一种改进的序贯故障诊断策略优化方法
【专利摘要】本发明涉及一种基于蚁群方法和相关矩阵的序贯故障诊断策略优化方法。包括：编码建模、构造适应度函数、序贯诊断策略建模、模型优化四大步骤。该方法利用多信号建模技术得到表征系统故障和测试依赖关系的相关矩阵，通过定义适应度函数、蚁群算法的状态转移规则和信息素反馈机制，将诊断策略优化问题转化为蚁群寻优问题。为了提高蚁群算法的收敛速度和优化能力，引入了参数动态调整、信息素压缩和拥挤度自适应调整三种策略，提高了诊断策略优化设计方法的精度和结果的鲁棒性。该方法遵守“最小代价”的原则，在保证故障检测率和隔离率的前提下使搜索代价最低，满足了故障策略优化的要求。
【专利说明】一种改进的序贯故障诊断策略优化方法
【技术领域】
[0001] 本发明属于测试与故障诊断【技术领域】，涉及一种基于蚁群方法和相关矩阵的序贯 故障诊断策略优化方法。
【背景技术】
[0002] 随着现代装备系统功能和结构复杂程度的提高，带来了测试诊断困难和测试成 本增加等问题。测试方案设计的一个重点就是序贯故障诊断策略的设计，即选择一种测 试执行顺序，提高故障诊断的精度和成本。诊断策略的优化设计从计算复杂度上讲属于 NP-complete问题，常用的与或图搜索法、AO方法、ACf方法、故障树模型法等存在着运算量 大、局部收敛、组合爆炸等问题，而且难以适应复杂系统故障存在动态随机性的特点。
[0003] 上个世纪80年代以来，随着各种现代优化方法的兴起，国内外学者已经开始广泛 关注现代优化方法在诊断策略优化中的应用研宄，如基于信息增量的贪婪方法、动态规划 方法和遗传方法等。这些方法都遵守"最小代价"的原则，在保证故障检测率和隔离率的前 提下使搜索代价最低，满足故障策略优化的要求，取得了较为广泛的应用。但上述方法仅考 虑故障的发生概率和各个测试成本，没有考虑到执行测试的难易程度，即维修人员的主观 经验对故障诊断的影响，同时也存在早熟收敛和测试成本函数构造困难的问题。
[0004] 总的来说，为制定合理的诊断策略，提高故障诊断效率，国内外学者提出的很多理 论和方法，在一定程度上满足了故障诊断策略优化的要求，在设备故障诊断与维修中取得 了广泛的应用。但是这些方法存在或多或少的局限，主要表现在：对不确定性处理能力不 高、大多为静态诊断策略，而且无法利用诊断经验等。针对上述问题，有必要展开诊断策略 优化问题的研宄，以降低设备的全寿命周期费用。
【发明内容】
[0005] 针对上述问题，本发明提出了一种基于蚁群方法和相关矩阵的序贯故障诊断策略 优化方法，利用多信号建模技术得到表征系统故障和测试依赖关系的相关矩阵，通过定义 适应度函数、蚁群方法的状态转移规则和信息素反馈机制，实现系统的序贯诊断策略优化。
[0006] 现将本发明方法的技术解决方案叙述如下：
[0007] 本发明一种改进的序贯故障诊断策略优化方法，其特征在于：包括以下步骤：
[0008] 步骤1 :编码建模
[0009] 多信号模型方法是一种仅对故障传播建模的模型方法，以分层有向图表示系统的 信号或功能、组成或故障模式，以及它们之间的相互依赖关系，以美国QSI公司的测试性工 程和维修系统软件TEAMS为工具，可以建立待诊断对象（以下简称系统）的多信号模型，建 模的步骤如下：
[0010] 步骤1.1:熟悉建模对象，识别和提取模型信息，如系统组成、功能、测试信息； [0011] 步骤1.2 :根据系统组成，输入系统的结构模型、原理图模型或概念方框图，设置 模型节点属性，然后向模块和测试点加载信号；
[0012] 步骤I. 3 :根据特定情况，调整、修正和校验模型；
[0013] 步骤1. 4:建立好系统的多信号模型以后，执行TEAMS软件中的"静态分析"和"测 试性分析"选项，得到系统的故障-测试相关矩阵Dmxn，其中m和η分别代表系统中的故障 源个数和测试个数：
[0014]
【权利要求】
1. 一种改进的序贯故障诊断策略优化方法，其特征在于：包括以下步骤： 步骤1:编码建模 步骤1.1:熟悉建模对象，识别和提取模型信息，如系统组成、功能、测试信息； 步骤1.2:根据系统组成，输入系统的结构模型、原理图模型或概念方框图，设置模型 节点属性，然后向模块和测试点加载信号； 步骤1. 3 :根据特定情况，调整、修正和校验模型； 步骤1. 4 :建立好系统的多信号模型以后，执行TEAMS软件中的"静态分析"和"测试性 分析"选项，得到系统的故障-测试相关矩阵DmXn，其中m和n分别代表系统中的故障源个 数和测试个数：
步骤1.5:将相关矩阵中的第i(i= 1，2,…，n)个测试&定义为一个结点，仿照蚁群 方法求解TSP问题的思路，tj的测试顺序看成是蚁群方法中蚂蚁移动的一条边；假设 共有M只蚂蚁，蚂蚁k按照某一顺序Sk(l?n的排列）不重复地遍历n个结点，把遍历顺 序Sk定义为一种诊断策略； 步骤1. 6 :相关矩阵中的每个测试&看成一个结点，ti- 的测试顺序看成是蚁群方 法中蚂蚁移动的一条边，所有个体按照某一顺序Sk (1?n的排列）不重复地遍历所有结点， 把遍历顺序Sk定义为一种诊断策略； 步骤2 :构造适应度函数 步骤2. 1 :依据得到的相关矩阵DmXn和诊断策略Sk，得到相应的故障隔离矩阵FIk;
隔离矩阵FIk的第i行的意义与相关矩阵DmXn中第i行的意义都表示系统的第i个故 障源。隔离矩阵FIk的第j列是相关矩阵D^中所有列按照诊断策略Sk的重新排列；如果 相关矩阵DmXn*du= 1，即测试用于隔离故障fp则隔离矩阵FIk中的第i行、第j列元 素为1，否则为〇 ; 步骤2. 2 :假设系统中各故障源的故障率分别为P= (Pl，p2，…，pm)，测试序列T中各测 试费用分别为C= (Cl，c2，…，cn)，则由隔离矩阵FIk得到的诊断策略Sk平均测试成本可以 表示为：
式中，为隔离矩阵FIk中的元素。因此，诊断策略优化的目标就是找到一种测试执行 顺序，使得在该执行顺序下平均测试成本最小； 步骤3 :序贯诊断策略建模 步骤3. 1 :将改进蚁群方法应用到诊断策略优化问题时，根据最小完备测试集的概念， 把每一个测试h看成是一个结点，ti- 的测试顺序看成是蚂蚁移动的一条边，让蚂蚁随 机分布到各个测试点上，每个蚂蚁从当前所在的测试点出发，选择还未走过的测试，直至走 完测试集中的所有测试为止，形成一个测试顺序；每次迭代完成后，从蚁群中选择最优的测 试序列，经过多次迭代便可求的系统的最优诊断策略； 步骤3. 2:根据状态转移规则，初始时刻，各条路径上的信息素量Tu(t)相等，设 1^(0) =C(C为常数）；蚂蚁k(k= 1，2,…，M)在运动过程中根据各条路径上的信息素量 决定转移方向；在t时刻，蚂蚁k由测试i选择移动到测试j的转移概率# 为：
式中，n(j)为第j个测试的启发信息，取为该测试难易度量化值的倒数；参数《和0 体现了信息素和启发信息对蚂蚁决策的相对重要性；all〇wedk= {1，2,…，n}_tabuk为蚂蚁 k下一步允许选择的测试；人工蚁群具有记忆功能，tabuk为禁忌表（k= 1，2,…，m)，用以 记录蚂蚁k以前所走过的城市，集合tabuk随着蚂蚁运动作动态调整； 步骤3. 3 :信息素更新：PG(〇, 1)表示信息素tu(t)随着时间的推移而衰减的程度。 在t+1时刻，蚂蚁完成一次循环，各路径上信息素要根据下式作调整：
测试费用的总和，是个常数；Jk是测试序列平均成本函数。根据蚂蚁k完成一次循环确定的 测试执行顺序Sk，由Sk获得的隔离矩阵FIk，可以得到其成本函数为
式中，m为故障源总数；为隔离矩阵FIk中各元素的值。以上便是利用基本一群方法 求解序贯诊断策略问题的模型。 步骤4 :模型优化 步骤4. 1 :a、|3参数动态调整 a和0两个参数分别决定了信息素和启发信息对蚂蚁决策的相对重要性。动态调整 策略如下：
式中，tp为临界循环次数，a^a^^分别为a和0初始值和最终值。 步骤4. 2 :信息素压缩策略 采用信息素压缩方法，既能保持信息素浓度的小顺序，又能避免浓度相差过大，方法中 只设置一个信息素浓度下限Tmin，当路径上的最大信息素浓度max(T)和最小信息素浓度 min(T)的比值大于固定阈值R时，所有路径上的信息素执行以下压缩操作：
经过压缩以后，各路径上的信息素浓度顺序仍保持不变，但是比值被大幅减小，有利于 为下一次迭代提供均等的机会； 步骤4. 3:拥挤度自适应调整 拥挤度一词来自于鱼群方法中描述人工鱼聚群行为某一位置拥挤程度的一个概念，测 试i与城市j之间蚂蚁的拥挤度％定义如下：
如果％较小，则表明路径不太拥挤，从增加方法遍历寻优能力出发，蚂蚁应该在同等 转移概率下选择这条路径；否则，表示该路径过于拥挤，蚂蚁应该在可行邻域内重新选择一 条路径。可以将路径的拥挤度添加到位置转移概率公式中，改进后的位置转移概率计算由 (4)式变为（13)式：
式中，〇为信息素和启发因子在转移概率中的影响权重，1-〇为拥挤度在转移概率中 的影响权重。 步骤4. 4 :利用改进后的蚁群方法进行序贯诊断策略优化； 由上述过程可以得到一个最终的测试执行顺序，即完成了序贯诊断策略的优化设计。
2.根据权利要求1所述的一种改进的序贯故障诊断策略优化方法，其特征在于：步骤 4. 4中所述的"利用改进后的蚁群方法进行序贯诊断策略优化"的具体步骤如下： 步骤4.4. 1 :利用多信号模型获得系统故障测试相关矩阵口^^，设置蚂蚁数量M、影响权 重0、测试费用c= (Cl，c2，…，cn)、测试难易度量化值0 = (0i，02，…，0n)、故障源概 率P= (Pl，p2，…，pm)、循环次数T、信息素浓度下限七_、固定阈值R、挥发系数P、临界循环 次数tp、a和0的初始值和最终值（a(l、a^ 等参数，令t= 1，对方法进行初始 化； 步骤4. 4. 2 :随机选择每只蚂蚁的初始位置，信息素影响系数和启发信息影响系数按 照式（9)和式（10)动态调整； 步骤4. 4. 3 :按照式（12)和式（13)计算蚂蚁k的位置转移概率； 步骤4. 4. 4 :更新禁忌表，重复步骤St印3,直至每只蚂蚁完成一次循环，并清空禁忌 表； 步骤4. 4. 5 :更新每条路径上的信息素，并按照式（11)判断是否要进行信息素压缩； 步骤4. 4. 6 :如果t彡T，转向St印2,否则，转向步骤St印7 ; 步骤4. 4. 7 :输出优化结果，并退出循环。
【文档编号】G06F19/00GK104484548SQ201410619342
【公开日】2015年4月1日 申请日期:2014年11月5日 优先权日:2014年11月5日
【发明者】王宏力, 姜伟, 何星 申请人:中国人民解放军第二炮兵工程大学