CN102496028B - 一种复杂装备的事后维修故障分析方法 - Google Patents

Abstract

本发明公开了一种复杂装备事后维修的故障分析方法，具体包括(1)根据对象或可视程度对故障的进行分类，将故障分为不同的类别(2)构建知识库，包括构建规则库和历史库，(3)根据故障现象进行分析方法的配置(4)生成“故障链”和“故障图”(5)根据划分的诊断对象，利用故障分析算法分别进行故障分析(6)多种故障分析算法的原因融合。本发明的故障分析方法能够适合不同的故障情形，并通过故障现象和配置情况从规则库中构建“故障链”，多条故障链可构成复合故障的“故障图”；再根据配置情况，不同故障现象集用不同分析方法分别诊断分析，得到相应的故障原因及其概率，为重大装备的事后诊断提供解决方案。

Description

一种复杂装备的事后维修故障分析方法

技术领域

本发明属于设备故障诊断与维修领域，具体涉及一种针对复杂装备事后维修场合的故障分析方法，它可以组织复杂的故障知识，进行故障的原因分析，为现场维修提供决策。

背景技术

重大复杂装备展现了日益重要的作用，其故障停机将严重影响企业的生产效率，给企业带来巨大损失。因此，状态监测、故障诊断、可靠性分析、寿命预测、预防性维修等相关技术已成为复杂装备的研究热点。然而，由于高采集精度的要求与恶劣的工作环境、密集的数据集成要求与低信息化程度、高成本与低见效等诸多矛盾，这些基于实时传感器数据的智能诊断与预测方法在实际应用中鲜有成效，这导致了装备不可避免的突发故障，而目前现场的故障诊断几乎是通过人工经验判断，设备停机时间长、诊断效果差。因此，构建故障维护信息平台发展设备的事后维修故障分析方法是实时监控诊断技术实现前的必然过渡。

事后维修场合的故障诊断技术少有人研究，故障树分析(FTA)和失效模式与影响分析(FEMA)是其中经典的分析方法，然而重大装备一般是集机、电、液于一体的高度复杂设备，其故障受本身设计、装配、环境和操作等多方面的影响，故障间的关系错综复杂，FTA或FMEA方式已无法将其故障知识完全表达，而在故障分析方面，FMEA侧重故障模式及其危害度等的描述难以用于诊断推理，而FTA侧重薄弱环节研究且用于诊断时受故障树准确性的影响较大。

发明内容

本发明的目的在于提供一种针对复杂装备事后维修场合的故障分析方法，可以为重大装备的事后诊断提供解决方案。

实现本发明的目的所采用的具体技术方案如下：

一种复杂装备事后维修的故障分析方法，具体包括如下步骤：

(1)根据对象或可视程度对故障的进行分类，将故障分为不同的类别；

(2)构建知识库，包括构建规则库和历史库，具体为：

(2.1)构建规则库：

首先，定义“规则体”为一个故障与对应的原因故障及其CF_i值构成的向量空间，CF_i值表示故障由该原因引起的概率，i＝(1，2，...，n)，n为规则体的原因数，

其次，通过规则体的映射就可以表达复杂装备故障之间的多对多关联关系，即形成规则库；

(2.2)构建历史库：历史库保存复杂装备的故障维修历史记录，一条历史记录称为一个案例，具体为：

案例＝(案例号，故障时刻，现象集，原因集，维修集)

(3)根据故障现象进行分析方法的配置

(3.1)根据多故障现象的特点划分“诊断对象”；

(3.2)根据上述诊断对象的故障现象之间的子集关系确定配置树的父子节点，一个诊断对象对应一个配置树节点，依次插入树中，形成“配置树”；

(4)生成“故障链”和“故障图”

(4.1)生成故障链：根据知识库中的规则体，找出每个故障现象对应的原因故障，接着找这些原因故障对应的子原因故障，用节点表示原因故障，用有向边表示原因故障之间的规则体映射关系，有向边的权重为规则体的各原因概率值，如此循环，最终形成了每个故障现象的“故障链”；

(4.2)故障链“累积概率”计算

故障链上各节点的“累积概率”表示故障现象由该节点代表的原因故障引起的概率值，征兆故障的累积概率设为1。从征兆故障出发沿着故障链逐个计算各原因故障的累积概率，假设一原因故障的累积概率为CF_i，且该原因故障的规则体关联到原因故障j的概率为CF_ij，则原因故障j的累积概率CF_j计算公式如下，

接着，沿着故障链方向，根据CF_j可计算出原因故障j的子原因故障的累积概率。

(4.3)根据诊断对象构建“故障图”，对任一诊断对象，将其对应的故障链的重合原因故障合并，累积概率相加，即构成该诊断对象的“故障图”；

(5)根据划分的诊断对象，利用多个故障分析算法分别进行故障分析；

(6)多种故障分析算法的原因融合

(6.1)：根据所述配置树，对每个节点即诊断对象进行融合；

(6.2)：配置树逐级向上，将相同父节点的兄弟节点结果进行融合；

(6.3)：将步骤(6.2)的子节点融合结果与其父节点相融合；

(6.4)：逐级向上融合至配置树的根节点，获得融合后的各原因故障概率，得到故障分析结果，完成装备的故障分析。

本发明针对复杂装备先进行故障分类，再构建规则库和历史库，二者构成了故障诊断知识库；当故障发生，根据故障特征进行适当方法的配置，本发明提出了四种针对复杂装备事后维修的故障分析方法，分别适合相应的故障情形，根据故障现象和配置情况从规则库中构建“故障链”，多条故障链可构成复合故障的“故障图”；再根据配置情况，不同故障现象集用不同分析方法分别诊断分析，得到相应的故障原因及其概率，最后，根据配置对多种故障分析方法进行融合，计算出最终的故障原因及其概率，据此为维修提供建议。

附图说明

图1为复杂装备事后维修故障分析方法的总流程图。

图2为“规则诊断体”模型。

图3为“配置树”示例。

图4为“故障链”模型。

图5为多故障诊断的神经网络模型。

图6为多故障分析方法的原因融合流程图。

具体实施方式

下面结合附图对本发明作进一步详细的说明。

如附图一所示，本发明包括以下步骤：

步骤1，故障分类。

根据故障对象的不同，将故障分为：(a)结构故障，有明显故障对象，且必须通过自身更换或维修才能根除的故障；(b)功能故障，可以通过维修或调整其他对象的方式加以排除的故障；(c)外界故障，设备对象之外包括工艺、环境、人为操作等不满足设备要求的故障状态。

根据可视程度，将故障分为：(a)征兆故障，也称故障征兆或故障现象，即五官或常规测量仪器可探测的故障，是故障恶化到一定程度的表象；(b)隐藏故障，无法在不拆卸的情况下用五官和常规方式探知的故障，包括内部结构故障和全部外界故障，另外也有隐藏功能故障。

步骤2，构建知识库。

步骤(2.1)，构建规则库。一个故障可以由故障对象与故障模式的向量来表示。定义“规则体”为一个故障与对应的原因故障及其CF_i值构成的向量空间，CF_i值表示故障由该原因引起的概率，i＝(1，2，...，n)，n为规则体的原因数。

规则体＝(故障，((原因1，措施1，CF₁)，…))

规则体的原因可能是其他故障(集)，称为“原因故障”，如附图2所示，通过规则体的映射就可以表达复杂装备故障之间的多对多关联关系。

步骤(2.2)，构建历史库。历史库保存复杂装备的故障维修历史记录，一条历史记录称为一个案例，案例表示如下：

案例＝(案例号，故障时刻，现象集，原因集，维修集)

步骤3，根据故障现象进行分析方法的配置。

步骤(3.1)，根据多故障现象的特点划分“诊断对象”。诊断对象定义为配置了至少一个故障分析方法的故障现象(集)。一般划分原则有：(a)同一部件或系统的多个故障现象可划分为一个诊断对象；(b)允许一个诊断对象配置多个分析方法；(c)不允许有不在任何诊断对象中的故障现象；(d)要兼顾各故障分析方法的适用情形，各方法的适用场合见步骤5。

步骤(3.2)，构建“配置树”。配置树描述了当前故障现象与各方法的配置情况，树根节点为全部故障现象集(也可配置相应分析方法形成诊断对象)，步骤(3.1)配置了各个诊断对象，诊断对象的故障现象(集)之间的子集关系确定了配置树的父子节点，一个诊断对象对应一个配置树节点，依次插入树中。如图3为一个配置树示例。

步骤4，生成“故障链”和“故障图”。

步骤(4.1)：生成故障链。根据知识库中的规则体，找出每个故障现象对应的原因故障，接着找这些原因故障对应的子原因故障，用节点表示原因故障，用有向边表示原因故障之间的规则体映射关系，有向边的权重为规则体的各原因概率值，如此循环，最终形成了每个故障现象的“故障链”，如附图4所示。

步骤(4.2)：故障链“累积概率”计算。故障链上各节点的“累积概率”表示故障现象由该节点代表的原因故障引起的概率值，征兆故障的累积概率设为1。从征兆故障出发沿着故障链逐个计算各原因故障的累积概率，假设一原因故障的累积概率为CF_i，且该原因故障的规则体关联到原因故障j的概率为CF_ij，则原因故障j的累积概率CF_j计算公式如下，

接着，沿着故障链方向，根据CF_j可计算出原因故障j的子原因故障的累积概率。

步骤(4.3)：根据诊断对象构建“故障图”，根据步骤(3.1)配置的诊断对象，若一个诊断对象含有多个故障现象，多个故障现象对应的多条故障链往往有重合的原因故障，将这些故障链的重合原因故障合并，累积概率相加，就构成了该诊断对象的“故障图”。

故障链和故障图都包含了规则体概率、累积概率等两类概率信息。

步骤5，根据划分的诊断对象，各方法分别进行故障分析。

步骤(5.1)：基于RBR的故障分析。

步骤(5.1.1)：确定故障图及其最大步长数。故障图的最大步长数与故障图的节点数相等。

步骤(5.1.2)：构造故障图的“一步可达概率矩阵A₁”。将故障图中的节点进行编号，定义矩阵A₁＝(a_ij)_n*n，其中n为故障图中的节点数，a_ij表示故障图中节点i到节点j的有向边的规则体概率值，若无该有向边则为0。特别地，定义a_ii＝0，i＝(1，2，...，n)。

步骤(5.1.3)：计算不大于n步概率可达矩阵A：

$A=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\stackrel{i}{\mathrm{\Π}}{A}_1\right)$

步骤(5.1.4)：得到基于RBR的故障分析结果。根据故障图的征兆故障的编号，将上述矩阵A中功能原因故障对应的行去掉，再将故障现象节点编号相对应的列向量相加，得到新向量进行归一化处理后即得到各原因的概率分析结果。

基于RBR的故障分析方法在故障关联复杂导致故障图中有多个环的情况下较有优势，在无环情况下该方法的结果等同于故障图的累积故障概率的归一化结果，因此较适用于同一部件/系统的复合故障情形。

步骤(5.2)：基于神经网络的故障分析。

步骤(5.2.1)：确定故障图和神经网络结构。根据故障图的多条故障链，构建多征兆故障(设为m)代表的BP神经网络输入层，和所有不包括功能故障的子原因故障(设为n)代表的BP神经网络输出层，中间层节点数设为5，模型如附图5所示。

(5.2.2)神经网络训练

首先，确定训练样本，一个征兆故障对应这样一个训练样本：在输入层，该征兆故障代表的输入节点置为0.99，其余输入节点为0.01，输出为该征兆故障对应故障链的原因故障的累积概率，故障链上未有的原因故障对应输出节点置为0，训练样本数与征兆故障数相等；

然后，设置学习速率η＝0.2，权值收敛因子ξ＝0.05，误差收敛因子β＝0.1，迭代次数2000，以随机数初始化各权值、阈值，变换函数采用Sigmoid函数；

利用上述训练条件对样本进行训练，获得训练后的BP神经网络；

步骤(5.2.3)：神经网络计算。训练后的BP神经网络将其输入层全部结点置为0.99，输出层各节点是对应原因故障的概率值。

表1神经网络训练样本和计算数据集

步骤(5.2.4)：得到基于神经网络的故障分析结果。将神经网络计算输出归一化即为神经网络原因故障识别的结论。

基于神经网络的故障分析方法适合较多故障现象构成的复合故障且各故障链有较多的重合原因故障的情形，一般故障现象数要大于3个。

步骤(5.3)，基于相似案例的故障分析。

步骤(5.3.1)：在历史库中查找故障集含有当前故障现象的案例集；

步骤(5.3.2)：求将选出案例集的原因集的并集，将其作为备选原因集；

步骤(5.3.3)：依次计算当前故障现象与选出案例的“相似度”，相似度定义为故障现象交集数与故障现象并集数的比值，再将相似度累加到备选原因集中相应的原因概率。；

步骤(5.3.4)：得到基于相似案例的故障分析结果。将备选原因集对应的原因概率归一化，即得相似案例的诊断原因结果集。

基于相似案例的故障分析适合于单故障和复合故障的诊断，通用性强。

步骤(5.4)，基于故障维修历史记录与故障图相结合的故障分析方法。

步骤(5.4.1)：确定故障图并对故障图各节点定义“潜在概率”，初始值为零。

步骤(5.4.2)：从历史库中取近2个月的故障维修历史记录，按故障时间逐条读取。

步骤(5.4.3)：根据当前记录的原因故障集构建“反故障图”。(反故障图则是从原因故障集出发寻找其可能引发的后果故障形成的故障图，而之前所说的故障图是从征兆故障出发逐层寻找原因故障形成的图)，根据复杂系统的故障特点，确认的原因故障在修复之前可能导致了其他潜在故障。

步骤(5.4.4)：将上述的反故障图与当前构建的故障图进行比较，若有重合的原因故障，将反故障图中该原因故障的累积概率累加到故障图的潜在概率；再将故障图中当前记录的原因集所含的原因故障对应的潜在概率置为0。

步骤(5.4.5)：得到原因故障及概率结果。逐条读取历史记录，原故障图中的原因故障就分别对应一个“潜在概率”，不考虑功能故障，将其他故障对应的潜在概率归一化，即得该方法的诊断原因结果集。

步骤6，多种故障分析算法的原因融合，如附图6所示。

步骤(6.1)：根据步骤3的配置树，将每个节点(诊断对象)的多方法进行融合。各算法权重相等，这样，一个节点有且只对应一组原因故障及概率信息。

步骤(6.2)：配置树逐级向上，将相同父节点的兄弟节点结论进行融合。融合权重根据该节点的子节点数目进行分配，若节点为根节点(子节点数为0)，则权重根据根节点的故障现象数进行分配。最后进行归一化处理。

步骤(6.3)：将步骤(6.2)的子节点融合结果与其父节点相融合。子节点的权重为子节点的故障现象数与父节点的故障现象数的比值，子节点融合结果乘权重系数后与父节点原因结论相加，然后归一化处理。

步骤(6.4)：逐级向上融合至配置树的根节点。

依据融合后的各原因故障概率，现场可以安排相应的拆卸检查工作，再对故障部件进行更换和调整，使设备尽快恢复运行。

Claims (8)

1.一种复杂装备事后维修的故障分析方法，具体包括如下步骤：

（1）根据对象或可视程度对故障的进行分类，对故障进行类别划分，将故障分为不同的类别；

（2）构建知识库，包括构建规则库和历史库，具体为：

（2.1）构建规则库：

首先，定义“规则体”为对应的原因故障及其CF_i值两者一起与故障构成的向量空间，CF_i值表示故障由该原因引起的概率，i=1,2，….,n，n为规则体的原因数；

其次，通过规则体的映射表达复杂装备故障之间的多对多关联关系，即形成规则库；

（2.2）构建历史库：历史库保存复杂装备的故障维修历史记录，一条历史记录称为一个案例，一个案例中包括案例号，故障时刻，现象集，原因集以及维修集；

（3）根据故障现象进行分析方法的配置

（3.1）根据多故障现象的特点划分“诊断对象”；

（3.2）根据上述诊断对象的故障现象之间的子集关系确定配置树的父子节点，一个诊断对象对应一个配置树节点，依次插入树中，形成“配置树”；

（4）生成“故障链”和“故障图”

（4.1）生成故障链：根据知识库中的规则体，找出每个故障现象对应的原因故障，接着找这些原因故障对应的子原因故障，用节点表示原因故障，用有向边表示原因故障之间的规则体映射关系，有向边的权重为规则体的各原因概率值，如此循环，最终形成了每个故障现象的“故障链”；

（4.2）故障链“累积概率”计算

故障链上各节点的“累积概率”表示故障现象由该节点代表的原因故障引起的概率值，从征兆故障出发沿着故障链逐个计算各原因故障的累积概率；

（4.3）根据诊断对象构建“故障图”，即对任一诊断对象，将其对应的故障链的重合原因故障合并，累积概率相加，即构成该诊断对象的“故障图”；

（5）根据划分的诊断对象，利用多个故障分析算法分别进行故障分析；

（6）多种故障分析算法的原因融合，具体为：

（6.1）根据所述配置树，对每个节点即诊断对象进行融合；

（6.2）配置树逐级向上，将相同父节点的兄弟节点结果进行融合；

（6.3）将步骤（6.2）的子节点融合结果与其父节点相融合；

（6.4）逐级向上融合至配置树的根节点，获得融合后的各原因故障概率，得到故障分析结果，完成装备的故障分析。

2.根据权利要求1所述的方法，其特征在于，所述步骤（5）中，所述故障分析算法包括基于RBR的故障分析算法、基于神经网络的故障分析算法、基于相似案例的故障分析算法和基于故障维修历史记录与故障图相结合的故障分析算法。

3.根据权利要求2所述的方法，其特征在于，所述基于RBR的故障分析算法具体为：

（5.1.1）确定故障图及其最大步长数，其中故障图的最大步长数与故障图的节点数相等；

（5.1.2）将故障图中的节点进行编号，定义矩阵A₁=(a_xy)_n*n，其中n为故障图中的节点数，a_xy表示故障图中节点x到节点y的有向边的规则体概率值，若无该有向边则a_xy为0；

（5.1.3）计算不大于n步概率可达矩阵A：

$A=\underset{x=1}{\overset{n}{\mathrm{\Σ}}}\left(\stackrel{x}{\mathrm{\Π}}{A}_1\right)$

（5.1.4）根据故障图的征兆故障的编号，将上述矩阵A中功能原因故障对应的行去掉，再将故障现象节点编号相对应的列向量相加，得到新向量进行归一化处理后即得到各原因的概率分析结果。

4.根据权利要求2所述的方法，其特征在于，所述基于神经网络的故障分析算法具体为：

（5.2.1）确定故障图和神经网络结构

根据故障图的多条故障链，构建多征兆故障代表的BP神经网络输入层，和所有不包括功能故障的子原因故障代表的BP神经网络输出层；

（5.2.2）神经网络训练

首先，确定训练样本，一个征兆故障对应这样一个训练样本：在输入层，该征兆故障代表的输入节点置为0.99，其余输入节点为0.01，输出为该征兆故障对应故障链的原因故障的累积概率，故障链上未有的原因故障对应输出节点置为0，训练样本数与征兆故障数相等；

然后，设置学习速率n=0.2，权值收敛因子ξ=0.05，误差收敛因子β=0.1，迭代次数2000，以随机数初始化各权值、阈值，变换函数采用Sigmoid函数；

利用上述训练条件对样本进行训练，获得训练后的BP神经网络；

（5.2.3）神经网络计算

训练后的BP神经网络将其输入层全部结点置为0.99，输出层各节点即为是对应原因故障的概率值；

（5.2.4）将神经网络计算输出归一化，即得到基于神经网络的故障分析结果。

5.根据权利要求2所述的方法，其特征在于，所述基于相似案例的故障分析算法具体为：

（5.3.1）在历史库中查找故障集含有当前故障现象的案例集；

（5.3.2）求将选出案例集的原因集的并集，将其作为备选原因集；

（5.3.3）依次计算当前故障现象与选出案例的“相似度”，相似度定义为故障现象交集数与故障现象并集数的比值，再将相似度累加到备选原因集中相应的原因概率；

（5.3.4）将备选原因集对应的原因概率归一化，即得到基于相似案例的故障分析结果。

6.根据权利要求2所述的方法，其特征在于，所述基于故障维修历史记录与故障图相结合的故障分析方法具体为：

（5.4.1）确定故障图并对故障图各节点定义“潜在概率”，其中初始值为零；

（5.4.2）从历史库中取近一段时间的故障维修历史记录，按故障时间逐条读取；

（5.4.3）根据当前记录的原因故障集构建“反故障图”，即从该原因故障集出发寻找其可能引发的后果故障形成的故障图；

（5.4.4）将上述的反故障图与当前构建的故障图进行比较，若有重合的原因故障，将反故障图中该原因故障的累积概率累加到故障图的潜在概率；再将故障图中当前记录的原因集所含的原因故障对应的潜在概率置为0；

（5.4.5）逐条读取历史记录，原故障图中的原因故障就分别对应一个“潜在概率”，将除功能故障外的其他故障对应的潜在概率归一化，即得到原因故障及概率结果。

7.根据权利要求1-6之一所述的方法，其特征在于，所述步骤（4.2）中，所述累积概率计算具体为：

设定征兆故障的累积概率设为1，一原因故障的累积概率为CF_i，且该原因故障的规则体关联到原因故障j的概率为CF_ij，则原因故障j的累积概率CF_j计算公式如下，

8.根据权利要求1-6之一所述的方法，其特征在于，所述的故障类别根据故障对象的不同，分为结构故障，功能故障和外界故障；根据可视程度分为征兆故障和隐藏故障。

Images