[发明专利]一种基于改进Petri网检测应变式称重传感器故障的方法

摘要

本发明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。

主权项

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,...,ω_n)^T为库所权值n维向量，满足当P_k∈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ω_i⁽¹⁾＝Δω_i+ω_i，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P_Oj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)n n＞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。