一種基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)中傳感器故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及復(fù)雜系統(tǒng)傳感器故障診斷技術(shù)，具體設(shè)及一種基于貝葉斯網(wǎng)絡(luò)的復(fù)雜 系統(tǒng)中傳感器故障診斷方法。
【背景技術(shù)】
[0002] 隨著現(xiàn)代化大型機械設(shè)備日益向大型化、復(fù)雜化和精密化的方向發(fā)展，部件的結(jié) 構(gòu)日趨精密。但各部件之間存在許多錯綜復(fù)雜、關(guān)聯(lián)禪合的相互關(guān)系，導(dǎo)致其故障特征具有 模型不確定性、信息不完備性等特點，僅僅依靠單一信息源對故障難于做出精確的診斷。在 實際生產(chǎn)過程中，在事故發(fā)生前，控制系統(tǒng)往往都會出現(xiàn)故障預(yù)兆，如果能夠及時檢測到該 種預(yù)兆并加W控制，完全能避免事故的發(fā)生。故障診斷與容錯技術(shù)的出現(xiàn)為提高復(fù)雜系統(tǒng) 的可靠性提供了可能。
[0003] 貝葉斯網(wǎng)絡(luò)理論是不確定知識表達與診斷推理的有效方法之一。它一方面可W將 車身裝配偏差間復(fù)雜影響關(guān)系W不確定的概率模型形式進行表達；另一方面能夠?qū)こ探?jīng) 驗、設(shè)計知識等先驗信息和當(dāng)前檢測數(shù)據(jù)進行多源信息融合，從而實現(xiàn)不完備信息下裝配 偏差關(guān)系模型的學(xué)習(xí)更新，不斷提高故障診斷準(zhǔn)確性。與傳統(tǒng)基于經(jīng)典統(tǒng)計理論的方法相 比，貝葉斯網(wǎng)絡(luò)在檢測樣本小、信息不完備條件下的復(fù)雜系統(tǒng)故障診斷中具有顯著優(yōu)勢。
[0004] 針對復(fù)雜系統(tǒng)傳感器故障診斷模型不確定性問題，可W采用不確定推理方法W及 多源信息融合解決問題。常用的不確定推理方法有貝葉斯網(wǎng)絡(luò)、模糊集理論W及證據(jù)理論 等多種方法，每種方法都有其特點及適用范圍，其中貝葉斯網(wǎng)絡(luò)理論W概率論為基礎(chǔ)，它用 概率表達不確定性，W其強大的問題表達與不確定推理能力被認為是目前解決不確定問題 的最有效方法之一。同時貝葉斯網(wǎng)絡(luò)能夠有效利用檢測數(shù)據(jù)、工程經(jīng)驗W及設(shè)計信息等多 源信息，并對W上信息的存儲、統(tǒng)一表達與融合，為小樣本、不完備檢測條件下故障診斷問 題的解決提供了可能。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本發(fā)明的目的在于提供一種基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)中傳感器故障 診斷方法，該方法采用建立復(fù)雜系統(tǒng)中非線性子系統(tǒng)模型、傳感器組動態(tài)模型和單個傳感 器動態(tài)模型，構(gòu)建診斷貝葉斯網(wǎng)絡(luò)模型，構(gòu)建子系統(tǒng)估計模型，與上述模型進行比較，獲取 傳感器模型殘差，估計殘差闊值，確定觀測節(jié)點參數(shù)的先驗概率分布，先驗概率與樣本數(shù)據(jù) 的概率融合并對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)進行更新調(diào)整，構(gòu)建新的貝葉斯模型，實現(xiàn)復(fù)雜系 統(tǒng)傳感器故障診斷，該方法在信息不完備條件下的復(fù)雜系統(tǒng)故障診斷具有明顯優(yōu)勢。
[0006] 為達到上述目的，本發(fā)明提供如下技術(shù)方案：
[0007] 一種基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)中傳感器故障診斷方法，其特征在于包括下述步 驟：步驟一；根據(jù)各傳感器特點建立復(fù)雜系統(tǒng)中單個傳感器動態(tài)模型，利用多智能體 實現(xiàn)傳感器數(shù)據(jù)通信，對貝葉斯網(wǎng)絡(luò)葉節(jié)點進行定義；步驟二：建立面向復(fù)雜系統(tǒng)的貝葉 斯網(wǎng)絡(luò)模型，根據(jù)復(fù)雜系統(tǒng)結(jié)構(gòu)建立非線性子系統(tǒng)觀測模型2 ?和傳感器組動態(tài)觀測模 型s?，對貝葉斯網(wǎng)絡(luò)根節(jié)點進行定義；步驟s;構(gòu)建子系統(tǒng)估計模型，與上述模型進行比 較，獲取傳感器模型殘差；步驟四；設(shè)定殘差闊值，確定觀測節(jié)點參數(shù)的先驗概率分布；步 驟五；先驗概率與樣本數(shù)據(jù)的概率融合并對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)進行更新調(diào)整，構(gòu)建新 的貝葉斯模型；步驟六：基于新貝葉斯網(wǎng)絡(luò)進行推理診斷獲取復(fù)雜傳感器系統(tǒng)故障診斷結(jié) 果。
[000引進一步，在步驟一中具體包括W下步驟：根據(jù)各傳感器特點建立復(fù)雜系統(tǒng)中單個 傳感器動態(tài)進行建模，第j個傳感器用S(I){j}，jG 表示，利用多智能體實現(xiàn) 傳感器數(shù)據(jù)通信，將其定義為貝葉斯網(wǎng)絡(luò)葉節(jié)點；
[0009] 進一步，在步驟二中具體包括W下步驟；31 ;定義一個包含N個非線性動態(tài)子系統(tǒng) 模型的復(fù)雜傳感器系統(tǒng)，第IG(1，...，N}個非線性動態(tài)子系統(tǒng)用2(1)表示，2?包括 已知局部動態(tài)特性、已知連接動態(tài)特性W及模型不確定性，如線性誤差、模型參數(shù)不確定或 系統(tǒng)擾動等；；32 ;定義相應(yīng)傳感器組用S(I)表示，將其定義為貝葉斯網(wǎng)絡(luò)根節(jié)點，建立面 向復(fù)雜系統(tǒng)的貝葉斯網(wǎng)絡(luò)模型；
[0010] 進一步，在步驟S中具體包括W下步驟；41 ;選取非線性觀測器模型0 ，構(gòu)建 子系統(tǒng)估計模型42 ;子系統(tǒng)估計模型與相應(yīng)系統(tǒng)模型進行比較，獲取第j個傳感器殘差 并求出其狀態(tài)方程；
[0011] 進一步，在步驟四中具體包括W下步驟；51 ;設(shè)定在健康狀態(tài)下傳感器合適的殘 差闊值，確定觀測節(jié)點參數(shù)的先驗概率分布；
[0012] 進一步，在步驟五中具體包括W下步驟；61 ;獲取一定數(shù)量的新檢測數(shù)據(jù)，利用Bayes方法對節(jié)點的各條件概率進行融合計算；62 ;根據(jù)節(jié)點的條件概率對節(jié)點間的獨立 關(guān)系進行檢驗，獲取貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)更新；63 ;隨著新一輪檢測數(shù)據(jù)集的獲取，將 上次獲取的新網(wǎng)絡(luò)模型作為先驗?zāi)Ｐ筒粩嗟匮h(huán)學(xué)習(xí)，實現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的迭代更新， 建立起越來越精確的偏差關(guān)系模型。
[0013] 進一步，在步驟六中具體包括W下步驟；基于偏差關(guān)系模型，提高新貝葉斯網(wǎng)絡(luò)的 精確度，推理診斷獲取復(fù)雜傳感器系統(tǒng)故障診斷結(jié)果。
[0014] 本發(fā)明的有益效果在于；本發(fā)明通過建立復(fù)雜系統(tǒng)中非線性子系統(tǒng)模型和傳感器 組動態(tài)模型和單個傳感器動態(tài)模型，對貝葉斯網(wǎng)絡(luò)根節(jié)點和葉進行定義，將相鄰節(jié)點之間 動態(tài)關(guān)聯(lián)性引入傳感器模型中，并采用葉節(jié)點傳感器關(guān)聯(lián)的貝葉斯方法概率融合方法，更 新網(wǎng)絡(luò)結(jié)構(gòu)W及參數(shù)調(diào)整，構(gòu)建新的貝葉斯模型，實現(xiàn)故障診斷，該方法在信息不完備條件 下的復(fù)雜系統(tǒng)故障診斷具有明顯優(yōu)勢。
【附圖說明】
[0015] 為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明作進 一步的詳細描述，其中：
[0016] 圖1為基于貝葉斯網(wǎng)絡(luò)模型的復(fù)雜系統(tǒng)中傳感器故障診斷流程圖；
[0017] 圖2為本發(fā)明貝葉斯網(wǎng)絡(luò)根節(jié)點與特節(jié)點關(guān)系圖。
【具體實施方式】
[0018] 下面將結(jié)合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述。
[0019] 圖1為本發(fā)明所述方法的流程圖，本方法包括W下步驟：
[0020] S1 ;對復(fù)雜傳感器的非線性動態(tài)子系統(tǒng)中的每個傳感器進行建模，利用多智能體 實現(xiàn)傳感器數(shù)據(jù)通信，第j個傳感器用S(I) {j}，jG(1，...，mi}表示貝葉斯網(wǎng)絡(luò)節(jié)點間關(guān) 系如圖2所示淀義Sa)IJ}如公式（1):
[0021]
【主權(quán)項】
1. 一種基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)中傳感器故障診斷方法，其特征在于包括下述步 驟： 步驟一：根據(jù)各傳感器特點建立復(fù)雜系統(tǒng)中單個傳感器動態(tài)模型利用多智能體 實現(xiàn)傳感器數(shù)據(jù)通信，對貝葉斯網(wǎng)絡(luò)葉節(jié)點進行定義； 步驟二：建立面向復(fù)雜系統(tǒng)的貝葉斯網(wǎng)絡(luò)模型，根據(jù)復(fù)雜系統(tǒng)結(jié)構(gòu)以及傳感器參數(shù)建 立非線性子系統(tǒng)觀測模型Σ (1)和傳感器組動態(tài)觀測模型S (1)，對貝葉斯網(wǎng)絡(luò)根節(jié)點進行定 義； 步驟三：選取非線性觀測器σ (1，七構(gòu)建子系統(tǒng)估計模型，將估計模型與上述觀測模型 進行比較，獲取傳感器殘差； 步驟四：在傳感器子系統(tǒng)健康狀態(tài)下，設(shè)定殘差閾值確定觀測節(jié)點參數(shù)的先驗概率分 布； 步驟五：先驗概率與樣本數(shù)據(jù)的概率融合并對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)進行更新調(diào)整， 構(gòu)建新的貝葉斯模型； 步驟六：基于偏差關(guān)系模型，提高新貝葉斯網(wǎng)絡(luò)的精確度，推理診斷獲取復(fù)雜傳感器系 統(tǒng)故障診斷結(jié)果。
2. 根據(jù)權(quán)利要求1所述的一種基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)中傳感器故障診斷方法，其 特征在于：根據(jù)各傳感器特點建立復(fù)雜系統(tǒng)中單個傳感器動態(tài)進行建模，第j個傳感器用 S(I) {j}，j e {1，...，mi}表示，利用多智能體實現(xiàn)傳感器數(shù)據(jù)通信，將其定義為貝葉斯網(wǎng)絡(luò) 葉節(jié)點。
3. 根據(jù)權(quán)利要求1所述的一種基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)中傳感器故障診斷方法，其 特征在于：在步驟二中具體包括以下步驟：31 :定義一個包含N個非線性動態(tài)子系統(tǒng)模型的 復(fù)雜傳感器系統(tǒng)，第I e {1，...，N}個非線性動態(tài)子系統(tǒng)用Σ (I)表示，Σ(Ι)包括已知局 部動態(tài)特性、已知連接動態(tài)特性以及模型不確定性，如線性誤差、模型參數(shù)不確定或系統(tǒng)擾 動等；；32 :定義相應(yīng)傳感器組用S(I)表示，將其定義為貝葉斯網(wǎng)絡(luò)根節(jié)點，建立面向復(fù)雜 系統(tǒng)的貝葉斯網(wǎng)絡(luò)模型。
4. 根據(jù)權(quán)利要求1所述的一種基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)中傳感器故障診斷方法，其 特征在于：在步驟三中具體包括以下步驟：41 :選取非線性觀測器模型〇(1'吃構(gòu)建子系統(tǒng) 估計模型42 :子系統(tǒng)估計模型與相應(yīng)系統(tǒng)模型進行比較，獲取第j個傳感器殘差^^#并求 出其狀態(tài)方程。
5. 根據(jù)權(quán)利要求1所述的一種基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)中傳感器故障診斷方法，其 特征在于：在步驟四中具體包括以下步驟：51 :估計在健康狀態(tài)下傳感器合適的殘差閾值， 確定觀測節(jié)點參數(shù)的先驗概率分布。
6. 根據(jù)權(quán)利要求1所述的一種基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)中傳感器故障診斷方法，其 特征在于：在步驟五中具體包括以下步驟：61 :獲取一定數(shù)量的新檢測數(shù)據(jù)，利用貝葉斯方 法對節(jié)點的各條件概率進行融合計算；62 :根據(jù)節(jié)點的條件概率對節(jié)點間的獨立關(guān)系進行 檢驗，獲取貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)更新；63 :隨著新一輪檢測數(shù)據(jù)集的獲取，將上次獲取 的新網(wǎng)絡(luò)模型作為先驗?zāi)Ｐ筒粩嗟匮h(huán)學(xué)習(xí)，實現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的迭代更新，建立起越 來越精確的偏差關(guān)系模型。
7.根據(jù)權(quán)利要求1所述的一種基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)中傳感器故障診斷方法，其 特征在于：在步驟六中建立起越來越精確的偏差關(guān)系模型，基于新貝葉斯網(wǎng)絡(luò)進行推理診 斷獲取復(fù)雜傳感器系統(tǒng)故障診斷結(jié)果。
【專利摘要】該發(fā)明提供了一種基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)中傳感器故障診斷方法，在復(fù)雜系統(tǒng)中構(gòu)建傳感器監(jiān)測模型，并將動態(tài)貝葉斯網(wǎng)絡(luò)模型應(yīng)用于復(fù)雜系統(tǒng)傳感器故障診斷中。具體方法步驟如下：一、根據(jù)各傳感器特點建立復(fù)雜系統(tǒng)中單個傳感器動態(tài)模型S(I,q)；二、建立面向復(fù)雜系統(tǒng)的貝葉斯網(wǎng)絡(luò)模型；三、選取非線性觀測器σ(I,q)，構(gòu)建子系統(tǒng)估計模型，獲取傳感器殘差；四、估計殘差閾值，確定觀測節(jié)點參數(shù)的先驗概率分布；五、對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)進行更新調(diào)整，構(gòu)建新的貝葉斯模型；六、根據(jù)貝葉斯網(wǎng)絡(luò)實現(xiàn)復(fù)雜系統(tǒng)傳感器故障診斷。本發(fā)明在貝葉斯網(wǎng)絡(luò)基礎(chǔ)上進行擴展，針對復(fù)雜系統(tǒng)，在信息不完備條件下的復(fù)雜系統(tǒng)故障診斷具有明顯優(yōu)勢。
【IPC分類】G05B23-02
【公開號】CN104865956
【申請?zhí)枴緾N201510138292
【發(fā)明人】屈劍鋒, 柴毅, 邢占強, 趙衛(wèi)峰, 陳軍
【申請人】重慶大學(xué)
【公開日】2015年8月26日
【申請日】2015年3月27日