專利名稱：Petri網圖形化方法及在船用燃氣輪機故障診斷上的應用的制作方法
技術領域：
本發(fā)明屬于船用燃氣輪機故障診斷技術領域，更具體地說它是一種Petri網圖形 化方法，本發(fā)明還涉及Petri網圖形化方法在船用燃氣輪機故障診斷上的應用。
背景技術：
燃氣輪機設備復雜，主機各部件、各附屬分系統(tǒng)通過熱力機械關系緊密地耦合在 一起，出現(xiàn)故障后，故障的因果關系非常復雜，故障的判斷、分析、排除難度大；在出現(xiàn)故障 后，難以準確地分析并及時地排除。傳統(tǒng)的診斷技術已經不能滿足需要，快速、精確的故障診斷成為必然發(fā)展趨勢。過 去需要幾天乃至更長時間才能完成的故障診斷任務，現(xiàn)在必須壓縮到幾小時甚至數(shù)分鐘 內，因此對燃氣輪機故障診斷的精度要求明顯提高。即使受過良好專業(yè)訓練的技術保障人 員，也難以準確及時地判斷故障原因或確定最佳的修理方案，常常需要花費相當長的時間 對受損裝備反復進行分析、檢測，最后才能“確診”。應用燃氣輪機故障診斷系統(tǒng)，維修人員 可以得到輔助指導，快速準確地完成故障診斷，加快受損裝備的維修過程，以滿足時效性要 求。目前的故障診斷技術主要采用基于信號處理、小波變換、故障樹、神經網絡、貝葉 斯網絡、專家系統(tǒng)和Petri網等技術進行故障診斷。1.基于信號處理的方法實時性好，但不能很好的處理潛在故障，一般多用于故 障檢測；2.基于小波變換的方法應用較廣，先對信號進行多級小波分解，得到各子帶數(shù) 據(jù)。通過對小波變換系數(shù)模極大值的檢測來實現(xiàn)對信號奇異性的檢測，從而確定故障發(fā)生 的時間；3.基于專家系統(tǒng)的方法通過獲取大量的專家診斷知識，利用專家的推理方法， 解決故障診斷領域的問題。其缺點是知識獲取困難、知識庫更新能力差、領域知識之間的矛 盾難于處理、邏輯表達和處理能力局限性大；4.基于神經網絡的方法以故障特征信號作為神經網絡輸入，診斷結果作為神經 網絡輸出；然后通過對已有故障信息的離線訓練，使神經網絡通過權值記憶故障征兆與診 斷結果的對應關系；最后在當新的故障出現(xiàn)時把故障征兆加入到輸入端可開始診斷。其缺 點是必須要有故障信息的大容量樣本，而且其學習時間過長；5.基于故障樹分析法的方法故障樹分析法通過對可能造成系統(tǒng)失效的各種因 素進行分析，從而確定系統(tǒng)失效原因的各種可能組合方式或其發(fā)生概率，將系統(tǒng)故障形成 原因按樹枝狀逐級細化，將其邏輯關系用與、或等邏輯符號表示出來，自上而下逐級分解， 直到不能分解的底事件，形成故障樹。故障樹診斷方法直觀、形象，能夠實現(xiàn)快速的診斷。缺 點是不能診斷不可預知的故障；診斷結果嚴重依賴于故障樹信息的正確性和完整性。但是，目前文獻([1]何曉霞，沈玉娣.連續(xù)小波變換在滾動軸承故障診斷中的應 用[J].機械科學與技術，2001，2(K4) :571-572. [2]徐金梧，徐科.小波變換在滾動軸承故障診斷中的應用[J].機械工程學報，1997，33 ) :50-55. [3]Peter W, PENG Yong hong, RichardYam. Wavelet Analysis and Envelope Detection for RollingElement Bearing Fault Diagnosis-Their Effectiveness andFlexibilities (小波分析和包絡檢波在滾動 軸承故障診斷中的效果和適應性研究)[J]. Journal of Vibration and Acoustics, 2001, 123(3) :303-311. [4]LIN Jing, ZOU Ming J. Gearbox Fault Diagnosisusing Adaptive Wavelet Filter (基于自適應小波濾波的齒輪箱故障診斷)[J]. Mechanical Systems and Signal Processing,2003,17(6) :1259-1269. [5]Duan G R, Patton R J. Robust Fault Detectionin Linear Systems using Luenberger Observer s (基于 Luenberger 測量器 的線性系統(tǒng)的精確故障診斷)[J]. UKACC InternationalConference on Control, 1998, 455(2) :1468-1473. [6]Brumback B, Srinath Μ. A Chi-Squre Test for Fault-Detection in KalmanFilters (基于卡爾曼濾波器故障診斷的χ2測試)[J]. AutomaticControl, IEEE Transactions,1987,32 (6) :552-554. [7]Girgis AA, Makram E B. Application of Adaptive Kalman Filtering in FaultCalssification, Distance Protection, and Fault Location usingMicroproce-sensors (自適應卡爾曼濾波器在故障分類、距離保 護和故障定位中的應用)[J]· Power Systems, IEEE Transactions, 1988,3(1) :301-309. [8]Kobayashi A, Simon D L. Application ofa Bank of Kalman Filters for Aircraft Engine Fault Diagnosis (多層卡爾曼濾波器在發(fā)動機故障診斷中的應用)[R]. Atlanta National Aeronautics and Space Administration, 2003. [9]何勇，李增芳·智能化故 障診斷技術的研究與應用[J]·浙江大學學報，2003, ) :119-124. [10]徐似春，肖德 云.一種新的基于參數(shù)估計的故障診斷方法[J].控制理論與應用，2001,18 ) =493-497. [11]蔣瑞，陳循，楊雪.智能故障診斷研究與發(fā)展[J].信息技術，2002，21 O) :12-15. [12] 楊榛，顧幸生.智能故障診斷技術及應用的研究[J].貴州大學學報(自然科學版)，2007， 24(2) :161-165. [13]蘇羽，趙海，蘇威積等.基于模糊專家系統(tǒng)評估診斷方法[J].東北 大學學報，2004，25 (7) =653-656. [14]吳今培，肖健華.智能故障診斷與專家系統(tǒng)[M].北 京禾斗學出版社，1997. [15] Thierry D. ANeural Network Classifier Based on Dempster Shafer Theory (基于Dempster Shafer 理論的人工神經網絡分類)[J]· IEEETransactions on System Man and Cybernetics, 2000,10(2) :131-150. [16]李佳，禮賓，王夢卿.基于神 經網絡的齒輪故障診斷專家系統(tǒng)[J]·機械傳動，2007，31 (5) :81-85. [17]HE Ying gang, ZHUffeng ji.Fault Diagnosis of Nonlinear Analog Circuits UsingNeural Networks and Multi-Space Transformations (神經網絡和多維空間轉換法的非線性模擬電路故 障診斷)[J]· Lecture Notes inComputer Science，2009，5553 :714-723. [18]何怡剛，蘆 湘冬，劉美容.基于神經網絡數(shù)據(jù)融合方法的模擬電路故障診斷[J].湖南大學學報(自 然科學版)，2005,32 ) :47-52. [19]BurgesC. Atutorial on Support Vectormachines for Pattern Recognition (支持向量機在模式識別中的應用)[J]. DataMining and KnowledgeDiscovery, 1998, 2 (2) :121-167. [20]肖健華.應用于故障診斷的SVM理論研究 [J].排雷、測試與診斷，2001,21 ) :12-16. [21]王華忠，張雪申，俞金壽.基于支持向量故 障診斷方法[J].華東理工大學學報，2004，3(K2) :179-182. [22]何學文，趙海鳴.支持向 量機及其在機械故障診斷中的應用[J].中南大學學報(自然科學版)，2005，(2) :66-70. [23]羅穎鋒，曾進.基于支持向量機的燃氣輪機故障診斷[J].熱能動力工程，2004，(19)CN 102146845 A
說明書
3/7頁
354-357. [24]胡壽松，王源.基于支持向量機的非線性系統(tǒng)故障診斷[J].控制與決策， 2001，16(5) :617-621. [25]YUAN Sheng fa, CHU Fu lei.Support VectorMachines-Based Fault Diagnosis for Turbo-Pump Rotor (基于支持向量機的渦噴轉子故障診斷)[J]. Machanical Systems and SignalProcessing,2006,20(4) :939-952. [26]GE Ming,DU Rui， ZHANGGui cai. Fault Diagnosis using Support Vector Machine with anApplication in Sheet Metal Stamping Operations (基于支持向量機的金屬片沖壓操作的故障診斷) [J], Machanical Systems andSignal Processing,2004,18(1) :143-159. [27]CHIANG Leo H, Kotanchek M Ε, Kordon K. Fault Diagnosis Based on FisherDiscriminant Analysis and Support Vector Machines (基于費希爾判別分析和支持向量機的故障診斷)[J]. Computers&ChemicalEngineering, 2004, 28 (18) :1389-1401. [28]翟大鵬，賈玉秦.基于 故障樹分析法的數(shù)控機床故障診斷系統(tǒng)[J].現(xiàn)代制造工程，2007，(10) :108-110. [29]周 正.基于故障樹的機車故障診斷專家系統(tǒng)的研究[J].中國水運，2008，8 (7) :138-139. [30] 趙亮培.基于故障樹分析的液壓系統(tǒng)故障診斷研究[J].起重運輸機械，2009(1) =98-100. [31]鄧洪志，陳大慶，劉波.基于故障樹分析和XML的網絡故障診斷技術[J].廈門大學學 報(自然科學版)，2007，46 (2) =205-208. [32]侯安華，秦紅磊.基于故障樹和規(guī)則的故障 診斷專家系統(tǒng)[J].微計算機信息，2008，M (7-1) :191-193. [33]朱大奇，于盛林.基于故 障樹最小割集的故障診斷方法研究[J].數(shù)據(jù)采集與處理，2002，17 (3) :341-344.)設計的 故障診斷技術的人機交互性、時效性、可視化不強。船用燃氣輪機作為一個高科技的動力裝置，相對于其它類型的動力裝置而言，其 技術含量比較高，同時，故障維修的難度也很高。如何實施快速維修，使故障裝備能在短時 間內恢復性能。對于船舶裝備維修，故障原因定位即故障診斷是關鍵，通過長期的故障資料 積累和維修人員維修經驗的不斷增長，故障診斷的效率在不斷地提高，但是故障資料多是 以紙張形式保存，保存和查閱都非常不方便，同時維修人員的經驗水平的參差不齊也影響 了故障診斷的效率。已有的一些故障診斷系統(tǒng)大都是以簡單的文字模式進行故障管理和診 斷，也不具備自我學習的功能，因此一個可以自我學習并具有圖形交互功能的圖形化故障 診斷系統(tǒng)就顯得尤為重要。

發(fā)明內容
本發(fā)明的目的在于克服上述現(xiàn)有背景技術的不足之處，而提供一種Petri網圖形 化方法。本發(fā)明的另一目的在于提供Petri網圖形化方法在船用燃氣輪機故障診斷上的應用。本發(fā)明的目的是通過如下措施來達到的=Petri網圖形化方法，其特征在于它包 括如下步驟一是用故障Petri網生成算法把故障數(shù)據(jù)從數(shù)據(jù)庫中讀出并以此構造故障 Petri網，完成坐標的自動生成并顯示在界面上；二是讀取圖形顯示的故障Petri網上的數(shù) 據(jù)并存入數(shù)據(jù)庫，實現(xiàn)故障信息和診斷信息的存儲。在上述技術方案中，所述故障Petri網生成算法是有故障節(jié)點對象和故障關系連 線對象構成的一個組合模型，包含故障信息、故障之間的關系及對象坐標信息；故障Petri 網在數(shù)據(jù)庫中用多個表來存儲其結構和數(shù)據(jù)的，故障關系表存儲故障Petri網結構和故障關系信息，故障信息表存儲故障信息，為此故障Petri網生成算法首先按照在故障關系表 中的結構信息，從故障信息表和故障關系表讀取數(shù)據(jù)按先序方式依次生成故障節(jié)點和故障 關系構造初步的故障Petri網；在上述技術方案中，所述故障Petri網生成算法中還包括一個坐標自動生成算法 來對故障Petri網進行坐標生成；坐標自動算法計算故障節(jié)點坐標，故障關系坐標根據(jù)故 障節(jié)點自動調整，分兩步①縱坐標生成，故障Petri網的根節(jié)點都位于界面的頂端，先確 定根節(jié)點坐標；設立一個縱坐標邊界線，一開始位于界面頂端；其次用先序遍歷方式處理 故障Petri網；正在處理的故障節(jié)點按距離邊界線固定值的方式確定坐標，自動調整與該 節(jié)點相連故障關系的一端的縱坐標，并將邊界線移到該故障節(jié)點的下邊界；②橫坐標生成， 是從左邊的故障節(jié)點開始生成；兄弟故障節(jié)點之間相隔一定的間距；故障節(jié)點若有子故障 節(jié)點則根據(jù)子故障節(jié)點居中；實施步驟是先設立一個橫坐標邊界線，待處理的故障節(jié)點不 能位于該邊界線左側；其次按后序遍歷方式處理故障Petri網；正在處理的故障節(jié)點如果 沒有子故障節(jié)點則按距離邊界線固定值的方式確定坐標，并將邊界線移到該故障節(jié)點的右 邊界；如果有子故障節(jié)點則按子故障節(jié)點坐標居中處理，如果其右邊界的橫坐標比其最右 子故障節(jié)點的右邊界橫坐標大則把邊界線移到該故障節(jié)點的右邊界，否則邊界線移到其最 右子故障節(jié)點的右邊界。自動調整與該節(jié)點相連故障關系的一端的橫坐標。在上述技術方案中，所述故障Petri網數(shù)據(jù)存儲算法是對某個故障節(jié)點進行操作 可能引起其它故障節(jié)點或故障關系的數(shù)據(jù)的修改；在故障診斷中一個故障節(jié)點故障原因的 確定，引起了該故障節(jié)點、故障原因、故障關系的發(fā)生次數(shù)、發(fā)生時間數(shù)據(jù)的改變；在故障 管理中刪除一個故障節(jié)點其子故障節(jié)點均會被刪除；這些改變需保存到數(shù)據(jù)庫中，系統(tǒng)采 用先序遍歷方式依次處理；只需改變單個故障節(jié)點或故障關系的情況，系統(tǒng)通過讀取故障 Petri網相關故障節(jié)點或故障關系的數(shù)據(jù)，根據(jù)其編號進行記錄的修改。在上述技術方案中，基于所述Petri網的故障診斷是針對故障周期不固定、故障 的可能原因多、各故障原因的可信度不確定的特點，使用了擴展模糊時間Petri網模型的 概念，用基于該模型設計的故障診斷算法實現(xiàn)故障診斷功能。在上述技術方案中，基于所述基于擴展模糊時間Petri網模型的故障診斷算法， 首先通過故障名稱或現(xiàn)象的模糊查詢確定故障現(xiàn)象在故障Petri網中的實際節(jié)點；其次根 據(jù)故障之間關系的可信度高低、故障周期長短、發(fā)生次數(shù)多少等信息進行一次自動排查，給 出初步排查結果；然后通過與維修人員交互，確認或排除故障原因，同并根據(jù)需要決定是否 再次進行自動排查，以再次查找可能的故障原因并繼續(xù)進行交互排查；最后給出排查結果 和維修幫助并把此次診斷過程存入數(shù)據(jù)庫，同時根據(jù)規(guī)則決定是否自動調整可信度和故障 周期。在上述技術方案中，所述可信度調整算法和故障周期調整算法中可信度是指一個 故障引發(fā)另一故障的可信程度，在本系統(tǒng)中等同于概率；本系統(tǒng)設定當一個故障在上一次 調整后的發(fā)生次數(shù)是其故障原因數(shù)目兩倍的情況下進行調整，用故障原因發(fā)生次數(shù)與故障 發(fā)生次數(shù)相除得到新的可信度；故障周期是指故障的平均周期，根據(jù)故障的發(fā)生時間按平 均分布處理；設定當在上一次自動調整后，每發(fā)生一次故障后就進行自動調整，并把周期的 單位轉化成天數(shù)保存。Petri網圖形化方法，其特征在于在船用燃氣輪機故障診斷上的應用。
本發(fā)明克服了現(xiàn)有的診斷技術在故障管理和故障診斷時都是采用文字模式，使用 時不直觀、不方便的缺點，應用圖形化故障診斷技術能夠幫助維修人員提早發(fā)現(xiàn)異常，及時 定位故障原因。防止突發(fā)性大事故，延長設備的服役期限和使用壽命，節(jié)省經費。


圖1為本發(fā)明中圖形模塊工作流程圖。圖2為本發(fā)明中Petri網圖形化方法故障維護軟件界面圖。
具體實施例方式下面結合附圖詳細說明本發(fā)明的實施情況，但它們并不構成對本發(fā)明的限定，僅 作舉例而已。同時通過說明本發(fā)明的優(yōu)點將變得更加清楚和容易理解。參閱圖1、圖2可知以故障維護為例來說明圖形化功能的實現(xiàn)。故障維護的功能 提供對燃氣輪機故障Petri網的管理功能，包括添加、刪除、修改功能，故障的詳細描述、維 修幫助、故障周期及可信度等均在這里進行管理。通過故障圖中的“選擇”按鈕可以查看和編輯故障信息；“故障”按鈕可以增加故 障信息；“連接線”可以連接到所關聯(lián)的故障樹；“排列所有圖形”可以將各個故障在故障樹 的邏輯聯(lián)系排列成系統(tǒng)故障樹。故障管理、故障診斷的圖形化的目的是直觀地顯示故障結構，方便地進行故障管 理和故障診斷，是故障管理、故障排查、故障瀏覽模塊與數(shù)據(jù)庫交互的中間平臺，工作流程 見圖1，要求圖形模塊具有(1)準確顯示故障Petri網；( 實現(xiàn)數(shù)據(jù)庫與故障Petri網之 間的數(shù)據(jù)快速轉換。本發(fā)明開發(fā)了一個圖形化模塊。該模塊通過一個數(shù)據(jù)轉換模型，一是用故障Petri 網生成算法把故障數(shù)據(jù)從數(shù)據(jù)庫中讀出并以此構造故障Petri網，完成坐標的自動生成并 顯示在界面上。二是讀取圖形顯示的故障Petri網上的數(shù)據(jù)并存入數(shù)據(jù)庫，實現(xiàn)故障信息 和診斷信息的存儲。(1)故障Petri網生成算法故障Petri網是一個圖形對象集合，是有故障節(jié)點對象和故障關系連線對象構成 的一個復雜的組合模型，包含故障信息、故障之間的關系及對象坐標等信息。故障Petri網 在數(shù)據(jù)庫中用多個表來存儲其結構和數(shù)據(jù)的，故障關系表存儲故障Petri網結構和故障關 系信息，故障信息表存儲故障信息，為此故障Petri網生成算法首先按照在故障關系表中 的結構信息，從故障信息表和故障關系表讀取數(shù)據(jù)按先序方式依次生成故障節(jié)點和故障關 系構造初步的故障Petri網。其次由于故障Petri網的結構可能非常龐大，而系統(tǒng)界面又 是有限的，因此有時可能只需顯示部分故障Petri網，故在數(shù)據(jù)庫中保存坐標信息是不合 適的。針對這種情況，在故障Petri網生成算法中設計了一個坐標自動生成算法來對故障 Petri網進行坐標生成。坐標自動算法計算故障節(jié)點坐標，故障關系坐標根據(jù)故障節(jié)點自動 調整，分兩步①縱坐標生成一般故障Petri網的根節(jié)點都位于界面的最頂端，故需先確定根節(jié)點坐標。首先 設立一個縱坐標邊界線，待處理的故障節(jié)點不能高于該邊界線，一開始位于界面頂端。其次用先序遍歷方式處理故障Petri網。正在處理的故障節(jié)點按距離邊界線固定值的方式確定 坐標，自動調整與該節(jié)點相連故障關系的一端的縱坐標，并將邊界線移到該故障節(jié)點的下 邊界。②橫坐標生成思路是從最左邊的故障節(jié)點開始生成；兄弟故障節(jié)點之間相隔一定的間距；故障 節(jié)點若有子故障節(jié)點則根據(jù)子故障節(jié)點居中。因此步驟是首先設立一個橫坐標邊界線，待 處理的故障節(jié)點不能位于該邊界線左側。其次按后序遍歷方式處理故障Petri網。正在處 理的故障節(jié)點如果沒有子故障節(jié)點則按距離邊界線固定值的方式確定坐標，并將邊界線移 到該故障節(jié)點的右邊界；如果有子故障節(jié)點則按子故障節(jié)點坐標居中處理，如果其右邊界 的橫坐標比其最右子故障節(jié)點的右邊界橫坐標大則把邊界線移到該故障節(jié)點的右邊界，否 則邊界線移到其最右子故障節(jié)點的右邊界。自動調整與該節(jié)點相連故障關系的一端的橫坐 標。(2)故障Petri網數(shù)據(jù)存儲算法故障Petri網是一個網狀結構，對某個故障節(jié)點進行操作可能引起其它故障節(jié)點 或故障關系的數(shù)據(jù)的修改。比如在故障診斷中一個故障節(jié)點故障原因的確定，引起了該故 障節(jié)點、故障原因、故障關系等的發(fā)生次數(shù)、發(fā)生時間等數(shù)據(jù)的改變；在故障管理中刪除一 個故障節(jié)點其子故障節(jié)點均會被刪除。這些改變需保存到數(shù)據(jù)庫中，對于這種情況，系統(tǒng)采 用先序遍歷方式依次處理。對于其他只需改變單個故障節(jié)點或故障關系的情況，系統(tǒng)通過 讀取故障Petri網相關故障節(jié)點或故障關系的數(shù)據(jù)，根據(jù)其編號進行記錄的修改。圖形模塊是故障管理、排查、瀏覽等模塊與數(shù)據(jù)庫交互的中間平臺，通過該模型可 以讓使用人員直觀、簡便的使用本軟件，完成故障管理、故障排查、故障瀏覽等操作。3.基于擴展模糊時間Petri網的故障自動排查和交互排查為了提高故障診斷軟件故障診斷的準確性和診斷效率，針對故障周期不固定、故 障的可能原因多、各故障原因的可信度不確定等特點，使用了擴展模糊時間Petri網模型 的概念，用基于該模型設計的故障診斷算法實現(xiàn)故障診斷功能?；跀U展模糊時間Petri網模型的故障診斷算法，首先通過故障名稱或現(xiàn)象的模 糊查詢確定故障現(xiàn)象在故障Petri網中的實際節(jié)點；其次根據(jù)故障之間關系的可信度高 低、故障周期長短、發(fā)生次數(shù)多少等信息進行一次自動排查，給出初步排查結果；然后通過 與維修人員交互，確認或排除故障原因，同并根據(jù)需要決定是否再次進行自動排查，以再次 查找可能的故障原因并繼續(xù)進行交互排查；最后給出排查結果和維修幫助并把此次診斷過 程存入數(shù)據(jù)庫，同時根據(jù)規(guī)則決定是否自動調整可信度和故障周期。這種診斷算法不但提高了故障診斷的準確性和診斷效率，同時由于把時間因素考 慮在內還一定程度上解決了故障原因漏判的問題，使故障診斷更加合理。4.參數(shù)調整算法在故障診斷中涉及了兩種參數(shù)調整算法，一是可信度調整算法，二是故障周期調 整算法。這兩種算法分別對故障關系的可信度和故障節(jié)點的故障周期作適時調整。(1)可信度調整算法可信度是指一個故障引發(fā)另一故障的可信程度，在本系統(tǒng)中等同于概率。由于最 初這種可信度是由專家給定的，可能跟實際情況存在一定變差，需要在發(fā)生一定的故障次數(shù)后進行修正。本系統(tǒng)設定當一個故障在上一次調整后的發(fā)生次數(shù)是其故障原因數(shù)目兩倍 的情況下進行調整，用故障原因發(fā)生次數(shù)與故障發(fā)生次數(shù)相除得到新的可信度。(2)故障周期調整算法這里的故障周期是指故障的平均周期，根據(jù)故障的發(fā)生時間按平均分布處理。設 定當在上一次自動調整后，每發(fā)生一次故障后就進行自動調整，并把周期的單位轉化成天 數(shù)保存。
權利要求
1.Petri網圖形化方法，其特征在于它包括如下步驟一是用故障Petri網生成算法 把故障數(shù)據(jù)從數(shù)據(jù)庫中讀出并以此構造故障Petri網，完成坐標的自動生成并顯示在界面 上；二是讀取圖形顯示的故障Petri網上的數(shù)據(jù)并存入數(shù)據(jù)庫，實現(xiàn)故障信息和診斷信息 的存儲。
2.根據(jù)權利要求1所述的Petri網圖形化方法，其特征在于所述故障Petri網生成算 法是有故障節(jié)點對象和故障關系連線對象構成的一個組合模型，包含故障信息、故障之間 的關系及對象坐標信息；故障Petri網在數(shù)據(jù)庫中用多個表來存儲其結構和數(shù)據(jù)的，故障 關系表存儲故障Petri網結構和故障關系信息，故障信息表存儲故障信息，為此故障Petri 網生成算法首先按照在故障關系表中的結構信息，從故障信息表和故障關系表讀取數(shù)據(jù)按 先序方式依次生成故障節(jié)點和故障關系構造初步的故障Petri網。
3.根據(jù)權利要求2所述的Petri網圖形化方法，其特征在于所述故障Petri網生成算 法中還包括一個坐標自動生成算法來對故障Petri網進行坐標生成；坐標自動算法計算故 障節(jié)點坐標，故障關系坐標根據(jù)故障節(jié)點自動調整，分兩步①縱坐標生成，故障Petri網 的根節(jié)點都位于界面的頂端，先確定根節(jié)點坐標；設立一個縱坐標邊界線，一開始位于界 面頂端；其次用先序遍歷方式處理故障Petri網；正在處理的故障節(jié)點按距離邊界線固定 值的方式確定坐標，自動調整與該節(jié)點相連故障關系的一端的縱坐標，并將邊界線移到該 故障節(jié)點的下邊界；②橫坐標生成，是從左邊的故障節(jié)點開始生成；兄弟故障節(jié)點之間相 隔一定的間距；故障節(jié)點若有子故障節(jié)點則根據(jù)子故障節(jié)點居中；實施步驟是先設立一個 橫坐標邊界線，待處理的故障節(jié)點不能位于該邊界線左側；其次按后序遍歷方式處理故障 Petri網；正在處理的故障節(jié)點如果沒有子故障節(jié)點則按距離邊界線固定值的方式確定坐 標，并將邊界線移到該故障節(jié)點的右邊界；如果有子故障節(jié)點則按子故障節(jié)點坐標居中處 理，如果其右邊界的橫坐標比其最右子故障節(jié)點的右邊界橫坐標大則把邊界線移到該故障 節(jié)點的右邊界，否則邊界線移到其最右子故障節(jié)點的右邊界。自動調整與該節(jié)點相連故障 關系的一端的橫坐標。
4.根據(jù)權利要求1所述的Petri網圖形化方法，其特征在于所述故障Petri網數(shù)據(jù)存 儲算法是對某個故障節(jié)點進行操作可能引起其它故障節(jié)點或故障關系的數(shù)據(jù)的修改；在故 障診斷中一個故障節(jié)點故障原因的確定，引起了該故障節(jié)點、故障原因、故障關系的發(fā)生次 數(shù)、發(fā)生時間數(shù)據(jù)的改變；在故障管理中刪除一個故障節(jié)點其子故障節(jié)點均會被刪除；這 些改變需保存到數(shù)據(jù)庫中，系統(tǒng)采用先序遍歷方式依次處理；只需改變單個故障節(jié)點或故 障關系的情況，系統(tǒng)通過讀取故障Petri網相關故障節(jié)點或故障關系的數(shù)據(jù)，根據(jù)其編號 進行記錄的修改。
5.根據(jù)權利要求1所述的Petri網圖形化方法，其特征在于基于所述Petri網的故障 診斷是針對故障周期不固定、故障的可能原因多、各故障原因的可信度不確定的特點，使用 了擴展模糊時間Petri網模型的概念，用基于該模型設計的故障診斷算法實現(xiàn)故障診斷功 能。
6.根據(jù)權利要求5所述的Petri網圖形化方法，其特征在于基于所述基于擴展模糊時 間Petri網模型的故障診斷算法，首先通過故障名稱或現(xiàn)象的模糊查詢確定故障現(xiàn)象在故 障Petri網中的實際節(jié)點；其次根據(jù)故障之間關系的可信度高低、故障周期長短、發(fā)生次數(shù) 多少等信息進行一次自動排查，給出初步排查結果；然后通過與維修人員交互，確認或排除故障原因，同并根據(jù)需要決定是否再次進行自動排查，以再次查找可能的故障原因并繼續(xù) 進行交互排查；最后給出排查結果和維修幫助并把此次診斷過程存入數(shù)據(jù)庫，同時根據(jù)規(guī) 則決定是否自動調整可信度和故障周期。
7.根據(jù)權利要求6所述的Petri網圖形化方法，其特征在于所述可信度調整算法和 故障周期調整算法中可信度是指一個故障引發(fā)另一故障的可信程度，在本系統(tǒng)中等同于概 率；本系統(tǒng)設定當一個故障在上一次調整后的發(fā)生次數(shù)是其故障原因數(shù)目兩倍的情況下進 行調整，用故障原因發(fā)生次數(shù)與故障發(fā)生次數(shù)相除得到新的可信度；故障周期是指故障的 平均周期，根據(jù)故障的發(fā)生時間按平均分布處理；設定當在上一次自動調整后，每發(fā)生一次 故障后就進行自動調整，并把周期的單位轉化成天數(shù)保存。
8.Petri網圖形化方法，其特征在于在船用燃氣輪機故障診斷上的應用。
全文摘要
Petri網圖形化方法，它包括如下步驟一是用故障Petri網生成算法把故障數(shù)據(jù)從數(shù)據(jù)庫中讀出并以此構造故障Petri網，完成坐標的自動生成并顯示在界面上；二是讀取圖形顯示的故障Petri網上的數(shù)據(jù)并存入數(shù)據(jù)庫，實現(xiàn)故障信息和診斷信息的存儲。它克服了現(xiàn)有的故障診斷系統(tǒng)大都是以簡單的文字模式進行故障管理和診斷，也不具備自我學習的功能的缺點。本發(fā)明應用圖形化故障診斷技術能夠幫助維修人員提早發(fā)現(xiàn)異常，及時定位故障原因。防止突發(fā)性大事故，延長設備的服役期限和使用壽命，節(jié)省經費。本發(fā)明還同時公開了Petri網圖形化方法了在船用燃氣輪機故障診斷上的應用。
文檔編號F02C9/00GK102146845SQ201110031869
公開日2011年8月10日 申請日期2011年1月28日 優(yōu)先權日2011年1月28日
發(fā)明者劉永葆, 姜榮俊, 王文華, 賀星, 馬良荔 申請人:中國人民解放軍海軍工程大學