的是提供一种复杂工业系统动态故障诊断方法及系统，用以提高复杂工业系统故障诊断的实时性和精度。为实现上述目的，本专利技术提供了如下方案：一种复杂工业系统动态故障诊断方法，包括：确定复杂工业系统的关键特征指标；基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度；基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重；根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量；根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。可选的地，在确定复杂工业系统的关键特征指标，之后包括：将所述关键特征指标转换到统一框架下。可选的地，关键特征指标相对于BRB中每条规则的匹配度的计算公式如下：其中，为关键特征指标转换后在第j条规则中的匹配度；Rik和Ri(k+1)是第i个关键特征指标在第k条和第k+1条规则中的参考等级；为t时刻第i个关键特征指标，L′为规则数量。可选的地，所述每条规则的激活权重的计算公式如下：其中，wk(t)为第k条规则的激活权重，αk(t)为关键特征指标相对于第k条规则的匹配度，表示第k条规则权重。可选的地，在所述规则权重低于阈值时，删除所述规则权重对应的规则，降低故障诊断模型的复杂度。可选的地，所述故障诊断模型的输出故障特征向量的计算公式如下：其中，[β1,β2…βN]为模型产生的输出故障特征向量，wk(t)为第k条规则的激活权重，βn，k(t)为第k条规则中第n个故障特征向量，L′为约减后的模型规则数量，N为系统中故障诊断结果的种类。可选的地，根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断，具体包括：计算所述输出故障特征向量与标准特征向量之间的距离；确定最小的距离为当前时刻复杂工业系统的故障状态。本专利技术还提供了一种复杂工业系统动态故障诊断系统，包括：关键特征指标确定模块，用于确定复杂工业系统的关键特征指标；匹配度计算模块，用于基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度；激活权重计算模块，用于基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重；输出故障特征向量计算模块，用于根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量；故障诊断模块，用于根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术公开了一种复杂工业系统动态故障诊断方法及系统。方法包括：确定复杂工业系统的关键特征指标；基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度；基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重；根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量；根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。本专利技术能够提高复杂工业系统动态故障诊断的精度和效率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例复杂工业系统动态故障诊断方法的流程图；图2为本专利技术实施例故障诊断模型流程图；图3为本专利技术实施例液化天然气储罐监测指标测试数据；图4为本专利技术实施例液化天然气储罐动态故障模型约减后评估结果；图5为本专利技术实施例液化天然气储罐遗忘因子的自适应变化；图6为本专利技术实施例液化天然气储罐动态故障模型结构自适应变化；图7为本专利技术实施例复杂工业系统动态故障诊断系统的结构框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的目的是提供一种复杂工业系统动态故障诊断方法及系统，用以提高复杂工业系统故障诊断的实时性和精度。本专利技术所面临的复杂工业系统同时具有较高的实时性和诊断精度，需要对历史信息使用量和模型结构、参数进行同时更新，保证在使用最少历史信息的情况下达到最高的精度，是对复杂工业系统，如液体运载火箭等，特殊情况下的一种解决方法。本专利技术的主要步骤可以分为以下四步：首先，由确定复杂工业系统的关键特征指标，并将所获取的多元监测信息转换到统一的框架下，为下一步信息融合奠定基础；然后，根据系统关键特征指标构建规则库，根据监测信息计算规则的激活权重并通过证据推理(EvidentialReasoning，ER)算法进行融合，得到本文档来自技高网...

【技术保护点】
1.一种复杂工业系统动态故障诊断方法，其特征在于，包括：/n确定复杂工业系统的关键特征指标；/n基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度；/n基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重；/n根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量；/n根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。/n

【技术特征摘要】
1.一种复杂工业系统动态故障诊断方法，其特征在于，包括：
确定复杂工业系统的关键特征指标；
基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度；
基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重；
根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量；
根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。


2.根据权利要求1所述的复杂工业系统动态故障诊断方法，其特征在于，在确定复杂工业系统的关键特征指标，之后包括：
将所述关键特征指标转换到统一框架下。


3.根据权利要求2所述的复杂工业系统动态故障诊断方法，其特征在于，关键特征指标相对于BRB中每条规则的匹配度的计算公式如下：



其中，为关键特征指标转换后在第j条规则中的匹配度；Rik和Ri(k+1)是第i个关键特征指标在第k条和第k+1条规则中的参考等级；为t时刻第i个关键特征指标，L′为规则数量。


4.根据权利要求3所述的复杂工业系统动态故障诊断方法，其特征在于，所述每条规则的激活权重的计算公式如下：



其中，wk(t)为第k条规则的激活权重，αk(t)为关键特征指标相对于第k条规则的匹配度，表示第k条规则权重。


5.根据权利要求4所述的复杂工业系统动态故障诊断方法，其特征在于...

【专利技术属性】
技术研发人员：胡昌华，冯志超，周志杰，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：陕西;61