CN103198217A

CN103198217A - 一种故障检测方法及系统

Info

Publication number: CN103198217A
Application number: CN201310098900XA
Authority: CN
Inventors: X·Q·李
Original assignee: Individual
Current assignee: Guangdong Medex Technology Co Ltd
Priority date: 2013-03-26
Filing date: 2013-03-26
Publication date: 2013-07-10
Anticipated expiration: 2033-03-26
Also published as: CN103198217B

Abstract

本发明涉及一种故障检测方法及系统。该故障检测方法包括：步骤1.输入故障现象；步骤2.将相互有影响的与故障结论直接相关联的故障现象节点充分收敛，构建朴素贝叶斯网络；步骤3.利用贝叶斯公式，检测所述故障现象与所有故障结论可信度评分；步骤4.将所有故障结论按照可信度从高到低进行排序。本发明无需通过建立有向无环图来判断故障，从而提高了故障检测的可能性，特别适用于检测伴随多个相互影响现象的故障。

Description

一种故障检测方法及系统

技术领域

本发明涉及故障检测领域，尤其涉及一种故障检测方法及系统。

背景技术

为了进行故障检测，现有技术中多提供专家系统来帮助人们进行一些检测。现有技术中的专家系统是基于现象A和结论B之间的相关性，利用贝叶斯公式（公式1）计算相关性概率，然后进行排序后得出的。

贝叶斯公式的定义如下：

P (B_{i} / A) = \frac{P (A / B_{i}) \cdot P (B_{i})}{Σ_{i = 1}^{n} P (A / B_{i}) \cdot P (B_{i})}

i=1,2....n (1)

专家系统在利用这种方法进行计算时，目的是要计算出在一组现象{A₁,A₂,A₃…A_n}出现时，不同结论{B₁,B₂,B₃…B_n}的可能性的排序。根据贝叶斯公式，此时需要统计{B₁,B₂,B₃…B_n}存在情况下，{A₁,A₂,A₃…A_n}出现的概率。然后根据贝叶斯公式的扩展（公式2），就可以对{B₁,B₂,B₃…B_n}进行排序。

P (B_{i} / A_{1}, A_{2} . . . A_{k}) = \frac{P (A_{1} / B_{i}) \cdot P (A_{2} / B_{i}) . . . . \cdot P (A_{k} / B_{i}) \cdot P (B_{i})}{Σ_{i = 1}^{n} P (A_{1} / B_{i}) \cdot P (A_{2} / B_{i}) . . . . \cdot P (A_{k} / B_{i}) \cdot P (B_{i})}

i=1,2....n (2)

这种方法的前提是{A₁,A₂,A₃…A_n}相互间互不影响，即{A₁,A₂,A₃…A_n}为相互不影响的独立因素。但在判断关系中，现象之间可能相互有影响。

以汽车故障查询系统为例，假设方向控制助力系统发生故障，会造成行驶过程中车身抖动和方向控制困难。这两种现象之间又可能存在关联，即：车身抖动造成方向控制困难，而方向控制困难也会造成车身抖动。这种情况下，这两种现象就存在相互影响的可能。在因素之间相互影响的情况下，将无法满足贝叶斯公式的前提，故公式2将不再适用。

目前对此问题的解决办法是，利用贝叶斯网络原理，建立有向无环图（DAG）结构，利用直接前驱节点计算所有节点的概率。一个贝叶斯网络定义包括一个有向无环图（DAG）和一个条件概率表集合。DAG中每一个节点表示一个随机变量，可以是可直接观测变量或隐藏变量，而有向边表示随机变量间的条件依赖；条件概率表中的每一个元素对应DAG中唯一的节点，存储此节点对于其所有直接前驱节点的联合条件概率。这个性质很类似马尔可夫（Markov）过程。贝叶斯网络可以看做是Markov链的非线性扩展。这条特性的重要意义在于明确了贝叶斯网络可以方便计算联合概率分布。具体实现方法有多种，例如马尔可夫蒙特卡洛吉布斯抽样算法（Markov ChainMonte Carlo Gibbs Sampling Algorithm）。上述算法可以计算多层结构的贝叶斯网络，所需的统计表规模较小。

此方法的问题在于，前提是需要建立有向无环图的拓扑结构关系。但是很多关系结构复杂，不容易建立DAG结构，因为贝叶斯网络比朴素贝叶斯更复杂，而想构造和训练出一个好的贝叶斯网络异常艰难。同时很多因素之间的关系，例如上述车身抖动和方向控制困难之间，相互影响的关系会形成环路，无法满足DAG。以上问题造成了目前专家系统设计方法和算法复杂，计算机实现复杂，同时使用范围有局限的情况。

发明内容

为了解决上述的技术问题，提供了一种故障检测方法及系统，其目的在于，提供一种适用范围更广的故障检测方案。

本发明提供了一种故障检测方法，包括：步骤1，输入故障现象；步骤2，将相互有影响的与故障结论直接相关联的故障现象节点收敛，构建朴素贝叶斯网络；步骤3，利用贝叶斯公式，检测所述故障现象与所有故障结论可信度评分；步骤4，将所有故障结论按照可信度从高到低进行排序。

优选地，步骤1中，还将输入的故障标准化。

优选地，步骤3中，利用贝叶斯公式计算故障现象与故障结论相关性的可信度P_i'，P_i'＝P(A₁/B_i)·P(A₂/B_i)....·P(A_k/B_i)·P(B_i)，其中i=1,2....n，k=1,2....n，n为正整数，A_k为故障现象，B_i为故障结论，P(B_i)为先验概率，P(A_k/B_i)为B_i发生时出现A_k的概率。

优选地，步骤3中，计算P_i'/P(B_i)，用于提高罕见故障的可信度，以使结果更具有参考意义。

优选地，步骤3中，将P_i'/P(B_i)进行对数转化为

计算可信度评分。

本发明提供了一种故障检测系统，包括：输入模块，用于输入故障现象；节点收敛模块，用于将相互有影响的与故障结论直接相关联的故障现象节点收敛，构建朴素贝叶斯网络；可信度计算模块，用于利用贝叶斯公式，检测所述故障现象与所有故障结论可信度评分；可信度排序模块，用于将所有故障结论按照可信度从高到低进行排序。

优选地，该故障检测系统还包括标准化模块，还用于将输入的故障现象标准化。

优选地，可信度计算模块还利用贝叶斯公式计算故障现象与故障结论相关性的可信度P_i'：P_i'＝P(A₁/B_i)·P(A₂/B_i)....·P(A_k/B_i)·P(B_i)，其中i=1,2....n，k=1,2....n，n为正整数，A_k为故障现象，B_i为故障结论，P(B_i)为先验概率，P(A_k/B_i)为B_i发生时出现A_k的概率。

优选地，可信度计算模块还用于计算P_i'/P(B_i)，用于提高罕见故障的可信度，以使结果更具有参考意义。

优选地，可信度计算模块还用于将P_i'/P(B_i)进行对数转化为

计算可信度评分。

本发明无需通过建立有向无环图来判断故障，从而提高了故障检测的可能性，特别适用于检测伴随多个相互影响现象的故障。

附图说明

图1为故障现象和故障结论组成的示意性拓扑图；

图2为本发明提供的经过节点收敛的拓扑图；

图3为本发明提供的车辆故障检测的数据库结构；

图4为本发明提供的故障检测系统结构图。

具体实施方式

下面结合附图，对本发明做进一步的详细描述。

本发明摒弃了建立有向无环图（DAG）例如马尔可夫蒙特卡洛吉布斯抽样算法（Markov Chain Monte Carlo Gibbs Sampling Algorithm）等算法计算贝叶斯网络节点概率的方法，而是应用了朴素贝叶斯理论。本发明中为了加快运算的速度，可以采用关系数据库。对于朴素贝叶斯理论而言，采用朴素贝叶斯理论的前提是假设样本每个特征与其他特征都不相关，但是这个假设在实际应用中往往是不成立的。为了应用朴素贝叶斯理论，本发明将相互有影响的与故障结论直接相关联的故障现象节点充分收敛，从而使判断关系简化为符合朴素贝叶斯理论。子节点收敛方法的实例见图1和图2。其中节点d,e,f为相互影响的c的直接子节点。图1收敛之前的节点之间的关系，图2显示了收敛之后的节点之间的关系。

在图1中，概率计算公式为：

P(abcdef)=P（a）P(b)P(c|ab)P(d|c)P(e|cd)P(f|cde)=P1*P2*P3*P4*P5*P6。

整个收敛过程为：

P(Y1Y2Y3Y4)=P(Y1)P(Y2)P(Y3|Y1Y2)P(Y4|Y3)=P1*P2*P3*P4*P5*P6。

利用了贝叶斯网络节点收缩算法，可以将节点收缩到可以使用朴素贝叶斯理论的状态。例如有判断关系中的结论为方向控制助力系统故障B1，相互影响的现象为行驶过程中车身抖动A1和方向控制困难A2，可以转化为车身抖动A1，方向控制困难A2，车身抖动方向控制困难A1A2。由此可以不考虑相互影响因素的内部关系，以及贝叶斯网络是否符合DAG，而直接统计现象组与结论的关联概率，然后利用贝叶斯公式（公式2）计算所有现象组与所有结论相关性的可信度评分。计算可信度时，由于公式2的分母部分在比较时是相同的，故此可以将公式2转换为公式3。

P_i'＝P(A₁/B_i)·P(A₂/B_i)....·P(A_k/B_i)·P(B_i)

i=1,2....n (3)

P(B_i)为先验概率，P(A_k/B_i)为B_i发生时出现A_k的概率，此两种概率由专家估算或统计观察得出。统计观察结果是根据以往观察得到的。专家估算是指相关领域专家根据自己经验的估计。一般以统计观察为主，专家估算是在统计观察结果缺失的情况下采用的。其中P(B_i)等同于全部车辆故障中该故障的发生频率，由于某些常见故障的发生率较高，而罕见故障发生率低，两者相差悬殊，结果会造成可信度排序主要受该因素影响，故此将公式3转换为公式4，即可信度与发生频率成反比，从而提高罕见故障的排名，使结果更具参考意义。

P_i＝P(A₁/B_i)·P(A₂/B_i)....·P(A_k/B_i)·P(B_i)/P(B_i)

i=1,2....n (4)

在统计中，要求统计数据的误差呈正态分布。而实际中当统计的数据变量或因过小而又不能舍弃，或因统计的数据不符合集中性，对称性，均匀性，且样本例数又较少时，往往采取对统计数据进行变换的方法将非正态分布的数据转换为近似正态分布，以使数据能够满足计算样本统计量及参数检验的条件。对公式4进行对数变换，使统计的概率值成正态分布（公式5）。

R_{i}^{'} = Σ_{n = 1}^{k} (10 (lgP (A_{n} / B_{i}) + 1) + 10)

i=1,2....n (5)

此公式用于最终实际计算可信度评分。其中P(A_n/B_i)是由统计观察或者专家估算得到。前面公式4的结果为故障现象与故障结论的相关性概率，进行公式5的变换后，10(lgP(A_n/B_i)+1)+10将是一个0到20之间的正整数，即为由A_n推断B_i的可信度评分，求和后将为由一组故障现象{A₁,A₂,A₃…A_n}推断某个故障结论B_i的可信度评分。计算一组故障现象{A₁,A₂,A₃…A_n}对于所有故障结论{B₁,B₂,B₃…B_i}的可信度评分，然后反向排序，即可得出故障结论列表。如果某故障结论可信度评分为0，表示可能性很小，但该结论仍会出现在结果列表中。而不存在的结论可信度评分也可认为是0，参与可信度评分计算的过程，由此可以认为公式2的分母部分在比较时是相同的，但在结果中并不出现该结论名。

收敛算法所产生的问题是在故障现象单独出现时将无法做出判断。解决此问题的方法如下：将所有可能的现象组合与结论相关性的可信度评分都计算出来，此结果可以预先存储在故障查询表中。例如此例中B1与A1，B1与A2，B1与A1A2的相关性可信度评分将作为三个元组（Record）储存在故障查询表中。

全部可能组合的数量可由下列公式算出：

Σ_{i = 1}^{n} C_{n}^{i} = 2^{n} - 1

公式(6)

例如（S1，S2，S3），将有（S1）（S2）（S3）（S1S2）（S2S3）（S1S3）（S1S2S3）。故障查询表中相关故障将包含所有可能的现象组合对于结论的可信度评分，将全部作为独立的元组储存在故障查询表中。节点收敛依据也将预先制定好，并随时可用。节点收敛依据表明了哪些是相互有影响的与故障结论直接相关联的故障现象节点。

用户在依据故障现象判断故障结论的时候，首先根据故障现象构建关系拓扑图，然后根据预先制定的节点收敛依据将故障节点收敛，接着根据预先制定的故障查询表中的可信度评分计算该故障现象对全部故障的可信度评分，最后将全部故障可信度评分按照从高到低进行排序。

本发明可以在计算机中实现。如图4所示，计算机程序将输入的故障现象标准化，将相互有影响的与故障结论直接相关联的故障现象节点充分收敛，构建朴素贝叶斯网络，利用公式5，检测所述故障现象与所有故障结论可信度评分，将所有故障结论按照可信度从高到低进行排序。在计算机中实现上述的方案时，标准化信息，节点收敛依据，故障现象与故障结论相关性概率（即可信度评分）都预先存储在数据库中。用户可以通过在输入输出界面层输入故障现象，而数据处理层通过查询数据库层中的预先储存的信息，包括标准化信息，收敛依据，可信度评分，对输入的故障现象进行标准化（即将输入的信息进行格式化，以便于计算机进行处理），收敛以及计算可信度评分，最后将排序结果在输入输出界面层显示给用户。计算机程序可以帮助用户迅速通过故障现象判断可能发生了什么故障。

下面以某车辆的故障检测为例进行说明。

如图3所示，首先在数据库中存储数据表，数据表中第一行为表名，第二行为主键，剩下的为字段。带箭头线段表示外键约束，连接的两个字段都建立索引。箭头指向为主表主键，箭头尾部为从表的外键。该数据库的实体关系模型ER Model(Entities Relationships Model)为：

车辆故障(vehicle_failure):故障检测(troubleshooting)

和

故障现象(phenomenon)：故障检测(troubleshooting)

都符合1：n关系（1：n为数据库ER关系的一种）。即一个故障记录对应多条故障检测记录，一个故障现象也对应多条故障检测记录。

在本发明中，首先将车辆出现的故障现象根据知识库中的alias(别名)表标准化。alias表中的存储了别名和标准现象名称。此例中为S1-车身抖动S1-车身颤抖S1-车身摇晃S2-方向控制困难S2-方向控制障碍S2-方向控制失灵。需要说明的是，S1S2不需要出现在此表中。查询时每个用户输入的关键字都会根据此表格被标准化。结果作为字符串数组输入到现象组合表，此表的结构包含了现象及相应的现象组。例如G1-S1G1-S2，现象组为G1。现象组相同的现象字符串会被组合为一个新的字符串。例如用户输入S1和S2时，将被合并为S1S2。单独输入S1或S2时将继续保持S1或S2。多个现象组例如S1S2，S3S4S5，将会分别组合，例如此时如果用户输入S1，S2,S3,S5，结果将为S1S2和S3S5。此后，将会遍历故障查询表。故障查询表中储存了故障和现象组的可信度评分。根据公式5计算可信度评分所需要的概率数据来源于统计观察或专家估算。例如{D1-S1-1，D1-S2-2，D1-S1S2-5，D2-S1-3……}。查询时，故障名相同的现象组的可信度评分分别求和，将会得出现象组对应故障的可信度评分。

故障查询表中，每个元组都具有独立性。此处的语义是某故障时只单独出现此现象的可信度评分。对于查询时输入的多个现象，语义是同时出现的相互独立的现象。此时多个元组将分别查表，然后求和以得到可信度总评分。对于现象收敛后的查询例如S1和S2为相互影响的现象，将作为一个元组S1S2处理。此时其中每一个单独的现象S1或者S2将不再单独查表，而是只作为一个整体查表。相互影响的现象的所有可能组合都有自己的对应所有故障结论的可信度评分。

现象组合对故障结论可信度评分可比组成该组合的现象可信度评分求和的结果大或者小，也可相同。相同的情况如下：假设某故障在故障查询表中有现象组合的组成部分S1的评分，而另一组成部分S2为0，此时S1S2组合的可信度评分为S1+0，即等于S1+S2。此评分单独储存在故障查询表中。向数据库故障查询表输入数据时，S1S2用S1的值，不必再观察统计结果或者由专家估算。而为0的评分，例如S2，将不储存在数据库故障查询表中。

分数最高的排在最前面，是最有可能发生的故障，意味着当一组现象{S1,S2...Sn}出现时，该故障发生的可能性比其他故障发生可能性高。其余的故障发生的可能性依次递减。点击故障列表中的各个故障，将会显示相关故障信息。

以上为一个系统的查询步骤。

不同系统故障，例如发动机，传动，电子系统等，将分别储存在不同的数据库中（每个系统数据库都有一套这样的表，包括别名表，现象组表，车辆故障表，故障检测表和现象表）。各个系统将分别执行上述步骤，直到全部系统循环结束，最后按照不同系统分别输出排序结果故障列表。点击故障列表中的各个故障，将会显示相关故障信息。

相应地，本发明提供了一种故障检测系统，包括：输入模块，用于将输入的故障现象标准化；节点收敛模块，用于将相互有影响的与故障结论直接相关联的故障现象节点收敛，构建朴素贝叶斯网络；可信度计算模块，用于利用贝叶斯公式，检测所述故障现象与所有故障结论可信度评分；可信度排序模块，用于将所有故障结论按照可信度从高到低进行排序。

优选地，可信度计算模块还利用贝叶斯公式计算故障现象与故障结论相关性的可信度P_i'，P_i'＝P(A₁/B_i)·P(A₂/B_i)....·P(A_k/B_i)·P(B_i)，其中i=1,2....n，k=1,2....n，n为正整数，A_k为故障现象，B_i为故障结论，P(B_i)为先验概率，P(A_k/B_i)为B_i发生时出现A_k的概率，此两种概率由专家估算和统计观察得出。

优选地，可信度计算模块还用于将P_i'/P(B_i)进行对数转化为

计算可信度评分。

上述的一种故障检测系统可以有多种实现方式，可选地，例如图4可以利用输入输出界面、数据处理单元、以及数据库组成，输入输出界面主要用于供用户输入故障现象以及显示检测结果，数据处理单元可以根据故障现象得到故障现象与故障结论之间的可信度，在具体的处理过程中，可以充分利用数据库的功能，通过与数据库的交互来提高处理速度。需要说明的是，这里只是用作示例而非限制，也可以通过其他方式实现故障检测系统。本领域的技术人员在不脱离权利要求书确定的本发明的精神和范围的条件下，还可以对以上内容进行各种各样的修改。因此本发明的范围并不仅限于以上的说明，而是由权利要求书的范围来确定的。

Claims

1.一种故障检测方法，其特征在于，包括：

步骤1，输入故障现象；

步骤2，将相互有影响的与故障结论直接相关联的故障现象节点收敛，构建朴素贝叶斯网络；

步骤3，利用贝叶斯公式，检测所述故障现象与所有故障结论可信度评分；

步骤4，将所有故障结论按照可信度从高到低进行排序。

2.根据权利要求1所述的故障检测方法，其特征在于，步骤1中，还将输入的故障标准化。

3.根据权利要求1所述的故障检测方法，其特征在于，步骤3中，利用贝叶斯公式计算故障现象与故障结论相关性的可信度P_i'，P_i'＝P(A₁/B_i)·P(A₂/B_i)....·P(A_k/B_i)·P(B_i)，其中i=1,2....n，k=1,2....n，n为正整数，A_k为故障现象，B_i为故障结论，P(B_i)为先验概率，P(A_k/B_i)为B_i发生时出现A_k的概率。

4.根据权利要求3所述的故障检测方法，其特征在于，步骤3中，计算P_i'/P(B_i)，用于提高罕见故障的可信度，以使结果更具有参考意义。

5.根据权利要求4所述的故障检测方法，其特征在于，步骤3中，将P_i'/P(B_i)对数转化为

计算可信度评分。

6.一种故障检测系统，其特征在于，包括：

输入模块，用于输入故障现象；

节点收敛模块，用于将相互有影响的与故障结论直接相关联的故障现象节点收敛，构建朴素贝叶斯网络；

可信度计算模块，用于利用贝叶斯公式，检测所述故障现象与所有故障结论可信度评分；

可信度排序模块，用于将所有故障结论按照可信度从高到低进行排序。

7.根据权利要求6所述的故障检测系统，其特征在于，该故障检测系统还包括标准化模块，还用于将输入的故障现象标准化。

8.根据权利要求6所述的故障检测系统，其特征在于，可信度计算模块还利用贝叶斯公式计算故障现象与故障结论相关性的可信度P_i'：P_i'＝P(A₁/B_i)·P(A₂/B_i)....·P(A_k/B_i)·P(B_i)，其中i=1,2....n，k=1,2....n，n为正整数，A_k为故障现象，B_i为故障结论，P(B_i)为先验概率，P(A_k/B_i)为B_i发生时出现A_k的概率。

9.根据权利要求8所述的故障检测系统，其特征在于，可信度计算模块还用于计算P_i'/P(B_i)，用于提高罕见故障的可信度，以使结果更具有参考意义。

10.根据权利要求9所述的故障检测系统，其特征在于，可信度计算模块还用于将P_i'/P(B_i)进行对数转化为

计算可信度评分。