CN101814114B - 一种利用模型转换进行故障诊断的方法 - Google Patents
一种利用模型转换进行故障诊断的方法 Download PDFInfo
- Publication number
- CN101814114B CN101814114B CN2010100339597A CN201010033959A CN101814114B CN 101814114 B CN101814114 B CN 101814114B CN 2010100339597 A CN2010100339597 A CN 2010100339597A CN 201010033959 A CN201010033959 A CN 201010033959A CN 101814114 B CN101814114 B CN 101814114B
- Authority
- CN
- China
- Prior art keywords
- bayesian network
- node
- fault
- network node
- tabulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种利用模型转换进行故障诊断的方法。该方法可以在保证数据完备的同时,利用自定义的数据结构,将故障模式影响分析模型的相关信息,经过处理后转化成相对应的贝叶斯网络模型;将故障树分析模型中故障树的基本事件、逻辑门与中间事件分别转换为贝叶斯网络中的结点,并设置贝叶斯网络中对应的条件概率表。通过转化后的贝叶斯网络模型进行故障诊断。本发明的方法扩大了贝叶斯网络模型在故障诊断中的使用;提高了故障诊断模型在实际应用中的诊断准确性,并保证模型转换的通用性,可以实现不同故障模式影响分析、故障树分析结果与生成的贝叶斯网络的跨工具转换。
Description
技术领域
本发明属于故障诊断分析技术领域,涉及一种故障诊断模型间的转换方法,尤其是应用故障诊断模型间的转换进行故障诊断的方法。
背景技术
不确定性问题是设备故障诊断需要解决的关键技术之一,尤其是大型复杂的设备,其构件之间与构件内部都存在很多错综复杂、关系耦合的相互关系,不确定因素及不确定信息充斥其间,其故障可能是多故障、关联故障等复杂形式。贝叶斯网络能集成使用定性信息与定量信息,可以充分利用验前信息和试验信息,可以在不完备数据集情况下实现对系统故障完整的概率描述。此外,贝叶斯网络具有描述事件多态性和故障逻辑关系非确定性的能力,非常适合于描述复杂系统的故障与征兆之间的多对多的关系和不确定性关系,因而成为故障诊断领域研究的热点。
贝叶斯网络要在故障诊断领域获得广泛应用,首先要解决其建造问题。目前,建造贝叶斯网络有两种途径:一是由领域专家确定;二是从数据集中抽取,即贝叶斯网络结构学习。从数据集中确定网络拓扑结构,建造网络是一个NP难题。因此,贝叶斯网络的建造,是其在故障诊断领域中应用的“瓶颈”。由文献《贝叶斯网络理论及其在设备故障诊断中的应用》(李俭川等,《中国机械工程》2003年第14卷第10期),贝叶斯网络应用于故障诊断,当故障征兆出现时,网络根据节点之间的因果关系(条件相关)和概率值可以推理得出各种故障原因发生的概率,从而得到诊断理论。
发明内容
本发明为了克服现有用于故障诊断领域中的贝叶斯网络的建造困难的问题,扩大贝叶斯网络在故障诊断领域中的使用,提出一种利用模型转换进行故障诊断的方法,该方法可以在保证数据完备的同时,利用自定义的数据结构,将故障模式影响分析模型(FMEA模型)、故障树分析模型(FTA模型)转换为贝叶斯网络模型,并利用转化后的贝叶斯网络模型进行故障诊断。
所述的故障模式影响分析模型自定义数据结构包括故障模式影响分析表和故障模式影响分析项,每个故障模式影响分析表包含数条故障模式影响分析项,每条故障模式影响分析项由编号、故障原因、故障模式、故障影响、故障原因发生的故障概率信息组成。故障模式影响分析项的编号与故障模式影响分析表中的编号对应。
所述的故障树分析模型的自定义数据结构包括故障树、故障结点和事件,每个故障树包含一个顶结点,其类型为故障结点类型;每个故障结点中包含一个事件。每个故障结点中有结点类型、结点编号、子结点数目、该故障结点的父结点列表、子结点列表、右结点、左结点、事件信息,故障结点的类型包括基本事件、中间事件、开关事件、逻辑与门、逻辑或门、逻辑异或门、逻辑顺序与门、逻辑禁门,事件信息包含事件类型、事件概率、事件编号与事件说明信息。
贝叶斯网络模型自定义数据结构包括贝叶斯网络和贝叶斯网络结点,其中贝叶斯网络数据结构包含结点的编号,每一个贝叶斯网络结点的信息有结点编号、结点名称、结点状态、结点先验概率、父结点列表、子结点列表、条件概率表、与故障树逻辑门对应的逻辑门类型,一个贝叶斯网络中包含数个贝叶斯网络结点。
使用故障模式影响分析模型进行模型转换,需要从故障模式影响分析模型自定义数据结构中提取故障原因、故障模式、故障影响三个因素,将这三个因素转换为贝叶斯网络自定义数据结构,同时,根据故障模式影响分析模型中故障原因结点的故障概率,设定为贝叶斯网络自定义数据结构中对应的故障原因结点的先验概率。
使用故障树模型进行模型转换,将故障树中的基本事件表示成贝叶斯网络中的父结点,基本事件中的概率表示为对应贝叶斯网络中结点的先验概率,将故障树中的中间事件整理表达为贝叶斯网络中包含条件概率表的结点,同时根据故障树中事件的关系设定贝叶斯网络中结点的关系。
本发明的优点在于:
1、扩大贝叶斯网络模型在故障诊断中的使用。在现有的故障诊断模型进行故障诊断的领域,均可以使用转换后的贝叶斯网络模型,不受单独建立贝叶斯网络复杂性的影响。
2、提高故障诊断模型在实际应用中的诊断准确性。通过多种故障诊断模型的分析及转换,从不同方面对故障进行诊断分析,可以更清楚地认识问题。
3、保证模型转换的通用性。通过设定的通用的故障诊断模型,可以实现不同故障模式影响分析、故障树分析结果与生成的贝叶斯网络的跨工具转换。
附图说明
图1FMEA模型转换为贝叶斯网络模型流程图;
图2FTA模型转换为贝叶斯网络模型流程图;
图3FMEA自定义数据结构示意图;
图4FTA自定义数据结构示意图;
图5贝叶斯网络自定义数据结构示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
为了便于本领域普通技术人员理解和实施本发明,下面结合附图对本发明作进一步详细、深入地描述,应当理解,此处所描述的实施例仅用于说明和解释本发明,并不用于限定本发明。
图1描述了故障模式影响分析模型(FMEA模型)转化为贝叶斯网络模型的详细过程,具体步骤为:
(1)将FMEA数据需要转化为自定义的FMEA数据结构,同时,建立贝叶斯网络(BN)结点列表,此时不包含结点数据。FMEA数据中,每条数据均包括故障原因、故障模式与故障影响信息,选取一条FMEA数据作为备选,若包含故障原因概率,则可以当做其先验概率来使用。
(2)将FMEA数据中的故障原因信息,表示为BN结点结构,判断该故障原因BN结点是否在BN结点列表中,如果不在,则执行(3);如果该BN结点已经存在于列表中,则执行(4);
(3)将故障原因BN结点加入BN结点列表中;
(4)将读取的该条FMEA数据中的故障模式信息表示为贝叶斯网络结点结构。
(5)将故障原因BN结点设置为故障模式BN结点的父结点。判断该故障模式BN结点是否在BN结点列表中,如果不在,则转到(6);如果在,则判断故障原因BN结点,是否在故障模式BN结点的父结点列表中。如果不在父结点列表中,则执行(7);若该故障原因BN结点存在于故障模式BN结点的父结点列表中,则执行(8);
(6)将故障模式BN结点加入BN结点列表中;
(7)将该故障原因BN结点加入故障模式BN结点的父结点列表;
(8)将该条FMEA数据中的故障影响信息表示为贝叶斯网络结点结构。
(9)将已经设置好父结点的故障模式BN结点设置为故障影响BN结点的父结点。判断该故障影响BN结点是否在BN结点列表中,如果不在,则转到(10);如果在,则进一步判断故障模式BN结点,是否在故障影响BN结点的父结点列表中。如果不在父结点列表中,则执行(11);若该故障模式BN结点存在于故障影响BN结点的父结点列表中,则执行(12);
(10)将该故障影响BN结点加入BN结点列表;
(11)将该故障模式BN结点加入故障影响BN结点父结点列表,执行(12)。
(12)判断FMEA数据中是否仍包含数据未读取。当仍包含数据时,则转到步骤(2),进行循环操作。如果不包含未读数据,则操作结束。
图2为故障树分析模型(FTA)转换为贝叶斯网络模型的详细过程。具体步骤如下:
(1)FTA数据转换为自定义的FTA数据结构。同时,建立贝叶斯网络结点的列表,此时列表中不包含结点数据。
(2)读取FTA数据项,如果该FTA数据项为基本事件,则转到(3)进行操作,如果不是基本事件项,则转到(4)。
(3)将该FTA数据项的信息表示为BN结点结构,之后,判断,该BN结点是否在BN结点列表中,如果不在,则将该BN结点添加到BN结点列表,之后执行(8)。如果在,则转到(8);
(4)判断该FTA数据项是否为中间结点。如果不是,则转到(8);如果是中间结点,则将该FTA项的信息表示为BN结点结构,之后执行(5);
(5)判断该FTA项的子项是否为逻辑门。如果不是,则执行(6);如果该FTA项的子项是逻辑门,则执行(7)
(6)判断由该FTA项生成的BN结点是否在BN结点列表中,如果不在,则将该BN结点加入BN结点列表中,然后执行(8);如果在,则直接执行(8)。
(7)将逻辑门的子项添加到由步骤(4)生成的BN结点的子结点列表中,并且根据逻辑门类型,设定该BN结点的条件概率表,转到(8)。
(8)检查FTA数据中是否仍包含未读取的数据。当仍包含数据时,则转到(2),进行循环操作。如果不包含未读数据,则结束操作。
图3所示的是自定义的FMEA数据结构,包括故障模式影响分析项M01和故障模式影响分析表M02。一个故障模式影响分析表M02包含数条故障模式影响分析项M01,故障模式影响分析项M01包括编号、故障原因、故障模式、故障影响及故障概率,故障模式影响分析表M02包括编号。故障模式影响分析项M01与故障模式影响分析表M02中的编号相对应。
图4所示的是故障树分析模型的自定义数据结构示意图,该自定义数据结构包括故障树M03、故障结点M04和事件M05。故障树M03包含一个顶结点,其类型为故障结点类型。故障结点M04表示故障树M03中顶结点的结构,包括结点类型、编号、子结点数目、该故障结点的父结点列表(故障结点类型),子结点列表(故障结点类型),右结点(故障结点类型)、左结点(故障结点类型)、事件信息(事件类型)。所述的结点类型包括基本事件、逻辑或门、逻辑异或门、中间事件、开关事件、逻辑顺序与门、逻辑禁门、逻辑与门。
事件M05中包含类型,概率、编号和说明。
图5所示的是自定义的贝叶斯网络数据结构,该结构包括贝叶斯网络M07和贝叶斯网络结点M06。所述的贝叶斯网络结点M06包括名称、状态、先验概率、父结点列表(贝叶斯网络结点类型)、子结点列表(贝叶斯网络结点类型)、条件概率表,与故障树逻辑门对应的逻辑门类型及结点编号。所述的贝叶斯网络M07的网络数据结构,包括贝叶斯网络结点编号,该结点编号与贝叶斯结点M06中的结点编号相对应。每个贝叶斯网络M07包含若干个贝叶斯网络结点M06。
Claims (1)
1.一种利用模型转换进行故障诊断的方法,其特征在于:将故障模式影响分析模型、故障树分析模型与贝叶斯网络模型均自定义数据结构,将故障模式影响分析模型与故障树分析模型分别转换生成相对应的贝叶斯网络模型,利用贝叶斯网络模型进行故障诊断;
所述的故障模式影响分析模型自定义数据结构包括故障模式影响分析表和故障模式影响分析项,一个故障模式影响分析表包含数条故障模式影响分析项,每条故障模式影响分析项由编号、故障原因、故障模式、故障影响、故障原因发生的故障概率信息组成;故障模式影响分析项的编号与故障模式影响分析表中的编号对应;所述的故障树分析模型自定义数据结构包括故障树、故障结点和故障事件,所述的故障树的数据结构包含一个顶结点,该顶结点为故障结点类型,故障结点包括结点类型、结点编号、子结点数目、该故障结点的父结点列表、子结点列表、右结点、左结点、事件信息;所述的结点类型包括基本事件、中间事件、开关事件、逻辑与门、逻辑或门、逻辑异或门、逻辑顺序与门、逻辑禁门;所述的故障树分析模型自定义数据结构包括的故障事件的信息包含事件类型、事件概率、事件编号与事件说明信息;
贝叶斯网络模型自定义数据结构包括贝叶斯网络和贝叶斯网络结点,其中贝叶斯网络数据结构包含结点的编号,每一个贝叶斯网络结点的信息有结点编号、结点名称、状态、先验概率、父结点列表、子结点列表、条件概率表、与故障树逻辑门对应的逻辑门类型,一个贝叶斯网络中包含数个贝叶斯网络结点;
故障模式影响分析模型转换为贝叶斯网络模型具体为:
I、将故障模式影响分析模型数据转化为自定义的故障模式影响分析模型数据结构,同时,建立贝叶斯网络结点的列表,此时不包含结点数据;故障模式影响分析模型数据中,每条数据均包括故障原因、故障模式与故障影响信息,选取一条故障模式影响分析模型数据作为备选,若包含故障原因概率,则当做其先验概率来使用;
II、将故障模式影响分析模型数据中的故障原因信息,表示为贝叶斯网络结点结构,判断该故障原因贝叶斯网络结点是否在贝叶斯网络结点列表中,如果不在,则执行III;如果该贝叶斯网络结点已经存在于列表中,则执行IV;
III、将故障原因贝叶斯网络结点加入贝叶斯网络结点列表中;
IV、将读取的故障模式影响分析模型数据中的故障模式信息表示为贝叶斯网络结点结构;
V、将故障原因贝叶斯网络结点设置为故障模式贝叶斯网络结点的父结点;判断该故障模式贝叶斯网络结点是否在贝叶斯网络结点列表中,如果不在,则转到VI;如果在,则判断故障原因贝叶斯网络结点,是否在故障模式贝叶斯网络结点的父结点列表中,如果不在父结点列表中,则执行VII;若该故障原因贝叶斯网络结点存在于故障模式贝叶斯网络结点的父结点列表中,则执行VIII;
VI、将故障模式贝叶斯网络结点加入贝叶斯网络结点列表中,执行VIII;
VII、将该故障原因贝叶斯网络结点加入故障模式贝叶斯网络结点的父结点列表;
VIII、将故障模式影响分析模型数据中的故障影响信息表示为贝叶斯网络结点结构;
IX、将已经设置好父结点的故障模式贝叶斯网络结点设置为故障影响贝叶斯网络结点的父结点,判断该故障影响贝叶斯网络结点是否在贝叶斯网络结点列表中,如果不在,则转到X;如果在,则进一步判断故障模式贝叶斯网络结点,是否在故障影响贝叶斯网络结点的父结点列表中,如果不在父结点列表中,则执行XI;若该故障模式贝叶斯网络结点存在于故障影响贝叶斯网络结点的父结点列表中,则执行XII;
X、将该故障影响贝叶斯网络结点加入贝叶斯网络结点列表,执行XII;
XI、将该故障模式贝叶斯网络结点加入故障影响贝叶斯网络结点父结点列表,执行XII;
XII、判断故障模式影响分析模型数据中是否仍包含数据未读取;当仍包含数据时,则转到步骤II,进行循环操作;如果不包含未读数据,则操作结束;
故障树分析模型转换为贝叶斯网络模型具体过程为:
①故障树分析模块数据转换为自定义的故障树分析模块数据结构;同时,建立贝叶斯网络结点的列表,此时列表中不包含结点数据;
②读取故障树分析模块数据项,如果该故障树分析模块数据项为基本事件,则转到③进行操作,如果不是基本事件,则转到④;
③将该故障树分析模块数据项的信息表示为贝叶斯网络结点结构,之后,判断,该贝叶斯网络结点是否在贝叶斯网络结点列表中,如果不在,则将该贝叶斯网络结点添加到贝叶斯网络结点列表,之后执行⑧;如果在,则转到⑧;
④判断该故障树分析模块数据项是否为中间结点;如果不是,则转到⑧;如果是中间结点,则将该故障树分析模块项的信息表示为贝叶斯网络结点结构,之后执行⑤;
⑤判断该故障树分析模块项的子项是否为逻辑门;如果不是,则执行⑥;如果该故障树分析模块项的子项是逻辑门,则执行⑦;
⑥判断由该故障树分析模块项生成的贝叶斯网络结点是否在贝叶斯网络结点列表中,如果不在,则将该贝叶斯网络结点加入贝叶斯网络结点列表中;如果在,则直接执行⑧;
⑦将逻辑门的子项添加到由步骤④生成的贝叶斯网络结点的子结点列表中,并且根据逻辑门类型,设定该贝叶斯网络结点的条件概率表,转到⑧;
⑧检查故障树分析模块数据中是否仍包含未读取的数据;当仍包含数据时,则转到②,进行循环操作;如果不包含未读数据,则结束操作;
利用贝叶斯网络模型进行故障诊断,当故障征兆出现时,网络根据节点之间的因果关系和概率值推理得出各种故障原因发生的概率,从而得到诊断理论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100339597A CN101814114B (zh) | 2010-01-07 | 2010-01-07 | 一种利用模型转换进行故障诊断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100339597A CN101814114B (zh) | 2010-01-07 | 2010-01-07 | 一种利用模型转换进行故障诊断的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101814114A CN101814114A (zh) | 2010-08-25 |
CN101814114B true CN101814114B (zh) | 2012-03-21 |
Family
ID=42621366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010100339597A Active CN101814114B (zh) | 2010-01-07 | 2010-01-07 | 一种利用模型转换进行故障诊断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101814114B (zh) |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819239B (zh) * | 2011-06-08 | 2014-09-17 | 同济大学 | 一种数控机床智能故障诊断方法 |
EP2770388A4 (en) * | 2011-10-19 | 2015-11-25 | Jatco Ltd | AUXILIARY DEVICE FOR CREATING FT DIAGRAMS AND HELP PROCESSES FOR CREATING FT DIAGRAMS |
CN102521657B (zh) * | 2011-11-14 | 2014-07-23 | 浙江大学 | 基于模糊事故树羰基化生产醋酐合成反应釜爆炸分析方法 |
CN103207859B (zh) * | 2012-01-11 | 2016-07-06 | 北京四维图新科技股份有限公司 | 整合数据库的方法和装置 |
CN102802182B (zh) * | 2012-08-09 | 2015-08-26 | 无锡赛睿科技有限公司 | 一种无线传感器网络故障诊断装置及方法 |
CN103792932A (zh) * | 2012-11-01 | 2014-05-14 | 中国科学院软件研究所 | 一种基于eca规则的故障检测方法 |
CN103048133B (zh) * | 2012-12-03 | 2014-12-24 | 陕西科技大学 | 一种基于贝叶斯网络的滚动轴承故障诊断方法 |
CN103268273B (zh) * | 2013-05-24 | 2015-05-06 | 北京航空航天大学 | 一种功能解析和机理分析的故障判据确定方法 |
CN103441869A (zh) * | 2013-08-19 | 2013-12-11 | 广东电网公司电力调度控制中心 | 电力系统隐患主机识别方法及装置 |
CN103810383A (zh) * | 2014-01-27 | 2014-05-21 | 中国航天标准化研究所 | 一种运载火箭单点故障模式的识别与分析方法 |
CN104182617B (zh) * | 2014-07-30 | 2017-04-12 | 电子科技大学 | 基于内禀波形匹配的端点效应抑制方法 |
CN104267668B (zh) * | 2014-09-02 | 2017-05-10 | 上海交通大学 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
CN105005697B (zh) * | 2015-07-16 | 2017-08-25 | 西安电子科技大学 | 一种对修复有时间约束的系统动态故障树分析方法 |
CN106202655B (zh) * | 2016-06-29 | 2019-08-09 | 山东中创软件商用中间件股份有限公司 | 一种分析模型创建方法和系统 |
CN106250631B (zh) * | 2016-08-03 | 2019-03-08 | 中国科学院西安光学精密机械研究所 | 一种基于故障-测试相关矩阵的故障诊断方法 |
CN106529581B (zh) * | 2016-10-24 | 2019-08-20 | 杭州电子科技大学 | 一种基于贝叶斯网络的桥式起重机故障诊断方法 |
CN106401597B (zh) * | 2016-10-27 | 2018-07-24 | 华中科技大学 | 一种适用于盾构机的失效预测与诊断控制方法 |
CN106980921B (zh) * | 2017-03-02 | 2021-01-26 | 上海歌略软件科技有限公司 | 一种自定义风险分析方法 |
CN108733725B (zh) * | 2017-04-24 | 2022-03-25 | 西门子(中国)有限公司 | 目标系统的网络语义模型的建立方法及系统 |
CN107045584B (zh) * | 2017-05-11 | 2020-08-25 | 河海大学 | 一种适用于水泵转子系统的工频振动异常故障诊断方法 |
CN107463486B (zh) * | 2017-07-05 | 2020-09-18 | 东软集团股份有限公司 | 系统性能分析方法、装置及服务器 |
CN107590506B (zh) * | 2017-08-17 | 2018-06-15 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
CN109559583B (zh) * | 2017-09-27 | 2022-04-05 | 华为技术有限公司 | 故障模拟方法及其装置 |
CN107748701B (zh) * | 2017-10-16 | 2021-04-27 | 云南电网有限责任公司电力科学研究院 | 一种电能计量自动化系统的可靠性分析方法 |
CN107944562B (zh) * | 2017-10-17 | 2019-07-05 | 北京清睿智能科技有限公司 | 一种扩展的处理不确定因果关系类信息的智能系统的构造方法 |
CN108846411A (zh) * | 2018-05-03 | 2018-11-20 | 武汉理工大学 | 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法 |
CN108664400B (zh) * | 2018-05-11 | 2020-08-04 | 北京航空航天大学 | 一种基于相依贝叶斯网络的故障诊断技术的构建方法 |
CN109186971B (zh) * | 2018-08-06 | 2020-05-05 | 江苏大学 | 基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法 |
CN109613851B (zh) * | 2018-11-07 | 2020-07-21 | 北京航空航天大学 | 一种基于多阶组合的网络化在线监控方法 |
CN109523786A (zh) * | 2018-11-30 | 2019-03-26 | 哈尔滨工业大学 | 一种高速公路交通事故成因分析方法 |
CN113557533B (zh) * | 2019-03-14 | 2023-10-24 | Abb瑞士股份有限公司 | 检测智能电子设备中的故障的方法 |
CN110147956A (zh) * | 2019-05-21 | 2019-08-20 | 重庆科技学院 | 一种井喷事故风险分析方法 |
CN110223416B (zh) * | 2019-05-27 | 2021-05-14 | 深圳市德塔防爆电动汽车有限公司 | 一种电动车辆的原始数据分析方法以及电动车辆 |
CN111125965B (zh) * | 2019-12-30 | 2023-04-21 | 华北理工大学 | 一种致灾因素条件下应急调控装备可靠性评估方法及系统 |
CN111240871B (zh) * | 2019-12-30 | 2023-07-18 | 潍柴动力股份有限公司 | 发动机故障报出方法及装置 |
CN111122199A (zh) * | 2019-12-31 | 2020-05-08 | 新奥数能科技有限公司 | 一种锅炉故障诊断方法及装置 |
CN111624986A (zh) * | 2020-06-17 | 2020-09-04 | 国网山东省电力公司莱芜供电公司 | 基于案例库的故障诊断方法和系统 |
CN112463642B (zh) * | 2020-12-16 | 2021-08-03 | 北京京航计算通讯研究所 | 一种基于故障模式的软件设计缺陷核查方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101170447A (zh) * | 2007-11-22 | 2008-04-30 | 北京邮电大学 | 基于主动探针的服务故障诊断系统及其方法 |
CN101507185A (zh) * | 2006-06-30 | 2009-08-12 | 意大利电信股份公司 | 使用贝叶斯网络的电信网络中的故障定位 |
-
2010
- 2010-01-07 CN CN2010100339597A patent/CN101814114B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101507185A (zh) * | 2006-06-30 | 2009-08-12 | 意大利电信股份公司 | 使用贝叶斯网络的电信网络中的故障定位 |
CN101170447A (zh) * | 2007-11-22 | 2008-04-30 | 北京邮电大学 | 基于主动探针的服务故障诊断系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101814114A (zh) | 2010-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101814114B (zh) | 一种利用模型转换进行故障诊断的方法 | |
Zhou et al. | Control of nondeterministic discrete-event systems for bisimulation equivalence | |
CN106250631B (zh) | 一种基于故障-测试相关矩阵的故障诊断方法 | |
Takai et al. | Distributed failure prognosis of discrete event systems with bounded-delay communications | |
CN102043122B (zh) | 一种改进扫描链单元及基于该单元的非并发测试方法 | |
WO2015143750A1 (zh) | 一种高速铁路列车运行控制车载系统故障逻辑建模方法 | |
CN107844641A (zh) | 一种基于故障机理树和故障树相结合的可靠性建模方法 | |
CN109241583B (zh) | 基于马尔科夫的人机交互系统可靠度求解方法 | |
CN102930081A (zh) | 一种基于相关性模型的机内测试设计方法 | |
CN109597752A (zh) | 基于复杂网络模型的故障传播路径仿真方法 | |
CN109214140A (zh) | 基于AltaRica的航电系统动态重构建模方法 | |
Ostroff | A visual toolset for the design of real-time discrete-event systems | |
CN103336198B (zh) | 一种电气系统故障诊断装置 | |
Mahmud et al. | Compositional synthesis of temporal fault trees from state machines | |
CN106339553B (zh) | 一种空间飞行器的重构飞行控制方法及系统 | |
Huang et al. | Reliability analysis of electrical system of computer numerical control machine tool based on bayesian networks | |
CN104715095A (zh) | 一种图形化时钟质量检测分析的方法 | |
Liu et al. | PetriBaR: A MATLAB toolbox for Petri nets implementing basis reachability approaches | |
Kausch et al. | Montibelle-toolbox for a model-based development and verification of distributed critical systems for compliance with functional safety | |
CN106354930B (zh) | 一种空间飞行器的自适应重构方法及系统 | |
Zhu et al. | Reliability and safety assessment with AltaRica for complex aircraft systems | |
Lee et al. | Fault tree construction of hybrid system requirements using qualitative formal method | |
Cui et al. | Unifying modeling and simulation based on uml timing diagram and uppaal | |
Zhao et al. | Treemerge: Efficient generation of minimal hitting-sets for conflict sets in tree structure for model-based fault diagnosis | |
Mahmud et al. | Automatic generation of temporal fault trees from AADL models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |