[发明专利]基于粗糙集的petri网的船用电站故障诊断模型构建方法

摘要

本发明公开了基于粗糙集的petri网的船用电站故障诊断模型构建方法，它包括1、获取船用电站电力系统每个零部件可能存在的故障表现信息的集合；2、利用粗糙集理论对故障表现信息的集合通过属性约简算法得到无冗余的故障表现信息集合；3、建立无冗余的故障表现信息集合中各个子集与船用电站电力系统各种实际故障之间的对应关系，该对应关系形成系统故障Petri网模型；4、将船用电站电力系统故障Petri网模型按船用电站电力系统的组成结构进行分层分类，并进行着色处理。本发明能使故障诊断模型在大故障信息量的情况下避免产生较大的冗余性，提高了Petri网船用电站故障诊断建模的准确性和高效性。

主权项

一种基于粗糙集的petri网的船用电站故障诊断模型构建方法，其特征在于，它包括如下步骤：步骤1：获取船用电站电力系统每个零部件存在的所有故障表现信息的集合；步骤2：利用粗糙集理论对上述所有故障表现信息的集合通过属性约简算法得到无冗余的故障表现信息集合；步骤3：根据船用电站电力系统检修说明书建立上述无冗余的故障表现信息集合中各个子集与船用电站电力系统各种实际故障之间的对应关系，该对应关系形成船用电站电力系统故障Petri网模型；步骤4：将船用电站电力系统故障Petri网模型按船用电站电力系统的组成结构进行分层，所述船用电站电力系统包括复制继电器组件、主开关控制组件、绝缘监控组件和电源整流器组件，其中上述每个组件及该组件对应的故障为一层，每个组件下的子组件及该子组件对应的故障为一个子层，另外，按故障的表现形式对船用电站电力系统故障Petri网模型进行分类，其中，同一个故障表现形式所对应的各个组件和/或子组件为一类，将不同的类分别着不同的颜色，即完成了基于粗糙集的petri网的船用电站故障诊断模型构建；所述步骤2中，利用粗糙集理论对上述所有故障表现信息的集合通过以下步骤201～步骤209所述的属性约简算法得到无冗余的故障表现信息集合；步骤201：将船用电站电力系统每个零部件发生故障的原因集合定义为条件属性C，将船用电站电力系统每个零部件发生的故障定义为决策属性D，根据现有的决策属性对条件属性的依赖度计算公式计算决策属性D对所有上述条件属性C的依赖程度γC(D)，该依赖程度γC(D)表明电站电力系统零部件故障发生是否与对应的原因相关及其关联程度；步骤202：定义与上述电站电力系统每个零部件发生的故障相关的原因的集合为核属性Core(C)，并初始化为空，然后逐个判定条件属性C中的每一个故障原因a，a∈C，与决策属性D的关联程度γa(D),a∈C，如果γa(D),a∈C不为零就说明故障原因a与决策属性D有关联，如果有关联，就将故障原因a加入到核属性Core(C)中，即Core(C)＝Core(C)∪{a}；同时，根据现有的决策属性对条件属性的依赖度计算公式计算故障对核属性Core(C)中故障相关原因的依赖程度γCore(D)，并判定上述故障相关原因的依赖程度γCore(D)与决策属性D对所有上述条件属性C的依赖程度γC(D)是否相等，如果相等就说明已经找到了能够判定故障发生的原因，即此时的核属性Core(C)已经符合要求，否则说明无法通过传统的属性约简方法找到故障发生的原因，将在下面的步骤中采用基于自适应的PBIL算法来寻找；步骤203：初始化条件属性C中故障原因发生概率集合P，如果条件属性C中的一个故障原因a属于核属性Core(C)，则属于核属性Core(C)的故障原因a发生的概率Pi统一初始化为1，即核属性Core(C)一定会被选中，其他故障原因的学习概率初始化为Pi＝0.5，即算法初始化时各个故障原因是否被选中的概率是相等的，其中Pi∈P，1≤i≤n，n为故障原因的个数，计算所有故障原因组成的故障系统的初始熵值；ln为对数的符号；步骤204：以上述各个故障原因的概率为基础，利用赌轮法指导产生m个故障可能原因集合Gj∈G(j＝1,2,…,m)，其中G为一系列0和1的组合，1代表该故障原因选中，0代表未选中；步骤205：构造函数f(Gi)，函数f(Gi)用于在保持总体故障对故障可能原因集合的依赖度不变的情况下，找到所含故障原因最少的集合，即故障发生最符合的原因，利用函数f(Gi)计算m个解的目标函数值f(G1),f(G2),...,f(Gm)，将当前所有故障原因集合中最少的故障可能原因的集合为最优解G′；f(Gi)=(n-card(Gi)+Σi=1ngi*γgi(D))(1≤i≤n)]]>其中：card(Gi)为选中的故障相关原因数量，n为故障原因集合中所有故障原因的个数，为所有故障原因集合中选中的相关故障原因对故障的依赖程度，该函数f(Gi)控制故障原因集合朝着最精简故障原因的方向进化：越大，说明选中的相关故障原因对故障的依赖程度越强，当其取值为1时说明故障发生完全取决于当前所选中的故障发生原因；步骤206：用最优解G′修正核属性Core(C)的故障原因a发生的概率Pi为：Pi＝pi+(g′i‑pi)*rp，g′i表示G′中的第i个分量，rp为修正现有故障原因的比例，rp为0说明不修正，rp为1说明完全按以前找到的最优解的值G′来代替；步骤207：随机地选择部分核属性Core(C)的故障原因a发生的概率Pi进行调整Pi＝pi*(1.0‑rv)+Random.Double()*rv，Random.Double()为返回一个介于0.0和1.0之间的随机数，rv是每个故障原因的概率的变异速率，从而避免算法过早进入局部极值点，最大程度确保选出来的集合是最符合要求的故障原因；步骤208：判断整个故障原因系统的熵值1≤i≤n，ln为对数的符号，是否小于故障系统的初始熵值E0，其中n为故障原因的个数，Pi为当前故障原因的概率，如果小于则通过下列两个公式分别的改变修正现有故障原因的比例rp和每个故障原因的概率的变异速率rv的值，实现自适应改变；否则按既定值rp0、rv0计算；E0是控制自适应调整时熵的阈值，rp0为初始化学习速率，h为控制rp0值变化幅度的常数；自适应变异率rv的计算公式为：其中rv0为初始化时确定的变异速率，k为变异率增幅控制参数，exp表示以自然常数e为底的指数函数；步骤209：预设故障最优解的目标函数预期值为f0，0≤f0≤n,n为所有故障原因个数，判断当前步骤205得到的最优解的目标函数f(Gi)是否小于f0，是则返回步骤204继续运行，否则结束运行，并返回当前最符合要求的故障原因集合G′，该当前最符合要求的故障原因集合G′即为无冗余的故障表现信息集合。