一种基于模糊语义网络的发动机综合故障诊断方法

1.一种基于模糊语义网络的发动机综合故障诊断方法，其特征在于它包括如下工艺步骤：
a，建立基于ARM嵌入式微处理器的嵌入式平台和基于现场可编程门阵列FPGA的数据采集模块，二者通过总线连接；
b，数据采集模块内设采集子程序，嵌入式平台的存储器内设数据库和应用程序，应用程序中的故障诊断程序包括基于模糊语义网络模型的故障知识获取方法、基于案例推理子系统和引导式交互推理子系统；基于模糊语义网络模型的故障知识获取方法是以发动机可靠性设计FMEA分析数据为基础，利用概念节点和语义联系的概念，清晰全面地表达了故障、成因节点间的关系，构建了发动机故障知识库；基于案例推理子系统主要由故障征兆获取子模块、案例推理子模块、案例维护模块以及故障案例库组成，用于常见故障的快速诊断；引导式交互推理子系统是以基于模糊语义网络构建的发动机故障知识库为基础，采用人机交互的方式来进行模糊搜索推理，可以进行故障的深度诊断；
c，数据采集模块自动检测到故障征兆或用户输入故障征兆后，传输给嵌入式平台，嵌入式平台启动两个子系统并行运行；
d，当两个子系统都能得出初步诊断结果时，如果两个结果相同，则为系统的最终诊断结果，如果两个结果不相同，则需要利用专家经验来进行综合决策以给出最终结果；
e，当其中一个子系统诊断成功，而另一个子系统诊断失败的话，则根据前者的诊断结果，指导后者进行学习；
f，当两个子系统均未给出诊断结果，则系统诊断失败。
2.根据权利要求1所述的一种基于模糊语义网络的发动机综合故障诊断方法，其特征在于所述的基于案例推理子系统的诊断步骤为：
a，数据采集模块对传感器检测到的信号分析处理，传输给嵌入式平台的征兆获取子模块，同数据库中的参数门限进行比较，提取出偏离或超差的参数，构成发动机故障征兆信息，同时结合人工输入的征兆信息，按照案例表示的方法生成故障征兆向量，提交给案例推理子模块；
b，案例推理子模块首先根据故障征兆向量中的确定性征兆，从案例库中索引出与当前故障属于同一类的故障案例，然后对索引出的案例进行基于灰色关联分析法的相似度匹配计算，如果获得相似度满足一定阈值的案例，则结合这些案例的故障发生次数、维修难度因素进行模糊综合评判后选择最合适的案例进行案例重用与修正，将案例提供的解决方案提交给用户，最后根据用户的反馈信息把案例提交给案例维护模块进行学习，并保存到故障案例库；如果案例推理诊断失败，则把故障征兆向量提交给引导式交互推理子系统。
3.根据权利要求1或2所述的一种基于模糊语义网络的发动机综合故障诊断方法，其特征在于所述的案例库包括故障案例基本信息表、故障案例种类表、故障案例不确定性征兆值表。
4.根据权利要求1所述的一种基于模糊语义网络的发动机综合故障诊断方法，其特征在于所述的引导式交互推理子系统的诊断步骤为：
a，当系统检测到故障征兆后，同时结合人工输入的故障信息，以发动机故障知识库为基础进行模糊搜索推理，系统提示用户需要进行的检测操作及其操作方法，用户完成检测后，向系统输入所得到的检测结果，供系统分析后提出进一步的处置建议；系统根据与用户交互得到的若干反馈信息不断分析，确定最终故障件；定位故障件之后，系统将自动提出合理的排故方法建议；
b，利用超级链接与数据库内的“维护手册”模块交联，直接查看相应的维护、维修步骤及其具体操作方法，通过“建议——问答”的交互方式，可为维护人员提供智能化的故障诊断。

一种基于模糊语义网络的发动机综合故障诊断方法 \n技术领域：\n[0001] 本发明涉及发动机故障诊断技术领域，具体地讲是一种基于模糊语义网络的发动机综合故障诊断方法。 \n背景技术：\n[0002] 目前，航空发动机智能故障诊断方法主要有基于规则推理、基于模型推理、基于案例推理和基于人工神经网络等诊断方法，但目前的发动机智能诊断模型绝大多数是采用上述的一种诊断方法，这就使得推理模式单一，无法充分利用故障信息，影响了诊断精度。另外，故障知识获取难的问题一直未能得到有效的解决，成为故障诊断的瓶颈。 发明内容：\n[0003] 本发明的目的是克服上述已有技术的不足，而提供一种基于模糊语义网络的发动机综合故障诊断方法，主要解决现有的航空发动机智能故障诊断方法推理模式单一、无法充分利用故障信息及故障知识获取难等问题。 \n[0004] 为了达到上述目的，本发明是这样实现的：一种基于模糊语义网络的发动机综合故障诊断方法，其特征在于它包括如下工艺步骤： \n[0005] a，建立基于ARM嵌入式微处理器的嵌入式平台和基于现场可编程门阵列FPGA的数据采集模块；嵌入式平台由ARM嵌入式处理器S3C2410、电源电路、FLASH存储器、SDRAM存储器、LCD接口、USB接口、以太网接口、串行接口、数据采集模块接口、总线以及预留的扩展接口等；数据采集模块由主控制器FPGA、AD转换器和多路模拟开关等组成； [0006] b，在数据采集模块内设采集子程序，嵌入式平台的存储器内设数据库和应用程序，应用程序中的故障诊断程序包括基于模糊语义网络模型的知识获取方法、基于案例推理子系统和引导式交互推理子系统；基于模糊语义网络模型的知识获取方法是以发动机可靠性设计FMEA分析数据为基础，利用概念节点和语义联系的概念，清晰全面地表达了故障、成因等节点间的关系，构建了发动机故障知识库，较好解决了发动机故障诊断知识获取难的瓶颈问题；基于案例推理子系统主要由征兆获取子模块、案例推理子模块、案例维护模块以及故障案例库组成，用于常见故障的快速诊断；引导式交互推理子系统是以基于模糊语义网络构建的发动机故障知识库为基础，采用人机交互的方式来进行模糊搜索推理，可以进行故障的深度诊断；\n[0007] c，数据采集模块自动检测到故障征兆或用户输入故障征兆后，传输给嵌入式平台，嵌入式平台启动两子系统并行运行； \n[0008] d，当两个子系统都能得出初步诊断结果时，如果两个结果相同，则为系统的最终诊断结果，如果两个结果不相同，则需要利用专家经验来进行综合决策以给出最终结果； [0009] e，当其中一个子系统诊断成功，而另一个子系统诊断失败的话，则根据前者的诊断结果，指导后者进行学习； \n[0010] f，当两个子系统均未给出诊断结果，则系统诊断失败。 \n[0011] 本发明的一种基于模糊语义网络的发动机综合故障诊断方法，其所述的基于案例推理子系统的诊断步骤为： \n[0012] a，数据采集模块对传感器检测到的信号分析处理，传输给嵌入式平台的征兆获取子模块，同数据库中的参数门限进行比较，提取出偏离或超差的参数，构成发动机故障征兆信息，同时结合人工输入的征兆信息，按照案例表示的方法生成故障征兆向量，提交给案例推理子模块； \n[0013] b，案例推理子模块首先根据故障征兆向量中的确定性征兆，从案例库中索引出与当前故障属于同一类的故障案例，然后对索引出的案例进行基于灰色关联分析法的相似度匹配计算，如果获得相似度满足一定阈值的案例，则结合这些案例的故障发生次数、维修难度等因素进行模糊综合评判后选择最合适的案例进行案例重用与修正，将案例提供的解决方案提交给用户，最后根据用户的反馈信息把案例提交给案例维护模块进行学习，并保存到案例库。如果案例推理诊断失败，则把故障征兆向量提交给引导式交互推理子系统。 [0014] 本发明的一种基于模糊语义网络的发动机综合故障诊断方法，其所述的案例库包括故障案例基本信息表、故障案例种类表、故障案例不确定性征兆值表。 [0015] 本发明的一种基于模糊语义网络的发动机综合故障诊断方法，其所述的引导式交互推理子系统的诊断步骤为： \n[0016] a，当系统检测到故障征兆后，同时结合人工通过与嵌入式平台连接的触摸屏输入的故障信息，以基于模糊语义网络构建的故障知识库为基础进行模糊搜索推理，系统提示用户需要进行的检测操作及其操作方法，用户完成检测后，向系统输入所得到的检测结果，供系统分析后提出进一步的处置建议；系统根据与用户交互得到的若干反馈信息不断分析，确定最终故障件；定位故障件之后，系统将自动提出合理的排故方法建议； [0017] b，利用超级链接与数据库内的“维护手册”模块交联，直接查看相应的维护、维修步骤及其具体操作方法，通过“建议——问答”的交互方式，可为维护人员提供智能化的故障诊断。 \n[0018] 本发明所述的一种基于模糊语义网络的发动机综合故障诊断方法与已有技术相比具有突出的实质性特点和显著进步：1、基于模糊语义网络模型的知识获取方法，较好地解决了发动机故障诊断知识获取的瓶颈问题；2、综合利用两种子系统的诊断方法，如果一个子系统诊断失败，可以转入另一个子系统模型进行诊断，增加了故障诊断成功率；3、两子系统推理过程相互并行，每个子系统可单独实现故障诊断，亦可结合两系统的诊断结果进行融合诊断，提高了诊断的准确度。 \n附图说明：\n[0019] 图1是本发明的模糊语义网络模型图； \n[0020] 图2是本发明的总体诊断流程图； \n[0021] 图3是本发明的案例推理子系统诊断流程图； \n[0022] 图4是本发明的故障案例数据表关联图。 \n具体实施方式：\n[0023] 为了更好地理解与实施，下面结合附图给出具体实施例详细说明本发明一种基于模糊语义网络的发动机综合故障诊断方法。 \n[0024] 实施例1，参见图1、2、3、4，首先建立基于ARM嵌入式微处理器的嵌入式平台和基于现场可编程门阵列FPGA的数据采集模块，嵌入式平台由ARM嵌入式处理器S3C2410、电源电路、FLASH存储器、SDRAM存储器、LCD接口、USB接口、以太网接口、串行接口、数据采集模块接口、总线以及预留的扩展接口等组成；数据采集模块由主控制器FPGA、AD转换器和多路模拟开关等组成，ARM嵌入式处理器S3C2410通过总线连接的数据采集模块接口与数据采集模块连接，相关部件采用常规技术进行连接； \n[0025] 在数据采集模块内设置采集子程序，在嵌入式平台的存储器内设数据库和应用程序，应用程序中的故障诊断程序包括基于模糊语义网络模型的知识获取方法、基于案例推理子系统和引导式交互推理子系统； \n[0026] 基于案例推理子系统主要由征兆获取子模块、案例推理子模块、案例维护模块以及案例库组成，知识来源为已经发生过的故障案例，采用案例检索、案例重用、案例学习等方式进行推理，用于常见故障的快速诊断；引导式交互推理子系统是以基于模糊语义网络构建的发动机故障知识库为基础，采用人机交互的方式来进行模糊搜索推理，可以进行故障的深度诊断； \n[0027] 模糊语义网络模型的知识获取具体方法： \n[0028] 针对发动机故障样本少的现状，以发动机可靠性设计FMEA分析数据为基础，利用概念节点和语义联系的概念，建立了模糊语义网络模型，清晰全面地表达了故障、成因等节点间的关系，构建了发动机故障知识库，较好解决了发动机故障诊断知识获取的瓶颈问题。\n从三个方面进行模糊语义网络模型建立：首先选择概念节点，如发动机故障模式、故障影响后果。其次确定概念节点之间的联系，分析某节点(值)的变化是否对另一节点(值)有显著的影响；然后给每个联系指定合适的符号和语言强度(A：总是；O： 经常；So：有时；Se：\n很少；+：增加影响；-：减少影响；0：可忽略影响)。 \n[0029] 以发动机工厂试车排故和设计可靠性FMEA为数据基础建立的发动机气路单元体FMEA的概念节点可表示为表1所示。 \n[0030] 表1 \n[0031] \n 概念节点 描述 概念节点 描述\n C1 压气机气动疲劳损伤 C17 压气机效率下降\n C2 压气机气弹失稳断裂 C18 恶化供油及雾化燃烧过程\n C3 压气机二级叶尖掉块 C19 叶片断裂\n C4 燃烧室喷嘴积碳和腐蚀 C20 叶片扭曲\n C5 压气机整流叶片故障 C21 流通能力下降\n C6 燃烧室加力筒体裂纹 C22 涡轮效率下降\n C7 导向器一级叶片烧伤故障 C23 打穿机闸\n C8 导向器一级叶片烧蚀掉块 C24 转子报废\n C9 导向器外缘板裂纹烧蚀故障 C25 转轴报废\n C10 导向器应力裂纹故障 C26 轮盘报废\n C11 风扇叶片损坏(外物打伤) C27 风扇效率下降\n C12 高压转子叶片伸长 C28 叶片与机闸相撞\n C13 高压转子叶片变形 C29 涡轮二次损伤\n C14 涡轮转子叶片变形 \n C15 涡轮转轴裂纹 \n C16 涡轮轮盘变形 \n[0032] 以表1为例，施加必要的的方向符号和语言强度(语言值)，得到某型发动机气路单元体的模糊语义网络模型如图1所示。 \n[0033] 数据采集模块自动检测到故障征兆或用户输入故障征兆后，传输给嵌入式平台，嵌入式平台可启动单独一个子系统，也可启动两子系统并行运行；系统有多种可能的输出结果，最后可进行综合决策得到最终结果，其总体诊断流程如图2；当两个子系统都能得出初步诊断结果时，如果两个结果相同，则为系统的最终诊断结果，如果两个结果不相同，则需要利用专家经验来进行综合决策以给出最终结果；当其中一个子系统诊断成功，而另一个子系统诊断失败的话，则根据前者的诊断结果，指导后者进行学习；当两个子系统均未给出诊断结果，则系统诊断失败。 \n[0034] 基于案例推理子系统诊断流程如图3所示，故障诊断步骤为：a，数据 采集模块对传感器检测到的信号分析处理，传输给嵌入式平台的征兆获取子模块，同数据库中的参数门限进行比较，提取出偏离或超差的参数，构成发动机故障征兆信息，同时结合人工输入的征兆信息，按照案例表示的方法生成故障征兆向量，提交给案例推理子模块；b，案例推理子模块首先根据故障征兆向量中的确定性征兆，从案例库中索引出与当前故障属于同一类的故障案例，然后对索引出的案例进行基于灰色关联分析法的相似度匹配计算，如果获得相似度满足一定阈值的案例，则结合这些案例的故障发生次数、维修难度等因素进行模糊综合评判后选择最合适的案例进行案例重用与修正，将案例提供的解决方案提交给用户，最后根据用户的反馈信息把案例提交给案例维护模块进行学习，并保存到案例库；如果案例推理诊断失败，则把故障征兆向量提交给引导式交互推理诊断子系统。 \n[0035] 从诊断流程中可以看出，案例推理诊断子系统主要由征兆获取子模块、案例推理子模块、案例维护模块以及案例库组成。 \n[0036] 案例库包括故障案例基本信息表、故障案例种类表、故障案例不确定性征兆值表。\n案例库设计：故障案例基本信息表、故障案例种类表、故障案例不确定性征兆值表，这三张数据表的相互关系见图4。三张数据表的结构以及它们之间的相互关系： \n[0037] (1)故障案例种类表：在该表中，每一条记录对应一个发动机故障案例中典型的案例种类。它由故障案例种类号、该案例种类具有的确定性征兆索引号和索引值、该案例种类所包含的不确定性征兆名称及相应征兆权重组成。其中，故障案例种类号字段为主键。\n(2)故障案例基本信息表：在该表中，每一条记录对应一个故障案例基本信息，其中包括了故障案例所属的案例种类号、故障现象、故障原因、排故措施、案例发生次数、检测的难易程度和排故花费时间。其中，故障案例号字段为主键；故障案例所属案例种类号字段是故障案例种类表的故障案例种类号字段的外键。(3)故障案例不确定性征兆值表：在该表中，存储了故障案例每个不确定性征兆的属性值，其中，故障案例号字段是此表的主键，也是故障案例信息表的故障案例号字段的外键。 \n[0038] 基于引导式交互推理子系统的诊断步骤为：a，当系统检测到故障征兆后，同时结合人工通过与嵌入式平台连接的触摸屏输入的故障信息，以故障知识库为基础进行模糊搜索推理，系统提示用户需要进行的检测操作及其操作方法，用户完成检测后，向系统输入所得到的检测结果，供“排故专家系统”分析后提出进一步的处置建议；系统根据与用户交互得到的若干反馈信息不断分析，确定最终故障件；定位故障件之后，系统将自动提出合理的排故方法建议；b，利用超级链接与数据库内的“维护手册”模块交联，直接查看相应的维护、维修步骤及其具体操作方法，通过“建议——问答”的交互方式，可为维护人员提供智能化的故障诊断。 \n[0039] 本发明的一种基于模糊语义网络的发动机综合故障诊断方法，不局限于航空发动机，也可用于其它领域的故障诊断。