图4 船舶主机燃油子系统故障诊断的模糊神经Petri网模型
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 | |||||
|
P1 |
X |
P7 |
P8 |
P9 |
P10 |
P11 | |
|
0 |
X |
1 |
0 |
0 |
0 |
0 |
正常 |
|
1 |
X1 |
0 |
1 |
0 |
0 |
0 |
超负荷 |
|
1 |
X2 |
0 |
0 |
1 |
0 |
0 |
后燃 |
|
1 |
X3 |
0 |
0 |
0 |
1 |
0 |
提前着火 |
|
1 |
X4 |
0 |
0 |
0 |
0 |
1 |
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（%） | ||||||||
|
Q |
P |
u |
P0 |
P1 |
P2 |
P3 |
P4 |
P5 |
P6 | |
|
1 |
H |
N |
N |
3 |
96 |
0 |
0 |
0 |
1 |
0 |
|
2 |
H |
0.6N |
0.6N |
9 |
74 |
1 |
9 |
2 |
3 |
2 |
|
3 |
H |
-0.4N |
-0.4N |
4 |
76 |
0 |
0 |
0 |
20 |
0 |
|
4 |
1.2H |
-0.4N |
-0.4N |
1 |
79 |
0 |
0 |
0 |
20 |
0 |
|
5 |
0.8H |
-0.4N |
-0.4N |
9 |
69 |
0 |
0 |
0 |
21 |
1 |
表3 故障现象 的诊断实例
|
序号 |
输入 |
输出（%） | ||||
|
P1 |
X |
P8 |
P9 |
P10 |
P11 | |
|
1 |
1 |
X1 |
97 |
3 |
0 |
0 |
|
2 |
1 |
X2 |
1 |
93 |
6 |
0 |
|
3 |
1 |
X3 |
0 |
4 |
90 |
6 |
|
4 |
1 |
X4 |
0 |
0 |
8 |
92 |
|
5 |
1 |
X5 |
68 |
32 |
0 |
0 |
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] Korie m S M. A fuzzy Petri net tool for modeling and verification of knowledge-based systems[J]. The Computer Journal,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] Ahson S I. Petri Net Models of Fuzzy Neural Networks. IEEE Trans on SMC, 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] Tsang E C C,Yeung D S, Lee J W T. Learning capability in fuzzy Petri net[J]. In Proceeding of the 1999 IEEE International Conference on Systems,Man,and Cybernetics,Tokyo, 1999:355-360
[8] J. IE BAIL, H. ALLA, R. DAVID, “Hybrid Petri Nets”,European Control Conference, Grenoble (F), July 199 1,pp. 1472-1477
[9] Champagnat.R, Estebah.P, Pingabld.H, etc. Petri net based modeling of hybrid systems. Computers In Industry, 36(1998): 139-146