Petri網故障診斷應用論文

導語：Petri網故障診斷應用論文一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要本文針對模糊petri網在故障診斷中缺乏較強的自學習能力的缺點，將人工神經網絡引入到模糊Petri網中，定義一種模糊神經Petri網，并以船舶主機燃油子系統過程為例，對過程中的故障診斷進行建模，通過分析說明該方法的可行性。

關鍵詞Petri網；模糊理論；神經網絡；故障診斷

1引言

Petri網與模糊理論相結合，以及Petri網與神經網絡相結合已經在故障診斷過程中得到了應用，雖然模糊Petri網具有很強的模糊推理能力，但是其缺乏較強的自學習能力，該缺點嚴重制約了模糊Petri網在各個領域的應用，所以將人工神經網絡引入到模糊Petri網中，建立故障診斷的模糊神經網絡Petri網模型，提高了故障診斷系統的精度。本文以船舶主機燃油子系統過程為例，利用模糊神經網絡Petri網對該過程中的故障診斷進行建模。

2模糊神經Petri網模型

2.1模糊神經Petri網網定義

模糊神經Petri網定義為一個十二元組，

。其中，

為有限庫所集；

為有限變遷集；

為有向弧集；

為權值；

Kp為隱含和輸出層庫所的活動狀態集；

Kt為變遷集到規則集的一一映射；

為初始模糊標識；

為有限命題集；

為置信度集，它與每個變遷一一映射；

為庫所到真值的一一映射；

為庫所到命題的一一映射；

為變遷到閾值的一一映射。

2.2模糊神經Petri網模型的學習功能

模糊神經Petri網（參見圖1），具有神經網絡的某些特性，因此可先用神經網絡的學習算法進行訓練，再調整網絡結構中的權值，從而獲取知識。圖2為模糊神經Petri網轉化為神經元模型。

圖1模糊神經Petri網模型圖2神經元模型

3應用實例

3.1生產過程

船舶主柴油機是機艙系統最為關鍵的設備,也是一種非常復雜的動力裝置系統。它既是一個由往復式機械與其他機械構成的動力裝置系統，也包括了由控制裝置、伺服系統、檢測與顯示儀表以及安全保護和報警系統等組成的電氣控制系統，同時它還是一個復雜的熱工過程。由于船舶主機的極端重要性，其故障診斷和工礦監視問題歷來深受重視。目前人們至少已從三個不同的方面探索研究了船舶主機的故障診斷問題，其一是振動分析，其二是通過潤滑油品質指標的分析來判斷主機機械磨損情況，其三就是從熱工參數出發診斷船舶主機系統的故障。本文利用第三種方法，選用燃油流量、燃油壓力和燃油黏度，診斷燃油子系統故障。其流程圖如圖3所示。

3.2模糊神經Petri網模型

船舶主機燃油子系統故障診斷的模糊神經Petri網模型如圖4所示。4實例分析

下面以船舶主機燃油子系統的故障診斷為例，燃油流量、燃油壓力和燃油黏度作為該子系統神經網絡的輸入，即。每個輸入變量用三種狀態表示，即正常（N），偏高（H）,偏低（L）,該系統有6各種基本故障現象，記為，其中表示無故障，下面以為例，說明神經網絡在模糊Petri網的學習能力。

表1是故障現象的學習樣本，當模型完成了故障診斷的學習和訓練，就可以根據模型輸入量進行故障診斷推理，表2和表3為一組故障診斷的運行實例。

由表2可以得出，當輸入量時，故障現象的診斷結果為，它的可能性為96%，當輸入數據發生變化時，從表2可能看出，故障分類的結果依然是，但是輸出值產生了變化，從表中可以看出故障的可能性下降為69%，這說明，神經網絡在模糊Petri網的故障診斷系統中對偏離訓練樣本的輸入數據依然具有較強的處理能力。把神經網絡引入到模糊Petri網故障診斷過程中，可以提高診斷結果的正確性。

表1故障現象的學習樣本表

輸入輸出故障

原因

P1XP7P8P9P10P11

0X10000正常

1X101000超負荷

1X200100后燃

1X300010提前著火

1X400001燃油管路泄露

表2燃油子系統的故障診斷實例

序號輸入輸出（%）

QPuP0P1P2P3P4P5P6

1HNN39600010

2H0.6N0.6N97419232

3H-0.4N-0.4N476000200

41.2H-0.4N-0.4N179000200

50.8H-0.4N-0.4N969000211

表3故障現象的診斷實例

序號輸入輸出（%）

P1XP8P9P10P11

11X197300

21X219360

31X304906

41X400892

51X5683200

5結束語

本文將人工神經網絡引入到模糊Petri網中，并以船舶主機燃油子系統過程為例，對過程中存在的故障進行診斷，通過實例說明該方法可以提高故障診斷系統的精度。

參考文獻

[1]胡志剛等,基于模糊神經Petri網的故障診斷模型[J].小型微型計算機系統，2005,11(26)

[2]王磊等,甲醇合成過程中基于MAS的故障診斷方法[J].華東理工大學學報，2006,1（32）

[3]KoriemSM.AfuzzyPetrinettoolformodelingandverificationofknowledge-basedsystems[J].TheComputerJournal,2000,43(3):206-223

[4]大衛R,奧蘭H.（黃建文，趙不賄譯）佩特利網和邏輯控制器圖形表示工具(GRAFACET)[M].北京：機械工業出版社,1996

[5]AhsonSI.PetriNetModelsofFuzzyNeuralNetworks.IEEETransonSMC,1995,25(6):926-932

[6]韓光臣等,基于模糊概率Petri網系統的故障診斷仿真研究.計算機集成制造系統.2006,4(12)

[7]TsangECC,YeungDS,LeeJWT.LearningcapabilityinfuzzyPetrinet[J].InProceedingofthe1999IEEEInternationalConferenceonSystems,Man,andCybernetics,Tokyo,1999:355-360

[8]J.IEBAIL,H.ALLA,R.DAVID,“HybridPetriNets”,EuropeanControlConference,Grenoble(F),July1991,pp.1472-1477

[9]Champagnat.R,Estebah.P,Pingabld.H,putersInIndustry,36(1998):139-146