一种模拟电路软故障诊断的模糊推理方法

摘要

本发明涉及一种模拟电路软故障的诊断方法，属于模拟电路故障诊断技术领域。本方法首先构造软故障诊断的模糊规则，当软故障特征参数的在线监测值选中软故障诊断的模糊规则后，将被选中模糊规则前项的归一化置信度推理到后项，得到对模糊规则后项的归一化置信度。然后，对后项的置信度进行加权处理，得到对模拟电路软故障集合中每个软故障的置信度，依照置信度最大准则判断是何故障发生。本方法可以诊断已知软故障，还可以检测未知软故障，适用于较为复杂的模拟电路软故障诊断环境。根据本发明方法编制的程序(编译环境LabVIEW，C++等)可以在监控计算机上运行，并联合传感器、数据采集器等硬件组成在线监测系统，进行实时的模拟电路软故障的检测与诊断。

主权项

1.一种模拟电路软故障的诊断方法，其特征在于该方法包括以下各步骤：（1）设定模拟电路的软故障集合为Θ={F₁,…,F_j,…,F_N,F_UN}，其中F_j代表软故障集合Θ中的第j个已知软故障，j=1,2,…,N，N为已知软故障的个数，F_UN为软故障集合Θ中的未知软故障；（2）设模拟电路软故障特征参数集合E={e₁,…,e_i,…,e_M}，其中e_i代表特征参数集合E中的第i个软故障特征参数，i=1,2,…,M，M为软故障特征参数的个数；（3）通过对模拟电路软故障的在线检测，确定上述软故障集合Θ中每个已知软故障发生时，软故障特征参数e_i的取值区间ES_i,j，取值区间集合为ES_i={ES_i,1,…,ES_i,j,…,ES_i,N}，表示在第j个已知软故障发生时第i个软故障特征参数的取值区间，分别为取值区间ES_i,j的左、右端点值，上标L和R分别代表取值区间ES_i,j的左、右端点；（4）根据上述取值区间集合ES_i，得到每个软故障特征参数e_i的最大取值区间为其中表示N个软故障特征参数取值区间ES_i,1,…,ES_i,j,…,ES_i,N的左端点值中的最小值，表示N个软故障特征参数取值区间ES_i,1,…,ES_i,j,…,ES_i,N的右端点中值的最大值，（5）根据每个软故障特征参数e_i的取值区间集合ES_i和最大取值区间EI_i，构造软故障诊断的模糊规则，具体过程如下：（5－1）对每个软故障特征参数e_i的最大取值区间EI_i进行三角均分，得到模糊语言项集其中下标p代表模糊语言项的个数，共有J_i个模糊语言项，对于模糊语言项集U_i中的第2到第J_i-1个模糊语言项，即p=2,…,J_i-1，相应的模糊语言项为一个等腰三角型隶属度函数，其中和分别代表该等腰三角形的左端点、中点和右端点的取值，对于模糊语言项集U_i中的第1个和第J_i个模糊语言项，即p=1,J_i，相应的模糊语言项是一个直角三角形隶属度函数，三角形的左端点和中点取值相同，即与上述每个模糊语言项A_i,p对应的模糊区间记为该区间的左端点、右端点的取值即为模糊语言项A_i,p的左端点、右端点的取值；（5－2）判断第j个已知软故障的第i个软故障特征参数的取值区间ES_i,j与模糊语言项集U_i中各个模糊语言项之间的关系，若ES_i,j∩IA_i,p≠0，则第j个已知软故障的第i个软故障特征参数的取值区间ES_i,j落入与模糊区间IA_i,p对应的模糊语言项A_i,p中，若ES_i,j∩IA_i,p=0，则第j个已知软故障的第i个特征参数的取值区间ES_i,j未落入与模糊区间IA_i,p对应的模糊语言项A_i,p中；（5－3）根据步骤（5－2）中的判断结果，得到三类共条软故障诊断的模糊规则，第一类为单个已知软故障的模糊规则，共NR1条，第二类为已知软故障子集的模糊规则，共MNR条，第三类为未知软故障F_UN的模糊规则，共UNR条，得到三类模糊规则的具体过程如下：（5－3－1）得到第一类单个已知软故障的模糊规则：若[<e₁=A_1,p1>且<e₂=A_2,p2>且…且<e_M=A_M,pM>]，则[模拟电路的软故障=F_j]    （A）即若第j个已知软故障F_j的每个软故障特征参数e_i的取值区间ES_1,j,ES_2,j,…,ES_M,j分别依次落入模糊语言项A_1,p1,A_2,p2,…,A_M,pM，则模拟电路出现已知软故障F_j，式（A）中的“[<e₁=A_1,p1>且<e₂=A_2,p2>且…且<e_M=A_M,pM>]”为模糊规则的“前项”，以组合形式A_1,p1×A_2,p2×…×A_M,pM表示，“[模拟电路的软故障=F_j]”为模糊规则的“后项”，该后项表示模拟电路出现已知软故障F_j，若模糊语言项A_1,p1,A_2,p2,…,A_M,pM分别为模糊语言项集U₁,U₂,…,U_M中的n₁,n₂,…,n_M个模糊语言项，则将n₁,n₂,…,n_M个模糊语言项进行组合，得到NR_j=n₁n₂…n_M条软故障F_j的模糊规则，对于软故障集合Θ中的所有已知软故障，共计得到条第一类单个已知软故障的模糊规则，其中包括前项和后项各不相同的NR1条模糊规则和前项相同、后项不同的NR2条模糊规则，即NR＝NR1+NR2，其中n₁≤J₁,n₂≤J₂,…,n_M≤J_M；（5－3－2）得到第二类已知软故障子集的模糊规则：上述步骤（5－3－1）的NR2条已知单个软故障的模糊规则中，当出现模糊规则的前项相同，记为[<e₁=A_1,q1>且<e₂=A_2,q2>且…且<e_M=A_M,qM>]，但后项不同，即后项对应不同的单个已知软故障时，将相应模糊规则后项中不同的单个已知软故障合并成已知软故障子集并将相应模糊规则合并，得到已知软故障子集$\left\{F_j\right|j\in \Lambda ,\Lambda \subseteq \{\mathrm{1,2},···,N\}\}$的模糊规则为：若[<e₁=A_1,q1>且<e₂=A_2,q2>且…且<e_M=A_M,qM>]，则[模拟电路的软故障$=\left\{F_j\right|j\in \Lambda ,\Lambda \subseteq \{\mathrm{1,2},···,N\}\left\}\right]---\left(B\right)$其中“[<e₁=A_1,q1>且<e₂=A_2,q2>且…且<e_M=A_M,qM>]”为模糊规则的“前项”，以组合形式A_1,q1×A_2,q2×…×A_M,qM表示，“[模拟电路的软故障”为模糊规则的“后项”，该后项表示模拟电路出现的软故障是软故障子集中的一个；当模糊语言项A_1,q1,A_2,q2,…,A_M,qM分别为模糊语言项集U₁,U₂,…,U_M中的m₁,m₂,…,m_M个模糊语言项时，将得到MNR条已知软故障子集的模糊规则，并有MNR≤m₁m₂…m_M，其中m₁≤n₁,m₂≤n₂,…,m_M≤n_M；（5－3－3）得到第三类未知软故障F_UN的模糊规则：若[<e₁=A_1,r1>且<e₂=A_2,r2>且…且<e_M=A_M,rM>]，则[模拟电路的软故障=F_UN]    （C）其中“[<e₁=A_1,r1>且<e₂=A_2,r2>且…且<e_M=A_M,rM>]”为模糊规则的“前项”，以组合形式A_1,r1×A_2,r2×…×A_M,rM表示，模糊语言项A_1,r1,A_2,r2,…,A_M,rM分别属于模糊语言项集U₁,U₂,…,U_M，“[模拟电路的软故障=F_UN]”为模糊规则的“后项”，该后项表示模拟电路出现已知软故障F_UN，可生成UNR条未知软故障F_UN的模糊规则，UNR＝TNR－MNR－NR1；（6）当模拟电路在线运行时，对M个软故障特征参数进行观测，分别得到M个监测值x_i，i=1,2,…,M，计算监测值x_i隶属于模糊语言项集中每个模糊语言项$A_{i,p}=[a_{i,p}^L,a_{i,p}^C,a_{i,p}^R]$的隶属度：${\mu }_{i,p}\left(x_i\right)=\left\{\begin{array}{cc}\frac{x_i-a_{i,p}^L}{a_{i,p}^C-a_{i,p}^L}& a_{i,p}^L\le x_i<a_{i,p}^C\\ \frac{x_i{-a}_{i,p}^R}{a_{i,p}^R-a_{i,p}^C}& a_{i,p}^C\le x_i<a_{i,p}^R\end{array}\right.---\left(D\right)$其中，x_i为监测值，每个监测值x_i分别会对U_i中编号连续的两个模糊语言项A_i,p和,A_i,p+1,p∈{1,2,…,J_i-1}的隶属度μ_i,p(x_i)和μ_i,p+1(x_i)大于零，对其他模糊语言项的隶属度等于零，则称xi选中了模糊语言项A_i,p和A_i,p+1，x_i对模糊语言项A_i,p和A_i,p+1归一化后的置信度分别为：$m\left(A_{i,p}\right)=\frac{{\mu }_{i,p}\left(x_i\right)}{{\mu }_{i,p}\left(x_i\right)+{\mu }_{i,p+1}\left(x_i\right)},i=\mathrm{1,2},···,M,p\in \{1,···,(J_k-1)\}---E$$m\left(A_{i,p+1}\right)=\frac{{\mu }_{i,p+1}\left(x_i\right)}{{\mu }_{i,p}\left(x_i\right)+{\mu }_{i,p+1}\left(x_i\right)},i=\mathrm{1,2},···,M,p\in \{1,···,(J_k-1)\}---\left(F\right)$每个软故障特征参数的监测值x_i选中两个模糊语言项A_i,p和A_i,p+1，对于M个软故障特征参数的监测值为x₁,…,x_i,…,x_M，选中M对模糊语言项{A_1,p,A_1,p+1…,A_i,p,A_i,p+1,…,A_M,p,A_M,p+1}，将M对模糊语言项进行组合得到共JNR=2^M个软故障诊断的模糊规则的前项，则称M个软故障特征参数的监测值x₁,…,x_i,…,x_M选中与JNR个前项所对应的软故障诊断的模糊规则，将其中第t条被选中的软故障诊断的模糊规则记为：若[<e₁=A^1,t>且<e₂=A^2,t>且…且<e_M=A^M,t>]，则[模拟电路的软故障=R_t]    （G）其中t=1,2,…,JNR，“[<e₁=A^1,t>且<e₂=A^2,t>且…且<e_M=A^M,t>]”为被选中的软故障诊断的模糊规则的“前项”，以组合形式A^1,t×A^2,t×…×A^M,t表示，并有A^1,t∈{A_1,p,A_1,p+1}，A^2,t∈{A_2,p,A_2,p+1}，…，A^M,t∈{A_M,p,A_M,p+1},“[模拟电路的软故障=R_t]“为被选中的软故障诊断的模糊规则的“后项”，该后项中的R_t为被选中的单个已知软故障或已知软故障子集或未知软故障；（7）根据式（E）和式（F）的被选中语言项置信度的计算方法，得到第t条被选中的软故障诊断的模糊规则前项的置信度为m(A^1,t×A^2,t×…×A^M,t)=m(A^1,t)m(A^2,t)…m(A^M,t)    （H）则由式（H）推理出第t条被选中的软故障诊断的模糊规则后项的置信度为：ρ(R_t)=m(A^1,t×A^2,t×…×A^M,t)    （I）并有亦即该置信度是归一化的；（8）对每条被选中的软故障诊断的模糊规则后项的置信度ρ(R_t)进行加权平均推理，得到软故障集合Θ中每个软故障的置信度ρ′(F_j)，j=1,2,…,N,UN，为：${\rho }^{\prime }\left(F_j\right)=\underset{F_j\in R_t}{\Sigma }\rho \left(R_t\right)\times \frac{1}{\left|R_t\right|}---\left(J\right)$并有即对每个软故障的置信度都是归一化，其中|R_t|代表R_t中软故障的个数，则式（J）表示把赋予整个R_t的置信度平均地分配给关于软故障集合Θ中的每个软故障，对于不包含在R_t中的单个软故障，其置信度为零；（9）根据上述式（J）所获取的置信度进行故障决策，具体决策准则是：当模拟电路出现软故障特征参数监测值x₁,…,x_i,…,x_M时，由式（J）获取的置信度值最大的软故障即为模拟电路此时发生的软故障。