CN102146845B - Petri网图形化方法及在船用燃气轮机故障诊断上的应用 - Google Patents

Abstract

Petri网图形化方法，它包括如下步骤：一是用故障Petri网生成算法把故障数据从数据库中读出并以此构造故障Petri网，完成坐标的自动生成并显示在界面上；二是读取图形显示的故障Petri网上的数据并存入数据库，实现故障信息和诊断信息的存储。它克服了现有的故障诊断系统大都是以简单的文字模式进行故障管理和诊断，也不具备自我学习的功能的缺点。本发明应用图形化故障诊断技术能够帮助维修人员提早发现异常，及时定位故障原因。防止突发性大事故，延长设备的服役期限和使用寿命，节省经费。本发明还同时公开了Petri网图形化方法了在船用燃气轮机故障诊断上的应用。

Description

Petri网图形化方法及在船用燃气轮机故障诊断上的应用

技术领域

本发明属于船用燃气轮机故障诊断技术领域，更具体地说它是一种Petri网图形化方法，本发明还涉及Petri网图形化方法在船用燃气轮机故障诊断上的应用。

背景技术

燃气轮机设备复杂，主机各部件、各附属分系统通过热力机械关系紧密地耦合在一起，出现故障后，故障的因果关系非常复杂，故障的判断、分析、排除难度大；在出现故障后，难以准确地分析并及时地排除。

传统的诊断技术已经不能满足需要，快速、精确的故障诊断成为必然发展趋势。过去需要几天乃至更长时间才能完成的故障诊断任务，现在必须压缩到几小时甚至数分钟内，因此对燃气轮机故障诊断的精度要求明显提高。即使受过良好专业训练的技术保障人员，也难以准确及时地判断故障原因或确定最佳的修理方案，常常需要花费相当长的时间对受损装备反复进行分析、检测，最后才能“确诊”。应用燃气轮机故障诊断系统，维修人员可以得到辅助指导，快速准确地完成故障诊断，加快受损装备的维修过程，以满足时效性要求。

目前的故障诊断技术主要采用基于信号处理、小波变换、故障树、神经网络、贝叶斯网络、专家系统和Petri网等技术进行故障诊断。

1.基于信号处理的方法：实时性好，但不能很好的处理潜在故障，一般多用于故障检测；

2.基于小波变换的方法：应用较广，先对信号进行多级小波分解，得到各子带数据。通过对小波变换系数模极大值的检测来实现对信号奇异性的检测，从而确定故障发生的时间；

3.基于专家系统的方法：通过获取大量的专家诊断知识，利用专家的推理方法，解决故障诊断领域的问题。其缺点是知识获取困难、知识库更新能力差、领域知识之间的矛盾难于处理、逻辑表达和处理能力局限性大；

4.基于神经网络的方法：以故障特征信号作为神经网络输入，诊断结果作为神经网络输出；然后通过对已有故障信息的离线训练，使神经网络通过权值记忆故障征兆与诊断结果的对应关系；最后在当新的故障出现时把故障征兆加入到输入端可开始诊断。其缺点是必须要有故障信息的大容量样本，而且其学习时间过长；

5.基于故障树分析法的方法：故障树分析法通过对可能造成系统失效的各种因素进行分析，从而确定系统失效原因的各种可能组合方式或其发生概率，将系统故障形成原因按树枝状逐级细化，将其逻辑关系用与、或等逻辑符号表示出来，自上而下逐级分解，直到不能分解的底事件，形成故障树。故障树诊断方法直观、形象，能够实现快速的诊断。缺点是不能诊断不可预知的故障；诊断结果严重依赖于故障树信息的正确性和完整性。

但是，目前文献([1]何晓霞，沈玉娣.连续小波变换在滚动轴承故障诊断中的应用[J].机械科学与技术，2001，20(4)：571-572.[2]徐金梧，徐科.小波变换在滚动轴承故障诊断中的应用[J].机械工程学报，1997，33(4)：50-55.[3]Peter W，PENG Yong hong，RichardYam.Wavelet Analysis and Envelope Detection for RollingElement Bearing Fault Diagnosis-Their Effectiveness andFlexibilities(小波分析和包络检波在滚动轴承故障诊断中的效果和适应性研究)[J].Journal of Vibration and Acoustics，2001，123(3)：303-311.[4]LIN Jing，ZOU Ming J.Gearbox Fault Diagnosisusing Adaptive Wavelet Filter(基于自适应小波滤波的齿轮箱故障诊断)[J].Mechanical Systems and Signal Processing，2003，17(6)：1259-1269.[5]Duan G R，Patton R J.Robust Fault Detectionin Linear Systems using Luenberger Observer s(基于Luenberger测量器的线性系统的精确故障诊断)[J].UKACC InternationalConference on Control，1998，455(2)：1468-1473.[6]Brumback B，Srinath M.A Chi-Squre Test for Fault-Detection in KalmanFilters(基于卡尔曼滤波器故障诊断的χ²测试)[J].AutomaticControl，IEEE Transactions，1987，32(6)：552-554.[7]Girgis AA，Makram E B.Application of Adaptive Kalman Filtering in FaultCalssification，Distance Protection，and Fault Location usingMicroproce-sensors(自适应卡尔曼滤波器在故障分类、距离保护和故障定位中的应用)[J].Power Systems，IEEE Transactions，1988，3(1)：301-309.[8]Kobayashi A，Simon D L.Application ofa Bank of Kalman Filters for Aircraft Engine Fault Diagnosis(多层卡尔曼滤波器在发动机故障诊断中的应用)[R].Atlanta：National Aeronautics and Space Administration，2003.[9]何勇，李增芳.智能化故障诊断技术的研究与应用[J].浙江大学学报，2003，29(2)：119-124.[10]徐似春，肖德云.一种新的基于参数估计的故障诊断方法[J].控制理论与应用，2001，18(4)：493-497.[11]蒋瑞，陈循，杨雪.智能故障诊断研究与发展[J].信息技术，2002，21(2)：12-15.[12]杨榛，顾幸生.智能故障诊断技术及应用的研究[J].贵州大学学报(自然科学版)，2007，24(2)：161-165.[13]苏羽，赵海，苏威积等.基于模糊专家系统评估诊断方法[J].东北大学学报，2004，25(7)：653-656.[14]吴今培，肖健华.智能故障诊断与专家系统[M].北京：科学出版社，1997.[15]Thierry D.ANeural Network Classifier Based on Dempster Shafer Theory(基于Dempster Shafer理论的人工神经网络分类)[J].IEEETransactions on System Man and Cybernetics，2000，10(2)：131-150.[16]李佳，礼宾，王梦卿.基于神经网络的齿轮故障诊断专家系统[J].机械传动，2007，31(5)：81-85.[17]HE Ying gang，ZHUWeng ji.Fault Diagnosis of Nonlinear Analog Circuits UsingNeural Networks and Multi-Space Transformations(神经网络和多维空间转换法的非线性模拟电路故障诊断)[J].Lecture Notes inComputer Science，2009，5553：714-723.[18]何怡刚，芦湘冬，刘美容.基于神经网络数据融合方法的模拟电路故障诊断[J].湖南大学学报(自然科学版)，2005，32(4)：47-52.[19]BurgesC.Atutorial on Support Vectormachines for Pattern Recognition(支持向量机在模式识别中的应用)[J].DataMining and KnowledgeDiscovery，1998，2(2)：121-167.[20]肖健华.应用于故障诊断的SVM理论研究[J].排雷、测试与诊断，2001，21(4)：12-16.[21]王华忠，张雪申，俞金寿.基于支持向量故障诊断方法[J].华东理工大学学报，2004，30(2)：179-182.[22]何学文，赵海鸣.支持向量机及其在机械故障诊断中的应用[J].中南大学学报(自然科学版)，2005，(2)：66-70.[23]罗颖锋，曾进.基于支持向量机的燃气轮机故障诊断[J].热能动力工程，2004，(19)：354-357.[24]胡寿松，王源.基于支持向量机的非线性系统故障诊断[J].控制与决策，2001，16(5)：617-621.[25]YUAN Sheng fa，CHU Fu lei.Support VectorMachines-Based Fault Diagnosis for Turbo-Pump Rotor(基于支持向量机的涡喷转子故障诊断)[J].Machanical Systems and SignalProcessing，2006，20(4)：939-952.[26]GE Ming，DU Rui，ZHANGGui cai.Fault Diagnosis using Support Vector Machine with anApplication in Sheet Metal Stamping Operations(基于支持向量机的金属片冲压操作的故障诊断)[J].Machanical Systems andSignal Processing，2004，18(1)：143-159.[27]CHIANG Leo H，Kotanchek M E，Kordon K.Fault Diagnosis Based on FisherDiscriminant Analysis and Support Vector Machines(基于费希尔判别分析和支持向量机的故障诊断)[J].Computers&ChemicalEngineering，2004，28(18)：1389-1401.[28]翟大鹏，贾玉秦.基于故障树分析法的数控机床故障诊断系统[J].现代制造工程，2007，(10)：108-110.[29]周正.基于故障树的机车故障诊断专家系统的研究[J].中国水运，2008，8(7)：138-139.[30]赵亮培.基于故障树分析的液压系统故障诊断研究[J].起重运输机械，2009(1)：98-100.[31]邓洪志，陈大庆，刘波.基于故障树分析和XML的网络故障诊断技术[J].厦门大学学报(自然科学版)，2007，46(2)：205-208.[32]侯安华，秦红磊.基于故障树和规则的故障诊断专家系统[J].微计算机信息，2008，24(7-1)：191-193.[33]朱大奇，于盛林.基于故障树最小割集的故障诊断方法研究[J].数据采集与处理，2002，17(3)：341-344.)设计的故障诊断技术的人机交互性、时效性、可视化不强。

船用燃气轮机作为一个高科技的动力装置，相对于其它类型的动力装置而言，其技术含量比较高，同时，故障维修的难度也很高。如何实施快速维修，使故障装备能在短时间内恢复性能。对于船舶装备维修，故障原因定位即故障诊断是关键，通过长期的故障资料积累和维修人员维修经验的不断增长，故障诊断的效率在不断地提高，但是故障资料多是以纸张形式保存，保存和查阅都非常不方便，同时维修人员的经验水平的参差不齐也影响了故障诊断的效率。已有的一些故障诊断系统大都是以简单的文字模式进行故障管理和诊断，也不具备自我学习的功能，因此一个可以自我学习并具有图形交互功能的图形化故障诊断系统就显得尤为重要。

发明内容

本发明的目的在于克服上述现有背景技术的不足之处，而提供一种Petri网图形化方法。

本发明的另一目的在于提供Petri网图形化方法在船用燃气轮机故障诊断上的应用。

本发明的目的是通过如下措施来达到的：Petri网图形化方法，其特征在于它包括如下步骤：一是用故障Petri网生成算法把故障数据从数据库中读出并以此构造故障Petri网，完成坐标的自动生成并显示在界面上；二是读取图形显示的故障Petri网上的数据并存入数据库，实现故障信息和诊断信息的存储。

在上述技术方案中，所述故障Petri网生成算法是有故障节点对象和故障关系连线对象构成的一个组合模型，包含故障信息、故障之间的关系及对象坐标信息；故障Petri网在数据库中用多个表来存储其结构和数据的，故障关系表存储故障Petri网结构和故障关系信息，故障信息表存储故障信息，为此故障Petri网生成算法首先按照在故障关系表中的结构信息，从故障信息表和故障关系表读取数据按先序方式依次生成故障节点和故障关系构造初步的故障Petri网；

在上述技术方案中，所述故障Petri网生成算法中还包括一个坐标自动生成算法来对故障Petri网进行坐标生成；坐标自动算法计算故障节点坐标，故障关系坐标根据故障节点自动调整，分两步：①纵坐标生成，故障Petri网的根节点都位于界面的顶端，先确定根节点坐标；设立一个纵坐标边界线，一开始位于界面顶端；其次用先序遍历方式处理故障Petri网；正在处理的故障节点按距离边界线固定值的方式确定坐标，自动调整与该节点相连故障关系的一端的纵坐标，并将边界线移到该故障节点的下边界；②横坐标生成，是从左边的故障节点开始生成；兄弟故障节点之间相隔一定的间距；故障节点若有子故障节点则根据子故障节点居中；实施步骤是先设立一个横坐标边界线，待处理的故障节点不能位于该边界线左侧；其次按后序遍历方式处理故障Petri网；正在处理的故障节点如果没有子故障节点则按距离边界线固定值的方式确定坐标，并将边界线移到该故障节点的右边界；如果有子故障节点则按子故障节点坐标居中处理，如果其右边界的横坐标比其最右子故障节点的右边界横坐标大则把边界线移到该故障节点的右边界，否则边界线移到其最右子故障节点的右边界。自动调整与该节点相连故障关系的一端的横坐标。

在上述技术方案中，所述故障Petri网数据存储算法是对某个故障节点进行操作可能引起其它故障节点或故障关系的数据的修改；在故障诊断中一个故障节点故障原因的确定，引起了该故障节点、故障原因、故障关系的发生次数、发生时间数据的改变；在故障管理中删除一个故障节点其子故障节点均会被删除；这些改变需保存到数据库中，系统采用先序遍历方式依次处理；只需改变单个故障节点或故障关系的情况，系统通过读取故障Petri网相关故障节点或故障关系的数据，根据其编号进行记录的修改。

在上述技术方案中，基于所述Petri网的故障诊断是针对故障周期不固定、故障的可能原因多、各故障原因的可信度不确定的特点，使用了扩展模糊时间Petri网模型的概念，用基于该模型设计的故障诊断算法实现故障诊断功能。

在上述技术方案中，基于所述基于扩展模糊时间Petri网模型的故障诊断算法，首先通过故障名称或现象的模糊查询确定故障现象在故障Petri网中的实际节点；其次根据故障之间关系的可信度高低、故障周期长短、发生次数多少等信息进行一次自动排查，给出初步排查结果；然后通过与维修人员交互，确认或排除故障原因，同并根据需要决定是否再次进行自动排查，以再次查找可能的故障原因并继续进行交互排查；最后给出排查结果和维修帮助并把此次诊断过程存入数据库，同时根据规则决定是否自动调整可信度和故障周期。

在上述技术方案中，所述可信度调整算法和故障周期调整算法中可信度是指一个故障引发另一故障的可信程度，在本系统中等同于概率；本系统设定当一个故障在上一次调整后的发生次数是其故障原因数目两倍的情况下进行调整，用故障原因发生次数与故障发生次数相除得到新的可信度；故障周期是指故障的平均周期，根据故障的发生时间按平均分布处理；设定当在上一次自动调整后，每发生一次故障后就进行自动调整，并把周期的单位转化成天数保存。

Petri网图形化方法，其特征在于在船用燃气轮机故障诊断上的应用。

本发明克服了现有的诊断技术在故障管理和故障诊断时都是采用文字模式，使用时不直观、不方便的缺点，应用图形化故障诊断技术能够帮助维修人员提早发现异常，及时定位故障原因。防止突发性大事故，延长设备的服役期限和使用寿命，节省经费。

附图说明

图1为本发明中图形模块工作流程图。

图2为本发明中Petri网图形化方法故障维护软件界面图。

具体实施方式

下面结合附图详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明本发明的优点将变得更加清楚和容易理解。

参阅图1、图2可知：以故障维护为例来说明图形化功能的实现。故障维护的功能提供对燃气轮机故障Petri网的管理功能，包括添加、删除、修改功能，故障的详细描述、维修帮助、故障周期及可信度等均在这里进行管理。

通过故障图中的“选择”按钮可以查看和编辑故障信息；“故障”按钮可以增加故障信息；“连接线”可以连接到所关联的故障树；“排列所有图形”可以将各个故障在故障树的逻辑联系排列成系统故障树。

故障管理、故障诊断的图形化的目的是直观地显示故障结构，方便地进行故障管理和故障诊断，是故障管理、故障排查、故障浏览模块与数据库交互的中间平台，工作流程见图1，要求图形模块具有：(1)准确显示故障Petri网；(2)实现数据库与故障Petri网之间的数据快速转换。

本发明开发了一个图形化模块。该模块通过一个数据转换模型，一是用故障Petri网生成算法把故障数据从数据库中读出并以此构造故障Petri网，完成坐标的自动生成并显示在界面上。二是读取图形显示的故障Petri网上的数据并存入数据库，实现故障信息和诊断信息的存储。

(1)故障Petri网生成算法

故障Petri网是一个图形对象集合，是有故障节点对象和故障关系连线对象构成的一个复杂的组合模型，包含故障信息、故障之间的关系及对象坐标等信息。故障Petri网在数据库中用多个表来存储其结构和数据的，故障关系表存储故障Petri网结构和故障关系信息，故障信息表存储故障信息，为此故障Petri网生成算法首先按照在故障关系表中的结构信息，从故障信息表和故障关系表读取数据按先序方式依次生成故障节点和故障关系构造初步的故障Petri网。其次由于故障Petri网的结构可能非常庞大，而系统界面又是有限的，因此有时可能只需显示部分故障Petri网，故在数据库中保存坐标信息是不合适的。针对这种情况，在故障Petri网生成算法中设计了一个坐标自动生成算法来对故障Petri网进行坐标生成。坐标自动算法计算故障节点坐标，故障关系坐标根据故障节点自动调整，分两步：

①纵坐标生成

一般故障Petri网的根节点都位于界面的最顶端，故需先确定根节点坐标。首先设立一个纵坐标边界线，待处理的故障节点不能高于该边界线，一开始位于界面顶端。其次用先序遍历方式处理故障Petri网。正在处理的故障节点按距离边界线固定值的方式确定坐标，自动调整与该节点相连故障关系的一端的纵坐标，并将边界线移到该故障节点的下边界。

②横坐标生成

思路是从最左边的故障节点开始生成；兄弟故障节点之间相隔一定的间距；故障节点若有子故障节点则根据子故障节点居中。因此步骤是首先设立一个横坐标边界线，待处理的故障节点不能位于该边界线左侧。其次按后序遍历方式处理故障Petri网。正在处理的故障节点如果没有子故障节点则按距离边界线固定值的方式确定坐标，并将边界线移到该故障节点的右边界；如果有子故障节点则按子故障节点坐标居中处理，如果其右边界的横坐标比其最右子故障节点的右边界横坐标大则把边界线移到该故障节点的右边界，否则边界线移到其最右子故障节点的右边界。自动调整与该节点相连故障关系的一端的横坐标。

(2)故障Petri网数据存储算法

故障Petri网是一个网状结构，对某个故障节点进行操作可能引起其它故障节点或故障关系的数据的修改。比如在故障诊断中一个故障节点故障原因的确定，引起了该故障节点、故障原因、故障关系等的发生次数、发生时间等数据的改变；在故障管理中删除一个故障节点其子故障节点均会被删除。这些改变需保存到数据库中，对于这种情况，系统采用先序遍历方式依次处理。对于其他只需改变单个故障节点或故障关系的情况，系统通过读取故障Petri网相关故障节点或故障关系的数据，根据其编号进行记录的修改。

图形模块是故障管理、排查、浏览等模块与数据库交互的中间平台，通过该模型可以让使用人员直观、简便的使用本软件，完成故障管理、故障排查、故障浏览等操作。

3.基于扩展模糊时间Petri网的故障自动排查和交互排查

为了提高故障诊断软件故障诊断的准确性和诊断效率，针对故障周期不固定、故障的可能原因多、各故障原因的可信度不确定等特点，使用了扩展模糊时间Petri网模型的概念，用基于该模型设计的故障诊断算法实现故障诊断功能。

基于扩展模糊时间Petri网模型的故障诊断算法，首先通过故障名称或现象的模糊查询确定故障现象在故障Petri网中的实际节点；其次根据故障之间关系的可信度高低、故障周期长短、发生次数多少等信息进行一次自动排查，给出初步排查结果；然后通过与维修人员交互，确认或排除故障原因，同并根据需要决定是否再次进行自动排查，以再次查找可能的故障原因并继续进行交互排查；最后给出排查结果和维修帮助并把此次诊断过程存入数据库，同时根据规则决定是否自动调整可信度和故障周期。

这种诊断算法不但提高了故障诊断的准确性和诊断效率，同时由于把时间因素考虑在内还一定程度上解决了故障原因漏判的问题，使故障诊断更加合理。

4.参数调整算法

在故障诊断中涉及了两种参数调整算法，一是可信度调整算法，二是故障周期调整算法。这两种算法分别对故障关系的可信度和故障节点的故障周期作适时调整。

(1)可信度调整算法

可信度是指一个故障引发另一故障的可信程度，在本系统中等同于概率。由于最初这种可信度是由专家给定的，可能跟实际情况存在一定变差，需要在发生一定的故障次数后进行修正。本系统设定当一个故障在上一次调整后的发生次数是其故障原因数目两倍的情况下进行调整，用故障原因发生次数与故障发生次数相除得到新的可信度。

(2)故障周期调整算法

这里的故障周期是指故障的平均周期，根据故障的发生时间按平均分布处理。设定当在上一次自动调整后，每发生一次故障后就进行自动调整，并把周期的单位转化成天数保存。

Claims (5)

1.Petri网图形化方法，它包括如下步骤：一是用故障Petri网生成算法把故障数据从数据库中读出并以此构造故障Petri网，完成坐标的自动生成并显示在界面上；二是读取图形显示的故障Petri网上的数据并存入数据库，实现故障信息和诊断信息的存储；

所述故障Petri网生成算法是有故障节点对象和故障关系连线对象构成的一个组合模型，包含故障信息、故障之间的关系及对象坐标信息；故障Petri网在数据库中用多个表来存储其结构和数据的，故障关系表存储故障Petri网结构和故障关系信息，故障信息表存储故障信息，为此故障Petri网生成算法首先按照在故障关系表中的结构信息，从故障信息表和故障关系表读取数据按先序方式依次生成故障节点和故障关系构造初步的故障Petri网；

其特征在于所述故障Petri网生成算法中还包括一个坐标自动生成算法来对故障Petri网进行坐标生成；坐标自动算法计算故障节点坐标，故障关系坐标根据故障节点自动调整，分两步：①纵坐标生成，故障Petri网的根节点都位于界面的顶端，先确定根节点坐标；设立一个纵坐标边界线，一开始位于界面顶端；其次用先序遍历方式处理故障Petri网；正在处理的故障节点按距离边界线固定值的方式确定坐标，自动调整与该节点相连故障关系的一端的纵坐标，并将边界线移到该故障节点的下边界；②横坐标生成，是从左边的故障节点开始生成；兄弟故障节点之间相隔一定的间距；故障节点若有子故障节点则根据子故障节点居中；实施步骤是先设立一个横坐标边界线，待处理的故障节点不能位于该边界线左侧；其次按后序遍历方式处理故障Petri网；正在处理的故障节点如果没有子故障节点则按距离边界线固定值的方式确定坐标，并将边界线移到该故障节点的右边界；如果有子故障节点则按子故障节点坐标居中处理，如果其右边界的横坐标比其最右子故障节点的右边界横坐标大则把边界线移到该故障节点的右边界，否则边界线移到其最右子故障节点的右边界。自动调整与该节点相连故障关系的一端的横坐标。

2.根据权利要求1所述的Petri网图形化方法，其特征在于所述故障Petri网数据存储算法是对某个故障节点进行操作可能引起其它故障节点或故障关系的数据的修改；在故障诊断中一个故障节点故障原因的确定，引起了该故障节点、故障原因、故障关系的发生次数、发生时间数据的改变；在故障管理中删除一个故障节点其子故障节点均会被删除；这些改变需保存到数据库中，系统采用先序遍历方式依次处理；只需改变单个故障节点或故障关系的情况，系统通过读取故障Petri网相关故障节点或故障关系的数据，根据其编号进行记录的修改。

3.根据权利要求1所述的Petri网图形化方法，其特征在于基于所述Petri网的故障诊断是针对故障周期不固定、故障的可能原因多、各故障原因的可信度不确定的特点，使用了扩展模糊时间Petri网模型的概念，用基于该模型设计的故障诊断算法实现故障诊断功能。

4.根据权利要求3所述的Petri网图形化方法，其特征在于基于所述基于扩展模糊时间Petri网模型的故障诊断算法，首先通过故障名称或现象的模糊查询确定故障现象在故障Petri网中的实际节点；其次根据故障之间关系的可信度高低、故障周期长短、发生次数多少等信息进行一次自动排查，给出初步排查结果；然后通过与维修人员交互，确认或排除故障原因，同并根据需要决定是否再次进行自动排查，以再次查找可能的故障原因并继续进行交互排查；最后给出排查结果和维修帮助并把此次诊断过程存入数据库，同时根据规则决定是否自动调整可信度和故障周期。

5.根据权利要求4所述的Petri网图形化方法，其特征在于所述可信度调整算法和故障周期调整算法中可信度是指一个故障引发另一故障的可信程度，在本系统中等同于概率；本系统设定当一个故障在上一次调整后的发生次数是其故障原因数目两倍的情况下进行调整，用故障原因发生次数与故障发生次数相除得到新的可信度；故障周期是指故障的平均周期，根据故障的发生时间按平均分布处理；设定当在上一次自动调整后，每发生一次故障后就进行自动调整，并把周期的单位转化成天数保存。

Images