基于自适应模糊Petri网的雷达故障诊断方法研究

作者:马敏;黄建国;夏侯士戟 刊名:仪器仪表学报 上传者:胡明

【摘要】针对雷达设备越来越复杂,故障诊断难度逐渐增大的情况,提出一种基于自适应模糊Petri网(AFPN)的雷达故障诊断方法。在该方法中,首先根据雷达故障专家系统中常用的模糊产生式规则建立模糊Petri网,然后结合神经网络知识通过样本数据对模糊Petri网中的权值进行反复的学习训练,这样可以避免依靠人工经验设置带来的不确定性。当Petri网权值固定之后,根据故障征兆出现的概率通过故障推理最后找到故障起因。这种方法和传统的故障树方法相比,具有很多优势。

全文阅读

1引言随着雷达装备的系统构成越来越复杂,各项指标及自动化程度的不断提高,为保证其可靠的运行,必须对雷达进行快速的故障诊断。传统的雷达故障诊断方法一般采用故障树分析法(faulttreeanalysis,FTA)[1],但是由于雷达故障的原因众多,需要检测的对象广,诊断难度相当大,因此传统的方法已经不能解决问题,而且雷达设备的复杂化使得对其故障诊断的精确性越来越低,模糊性越来越强,模糊知识逐渐被加入到雷达故障诊断的方法中[2]。近年来一种基于神经网络的雷达故障诊断方法被提出,并取得了很多研究成果[3],但是这种方法属于数值计算的智能诊断方法,而雷达故障诊断专家系统的知识表达还有很大一部分采用的是产生式规则表示法[4],针对这种情况,提出一种基于模糊Petri网的雷达故障诊断新方法。基于模糊产生式规则的模糊Petri网能较好地表示和处理模糊知识,并根据变迁的置信度大小进行推理,找到故障起因[5-7]。在该方法中,为了提高模糊Petri网的学习能力,将其与神经网络[8]相结合,形成自适应模糊Petri网(adaptivefuzzyPetrinet,AFPN),可以自动调节权值,更好地对故障进行诊断。2自适应模糊Petri网2.1自适应模糊Petri网定义自适应模糊Petri网定义如下:一个AFPN是一个9元组,AFPN={P,T,D,I,O,,,Th,W},其中P={p1,p2,…,pn}表示库所结点的有限集合;T={t1,t2,…,tm}表示变迁结点的有限集合;D={d1,d2,…,dn}表示命题的有限集合,P=D,PTD=;I(O):TP,是输入(输出)函数,反映变迁到库所的映射;:P[0,1],是库所对应的命题的置信度;:PD,是一个映射,反映库所结点和命题之间的一一对应关系;Th:T[0,1],也是一个映射,对变迁结点ti(tiT)定义的一个阈值i,Th={1,2,…,m};W=WIWO,WI:I[0,1]和WO:O[0,1]是输入输出权值的集合。2.2模糊产生式规则在模糊Petri网中,网的框架代表基于模糊产生式规则的知识结构。其中变迁代表模糊产生式规则,库所代表规则中的命题,库所中标识(token)代表规则中的模糊命题的置信度,命题和推理规则之间的因果关系用库所和变迁之间的有向弧表示。例1若一条简单模糊产生式规则为:R:IFd1THENd2(CF=),;则Th(t)=,Wo(t,pj)=,WI(pi,t)=w=1命题的置信度为0.8则相应的Petri网模型如图1(a)所示。例2一条复合产生式与规则为:R:IFd1ANDd2AND…ANDdnTHENdm(CF=),;则Th(t)=,Wo(t,pj)=,WI(pi,t)=wi,i=1,…,n。命题d1,d2,…,dn的置信度为0.8,0.6,…,0.9,相应的模糊Petri网模型如图1(b)所示。例3一条复合产生式或规则为:R:IFd1ORd2OR…ORdnTHENdm(CF=1,2,…,n),1,2,…,n;则Th(ti)=i,Wo(ti,pj)=,WI(pi,ti)=wi,i=1,…,n。命题d1,d2,…,dn的置信度为0.8,0.6,…,0.9,相应的模糊Petri网模型如图1(c)所示。图1模糊Petri网模型Fig.1ThefuzzyPetrinetmodel在模糊Petri网中,tT,t是使能的,如果满足pIjI(t),m(pIj)>0,j=1,2,…,n。使能的变迁t可以发射并在后继的库所pOj中产生一个标识,其中标识值为(pOj):(pOj)=.j(pIj).wIj,j(pI

参考文献

引证文献

问答

我要提问