CN103840967B - 一种电力通信网中故障定位的方法 - Google Patents

Abstract

本发明公开了一种电力通信网中故障定位的方法，包括：根据故障和症状多对多的不确定性构建二分图模型；在二分图模型的基础上引入故障影响权重因子，计算故障影响度；用可信参数对故障影响度进行修正，得到疑似故障集合。该方法将故障和症状的多对多的不确性用加权二分图来建模，既表达了故障和症状之间的因果关系，又具有良好的建模能力，且有较强的抗噪性，能够适应故障突发性和网络复杂性的真实环境。引入故障影响权重，在二分图模型下利用全概率和贝叶斯思想，将先验故障概率转化为条件概率，计算故障影响度。最后加入可信参数来控制疑似故障的影响，结合覆盖度和贡献度，选出影响程度在可控参数范围下的疑似故障集合。

Description

一种电力通信网中故障定位的方法

技术领域

本发明涉及通信技术领域，特别涉及一种电力通信网中故障定位的方法。

背景技术

随着智能电网的迅速发展，智能电力通信网络承载着重要的信息交换，对功能的多样化和分布式发电厂协同工作起着非常重要的作用。无保障的通信性能不仅限制智能电网对电能的使用和服务质量，而且对信息决策系统有着潜在的损害。网络故障是指导致网络处于非正常状态、业务应用处于非可用状态或者性能下降状态的根本性的原因。故障通常是不会直接被网管系统直接观测到的，往往通过一些外在现象或者告警表现出来。网络故障定位是指在网管系统接受到大量的告警信息后，如何高效、准确地定位所发生的故障。伴随着网络规模的扩大、业务的部署，网络中的故障定位问题呈现出复杂化、不确定性的特点，对于如何进行及时、准确的故障定位提出了很大的挑战。因此，如何在一个复杂、大规模、含有噪声、故障根源具有不确定性的环境中进行有效的故障定位成为当前故障定位问题研究的重点。

现有技术基于案例和模式匹配的方式对电力通信网中的故障进行定位，分析现有的故障案例数据，抽取出基于故障-告警事件树和代码薄模型的组合模式用以故障定位，该方法主要应用了故障-告警树和代码薄组合的方法进行故障定位。故障-告警树的构造本身就存在困难而且即便能够得到的构造也是不确定的，而且故障与告警之间往往存在多对多的关系映射，并不是严格的一对多关系映射，从而使得预先构造的故障-告警树复杂且不确定。代码薄方法是把告警或者症状看成一个标识故障的“密码”，故障定位的过程就是对症状信息进行解码的过程，最终确定密码标识的、出现症状事件的那些故障。然而，代码薄方法要求故障与症状之间具有确定性的模型结构，上述在故障-症状确定性模型结构的代码簿构建上寻求码字之间的最短距离，丢失了故障与症状之间的概率信息，导致故障定位的过程中比较复杂，从而影响了实际得到的故障定位效果。故障与症状的非确定性关系并没有正确表达，而且在故障定位过程中，都没有考虑删除疑似故障所带来的影响，可能导致所删除的故障被故障定位算法所忽略，进而引发电力事故。

因此，上述方法对电力通信网中的故障进行定位的过程中，由于是对已有的故障进行构造故障-告警树，具有一定的局限性，并且需要的时间较长，影响了定位的效率，另外，还会因为忽略了删除疑似故障对定位结果带来的影响，不确定性较高，造成得到的故障定位结果准确度不高。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是如何降低删除疑似故障对故障定位结果产生的影响，确保定位结果准确度。

（二）技术方案

为解决上述技术问题，本发明提供了一种电力通信网中故障定位的方法，包括：

S1、根据故障和症状多对多的不确定性构建二分图模型；

S2、在二分图模型的基础上引入故障影响权重因子，计算故障影响度；

S3、用可信参数对故障影响度进行修正，得到疑似故障集合。

进一步地，所述二分图模型具体包括：

故障集合和症状集合，故障集合中包括通信系统中的全部故障，症状集合中包括通信系统中故障集合导致的全部症状，并用概率加权表示症状和故障之间的关系，其中故障集合F={f₁,f₂,…,f_A}，症状集合S={s₁,s₂,…,s_B}，A和B分别表示故障集合中集合的个数和症状集合中的症状个数；

接收到告警症状信息之后，通过所述二分图模型获得待选故障子集合。

进一步地，步骤S2在二分图模型的基础上引入故障影响权重因子具体包括：

在所述二分图模型的基础上利用全概率和贝叶斯思想，将故障先验概率转化为在观察时间窗口下的条件概率。

进一步地，所述将故障先验概率转化为在观察时间窗口下的条件概率具体包括：

对故障发生情况下对应的症状发生的条件概率进行正则化，得到正则化条件概率

之后计算全概率

再由贝叶斯公式计算得知症状情况下对应故障的条件概率

其中P(s_j|f_i)为已知第i个故障f_i下第j个症状s_i的条件概率，P'(s_j|f_i)为已知第i个故障f_i下第j个症状s_i的条件概率正则化之后得到的正则化条件概率，domains(f_i)表示与故障f_i关联的所有症状的集合，且P'(f_j|s_i)为已知第i个症状s_i的情况下第j个故障f_j生的条件概率正则化之后得到的正则化条件概率，P'(f_i)为正则化全概率，P(f_i)为故障f_i的先验概率。

进一步地，所述计算疑似故障影响度具体包括：

在观察时间窗口内可视的症状集合对故障产生的故障影响权重因子I(f_i,S_N)=P(f_i)·X_i，其中f_i表示故障集合中的第i个故障，S_N表示在第N个观察时间窗口内可视的症状集合，P(f_i)表示第i个故障f_i发生的先验概率，X_i表示第i个故障f_i影响程度的权重值。

进一步地，步骤S3具体包括：

S31、对待选故障子集合中的故障影响度，按照故障影响度的大小进行排序，并按照排序添加索引值；

S32、对候选故障子集合中的索引值与可信参数的大小进行比较，如果索引值大于或等于可信参数，则选出所述索引值对应的待选故障，加入到故障假设集合中，并转入步骤S35，如果索引值小于可信参数则进入步骤S33；

S33、计算待选故障子集合中故障的贡献度，构造剩余集合，按照贡献度的大小排序；

S34、循环选择每个剩余集合中的待选故障，并加入到故障假设集合中，转入步骤S35；

S35、将待选故障的症状加入到覆盖集合中，并判断覆盖集合是否已经覆盖到观察时间窗口可视的症状集合，如果已经完全覆盖则停止后续操作，否则转入步骤S36；

S36、判断待选故障的索引值是否大于等于可信参数，如果大于则返回步骤S31，去下一个待选故障；否则返回步骤S34，从剩余集合中选出下一个待选故障加入到故障假设集合中。

进一步地，步骤S31之前还包括：初始化故障假设集合、覆盖集合、故障集合和待选集合为空集。

（三）有益效果

本发明实施例提供了一种电力通信网中故障定位的方法，包括：根据故障和症状多对多的不确定性构建二分图模型；在二分图模型的基础上引入故障影响权重因子，计算故障影响度；用可信参数对故障影响度进行修正，得到疑似故障集合。该方法将故障和症状的多对多的不确性用加权二分图来建模，既表达了故障和症状之间的因果关系，又具有良好的建模能力，且有较强的抗噪性，能够适应故障突发性和网络复杂性的真实环境。引入故障影响权重，在二分图模型下利用全概率和贝叶斯思想，将先验故障概率转化为条件概率，计算故障影响度。最后加入可信参数来控制疑似故障的影响，结合覆盖度和贡献度，选出既能完全合理的解释所发生的症状，且影响程度在可控参数范围下的疑似故障集合。

附图说明

图1为本发明实施例中提供的一种电力通信网中故障定位的方法的步骤流程图；

图2为本发明实施例中提供的二分图模型；

图3为本发明实施例中提供的基于电力通信网中故障定位的方法执行信号流程图；

图4为本发明实施例中误判率在不同LR和SSR情况下的误判率随节点数分布示意图；

图5为本发明实施例中误判率在不同LR和SSR情况下的时间随节点数分布示意图；

图6为本发明实施例中误判率在不同OR情况下的误判率随节点数分布示意图；

图7为本发明实施例中误判率在不同OR情况下的时间随节点数分布示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明实施例中提供了一种电力通信网中故障定位的方法，步骤流程图如图1所示，具体包括：

步骤S1、根据故障和症状多对多的不确定性构建二分图模型；

步骤S2、在二分图模型的基础上引入故障影响权重因子，计算故障影响度；

步骤S3、用可信参数对故障影响度进行修正，得到疑似故障集合。

上述方法在故障定位过程中，基于加权概率二分图模型，在分析故障对症状的覆盖和贡献的基础上，重点考虑遗漏故障所造成影响，通过加入可信参数来优先选择给定影响度之上的假设故障集，将疑似故障的影响控制在合理的程度下，保证较低的误检率。

优选地，本实施例中的二分图模型具体包括：

故障集合和症状集合，故障集合中包括通信系统中的全部故障，症状集合中包括通信系统中故障集合导致的全部症状，并用概率加权表示症状和故障之间的关系，其中故障集合F={f₁,f₂,…,f_A}，症状集合S={s₁,s₂,…,s_B}，A和B分别表示故障集合中集合的个数和症状集合中的症状个数；接收到告警症状信息之后，通过所述二分图模型获得待选故障子集合。

优选地，本实施例中步骤S2在二分图模型的基础上引入故障影响权重因子具体包括：

在所述二分图模型的基础上利用全概率和贝叶斯思想，将故障先验概率转化为在观察时间窗口下的条件概率。

优选地，本实施例中将故障先验概率转化为在观察时间窗口下的条件概率具体包括：

对故障发生情况下对应的症状发生的条件概率进行正则化，得到正则化条件概率

之后计算全概率

再由贝叶斯公式计算得知症状情况下对应故障的条件概率

其中P(s_j|f_i)为已知第i个故障f_i下第j个症状s_i的条件概率，P'(s_j|f_i)为已知第i个故障f_i下第j个症状s_i的条件概率正则化之后得到的正则化条件概率，domains(f_i)表示与故障f_i关联的所有症状的集合，且P'(f_j|s_i)为已知第i个症状s_i的情况下第j个故障f_j发生的条件概率正则化之后得到的正则化条件概率，P'(f_i)为正则化全概率，P(f_i)为故障f_i的先验概率。

进一步地，计算疑似故障影响度具体包括：

在观察时间窗口内可视的症状集合对故障产生的故障影响权重因子I(f_i,S_N)=P(f_i)·X_i，其中f_i表示故障集合中的第i个故障，S_N表示在第N个观察时间窗口内可视的症状集合，P(f_i)表示第i个故障f_i发生的先验概率，X_i表示第i个故障f_i影响程度的权重值。

优选地，本实施例中步骤S3具体包括：

S31、对待选故障子集合中的故障影响度，按照故障影响度的大小进行排序，并按照排序添加索引值；

S32、对候选故障子集合中的索引值与可信参数的大小进行比较，如果索引值大于或等于可信参数，则选出索引值对应的待选故障，加入到故障假设集合中，并转入步骤S35，如果索引值小于可信参数则进入步骤S33；

S33、计算待选故障子集合中故障的贡献度，构造剩余集合，按照贡献度的大小排序；

S34、循环选择每个剩余集合中的待选故障，并加入到故障假设集合中，转入步骤S35；

S35、将待选故障的症状加入到覆盖集合中，并判断覆盖集合是否已经覆盖到观察时间窗口可视的症状集合，如果已经完全覆盖则停止后续操作，否则转入步骤S36；

S36、判断待选故障的索引值是否大于等于可信参数，如果大于则返回步骤S31，去下一个待选故障；否则返回步骤S34，从剩余集合中选出下一个待选故障加入到故障假设集合中。

优选地，本实施例中步骤S31之前还包括：初始化故障假设集合、覆盖集合、故障集合和待选集合为空集。

具体的，在电力通信网中，由于特定的故障可能导致多个症状的产生，且特定的症状可能是由多个故障所引起。如何快速高效的从大量的症状集合中，选出有限的导致症状发生的故障集合是故障定位要解决的关键问题。故障集合中的故障不仅要合理解释出现的症状，而且能保证选出的故障影响在一定阀值之上。故障和症状之间的这种因果意义的、非确定的映射关系，可由概率加权二分图表达。加权二分图模型既避免了信任网络等模型的计算复杂度高的缺点，又具备加权因果图的建模能力，因而在实际中被大量使用。二分图模型将症状信息作为图的部分节点，而故障信息作为图的另一部分节点，以概率加权边表达症状和故障之间的不确定关系。通过先验概率和条件概率之间的关系，推导可能导致观察症状出现下的故障信息。相关的定义如下：

症状集合S：S={s₁,s₂,…,s_A}，表示系统中由故障导致的全部症状的集合。

故障集合F：F={f₁,f₂,…,f_B}表示系统中全部故障，包含网络组件故障和性能故障。

症状可观察率OR（Observable Ratio）:OR=|S_o|/|S|，可观察症状集合So表示由网络管理系统捕获的，可被网络管理员所观察到的症状集合。

症状丢失率LR（Lost Ratio）:LR(s),s∈S_o表示在症状信息传输到网管系统过程中由于网络丢包、协议不可靠等原因导致的症状丢失比率。

症状虚假率SSR（Spurious Symptom Rate）：SSR(s),s∈S_o表示网络管理员对告警门限设置的不准确，网络拥塞等原因导致的虚假信息。OR，LR和SSR参数用于在实例中对网络的噪声参数进行设置。

故障与症状之间的关系可用基于概率的加权二分图模型BG=(V(F∪S),E(F×S),P_F,P_E(F×S))来表示，V(F∪S)为故障和症状组成的二分节点的集合，E(F×S)为由故障指向症状的有向边的集合，边权重的集合为P_E(F×S)，表示当故障f发生时，发生症状s的概率，P_F表示故障f发生的先验概率，可由历史数据统计或者通过专家得出。其中，f∈F,s∈S。在加权二分图模型下，进一步做如下定义：

症状s_i域：表示与症状s_i所关联的所有故障的集合。

故障f_i域：代表与故障f_i所关联的所有症状的集合。其中构建的二分图模型如图2所示，其中图2中是以A=4，B=3为例。

为了度量在疑似故障集合中，故障定位算法可能删除故障所带来的影响程度，在特定的观察时间窗口内，算法应当即时清除症状信息，否则历史症状信息可能对定位算法进行影响。假设第N个观察窗口内出现的症状集合为S_N。网络管理系统需要计算在定位过程中，删除疑似故障f_i后，对已经观察的症状S_N可能发生的故障影响I(f_i,S_N)而不是删除故障本身的影响I(f_i)。自然的，故障f_i的影响程度可表达为：

I(f_i,S_N)=P(f_i)·X_i 公式(1)

其中X_i为相应故障f_i的影响程度的权重值，故障f发生的先验概率P(f_i)在加权二分图模型下，并不满足概率意义上的完备性，即为了利用已知的P(s_j|f_i)值来计算影响程度I(f_i,S_N)，我们将二分图下症状s_j的概率值进行正则化后得到对应的P’(s_j|f_i)如下：

公式(2)

则P’(s_j|f_i)满足完备性要求。进一步，由故障定位的一般假设和全概率公式知：

公式(3)

而由贝叶斯公式得：

公式(4)

P’(f_i)与P(f_i)在度量故障影响程度下具有等价性。给定故障的影响值，由公式(4)、公式(3)可根据公式(1)计算该故障产生的影响I(f_i,S_N)。结合I(f_i,S_N)值和故障对症状的贡献值G(f_i,S_N)和覆盖Coverage(f_i)，进一步，在可信参数最小损失故障定位算法下，选择故障假设集合，避免在覆盖观察症状S_N下，删除故障f_i带来的影响和损失比较大的问题，从而确保对重要业务的保障性。故障覆盖度表示为：

Coverage(f_i)=|{s|s∈domains(f_i)∩S_N} 公式(5)

以及故障对症状的贡献度，贡献度表示为S_N窗口内所有观察到的症状的概率和除以丢失症状对应的概率和虚假症状的概率和两部分的和式，表示如下：

公式(6)

之后引入可信参数m，以下是可信参数最小损失故障定位算法：

算法基于故障影响可控的思想，引入可信参数m，来优先选择故障影响值大于或者等于可信参数m的故障作为疑似故障集合，以确保故障的影响在可控范围内，避免由于通信故障而引发电力事故。

在该算法中，前提假设如下：

（1）Noisy-OR模型，即导致同一症状的故障之间的关系使用逻辑操作符“OR”进行连接。

（2）引起同一症状的故障之间相互独立。

该算法的输入和输出如下：

首先输入包括：

1）故障传播的二分图模型BG。

2）症状的概率分布P(S)以及故障影响度向量X。

3）通过网络管理系统接受的症状集合S_N。

4）可信参数m、症状可观察率OR、丢失率LR(s)和虚假率SSR(s)。输出就是最可能的故障假设集合具有以下性质:

1）至少存在一个f_i可以将其解释。

2）可以将解释的故障的影响程度在可信参数m下，无一例外的包含于故障假设集合H中。

本实施例提供的方法执行信号流程如图3所示，具体如下：

在步骤201中，在接收到大量的告警信息后，初始化概率二分图模型，计算加权概率，完成该步骤后，进入步骤202；

在步骤202中，获取可信参数m，可以根据经验得出，或者经由有监督的机器学习方法通过学习获得可信参数m的值。初始化部分包含初始化故障假设集H、覆盖集合C为空集以及剩余集合R、待选故障集合即 进入步骤203；

在步骤203中，将接受到的告警症状信息，通过步骤201所建立的二分图模型，获得可能的待选故障子集合对每个待选故障集合中的故障，由公式2正则化条件概率，计算每个待选故障f_i的影响程度的索引值eff_fi，从大到小排序，并开始循环。进入步骤204；

在步骤204中，对每个待选故障的影响索引值是否大于或者等于可信参数m进行判断，若大于或者等于m，转入步骤206，否则进入步骤205；

在步骤205中，计算待选故障f_i的贡献度，进入剩余集合R中，并按贡献度值大小排序。循环选择每个剩余集中的待选故障，进入步骤207；

在步骤206中，选出相应的故障进入故障假设集合H中，将相应故障的症状加入到覆盖集合C中，进步步骤208；

在步骤208中，判断覆盖集合C是否已经全部覆盖到已经观察到的症状S_N，如果已经全部覆盖，则停止，否则转步骤209；

在步骤209中，判断待选故障f_i的索引值是否大于或者等于可信参数m，如果是，则进入203进行循环运行，取出下一个待选故障f_i+1，否则，进入步骤207继续运行，即在剩余集合中取出下一个待选故障f_i+1进入故障假设集合H中。

同时，3个指标被用来评估故障定位算法的性能：检测率DR(DeteCtion Rate)、误判率FPR(False Positive Rate)以及算法时间。前两个指标定义如下：

DR=|F_C∩H||F_C| 公式(7)

FPR=|H-F_C||H| 公式(8)

其中F_C表示实际发生的故障，H为故障假设集合，表示由故障定位算法产生的故障假设。

需要说明的是，本实施例中上述步骤是根据告警信息进行故障定位的，但是本实施例中的症状包括但不局限于告警信息。

综上，本实施例中提供的方法通过电力网络中的症状和故障之间的对应关系建模为加权的二分图模型，将该模型中故障对症状和症状对应的故障关系正确表达，该二分图模型存储、并给对应关系进行加权；之后计算每个疑似故障的影响系数，并依实际情况确定可信参数的取值；最后计算覆盖度、贡献度等相关参数，依据定位算法中的步骤进行控制。

以下给出一个具体方案对上述方法进行说明：

选取某省公司电力传输SDH网络中的一、二、三级骨干网络的140个节点收集实验数据。由于电力通信网络中的故障发生次数较少，我们选取了2010年10月31日到2012年10月31日网络运营中的6406条告警症状数据，其中含288个故障。

首先确定输入所有症状种类即|S|=6406和故障总数|F|=288。由网管系统从资源管理系统和MIB库中获取故障和症状信息的关联关系。

其次，生成故障集合和症状集合之间的非确定性关联关系。在此基础上构建故障传播模，即二分图模型BG。假设故障发生概率P_F和故障和症状之间的非确定条件概率P_F×S都随机产生，分别服从参数为(0.001，0.01)和(0，1)上的均匀分布。然后，每一个仿真场景由4个参数确定：症状观察率OR，症状丢失率LR，虚假症状率SSR以及网络节点数n，m的取值为0.085。

通过如下的参数设置来模拟正常网络下的噪声环境，从场景中所有症状中随机选择OR·|S|个症状形成观察症状集S_o。从观察窗口中的症状S_N中任意选择LR·|S_N|个症状作为被丢失的症状,并从S_N中删去。从S_o中选取SSR·|S_o|个症状作为虚假症状加入到S_N中。最后，将所得数据进行对比。

以下，根据设置不同的参数进行对比，第一种是在不同的LR和SSR参数下的对比，如图4和图5所示。其中图4显示了误判率在OR=0.8，LR=0.1和SSR=0.01下，算法误检率为0.310345。在LR=0和SSR=0下本文算法为0.126245。本实施例提供的算法在上述两种网络噪声参数下，具有较低的故障误判率。图5显示，在两种参数下算法的平均运行时间。当OR=0.8时，在参数LR=0.1和SSR=0.01下，本文算法的平均运行时间206.5740ms。在LR=0和SSR=0下，本文算法的平均运行时间为162.2718ms。

第二种是在不同的OR参数下的对比，如图4和图5所示。在误判率指标上，典型噪声参数OR=0.8时，平均误判率为0.310345。理想参数OR=1.0时，平均误判率为0.21704，如图6示。在检测时间比较上，典型噪声参数OR=0.8时，算法平均运行时间为162.2718ms。理想噪声参数OR=1时，算法运行时间为136.7997ms，如图7所示。

上述实例表明，由于方法在考虑故障影响程度上加入了可信参数m来优先选择故障影响值在可控范围内的故障，索引该方法即避免了电力通信网络中的通信故障可能引起电力事故的问题，同时又能较为快速的定位电力通信网络中的故障。实例表明该故障定位方法具有相对较低的误检率和算法平均运行时间，尤其适用于电力通信网络。

利用本发明实施例提供的方法于电力通信网中故障的定位技术，具有以下的优点：

1、克服了传统网络定位技术中基于规则技术和确定性模型带来的弊端，以加权概率模型表达了故障与症状的不确定性关系；

2、考虑了故障定位方法中，对疑似故障的删除可能带较大影响并可能引发电力事故的问题，计算了疑似故障的影响程度；

3、在兼顾故障对症状的合理解释的基础上，加入可信参数对故障影响程度进行适度的控制，以确保将故障影响可控；

4、定位方法较其它定位方法处理速度快捷且能保持较低的误检率。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (6)

1.一种电力通信网中故障定位的方法，其特征在于，包括：

S1、根据故障和症状多对多的不确定性构建二分图模型；

S2、在二分图模型的基础上引入故障影响权重因子，计算故障影响度；

S3、用可信参数对故障影响度进行修正，得到疑似故障集合；

步骤S2在二分图模型的基础上引入故障影响权重因子具体包括：

在所述二分图模型的基础上利用全概率和贝叶斯思想，将故障先验概率转化为在观察时间窗口下的条件概率。

2.如权利要求1所述的方法，其特征在于，所述二分图模型具体包括：

故障集合和症状集合，故障集合中包括通信系统中的全部故障，症状集合中包括通信系统中故障集合导致的全部症状，并用概率加权表示症状和故障之间的关系，其中故障集合F＝{f₁,f₂,…,f_A}，症状集合S＝{s₁,s₂,…,s_B}，A和B分别表示故障集合中故障的个数和症状集合中的症状个数；

接收到告警症状信息之后，通过所述二分图模型获得待选故障子集合。

3.如权利要求1所述的方法，其特征在于，所述将故障先验概率转化为在观察时间窗口下的条件概率具体包括：

对故障发生情况下对应的症状发生的条件概率进行正则化，得到正则化条件概率

之后计算全概率

再由贝叶斯公式计算得知症状情况下对应故障的条件概率

其中P(s_j|f_i)为已知第i个故障f_i下第j个症状s_i的条件概率，P'(s_j|f_i)为已知第i个故障f_i下第j个症状s_j的条件概率正则化之后得到的正则化条件概率，P'(f_i|s_j)为已知第j个症状s_j下第i个故障f_i的条件概率正则化之后得到的正则化条件概率，domains(f_i)表示与故障f_i关联的所有症状的集合，且P'(f_i)为正则化全概率，P(f_i)为故障f_i的先验概率，P(s_j)为症状s_j的先验概率。

4.如权利要求1所述的方法，其特征在于，所述计算故障影响度具体包括：

在观察时间窗口内可视的症状集合对故障产生的故障影响权重因子I(f_i,S_N)＝P(f_i)·X_i，其中f_i表示故障集合中的第i个故障，S_N表示在第N个观察时间窗口内可视的症状集合，P(f_i)表示第i个故障f_i发生的先验概率，X_i表示第i个故障f_i影响程度的权重值。

5.如权利要求2所述的方法，其特征在于，步骤S3具体包括：

S31、对待选故障子集合中的故障影响度，按照故障影响度的大小进行排序，并按照排序添加索引值；

S32、对待选故障子集合中的索引值与可信参数的大小进行比较，如果索引值大于或等于可信参数，则选出所述索引值对应的待选故障，加入到故障假设集合中，并转入步骤S35，如果索引值小于可信参数则进入步骤S33；

S33、计算待选故障子集合中故障的贡献度，构造剩余集合，按照贡献度的大小排序；

S34、循环选择每个剩余集合中的待选故障，并加入到故障假设集合中，转入步骤S35；

S35、将待选故障的症状加入到覆盖集合中，并判断覆盖集合是否已经覆盖到观察时间窗口可视的症状集合，如果已经完全覆盖则停止后续操作，否则转入步骤S36；

S36、判断待选故障的索引值是否大于等于可信参数，如果大于则返回步骤S31，去下一个待选故障；否则返回步骤S34，从剩余集合中选出下一个待选故障加入到故障假设集合中。

6.如权利要求5所述的方法，其特征在于，步骤S31之前还包括：初始化故障假设集合、覆盖集合、故障集合和待选集合为空集。