[发明专利]OPLC故障分类与诊断方法

权利要求书

1.一种OPLC故障分类与诊断方法，其特征在于：其步骤是：

步骤1：根据电缆发生短路故障时，电流增大，温度升高会对光缆产生影响，建立OPLC故障与特征对应结构表，通过故障检测试验列出阻性故障诊断模块、短路故障诊断模块和OPLC中光纤故障诊断模块；

步骤2：构建故障诊断模块的Petri网模型；

步骤3：用动态自适应模糊Petri网对OPLC故障进行诊断；

步骤4：对Petri网模型中的参数进行学习，用学习后的参数对OPLC故障进行推理诊断，增强DAFPN的泛化能力和自适应能力。

2.根据权利要求1所述的OPLC故障分类与诊断方法，其特征在于：动态自适应模糊Petri网对OPLC进行故障诊断，包括以下步骤：

定义DAFPN为十二元组，DAFPN＝(P；T；I；O；D；α；β；W；U；TH_I；TH_O；M)

式中P＝{p₁,p₂,…p_m}是库所节点的有限非空集合；

T＝{t₁,t₂,…t_n}是变迁节点的有限非空集合；

I：P×T→{0,1}是一个m×n的输入关联矩阵，当存在p_i到t_j的有向弧时，I_ij＝1，当不存在p_i到t_j的有向弧时，I_ij＝0，其中i＝1,2,…,m，j＝1,2,…,n；

O：T×P→{0,1}是一个m×n的输出关联矩阵，当存在t_j到p_i的有向弧时，O_ij＝1，当不存在t_j到p_i的有向弧时，O_ij＝0，其中i＝1,2,…,m，j＝1,2,…,n；

D＝{d₁,d₂,…d_m}是命题的有限集合；

α：P→{0,1}是一个关联函数，是从库所到一个0～1之间的实数值的映射，为库所对应命题的可信度；

β：P→D是一个关联函数，是从库所到命题之间的一一映射；

W：P×T→{0,1}是一个输入函数，可表示为m×n的权值矩阵，反映了输入库所对相应变迁的影响程度；

U：T×P→{0,1}是一个输出矩阵，可表示为m×n的确信度矩阵，反映了变迁对相应输出库所的支持程度；

TH_I：P×T→{0,1}是0～1之间的实数值到变迁的每一条输入弧的映射；

TH_O：T×P→{0,1}是0～1之间的实数值到变迁的每一条输出弧的映射；

M是DAFPN的标识向量；

定义矩阵运算符号：

对于

A⊕B=D]]>

A、B、D均为m×n矩阵且d_ij＝max{a_ij,b_ij}，i＝1,2,...,m；j＝1,2,...,n；

对于

A、B、D均为m×n矩阵且d_ij＝a_ij×b_ij，i＝1,2,...,m；j＝1,2,...,n；

对于

A⊗B=D]]>

A、B、D为m×p、p×n及m×n矩阵且i＝1,2,...,m；j＝1,2,...,n；

用DAFPN对OPLC短路故障进行诊断，包括以下步骤：

步骤301：令k＝1，k表示迭代次数；

步骤302：计算输入使能矩阵D^(k)，D^(k)表示使能变迁的输入弧；

X^(k)＝(x_ij^(k))_m×n＝M_k'-Th_I,i＝1,2,...,m；j＝1,2,...,n(1)

其中，M是标识矩阵：

M＝(α(p₁),α(p₂),...,α(p_m))^T(3)

设d_ij^(k)是x_ij^(k)的对照结果，则：

D^(k)＝(d_ij)_m×n^(k)(4)

其中i＝1,2,...,m；j＝1,2,...,n；

步骤303：如果D^(k)为非零矩阵，则输入权重矩阵Θ^(k)如公式(3)所示，否则转步骤308；

在矩阵W中，w_ij∈[0.1]

Σi=1mwij=1,j=1,2,...,n---(6)]]>

步骤304：计算变迁的等价模糊真值矢量Γ^(k)

Γ^(k)＝(Θ^(k))^TM_(k-1)(7)

步骤305：计算输出使能矩阵E^(k)，E^(k)表示使能变迁的输出弧；

Y^(k)＝(y_ij^(k))_m×n＝N^(k)-Th_O,i＝1,2,...,m；j＝1,2,...,n(8)

设e_ij^(k)是y_ij^(k)的对照结果，则：

E^(k)＝(e_ij)_m×n^(k)(10)

其中i＝1,2,...,m；j＝1,2,...,n；

步骤306：如果E^(k)为非零矩阵，则输出置信度矩阵Ψ^(k)如公式(7)所示，否则转步骤308；

步骤307：计算新的标识矩阵M_k

Mk=Mk-1⊕(Ψ(k)⊗Γ(k))---(12)]]>

如果M_k＝M_k-1转步骤308；否则令k＝k+1，返回步骤302；

步骤308：推理结束，M_k中α(p₁),α(p₂),…,α(p_m)代表故障诊断模块中各故障类型的可信度。

3.根据权利要求1所述的OPLC故障分类与诊断方法，其特征在于：对OPLC故障诊断模块的Petri网模型中的参数进行训练，用训练后的参数进行故障诊断：

步骤401：设FPN模型分为n层,有b个终止库所p_j，j＝1,2,…,b.用r批样本数据进行学习，取误差代价函数为

E=2-1Σi=1rΣj=1b(Mi(pj)-MiE(pj))2---(13)]]>

M_i(p_j)、分别表示终止库所p_j的第i批样本数据的实际标记值和期望标记值；

求取一阶梯度

dEdωix=dEd(M(pj)×d(M(pj))dωix=δ×d(M(pj))/dωix---(14)]]>

dEdμi=dEd(M(pj)×d(M(pj))dμi=δ×d(M(pj))/dμi---(15)]]>

dEdλi=dEd(M(pj)×d(M(pj))dλi=δ×d(M(pj))/dλi---(16)]]>

求取参数调整递推公式

ωix(k+1)=1-Σx=1m-1ωix(k+1)---(17)]]>

μ_i(k+1)＝μ_i(k)-η×dE/dμ_i(18)

λ_i(k+1)＝λ_i(k)-η×dE/dλ_i(19)

其中η为学习率；

步骤402：DAFPN模型学习训练过程如下：

(1)：对模型中需要学习的参数赋予初值；

(2)：输入N批训练样本，计算输出层误差，将误差逐层向输入层方向反向传播，修正模型参数；

(3)：计算误差代价函数E，若E<ε，学习结束；否则，继续下一步；

(4)：运用BP算法对参数进行学习，返回步骤402；

步骤403：利用经过BP神经网络训练后的参数对OPLC进行故障诊断，进而得到更加准确的故障发生的可信度。