Petri网故障诊断应用论文

导语：Petri网故障诊断应用论文一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要本文针对模糊petri网在故障诊断中缺乏较强的自学习能力的缺点，将人工神经网络引入到模糊Petri网中，定义一种模糊神经Petri网，并以船舶主机燃油子系统过程为例，对过程中的故障诊断进行建模，通过分析说明该方法的可行性。

关键词Petri网；模糊理论；神经网络；故障诊断

1引言

Petri网与模糊理论相结合，以及Petri网与神经网络相结合已经在故障诊断过程中得到了应用，虽然模糊Petri网具有很强的模糊推理能力，但是其缺乏较强的自学习能力，该缺点严重制约了模糊Petri网在各个领域的应用，所以将人工神经网络引入到模糊Petri网中，建立故障诊断的模糊神经网络Petri网模型，提高了故障诊断系统的精度。本文以船舶主机燃油子系统过程为例，利用模糊神经网络Petri网对该过程中的故障诊断进行建模。

2模糊神经Petri网模型

2.1模糊神经Petri网网定义

模糊神经Petri网定义为一个十二元组，

。其中，

为有限库所集；

为有限变迁集；

为有向弧集；

为权值；

Kp为隐含和输出层库所的活动状态集；

Kt为变迁集到规则集的一一映射；

为初始模糊标识；

为有限命题集；

为置信度集，它与每个变迁一一映射；

为库所到真值的一一映射；

为库所到命题的一一映射；

为变迁到阈值的一一映射。

2.2模糊神经Petri网模型的学习功能

模糊神经Petri网（参见图1），具有神经网络的某些特性，因此可先用神经网络的学习算法进行训练，再调整网络结构中的权值，从而获取知识。图2为模糊神经Petri网转化为神经元模型。

图1模糊神经Petri网模型图2神经元模型

3应用实例

3.1生产过程

船舶主柴油机是机舱系统最为关键的设备,也是一种非常复杂的动力装置系统。它既是一个由往复式机械与其他机械构成的动力装置系统，也包括了由控制装置、伺服系统、检测与显示仪表以及安全保护和报警系统等组成的电气控制系统，同时它还是一个复杂的热工过程。由于船舶主机的极端重要性，其故障诊断和工矿监视问题历来深受重视。目前人们至少已从三个不同的方面探索研究了船舶主机的故障诊断问题，其一是振动分析，其二是通过润滑油品质指标的分析来判断主机机械磨损情况，其三就是从热工参数出发诊断船舶主机系统的故障。本文利用第三种方法，选用燃油流量、燃油压力和燃油黏度，诊断燃油子系统故障。其流程图如图3所示。

3.2模糊神经Petri网模型

船舶主机燃油子系统故障诊断的模糊神经Petri网模型如图4所示。4实例分析

下面以船舶主机燃油子系统的故障诊断为例，燃油流量、燃油压力和燃油黏度作为该子系统神经网络的输入，即。每个输入变量用三种状态表示，即正常（N），偏高（H）,偏低（L）,该系统有6各种基本故障现象，记为，其中表示无故障，下面以为例，说明神经网络在模糊Petri网的学习能力。

表1是故障现象的学习样本，当模型完成了故障诊断的学习和训练，就可以根据模型输入量进行故障诊断推理，表2和表3为一组故障诊断的运行实例。

由表2可以得出，当输入量时，故障现象的诊断结果为，它的可能性为96%，当输入数据发生变化时，从表2可能看出，故障分类的结果依然是，但是输出值产生了变化，从表中可以看出故障的可能性下降为69%，这说明，神经网络在模糊Petri网的故障诊断系统中对偏离训练样本的输入数据依然具有较强的处理能力。把神经网络引入到模糊Petri网故障诊断过程中，可以提高诊断结果的正确性。

表1故障现象的学习样本表

输入输出故障

原因

P1XP7P8P9P10P11

0X10000正常

1X101000超负荷

1X200100后燃

1X300010提前着火

1X400001燃油管路泄露

表2燃油子系统的故障诊断实例

序号输入输出（%）

QPuP0P1P2P3P4P5P6

1HNN39600010

2H0.6N0.6N97419232

3H-0.4N-0.4N476000200

41.2H-0.4N-0.4N179000200

50.8H-0.4N-0.4N969000211

表3故障现象的诊断实例

序号输入输出（%）

P1XP8P9P10P11

11X197300

21X219360

31X304906

41X400892

51X5683200

5结束语

本文将人工神经网络引入到模糊Petri网中，并以船舶主机燃油子系统过程为例，对过程中存在的故障进行诊断，通过实例说明该方法可以提高故障诊断系统的精度。

参考文献

[1]胡志刚等,基于模糊神经Petri网的故障诊断模型[J].小型微型计算机系统，2005,11(26)

[2]王磊等,甲醇合成过程中基于MAS的故障诊断方法[J].华东理工大学学报，2006,1（32）

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

[4]大卫R,奥兰H.（黄建文，赵不贿译）佩特利网和逻辑控制器图形表示工具(GRAFACET)[M].北京：机械工业出版社,1996

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

[6]韩光臣等,基于模糊概率Petri网系统的故障诊断仿真研究.计算机集成制造系统.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