CN101950327B

CN101950327B - 一种基于故障树信息的设备状态预测方法

Info

Publication number: CN101950327B
Application number: CN2010102779074A
Authority: CN
Inventors: 司书宾; 蔡志强; 孙树栋; 王宁; 兑红炎; 李淑敏; 张丽丽
Original assignee: Northwestern Polytechnical University
Current assignee: Jiangsu Green Leaves Machinery Co ltd; Northwestern Polytechnical University
Priority date: 2010-09-09
Filing date: 2010-09-09
Publication date: 2012-05-23
Anticipated expiration: 2030-09-09
Also published as: CN101950327A

Abstract

本发明公开了一种基于故障树信息的设备状态预测方法，首先搜索故障树模型，将模型中的各事件用不同变量表示，将模型中的逻辑门用变量的结构关系集合表示，依次计算故障预测模型中故障原因变量先验概率分布集合，计算故障预测模型中故障模式变量的条件概率分布和故障传递变量的条件概率分布，将设备实际故障检测现象用故障预测模型中对应的故障检测变量表示，根据故障检测变量结构关系集合中表述的关联关系计算故障预测模型中故障检测变量的条件概率分布，根据现场采集到的故障检测现象实时信息计算设备故障模式后验概率状态分布。本发明能够快速准确的预测设备实时状态、指导对设备的监控及维修，有效提高维修效率、降低维修成本。

Description

一种基于故障树信息的设备状态预测方法

技术领域

本发明属于设备维护保障领域，具体涉及一种设备的状态预测方法。

背景技术

随着设备设计技术、设备制造技术和信息技术的迅猛发展，传统设备逐渐走向集成化、智能化，内部结构和关联性日趋庞大，致使设备系统在其部件的状态分布、部件间的关联关系等方面呈现出极大的复杂性。维修人员难以预测设备的真实状态，经常发生维修不足或维修过剩的情况，给设备维护保障工作带来了巨大的挑战。设备故障预测是一门涉及机械、电子、材料、控制、通信以及计算机技术和人工智能等多学科综合技术。它以当前设备的使用状态为起点，结合已知预测对象的结构特性、参数、环境条件及运行历史记录，对设备未来任务段内可能出现的故障进行预报、分析和判断，确定故障性质、类别、程度、原因及部位，指出故障发展趋势及后果，向用户提出警告，以便在任务之前消除故障，保证任务的顺利完成。

公开号为CN1533948A的中国专利公开了一种发明名称为“对飞机故障的预测报警方法及飞机故障预测报警系统”，该方法包括以下步骤：

1.在飞机可能发生故障的部位设置相应的传感器，利用计算机对进行数据采集分析，并将分析结果与正常标准数据模型进行比较，若异常，启动报警；

2.在报警的同时将采集的数据和比较的结果通过通信网传输到地面飞行指挥中心

3.实现上述方法的飞机故障预测报警系统；

4.设置在地面飞行指挥中的数据接收监控设备。

该方法主要通过传感器采集数据信息，及时将采集的数据通过网络传输到地面的指挥中心，建立了良好的故障报警系统硬件环境。但未对故障预测报警系统的核心问题，即故障预测方法进行分析。而且实际设备结构庞大、影响因素复杂，要想获得准确的预测结果，必须针对实际设备构建符合故障发生规律的预测模型，建立完整有效的故障预测方法。

公开号为CN1553328A的中国专利公开了一种发明名称为“基于故障树分析的系统故障定位方法及装置”，该方法包括以下步骤：

1.通过故障模式影响分析形成故障描述；

2.将故障描述与故障历史数据库结合形成故障模式库，至少包括故障表现和故障原因；

3.在故障模式库的基础上进行故障树分析，补充导致系统故障的多点故障原因；

4.将故障树转换成故障定位树，通过该故障定位树定位系统故障。

该方法提供了一种根据故障模式影响分析和故障历史数据库建立故障树，然后转换成故障定位树并用于故障推理的技术。但是，故障定位树不能处理多个故障原因共同发生时的故障推理任务，也不能同时利用多种检测现象一起预测实际设备状态。

发明内容

为了克服现有技术不能有效进行故障预测的不足，本发明提供一种基于故障树信息的设备状态预测方法，能够快速准确的计算出设备的实时运行状态及可靠性，用于指导设备维修计划的制定已经维修备件的储备。

本发明解决其技术问题所采用的技术方案是：综合利用故障树信息和外部检测现象建立故障预测模型，用于预测设备的实时运行状态。首先，利用现有故障树信息识别出故障模式变量、故障原因变量及各变量间的结构关系；其次，根据变量间结构关系识别出各变量的先验概率分布及条件概率分布；然后，利用检测现象识别出检测变量及其条件概率分布；最终，基于建立的故障预测模型，以检测信息为驱动，利用概率论公式预测设备的实际运行状态。具体步骤如下：

1、确定需要预测的一个设备故障模式，并在故障树中搜索以该故障模式为顶事件的故障树模型F，F中所有事件集合为T＝{T₁，T₂，...，T_i，...，T_n}，其中T_i表示第i个事件，n表示故障树事件总数；故障树具体搜索方式如下：

针对设备故障模式，首先在故障树信息中找到与该模式对应的故障树事件T₁，然后以该事件为顶事件向下搜索那些与顶事件通过逻辑门关联的故障树中间事件，不断向下搜索与中间事件通过逻辑门关联的其它故障树中间事件，直到搜索到故障树底事件为止。其中，底事件是指没有其它故障树事件通过逻辑门与其关联的事件。

2、将集合T中的顶事件用故障预测模型中的故障模式变量M表示，当事件不发生时，对应变量的取值为0，当事件发生时，对应变量的取值为1，且整个模型中只有一个故障模式变量，如式(1)所示；将集合T中的其它中间事件用故障预测模型中的故障传递变量集合D＝{D₁，D₂，...，D_j，...，D_m}表示，如式(2)所示，其中D_j表示第j个中间事件对应的故障传递变量，m表示故障传递变量总数；将集合T中的底事件用故障预测模型中的故障原因变量集合C＝{C₁，C₂，...，C_k，...，C_l}表示，如式(3)所示，其中C_k表示第k个底事件对应的故障原因变量，l表示故障原因变量总数，且1+m+l＝n；

其中j＝1，...，m (2)

其中k＝1，...，l (3)

3、将故障树模型F中表示的逻辑门集合L＝{L₀，L₁，L₂，...，L_j，...，L_m}用故障预测模型中变量的结构关系集合J＝{J₀，J₁，J₂，...，J_j，...，J_m}表示，其中L₀表示顶事件对应的逻辑门，L_j表示第j个中间事件对应的逻辑门，故障树中共有1+m个逻辑门；J₀表示故障模式变量M对应的结构关系，J_j表示第j个传递变量对应的结构关系；在

中，π(D_j)表示影响第j个中间事件状态的故障树事件相对应的变量，(·)表示与第j个逻辑门中逻辑关系相对应的关联关系；根据逻辑门建立变量结构关系的具体方式如下：

故障树模型中的逻辑门主要分为以下四种。其中，与门表示仅当所有子事件都发生时，父事件才发生的情形；或门表示只要有任何一个子事件发生，父事件就会发生；非门表示子事件不发生时，父事件反而发生的逻辑关系；表决门表示表示在r个子事件中需要至少有q个同时发生时，父事件才会发生。

因此，与上述四种逻辑门对应的故障预测模型变量的结构关系识别方法如式(4)所示。

其中j＝0，...，m (4)

其中，

表示π(D_j)中的变量为并联结构关系；

表示π(D_j)中的变量为串联结构关系；用表示π(D_j)中变量与D_j的结构关系，命名为反联结构；用

表示π(D_j)中变量与D_j的结构关系，命名为多连结构，且在r个影响D_j状态的变量中需要至少有q个同时故障时，D_j才会发生故障。

4、根据故障树模型包含的各底事件可靠性函数集合R＝{R₁，R₂，...，R_k，...，R_l}计算故障预测模型中故障原因变量先验概率分布集合P＝{P(C₁＝0)，P(C₂＝0)，...，P(C_k＝0)，...，P(C_l＝0)}，如式(5)所示，其中R_k表示第k个底事件的可靠性函数，P(C_k＝0)表示第k个故障原因变量的状态概率分布，由于最多有l个底事件，可靠性函数及其对应的先验概率分布的总数也是l个；

P(C_k＝0)＝R_k，其中k＝1，...，l (5)

5、根据结构关系集合J＝{J₀，J₁，J₂，...，J_j，...，J_m}中所包含的关联关系，计算故障预测模型中故障模式变量的条件概率分布P(M|π(M))和故障传递变量的条件概率分布CP_D＝{P(D₁|π(D₁))，P(D₂|π(D₂))，...，P(D_j|π(D_j))，...，P(D_m|π(D_m))}，其中P(D_j|π(D_j))表示第j个故障传递变量的条件概率分布，由于最多有m个中间事件，传递变量条件概率分布的总数也是l个；根据结构关系建立变量条件概率分布的具体方式如下：

当变量D_j的结构关系J_j显示π(D_j)中变量为并联结构关系，即

时，D_j的条件概率分布如式(6)所示。

当变量D_j的结构关系J_j显示π(D_j)中变量为串联结构关系，即

时，D_j的条件概率分布如式(7)所示。

当变量D_j的结构关系J_j显示π(D_j)中变量与D_j为反联结构关系，即

时，D_j的条件概率分布如式(8)所示。

当变量D_j的结构关系J_j显示π(D_j)中变量为多联结构关系，即时，D_j的条件概率分布如式(9)所示。

6、将设备实际故障检测现象用故障预测模型中对应的故障检测变量E＝{E₁，E₂，...，E_x，...，E_p}表示，当故障现象不发生时，对应变量的取值为0，当故障现象发生时，对应变量的取值为1，如式(10)所示，其中E_x表示第x个故障检测现象对应的故障检测变量，p表示故障检测变量总数；同时，根据已知的故障检测现象与故障原因的因果关系，按式(11)的方式建立故障检测变量的结构关系集合G＝{G₁，G₂，...，G_x，...，G_p}，其中G_x表示第x个故障检测变量所包含的结构关系，结构关系的总数也为p个；在

中，π(E_x)表示影响第x个故障检测现象状态的故障原因相对应的变量，(·)表示第x个故障检测现象及其对应故障原因间的关联关系；

x＝1，...，p (10)

其中x＝1，...，p (11)

其中，

表示π(E_x)中的变量为并联结构关系；

表示π(E_x)中的变量为串联结构关系。

7、根据故障检测变量结构关系集合G中表述的关联关系，分别按式(6)和式(7)的方式计算故障预测模型中故障检测变量的条件概率分布CP_E＝{P(E₁|π(E₁))，P(E₂|π(E₂))，...，P(E_x|π(E_x))，...，P(E_p|π(E_p))}，其中P(E_x|π(E_x))表示第x个故障检测变量的条件概率分布；

8、根据现场采集到的故障检测现象实时信息e＝{e₁，e₂，...，e_x，...，e_p}，其中e_x表示第x个故障检测现象的实际状态信息，利用故障预测模型推理能力和条件概率分布，基于贝叶斯定理，按照式(12)的方式计算设备故障模式后验概率状态分布P(M＝0|E＝e)。

P(M＝0|E＝e)＝P(M＝0|π(E))×P(π(E)|E＝e) (12)

本发明的有益效果是：由于采用以故障树信息及检测现象为基础，面向设备维护保障，提出了一种可以综合分析故障知识和故障的设备状态预测方法。该方法解决了现有故障预测系统中故障预测模型不完善的问题，同时引入故障检测信息，突出了预测方法的实用性和实时性。该发明能够快速准确的预测设备实时状态、指导对设备的监控及维修，有效提高维修效率、降低维修成本。

下面结合附图和实施例对本发明进一步说明。

附图说明

图1是本发明的流程框图。

图2是说明在实施例中，设备对应的故障树模型图。

具体实施方式

本发明属于设备维护保障领域，具体的说是涉及一种基于故障树信息和检测信息为设备赋予实时状态概率分布信息的状态预测方法。

参照图1，本发明的一种基于故障树信息的设备状态预测方法包括如下步骤：

步骤1，确定需要预测的一个设备故障模式，并故障树中搜索以该故障模式为顶事件的故障树模型F，其具体方式如下：

在本实施例中，以“坦克主离合器踏板过重”为故障模式，基于坦克主离合器踏板故障树信息建立的故障树模型F如图2所示，其包含的事件信息如表1所示。

表1

序号	故障树事件名称	事件标识	事件类型	可靠性参数
					1	坦克主离合器踏板过重	T1	顶事件	无
2	弹簧助力装置故障	T2	中间事件	无
					3	操纵装置不灵活	T3	中间事件	无
4	主离合器本体故障	T4	中间事件	无
					5	装置调整不当	T5	底事件	0.98
6	弹簧力弱	T6	底事件	0.98
					7	拉杆锈死	T7	底事件	0.99
8	拉杆卡滞	T8	底事件	0.99
					9	弹子槽凹坑	T9	底事件	0.98
10	分离轴承损坏	T10	底事件	0.99
					11	液压助力系统故障	T11	底事件	0.99

步骤2，将故障树模型F事件集合T中的所有事件，分别用故障预测模型中的故障模式变量M、故障传递变量集合D和故障原因变量集合C表示，其具体方式如下：

根据图2所示的实施例中故障树模型事件信息，可知其由11个事件T＝{T₁，T₂，T₃，T₄，T₅，T₆，T₇，T₈，T₉，T₁₀，T₁₁}组成。因此，将这11个事件按照其在故障树模型中的位置分别转化成相应的故障预测模型变量，如表2所示。

表2

序号	变量名称	变量标识	对应事件	变量类别	变量取值
						1	主离合器踏板过重	M	T1	故障模式	0，1
2	弹簧助力装置故障	D1	T2	故障传递	0，1
						3	操纵装置不灵活	D2	T3	故障传递	0，1
4	主离合器本体故障	D3	T4	故障传递	0，1
						5	装置调整不当	C1	T5	故障原因	0，1
6	弹簧力弱	C2	T6	故障原因	0，1
						7	拉杆锈死	C3	T7	故障原因	0，1
8	拉杆卡滞	C4	T8	故障原因	0，1
						9	弹子槽凹坑	C5	T9	故障原因	0，1
10	分离轴承损坏	C6	T10	故障原因	0，1
						11	液压助力系统故障	C7	T11	故障原因	0，1
12	检修后发生	E1		故障现象	0，1
						13	缓慢发生	E2		故障现象	0，1
14	突然发生	E3		故障现象	0，1
						15	踏板无力	E4		故障现象	0，1
16	离合器噪音	E5		故障现象	0，1
						17	踏板抖动	E6		故障现象	0，1
18	液压不正常	E7		故障现象	0，1

对于顶事件T₁，建立对应的故障模式变量M，并按照式(1)的方式确定变量可行取值；对于中间事件，分别建立对应的故障传递变量D＝{D₁，D₂，D₃}，并按照式(2)的方式确定变量可行取值；对于底事件，分别为其建立对应的故障原因变量C＝{C₁，C₂，C₃，C₄，C₅，C₆，C₇}，并按照式(3)的方式确定变量可行取值。

步骤3，将故障树模型F中的逻辑门L用故障预测模型变量的结构关系集合J表示，其具体方式如下：

图2所示的实施例故障树模型中一共包含4个逻辑门L＝{L₀，L₁，L₂，L₃}，分别为或门、与门、与门、与门，按照式(4)的方式在故障预测模型中建立对应的结构关系为

J = {J_{0} = J_{M}^{{D_{1}, D_{2}, D_{3}, C_{7}}} (H), J_{1} = J_{D_{1}}^{{C_{1}, C_{2}}} (Y), J_{2} = J_{D_{2}}^{{C_{3}, C_{4}}} (Y), J_{3} = J_{D_{3}}^{{C_{5}, C_{6}}} (Y)} .

步骤4，根据故障树模型中包含的底事件可靠性分布函数R计算故障预测模型中故障原因变量先验概率分布P，其具体方式如下：

根据图2所示的实施例中底事件可靠性参数R＝{R₁(T₅)＝0.98，R₂(T₆)＝0.98，R₃(T₇)＝0.99，R₄(T₈)＝0.99，R₅(T₉)＝0.98，R₆(T₁₀)＝0.99，R₇(T₁₁)＝0.99}，按照式(5)的方式建立与底事件相对应的故障原因变量的先验概率分布集合P＝{P(C₁＝0)＝0.98，P(C₂＝0)＝0.98，P(C₃＝0)＝0.99，P(C₄＝0)＝0.99，P(C₅＝0)＝0.98，

。P(C₆＝0)＝0.99，P(C₇＝0)＝0.99}

步骤5，根据结构关系集合J中所包含的关联关系，分别计算故障预测模型中故障模式变量的条件概率分布P(M|π(M))和故障传递变量的条件概率分布CP_D，其具体方式如下：

根据结构关系集合

可知，π(M)＝{D₁，D₂，D₃，C₇}中的变量均为串联结构关系，直接按式(7)计算故障模式变量M的条件概率分布如式(13)所示。

同时，可知{π(D₁)＝{C₁，C₂}，π(D₂)＝{C₃，C₄}，π(D₃)＝{C₅，C₆}}中的变量均为并联结构关系，直接按式(6)分别计算故障传递变量{D₁，D₂，D₃}的条件概率分布如式(14)、(15)、(16)所示。

最终得到故障传递变量的条件概率分布集合CP_D＝{P(D₁|π(D₁))，P(D₂|π(D₂))，P(D₃|π(D₃))}。

步骤6，将设备实际故障检测现象用故障预测模型中对应的故障检测变量E表示，并根据已知的故障检测现象与故障原因的因果关系建立故障检测变量的结构关系集合G，其具体方式如下：

根据表3所示的实施例故障检测现象信息，可知该设备一共包含7种故障检测现象。因此，为这7种检测现象在实施例故障预测模型中建立对应的故障检测变量E＝{E₁，E₂，E₃，E₄，E₅，E₆，E₇}，并按照式(10)的方式确定检测变量的可行取值，如表2所示。

根据表3所示实施例中故障检测现象与故障原因间的因果关系，按照式(11)的方式确定故障检测变量的结构关系，得到实施例检测变量E中各变量的结构关系集合

G = {G_{1} = G_{E_{1}}^{{C_{1}}} (H), G_{2} = G_{E_{2}}^{{C_{1}, C_{2}}} (H), G_{3} = G_{E_{3}}^{{C_{2}, C_{3}, C_{5}}} (H), G_{4} = G_{E_{4}}^{{C_{4}, C_{6}, C_{7}}} (Y), G_{5} = G_{E_{5}}^{{C_{5}}} (H), G_{6} = G_{E_{6}}^{{C_{6}}} (H), G_{7} = G_{E_{7}}^{{C_{7}}} (H)} .

表3

序号	故障检测现象	故障原因变量1	故障原因变量2	故障原因变量3	因果关系
						1	检修后发生	C1			单一触发
2	缓慢发生	C1	C2		单一触发
						3	突然发生	C2	C3	C5	单一触发
4	踏板无力	C4	C6	C7	共同触发
						5	离合器噪音	C5			单一触发
6	踏板抖动	C6			单一触发
						7	液压不正常	C7			单一触发

步骤7，根据故障检测变量结构关系集合G中表述的关联关系，计算故障预测模型中故障检测变量的条件概率分布CP_E，其具体方式如下：

根据故障检测变量结构关系

可知，{π(E₁)＝{C₁}，π(E₂)＝{C₁，C₂}，π(E₃)＝{C₂，C₃，C₅}，π(E₅)＝{C₅}，π(E₆)＝{C₆}，π(E₇)＝{C₇}}中的变量均为串联结构关系，直接按式(7)分别计算故障检测变量{E₁，E₂，E₃，E₅，E₆，E₇}的条件概率分布如式(17)所示。

根据故障检测变量结构关系

可知，π(E₄)＝{C₄，C₆，C₇}中的变量为并联结构关系，直接按式(6)计算故障检测变量E₄的条件概率分布如式(18)所示。

最终得到故障检测变量的条件概率分布集合CP_E＝{P(E₁|π(E₁))，P(E₂|π(E₂))，P(E₃|π(E₃))，P(E₄|π(E₄))，P(E₅|π(E₅))，P(E₆|π(E₆))，P(E₇|π(E₇))}。

步骤8，根据现场采集到的故障检测现象实时信息e，利用故障预测模型推理能力和条件概率分布，依据贝叶斯定理计算设备故障模式后验概率状态分布P(M＝0|E＝e)，其具体方式如下：

根据式(12)，实施例中P(M＝0|E＝e)可以写作如下形式，如式(19)所示。

P(M＝0|E＝e)＝P(M＝0|D₁，D₂，D₃，C₇)

×P(D₁|C₁，C₂)×P(C₁|E＝e)×P(C₁|E＝e)

×P(D₂|C₃，C₄)×P(C₃|E＝e)×P(C₄|E＝e) (19)

×P(D₃|C₅，C₆)×P(C₅|E＝e)×P(C₆|E＝e)

×P(C₇|E＝e)

再将实施例条件概率分布P(M|π(M))、CP_D＝{P(D₁|π(D₁))，P(D₂|π(D₂))，P(D₃|π(D₃))}、CP_E＝{P(E₁|π(E₁))，P(E₂|π(E₂))，P(E₃|π(E₃))，P(E₄|π(E₄))，P(E₅|π(E₅))，P(E₆|π(E₆))，P(E₇|π(E₇))}和实施例现场采集的故障检测现象信息，如e＝{E₁＝1，E₂＝1，E₃＝1，E₄＝0，E₅＝0，E₆＝0，E₇＝0}，带入式(19)，即可计算设备故障模式后验概率P(M＝0|E＝e)＝0.3256，从而预测设备故障模式状态发生概率。

Claims

1.一种基于故障树信息的设备状态预测方法，其特征在于包括下述步骤：

1)确定需要预测的一个设备故障模式，并在故障树中搜索以该故障模式为顶事件的故障树模型F，F中所有事件集合为T＝{T₁，T₂，...，T_i，...，T_n}，其中T_i表示第i个事件，n表示故障树事件总数；故障树具体搜索方式如下：

针对设备故障模式，首先在故障树信息中找到与该模式对应的故障树事件T₁，然后以该事件为顶事件向下搜索与顶事件通过逻辑门关联的故障树中间事件，不断向下搜索与中间事件通过逻辑门关联的其它故障树中间事件，直到搜索到故障树底事件为止；其中，底事件是指没有其它故障树事件通过逻辑门与其关联的事件；

2)将集合T中的顶事件用故障预测模型中的故障模式变量M表示，当顶事件不发生时，对应变量的取值为0，当顶事件发生时，对应变量的取值为1，且整个模型中只有一个故障模式变量；将集合T中的其它中间事件用故障预测模型中的故障传递变量集合D＝{D₁，D₂，...，D_j，...，D_m}表示，其中D_j表示第j个中间事件对应的故障传递变量，

j＝1，...，m，m表示故障传递变量总数；将集合T中的底事件用故障预测模型中的故障原因变量集合C＝{C₁，C₂，...，C_k，...，C_l}表示，其中C_k表示第k个底事件对应的故障原因变量，

k＝1，...，l，l表示故障原因变量总数，且1+m+l＝n；

3)将故障树模型F中表示的逻辑门集合L＝{L₀，L₁，L₂，...，L_j，...，L_m}用故障预测模型中变量的结构关系集合J＝{J₀，J₁，J₂，...，J_j，...，J_m}表示，其中L₀表示顶事件对应的逻辑门，L_j表示第j个中间事件对应的逻辑门，故障树中共有1+m个逻辑门；J₀表示故障模式变量M对应的结构关系，J_j表示第j个传递变量对应的结构关系；在

其中j＝0，...，m

其中，

表示π(D_j)中的变量为并联结构关系；

表示π(D_j)中的变量为串联结构关系；用

表示π(D_j)中变量与D_j的结构关系，命名为反联结构；用

表示π(D_j)中变量与D_j的结构关系，命名为多连结构，且在r个影响D_j状态的变量中需要至少有q个同时故障时，D_j才会发生故障；

4)根据故障树模型包含的各底事件可靠性函数集合R＝{R₁，R₂，...，R_k，...，R_l}计算故障预测模型中故障原因变量先验概率分布集合P＝{P(C₁＝0)，P(C₂＝0)，...，P(C_k＝0)，...，P(C_l＝0)}，P(C_k＝0)＝R_k，其中k＝1，...，l，其中R_k表示第k个底事件的可靠性函数，P(C_k＝0)表示第k个故障原因变量的状态概率分布；

5)根据结构关系集合J＝{J₀，J₁，J₂，...，J_j，...，J_m}中所包含的关联关系，计算故障预测模型中故障模式变量的条件概率分布P(M|π(M))和故障传递变量的条件概率分布CP_D＝{P(D₁|π(D₁))，P(D₂|π(D₂))，...，P(D_j|π(D_j))，..，P(D_m|π(D_m))}，其中P(D_j|π(D_j))表示第j个故障传递变量的条件概率分布，传递变量条件概率分布的总数也是l个；根据结构关系建立变量条件概率分布的具体方式如下：

当π(D_j)中变量为并联结构关系，

当π(D_j)中变量为串联结构关系，

当π(D_j)中变量与D_j为反联结构关系，

当π(D_j)中变量为多联结构关系，

6)将设备实际故障检测现象用故障预测模型中对应的故障检测变量E＝{E₁，E₂，...，E_x，...，E_p}表示，其中E_x表示第x个故障检测现象对应的故障检测变量，

x＝1，...，p，p表示故障检测变量总数；按

Figure DEST_PATH_RE-FSB00000622515700012

其中x＝1，...，p的方式建立故障检测变量的结构关系集合G＝{G₁，G₂，...，G_x，...，G_p}，其中G_x表示第x个故障检测变量所包含的结构关系，结构关系的总数也为p个；在中，π(E_x)表示影响第x个故障检测现象状态的故障原因相对应的变量，(·)表示第x个故障检测现象及其对应故障原因间的关联关系；

Figure DEST_PATH_RE-FSB00000622515700014

表示π(E_x)中的变量为并联结构关系；

Figure DEST_PATH_RE-FSB00000622515700015

表示π(E_x)中的变量为串联结构关系；

7)根据故障检测变量结构关系集合G中表述的关联关系，分别按π(D_j)中变量为并联结构关系和串联结构关系的方式计算故障预测模型中故障检测变量的条件概率分布CP_E＝{P(E₁|π(E₁))，P(E₂|π(E₂))，...，P(E_x|π(E_x))，...，P(E_p|π(E_p))}，其中P(E_x|π(E_x))表示第x个故障检测变量的条件概率分布；

8)根据现场采集到的故障检测现象实时信息e＝{e₁，e₂，...，e_x，...，e_p}，其中e_x表示第x个故障检测现象的实际状态信息，利用故障预测模型推理能力和条件概率分布，基于贝叶斯定理，计算设备故障模式后验概率状态分布P(M＝0|E＝e)＝P(M＝0|π(E))×P(π(E)|E＝e)。