CN102945311A - 一种功能故障有向图进行故障诊断的方法 - Google Patents
一种功能故障有向图进行故障诊断的方法 Download PDFInfo
- Publication number
- CN102945311A CN102945311A CN2012103781193A CN201210378119A CN102945311A CN 102945311 A CN102945311 A CN 102945311A CN 2012103781193 A CN2012103781193 A CN 2012103781193A CN 201210378119 A CN201210378119 A CN 201210378119A CN 102945311 A CN102945311 A CN 102945311A
- Authority
- CN
- China
- Prior art keywords
- fault
- node
- relation
- model
- sdg
- 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
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提出一种功能故障有向图进行故障诊断的方法,可应用于航空器有些系统(如飞机气路的气源系统、防冰系统、空调系统)故障诊断领域。该方法首先进行对诊断对象系统分解确定组件关系建立系统结构模型,根据组件功能确定其对应的输入输出,然后确定组件故障模式,分析故障传播路径及影响关系,设置传感器测点与测试信息,监测参数变化预示潜在故障,形成FF-SDG模型,最后基于FF-SDG模型的分层策略推理方法搜索潜在故障源,进行故障诊断。本发明方法能够对有些故障无法预知,领域专家获取知识困难时的航空器系统快速有效找到系统故障源,发现故障原因,弥补基于手册和基于案例的故障诊断技术的不足。
Description
技术领域
本发明属于航空器等故障诊断分析技术领域,为该领域有些故障无法预知、领域专家获取知识困难时的复杂性系统提供了一套故障分析、建模和诊断的方法。
背景技术
航空器有些系统(如飞机气路的气源系统、防冰系统、空调系统)故障具有多发性、重复性、复杂性,需要方便、快速、有效的故障诊断方法。目前,基于手册和基于案例只能诊断可预知的或建立了详细特征分析的故障模式。但在航空器运行早期,对新出现的故障缺乏案例,并且由于航空器系统的复杂性,有些故障无法预知,领域专家获取知识困难时,基于手册和基于案例法难以快速有效诊断。
基于定性数学模型的故障识别和诊断方法中,图论方法是最有实用价值的一种,其中符号定向图(SDG,Signed Directed Graph)方法前景十分看好。
近10年来,美国普渡大学以Venkatasubramanian等人对SDG方法的完善和工业化应用做出了显著成绩。他们开发的实时故障诊断系统Dkit,是在实时专家系统G2环境中运行的,并采用了多种故障诊断方法。
应用SDG进行故障诊断的研究取得了一定成果,但应用SDG建模和定量化需要进一步研究,定量化是提高故障分辨率的必由之路,也是与传统的诊断方法的结合点,可以弥补定性方法的不足,推理方法是SDG方法投入实际应用的核心问题,提高推理算法的效率需要探讨新的改进方法。另外,传统SDG模型只体现过程变量间的因果关系,缺少系统结构组成描述,不能清楚地反映部件间的连接关系及故障传播层次,在大规模系统诊断推理中难以系统故障定位、确定故障诊断范围。针对航空器系统故障的特点,本发明以航空器系统故障诊断为研究目标,提出了一种功能故障有向图(FF-SDG)对航空器系统分析、建模和诊断推理的故障诊断方法。
发明内容
本发明的目的,就在于克服上述航空器有些系统(如飞机气路的气源系统、防冰系统、空调系统)故障诊断方法的缺点与不足,提供一种新的FF-SDG分析、建模和诊断方法,实现对此类系统新出现的故障进行有效诊断,以弥补基于手册和基于案例的故障诊断技术的不足。FF-SDG模型表达及其诊断采取分而治之的策略,将被诊断对象分成若干组成单元,建立结构模型,并在结构模型上加入系统(单元)功能的性能特征及依赖关系(依赖关系包括故障与故障的因果传播依赖关系,故障与测试的依赖关系),这可反映部件间的连接关系及故障传播层次,改进了传统SDG模型的不足。该方法能够减少故障检测和隔离时间,快速有效找到系统故障源并发现故障原因,提高维修性。
本发明的具体实现步骤如下:
第一步:系统分解与结构模型;
①将系统进行层次和组件划分;
②确定组件关系建立系统结构模型;
③形成系统结构模型数据表。
第二步:建立功能模型;
①确定组件的功能;
②确定组件正确实现这些功能所对应的输入输出状态(能量流、材料流和数据流);
③定义状态变量及其各组件状态变量间的关系;
④形成功能及变量关系表。
第三步:确定组件故障模式;
①确定组件的功能故障模式,主要依据FMEA报告;
②分为端点故障模式和底层故障模式两类;
③端点故障往往是功能失效现象,底层故障往往是更下一层的故障;
④组件的绝大多数功能故障模式是底层故障。
第四步:分析故障传播路径及影响关系;
①每一个功能故障模式产生一个特定的影响或影响集,它沿着相关的路径传播到状态相关的组件,也可以是组件内下层故障模式的影响结果;
②故障影响关系是状态关系的子集,有定性的正影响和负影响,也可通过网络权重、状态方程、贝叶斯估计、物理模型等方法建立定量的影响关系;
③模型是结构化的模型,具有基础性、兼容性和扩展性,FMEA的路径在此被规范化和参数化,FTA是它的子集,用于排故的诊断(二叉)树由此导出。
第五步:传感器测点与测试信息;
①描述所有传感器的位置,在模型中也用节点来表示;
②确定传感器的测试信息和可测故障模式、监测参数及关联的状态变量;
③一个测试点可以监测多个参数;
④本步是测试性分析设计起点,可确定系统和SDG模型的故障检测与隔离能力。
第六步:故障生长与消除时间。
①监测参数变化预示潜在故障,潜在故障发生到可观察的功能故障之间的时间,是组件故障发展时间;
②组件之间的故障传播时间是系统故障发展时间;
③确定故障源所需要的时间是故障检测与隔离时间;
④更换系统中的故障组件使系统恢复到正常状态是故障修复时间;
⑤本步是系统故障预测与健康管理的起点,也决定故障修复时间和维修级别安排。
通过以上6个步骤,构建完成了一个层次FF-SDG模型。
a.组件集合C={c1,c2,...cn},其中n表示模块个数,C表示有限模块集,模块是指组成系统的实体对象,是一个具有输入和输出接口的独立体。
b.节点集合V=VS∪VF={v1,v2,…vm}。其中VS表示系统状态变量节点集合,VF表示故障节点集合,m表示节点个数。每个节点对象具有3种约束Vb,Vp,Vc。Vb(vi)为节点类型,规定了节点vi对象的类型(i=1,2,…,m);Vp(vi)描述vi的状态发生偏差的先验概率;Vc(vi)是节点隶属函数即模块和状态节点关系。
隶属“关系对”l+:C→V(模块的输入节点)
l-:C→V(模块的输出节点)
该“关系对”分别表示每一个模块的输入节点和输出节点
c.T表示可用测试集T=(TD,TN,TT,TM,TI)。测试集中每个测点有五个附加属性(TD,TN,TT,TM,TI),测试点的物理位置TD、测试的名称TN、测试的类型TT、测试的操作手段TM、测试的辅助信息TI(包括视频、音频、图片信息)。
d.有向边集合E=(VS×VS)∪(VS×VF),其中VS×VS表示状态变量间的关联关系、VS×VF表示状态变量与故障间的关联关系。
该“关系对”分别表示每一个支路的起始节点和终止节点;
f.符号有向图G的样本是指所有节点当前符号的集合,节点符号是一个函数
Ψ:v→{+,0,-,?),Ψ(vk)(vk∈V)称为节点vk的符号。即
第七步:基于FF-SDG模型的系统故障诊断
1诊断推理策略
基于FF-SDG模型的故障诊断运用的是图搜索的推理方法。建立FF-SDG模型后,从报警节点向可能的所有原因节点反向搜索可能的且独立的相容通路,结合当前监测的状态值,可以找到故障源。但在实际工作过程中,许多状态不能测量或不能在线测量,易出现未测节点的情况,使得原相容性故障传播通道失效,本发明结合有向图(DG)的可达性理论,提出含未测节点的FF-SDG模型故障诊断方法。具体推理步骤:
(1)形成已测节点和报警节点集合,确定诊断图层
假设V0是模型所含所有节点集合,用T={v|φ(v)∈{+,O,-),v∈V0)表示已测节点集合。报警节点包括诊断输入的故障模式节点和状态变量节点。用TR={v|φ(v)∈{+,-),v∈V0)表示报警节点集合。当故障影响只在一个子系统节点中显现,直接从该子系统SDG图层展开推理。若涉及多个系统节点,从包含这几个系统的子图最高SDG图层开始推理。
(2)构造报警节点的最大强连通单元
对于所有节点Vi∈TR,沿箭头方向回溯其相容支路,构造报警节点的最大强连通单元。当包括有不可测的节点时,从可测节点出发穿过非测量节点分支符号的乘积判断是否相容。
(3)搜索潜在故障源
对最大相容子图分别计算故障候选集合:
式中RS(v)是v的可达集,式(1)表明每一个最大相容子图的故障候选集TF为报警节点的可达集交集减去测试值正常节点的所有可达集。根据结果TF即可发现系统故障源及传播路径。
本发明的优点是:
FF-SDG模型故障诊断方法具有如下特点:
a)继承了传统SDG固有的良好的完备性;
b)采用有向图分层策略,提高了诊断的效率;
c)利用测试节点间的定性关系,回溯搜索不相容支路找出故障源候选集合,在后续工作中通过部件故障概率和故障传播的权重对候选故障源进行故障可能性的排序,可以提高诊断的准确性;
d)诊断推理方法适用于存在节点未测量的情况。
附图说明
图1是功能故障有向图(FF-SDG)方法建模的组建划分图。
图2是功能故障有向图(FF-SDG)方法建模的系统功能模型图。
图3是功能故障有向图(FF-SDG)方法建模的组件故障模式。
图4是功能故障有向图(FF-SDG)方法建模的故障传播路径及影响关系图。
图5是功能故障有向图(FF-SDG)方法建模的传感器测点与测试信息图。
图6是气源系统系统级FF-SDG模型图。
图7是气源系统子系统级FF-SDG模型图。
图8是APU引气系统的FF-SDG模型图。
图9是FF-SDG方法的层次诊断推理图。
具体实施方式
FF-SDG的建模问题是其应用研究的基础。收集关于系统的系统原理手册、维修手册、排故手册、机组操作手册、故障模式、影响、危害性和测试性分析(Failure Mode,Effects、Criticality and Testability Analysis,FMECA)、故障树分析(Failure Tree Analysis FTA)报告、元器件可靠性数据指标等技术资料,对系统进行组件分解,获取每个组件功能、故障信息,并最终形成FF-SDG模型,利用该模型推理方法诊断系统故障,有下面七个步骤:
第一步:系统分解与结构模型
如图1,复杂系统故障传播的因果性、层次性与其结构层次性相关。分析技术资料,将复杂系统逐层分解为一系列的子系统,而子系统可进一步分解成对应的零部件,分解的层次由建模的粒度决定。根据分析的系统的组成结构,确定出系统、子系统、零部件之间的包含关系,FF-SDG模型中系统模型包含了子系统模型,子系统模型包含了零部件模型,根据隶属层次来建立结构模型。在建立的系统结构模型中需要通过设计的数据表输入对于模型组建的属性定义,包括组件名称,ID,父组件名称等。
第二步:建立功能模型
如图2,组件划分后,在结构模型的基础上,针对每个模块加入模块的输入输出状态变量压力P、指令C、活门开度V。根据子任务剖面所经历的事件和环境的时序选择体现功能特征变化的组件输入输出变量,具体地说包括从材料类变量、能量类变量和信息类变量。对每一变量需要确定正常值阈值范围。阈值是FF-SDG模型瞬时样本中获得节点状态的界限值。阈值的上下限应当依据故障发生和传播的规律经反复试验调整后确定。考虑到实际运行工作条件多变,动态特性复杂,正常值阈值范围可能是状态函数。这里节点定义为v={φ(v)∈{+,0,-}},+表示高于阀值上限,0表示正常,-表示低于阀值下限。
分析变量之间的物理作用或因果关系。变量之间的物理作用或因果关系归纳为三种:
(1)定量关系。用数学表达式描述变量之间的转换过程;
(2)定性因果关系。系统变量间的增量或减量的定性关系;
(3)半定性关系定性方法和定量方法相结合,如在分析变量间的增量或减量定性关系中,加入被影响因素和影响因素变化的传递时间、增益、趋势、过程、概率等定量的信息。
这里选择定性因果关系,以发动机引气子系统的3个组件为例,其功能及状态变量关系如表1。建立发动机引气子系统功能模型。
表1发动机引气子系统状态变量关系
第三步:确定组件故障模式
分析FMEA报告和工程技术报告,获取选择状态变量发生偏差的原因和状态发生偏差后的不利影响,为组件添加故障模式节点,定义故障模式节点F=(FD,FM,FE),FD故障位置即该故障存在于某系统的某组件,FM故障模式,FE故障影响。如图3,图中●为底层故障,为端点故障。
第四步:分析故障传播路径及影响关系
如图4分析每一个故障模式产生一个特定的影响或影响集,此影响分为正、负影响,用故障传播关系连接线把故障模式和状态变量联系起来,定义为正影响赋值“1”、为负影响赋值“-1”,其它故障模式影响和传播都按此定义赋值。
第五步:传感器测点与测试信息
如图5在功能模块或者故障模式相应的位置添加测试点,在测试点内添加相关的测试手段,测试点的输入信息包括测试点的物理位置TD,测试的名称TN、测试的类型TT、测试的操作手段TM、测试的辅助信息TI(包括视频、音频、图片信息),定义测试点T=(TD,TN,TT,TM,TI)。
第六步:故障生长与排除时间
收集所有故障发生到故障隔离间等时间信息,为后续的维修决策、维修计划安排、航材管理、故障预测等方面的研究奠定基础。时间信息包括:
a)故障传播时间;
b)故障发生到探测到之间的时间;
c)零部件故障演化为功能故障所需要的时间;
d)确定故障源所需要的时间;
e)故障排除时间
第七步:基于FF-SDG模型的系统故障诊断方法
1诊断推理策略
基于FF-SDG模型的故障诊断运用的是图搜索的推理方法。建立FF-SDG模型后,从报警节点(输入、输出不在阀值范围内的节点)向可能的所有原因节点反向搜索可能的且独立的相容通路(具有故障模式Ψ的FF-SDG模型,如果则该支路称为相容通路),结合当前监测的状态值,可以找到故障源。但在实际工作过程中,许多状态不能测量或不能在线测量,易出现未测节点的情况。使得原相容性故障传播通道失效,本发明结合有向图(DG)的可达性理论,提出含未测节点的FF-SDG模型故障诊断方法。具体推理步骤:
(1)形成已测节点和报警节点集合,确定诊断图层
假设V0是模型所含所有节点集合,用T={v|φ(v)∈{+,0,-},v∈V0}表示已测节点集合。报警节点包括诊断输入的故障模式节点和状态变量节点。用TR={v|φ(v)∈{+,-},v∈V0}表示报警节点集合。当故障影响只在一个子系统节点中显现,直接从该子系统FF-SDG图层展开推理。若涉及多个系统节点,从包含这几个系统的子图最高FF-SDG图层开始推理。
(2)构造报警节点的最大强连通单元
对于所有节点Vi∈TR,沿箭头方向回溯其相容支路,构造报警节点的最大强连通单元。当包括有不可测的节点时,从可测节点出发穿过非测量节点分支符号的乘积判断是否相容,即:
则该边组合称在ψ故障模式下相容。
(3)搜索潜在故障源
对最大相容子图分别计算故障候选集合
式中RS(v)是v的可达集,上式表明每一个最大相容子图的故障候选集TF为报警节点的可达集交集减去测试值正常节点的所有可达集。根据结果TF即可发现系统故障源及传播路径。
2诊断应用示例
以对某飞机气源系统为例用基于FF-SDG分析、建模、诊断的方法进行故障诊断。对气源系统进行系统划分,根据其功能结构特点,考虑到航线上的维修要求,将气源系统划分成三个层级,即系统级、子系统级和LRU级。
①分解气源系统建立结构模型,气源系统分为发动机引气子系统,控制面板,综合空气系统控制器IASC,APU引气子系统,地面高压引气子系统,监测子系统由6个功能模块组成,建立系统级结构模型如图l所示。
②建立功能模型,以图3中的发动机引气子系统为例,确定其输入输出变量,输入变量有:控制命令CBLD,高压活门活门HPV供电电压信号WHPV28,压力调节关断活门PRSOV活门供电电压信号WPRV28,FAV风扇供电电流信号IFAV;输出变量:活门开度PPRV,引气温度TPEG。每一变量需要确定正常值阈值范围,根据影响关系函数确定输出变量与输出变量之间的影响关系,并用方向线连接,如图7中所示。
③确定组件故障模式,以发动机引气子系统为例,如图5所示,发动机引气子系统的端点故障模式有:引气压力高FPIPSH,引气压力低FPIPSL,底层故障有:高压活门HPV开度偏大FHPV-1,高压活门HPV开度偏小FHPV-2,压力调节关断活门PRSOV开度偏大Fprv-1,压力调节关断活门PRSOV开度偏小Fprv-2,压力调节关断活门PRSOV卡在关位Fprv-3,引气管道破损FDUCT。
④分析故障传播路径及影响关系,将故障模式与变量相关联,如图4所示。
⑤根据测试性设计文件,确定发动机引气子系统的机内及机外测试点,高压活门HPV开度测试点,压力调节关断活门PRSOV开度测试点,压力传感器。
⑥FF-SDG的诊断推理算法与模型相匹配,采取“分而治之”的分层诊断策略,采用分级建模技术将系统进行适当的分割,能降低推理范围,提高故障诊断推理速度,如图9。
假设诊断输入为故障模式“引气压力高压报警”,首先参考图6发现,报警节点TR={PPIPS},进入发动机子系统FF-SDG图5进行推理。报警节点依然为TR={PPIPS},搜索到最大相容路径并计算故障源如表2。
表2诊断结果
Claims (3)
1.一种功能故障有向图进行故障诊断的方法,其特征在于包括系统的FF-SDG建模、基于FF-SDG模型的系统故障诊断,具体包括以下步骤;
第一步、系统分解与结构模型:将系统进行层次和组件划分,确定组件关系建立系统结构模型,形成系统结构模型数据表;
第二步、建立功能模型:确定组件的功能和正确实现这些功能所对应的输入输出状态,定义状态变量及其各组件状态变量间的关系然后形成功能及变量关系表;
第三步、确定组件故障模式:主要依据FMEA报告确定组件的功能故障模式,分为端点故障模式和底层故障模式两类;
第四步、分析故障传播路径及故障影响关系;
第五步、传感器测点与测试信息:描述所有传感器的位置,在模型中用节点来表示,确定传感器的测试信息和可测故障模式、监测参数及关联的状态变量;
第六步、故障生长与消除时间:监测参数变化预示潜在故障,潜在故障发生到可观察的功能故障之间的时间,是组件故障发展时间,组件之间的故障传播时间是系统故障发展时间,确定故障源所需要的时间是故障检测与隔离时间,更换系统中的故障组件使系统恢复到正常状态是故障修复时间;
第七步、基于FF-SDG模型的系统故障诊断方法:运用图搜索的推理方法,形成已测节点和报警节点集合,确定诊断图层,构造报警节点的最大强连通单元,搜索潜在的故障源。
a.组件集合C={c1,c2,...cn},其中n表示模块个数,C表示有限模块集,模块是指组成系统的实体对象,是一个具有输入和输出接口的独立体;
b.节点集合V=VS∪VF={v1,v2,…vm},其中VS表示系统状态变量节点集合,VF表示故障节点集合,m表示节点数,每个节点对象具有3种约束Vb,Vp,Vc,Vb(vi)为节点类型,规定了节点vi对象的类型;Vp(vi)描述vi的状态发生偏差的先验概率;Vc(vi)是节点隶属函数即模块和状态节点关系,其中,i=1,2,…,m;
隶属“关系对”l+:C→V,模块的输入节点
l:C→V,模块的输出节点
该“关系对”分别表示每一个模块的输入节点和输出节点;
c.T表示可用测试集T=(TD,TN,TT,TM,TI),测试集中测点有五个附加属性(TD,TN,TT,TM,TI),测试点的物理位置TD、测试点的名称TN、测试的类型TT、测试的操作手段TM、测试的辅助信息TI;
d.有向边集合E=(VS×VS)∪(VS×VF),其中VS×VS表示状态变量间的关联关系、VS×VF表示状态变量与故障间的关联关系,
该“关系对”分别表示每一个支路的起始节点和终止节点;
e.函数称为ek支路的符号;用“+”表示正作用和“-”表示反作用;
f.符号有向图G的样本是指所有节点当前符号的集合,节点符号是一个函数
Ψ:v→{+,0,-,?),Ψ(vk)(vk∈V)称为节点vk的符号,即
若vk∈Vs
3.根据权利要求1所述的功能故障有向图进行故障诊断的方法,其特征在于,步骤七中所述的图搜索的推理方法,具体步骤如下:
第一步、形成已测节点和报警节点集合,确定诊断图层:
假设V0是模型所含所有节点集合,用T={v|φ(v)∈{+,0,-},v∈V0}表示已测节点集合,用TR={v|φ(v)∈{+,-},v∈V0}表示报警节点集合,当故障影响只在一个子系统节点中显现,直接从该子系统FF-SDG图层展开推理,若涉及多个系统节点,从包含这几个系统的子图最高FF-SDG图层开始推理;
第二步、构造报警节点的最大强连通单元:
对于所有节点Vi∈TR,沿箭头方向回溯其相容支路,构造报警节点的最大强连通单元,当包括有不可测的节点时,从可测节点出发穿过非测量节点分支符号的乘积判断是否相容;
第三步、搜索潜在故障源:
对最大相容子图分别计算故障候选集合
式中RS(v)是v的可达集,上式表明每一个最大相容子图的故障候选集TF为报警节点的可达集交集减去测试值正常节点的所有可达集;根据结果TF确定系统故障源及传播路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210378119.3A CN102945311B (zh) | 2012-10-08 | 2012-10-08 | 一种功能故障有向图进行故障诊断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210378119.3A CN102945311B (zh) | 2012-10-08 | 2012-10-08 | 一种功能故障有向图进行故障诊断的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102945311A true CN102945311A (zh) | 2013-02-27 |
CN102945311B CN102945311B (zh) | 2016-06-15 |
Family
ID=47728254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210378119.3A Active CN102945311B (zh) | 2012-10-08 | 2012-10-08 | 一种功能故障有向图进行故障诊断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102945311B (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984233A (zh) * | 2014-05-09 | 2014-08-13 | 南京航空航天大学 | 一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法 |
CN104050371A (zh) * | 2014-06-17 | 2014-09-17 | 南京航空航天大学 | 一种基于改进sdg的多故障诊断方法 |
CN104636581A (zh) * | 2013-11-12 | 2015-05-20 | 中国商用飞机有限责任公司 | 民用飞机气路部分故障诊断方法 |
CN104965506A (zh) * | 2015-06-09 | 2015-10-07 | 南京航空航天大学 | 一种基于可调参数分布式飞行控制系统实时故障诊断方法 |
CN105005297A (zh) * | 2015-09-09 | 2015-10-28 | 上海中曼石油装备有限公司 | 一种钻机司钻房的气控故障诊断系统 |
CN105550400A (zh) * | 2015-12-04 | 2016-05-04 | 西安泛华科技开发有限公司 | 一种系统时序的建模方法 |
CN105653419A (zh) * | 2014-11-11 | 2016-06-08 | 阿里巴巴集团控股有限公司 | 基于监控点的溯源实现方法及系统 |
CN105787205A (zh) * | 2016-03-22 | 2016-07-20 | 工业和信息化部电子第五研究所 | 基于fmea的故障模式影响关系图示方法和系统 |
CN106292583A (zh) * | 2016-08-16 | 2017-01-04 | 苏州朋泰智能科技有限公司 | 基于分布式mes的柔性制造系统的纠错方法及装置 |
CN106406270A (zh) * | 2015-04-15 | 2017-02-15 | 哈米尔顿森德斯特兰德公司 | 用于飞机的空气管理系统的系统层级故障诊断 |
CN108363876A (zh) * | 2018-02-19 | 2018-08-03 | 中国人民解放军海军航空大学 | 一种考虑关键故障的测试优化选择方法 |
CN108549734A (zh) * | 2018-01-30 | 2018-09-18 | 南京航空航天大学 | 基于系统功能结构的tfm三维信息流建模方法 |
CN108957315A (zh) * | 2017-05-22 | 2018-12-07 | 北京金风科创风电设备有限公司 | 风力发电机组的故障诊断方法和设备 |
CN109327484A (zh) * | 2017-07-31 | 2019-02-12 | 北京嘀嘀无限科技发展有限公司 | 特征值集合的获取方法、装置、服务器及存储介质 |
CN109657797A (zh) * | 2018-12-24 | 2019-04-19 | 中国人民解放军32181部队 | 基于混合诊断贝叶斯网络的故障诊断能力分析方法 |
CN109815507A (zh) * | 2017-11-21 | 2019-05-28 | 中国商用飞机有限责任公司 | 基于符号有向图的飞控系统的故障样本选取方法 |
CN109829468A (zh) * | 2018-04-16 | 2019-05-31 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
CN110176808A (zh) * | 2019-06-10 | 2019-08-27 | 国网福建省电力有限公司泉州供电公司 | 基于事件驱动和有向图搜索的调控远方操作故障诊断方法 |
CN110333709A (zh) * | 2019-06-19 | 2019-10-15 | 北京科技大学 | 一种轧钢过程故障诊断方法及系统 |
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 |
CN111581900A (zh) * | 2020-04-30 | 2020-08-25 | 中国航空无线电电子研究所 | 一种基于tfpg的航电系统通用处理模块故障建模方法 |
CN112182743A (zh) * | 2020-09-09 | 2021-01-05 | 北京航空航天大学 | 一种基于故障传递特征匹配的飞机系统故障诊断方法 |
CN112528512A (zh) * | 2020-12-18 | 2021-03-19 | 北京无线电测量研究所 | 一种雷达装备通用的实时状态评估方法及系统 |
CN112532331A (zh) * | 2020-12-12 | 2021-03-19 | 江西洪都航空工业集团有限责任公司 | 一种用于测试性建模测试信息获取的工程化方法 |
CN113168603A (zh) * | 2018-12-21 | 2021-07-23 | Abb瑞士股份有限公司 | 用于工作量估计的系统和方法 |
CN113361120A (zh) * | 2021-06-21 | 2021-09-07 | 山西新华防化装备研究院有限公司 | 一种空气净化产品可靠性建模方法 |
CN115524002A (zh) * | 2022-09-19 | 2022-12-27 | 国家电投集团河南电力有限公司 | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 |
CN115860123A (zh) * | 2023-03-02 | 2023-03-28 | 哈尔滨电机厂有限责任公司 | 一种水轮机故障诊断推理校验方法 |
CN117061332A (zh) * | 2023-10-11 | 2023-11-14 | 中国人民解放军国防科技大学 | 一种基于概率有向图深度学习的故障诊断方法与系统 |
CN117272638A (zh) * | 2023-09-20 | 2023-12-22 | 南京航空航天大学 | 一种基于分层有向图的飞行器故障实时定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662389A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种基于故障特性分析的监测参数选择方法 |
-
2012
- 2012-10-08 CN CN201210378119.3A patent/CN102945311B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662389A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种基于故障特性分析的监测参数选择方法 |
Non-Patent Citations (2)
Title |
---|
叶思远: "基于FF-SDG模型的民机空调系统故障诊断建模方法研究", 《南京航空航天大学硕士学位论文》 * |
周虹,左洪福,蔡景,苏艳: "基于TMSDG的民用飞机故障诊断隔离策略", 《航空学报》 * |
Cited By (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636581A (zh) * | 2013-11-12 | 2015-05-20 | 中国商用飞机有限责任公司 | 民用飞机气路部分故障诊断方法 |
CN103984233B (zh) * | 2014-05-09 | 2017-03-29 | 南京航空航天大学 | 一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法 |
CN103984233A (zh) * | 2014-05-09 | 2014-08-13 | 南京航空航天大学 | 一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法 |
CN104050371A (zh) * | 2014-06-17 | 2014-09-17 | 南京航空航天大学 | 一种基于改进sdg的多故障诊断方法 |
CN104050371B (zh) * | 2014-06-17 | 2017-05-03 | 南京航空航天大学 | 一种基于改进sdg的多故障诊断方法 |
CN105653419B (zh) * | 2014-11-11 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 基于监控点的溯源实现方法及系统 |
CN105653419A (zh) * | 2014-11-11 | 2016-06-08 | 阿里巴巴集团控股有限公司 | 基于监控点的溯源实现方法及系统 |
US10089204B2 (en) * | 2015-04-15 | 2018-10-02 | Hamilton Sundstrand Corporation | System level fault diagnosis for the air management system of an aircraft |
CN106406270A (zh) * | 2015-04-15 | 2017-02-15 | 哈米尔顿森德斯特兰德公司 | 用于飞机的空气管理系统的系统层级故障诊断 |
CN104965506B (zh) * | 2015-06-09 | 2017-12-05 | 南京航空航天大学 | 一种基于可调参数分布式飞行控制系统实时故障诊断方法 |
CN104965506A (zh) * | 2015-06-09 | 2015-10-07 | 南京航空航天大学 | 一种基于可调参数分布式飞行控制系统实时故障诊断方法 |
CN105005297B (zh) * | 2015-09-09 | 2017-11-21 | 中曼石油天然气集团股份有限公司 | 一种钻机司钻房的气控故障诊断系统 |
CN105005297A (zh) * | 2015-09-09 | 2015-10-28 | 上海中曼石油装备有限公司 | 一种钻机司钻房的气控故障诊断系统 |
CN105550400A (zh) * | 2015-12-04 | 2016-05-04 | 西安泛华科技开发有限公司 | 一种系统时序的建模方法 |
CN105787205B (zh) * | 2016-03-22 | 2019-02-12 | 工业和信息化部电子第五研究所 | 基于fmea的故障模式影响关系图示方法和系统 |
CN105787205A (zh) * | 2016-03-22 | 2016-07-20 | 工业和信息化部电子第五研究所 | 基于fmea的故障模式影响关系图示方法和系统 |
CN106292583B (zh) * | 2016-08-16 | 2018-08-31 | 苏州朋泰智能科技有限公司 | 基于分布式mes的柔性制造系统的纠错方法及装置 |
CN106292583A (zh) * | 2016-08-16 | 2017-01-04 | 苏州朋泰智能科技有限公司 | 基于分布式mes的柔性制造系统的纠错方法及装置 |
CN108957315A (zh) * | 2017-05-22 | 2018-12-07 | 北京金风科创风电设备有限公司 | 风力发电机组的故障诊断方法和设备 |
CN109327484B (zh) * | 2017-07-31 | 2021-09-28 | 北京嘀嘀无限科技发展有限公司 | 特征值集合的获取方法、装置、服务器及存储介质 |
CN109327484A (zh) * | 2017-07-31 | 2019-02-12 | 北京嘀嘀无限科技发展有限公司 | 特征值集合的获取方法、装置、服务器及存储介质 |
CN109815507A (zh) * | 2017-11-21 | 2019-05-28 | 中国商用飞机有限责任公司 | 基于符号有向图的飞控系统的故障样本选取方法 |
CN108549734A (zh) * | 2018-01-30 | 2018-09-18 | 南京航空航天大学 | 基于系统功能结构的tfm三维信息流建模方法 |
CN108363876B (zh) * | 2018-02-19 | 2021-12-14 | 中国人民解放军海军航空大学 | 一种考虑关键故障的测试优化选择方法 |
CN108363876A (zh) * | 2018-02-19 | 2018-08-03 | 中国人民解放军海军航空大学 | 一种考虑关键故障的测试优化选择方法 |
CN109829468A (zh) * | 2018-04-16 | 2019-05-31 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
CN109829468B (zh) * | 2018-04-16 | 2021-09-03 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
CN113168603A (zh) * | 2018-12-21 | 2021-07-23 | Abb瑞士股份有限公司 | 用于工作量估计的系统和方法 |
CN109657797A (zh) * | 2018-12-24 | 2019-04-19 | 中国人民解放军32181部队 | 基于混合诊断贝叶斯网络的故障诊断能力分析方法 |
CN110176808B (zh) * | 2019-06-10 | 2022-05-17 | 国网福建省电力有限公司泉州供电公司 | 基于事件驱动和有向图搜索的调控远方操作故障诊断方法 |
CN110176808A (zh) * | 2019-06-10 | 2019-08-27 | 国网福建省电力有限公司泉州供电公司 | 基于事件驱动和有向图搜索的调控远方操作故障诊断方法 |
CN110333709A (zh) * | 2019-06-19 | 2019-10-15 | 北京科技大学 | 一种轧钢过程故障诊断方法及系统 |
CN110333709B (zh) * | 2019-06-19 | 2020-11-20 | 北京科技大学 | 一种轧钢过程故障诊断方法及系统 |
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 |
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 |
CN111581900B (zh) * | 2020-04-30 | 2023-03-10 | 中国航空无线电电子研究所 | 一种基于tfpg的航电系统通用处理模块故障建模方法 |
CN111581900A (zh) * | 2020-04-30 | 2020-08-25 | 中国航空无线电电子研究所 | 一种基于tfpg的航电系统通用处理模块故障建模方法 |
CN112182743B (zh) * | 2020-09-09 | 2023-09-26 | 北京航空航天大学 | 一种基于故障传递特征匹配的飞机系统故障诊断方法 |
CN112182743A (zh) * | 2020-09-09 | 2021-01-05 | 北京航空航天大学 | 一种基于故障传递特征匹配的飞机系统故障诊断方法 |
CN112532331A (zh) * | 2020-12-12 | 2021-03-19 | 江西洪都航空工业集团有限责任公司 | 一种用于测试性建模测试信息获取的工程化方法 |
CN112528512A (zh) * | 2020-12-18 | 2021-03-19 | 北京无线电测量研究所 | 一种雷达装备通用的实时状态评估方法及系统 |
CN113361120A (zh) * | 2021-06-21 | 2021-09-07 | 山西新华防化装备研究院有限公司 | 一种空气净化产品可靠性建模方法 |
CN115524002A (zh) * | 2022-09-19 | 2022-12-27 | 国家电投集团河南电力有限公司 | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 |
CN115524002B (zh) * | 2022-09-19 | 2023-08-22 | 国家电投集团河南电力有限公司 | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 |
CN115860123A (zh) * | 2023-03-02 | 2023-03-28 | 哈尔滨电机厂有限责任公司 | 一种水轮机故障诊断推理校验方法 |
CN117272638A (zh) * | 2023-09-20 | 2023-12-22 | 南京航空航天大学 | 一种基于分层有向图的飞行器故障实时定位方法 |
CN117272638B (zh) * | 2023-09-20 | 2024-04-02 | 南京航空航天大学 | 一种基于分层有向图的飞行器故障实时定位方法 |
CN117061332A (zh) * | 2023-10-11 | 2023-11-14 | 中国人民解放军国防科技大学 | 一种基于概率有向图深度学习的故障诊断方法与系统 |
CN117061332B (zh) * | 2023-10-11 | 2023-12-29 | 中国人民解放军国防科技大学 | 一种基于概率有向图深度学习的故障诊断方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102945311B (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102945311B (zh) | 一种功能故障有向图进行故障诊断的方法 | |
CN109829468B (zh) | 基于贝叶斯网络的民机复杂系统故障诊断方法 | |
CN108304661B (zh) | 基于tdp模型的诊断预测方法 | |
US8914149B2 (en) | Platform health monitoring system | |
US8437904B2 (en) | Systems and methods for health monitoring of complex systems | |
CN102208028B (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
CN103649858B (zh) | 用于预测组件或系统状况的方法和设备 | |
CN104504248A (zh) | 一种基于设计数据分析的故障诊断建模方法 | |
GB2450241A (en) | Bayesian probability analysis for health monitoring and failure prediction of complex systems | |
Mesgarpour et al. | Overview of telematics-based prognostics and health management systems for commercial vehicles | |
CN111798590A (zh) | 用于环境控制系统故障隔离的具有智能数据收集的模式分类系统 | |
Abbas et al. | An intelligent diagnostic/prognostic framework for automotive electrical systems | |
KR102118748B1 (ko) | 플랫폼 건전성 모니터링 시스템 | |
Niculita et al. | Use of COTS functional analysis software as an IVHM design tool for detection and isolation of UAV fuel system faults | |
Corbetta et al. | An uncertainty quantification framework for autonomous system tracking and health monitoring | |
Zhang et al. | Hierarchical hybrid testability modeling and evaluation method based on information fusion | |
CN111260823B (zh) | 基于i/o测点故障依赖矩阵的故障诊断方法 | |
Skaf et al. | A simple state-based prognostic model for filter clogging | |
Carratù et al. | A novel methodology for unsupervised anomaly detection in industrial electrical systems | |
Liqing et al. | A frame design of helicopter health monitoring and diagnosis system based on testability | |
Zein-Sabatto et al. | Distributed Onboard Diagnostic Methodology for Next Generation Turbine Engines | |
Srivastava et al. | Learning interpretable rules contributing to maximal fuel rate flow consumption in an aircraft using rule based algorithms | |
Reibling et al. | Diagnostic reasoning technology for the on-board maintenance system | |
CN117508209A (zh) | 一种车辆智能诊断方法及装置 | |
Yang et al. | Reliability Evaluation of Environmental Test Chambers Based on Bayesian Network |
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 |