基于模糊Petri网的系统可靠性分析与故障诊断方法与流程

本发明属于物流系统检测领域，具体来说涉及一种基于模糊petri网的系统可靠性分析与故障诊断方法。

背景技术：

码垛技术作为一种高新技术在现代物流中发挥着重要的作用，随着人们对码垛速度要求的不断提高，传统的人工码垛方式越来越难以达到人们的要求，这种情况下码垛机器人应运而生,随着科学技术的发展，工业码垛机器人在物流自动化领域应用越来越广泛。码垛机器人在码垛系统中主要以码垛机械手的形式存在，在自动化物流中发挥着越来越重要的作用。随着生产规模的不断扩大，物流行业对码垛系统可靠性要求越来越高。

码垛系统故障主要分为液压系统故障、电子系统故障和机械故障等，其中以液压系统故障和电子系统故障为主。在只考虑码垛机械手本体的情况下，将码垛系统的故障分为液压系统故障、电子系统故障和机械故障三大类。液压故障有许多种分类方法，分为液压缸油液压力不足、液压阀门损坏、振动、液压控制系统故障。电子系统故障分为伺服电动机故障和串行通讯故障。机械故障在码垛系统故障中所占比例较小，分为连接故障和零件损伤。含有机械手的码垛系统故障不易被发现给工人的维修带来一定的困难，大大影响了生产效率。码垛系统结构较为复杂且故障具有随机性，因此探索一种高效的方法对系统可靠性进行分析研究，准确地表达故障的信息具有重要的意义。

技术实现要素：

本发明的目的在于克服上述缺点而提供一种兼具模糊推理能力和图形描述能力，能准确地表达故障信息的基于模糊petri网的系统可靠性分析与故障诊断方法。

本发明的目的及解决其主要技术问题是采用以下技术方案来实现的：

一种基于模糊petri网的系统可靠性分析与故障诊断方法，包括以下步骤：

(1)针对码垛机械手本体，故障包括液压系统故障、电子系统故障、机械故障，根据故障之间的关系，确定模糊petri网的推理规则，建立基于模糊petri网的故障诊断模型；

(2)统计底事件的发生概率，设定码垛系统故障等级；

(3)由故障事件设定初始可信度值、变迁规则置信度、变迁的阈值、初始标志矩阵；

(4)根据mycin可信度矩阵推理法,获得事件的概率重要度，并对概率重要度进行排序，确定要着重防范的故障；

(5)建立初始库所集、目标库所集以及每个库所集的可达集合；根据已发生的故障缺陷，反向查询引发故障的路径，依据置信度最大原则确定初始库所；通过设定的阈值判断事件是否激活，并确定被激活事件的可信度，即可。

上述的基于模糊petri网的系统可靠性分析与故障诊断方法，其特征在于：所述步骤(1)中建立的基于模糊petri网的故障诊断模型为八元组:

fpn＝(p,t,d,i,o,u,α,η)

其中:

p＝{p1,p2,…,p34}，为系统故障诊断库所集合；

t＝{t1,t2,…,t33}，是变迁节点的有限集合，表示事件的状态变化或行为动作；

d＝{d1,d2，…,d15}，是命题的有限集合，|p|＝|d|,p∩t∩d＝φ；

i：p×t→{0,1}，是15×14输入关联矩阵；

o：t×p→{0,1}，是15×14输出关联矩阵；

u：规则的置信度矩阵u＝diag{μ1,μ2,…,μi,…,μ14}，其中μi是变迁的规则置信度向量μi∈[0,1]，diag表示对角矩阵；

α：p→[0,1],是库所的可信度，θ＝α(pi)称为托肯，θ＝{θ1，θ2，…，θ15}^t,θi∈[0,1]是库所真实度向量；

η：η＝{η1，η2，…，η15}^t，若pi中有一个托肯，则ηi＝1。

本发明与现有技术相比具有明显的优点和有益效果。由以上技术方案可知，与现有技术相比，本方案通过分析系统故障，根据故障之间的关系，建立基于模糊petri网的故障诊断模型，确定模糊petri网的推理规则，其中建立的模糊petri网兼具模糊推理能力和图形描述能力，能够很好的适应各种不同的系统，适合于进行系统可靠度分析与故障诊断。根据mycin可信度矩阵推理法，可以通过较少的迭代次数，得到准确的事件可信度。在系统已经发生故障时，利用模糊petri网的反向推理和阈值设定，可以迅速确定故障源，消除了故障诊断的盲目性，提高了故障诊断的效率。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明，其中:

图1为本发明的流程图基于模糊petri网的码垛系统故障诊断模型示意图；

图2为本发明的基于模糊petri网的码垛系统故障诊断模型示意图；

图3为实施例中的基于模糊petri网的码垛系统中液压系统的故障诊断模型示意图。

具体实施方式：

以下将结合附图，对本发明的技术方案进行详细说明。

参见图1和图2，一种基于模糊petri网的系统可靠性分析与故障诊断方法，包括以下步骤：

步骤(1)：模糊petri网定义为一个八元组:

fpn＝(p,t,d,i,o,u,α,η)

其中:

p＝{p1,p2,…,p34}，为码垛系统故障诊断库所集合；

t＝{t1,t2,…,t33}，是变迁节点的有限集合，表示事件的状态变化或行为动作；

d＝{d1,d2，…,d15}，是命题的有限集合，|p|＝|d|,p∩t∩d＝φ；

i：p×t→{0,1}，是15×14输入关联矩阵；

o：t×p→{0,1}，是15×14输出关联矩阵；

u：规则的置信度矩阵u＝diag{μ1,μ2,…,μ14}，μi是变迁的规则置信度向量；

α：p→[0,1],是库所的可信度，θ＝α(pi)称为托肯，θ＝{θ1，θ2，…，θ15}^t,θi∈[0,1]是库所真实度向量；

η：η＝{η1，η2，…，η15}^t，若pi中有一个托肯，则ηi＝1。

步骤(2):根据步骤(1)模糊petri结构的定义，设定模糊petri网的推理规则:

(1)ifdj1anddj2and…anddjnthendk,(cf＝μi)。

(2)ifdkthendj1anddj2and…anddjn,(cf＝μi)。

(3)ifdj1ordj2ordjnthendk,(cf＝μi)。

其中dj和dk是模糊命题，分别表示前提条件和结论。每个命题的真值都在0到1之间，μi为规则的可信度，μi∈[0,1]。令λ为变迁可激发的阈值，θj为前提命题dj的可信度，j＝1，2，…，n且θj∈[0，1]，只有当命题dj的可信度θj≥λ,则变迁是可激发的。

表1基于模糊petri网模型的事件列表(库所表)

步骤(3):总结码垛系统的故障原因、故障分布，分析以及各故障之间的关系，建立了基于模糊petri网的码垛系统故障诊断模型如图1所示，基于模糊petri网模型的事件列表(库所表)如表1所示。

步骤(4):统计底事件的发生概率如表2，设定码垛系统故障等级如表3。

表2底事件概率统计表

表3码垛系统故障等级

步骤(5):由故障事件设定初始可信度值θ⁰、变迁规则置信度u、变迁的阈值λ及初始标志矩阵。

步骤(6):根据mycin可信度矩阵推理法,获得事件的概率重要度，并对概率重要度进行排序，确定要着重防范的故障。

根据mycin可信度矩阵推理法，可以通过较少的迭代次数，得到准确的事件pi可信度，推理公式如下：

式中，

算子

b，c∈r^1×n：则ci＝∨(ai，bi)1≤i≤n

算子

设c∈r^n×m，g∈r^n×1，则

其中算子符号“∨”为取最大值。in＝(1，1，…，1)^t是一个n维向量，表示事件pi在第k次推理时为假的可信度，i＝1,2，…n；为m维向量，表示规则tj为假的置信度，为m维向量，表示规则tj为真的置信度。由此可得正向矩阵推理算法：(1)令k＝0，根据公式计算θ^k+1；(2)若θ^k＝θ^k+1，推理结束；(3)若θ^k≠θ^k+1则令k＝k+1,重复计算直到θ^k+1＝θ^k停止推理。

步骤(7):建立初始库所集、目标库所集以及每个库所集的可达集合，根据已发生的故障缺陷，反向查询引发故障的路径，依据置信度最大原则确定初始库所。通过设定的阈值判断事件是否激活，并确定被激活事件的可信度。

上述整个流程如图1所示。

本实施例以液压系统故障为例加以说明:

1、建立基于模糊petri的液压系统故障诊断模型，如图3所示。

2、设定初始可靠度值:

θ¹＝(0.6782,0.7793,0.8862,0.6576,0.8771,0.7861,0.8283,0.8954,0.8762,0.8796,0.8242,0.8327,0.8499,0.8442,0)^t

θ²＝(0.6782,0.7793,0.8862,0.6576,0.8771,0.7861,0.8283,0.8954,0.8762,0.8796,0.8242,0.8327,0.8499,0.8442,0.8244)^t

θ³＝(0.6782,0.7793,0.8862,0.6576,0.8771,0.7861,0.8283,0.8954,0.8762,0.8796,0.8242,0.8327,0.8499,0.8442,0.8244)^t

3、图3中有15个库所和14个变迁，由此得到模型的输入输出矩阵分别为：

式中

4、根据推理算法将数据进行推理迭代运算

θ¹＝(0.6782,0.7793,0.8862,0.6576,0.8771,0.7861,0.8283,0.8954,0.8762,0.8796,0.8242,0.8327,0.8499,0.8442,0)^t

θ²＝(0.6782,0.7793,0.8862,0.6576,0.8771,0.7861,0.8283,0.8954,0.8762,0.8796,0.8242,0.8327,0.8499,0.8442,0.8244)^t

θ³＝(0.6782,0.7793,0.8862,0.6576,0.8771,0.7861,0.8283,0.8954,0.8762,0.8796,0.8242,0.8327,0.8499,0.8442,0.8244)^t

5、θ²＝θ³正向推理结束，获得事件的重要度。由计算结果可知，液压系统故障概率重要度由大到小排序依次为振动、液压控制系统故障、液压阀门磨损、液压缸油液压力不足。

6、依据基于模糊petri网的码垛系统模型进行故障诊断分析。已知码垛系统的液压系统发生了故障，无法正常运行。首先建立液压系统的初始库所集、目标库所集以及每个库所集的可达集合rs和立即可达集合irs如表4所示。

7、找到液压系统故障对应的库所p15，根据立即可达集合可以找到引发p15的四条路径：p11→p15、p12→p15、p13→p15、p14→p15。对变迁t11、t12、t13、t14的规则置信度大小进行比较，p13→p15的置信度为0.97是最大值，所以将p13→p15作为目标路径，并对p13进行标记。继续进行反向查询，找到引发p13的三条路径：p6→p13、p7→p13、p9→p13。然后对变迁t6、t7、t9的规则置信度大小进行比较，p9→p13的置信度为0.97是最大值介于表2中置信度区间0.9～1.0范围内，属于“非常真实”，算出命题可信度θ9＝0.8762,大于设定的阈值0.5，可以判定该事件被激活。p13的可信度θ13＝θ9×0.97＝0.8499大于设定阈值0.5，p13事件被激活。θ16＝y13×0.97＝0.8244,由此可以判断故障的原因为“固件松脱”，其产生液压系统故障的可信度为0.8244。

表4库所的可达和立即可达集合

总之，基于模糊petri网的故障诊断模型能够通过正向矩阵推理迅速计算出目标库所的概率重要度，通过对概率重要度的比较，可以清晰确定需要着重防范的故障。与成熟的故障树相比基于模糊petri网故障诊断模型更具优势，可以更快的进行可靠性分析，更易于计算机编程。在系统已经发生故障时，利用模糊petri网的反向推理进行推断，可以迅速确定故障源，消除了故障诊断的盲目性，提高了故障诊断的效率。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，任何未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。