CN102722722A - 基于逻辑推理和故障辨识的混合故障检测诊断方法 - Google Patents
基于逻辑推理和故障辨识的混合故障检测诊断方法 Download PDFInfo
- Publication number
- CN102722722A CN102722722A CN2012101677782A CN201210167778A CN102722722A CN 102722722 A CN102722722 A CN 102722722A CN 2012101677782 A CN2012101677782 A CN 2012101677782A CN 201210167778 A CN201210167778 A CN 201210167778A CN 102722722 A CN102722722 A CN 102722722A
- Authority
- CN
- China
- Prior art keywords
- fault
- tree
- failure
- mrow
- current
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003745 diagnosis Methods 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000013507 mapping Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000001364 causal effect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000002706 hydrostatic effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出一种基于逻辑推理和故障辨识的混合故障检测诊断方法,包括:采集待测系统的故障因果关系和历史故障数据,并建立待测系统的故障树,计算故障树的每个事件节点的可靠性分布;获取待测系统的多个潜在故障模式,分别对多个潜在故障模式建立对应的故障模型以得到多个潜在故障模型;建立故障树与待测系统的多个潜在故障模式模型的关联关系;当待测系统发生故障时,检测当前故障模式,并根据当前故障模式对应的当前故障模型与故障树的关联关系,获得当前故障模式的诊断结果。本发明可以准确地检测和诊断出飞机故障,找出故障发生的具体部件,提高故障检测诊断的精度和辨识能力,为飞机维修提供了基础。
Description
技术领域
本发明涉及飞机故障检测和诊断领域,特别涉及一种基于逻辑推理和故障辨识的混合故障检测诊断方法。
背景技术
随着现代飞行器的高集成化、复杂化、综合化及智能化程度的日益增强,系统的故障诊断、维修保障和可靠性越来越受到人们的高度重视,其中综合的故障检测与诊断技术对于提高飞机安全性能、提高维修保障效率更是具有着重要的作用。
现在,故障检测与诊断技术在航空航天、汽车、冶金等领域都有着广泛的应用。常用的故障诊断方法有故障树分析、滤波器方法、多模型方法、专家系统、逻辑推理、神经网络等方法。这些方法中有的是定性的,有的是定量的,有的不需要故障模型,而有的需要建立模型,单独地使用这些方法可能会各有不足,可能无法准确得到故障结果,或者无法推导出底层最根本的故障元器件,给确保飞行安全和维修带来困难。
基于故障树的逻辑推理方法是一种比较传统的方法,其中故障树是一种描述事故因果关系的有方向的“树”,它是一种图形演绎法,把系统故障与导致该故障的各种因素形象地绘成故障图表,能较直观地反映故障、元部件、系统及因素、原因之间的相互关系。而逻辑推理则可在故障树的基础上进行,有“自上而下”和“自下而上”的推理方法来寻找故障原因。但是这种推理方法在故障检测和诊断中存在一些问题,以“自上而下”为例,当遇到故障树中的“与”门时,由上一事故节点可推出它的子节点均发生了故障,当遇到故障树中的“或”门时,它的子节点可能都发生故障或者部分发生故障,这时推理方法将无法继续进行,或者依据可靠度继续推理,但由于可靠度是基于经验的,无法保证其正确性。
故障辨识是一种需要建立模型的方法,其中多模型方法在飞机的故障检测和诊断中比较常用。多模型方法基于一系列的卡尔曼滤波器,而这些滤波器又是在一系列的故障模型基础上建立,每个模型代表一种故障模式,通过计算各个模型的概率就可以确定系统的故障模式。这种方法也存在它的缺点,它可以确定系统的故障模式,但无法更深入底层去确定故障元器件。例如,采用多模型方法可以检测出飞机的空速信息错误,但是无法确定具体是哪个器件发生了故障,是皮托管或者是交流电机发生故障。
因此,不同的故障检测和诊断方法都有自己的不足,无法完美地解决故障检测和诊断问题。
发明内容
本发明的目的旨在至少解决上述的技术缺陷之一。
为此,本发明的目的在于提出一种基于逻辑推理和故障辨识的混合故障检测诊断方法,包括如下步骤:采集所述待测系统的故障因果关系和历史故障数据,并根据所述待测系统的故障因果关系建立所述待测系统的故障树,以及根据所述历史故障数据计算所述故障树的每个事件节点的可靠性分布;获取所述待测系统的多个潜在故障模式,分别对多个所述潜在故障模式建立对应的故障模型以得到多个潜在故障模型;建立所述故障树与所述待测系统的多个潜在故障模型的关联关系;以及当所述待测系统发生故障时,检测当前故障模式,并根据当前故障模式对应的当前故障模型与所述故障树的关联关系,获得所述当前故障模式的诊断结果。
根据本发明实施例的基于逻辑推理和故障辨识的混合故障检测诊断方法,可以准确地检测和诊断出飞机故障,找出故障发生的具体部件,提高了故障检测诊断的精度和辨识能力,为飞机维修提供了基础。
在本发明的一个实施例中,所述根据所述历史故障数据计算所述故障树的每个事件节点的可靠性分布,包括如下步骤:对所述故障树的每个事件节点的可靠性进行拟合,并计算所述每个事件节点的故障率。
在本发明的一个实施例中,采用韦伯分布对所述每个事件节点进行拟合。
在本发明的一个实施例中,所述基于逻辑推理和故障辨识的混合故障检测诊断方法还进一步包括:建立所述待测系统的无故障模型。
在本发明的一个实施例中,将所述无故障模型和所述多个潜在故障模型组成为马尔科夫链。
在本发明的一个实施例中,所述建立所述故障树与所述待测系统的所述多个潜在故障模型的关联关系,包括如下步骤:对所述故障树的多个事件节点进行划分以将所述故障树模块化以得到多个故障树模块;建立所述多个故障树模块与多个潜在故障模型的映射关系。
在本发明的一个实施例中,所述将所述故障树模块化,包括如下步骤:寻找所述故障树与所述每个潜在故障模型的相关事件节点,将所述相关事件节点及所述相关事件节点的子节点划分为与当前潜在故障类型对应的故障树模块;获得分别与所述多个潜在故障模型对应的多个故障树模块;将划分完成后剩余事件节点组成一个故障树模块。
在本发明的一个实施例中,所述建立所述多个故障树模块与多个潜在故障模型的映射关系,进一步包括:存储所述映射关系。
在本发明的一个实施例中,所述根据当前故障模式对应的当前故障模型与所述故障树的关联关系,获得所述当前故障模式的诊断结果,包括如下步骤:根据所述待测系统的多个潜在故障模型采用多模型故障辨识算法得到当前故障模式模型;从所述故障树的顶事件节点出发进行自上而下的推理得到故障路径,在遇到所述关联事件节点时,根据所述故障树与所述待测系统的多个潜在故障模型的关联关系,实时更新所述当前故障模式对应的所述关联事件节点的故障率;在基于多模型的故障辨识方法中,当得到所述待测系统的所述当前故障模式但无法确定底层的故障部件时,通过当前故障模型与所述故障树的关联事件节点交互故障信息以得到故障诊断信息。
在本发明的一个实施例中,在基于多模型的故障辨识方法中,当得到所述待测系统的所述当前故障模式但无法确定底层的故障部件时,通过当前故障模型与所述故障树的关联事件节点交互故障信息以得到故障诊断信息,包括:获取当前故障模型与所述故障树的关联事件节点,根据关联关系转换到故障树的对应节点,从所述对应节点开始进行逻辑推理确定发生所述当前故障模式的故障部件。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的基于逻辑推理和故障辨识的混合故障检测诊断方法的流程图;
图2为本发明实施例的对通用航空座舱仪表系统进行故障树建模的示意图;
图3为本发明实施例的空速信息缺失的故障树建模的示意图;
图4为本发明实施例的控制系统的故障树与基于多模型的故障检测诊断模块的关联关系的示意图;
图5为本发明实施例的逻辑推理结合多模型的辨识方法的故障诊断过程的流程图;以及
图6为本发明的一个实施例的发现空速信息故障时,采用本发明提供的基于逻辑推理和故障辨识的混合故障检测诊断方法的诊断过程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。此外,本发明提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的可应用于性和/或其他材料的使用。另外,以下描述的第一特征在第二特征之“上”的结构可以包括第一和第二特征形成为直接接触的实施例,也可以包括另外的特征形成在第一和第二特征之间的实施例,这样第一和第二特征可能不是直接接触。
在本发明的描述中,需要说明的是,除非另有规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
如图1所示,本发明的实施例的基于逻辑推理和故障辨识的混合故障检测诊断方法,包括如下步骤:
S101:采集待测系统的故障因果关系和历史故障数据,并根据待测系统的故障因果关系建立待测系统的故障树,以及根据历史故障数据计算故障树的每个事件节点的可靠性分布。
S1011:采集待测系统的故障因果关系和历史故障数据。
S1012:根据待测系统的故障因果关系,建立故障树模型。
在本发明的实施例的描述过程中,待测系统以通用航空座舱仪表系统为例。如图2所示,对通用航空座舱仪表系统进行故障树建模,可将该系统的故障分为6大类,包括空速信息缺失、姿态信息缺失、顾问信息缺失、高度信息缺失、导航信息缺失、通讯信息缺失,则建立第一层次与第二层次的故障树,其中A、B、C、D、E、F表示扩展的子故障树。以空速信息缺失为例,其故障树可建模为如图3所示。
S1013:根据历史故障数据估计得到可靠性分布参数,采用韦伯(Weibull)分布来拟合各个故障事件节点的可靠性,并计算各个故障事件节点的故障率。
根据历史故障数据,估计得到可靠性分布参数,基于韦伯分布的可靠度函数为:
其中α和β为分布参数。
故障概率密度函数为:
随时间变化的故障率为:
故障率表示当前时刻发生故障的概率,在故障树中,事件节点的故障是否发生可用故障率来判断,当故障率大于等于一定的阈值,即认为该故障事件发生了。
S102:获取待测系统的多个潜在故障模式,采用多模型建模的辨识方法,分别对多个潜在故障模式建立对应的故障模型以得到多个潜在故障模型。
在本实施例中,飞机模型采用的是F16的六自由度非线性模型:
y=h(x)
u=(δe,δa,δr,δlef)T
其中u,v,w分别为x方向、y方向、z方向的速度,p,q,r分别为俯仰、滚转、偏航角速率,,Φ,θ,ψ分别为俯仰角、滚转角、偏航角,为状态向量,为测量向量,u为输入向量,包括升降舵δe,副翼δa,方向舵δr以及前缘襟翼δlef。
线性化后,无故障模型可写为:
xk+1=Fkxk+Gkuk+wk
yk+1=Hkxk+1+vk
对于作动器或者操纵舵面故障,采用扩展的滤波器建模方法:
对于传感器故障,扩展的滤波器模型可写为:
在本发明实施例中,步骤S102中所述的多模型建模包括建立飞机无故障模型和各种潜在故障模型,并将上述模型组成的模型序列看成一个马尔科夫(Markov)链。
S103:建立故障树与待测系统的多个潜在故障模型的关联关系,即各种故障模式与故障树节点的对应关系。
S1031:寻找故障树中与待测系统中每个潜在故障模型相关的事件节点,将这些相关的事件节点及其子节点划分为与当前潜在故障类型对应的故障模块。
S1032:获得分别与多个潜在故障模型对应的多个故障树模块。
S1033:将划分完成后剩余事件节点组成一个故障树模块。
如图4所示,图中左边表示系统的故障树,右边表示基于多模型的故障检测诊断模块,根据事件节点和故障模式之间的关系可建立关联关系。假设故障树中的G4事件节点与故障模式mi相关,它的子节点{x4,x5,x6}也与mi相关,如果系统的故障模式为mi,则事件G4会发生,否则{G4,x4,x5,x6}均不会发生。则将{G4,x4,x5,x6}划分成一个故障树模块,称该故障树模块与故障模式mi有关联关系,则可将系统故障树模块化为:
MFT={M0,M1,…,Mr}
其中M1,…,Mr为与多模型中的各故障模式相关联的故障树模块,而M0为故障树剩余部分组成的模块。
S1034:采用映射的方式,将故障树的各个模块与系统多个潜在故障模型分别建立对应的映射关系。
如图4所示,假设多模型中与故障树相关的故障模式集合为则关联关系的映射可描述为:
S1035:存储上述故障树模块与系统多个潜在故障模型之间的映射关系。
存储映射关系后,在诊断过程中可以通过该映射关系查询和共享故障信息。
S104:当待测系统发生故障时,检测当前故障模式,并根据当前故障模式对应的当前故障模型与故障树的关联关系,获得当前故障模式的诊断结果。
采用基于故障树的逻辑推理方法和基于多模型的故障辨识方法同时进行故障检测和诊断,根据故障树节点与故障模式之间的关联关系,交互故障信息,得到最终的诊断结果。
S1041:根据所述待测系统的多个潜在故障模型采用多模型故障辨识算法得到当前故障模式模型,并根据故障树节点与故障模式之间的关联关系,找出故障树中对应当前故障模型的关联事件节点。
S1042:采用建立在故障树及可靠性知识基础上的逻辑推理方法,从故障树顶事件节点出发进行自上而下的逻辑推理得到故障路径。在推理过程中遇到OR“或”逻辑关系时,可通过关联节点,将多模型方法的故障诊断信息融合到故障率后,继续进行推理。
假设多模型方法中算出与故障树相关的故障模型的概率为μ1,...μr,而对应的故障树中的关联节点的故障率为h1,...hr,则融合多模型的诊断信息将关联节点的故障率修改为:
根据修改过的故障率大小来判断哪个子节点发生了故障,以图4中的事件节点G4和G5为例:
S1043:在基于多模型的故障辨识方法中,当得到系统故障模式但无法确定底层的故障部件时,根据关联关系转换到故障树的对应节点,从所述对应节点开始进行逻辑推理确定发生当前故障模式的故障部件。
下面如图5所示描述逻辑推理结合多模型的辨识方法的故障诊断过程。
S501:检测是否有故障发生,如果检测到,执行S502;否则,执行S510;
S502:在故障树中开始自上而下的逻辑推理。
S503:下一层连接的逻辑门为AND“与”时,执行S504;为OR“或”时,执行S505。
S504:判定下一层的所有故障事件节点均发生故障,然后执行S507步骤。
S505:判断下一层的故障事件节点是否为关联节点,如果是,执行S506,否则,执行S507。
S506:通过多模型的故障辨识方法,获取该关联节点对应的潜在故障类型的诊断结果,将该诊断结果融合到故障率中,然后执行S507步骤。
S507:采用最小割集法进行逻辑推理。
S508:如果逻辑推理可以得到诊断结果,执行S510;否则,执行S509。
S509:采用可靠性方法进行逻辑推理。
S510:得到故障诊断结果,诊断结束退出。
图6所示为在不同的故障情形下,发现空速信息故障时,采用本发明提供的基于逻辑推理和故障辨识的混合故障检测诊断方法所得到的诊断结果。
如图6所示,根据待测系统的故障因果关系建立空速信息的故障树。其中,图6所示的故障树中的各个节点之间具有如下逻辑关系:当发生空速信息缺失的故障时,则可以判断产生该故障的原因为以下三种故障同时发生,即空速指示系统信息缺失、转速计故障和通讯信息缺失三种故障同时发生,如图6中所示,A{空速信息缺失}=B{空速指示系统信息缺失}AND C{转速计故障}AND D{通讯信息缺失},其中,AND表示逻辑“与”关系;当发生空速指示系统信息缺失的故障时,则可以判断有空速指示器失灵或皮托管静压系统失效故障发生,B{空速指示系统信息缺失}=E{空速指示器失灵}OR F{皮托管静压系统失效},其中,OR表示逻辑“或”关系。当发生通讯信息缺失的故障时,则可以判断有声音通讯缺失或跟踪信号缺失故障发生,D{通讯信息缺失}=G{声音通讯缺失}OR H{跟踪信号缺失}。依此类推,完成故障树的建立。该故障树中{皮托管静压系统失效}是一个关联节点,它与飞行控制系统的空速信息故障模式相关联。结合整个座舱系统的故障树,{交流电机故障}同时是图2中故障事件{顾问信息缺失}、{高度信息缺失}、{导航信息缺失}、{通讯信息缺失的}的最小割集,即如果{交流电机故障}发生,则上述几个节点事件必然发生。
结合逻辑推理过程和多模型故障辨识方法的故障信息,可得到对应的故障诊断结果,下面为3种不同情况下的故障诊断结果:
情况1:假设座舱仪表系统发现空速信息缺失,但多模型方法没有检测到飞控系统发生空速故障,则推理过程和结果如图6(a)所示。在故障树中找到对应的节点{空速信息缺失},向下开始逻辑推理。{空速信息缺失}的下一层连接的逻辑门为AND“与”,于是判断下层的所有节点{空速指示系统信息缺失}、{转速计故障}和{通讯信息缺失}的故障事件均发生。{空速指示系统信息缺失}的下一层连接的逻辑门为或门,由于多模型方法没有检测到空速故障,则关联节点{皮托管静压系统失效}及其子节点{皮托系统}、{交流电机故障}没有发生,所以故障为空速指示器失灵。{通讯信息缺失}的下一层连接的逻辑门为OR“或”,根据可靠性知识,{声音通讯缺失}的故障率比{跟踪信号缺失}的故障率大,于是判断{声音通讯缺失}发生。{声音通讯缺失}的下一层连接的逻辑门为OR“或”,{通讯无线电故障}的故障率比较大,于是判断{通讯无线电故障}发生。得到最终诊断结果为:同时发生空速指示器失灵、转速计故障和通讯无线电故障。
情况2:假设座舱仪表系统发现空速信息缺失,多模型方法也检测到空速信息故障,但图2中故障事件{顾问信息缺失}、{高度信息缺失}、{导航信息缺失}、{通讯信息缺失的}没有全部发生,则推理过程和结果如图6(b)所示。推理过程与情况1类似,由于多模型方法检测到空速故障,则关联节点{皮托管静压系统失效}发生。事件{顾问信息缺失}、{高度信息缺失}、{导航信息缺失}、{通讯信息缺失的}没有全部发生,所以{交流电机故障}没有发生。得到最终诊断结果为:同时发生了皮托系统、转速计故障和通讯无线电故障。
情况3:假设座舱仪表系统发现空速信息缺失,多模型方法检测到空速信息故障,且图2中故障事件{顾问信息缺失}、{高度信息缺失}、{导航信息缺失}、{通讯信息缺失的}全部发生,则推理过程和结果如图6(c)所示。此时主要依靠可靠性知识来判断故障事件,故障率大的为最可能发生的故障。得到最终诊断结果为:转速计故障和交流电机故障。
图6示例中,以椭圆形表示该节点的故障事件发生,矩形表示该节点的故障事件未发生。
根据本发明实施例的基于逻辑推理和故障辨识的混合故障检测诊断方法,可以准确地检测和诊断出飞机故障,找出故障发生的具体部件,提高了故障检测诊断的精度和辨识能力,为飞机维修提供了基础。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同限定。
Claims (10)
1.一种基于逻辑推理和故障辨识的混合故障检测诊断方法,其特征在于,包括如下步骤:
采集所述待测系统的故障因果关系和历史故障数据,并根据所述待测系统的故障因果关系建立所述待测系统的故障树,以及根据所述历史故障数据计算所述故障树的每个事件节点的可靠性分布;
获取所述待测系统的多个潜在故障模式,分别对多个所述潜在故障模式建立对应的故障模型以得到多个潜在故障模型;
建立所述故障树与所述待测系统的多个潜在故障模型的关联关系;以及
当所述待测系统发生故障时,检测当前故障模式,并根据当前故障模式对应的当前故障模型与所述故障树的关联关系,获得所述当前故障模式的诊断结果。
2.如权利要求1所述的基于逻辑推理和故障辨识的混合故障检测诊断方法,其特征在于,所述根据所述历史故障数据计算所述故障树的每个事件节点的可靠性分布,包括如下步骤:
对所述故障树的每个事件节点的可靠性进行拟合,并计算所述每个事件节点的故障率。
3.如权利要求2所述的基于逻辑推理和故障辨识的混合故障检测诊断方法,其特征在于,采用韦伯分布对所述每个事件节点进行拟合。
4.如权利要求1所述的基于逻辑推理和故障辨识的混合故障检测诊断方法,其特征在于,还包括如下步骤:
建立所述待测系统的无故障模型。
5.如权利要求4所述的基于逻辑推理和故障辨识的混合故障检测诊断方法,其特征在于,将所述无故障模型和所述多个潜在故障模型组成为马尔科夫链。
6.如权利要求1所述的基于逻辑推理和故障辨识的混合故障检测诊断方法,其特征在于,所述建立所述故障树与所述待测系统的所述多个潜在故障模型的关联关系,包括如下步骤:
对所述故障树的多个事件节点进行划分以将所述故障树模块化以得到多个故障树模块;
建立所述多个故障树模块与多个潜在故障模型的映射关系。
7.如权利要求6所述的基于逻辑推理和故障辨识的混合故障检测诊断方法,其特征在于,所述将所述故障树模块化,包括如下步骤:
寻找所述故障树与所述每个潜在故障模型的相关事件节点,将所述相关事件节点及所述相关事件节点的子节点划分为与当前潜在故障类型对应的故障树模块;
获得分别与所述多个潜在故障模型对应的多个故障树模块;
将划分完成后剩余事件节点组成一个故障树模块。
8.如权利要求7所述的基于逻辑推理和故障辨识的混合故障检测诊断方法,其特征在于,所述建立所述多个故障树模块与多个潜在故障模型的映射关系,进一步包括如下步骤:存储所述映射关系。
9.如权利要求1所述的基于逻辑推理和故障辨识的混合故障检测诊断方法,其特征在于,所述根据当前故障模式对应的当前故障模型与所述故障树的关联关系,获得所述当前故障模式的诊断结果,包括如下步骤:
根据所述待测系统的多个潜在故障模型采用多模型故障辨识算法得到当前故障模式模型;
从所述故障树的顶事件节点出发进行自上而下的推理得到故障路径,在遇到所述关联事件节点时,根据所述故障树与所述待测系统的多个潜在故障模型的关联关系,实时更新所述当前故障模式对应的所述关联事件节点的故障率;
在基于多模型的故障辨识方法中,当得到所述待测系统的所述当前故障模式但无法确定底层的故障部件时,通过当前故障模型与所述故障树的关联事件节点交互故障信息以得到故障诊断信息。
10.如权利要求9所述的基于逻辑推理和故障辨识的混合故障检测诊断方法,其特征在于,在基于多模型的故障辨识方法中,当得到所述待测系统的所述当前故障模式但无法确定底层的故障部件时,通过当前故障模型与所述故障树的关联事件节点交互故障信息以得到故障诊断信息,包括:
获取当前故障模型与所述故障树的关联事件节点,根据关联关系转换到故障树的对应节点,从所述对应节点开始进行逻辑推理确定发生所述当前故障模式的故障部件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210167778.2A CN102722722B (zh) | 2012-05-25 | 2012-05-25 | 基于逻辑推理和故障辨识的混合故障检测诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210167778.2A CN102722722B (zh) | 2012-05-25 | 2012-05-25 | 基于逻辑推理和故障辨识的混合故障检测诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102722722A true CN102722722A (zh) | 2012-10-10 |
CN102722722B CN102722722B (zh) | 2014-02-19 |
Family
ID=46948472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210167778.2A Expired - Fee Related CN102722722B (zh) | 2012-05-25 | 2012-05-25 | 基于逻辑推理和故障辨识的混合故障检测诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102722722B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559135A (zh) * | 2013-11-15 | 2014-02-05 | 南京大学 | 系统故障模式确定的方法及装置 |
CN103559404A (zh) * | 2013-11-14 | 2014-02-05 | 西南石油大学 | 一种考虑失效传递和失效模式共因的故障树分析方法 |
CN104392072A (zh) * | 2014-12-12 | 2015-03-04 | 北京交通大学 | 一种基于动态故障树的设备集成系统可靠性分析方法 |
CN104598926A (zh) * | 2015-01-29 | 2015-05-06 | 西北工业大学 | 一种飞机发动机瞬态故障检测的方法 |
CN104809935A (zh) * | 2015-05-13 | 2015-07-29 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种无人机特情故障模拟训练方法及其系统 |
CN106200615A (zh) * | 2016-07-15 | 2016-12-07 | 国电南瑞科技股份有限公司 | 一种基于关联关系的轨道交通智能预警系统及实现方法 |
CN106483405A (zh) * | 2016-09-30 | 2017-03-08 | 江苏大学 | 基于隐马尔可夫模型的npc光伏逆变器的故障诊断方法 |
CN106844775A (zh) * | 2017-03-02 | 2017-06-13 | 上海交通大学 | 航天器故障快速检测系统 |
CN108153273A (zh) * | 2016-12-02 | 2018-06-12 | 上海汽车集团股份有限公司 | 车辆信号失效故障诊断方法及整车控制器 |
CN108337108A (zh) * | 2017-12-28 | 2018-07-27 | 天津麒麟信息技术有限公司 | 一种基于关联分析的云平台故障自动化定位方法 |
CN108427400A (zh) * | 2018-03-27 | 2018-08-21 | 西北工业大学 | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 |
CN108475446A (zh) * | 2016-01-06 | 2018-08-31 | 通用电气航空系统有限公司 | 融合航空相关数据以进行综合航空器系统健康状况监测 |
CN109886292A (zh) * | 2019-01-09 | 2019-06-14 | 同济大学 | 一种基于异常关联图的异常原因诊断方法 |
CN109981331A (zh) * | 2017-12-28 | 2019-07-05 | 北京华为数字技术有限公司 | 一种故障诊断方法及装置 |
CN110245373A (zh) * | 2018-03-07 | 2019-09-17 | 罗伯特·博世有限公司 | 用于技术系统的故障树分析 |
CN110517369A (zh) * | 2019-08-23 | 2019-11-29 | 中国航空无线电电子研究所 | 基于思维导图的故障树构建方法和系统 |
CN110728013A (zh) * | 2018-06-29 | 2020-01-24 | 比亚迪股份有限公司 | V2x通信模组的故障检测建模方法、装置及存储介质 |
CN111063056A (zh) * | 2019-11-21 | 2020-04-24 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 航空事故分析方法、装置、计算机设备和存储介质 |
CN111738368A (zh) * | 2020-08-18 | 2020-10-02 | 湖南中车时代通信信号有限公司 | 一种cbtc系统的故障诊断方法、装置和介质 |
CN113125954A (zh) * | 2021-04-16 | 2021-07-16 | 安徽大学 | 一种电动汽车驱动电机的故障诊断方法和应用 |
CN113452542A (zh) * | 2020-03-27 | 2021-09-28 | 华为技术有限公司 | 故障检测方法及设备 |
CN116992958A (zh) * | 2023-09-27 | 2023-11-03 | 中国长江电力股份有限公司 | 基于故障知识库自动生成fta实时动态树的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6202042B1 (en) * | 1998-11-09 | 2001-03-13 | International Business Machines Corporation | Hardware simulator instrumentation |
CN101388085A (zh) * | 2007-09-14 | 2009-03-18 | 李清东 | 快速故障诊断推理机 |
CN101710359A (zh) * | 2009-11-03 | 2010-05-19 | 中国科学院计算技术研究所 | 一种故障诊断系统及方法 |
-
2012
- 2012-05-25 CN CN201210167778.2A patent/CN102722722B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6202042B1 (en) * | 1998-11-09 | 2001-03-13 | International Business Machines Corporation | Hardware simulator instrumentation |
CN101388085A (zh) * | 2007-09-14 | 2009-03-18 | 李清东 | 快速故障诊断推理机 |
CN101710359A (zh) * | 2009-11-03 | 2010-05-19 | 中国科学院计算技术研究所 | 一种故障诊断系统及方法 |
Non-Patent Citations (2)
Title |
---|
李清等: "自修复飞行控制系统舵面/作动器故障检测与隔离", 《航空学报》 * |
郭鹏等: "组合导航系统故障诊断方法设计与实现", 《系统仿真学报》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559404A (zh) * | 2013-11-14 | 2014-02-05 | 西南石油大学 | 一种考虑失效传递和失效模式共因的故障树分析方法 |
CN103559135B (zh) * | 2013-11-15 | 2016-03-02 | 南京大学 | 系统故障模式确定的方法及装置 |
CN103559135A (zh) * | 2013-11-15 | 2014-02-05 | 南京大学 | 系统故障模式确定的方法及装置 |
CN104392072A (zh) * | 2014-12-12 | 2015-03-04 | 北京交通大学 | 一种基于动态故障树的设备集成系统可靠性分析方法 |
CN104598926A (zh) * | 2015-01-29 | 2015-05-06 | 西北工业大学 | 一种飞机发动机瞬态故障检测的方法 |
CN104598926B (zh) * | 2015-01-29 | 2017-11-07 | 西北工业大学 | 一种飞机发动机瞬态故障检测的方法 |
CN104809935A (zh) * | 2015-05-13 | 2015-07-29 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种无人机特情故障模拟训练方法及其系统 |
US11922738B2 (en) | 2016-01-06 | 2024-03-05 | GE Aviation Systems Taleris Limited | Fusion of aviation-related data for comprehensive aircraft system health monitoring |
CN108475446A (zh) * | 2016-01-06 | 2018-08-31 | 通用电气航空系统有限公司 | 融合航空相关数据以进行综合航空器系统健康状况监测 |
CN106200615B (zh) * | 2016-07-15 | 2018-06-19 | 国电南瑞科技股份有限公司 | 一种基于关联关系的轨道交通智能预警实现方法 |
CN106200615A (zh) * | 2016-07-15 | 2016-12-07 | 国电南瑞科技股份有限公司 | 一种基于关联关系的轨道交通智能预警系统及实现方法 |
CN106483405A (zh) * | 2016-09-30 | 2017-03-08 | 江苏大学 | 基于隐马尔可夫模型的npc光伏逆变器的故障诊断方法 |
CN106483405B (zh) * | 2016-09-30 | 2018-12-14 | 江苏大学 | 基于隐马尔可夫模型的npc光伏逆变器的故障诊断方法 |
CN108153273A (zh) * | 2016-12-02 | 2018-06-12 | 上海汽车集团股份有限公司 | 车辆信号失效故障诊断方法及整车控制器 |
CN106844775B (zh) * | 2017-03-02 | 2021-03-16 | 上海交通大学 | 航天器故障快速检测系统 |
CN106844775A (zh) * | 2017-03-02 | 2017-06-13 | 上海交通大学 | 航天器故障快速检测系统 |
CN108337108A (zh) * | 2017-12-28 | 2018-07-27 | 天津麒麟信息技术有限公司 | 一种基于关联分析的云平台故障自动化定位方法 |
CN109981331A (zh) * | 2017-12-28 | 2019-07-05 | 北京华为数字技术有限公司 | 一种故障诊断方法及装置 |
CN110245373A (zh) * | 2018-03-07 | 2019-09-17 | 罗伯特·博世有限公司 | 用于技术系统的故障树分析 |
CN108427400A (zh) * | 2018-03-27 | 2018-08-21 | 西北工业大学 | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 |
CN110728013A (zh) * | 2018-06-29 | 2020-01-24 | 比亚迪股份有限公司 | V2x通信模组的故障检测建模方法、装置及存储介质 |
CN109886292A (zh) * | 2019-01-09 | 2019-06-14 | 同济大学 | 一种基于异常关联图的异常原因诊断方法 |
CN110517369B (zh) * | 2019-08-23 | 2021-04-23 | 中国航空无线电电子研究所 | 基于思维导图的故障树构建方法和系统 |
CN110517369A (zh) * | 2019-08-23 | 2019-11-29 | 中国航空无线电电子研究所 | 基于思维导图的故障树构建方法和系统 |
CN111063056A (zh) * | 2019-11-21 | 2020-04-24 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 航空事故分析方法、装置、计算机设备和存储介质 |
CN111063056B (zh) * | 2019-11-21 | 2021-09-07 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 航空事故分析方法、装置、计算机设备和存储介质 |
CN113452542A (zh) * | 2020-03-27 | 2021-09-28 | 华为技术有限公司 | 故障检测方法及设备 |
CN111738368A (zh) * | 2020-08-18 | 2020-10-02 | 湖南中车时代通信信号有限公司 | 一种cbtc系统的故障诊断方法、装置和介质 |
CN113125954A (zh) * | 2021-04-16 | 2021-07-16 | 安徽大学 | 一种电动汽车驱动电机的故障诊断方法和应用 |
CN116992958A (zh) * | 2023-09-27 | 2023-11-03 | 中国长江电力股份有限公司 | 基于故障知识库自动生成fta实时动态树的方法 |
CN116992958B (zh) * | 2023-09-27 | 2024-03-12 | 中国长江电力股份有限公司 | 基于故障知识库自动生成fta实时动态树的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102722722B (zh) | 2014-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722722B (zh) | 基于逻辑推理和故障辨识的混合故障检测诊断方法 | |
CN109829468B (zh) | 基于贝叶斯网络的民机复杂系统故障诊断方法 | |
Freeman et al. | Model-based and data-driven fault detection performance for a small UAV | |
CN102066951B (zh) | 检测和隔离平头式大气数据系统(fads)的压力感测中的故障的系统和方法 | |
CN106325264B (zh) | 一种无人机飞行控制系统的故障可分离性评价方法 | |
EP2810183A1 (en) | Methods and systems for aircraft health and trend monitoring | |
CN112884051B (zh) | 数据驱动的轻量级无人机多部件在线复杂故障诊断方法 | |
CN112036440A (zh) | 一种基于随机森林的卫星姿态控制系统故障诊断与预警方法 | |
KR20100071554A (ko) | 적응 미지입력 관측기를 이용한 무인항공기의 조종면 구동기 고장진단방법 | |
CN108427400B (zh) | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 | |
Lee et al. | Data-driven system health monitoring technique using autoencoder for the safety management of commercial aircraft | |
CN105203130B (zh) | 一种基于信息融合的船舶组合导航系统故障诊断方法 | |
Dutta et al. | Statistical residual-based time series methods for multicopter fault detection and identification | |
Li et al. | Operational anomaly detection in flight data using a multivariate gaussian mixture model | |
CN115320886A (zh) | 一种飞行器舵面故障实时监测方法及系统 | |
Cleland-Huang et al. | Towards real-time safety analysis of small unmanned aerial systems in the national airspace | |
Reppa et al. | Multiple sensor fault detection and isolation for large-scale interconnected nonlinear systems | |
Campbell et al. | Loss of control detection for commercial transport aircraft using conditional variational autoencoders | |
KR20190115596A (ko) | 기계학습을 활용한 항공기 연료 시스템 무결성 감시 방법 및 장치 | |
Zibaei et al. | Diagnosis of safety incidents for cyber-physical systems: A uav example | |
Dutta et al. | Machine-learning based rotor fault diagnosis in a multicopter with strain data | |
Fravolini et al. | Structural analysis approach for the generation of structured residuals for aircraft FDI | |
CN111829425A (zh) | 民机前缘位置传感器的健康监测方法及系统 | |
CN112182743B (zh) | 一种基于故障传递特征匹配的飞机系统故障诊断方法 | |
JP2023061098A (ja) | 異常判定装置、異常判定方法、プログラム、及びデータ構造 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140219 |