一种液体火箭发动机启动阶段的Petri网量子贝叶斯故障诊断方法

摘要

本发明公开了一种液体火箭发动机启动阶段的Petri网量子贝叶斯故障诊断方法，该方法通过引入量子干涉，使得量子贝叶斯网络可以极大地影响概率推断，特别是当网络的不确定性水平非常高时(没有观察到证据)。通过建立关于不可观故障变迁的量子贝叶斯网络模型，利用可观节点触发关系和不可观节点的触发概率，手动选择量子参数计算故障节点触发概率，判断系统故障状态。本方法能够针对部分可观的离散动态系统进行故障诊断，其优点是能够对不可观的部分也进行准确的故障诊断。

说明书

技术领域

本发明涉及离散动态系统系统故障诊断领域，尤其涉及一种液体火箭发动机启动阶段的Petri网量子贝叶斯故障诊断方法。

背景技术

推力器故障约占航天器、卫星姿态和轨道控制系统故障的四分之一，推力器故障会极大地改变整个航天器的行为，甚至可能导致整个任务的失败。因此，异常组件行为必须及早检测。航天器的故障检测和诊断往往依赖硬件和传感器冗余，但由于重量和成本等限制，给航天器加传感器并不总是成功的。

为克服观测信息不全的问题，同时满足实时性要求，诊断系统一般采用基于定性模型的诊断方法，Petri网最早应用于故障识别与诊断，应用在电力系统、通信系统等。

目前现有的故障诊断技术是Petri网，其最早应用于故障识别与诊断，应用在电力系统、通信系统等。通过运用一种基于增量算法，从当前可能状态及其概率的集合出发，利用概率模型提出了一种评估未来故障概率的方法。而部分可观随机Petri网，计算与给定的时间观测序列相一致的时间和非时间标记轨迹的概率，根据故障概率进行诊断。

本发明创造提出一种液体火箭发动机启动阶段的Petri网量子贝叶斯故障诊断方法，由于量子干涉的引入，量子贝叶斯网络可以极大地影响概率推断，特别是当网络的不确定性水平非常高时(没有观察到证据)。通过建立关于不可观故障变迁的量子贝叶斯网络模型，利用可观节点触发关系和不可观节点的触发概率，手动选择量子参数计算故障节点触发概率，判断系统故障状态。

发明内容

有鉴于此，本发明的目的在于提供一种液体火箭发动机启动阶段的Petri网量子贝叶斯故障诊断方法，本发明能够大大提升液体火箭发动机启动阶段故障诊断过程中的效率以及对故障诊断的准确性。

为实现上述的目的，本发明提供一种液体火箭发动机启动阶段的Petri网量子贝叶斯故障诊断方法，其特征在于，包括如下步骤：

步骤S1、根据液体火箭发动机启动阶段的工作状态建立液体火箭发动机启动阶段的Petri网模型；

步骤S2、构建Petri网模型的SCG图，遍历SCG图中满足可观变迁触发序列的路径，并且判断是否包含故障变迁，估计液体火箭发动机的故障状态；

步骤S3、建立QBPN模型，通过QBPN模型估计液体火箭发动机的故障概率。

进一步的，所述步骤3具体包括：

步骤S301、根据前向路径中的可观变迁触发状态计算故障变迁触发概率；

步骤S302、利用QB函数根据后向路径可观变迁触发状态修正故障变迁触发概率；

步骤S303、取所有故障变迁中最大触发概率作为液体火箭发动机的故障概率。

本发明的有益效果是：

本发明能够针对部分可观的离散动态系统进行故障诊断，其优点是能够对不可观的部分也进行准确的故障诊断。因为引入了量子干涉，故通过建立关于不可观故障变迁的量子贝叶斯网络模型，利用可观节点触发关系和不可观节点的触发概率，手动选择量子参数计算故障节点触发概率，就能判断系统故障状态。

附图说明

图1是实施例1中液体火箭发动机启动阶段工作过程中各关键节点的Petri网模型。

图2是实施例1中故障变迁t

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在正式说明本发明实施例之前，有两点需要提前说明，第一本发明是对于液体火箭发动机启动阶段的可能出现的故障进行预测，液体火箭发动机启动阶段工作原理为高压氦气通入推进剂储箱挤压推进剂进入下游燃烧室混合点火产生推力，电磁阀未打开或燃料加注阀故障，则说明液体火箭发动机在启动阶段发生了故障。

第二，介绍与本发明相关的两种算法，第一种算法是：

1、基于SCG的状态估计算法

输入：POPN模型及可能故障变迁

输出：系统的故障状

步骤1、初始化根节点C

步骤2、当存在一个标记node(C

步骤3、用标记为E的节点构建SCG图；

步骤4、令所有满足S(σ

步骤5、遍历i＝1,…,r，如果

其中，

在该算法中，步骤1，步骤2，步骤3为构建SCG图的过程，步骤4为遍历所有满足可观变迁序列σ

2、基于QBPN模型的故障诊断算法

输入：POPN模型、量子贝叶斯概率表ψ和可能故障变迁

输出：系统故障概率

步骤1、初始化

步骤2、遍历

步骤3、如果

步骤4、遍历t

步骤5、遍历

其中，变迁t

在该算法中：步骤1，步骤2，步骤3和步骤4为在POPN模型基础上构建QBPN模型的过程，其中步骤2为根据故障变迁所在序列分别向前向后构建含有故障变迁的关系网络，步骤3为删除没有发生权的变迁，步骤4为给定变迁触发的量子概率幅值，并计算故障变迁的先验概率，步骤5为根据后向路径可观变迁触发状态修正故障变迁触发概率。

QBPN模型诊断系统故障状态，首先根据前向路径中可观变迁触发状态计算故障变迁触发概率，再利用QB函数根据后向路径可观变迁触发状态修正故障变迁触发概率。

最后，取所有故障变迁中最大触发概率作为系统故障概率。

实施例1

图1以液体火箭发动机启动阶段工作过程中关键节点为库所，关键动作为变迁建立Petri网模型，模拟液体火箭发动机启动阶段，各库所、变迁含义如表1、表2所示。

表1、各库所物理含义

表2、各变迁物理含义、可观测性

参见图1，若电磁阀(变迁t

本实施例提出一种液体火箭发动机启动阶段的Petri网量子贝叶斯故障诊断方法，包括如下步骤：

步骤S1、根据液体火箭发动机启动阶段的工作状态建立液体火箭发动机启动阶段的Petri网模型；

步骤S2、构建Petri网模型的SCG图，遍历SCG图中满足可观变迁触发序列的路径，并且判断是否包含故障变迁，估计液体火箭发动机的故障状态；

步骤S3、建立QBPN模型，通过QBPN模型诊断液体火箭发动机的故障状态；

具体的说，所述步骤3具体包括：

步骤S301、根据前向路径中的可观变迁触发状态计算故障变迁触发概率；

前项路径指的是所求概率的点之前所经过的路径，在本实施例中，例如图2中t

步骤S302、利用QB函数根据后向路径可观变迁触发状态修正故障变迁触发概率；

后向路径指的是所求概率的点之后经过的路径，在本实施例中，例如图2中某点到可观节点12、14、15的路径。

所述修正具体指的是因为已知条件改变，所以修正后验概率，在本实施例中，例如已经算出图2中t

步骤S303、取所有故障变迁中最大触发概率作为液体火箭发动机的故障概率。

更具体的说，在本实施中步骤2的具体流程为本发明具体实施方式中提出的基于SCG的状态估计算法。

根据图1，第一次试验观测到的序列为μ

第二次试验观测序列为μ

根据基于SCG的状态估计算法，试验诊断出系统故障状态都为可能故障，可能故障变迁为t

然后利用基于QBPN模型的故障诊断算法估计系统故障概率，首先利用算法分别构建故障变迁t

在液体火箭发动机启动阶段的部分可观Petri网模型中，给定故障变迁，向前向后搜索其所有路径中的变迁和库所，直到出现可观测变迁为止。对于故障变迁t

为了在QBPN模型中使用量子贝叶斯推理计算系统故障概率，需获得变迁的量子条件概率表及可观变迁触发状态，这些信息体现了故障过程的不确定性和量子干涉效应。

本发明基于POPN的液体火箭发动机启动阶段故障诊断中，仿真实验结果为可能故障，需要利用基于QBPN模型的故障诊断算法确定系统故障概率。

表3、基于QBPN模型的故障诊断算法的诊断结果

表3是基于QBPN模型的故障诊断算法的诊断结果，试验中，待诊断故障变迁为t

需要指出的是，以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化和替换，都应涵盖在本发明的保护范围内。因此，本发明的保护范围应以权利要求的保护范围为准。