专利名称：基于模糊故障诊断和相关性模型诊断的dr合成诊断方法
技术领域：
本发明涉及一种针对电子产品的基于模糊故障诊断和相关性模型诊断的DR合成诊断方法，属于电子设备故障诊断技术领域。
背景技术：
信息融合是指对单个和多个传感器的信息和数据进行多层次、多方面的处理，包括自动检测、关联、相关、估计和组合。航空电子设备的故障检测与定位，一直是一个十分复杂困难的工作，需要考虑监测数据与监测数据 、BIT信息与监测数据等各种融合方法，实现更智能的信息融合增强诊断。其主要信息融合故障诊断方法有模糊故障诊断、相关性模型诊断、Bayes推理、D-S证据推理及神经网络信息融合等。模糊故障诊断方法和相关性模型诊断方法具有普遍的适用性。模糊故障诊断方法是利用模糊集合论中的隶属函数和模糊关系矩阵的概念来解决故障原因与故障征兆之间的不确定关系，进而实现故障的检测与诊断。该方法的诊断结果比较粗糙，即准确性较差。相关性模型诊断方法是将被测对象实时测试故障状态向量与相关性矩阵行向量进行逐行比较，找到与其完全一致的行向量，其对应的故障就是诊断结果。该方法的诊断结果相对准确，但只能针对测试状态矢量的“O”和“ I ”值进行故障搜寻，具有一定的局限性。由于大多系统都是数模混合电路，其状态参量既有连续量又有逻辑量，采用模糊故障诊断方法或相关性模型诊断方法进行诊断时，得到的诊断结果并不准确或不是最优的。因此，对于同时具备连续量和逻辑量的系统的故障诊断，目前还缺少既能弥补了模糊故障诊断的粗糙性，又能改善相关性模型诊断的局限性的综合诊断方法。
发明内容
本发明的目的是为了既能弥补模糊故障诊断的粗糙性，又能改善相关性模型诊断的局限性，提出了一种基于模糊故障诊断和相关性模型诊断的DR合成诊断方法。本发明方法主要通过分析确定各个测试点监测的状态参量类型，构建一个既包括连续量也包括逻辑量的DR合成矩阵，再根据实时测试故障状态向量，利用DR合成诊断方程定位出故障源，实现对故障的准确隔离。本发明的基于模糊故障诊断和相关性模型诊断的DR合成诊断方法包括如下步骤步骤1，为各测试点所对应的测试编号，并确定各测试点监测的被测对象的状态参量的类型。被测对象的状态参量可分为连续量和逻辑量两种类型。步骤2，构建相关性矩阵与模糊关系矩阵的DR合成矩阵，DR合成矩阵是指将相关性矩阵D和模糊关系矩阵R合成得到的矩阵。本步骤包括如下步骤步骤2. I，建立模糊关系矩阵。步骤2. I. 1，判断步骤I中各个测试点监测的状态参量是否包含连续量，若不包含则不存在模糊关系矩阵，转到步骤2. 2执行，否则执行步骤2. I. 2 ;
步骤2. I. 2，将监测连续量的测试点对应的测试作为模糊关系矩阵R中的故障征兆；步骤2. I. 3，按照现有的构建模糊关系矩阵的方法，建立只包含步骤2. I. 2中所确定的故障征兆与每一个故障原因之间模糊关系的模糊关系矩阵R。一个故障征兆对应模糊关系矩阵R中的一行，一个故障原因对应模糊关系矩阵R中的一列，模糊关系矩阵R中第i行第j列所对应的元素表示第i个故障征兆属于第j个故障原因的隶属度。步骤2. 2，建立相关性矩阵D。步骤2. 2. 1，判断步骤I中各个测试点监测的状态参量是否包含逻辑量，若不包含则不存在相关性矩阵，转到步骤2. 3执行，否则执行步骤2.2.2'步骤2. 2. 2，将监测逻辑量的测试点所对应的测试作为相关性矩阵D中的测试；步骤2. 2. 3，按照现有的构建相关性矩阵的方法，建立只包含步骤2. 2. 2中所确定 的测试与每一个故障模式之间相关关系的相关性矩阵D。一个测试对应相关性矩阵D中的一列，一个故障模式对应相关性矩阵D中的一行，相关性矩阵D中的第i行第j列所对应的元素du表示第i个故障模式与第j个测试的相关性，当第j个测试能测到第i个故障模式时，(Iij = I ;否则，(Iij = O。步骤2. 3，建立DR合成矩阵。利用模糊关系矩阵与相关性矩阵之间的共性，将模糊关系矩阵转置，再与相关性矩阵组合，得到由转置后的模糊关系矩阵与相关性矩阵组合而成的DR合成矩阵，具体步骤如下步骤2. 3. 1，如果模糊关系矩阵R不存在，把相关性矩阵D作为DR合成矩阵M，否则继续；步骤2. 3. 2，将模糊关系矩阵R转置得到转置矩阵Rt ；步骤2. 3. 3，如果相关性矩阵D不存在，把转置矩阵Rt作为DR合成矩阵M，否则继续； 步骤2.3.4，根据式(I )，将得到的转置矩阵Rt与相关性矩阵D组合得到DR合成矩阵M。把转置后的模糊关系矩阵Rt与相关性矩阵D组合，构成一个DR合成矩阵，记为M，
矩阵M中，行表示故障模式，列表示测试，测试按照编号顺次排序，矩阵M如下式所示
权利要求
1.一种基于模糊关系诊断和相关性模型诊断的DR合成诊断方法，其特征在于，包括如下步骤 步骤1，为各测试点所对应的测试编号，并确定各测试点监测的状态参量的类型，分为连续量和逻辑量两种类型； 步骤2，构建由相关性矩阵D与模糊关系矩阵R合成的DR合成矩阵M，具体是 步骤2. 1，建立模糊关系矩阵，具体是 步骤2. I. 1，判断步骤I中各测试点监测的状态参量是否包含连续量，若不包含，则不存在模糊关系矩阵，转到步骤2. 2执行，否则执行步骤2. I. 2 ;步骤2. I. 2，将监测连续量的测试点对应的测试作为模糊关系矩阵R中的故障征兆；步骤2. I. 3，建立包含步骤2. 1.2中所确定的故障征兆与每一个故障原因之间模糊关系的模糊关系矩阵R ;—个故障征兆对应模糊关系矩阵R中的一行，一个故障原因对应模糊关系矩阵R中的一列，模糊关系矩阵R中第i行第j列所对应的元素表示第i个故障征兆属于第j个故障原因的隶属度； 步骤2. 2，建立相关性矩阵D，具体是 步骤2. 2. 1，判断步骤I中各个测试点监测的状态参量是否包含逻辑量，若不包含则不存在相关性矩阵，转到步骤2. 3执行，否则执行步骤2.2.2' 步骤2. 2. 2，将监测逻辑量的测试点所对应的测试作为相关性矩阵D中的测试； 步骤2. 2. 3，建立包含步骤2. 2. 2中所确定的测试与每一个故障模式之间相关关系的相关性矩阵D ;—个测试对应相关性矩阵D中的一列，一个故障模式对应相关性矩阵D中的一行，相关性矩阵D中的第i行第j列所对应的元素du表示第i个故障模式与第j个测试的相关性，当第j个测试能测到第i个故障模式时，Clij = I ;否则，(Iij = O ； 步骤2. 3，将模糊关系矩阵转置，再与相关性矩阵组合，得到DR合成矩阵； 步骤3，利用DR合成诊断方程定位故障源，具体是 步骤3. 1，获取实时测试故障状态向量T% Tc = [T1,…，Ti,…，TJt ; 步骤3. 2，利用DR合成诊断方程，计算故障模式矢量F，F= [F1,…，Fi,…，Fm]T步骤3. 3，定位故障源，具体是根据最大隶属度原则，搜索故障模式矢量F中所有可能的故障模式，将最大概率所对应的故障作为故障源。
2.根据权利要求I所述的DR合成诊断方法，其特征在于，所述步骤2.3具体包括如下步骤 步骤2. 3. 1，若模糊关系矩阵R不存在，把相关性矩阵D作为DR合成矩阵M，否则继续执行下一步； 步骤2. 3. 2，将模糊关系矩阵R转置得到转置矩阵Rt ； 步骤2. 3. 3，如果相关性矩阵D不存在，把转置矩阵Rt作为DR合成矩阵M，否则继续执行下一步； 步骤2. 3. 4，将得到的转置矩阵Rt与相关性矩阵D组合，得到DR合成矩阵M ；
3.根据权利要求I所述的DR合成诊断方法，其特征在于，所述步骤3. 2的DR合成诊断方程具体如下 DR合成诊断方程为F = MoTc ;其中，0为DR合成诊断运算规则，记为滅6，a) ,d表示模糊同或运算，A表示取小运算； 具体Fi的计算公式为 i = 1，2，…，m ; 模糊同或运算6运算规则为洲為
全文摘要
本发明提供了一种基于模糊故障诊断和相关性模型诊断的DR合成诊断方法，用于电子设备故障诊断。该方法首先确定各测试点监测的状态参量类型，为连续量或逻辑量；然后对连续量的测试，将测试作为故障征兆，建立模糊关系矩阵R，而对逻辑量的测试，建立相关性矩阵D，将建立的模糊关系矩阵R转置后与相关性矩阵组合为DR合成矩阵；最后针对实时测试故障状态向量，利用DR合成矩阵和DR合成诊断方程定位故障源。本发明充分考虑了系统状态参量中的连续量和逻辑量，弥补了模糊故障诊断的粗糙性，又改善了相关性模型诊断的局限性，适用于具有连续量和逻辑量的系统的故障诊断，可实现故障源的准确定位。
文档编号G01R31/00GK102818948SQ20121024573
公开日2012年12月12日 申请日期2012年7月16日 优先权日2012年7月16日
发明者石君友, 林谢贵, 吕凯悦, 张彤 申请人:北京航空航天大学