摘要：随着我国科学技术的快速发展，近年来民用、军用无人机领域均实现了较为长足进步，无人机动力装置的稳定性、可靠性也开始成为业界关注的焦点，相关研究也因此大量涌现，基于此，本文简单分析了基于模糊petri网的无人机动力装置故障诊断，并结合实例开展了详细论述，希望由此能够为相关业内人士带来一定启发。
关键字：模糊petri网；无人机；动力装置；故障诊断
前言：故障树、专家系统、案例学习均属于较为传统的故障诊断方法，但这类方法存在只能对故障进行静态描述、需使用众多不易量化的模糊状态指标等不足，故障诊断的效率、质量因此受到了较为负面的影响，而为了尽可能化解这类不足，正是本文围绕模糊petri网开展相关研究的原因所在。
1.基于模糊petri网的无人机动力装置故障诊断
1.1建立FPN模型
Petri网属于一种描述分布式系统的图论模型，通常为五元组的形式表示，有限库所集、有限非空变迁集、库所与变迁间的有向弧集合、有向弧权重、系统初始标识则属于五元组的具体组成，可分别使用P、T、F、W、M0表示。在模糊petri网的应用中，其能够通过变迁表示系统中事件或行为的变化过程，如果一个变迁t想要被激发，其变迁状态使能可表达为：
其中，t、
分别指给定变迁、输入库所集、输出库所集，激发后的库所的托肯数更新为：
考虑到实际工程应用中的设备状态难以用整数划定，且本文研究的无人机动力装置故障诊断同样拥有这一特性，因此传统的Petri网方法无法完全满足研究需要，因此笔者引入了模糊产生式规则并由此建立了FPN（模糊petri网）模型，由此即可实现相对复杂故障状态的精确划分，无人机动力装置故障的原因、可信度合理推导也将由此实现。在FPN模型的构建中，需基于五元组引入激发阈值、可信度、支持度概念，由此构建六元组的FPN模型，即：
该模型满足系统任意变迁集外延至少含有一个库所、系统起点与终点均由库所组成，且W、D分别作为库所处于特定状态的置信度、变迁的激发阈值。深入分析不难发现，FPN中的每个外延库所、变迁t均代表1条模糊推理规则，如
包含的库所分别代表推理条件与推理结果，
分别表示状态p推理成立的理论支持度、实验检验得出的状态p情况下系统的可信度，由此可得出系统的运行规则，即：
若对于
，则变迁t发生，推理成立，由此系统将产生新的标识
，且有
其中：
由此得出推理结果并更新系统，同时复位推理条件。
在具体的推理过程中，底层库所作为系统推理过程的初始条件，中间库所则同时兼顾上级推理的初始条件、下级推理的结果，顶层库所代表最终结果[1]。
1.2 FPN故障诊断机制
为代替广泛应用于无人机动力装置故障诊断领域的故障树分析方法，需要将系统故障作为顶层库所，并由此找出底层库所、中间库所，故障模式、故障现象构成的推理规则将为故障间的逻辑关系表示提供支持，具体的关系表示则需要使用库所和变迁的不同连接方式，故障状态的定量描述也将由此实现。图1为FPN模糊产生规则，FPN故障诊断推理算法的基本要素则包括底层库所集IP、可达库所集RS、目标库所集合OP、立即可达库所集IRS、相邻库所集AP，具体步骤可概括为：“基于顶层故障选定目标库所→基于IRS表推导故障现象规则集→从大到小（推理规则可信度）依次选取规则→结合现地检测实际→确定可信度→对比可信度与推理规则激发阀值→可信度大于阀值→变迁激活→重新更新IRS表→得出故障原因”[2]。
图 1 FPN模糊产生规则
基于模糊petri网的无人机动力装置故障诊断实例分析
2.1故障描述
作为飞行器设备检修作业的重点环节，动力装置检修具备检测难度大、影响因素多、部件复杂等特点，因此本文选择了某型侦查校射无人机装备作为研究对象，该型号无人机采用定距螺旋桨结构、四缸二冲程活塞式发动机，点火系统、供油系统、发动机本体、螺旋桨属于其动力装置主要构成，由此即可建立该型号无人机动力装置故障树，故障树由点火系统故障、供油系统故障、发动机本体故障、螺旋桨故障四部分组成，以其中的点火系统故障为例，其可以细分为提前点火角异常、火花塞异常，前者还能够继续细分为提前点火角过大、提前点火角过小，后者则能够细分为激发电压不足、火花塞堵塞。
2.2建立FPN模型
基于无人机动力装置故障树并结合petri网原理，即可开展FPN模型的建立，由此确定了表1所示的故障模式库所编号，结合相关经验、动力装置结构设计可靠性分析，可得出FPN模型的模糊产生式规则，其中顶层规则为：
子系统的模糊产生式规则包含一条R1规则，即：
以此类推即可得出其余模糊产生规则。
表 1 故障模式库所编号
结合上述分析、计算，即可得出图2所示的无人机动力装置FPN故障诊断模型，
图 2 无人机动力装置FPN故障诊断模型
2.3故障诊断
结合上文研究，即可进行具体的无人机动力装置故障诊断，由目标库所出发进行无人机动力装置故障起始库所的反向推理，即可最终完成故障原因的查找，其中无人机动力装置故障诊断的底层库所包括P1、P2、P3、P4、P5、P6、P7、P8、P9、P10、P13、P14、P15、P18、P20，目标库所为P25，由此即可得出各库所集的查询表，该表将为故障诊断的开展提供有力支持。结合上文提到的故障诊断流程，可确定研究对象无人机动力装置存在活塞环卡死、活塞槽积碳故障，基于模糊petri网的无人机动力装置故障诊断成功。值得注意的是，如出现遍历系统所有路径无法找到故障原因的问题，必须开展的新的故障模式学习，由此完善故障诊断知识库即可进一步提升基于模糊petri网的无人机动力装置故障诊断实用性，这同样需要得到业内人士的重点关注。
结论
综上所述，基于模糊petri网的无人机动力装置故障诊断具备较强的实践应用价值，在此基础上，本文基于实例开展的故障描述、建立FPN模型、故障诊断等论述，则提供了可行性较高的无人机动力装置故障诊断路径，而为了进一步提高诊断质量，现地检测与理论推导的结合必须得到重点关注。
参考文献
[1]白展,苗世洪,孙雁斌.计及时间约束的改进模糊Petri网故障诊断模型[J].电工技术学报,2016,31(23):107-115.
[2]谢敏,吴亚雄,闫圆圆,诸言涵.基于改进动态自适应模糊Petri网与BP算法的电网故障诊断[J].中国电机工程学报,2015,35(12):3008 -3017.
论文作者:薛骅淳,沈滨,孙嫱
论文发表刊物:《电力设备》2018年第16期
论文发表时间:2018/10/1
标签：机动力论文; 故障诊断论文; 故障论文; 装置论文; 模糊论文; 规则论文; 模型论文; 《电力设备》2018年第16期论文;