改進(jìn)動(dòng)態(tài)因果圖與模糊推理融合故障診斷方法

毛 彪，楊 松，李英順

1.沈陽工業(yè)大學(xué) 化工過程自動(dòng)化學(xué)院，遼寧 遼陽111003

2.大連理工大學(xué) 控制科學(xué)與工程學(xué)院，遼寧 大連116024

1 引言

隨著控制技術(shù)的發(fā)展，控制系統(tǒng)復(fù)雜度的增長對基于人工智能技術(shù)的故障診斷方法提出新的挑戰(zhàn)。在復(fù)雜的控制系統(tǒng)中，各控制信號(hào)往往具有較長的傳播鏈路，且各信號(hào)間具有復(fù)雜的相關(guān)性，因此上游源信號(hào)的故障可能導(dǎo)致整個(gè)鏈路下游其他控制信號(hào)的故障，單純依靠檢測數(shù)據(jù)極易造成故障的誤診；此外，不同控制信號(hào)的故障與廣泛存在的故障模式間的對應(yīng)關(guān)系并不明確，往往存在著多個(gè)控制信號(hào)的異常導(dǎo)致同一故障的發(fā)生，或某一控制信號(hào)的故障可由多個(gè)基本故障引起，致使復(fù)雜控制系統(tǒng)中故障點(diǎn)的精確定位難度增加。因此，明確復(fù)雜控制系統(tǒng)中各控制信號(hào)的輸入、輸出關(guān)系，厘清各控制信號(hào)、故障現(xiàn)象與各基本故障模式間的因果邏輯對于處理復(fù)雜控制系統(tǒng)故障診斷問題具有重大現(xiàn)實(shí)意義。

針對以上廣泛存在于現(xiàn)代復(fù)雜控制系統(tǒng)故障診斷中的難題，一系列專家學(xué)者提出了多種方法：基于概率的方法，包括信度網(wǎng)（Belief Network）[1]、馬爾可夫網(wǎng)（Markov Network）[2]、動(dòng)態(tài)因果圖（Dynamic Causality Diagram）[3]；非概率的方法，如MYCIN的信度因子（Certainty Factor）[4]、模糊邏輯（Fuzzy Logic）[5]、神經(jīng)網(wǎng)絡(luò)（Neural Net）[6]、Dempster-Shafer[7]的證據(jù)理論等。無論基于概率或非概率的方法雖然在各自的應(yīng)用領(lǐng)域都取得了一定的成功，但是在這些方法的使用過程中也顯現(xiàn)出了各自的不足，如信度網(wǎng)不僅無法處理在復(fù)雜控制系統(tǒng)中廣泛存在的因果循環(huán)、多連通問題，而且，用條件概率來量化事件中的因果強(qiáng)度十分困難且容易造成錯(cuò)誤的理解；而動(dòng)態(tài)因果圖雖在復(fù)雜系統(tǒng)的因果知識(shí)表達(dá)方面具有明顯優(yōu)勢，且在處理因果循環(huán)問題時(shí)，容易實(shí)現(xiàn)由因到果和由果到因的正反向混合推理，但對于基本事件故障概率難以確定的系統(tǒng)則無法作故障診斷；模糊邏輯推理雖然具有良好的邏輯嚴(yán)密性，在基于模糊規(guī)則的推理系統(tǒng)中有著模塊性良好，易擴(kuò)充、易修改、易理解等方面的優(yōu)點(diǎn)，但其IF前提THEN結(jié)論的表達(dá)方式難以全面反映復(fù)雜系統(tǒng)中各前提與各結(jié)論的復(fù)雜關(guān)系；神經(jīng)網(wǎng)絡(luò)模型是以神經(jīng)元作為最小單位，而在一個(gè)大型的復(fù)雜控制系統(tǒng)中，部件繁多，不易找出模型中聯(lián)結(jié)點(diǎn)數(shù)目和各個(gè)聯(lián)結(jié)點(diǎn)的權(quán)值。而且，在樣本中訓(xùn)練、學(xué)習(xí)出一個(gè)神經(jīng)元網(wǎng)絡(luò)模型是一個(gè)NP難的問題[8]。

針對復(fù)雜控制系統(tǒng)的故障診斷問題中對不確定性知識(shí)表達(dá)完備性和邏輯推理嚴(yán)密性的要求，本文提出了改進(jìn)動(dòng)態(tài)因果圖與模糊推理融合的故障診斷方法，將傳統(tǒng)動(dòng)態(tài)因果圖進(jìn)行擴(kuò)充，增加中間模塊節(jié)點(diǎn)，解決了復(fù)雜控制系統(tǒng)中中間過程的描述問題，實(shí)現(xiàn)了知識(shí)的完備性表達(dá)；將復(fù)雜控制系統(tǒng)的控制時(shí)序引入到動(dòng)態(tài)因果圖的網(wǎng)絡(luò)結(jié)構(gòu)中，增強(qiáng)了網(wǎng)絡(luò)的動(dòng)態(tài)特性，利用動(dòng)態(tài)因果圖的因果循環(huán)邏輯，表達(dá)出復(fù)雜控制系統(tǒng)中各輸入輸出信號(hào)及各信號(hào)與故障間的相互作用關(guān)系，構(gòu)建由因到果、由果到因的多重模糊規(guī)則，克服了模糊邏輯推理中只能由因溯果而不能由果溯因的難題，同時(shí)將動(dòng)態(tài)因果圖的動(dòng)態(tài)特性引入到模糊規(guī)則的更新中，增強(qiáng)了模糊推理的實(shí)時(shí)性，減小了模糊規(guī)則匹配的搜索空間，提升了效率；此外，將因果圖中各事件變量間因果強(qiáng)度應(yīng)用到模糊規(guī)則的置信度的確定中去，增強(qiáng)多元模糊規(guī)則的魯棒性，利用高斯模糊隸屬度函數(shù)將在線獲取的各控制信號(hào)監(jiān)測數(shù)據(jù)進(jìn)行模糊化，生成模糊語言項(xiàng)（“0狀態(tài)”、“偏小”、“正?！薄ⅰ捌蟆保?，并與故障現(xiàn)象所得語言項(xiàng)（“發(fā)生”、“不發(fā)生”）共同作為模糊推理中的已知事實(shí)，最后，通過構(gòu)建基于改進(jìn)動(dòng)態(tài)因果圖與模糊推理融合的推理機(jī)，并以某型裝甲裝備的垂直力矩電機(jī)的控制過程故障診斷為應(yīng)用背景，實(shí)現(xiàn)了該控制過程的故障診斷。

2 改進(jìn)的動(dòng)態(tài)因果圖

傳統(tǒng)動(dòng)態(tài)因果圖中[9]，中間事件變量間相互作用關(guān)系的傳播途徑難以被表達(dá)出來，而復(fù)雜控制系統(tǒng)中，大量控制信號(hào)在各部件、模塊間相互傳播，僅由因果強(qiáng)度表達(dá)兩信號(hào)間相互關(guān)系而忽視其中間過程，不利于故障的全面診斷，因此，本文將傳統(tǒng)動(dòng)態(tài)因果圖進(jìn)行擴(kuò)充，增加了復(fù)雜控制系統(tǒng)中信號(hào)傳輸?shù)闹虚g過程模塊；同時(shí)，結(jié)合復(fù)雜控制系統(tǒng)多工作狀態(tài)，引入工況條件，能有效增強(qiáng)網(wǎng)絡(luò)的動(dòng)態(tài)特性。改進(jìn)的動(dòng)態(tài)因果關(guān)系圖如圖1所示。

圖1 改進(jìn)動(dòng)態(tài)因果圖示例

具體說明如下：

Xi：可監(jiān)測的信號(hào)，可監(jiān)測信號(hào)節(jié)點(diǎn)與基本故障及中間模塊節(jié)點(diǎn)相連，以圓圈表示（i為節(jié)點(diǎn)編號(hào)）。

Bj：導(dǎo)致某信號(hào)故障或故障現(xiàn)象發(fā)生的基本故障，與系統(tǒng)中與之相對應(yīng)的信號(hào)或故障現(xiàn)象節(jié)點(diǎn)相連，以矩形方框表示（j為故障編號(hào)）。

Sm：基本故障所對應(yīng)的故障現(xiàn)象，與基本故障節(jié)點(diǎn)相連，以六邊形方框表示（m為故障現(xiàn)象編號(hào)）。

Mk：承接信號(hào)傳輸、轉(zhuǎn)換過程的中間模塊，其兩端連接輸入輸出信號(hào)節(jié)點(diǎn)，以菱形方框表示（k為模塊編號(hào)）。

Gn：邏輯門，連接有邏輯關(guān)系的多個(gè)信號(hào)，通常有“與門”、“或門”等（n為邏輯門編號(hào)）。

“—”：無向邊，用于連接Xi、Sm與Bj，表示其相互對應(yīng)的關(guān)系，其賦值為由專家給出。

3 融合改進(jìn)動(dòng)態(tài)因果圖的模糊系統(tǒng)

3.1 多狀態(tài)模糊前件獲取

在改進(jìn)的動(dòng)態(tài)因果圖中，故障現(xiàn)象及控制信號(hào)皆可作為模糊前件，故障現(xiàn)象可直接作為前件參與模糊推理，因不同的信號(hào)狀態(tài)對應(yīng)著不同的故障現(xiàn)象與基本故障，而控制信號(hào)可能存在“0”、“偏小”、“正?！薄ⅰ捌蟆钡榷喾N狀態(tài)，其中，狀態(tài)的劃分依據(jù)被診斷對象的實(shí)際需求，不具唯一性，當(dāng)存在某一故障與某一信號(hào)狀態(tài)有更細(xì)致的對應(yīng)關(guān)系時(shí)，在進(jìn)行狀態(tài)劃分時(shí)則可作更細(xì)致的描述。同時(shí)，本文利用高斯MF來刻畫每一控制信號(hào)的各狀態(tài)隸屬度[10]，并將此隸屬度值作為模糊推理中的條件置信度參與模糊推理。

Gauss MF定義：

Gauss MF由兩個(gè)參數(shù){c,σ}來表示：c表示MF的中心，σ決定MF的寬度，此二參數(shù)的選取依據(jù)被診斷對象的歷史維修數(shù)據(jù)的統(tǒng)計(jì)分析，在數(shù)據(jù)分布集中的區(qū)域，應(yīng)設(shè)計(jì)參數(shù)使信號(hào)在該狀態(tài)獲得更大的隸屬度，能保證診斷結(jié)果更符合實(shí)際情況，如圖2（a）所示。

圖2 Gauss模糊隸屬度函數(shù)圖例

檢測信號(hào)模糊前件及條件置信度獲取步驟如下：

（1）以控制信號(hào)標(biāo)準(zhǔn)值范圍為基準(zhǔn)，合理劃分出0狀態(tài)范圍、偏小范圍、正常范圍和偏大范圍，其范圍值及模糊語言項(xiàng)值見表1。

表1 狀態(tài)范圍劃分和四種GaussMF參數(shù)選取

（2）用GaussMF構(gòu)造符合表1中四種模糊狀態(tài)劃分的四種模糊隸屬度函數(shù)如圖2（b）所示，其中的四種GaussMF分別對應(yīng)于（1）中四種狀態(tài)范圍，四種GaussMF中參數(shù)選取見表1。

（3）將檢測到的信號(hào)值輸入到以上四種高斯MF中，并求出各狀態(tài)范圍的隸屬度值，取其中隸屬度最大值為模糊推理的條件置信度，該最大值所對應(yīng)的模糊語言項(xiàng)為模糊前件。

3.2 多重模糊規(guī)則獲取

在多數(shù)模糊推理系統(tǒng)中，因模糊規(guī)則的建立僅依照由因溯果的正向推理，但在實(shí)際的復(fù)雜控制系統(tǒng)中，前提與結(jié)論的對應(yīng)關(guān)系往往十分復(fù)雜，難以滿足復(fù)雜控制系統(tǒng)故障診斷的要求。利用改進(jìn)的動(dòng)態(tài)因果圖對復(fù)雜系統(tǒng)進(jìn)行知識(shí)表達(dá)，明確了系統(tǒng)中控制信號(hào)的傳播過程及故障與現(xiàn)象間的因果邏輯[11-12]，通過構(gòu)建由因到果與由果到因的多重模糊規(guī)則，能很好地解決復(fù)雜控制系統(tǒng)中的前提與結(jié)論的對應(yīng)及因果循環(huán)問題，使抽取到的模糊規(guī)則更準(zhǔn)確、更直觀、更全面。

模糊規(guī)則獲取：

（1）將動(dòng)態(tài)因果圖中輸入中間模塊的圓圈節(jié)點(diǎn)構(gòu)造為源信號(hào)集合XS={x1,x2,…,xi}，產(chǎn)生源信號(hào)的矩形方框節(jié)點(diǎn)構(gòu)造為信號(hào)發(fā)射部件基本故障集合BS={b1,b2,…,bj}，信號(hào)發(fā)射部件故障現(xiàn)象構(gòu)造為故障現(xiàn)象集合SS={s1,s2,…,sm}，將集合中各元素依改進(jìn)動(dòng)態(tài)因果圖構(gòu)造為XS及SS為行，以BS為列的關(guān)系矩陣XBS。

在XBS中第i行第j列表示為故障Bj導(dǎo)致Xi“故障”或Sm“發(fā)生”置信度為或，則有如下三種規(guī)則：if xi“故障”then bj“故障”，置信度為（正向規(guī)則）、if Sm“發(fā)生”then bj“故障”，置信度為反向規(guī)則）、if xi“故障”and Sm“發(fā)生”then bj“故障”，置信度為1（混合規(guī)則）。

（2）將輸出中間模塊的圓圈節(jié)點(diǎn)構(gòu)造為結(jié)果信號(hào)集合XR={x1,x2,…,xi}，接收源信號(hào)的矩形方框節(jié)點(diǎn)構(gòu)造為信號(hào)接收部件基本故障集合BR={b1,b2,…,bj}，信號(hào)接收部件故障現(xiàn)象構(gòu)造為故障現(xiàn)象集合SR={s1,s2,…,sm}，構(gòu)造形如式（2）所示關(guān)系矩陣，則有規(guī)則：if xi“正?！盿nd Sm“發(fā)生”then bj“故障”，置信度為1（混合規(guī)則）。

（3）將中間模塊表示的菱形方框節(jié)點(diǎn)構(gòu)造為集合M={m1,m2,…,mk}，分析源信號(hào)集合XS與結(jié)果信號(hào)XR中元素在中間模塊上的輸入輸出關(guān)系，構(gòu)造模塊與輸入輸出信號(hào)關(guān)系矩陣MX。

在矩陣MX中第i行表示，信號(hào)xi于tN工況經(jīng)模塊Mk產(chǎn)生輸出xj，若Gn列有多個(gè)值，則表示輸出xj由多個(gè)輸入信號(hào)共同輸入產(chǎn)生，則有規(guī)則：if xi（輸入信號(hào)）“正常”and xj（輸出信號(hào)）“故障”then mk“故障”，置信度為1（混合規(guī)則）。

3.3 多重模糊規(guī)則動(dòng)態(tài)更新

在復(fù)雜的控制系統(tǒng)中，不同壽命階段的系統(tǒng)各基本故障發(fā)生的概率不同；不同工況條件下參與系統(tǒng)控制的信號(hào)不同；不同基本故障所導(dǎo)致的故障現(xiàn)象及控制信號(hào)狀態(tài)也不相同；將多重模糊規(guī)則的規(guī)則置信度、規(guī)則空間規(guī)模進(jìn)行動(dòng)態(tài)更新，不僅能保證系統(tǒng)實(shí)時(shí)性，診斷結(jié)果更符合系統(tǒng)各壽命、各運(yùn)行階段的實(shí)際情況，且能有效減小多重模糊規(guī)則空間，提高規(guī)則匹配搜索效率。

更新準(zhǔn)則如下：

更新準(zhǔn)則1：以基本故障與信號(hào)故障狀態(tài)間距當(dāng)前時(shí)刻最近之前一時(shí)刻因果強(qiáng)度為更新準(zhǔn)則。因果強(qiáng)度初始值由歷史維修數(shù)據(jù)確定，若t0時(shí)刻基本故障Bi分別由Xi引起n次、由Xj引起m次，則=n/(n+=m/(n+m)，則tk時(shí)刻因果強(qiáng)度(n+α)/(n+α+m+β),=(m+β)/(n+α+m+β),其中α、β表示從t0至tk-1時(shí)刻基本故障Bi分別由Xi引起α次、由Xj引起β次；此外，將對應(yīng)同一信號(hào)不同故障狀態(tài)的基本故障節(jié)點(diǎn)無向邊連接值賦為0，即可將此規(guī)則置信度賦值為0，如圖3（a）、（b）所示。

更新準(zhǔn)則2：以工況為更新準(zhǔn)則。將不參與tN工況的信號(hào)節(jié)點(diǎn)有向邊之值賦為0，僅需保證對包含在tN工況下的規(guī)則進(jìn)行規(guī)則置信度上的動(dòng)態(tài)更新，可極大地縮減規(guī)則置信度更新的規(guī)模，如圖4（a）、（b）所示。

圖3 狀態(tài)更新后改進(jìn)動(dòng)態(tài)因果圖

4 故障的模糊推理

4.1 改進(jìn)BF算法的規(guī)則搜索策略

改進(jìn)的BF模式匹配算法[13]思想為：在求得模式字符串的next值后，匹配可按如下步驟進(jìn)行，假設(shè)i和j分別表示文本字符串A和模式字符串B中正待比較的字符，i和j的初值均為0。若在匹配過程中Ai=Bj，則i和j都增加1，繼續(xù)進(jìn)行比較；否則，i不變，而j退回到next[j]的位置繼續(xù)比較，如此反復(fù)，直到出現(xiàn)下列兩種情況：

（1）當(dāng)j退回到某個(gè)next值時(shí)字符比較相等，則i和j分別增加1，繼續(xù)進(jìn)行匹配。

（2）當(dāng)j退回到-1，即模式字符串的第一個(gè)字符匹配失敗，則將文本字符串向右滑動(dòng)一個(gè)位置，使j=0，即從文本字符串下一個(gè)字符Ai+1起和模式字符串重新開始匹配。

4.2 推理沖突消解

由于復(fù)雜控制系統(tǒng)內(nèi)所有控制流程并非同時(shí)進(jìn)行，存在控制時(shí)序上的差異，在進(jìn)行系統(tǒng)的故障診斷時(shí)，可能存在采集到的信號(hào)數(shù)據(jù)、監(jiān)測現(xiàn)象皆為虛假前件的情況，如：系統(tǒng)未上電時(shí)，監(jiān)測到的信號(hào)數(shù)據(jù)皆為0，如果依此虛假前件進(jìn)行故障診斷必將導(dǎo)致錯(cuò)亂；此外，當(dāng)中間模塊的輸入輸出信號(hào)皆故障時(shí)，會(huì)難以判斷中間模塊是否故障，為規(guī)避此類推理沖突，本文通過構(gòu)建信號(hào)推理時(shí)序，區(qū)分診斷優(yōu)先級(jí)的方法[14]來加以解決，診斷優(yōu)先級(jí)如表2所示。

圖4 工況更新后改進(jìn)動(dòng)態(tài)因果圖

表2 故障診斷優(yōu)先級(jí)

4.3 故障診斷流程

在進(jìn)行系統(tǒng)故障診斷時(shí)，首先實(shí)時(shí)采集系統(tǒng)各控制信號(hào)，確定系統(tǒng)當(dāng)前工況，獲取當(dāng)前工況下監(jiān)測信號(hào)的模糊值語言項(xiàng)，并獲取此狀態(tài)的隸屬度，生成模糊前件；而后依工況信號(hào)確定多重模糊規(guī)則的更新空間，將包含在該空間內(nèi)的模糊規(guī)則的規(guī)則置信度更新到當(dāng)前時(shí)刻最新，再依優(yōu)先級(jí)搜索模糊前件，將模糊前件與動(dòng)態(tài)更新后的模糊規(guī)則采用改進(jìn)BF算法進(jìn)行模式匹配，若匹配失敗則輸出信號(hào)、前件狀態(tài)信息及置信度，由故障診斷結(jié)合系統(tǒng)實(shí)際情況分析，若合理則對模糊規(guī)則庫進(jìn)行補(bǔ)全更新，若不合理則屏蔽此前件后，結(jié)束診斷；若匹配成功得模糊后件（結(jié)論），并采用計(jì)算式：CLc=CLp×CLr求取結(jié)論置信度。其中CLc為結(jié)論置信度，CLp為條件置信度，CLr為規(guī)則置信度。將CLc由大到小排序，并以此順序進(jìn)行故障排查。故障診斷流程如圖5所示。

圖5 故障診斷流程圖

5 故障診斷應(yīng)用實(shí)例

本文以某裝甲設(shè)備控制盒所控垂直力矩電機(jī)故障診斷為實(shí)例，構(gòu)造垂直力矩電機(jī)控制過程的改進(jìn)動(dòng)態(tài)因果圖模型，獲取多重模糊規(guī)則及規(guī)則置信度、模糊前件及前件置信度，在推理過程中結(jié)合系統(tǒng)工況動(dòng)態(tài)更新模糊規(guī)則結(jié)合模糊推理流程進(jìn)行故障診斷。

5.1 故障診斷背景描述

在垂直力矩電機(jī)控制過程中，控制盒產(chǎn)生三種工況條件下的控制信號(hào)[15]。

穩(wěn)像未碰框：此工況下由陀螺儀所傳輸垂直角度信號(hào)VJT，再經(jīng)高低控制板產(chǎn)生垂直力矩電機(jī)控制信號(hào)VGF。

裝表碰框：此工況下由瞄準(zhǔn)鏡傳輸鏡垂直運(yùn)動(dòng)速度信號(hào)VVEL，再經(jīng)高低控制板產(chǎn)生垂直力矩電機(jī)控制信號(hào)VGF。

穩(wěn)像碰框：此工況下由瞄準(zhǔn)鏡垂直向陀螺產(chǎn)生垂直向陀螺速率信號(hào)VSL，再經(jīng)高低控制板與垂直復(fù)合瞄準(zhǔn)信號(hào)VFHMZ疊加，產(chǎn)生垂直力矩電機(jī)控制信號(hào)VGF。

5.2 垂直力矩電機(jī)控制過程的改進(jìn)動(dòng)態(tài)因果圖知識(shí)表達(dá)

垂直力矩電機(jī)控制過程故障診斷中各檢測信號(hào)的狀態(tài)及故障現(xiàn)象充分反映了其發(fā)生環(huán)節(jié)、轉(zhuǎn)換模塊、被控部件的基本故障。垂直力矩電機(jī)控制過程改進(jìn)動(dòng)態(tài)因果圖知識(shí)表達(dá)如圖6所示。各符號(hào)定義如表3所示。

圖6 垂直力矩電機(jī)控制過程因果圖表達(dá)

5.3 垂直力矩電機(jī)控制過程故障診斷

依前文所述方法生成多重模糊規(guī)則并獲取規(guī)則置信度，將采集到的數(shù)據(jù)和觀測到的故障現(xiàn)象作為模糊前件參與故障診斷，多重模糊規(guī)則見表4，t1工況下監(jiān)測數(shù)據(jù)及現(xiàn)象模糊前件見表5。

因表5中數(shù)據(jù)、現(xiàn)象為t1工況下所得，即可依t1工況完成規(guī)則更新，更新后剩余規(guī)則的規(guī)則號(hào)集合為{1，5，6，7，8，9，10，13，14，15，16}，依信號(hào)時(shí)序優(yōu)先級(jí)依次診斷電源信號(hào)、輸入控制信號(hào)、輸出控制信號(hào)，最后按推理流程圖完成推理，診斷結(jié)果輸出見表6。

表3 符號(hào)定義表

表4 模糊規(guī)則表

表5 模糊前件表

表6 垂直力矩電機(jī)t1工況故障診斷結(jié)果

5.4 對比分析

為體現(xiàn)本文所提方法在對復(fù)雜控制系統(tǒng)故障診斷時(shí)的優(yōu)越性，本文通過逐步增加被控系統(tǒng)中的診斷對象（如水平力矩電機(jī)、陀螺儀、陀螺力矩器等）來增加系統(tǒng)復(fù)雜度，以典型模糊推理系統(tǒng)為比對對象，分析在同等規(guī)則數(shù)量級(jí)與同等系統(tǒng)復(fù)雜度之下，使用相同的搜索策略，兩系統(tǒng)各自在匹配時(shí)長、有效匹配率等指標(biāo)上的優(yōu)劣。

由圖7、圖8分析可知，在診斷同等復(fù)雜度的系統(tǒng)時(shí)，采用改進(jìn)的動(dòng)態(tài)因果圖與模糊推理融合故障診斷方法比傳統(tǒng)模糊推理方法用時(shí)更少，準(zhǔn)確率更高，能很好地規(guī)避系統(tǒng)誤診。

圖7 匹配時(shí)長指標(biāo)對比圖

圖8 有效匹配率指標(biāo)對比圖

6 結(jié)束語

本文針對復(fù)雜控制系統(tǒng)故障診斷問題，提出了改進(jìn)動(dòng)態(tài)因果圖與模糊推理融合的故障診斷方法。將傳統(tǒng)動(dòng)態(tài)因果圖進(jìn)行擴(kuò)充，增加中間模塊節(jié)點(diǎn)，解決了復(fù)雜控制系統(tǒng)中中間過程的描述問題，實(shí)現(xiàn)了知識(shí)的完備性表達(dá)；將復(fù)雜控制系統(tǒng)的控制時(shí)序引入到動(dòng)態(tài)因果圖的網(wǎng)絡(luò)結(jié)構(gòu)中，增強(qiáng)了網(wǎng)絡(luò)的動(dòng)態(tài)特性，利用動(dòng)態(tài)因果圖的因果循環(huán)邏輯，表達(dá)出復(fù)雜控制系統(tǒng)中各輸入輸出信號(hào)及各信號(hào)與故障間的相互作用關(guān)系，構(gòu)建由因到果、由果到因的多重模糊規(guī)則，克服了模糊邏輯推理中只能由因溯果而不能由果溯因的難題，同時(shí)將動(dòng)態(tài)因果圖的動(dòng)態(tài)特性引入到模糊規(guī)則的更新中，增強(qiáng)了模糊推理的實(shí)時(shí)性，減小了模糊規(guī)則匹配的搜索空間，提升了效率。由于本文所提故障診斷方法并未對診斷對象有所限定，因此適用于絕大多數(shù)控制系統(tǒng)。