[发明专利]基于知识petri网的船用电站故障诊断方法

权利要求书

1.一种基于知识petri网的船用电站故障诊断方法，其特征在于，它包括如下步骤：

步骤1：在现有的船用电站故障Petri网模型Σ中获取船用电站各单元的实际故障与所对应的故障征兆的集合；

步骤2：对上述船用电站各单元的实际故障与所对应的故障征兆的集合通过以下步骤201～步骤205所述的改进的Apriori算法，进行强关联规则挖掘，即将船用电站各单元的故障征兆和实际故障间的强关联规则挖掘出来；

步骤201：设船用电站各单元的实际故障与所对应的故障征兆的集合为I＝{i₁,i₂,…,i_n}，设船用电站故障Petri网模型Σ中所有实际故障集合为I_F，设船用电站故障Petri网模型Σ中所有实际故障的故障征兆集合为I_N，且有I＝I_N+I_F，然后按照故障征兆不同的类型，将上述故障征兆集合I_N分为若干项故障征兆子集的组合，即设故障征兆类型共有m类，则有：

其中，I_Nj和I_Nl指的是I_N中的第j及第l类故障征兆子集，m为故障征兆类型的数目，也就是故障征兆子集的数目；

另外，设从船用电站故障Petri网模型Σ中获取的船用电站各单元的实际故障与所对应的故障征兆的所有对应记录为集合D，这些实际故障和故障征兆称为集合D的项，集合D内的每一个元素R都是一条故障征兆与实际故障的对应记录，元素R是一个同时包含若干个故障征兆和一个对应的实际故障的集合，并且这些若干个故障征兆是分别属于不同类的故障征兆子集的；上述船用电站各单元的实际故障与所对应的故障征兆的集合I为所述集合D的所有项的集合，集合D内的每一个元素R都是集合D的一个项集；

对于集合D中的元素R而言，由R中的若干元素组成的项集称为R的子项集，这些子项集也是D的项集；对于属于集合D的任意一个项集V有：

V＝{i_e,i_f,....,i_g,i_h}(i_e,i_f,....,i_g∈I_N,i_h∈I_F)

如果属于集合D的任意一个项集V有k个元素，那么称项集V为k项集(k≥1)；规定项集V必须满足的条件为：项集V的前k-1个元素i_e,i_f,....,i_g分别属于k-1个不同类的故障征兆子集，第k个元素i_h是一个实际故障；

项集V在集合D中的支持度是指项集V在集合D中出现的概率，即集合D中的元素包含项集V的概率，也就是说集合D中包含项集V的元素数量与集合D的元素数量的比值，即：

Support(V)＝P(V)

其中，Support(V)为项集V的支持度，P(V)为项集V在集合D中出现的概率，如果项集V满足：

Support(V)≥min_sup

其中min_sup为设定的最小支持度阈值；那么项集V是一个频繁项集，称为频繁k项集；

由项集V的所有元素组成的蕴含式{i_e,i_f,....,i_g}→{i_h}称为一条关联规则，即如果存在项集V的前k-1个元素{i_e,i_f,....,i_g}，那么也存在第k个元素{i_h}；显然集合和集合是项集V的子项集，也是集合D的项集；关联规则X→Y的支持度是指集合D中的记录同时包含X和Y的概率，也就是项集V的支持度，即：

Support(X→Y)＝Support(V)

关联规则X→Y的置信度为集合D中的记录如果包含所述集合X那么也包含所述集合Y的概率，也就是集合D中同时包含集合X和集合Y的元素数量与包含集合X的元素数量的比值，即：

Confidence(X→Y)＝P(Y/X)

其中Confidence(X→Y)是指关联规则的置信度，P(Y/X)是指Y关于X的条件概率；

如果所述关联规则X→Y满足：

Support(X→Y)≥min_supConfidence(X→Y)≥min_conf]]>

其中min_conf为设定的最小置信度阈值；那么称关联规则X→Y是强关联规则；

设集合L是集合D的所有频繁项集的集合；集合L_k是集合D的所有频繁k项集的集合；

步骤202：由集合D获取集合L₁的候选集合C₁，其中，集合L₁为频繁1项集的集合，候选集合C₁是集合D所有频繁1项集的集合；按照步骤201中频繁项集的定义筛选集合C₁中的元素，即对C₁中的任意一个元素r，如果满足Support(r)≥min_sup，就把r存入L₁，如果集合L₁为空集，即结束运行，否则设计数器k＝1；

步骤203：使用连接步获取集合L_k+1的候选集合C_k+1，连接步是指由L_k的元素进行自连接，自连接的规则是将集合L_k中具有相同前k-2项的元素两两组合，每一个组合在去除相同项后得到一个k+1项集，如果这个k+1项集是集合D的一个k+1项集而且没有在集合C_k+1出现过，就把这个k+1项集存入集合C_k+1，集合C_k+1的元素必须都不相同并且是集合D的k+1项集；

步骤204：使用剪枝步筛选集合C_k+1中的元素，剪枝步的规则是集合C_k+1保留的元素必须是步骤201中所定义的频繁项集，由集合C_k+1中的所有保留的元素组成集合L_k+1，将L_k+1加入到集合L中，即L＝L∪L_k+1；

步骤205：如果集合L_k+1不是空集，即则令计数器自增1，即k＝k+1，返回步骤203继续执行，否则对于集合L中的每一个元素按照步骤201中关联规则的定义产生关联规则，即对于集合L的任意一个元素v，假设v＝{i_a,i_b,....,i_c,i_d}(i_a,i_b,....,i_c∈I_N,i_d∈I_F)，那么关联规则就是{i_a,i_b,....,i_c}→{i_d}，并使用步骤201中的强关联规则的定义对关联规则{i_a,i_b,....,i_c}→{i_d}进行筛选，即如果Support({ia,ib,....,ic}→{id})≥min_supConfidence({ia,ib,....,ic}→{id})≥min_conf,]]>那么{i_a,i_b,....,i_c}→{i_d}是一个强关联规则，保留该关联规则，所有强关联规则组成强关联规则集合；

步骤3：通过人机对话，用户输入故障征兆特征量和置信度，系统根据上述强关联规则集合使用模糊推理进行故障征兆识别以确定实际故障；

步骤4：以故障征兆识别确定的实际故障为根库所从船用电站故障Petri网模型Σ中抽取出子故障Petri网，使用故障Petri网正向运行和逆向推理的方法进行故障原因诊断，并根据诊断结果给出故障原因、故障路径图和相应的故障维修方法。

2.根据权利要求1所述的基于知识petri网的船用电站故障诊断方法，其特征在于：所述步骤4中，以故障征兆识别确定的实际故障为根库所从船用电站故障Petri网模型Σ中抽取出子故障Petri网通过以下步骤401～步骤408，使用故障Petri网正向运行和逆向推理的方法进行故障原因诊断，并根据诊断结果给出故障原因、故障路径图和相应的故障维修方法；

步骤401：船用电站故障Petri网模型Σ是一个自下而上的分层的Petri网，对于船用电站故障Petri网模型Σ中的库所p_a，规定如果库所p_a是叶子库所，则库所p_a包含了对应部件的累积故障时间函数f_a(τ)和失效阈值λ_a；如果在τ时刻，f_a(τ)≥λ_a则表示船用电站的部件在τ时刻发生了故障，库所p_a产生一个托肯；

步骤402：以步骤3中故障征兆识别所确定的实际故障所对应的库所p₀为根库所从船用电站故障Petri网模型Σ中抽取出子故障Petri网Σ_sub作为本次诊断用的故障Petri网，设故障发生的时间点为t₀；

步骤403：计算子故障Petri网Σ_sub的初始状态标识M₀，根据故障发送的时间点t₀和叶子库所的累积故障分布函数，计算Σ_sub中所有叶子库所的托肯数目，其它非叶子库所的托肯数为0，令计数器k＝0；

步骤404：判断子故障Petri网Σ_sub的当前状态标识M_k中根库所p₀的托肯数，如果为1则表示故障已经传播到根库所p₀，故障原因找到，更新状态标识M_k中所有托肯数为1的叶子库所的累积故障分布函数，本系统设定如果上一次对该叶子库所进行累积故障分布函数更新时该叶子库所对应的实际故障共发生了x次，那么当该实际故障总共发生次数达到x的1.2倍时再次对累积故障分布函数进行更新，更新方法是使用统计学知识人工调整，转到步骤407；如果托肯数为0则表示故障原因未找到，根据当前状态标识M_k求点火序列U_k，进入步骤405；

步骤405：如果根据当前状态标识求的点火序列U_k存在则计算子故障Petri网Σ_sub下一个标识M_k+1，计算公式为现有的故障Petri网状态方程其中C是关联矩阵，运算符的运算规则是：对于两个m×n的矩阵E和矩阵F，有G_ij＝max(E_ij,F_ij)(1≤i≤m,1≤j≤n)，即G中的元素是矩阵E和矩阵F中相同位置的元素中的较大者；计数器k自增1；转到步骤404继续运行；如果根据当前状态标识求的点火序列U_k不存在，则需要根据可信度进行逆向推理，进入步骤406；

步骤406：根据可信度进行逆向推理查找故障原因，对于子故障Petri网Σ_sub中的库所p_b和其下一层库所中的某个库所p_c，规定可信度w_bc指的是库所p_b对应的实际故障发生是由库所p_c对应的实际故障发生所引起的概率；

托肯数为1的叶子库所表示对应的实际故障发生，按照步骤404中的更新方法进行累积故障分布函数更新；

将根库所p₀的托肯数设为1，从根库所p₀开始自上向下递归处理子故障Petri网的每一层库所；

假设正在处理的库所为p_d，判断正在处理的库所p_d的托肯数目，如果正在处理的库所p_d的托肯数目为0表示对应故障没有发生，正在处理的库所p_d处理完毕；如果正在处理的库所p_d的托肯数目为1则表示对应实际故障发生，如果p_d是叶子库所则按照步骤404中的更新方法进行累积故障分布函数更新；如果不是叶子库所则判断正在处理的库所p_d与正在处理的库所p_d下一层库所集合Z_d之间的变迁t的类型；

如果t是与变迁，那么集合Z_d中托肯数目为1的库所表示故障已经传递到该库所，无需对其进行递归处理；将为0的库所的托肯数目设为1；

如果t是或变迁，则找出集合Z_d中可信度最高值对应的库所p_q，将其托肯数目设为1，将正在处理的库所p_d到可信度最高值对应的库所p_q的可信度值w_dq加0.1，即w_dq＝w_dq+0.1，对集合Z_d中所有库所的可信度归一化处理，设集合Z_d有n个库所，则归一化公式为：

wdj′=wdj/1.1,(j≠q,pj∈Zd,pq∈Zd)1-Σln-1wdl′,(j=q,l≠q,pl∈Zd,pq∈Zd)]]>

其中w_dj是原始的可信度值，w′_dj是归一化后新的可信度值，w′_dq是归一化后正在处理的库所p_d到可信度最高值对应的库所p_q的可信度值，是除了w′_dq之外的n-1项新可信度值的和；

正在处理的库所p_d处理完毕，如果正在处理的库所p_d不是叶子库所，那么判断正在处理的库所p_d与其下一层库所集合Z_d之间的变迁t的类型，如果该变迁t是与变迁，就对集合Z_d中原来托肯值为0的库所按照正在处理的库所p_d的处理方式进行递归处理；如果变迁t是或变迁，就把集合Z_d中原来可信度最高值对应的库所p_q按照正在处理的库所p_d的处理方式进行递归处理；

对子故障Petri网Σ_sub的所有库所递归处理完毕后，逆向推理结束；

步骤407：故障原因已经找到，进行主要故障原因和次要故障原因判断，根据子故障Petri网Σ_sub当前标识M_k从根库所开始自上而下递归拆分Petri网，假设正在处理的库所为p_d，判断正在处理的库所p_d的托肯数目，如果正在处理的库所p_d的托肯数目为0表示对应故障没有发生，移除以正在处理的库所p_d为根库所的子故障Petri网；如果正在处理的库所p_d的托肯数目为1表示故障发生，判断正在处理的库所p_d是否为叶子库所，如果不是，则按照正在处理的库所p_d的处理方法依次递归处理正在处理的库所p_d的下一层库所集合中的所有库所，正在处理的库所p_d处理结束；

子故障Petri网Σ_sub所有库所均处理完毕后，递归拆分Petri网完成，子故障Petri网Σ_sub被拆分后的剩余部分结构就是本次故障的故障传播路径，剩余部分结构中的库所如果在子故障Petri网Σ_sub中是叶子库所，那它就是本次故障的主要故障原因，被移除部分中的托肯数目为1的库所如果在子故障Petri网Σ_sub中是叶子库所，那它就是本次故障的次要故障原因；

步骤408：根据诊断结果给出故障路径传播图、主要故障原因、次要故障原因和故障维修专家指南，本次故障诊断结束。