[發明專利]一種基于信息熵和動態規劃的故障診斷樹生成方法

在審

• 申請號: 202010111357.2
• 申請日: 2020-02-24
• 公開（公告）號: CN111274540A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 劉震;杜立;梅文娟;楊成林;周秀云
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F17/16
• 分類號: G06F17/16;G01R31/28
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于信息熵和動態規劃的故障診斷樹生成方法，其特征在于，包括以下步驟：

(1)、構建故障測試模型H；

H＝{S,T,D,P,C}

其中，S表示待測系統出現的各種故障集，S＝{s₁,s₂,…,s_M}，M為故障總數；T表示待測系統的所有可用測點集，T＝{t₁,t₂,…,t_N}，N為可用測點總數；P表示待測系統發生某個故障的先驗概率集，P＝{p₁,p₂,…,p_M}，p_i表示出現故障s_i的先驗概率，i＝1,2,…,M；C表示與T對應的測試代價集，C＝{c₁,c₂,…,c_N}；D為故障依賴矩陣，具體表示為：

其中，d_ij表示故障s_i在可用測點t_j下的測試信息，d_ij＝0或d_ij＝1，當d_ij＝0時，表示待測系統中發生故障s_i時不能通過可用測點t_j檢測出來；當d_ij＝1時，表示待測系統中發生故障s_i時能夠通過可用測點t_j檢測出來；

(2)、構建動態規劃列表；

在動態規劃列表中創建一節點，該節點的故障模糊集包含整個電路系統中所有故障狀態，即S＝{s₁,s₂,…,s_N}，將該節點作為啟發式搜索的目標節點，同時將該節點的可選測點集合T設置為全部測點，即T＝{1,2,3,…,M}；

(3)、通過啟發式搜索最優測點；

(3.1)、判斷當前故障集S內是否只有一個故障，如果是，則故障隔離率設置為100％，期望測試代價設置為0，返回結果；如果不是，則進入步驟(3.2)；

(3.2)、判斷當前可用測點集T是否為空集，如果是，則故障隔離率和平均測試代價都設置為0，返回結果；如果不是，則進入步驟(3.3)；

(3.3)、選出有效測點；

(3.3.1)、由故障依賴矩陣D、故障模糊集S和可選測點集合T，得到故障依賴的子矩陣D_sub，D_sub＝{d_ij|s_i∈S,t_j∈T}；刪除D_sub中測點對應的各個電路故障狀態為0和全為1的無效測點，得到具有隔離效果的測點集合T'；

(3.3.2)、根據故障依賴的子矩陣D_sub中各測點對應依賴信息相同的情況下，保留測試代價最小的測點，得到有效測點集合T”＝{t₁,t₂,…,t_k,…,t_m}，其中，t_k為第k個有效測點；

(3.4)、初始化各個有效測點對應的啟發函數值；

(3.4.1)、對于某個有效測點t_k，在D_sub中剔除測點t_k所在的列，獲得的矩陣記為D_sub,k；

(3.4.2)、計算s_i在D_sub,k中對應的行行向量與其他故障對應的行向量的歐式距離，再選出其最小值作為故障s_i的最短距離dis_i；

(3.4.3)、計算測點t_k對應的信息熵h_k；

其中，p_i故障s_i出現的概率；

(3.4.4)、重復步驟(3.4.1)～3.4.3)，計算出當前所有有效測點的信息熵，并作為其啟發函數值；

(3.5)、根據各有效測點的啟發函數值搜索最優測點

(3.5.1)、將所有信息熵值最大的有效測點放進集合H中，同時初始化最優故障隔離率FIR_opt＝0，最優測點代價Cost_opt＝0；

(3.5.2)、判斷H當前是否為空集，若為空集，將當前最優故障隔離率FIR_opt和最優測點代價Cost_opt以及它們對應的測點t_opt作為故障模糊集S的最優故障隔離率、最優代價以及最優測點，記錄在動態規劃列表中，并返回結果；若H中有測點，取出當前測試代價最小的測點t_k，進入步驟(3.5.3)；

(3.5.3)、根據有效測點t_k的故障依賴信息，將S分割為兩個子故障集S_0,k和S_1,k，具體為：

S_0,k＝{s_0,p|d_pk＝0}

S_1,k＝{s_1,p|d_pk＝1}

其中，d_pk表示第p個故障在第k個測點下的測試信息；

(3.5.4)、查看動態規劃列表中是否存在關于S_0,k的最優解，若該最優解已經存在，則記錄該最優解下的故障隔離率FIR₀和最優代價Cost₀；若該最優解尚未解出，將S_0,k作為故障模糊集，進入步驟(3.1)進行啟發式搜索，直到獲得S_0,k的最優測點，對應的故障隔離率FIR₀以及最優代價Cost₀；

(3.5.5)、查看動態規劃列表中是否存在關于S_1,k的最優解，若該最優解已經存在，則記錄該最優解下的故障隔離率FIR₁和最優代價Cost₁；若該最優解尚未解出，將S_1,k作為故障模糊集，進入步驟(3.1)進行啟發式搜索，直到獲得S_1,k的最優測點，對應的故障隔離率FIR₁以及最優測試代價Cost₁；

(3.5.6)、在待選測點t_k下，計算診斷樹的故障隔離率FIR和代價Cost：

FIR＝(FIR₀×n₀+FIR₁×n₁)/(n₀+n₁)

其中，n₀和n₁分別為S_0,k和S_1,k中故障狀態的個數；

(3.5.7)、如果待選測點t_k下診斷樹的故障隔離率FIR大于FIR_opt，或者FIR＝FIR_opt時Cost小于Cost_opt，則更新FIR_opt＝FIR，Cost_opt＝Cost_k，然后返回步驟(3.5.)；

(4)、生成故障診斷樹

(4.1)、初始化故障診斷樹(S，t，S₀，S₁)為空集，向故障診斷樹中添加根節點的故障集信息S＝{s₁,s₂,…,s_N}；

(4.2)、根據故障依賴矩陣D和最優測點t，重新將S分解為通過故障集S₀和非通過故障集S₁兩個子集:

S₀＝{s_p|d_pt＝0}

S₁＝{s_p|d_pt＝1}

其中，s_p為S中包含電路系統中的所有故障狀態，d_pt為故障s_p在測點t下的測試信息；

(4.3)、將子集S₀設置為故障模糊集S，向故障診斷樹中添加該節點的左子節點，若子集S₀中故障個數不為1，則返回步驟(4.2)，否則得到故障診斷樹的左子樹；

(4.4)、將子集S₁設置為故障模糊集S，向故障診斷樹中添加該節點的右子節點，若子集S₁中故障個數不為1，則返回步驟(4.2)，否則得到故障診斷樹的右子樹。