一种基于SDG模型的采煤机故障寻踪方法

本发明涉及煤矿设备故障检测技术领域，更具体地说，它涉及一种基于sdg模型的采煤机故障寻踪方法。

背景技术：

采煤机的故障诊断与隔离是交互式诊断过程，当获得较少征兆信息后首先确定当前状态，即所有可能故障原因，接着对各状态施行检测进一步对故障进行定位。而采煤机各系统的每个组成单元的故障率通常并不完全相同。在系统内部，有些单元发生故障的概率比其他单元发生故障的概率要大，系统的故障往往就是由于这些单元的故障造成的。

由于采煤机结构的复杂以及复杂的工作环境，单部件的故障可能引起更多部件故障的产生，最终表现为参数的异常以及性能的失效。在发现可视异常后，对可视的故障进行故障寻源以及故障传播分析才可以真正的制定检测和维修策略。由于采煤机系统的复杂性，常规的故障诊断以及故障传播研究仍有着诸多困难需要克服。

技术实现要素：

为解决上述技术问题，本发明提供一种基于sdg模型的采煤机故障寻踪方法，引入工况转换矩阵来快速建立新的sdg图，根据采煤机系统实际情况对sdg图合理分块，有序推理，引入故障关联矩阵以及云模型理论，为解决相容通路难以穷举、故障源排序以及部分节点未测等问题提供了良好的思路。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于sdg模型的采煤机故障寻踪方法，包括以下步骤：

s1：根据采煤机系统组成及部件层次关系建立结构模型；

s2：根据结构模型，加入具体的状态变量，得到多个系统模块；

s3：对多个系统模块进行定性分析，生成多个节点，并建立因果模型，得到相容通路；

s4：建立云模型，对因果模型进行定量分析，得到分析结果。

作为一种优选方案，s3过程中，具体包括以下步骤：定义根节点，由根节点向前搜索有效节点，形成相容根树，通过相容根树，得到相容通路。

作为一种优选方案，相容通路具体判定方法包括以下步骤：

其中：φ(ei→j)为节点间所有支路符号乘积，ff∈[1,-1,3]，“1”表示增强效果，“-1”表示减弱效果；ff矩阵和测量向量，推算得到状态矩阵l，依照可达性理论，进行相容通路搜索，得到相容根树的节点结合n＝{vi|cj(i)≠0,cj(i)≠3}。

作为一种优选方案，s4过程中，具体包括以下步骤：

s401：根据相容通路得到故障传播图；

s402：预先设定任一系统模块中的异常状态值x已知为a，计算故障在传播至相邻系统模块中的路径的隶属度μ1，传播至相邻系统模块的下一系统模块快中的路径的隶属度μ2，以及相邻系统模块的预测值，并继续向前回溯，得到所有未测节点的预测值和故障传播隶概率。

作为一种优选方案，s402过程中，具体包括以下步骤：

t1：根据先验知识获得不同的x和相邻系统模块异常引起的概率y，得到原始数据(xi,yi)；

t2：使用逆向高斯云算法获得对应云模型的特征值(ex,en,he)；

t3：将a值以及特征值输入到云模型的x条件云发生器中，输出隶属度μ1；

t4：根据特征值以及μ1，通过云模型的y条件云发生器，得到相邻系统模块的预测值；

t5：将相邻系统模块的预测值输入到云模型的x条件云发生器中，输出隶属度μ2；

t6：重复t1至t5步骤，从预先设定的系统模块向相邻系统模块并继续向前回溯，得到所有未测节点的预测值和故障传播隶概率。

综上所述，本发明具有以下有益效果：

本发明提出了一种基于sdg以及云模型故障寻踪方法，弥补了sdg模型不能作定量讨论的缺点，并且将实际情况中故障传播的随机性考虑进去。可以得出结论：对sdg模型的模块化可以在复杂的采煤机系统中更快的寻找到可能的故障节点及其下属模块；云模型将随机性以及模糊性结合起来，可以对传播过程进行定量考量，也能对未测节点的状态值做出预测。

附图说明

图1是本发明的实施例中的采煤机部分部件的sdg图；

图2是本发明的实施例中的基于云模型的隶属度计算流程图；

图3是本发明的实施例中的故障传播路径示意图；

图4是本发明的实施例中的云模型示意图。

具体实施方式

本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包括”为一开放式用语，故应解释成“包括但不限定于”。“大致”是指在可接受的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。

本说明书及权利要求的上下左右等方向名词，是结合附图以便于进一步说明，使得本申请更加方便理解，并不对本申请做出限定，在不同的场景中，上下、左右、里外均是相对而言。

以下结合附图对本发明作进一步详细说明。

sdg的详细内容：

基于sdg的故障诊断方法原理是在有向图中通过节点的相互影响推理故障传播的路径来寻找故障源，优势在于不需要过多的信息。

sdg是一种基于知识的故障诊断方法。定义sdg模型为a，其中g为有向图，v为节点集合，如式(1)与(2)所示。其中vs为状态节点，vf为故障节点，有向边集合为e。其中ξ为有向弧e的符号，f表示节点间的相互影响，ψ为节点的符号，表达节点的状态。若支路中节点间所有符号相乘为正，则定义该支路为相容通路，故障只能通过相容支路传播。

sdg模型只能做出定性分析，若是针对诸如采煤机之类的复杂模型时，判断精度的量化就至关重要了。

模糊理论隶属度的详细内容：

模糊理论隶属度的引入使定量分析成为可能，打破了非此即彼的概念，但模糊理论在确定界限时忽略了随机性，模糊理论难以将模糊性和随机性关联起来。并且隶属度通常由专家经验给出，必然带有一定的主观性。

在sdg模型和模糊理论隶属度之间，需要构建模型实现沟通，因此通过云模型实现，通过云滴确定度来映射隶属度，通过随机赋值实现随机性。

云模型研究不确定性的详细内容：

设u是一个用精确数值表示的定量论域，a是u上的一个定性概念，若定量元素x(x∈u)是定性概念a的一次随机实现，x的隶属度μ(x)∈[0,1]是有稳定倾向的随机数。即：

则称x在论域u上的分布为云(cloud)，其中的每一个x称为一个云滴。云的数字特征可以用来表征云的整体特性，以及描述信息的不确定性。云模型具有期望(ex)、熵(en)、超熵(he)这三个数字特征。

条件云发生器包括x条件云发生器以及y条件云发生器，x条件云发生器输入为定量值x以及云模型的3个数字特征(ex，en，he)，输出为满足要求的多个x条件云滴(x，μ)，具体的算法为：

1、生成以en为期望值、he为标准差的正态随机数en^*。

2、计算μr＝exp[-(x0-ex)²/(2en*²)]，生成云滴(x0,μr)。

3、重复上述步骤，生成足够的云滴数。

如果给定定性概念c上的确定度μ以及云的三个数字特征以及需要的云滴数n，通过云发生器生成云，这样的云发生器称为y条件云发生器。算法如下：

1、生成以en为期望值、he为标准差的正态随机数en*。

2、计算生成云滴(x0,μr)。

3、重复以上步骤，生成足够的云滴形成云。

若是直接对采煤机系统建立sdg模型，必然会由于结构的复杂而造成模型节点繁多，支路混乱，穷举相容支路以及故障概率求取更是困难。此时对sdg模型进行模块化处理就可以大大简化模型。

本发明依据采煤机系统具体结构功能，在其系统结构之上覆盖sdg模型，将系统功能特性通过模块属性表达出来，包括模块间以及模块内的故障传播关系，为变量间的影响关系设置使能条件。

首先对采煤机系统分析后，根据系统组成以及部件层次关系建立结构模型，针对每个模块加入具体的状态变量，根据实际故障传播情况以及部件相互影响关系继续在模型中添加状态变量与故障模式的联系，形成功能故障模型，在此基础上套取sdg模型，采用模块、节点以及支路关系建立因果模型，得到模块化sdg图1所示。图中故障节点f为椭圆形，状态节点p为正方形，实线表示正影响，虚线表示负影响。

以故障节点f为例汇总到表1:

表1

基于云模型的故障传播路径排序

基于故障－故障关联矩阵(ff)的相容支路寻找

故障－故障关联矩阵(ff)算法思路为：由根节点向前搜索有效节点形成相容根树，通过相容根树推理相容通路。故障－故障关联矩阵(ff)定义为如下n阶方阵见式，φ(ei→j)为节点间所有支路符号乘积，ffij∈[1，-1,3]，“1”表示增强效果，“-1”表示减弱效果。ff矩阵描述了状态传递规律，通过ff矩阵和测量向量来推算状态矩阵l，依照可达性理论进行相容通路搜索，得到相容根树的节点集合n＝{vi|cj(i)≠0,cj(i)≠3}。

基于云模型的相容支路可能性计算

依据计算的相容通路画出故障传播图，如图2所示，以p2的异常状态值x已知为a，p1节点未测，计算故障在传播路径的隶属度μ1，μ2以及p1预测值。

1、根据先验知识获得不同的x以及其由p1异常引起的概率y,即获得(xi,yi)，使用逆向高斯云算法获得特征值(ex，en，he)。

2、将a以及特征值输入到x条件云发生器中，输出隶属度μ1。

3、根据特征值以及μ1通过y条件云发生器得到p1预测值，再根据预测值以及x条件云发生器得到μ2。

4、依照上述步骤向前回溯，得到所有未测节点的预测值以及故障传播隶属度。

假如推理得到的相容通路画出故障传播路径图如图3所示。

首先通过根据先验知识中形成概念：“p25偏高引起p6偏高”的云模型，如图2。通过逆向高斯云算法计算得其特征值(ex＝33.6psi，en＝0.8，he＝0.08)，将p6＝52.1psi输入x条件云发生器中得到μ1＝0.13，将μ1＝0.13输入到y条件云发生器中得到估计值p1＝，根据概念“f19偏高引起p25偏高”的云模型再继续向后推理。

按照上述方法继续计算各云模型特征值以及故障传播隶属度μ，由于p9以及p10为非数值节点，无法形成云，直接选取先验概率作为隶属度μ。结果如表2所示。

表2

根据云模型特征值计算传播路径概率，推理出最可能的故障传播路径以及可能的后果。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。