航天复杂系统的加权模糊Petri网故障诊断建模

doi:10.13196/j.cims.2019.10.015

计算机集成制造系统 ›› 2019, Vol. 25 ›› Issue (第10): 2580-2586.DOI: 10.13196/j.cims.2019.10.015

航天复杂系统的加权模糊Petri网故障诊断建模

胡涛¹,马晨辉²,周晓柳婷¹⁺,梁洁¹

1.哈尔滨工业大学仪器科学与工程学院
2.北京宇航系统工程研究所

出版日期:2019-10-31 发布日期:2019-10-31
基金资助:
国防基础科研计划重点资助项目。

Fault diagnosis method for complex aerospace systems based on weighted fuzzy Petri net

Online:2019-10-31 Published:2019-10-31
Supported by:
Project supported by the National Defense Basic Scientific Research Program,China.

摘要/Abstract

摘要： 针对模糊Petri网模型难以解决航天复杂系统故障诊断中存在的状态组合空间爆炸、故障关系不清晰、故障源对故障影响程度等问题,提出了基于加权模糊Petri网的故障诊断方法,同时定义了加权模糊Petri网转化成分层着色Petri网的规则。该方法将加权思想与模糊Petri网相结合,建立加权模糊Petri网模型;将加权模糊Petri网转换为分层着色Petri网模型;通过图形反向推理诊断思想实现加权模糊Petri网的知识表示与推理规则,诊断故障发生的原因。最后,对某航天测试系统的一级稳定系统中的放大器系统故障诊断实例进行了仿真,结果表明：该方法对本实例的应用效果较好,故障传播路径清晰,对于规则变化具有良好的适应性,为其他复杂系统的故障诊断提供了一定的参考。

关键词: 加权思想, 模糊Petri网, 故障诊断, 航天测试系统

Abstract: To solve the problem that the fuzzy Petri net model is difficult to solve the state space explosion,fault relation ambiguity and impact of fault source on fault between aerospace complex system in fault diagnosis,the Weighted Fuzzy Petri Net (WFPN) fault diagnosis method was proposed.In addition,the rule for transferring WFPN to Hierarchical Colored Petri Net (HCPN) was defined.This method combined weighted idea with fuzzy Petri net and transfered WFPN to HCPN model to diagnose the cause of fault by graphical reverse reasoning diagnosis idea.Through the fault diagnosis simulation for the amplifier system in primary stabilization system of aerospace test system,the effectiveness of the proposed method was proved.It had clear fault propagation path and good adaptability to rule-changing,and offered a reference to fault diagnosis of complex systems.

Key words: weighted idea, fuzzy Petri net, fault diagnosis, aerospace test system

中图分类号:

V448
TP391.9

胡涛,马晨辉,周晓柳婷,梁洁. 航天复杂系统的加权模糊Petri网故障诊断建模[J]. 计算机集成制造系统, 2019, 25(第10): 2580-2586.

[1]	付松,钟诗胜,林琳,张永健. 基于迁移学习的民航发动机小样本故障诊断[J]. 计算机集成制造系统, 2021, 27(12): 3450-3461.
[2]	王欢,张春,张宁,陈耀华. 具有强泛化性的高铁逆变器开路故障诊断算法[J]. 计算机集成制造系统, 2021, 27(11): 3236-3246.
[3]	徐彦伟,蔡薇薇,颉潭成,陈立海,刘明明. 变工况下基于信息融合的地铁牵引电机轴承故障智能诊断[J]. 计算机集成制造系统, 2021, 27(11): 3247-3258.
[4]	孙晨,文龙,李新宇,高亮,丛建臣. 基于自动机器学习的不平衡故障诊断方法[J]. 计算机集成制造系统, 2021, 27(10): 2837-2847.
[5]	刘鹏程,孙林夫,张常有,王波. 基于交互注意力机制网络模型的故障文本分类[J]. 计算机集成制造系统, 2021, 27(1): 73-90.
[6]	彭成,贺婧,唐朝晖,陈青,桂卫华. 基于双维度EKNN的滚动轴承早期故障分类算法[J]. 计算机集成制造系统, 2021, 27(1): 91-102.
[7]	张文龙,胡天亮,王艳洁,魏永利. 云/边缘协同的轴承故障诊断方法[J]. 计算机集成制造系统, 2020, 26(第3): 589-599.
[8]	刘华一,鄢萍,周强,辛洋,张自凯,潘吉财. 基于语义网的机床故障诊断知识扩展方法[J]. 计算机集成制造系统, 2020, 26(第3): 609-622.
[9]	张卫贞1,曾建潮2,石慧1,董增寿1. 基于核密度估计的实时剩余寿命预测[J]. 计算机集成制造系统, 2020, 26(7): 1794-1801.
[10]	辜振谱,刘晓波,韩子东,洪连环. 基于改进密度峰值聚类的航空发动机故障诊断[J]. 计算机集成制造系统, 2020, 26(5期): 1211-1217.
[11]	张珊珊,李方义,贾秀杰,周丽蓉,刘浩华,张传伟,孔琳. 面向变速箱磨损状态评估的灰靶模型优化[J]. 计算机集成制造系统, 2019, 25(第9): 2159-2166.
[12]	赵宏宇,沈江,安邦. 基于代价敏感方法的智能制造故障诊断[J]. 计算机集成制造系统, 2019, 25(第9): 2180-2187.
[13]	宋亚,夏唐斌,郑宇,卓鹏程,潘尔顺. 基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测[J]. 计算机集成制造系统, 2019, 25(第7): 1611-1619.
[14]	马越,陈捷,洪荣晶,潘裕斌. 多传感器数据融合的风电齿轮箱性能衰退评估[J]. 计算机集成制造系统, 2019, 25(第2): 318-325.
[15]	付宇,殷逸冰,冒慧杰,左洪福,冯正兴. 基于静电监测和神经网络的航发典型故障诊断[J]. 计算机集成制造系统, 2019, 25(第11): 2852-2862.

航天复杂系统的加权模糊Petri网故障诊断建模

Fault diagnosis method for complex aerospace systems based on weighted fuzzy Petri net

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics