一种离散事件系统的复合故障因果链解耦方法

摘要

本发明公开了一种离散事件系统的复合故障因果链解耦方法，包括以下步骤：根据故障的观测事件集和关系集采用扩展时间Petri网对离散事件系统进行建模；根据扩展时间Petri网的求逆算法，得到时间-概率Petri网模型；采用时间-概率Petri网模型对离散事件系统进行推理分析；根据因果链的时间-概率解耦算法和单纯故障因果链的析出算法对时间-概率Petri网模型的推理结果进行解耦和因果链的析出。

说明书

技术领域

本发明涉及自动化控制系统技术领域，尤其涉及一种离散事件 系统的复合故障因果链解耦方法。

背景技术

随着工业技术的发展，各类大型工业系统的规模日渐庞大，内 部组件间的关联也日趋复杂。系统局部或整体失效时，常常伴有两 个或多个故障同时发生，此类故障现象被称为复合故障。短时间内 发生的多个故障由于其附带的故障信息数量庞大且相互交叠，某些 信息甚至互相抵消，使故障的诊断变得十分困难。另一方面，系统 内部庞杂的关系令故障源到故障表征的各种现象之间的因果关系非 常复杂，复合故障的发生常常使多个相互关联的因果链交织在一起， 诊断过程中通常需要对其进行解耦以便进一步辨识故障源和故障的 蔓延过程。

目前，针对各类复合故障的解耦和辨识技术主要分为两大类： 一是以频谱分析、经典小波、主分量分析、分形技术等信号处理方 法进行故障的降噪、滤波和特征提取，再利用支持向量机、距离评 价、自组织映射等人工智能方法进行分类；另一类则采用信息理论、 人工神经网络、粗糙集、模糊集、贝叶斯网络、Petri网等理论和模 型进行故障模式的识别。前者主要面向复杂系统内的连续变量进行 诊断分析，后者则通常针对系统中的离散事件，分析其因果映射关 系及关系的耦合强度。

发明内容

本发明的目的是一种离散事件系统的复合故障因果链解耦方 法。

为了解决现有技术问题，本发明实施例公开了一种离散事件系 统的复合故障因果链解耦方法，包括以下步骤：

根据故障的观测事件集和关系采用扩展时间Petri网（(Extended Time  Petri Net,ETPN)）对离散事件系统进行建模；

根据扩展时间Petri网的求逆算法，得到时间-概率Petri网

(Time-Probability Petri Net,TPPN)模型；

采用时间-概率Petri网模型对离散事件系统进行推理分析；

根据因果链的时间-概率解耦算法和单纯故障因果链的析出算法对 时间-概率Petri网模型的推理结果进行解耦和因果链的析出。

进一步，作为优选，所述时间-概率Petri网模型具体为：∑_TPPN′s＝ (S,T,F;τ,θ,ρ,β,M₀)，其具体参数定义如下：

(1)(S,T,F)是一个原型Petri网，满足且

表示s的所有直接和间接后继节点的集合，t·表示t 的后置库所集，同理·t表示t的前置库所集；

(2)τ:T→R₀×(R₀∪{∞})，τ(t_i)为变迁t_i关联的时间区间；

(3)θ:T→{0,1}，θ(t_i)为变迁t_i的点火许可函数；

(4)ρ:S→[0,1]，ρ(s_i)为s_i所代表的状态的先验概率；

(5)β:T→[0,1]^j，β(t_i)为t_i·在·t_i条件下的概率分布向量，·t_i为t_i的前 置库所集，t_i·为t_i的后置库所集{s₁,s₂,...s_j}，

β(t_i)＝[b(s₁),b(s₂),...,b(s_j)]，b(s_i)＝p(s_i|·t_i),i＝1,2,...,j；b(s_i)为s_i在·t_i条 件下的概率分布；

(6)M₀为∑_TPPN′s的初始标识，用状态标识M_i对TPPN的动态行为进行 描述，TPPN的每一个状态对应于库所的一个标识向量，采用集合 {(s,π(s))}表示M_i，所有系统状态的集合记为M，若M_j通过变迁t的 发生直接可达M_k，记为M_j[t＞M_k。

进一步，作为优选，所述的具体参数定义（2）中的变迁t_i关联 的时间区间的含义为：

设时间区间tm_i＝[a,b]，tm_j＝[c,d]，定义两区间的加法运算为

tm_i+tm_j＝[a+c,b+d]

减法运算为

tm_i-tm_j＝[a-c,b-d]

定义区间关系判定函数

γ(tm_i,tm_j)＝-1可解释为发生于tm_i的事件绝对“早于”发生于tm_j的事 件；γ(tm_i,tm_j)＝1可解释为发生于tm_i的事件绝对“晚于”发生于tm_j的 事件；γ(tm_i,tm_j)＝0可解释为发生于tm_i的事件与发生于tm_j的事件在 时间轴上有交集，其交集记为tm_i⊕tm_j；

设U＝{tm₁,tm₂,...tm_n}为时间区间的有限集，以tm_L(U)＝[a_latest,b_latest]表示U 中的最迟时间区间，其中a_latest≥a_i，a_i为U中任意元素的时间区间左 端点，若a_i为忽略a_i。

进一步，作为优选，所述扩展时间Petri网的求逆算法，其具体 定义如下：

ETPN’s（使用ETPN′s表示扩展时间Petri网系统，即动态的ETPN） 为一个四元组∑_ETPN′s＝(S_Ξ,T_Ξ,F_Ξ;I,τ_Ξ,M_Ξ0)，其中：

(1)(S_Ξ,T_Ξ,F_Ξ)是一个原型Petri网，S_Ξ中的某个令牌λ_Ξ以时标 tm_Ξ∈R₀×R₀表示；

(2)为抑止弧的集合；

(3)τ_Ξ:T_Ξ→R₀×(R₀∪{∞})，τ_Ξ(t_i)为变迁t_i关联的时间延迟区间；

(4)M_Ξ0为∑_ETPN′s的初始标识。

进一步，作为优选，所述扩展时间Petri网（ETPN）的求逆算法， 将某个∑_ETPN′s转换为∑_TPPN′s的求逆操作记为Γ，Γ(∑_ETPN′s)＝∑_TPPN′s，构造 的步骤为：

步骤1S_Ξ→S,T_Ξ→T，在∑_TPPN′s中保留∑_ETPN′s中的所有库所和变迁；

步骤2在∑_TPPN′s中将∑_ETPN′s原有的弧均置为反向，抑止弧除外；

步骤3I→φ，在∑_TPPN′s中删除所有抑止弧；

步骤4将∑_ETPN′s中所有时间延迟区间根据简单时间约束 问题的最小网络矩阵（Minimum Network Matrix，MNM）方法转换 为∑_TPPN′s的时间区间τ；

步骤5将所有∑_ETPN′s中的令牌λ_Ξ:tm_Ξ以REAL方法映 射为∑_TPPN′s中的实令牌λ:(1,tm_Ξ,{})；

步骤6对每个没有令牌的源库所（无输入弧的库所）进行检测，若 该源库所后置变迁的后置库所中存在令牌，则在该源库所中置入一 个初始的虚令牌

步骤7根据实际问题中的参数为∑_TPPN′s设置ρ和β，并将所有θ置为 0；

步骤8结束并输出∑_TPPN′s。

进一步，作为优选，所述因果链的时间-概率解耦算法包括以下 步骤：

步骤1根据观测事件集VE和因果关系集RU提出故障假说，将所有 可能的故障源包含在待检测的源事件集合SED内，并根 据VE、RU、RL构造ETPN，观测事件集VE中的元素映射为令牌，RL 映射为变迁上的时延；

步骤2对ETPN求逆Γ(∑_ETPN′s)，从而构造TPPN，RS映射为库所的ρ函 数和变迁的β函数；

步骤3按权利要求2定义(6)中的运行规则进行推理，当所有令牌的 值不再发生变化，停止计算；

步骤4获取汇入库所的令牌集并剔除其中tm分量为的令牌， 若剩余令牌数量为1且为非冲突令牌，直接对其{ev}分量按贝叶斯概 率公式计算后验概率；若剩余令牌数量大于1，任取两令牌计算其时 间一致性，若相容则对每个令牌的{ev}分量按贝叶斯概率公式计算后 验概率并求算术平均；基于委员会策略，若计算结果大于0.5，则认 为该库所代表的事件发生并标记“确认”；

步骤5对标记“确认”的事件结合TPPN进行分析，搜索带有虚令牌 且不含实令牌的非汇入库所，独立存在的虚令牌指示了事件缺失、 非正常事件等干扰因素，将其分别标记为“缺失”；冲突的令牌蕴含 时标错误或虚事件等系统非正常状态的信息，结合其时序的上下文 关系将其分别标为“时误”或“虚警”；

步骤6结束并输出标记为“确认”、“缺失”、“时误”和“虚警”的 事件；

为了避免不必要的计算量，变迁的β函数值在推理过程中不计算；

推理完成后，只计算汇入库所中令牌所携带事件序列{ev}的后验概 率，并回溯计算令牌流经的变迁集的β函数值。

进一步，作为优选，所述单纯故障因果链的析出算法，具体包 括以下步骤：

步骤1设定四个空集SU、ST、FR和SC；

步骤2在扩展时间Petri网中选择已判定发生的故障源事件集所关联 的库所，置入集合SU；

步骤3从SU中任意选择一个s_i放入集合ST，将其标记为“未处理”， 并从SU中将该元素删除；若此时SU已为空集，跳转到步骤8；

步骤4遍历ST，对每个未标记为“未处理”的元素st，求取其在ETPN 中的后置集st·及st与其后置集间的流关系集F_st；若此时已没有“未 处理”元素，跳转到步骤6；

步骤5将st·放入集合ST，F_st放入集合FR，并将st标记为“已处理”， 跳转到步骤4；

步骤6根据ST和FR构建单纯故障因果链sc并放入SC集合；

步骤7清空ST和FR，跳转到步骤3；

步骤8结束并输出SC。

本发明能够快速、准确解耦离散事件系统的复合故障因果链。

附图说明

当结合附图考虑时，通过参照下面的详细描述，能够更完整更 好地理解本发明以及容易得知其中许多伴随的优点，但此处所说明 的附图用来提供对本发明的进一步理解，构成本发明的一部分，本 发明的示意性实施例及其说明用于解释本发明，并不构成对本发明 的不当限定，其中：

图1为本发明实施例离散事件系统的复合故障因果链解耦方法流程 图。

图2为本发明实施例故障区域元件及其保护装置布局示意图。

图3为本发明方法的ETPN模型示意图。

图4为本发明方法的TPPN模型示意图。

图5为本发明方法的最终状态示意图。

图6为本发明方法的ETPN模型解耦示意图。

具体实施方式

参照图1-6对本发明的实施例进行说明。

为使上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。

如图1所示，一种离散事件系统的复合故障因果链解耦方法， 包括以下步骤：

S1、离散事件系统建模步骤：根据故障的观测事件集和关系采用扩 展时间Petri网（ETPN）对离散事件系统进行建模；

S2、扩展时间Petri网的求逆步骤：根据扩展时间Petri网的求逆算 法，得到时间-概率Petri网（TPPN）模型；

S3、推理分析步骤：采用时间-概率Petri网模型对离散事件系统进行 推理分析；

S4、解耦和因果链的析出步骤：根据因果链的时间-概率解耦算法和 单纯故障因果链的析出算法对时间-概率Petri网模型的推理结果进行 解耦和因果链的析出。

实施例：

如图2所示监控中心收到如下信息，B1m(52ms)、L1Ss(550ms)、 L2Ss(542ms)动作，断路器CB1(589ms)、CB3(600ms)、CB5(87ms)断 开。

首先，根据观测事件集{B1m,L1Ss,L2Ss,CB1,CB3,CB5}确 定图2中的可疑元件集{B1,L1,L2}。构造ETPN模型，并将观测到的 事件均置为相应库所的令牌，如图3所示。其中，前端带圆圈的线段 表示抑止弧；库所以其代表的装置命名相应事件，B1表示母线B1 故障，L1、L2含义与之类似；B1m表示B1主保护动作，L1Sm、L1Sp、 L1Ss、L1Rm、L1Rp、L2Sm、L2Sp、L2Ss、L2Rm、L2Rp、含义与之类 似；CB1表示断路器CB1跳闸，CB2、CB3、CB4、CB5含义与之类似； 变迁均代表其前置库所的时延，其中t₁,t₇,t₉,t₁₇,t₂₁表示主保护时延， 时间区间均为[10,40]；表示近后备保护时延，时间区间均为 [310,340]；t₃,t₄,t₁₅,t₂₅表示远后备保护时延，时间区间均为[510,540]； t₂,t₅,t₆,t₈,

t₁₀,t₁₂,t₁₄,t₁₆,t₁₈,t₂₂,t₂₀,t₂₄,t₂₆表示断路器跳开时延，时间区间均为 [20,40]。

对图3所示的ETPN求逆，构造TPPN。TPPN的初始状态如图4，虚 令牌以空心圆表示，原有令牌均置为实令牌，以实心圆形表示。变 迁的函数值由ETPN中变迁的时间区间以MNM方法计算得到， t₁,t₇,t₉,t₁₇,t₂₁的τ函数值为[-40,-10]，t₁₁,t₁₃,t₁₉,t₂₃的τ函数值为 [-340,-310]，t₃,t₄,t₁₅,t₂₅的τ函数值为[-540,-510]；

t₂,t₅,t₆,t₈,t₁₀,t₁₂,t₁₄,t₁₆,t₁₈,t₂₂,t₂₀,t₂₄,t₂₆的τ函数值为[-40,-20]。

经过推理，得到图5算例所示的时间-概率Petri网的最终状态。

取B1中令牌的rm分量得到以下故障事件链：

(1)B1m=1,CB2=0,CB4=0,CB5=1

(2)L1Ss=1,CB1=1

(3)L2Ss=1,CB3=1

根据事件的因果关系和表1和表2的故障元件的先验概率，分 别计算B1的故障概率。由计算结果可以判断，元件B1发生了故障。 进一步分析可知，在B1引发B1m保护动作后，CB2、CB4发生了拒动， 并引发了远后备保护L1Ss和L2Ss的动作。

通过解耦算法，得到图6所示的解耦结果。

表1元件故障概率表

虽然以上描述了本发明的具体实施方式，但是本领域的技术人 员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员 在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的 细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而 按照实质相同的方法执行实质相同的功能以实现实质相同的结果则 属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。