CN104267668A - 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 - Google Patents
基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 Download PDFInfo
- Publication number
- CN104267668A CN104267668A CN201410443481.3A CN201410443481A CN104267668A CN 104267668 A CN104267668 A CN 104267668A CN 201410443481 A CN201410443481 A CN 201410443481A CN 104267668 A CN104267668 A CN 104267668A
- Authority
- CN
- China
- Prior art keywords
- reason
- space flight
- abnormal
- probability
- cause
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
Abstract
本发明公开一种基于贝叶斯方法的航天阀门零件加工过程故障诊断方法,属于专家系统和故障诊断技术领域,包括:首先,绘制航天阀门零件加工过程数据的控制图,并根据一定的判断规则进行控制图异常模式识别,然后,利用FMEA分析和FTA分析,描述航天阀门制造过程故障原因和故障结果的关系网络,建立专家系统知识库,最后利用重要度分析和贝叶斯定理,获取主要故障原因集合,计算最有可能引起顶事件异常模式的原因列表。本发明提出的航天阀门专家系统故障诊断方法,能够对包含大量数据集的航天阀门零件加工过程进行质量监控和故障诊断,改进了现有方法中数据标准化方面的不足,同时开发了针对航天阀门这一特殊对象的专家诊断系统。
Description
技术领域:
本发明涉及一种航天阀门零件加工技术领域,更具体的说,涉及一种基于贝叶斯方法的航天阀门零件机械加工过程故障诊断方法。
背景技术:
随着工业迅猛发展,现代设备的结构越来越复杂,自动化的规模日益增大,各结构、各阶段的耦合越来越紧密。一方面,随之提高的系统自动化水平给生产带来了可观的经济效益,另一方面,影响系统运行的因素骤增,导致其发生故障的潜在可能性也随之递增。现代生产对机械设备的可用性、安全性、可靠性和可维修性更高的要求催生了人们对故障诊断技术的研究。
航天阀门是航天设备流体输送系统中的控制部件,精度要求高,但其制造过程比较复杂,潜在的故障及失效模式也更繁复,高复杂性与多变量性对产品质量的影响更多也更大。因此,对航天阀门制造过程的质量控制和故障诊断至关重要。这一方面可以及时检测并发现质量失控,从而大幅度地减少废品,降低生产成本;二是可以诊断出失控的内在原因,识别、监控航天阀门零件的加工过程,使得工程师可以快速调整工艺过程。目前已有的故障诊断专家系统多种多样,包括斯坦福大学的DENDRAL专家系统、美空军研制的用于飞机喷气发动机故障诊断专家系统XMAN等,但针对航天阀门零件制造过程的故障诊断方法尚属空白。
传统的专家系统故障诊断技术主要基于继承模式、神经网络、贝叶斯网络等规则。专利号为CN 103245911A,名称为“一种基于贝叶斯网络的断路器故障诊断方法”提出基于贝叶斯网络的重要度分析方法,利用专家系统对故障模式进行预测,实现对断路器实时运行状态的诊断。但其故障诊断采用罗列法,缺乏系统全面的知识获取方式,且相较之,航天阀门制造过程的故障与失效原因种类繁多,无法直接采用罗列法进行处理。
发明内容:
针对上述现有技术中存在的技术问题,本发明提供一种基于贝叶斯方法的航天阀门零件机械加工过程故障诊断方法,克服航天阀门制造过程故障与失效原因种类繁多,无法直接利用罗列法进行处理的不足,提出了一种基于控制图理论、FMEA与FTA分析、贝叶斯方法的航天阀门零件机械加工故障诊断方法。由于控制图能够有效、全面地监控产品质量,并且异常模式有限、统一、易于辨识,而FMEA分析与FTA分析能清晰、完整地表示故障原因与结果之间的关系,因此可采用控制图异常模式来表征航天阀门制造过程的故障,用FMEA与FTA分析作为专家系统知识库知识获取的手段,并通过重要度分析与贝叶斯定理,得到最有可能引起异常的原因列表,实现航天阀门零件质量监控与故障诊断。该故障诊断方法,可以作为贝叶斯方法和专家系统的补充,有效地实现航天阀门零件质量监控与故障诊断过程。
为达到上述目的,本发明所采用的技术方案如下:
一种基于贝叶斯方法的航天阀门零件加工过程故障诊断方法,结合控制图模式识别、失效模式与效果分析(FMEA)、故障树分析(FTA)与贝叶斯方法诊断,该方法包括下述步骤:
第一步:获得航天阀门零件加工过程数据的控制图;
第二步:航天阀门零件加工过程控制图模式识别;
对控制图异常模式进行科学划分,设置参数可变的可编译异常状态,根据该异常状态对零件实际加工过程控制图进行异常模式识别,如果无异常模式出现,则对该过程继续实施监控;如果出现异常模式,则转入故障诊断环节;
第三步:对航天阀门零件进行工艺FMEA分析,获得工艺FMEA分析的信息;
第四步:在上述工艺FMEA分析的基础上,对航天阀门零件加工过程进行FTA分析;
第五步:根据第三步工艺FMEA分析与第四步FTA分析的结果,建立航天阀门故障诊断专家系统知识库,根据重要度分析获取主要异因集合,进行主因分析;
第六步:对航天阀门零件加工过程进行贝叶斯方法诊断;
针对第五步中获取的主要异因集合,进行贝叶斯定理推断,获取最有可能引起顶事件异常模式的原因列表。
所述第一步的具体方法是:通过对零件加工过程中的关键工序进行质量监控,按时间序列测量关键工序的加工数据,将其分别绘制成四种类型的控制图,包括:均值控制图、累积和控制图(Cumulative Sum,CUSUM)、Q图、单值控制图,其中,均值控制图广泛适用于各类型各批量的零件,CUSUM累积和控制图主要用于识别缓慢偏离过程目标的过程,Q图主要针对小批量零件,而单值控制图对异常反应最为灵敏;
所述第二步的具体方法是:所述控制图异常模式有6种,分别为:均值递增或减趋势、数据点超出控制界限、均值向上或下偏移、存在两个均值总体、均值向上或下阶跃和标准偏差过大或小;考虑到实际零件加工批量的不同,对6种异常模式进行科学划分,设置8种参数可变的可编译异常状态:①1个点,距离中心线大于A个标准差,A为[1,3]之间的整数,②连续B点递增或递减,B为小于样本容量的正整数,③连续C点落在中心线同一侧,C为小于样本容量的正整数,④连续D点中相邻点交替上下,D为小于样本容量的正整数,⑤连续E+1点中有E点落在中心线同一侧的1个标准差以外,E+1为小于样本容量的正整数,⑥连续F+1点中有F点落在中心线同一侧的2个标准差以外,F+1为小于样本容量的正整数,⑦连续G点落在中心线两侧的1个标准差之内,G为小于样本容量的正整数,⑧连续H点落在中心线两侧的1个标准差之外,H为小于样本容量的正整数。
所述第三步的具体方法是:根据FMEA分析表格中所列出的关键参数对零件加工过程进行跟踪,获得工艺FMEA分析的信息,其中,关键参数及其含义主要有:
(1)潜在失效模式:即零件生产过程中可能出现的问题的罗列;
(2)潜在失效原因:即可能引发潜在失效模式的原因的罗列,包括主观与客观原因;具体到航天阀门零件的分析中,则包括人、机、料、法、环、测六大类原因;
(3)潜在失效后果:即潜在失效模式产生的可能后果,包括对过程本身的影响,对下一过程的影响以及对产品整体的影响;
(4)严重度:即用于评价上述失效模式产生的影响并赋予分值,不良影响越严重则分值越高;
(5)发生度:即上述潜在失效原因出现的概率,出现的几率越大则分值越高;
(6)检测度:即现行的控制方法使潜在失效模式被查出的难易程度,查出难度越大则分值越高;
(7)风险优序数:严重度、发生度、检测度三者分值的积,其数值越大表示潜在的问题越严重,越应及时采取预防措施。
所述第四步的具体方法是:FTA建立过程中以人、机、料、法、环、测六大分类为顶事件即异常模式下第一级节点,再对具体某一分类进行第二级、第三级等多级节点的划分,直至基本事件。
所述第五步的具体方法是:根据第三步工艺FMEA分析与第四步FTA分析的结果,给出故障与原因之间的关系网络、零件当前故障情况以及相应的预防措施、以及基本原因发生的概率,建立专家系统知识库,根据重要度分析获取主要异因集合,进行主因分析;专家知识库采用产生式规则表示故障与原因之间的因果关系,表现形式为:
IF原因THEN故障WITH CF=可信度
其中,可信度CF的取值由质量管理专家或经验丰富的技术人员的经验给出,取值范围在0到1之间,1表示确定性知识,其它值均表示不确定性知识;
知识库中每个原因对应的发生概率P(C3i)很小,且每个顶事件都对应着多个底事件,故顶事件T的发生概率在实际情况下可以近似为:
计算专家系统的一级与二级重要度;重要度即一个基本原因或最小割集对顶上事件的贡献率,在航天阀门专家系统知识库中,各顶事件相互独立,各中间事件与底事件也相互独立,故知识库中底事件原因的重要度可以认为是顶上事件发生后,底事件发生的后验概率,计算公式为:
由于人、机、料、法、环、测六大类原因包含了可能造成异常模式的所有故障原因,根据关联矩阵、底事件发生概率重要度以及底事件与异常原因的包含关系,推理出六大类原因对控制图异常模式的贡献率C1r即一级重要度的计算公式:
根据一级重要度的降序排列,获取主要异常原因子集A和次要异常原因子集B,同理,对主要异常原因子集A构成的子故障树进行二级重要度C2r(F)的计算
获取二级主要异常原因子集AA和次要异常原因子集AB。
所述第六步的具体方法是:各类故障原因发生概率P(C3i),i=1,2,…,n为先验概率,顶事件即控制图异常模式发生概率为P(T|C3i)表示模式为i的故障原因发生条件下故障T发生的概率,即可信度,i=1,2,…,n,根据贝叶斯公式,后验概率:
由此获得最可能引起顶事件异常模式的原因列表。
本发明的有益效果:
本发明涉及一种基于贝叶斯方法的航天阀门零件机械加工过程故障诊断方法,结合了控制图模式识别、FMEA分析、FTA分析与贝叶斯诊断。本发明通过控制图模式识别,将航天阀门制造过程故障进行统一,通过FMEA分析与FTA分析将航天阀门制造过程故障原因与结果关系进行标准化,进而通过重要度分析与贝叶斯定理,获得最有可能引起异常的原因列表,实现航天阀门零件制造过程质量监控和故障诊断,改进了现有实际中主要依靠人工经验进行诊断的不足,同时开发了针对航天阀门零件加工过程的专家诊断系统,具有重要的工程实用价值。
附图说明:
图1是某型号衬套零件图及其关键工序标准尺寸;
图2是本发明方法绘制的某型号衬套某一关键工序控制图;
图3是本发明方法计算的图1所示控制图异常模式识别结果;
图4是本发明方法进行的该零件FMEA分析结果;
图5是本发明方法进行的该零件FTA分析结果;
图6是本发明方法计算的图1所示控制图异常模式对应的一级重要度筛选结果;
图7是本发明方法计算的图1所示控制图异常模式对应的二级重要度筛选结果;
图8是本发明方法计算的图1所示控制图异常模式最有可能的原因列表。
具体实施方式:
下面以某型号衬套零件均值控制图为实施例,结合附图对本发明的技术方案作进一步描述。
如图1~图7所示,本发明方法包括下述步骤:
第一步:获得航天阀门零件加工过程数据的控制图。
通过对衬套加工过程中的关键工序(车内孔φ9mm)进行质量监控,按时间序列测量关键工序的加工数据,将其分别绘制成四种类型的控制图,此处以均值控制图为例,如图2所示。
第二步:航天阀门零件加工过程控制图模式识别。
控制图异常模式有6种,分别为:均值递增或减趋势、数据点超出控制界限、均值向上或下偏移、存在两个均值总体、均值向上或下阶跃和标准偏差过大或小;考虑到实际零件加工批量的不同,对6种异常模式进行科学划分,设置8种可编译异常状态的参数:①1个点,距离中心线大于3个标准差,②连续8点递增或递减,③连续9点落在中心线同一侧,④连续14点中相邻点交替上下,⑤连续5点中有4点落在中心线同一侧的1个标准差以外,⑥连续3点中有2点落在中心线同一侧的2个标准差以外,⑦连续15点落在中心线两侧的1个标准差之内,⑧连续8点落在中心线两侧的1个标准差之外,获得控制图异常模式,如图3所示。
第三步:对该衬套零件进行工艺FMEA分析;根据FMEA分析表1中所列出的条目对零件加工过程进行跟踪,并与现场专家交流,获得工艺FMEA分析的信息。如图4所示。
表1
其中,关键参数及其含义主要有:
(1)潜在失效模式:即零件生产过程中可能出现的问题的罗列;
(2)潜在失效原因:即可能引发潜在失效模式的原因的罗列,包括主观与客观原因;具体到航天阀门零件的分析中,则包括人、机、料、法、环、测六大类原因;
(3)潜在失效后果:即潜在失效模式产生的可能后果,包括对过程本身的影响,对下一过程的影响以及对产品整体的影响;
(4)严重度:即用于评价上述失效模式产生的影响并赋予分值,不良影响越严重则分值越高;
(5)发生度:即上述潜在失效原因出现的概率,出现的几率越大则分值越高;
(6)检测度:即现行的控制方法使潜在失效模式被查出的难易程度,查出难度越大则分值越高;
(7)风险优序数:严重度、发生度、检测度三者分值的积,其数值越大表示潜在的问题越严重,越应及时采取预防措施。
第四步:对该衬套零件加工过程进行FTA分析;针对出现的控制图异常模式,进行FTA。
FTA建立过程中以人、机、料、法、环、测六大分类为顶事件即异常模式下第一级节点,再对具体某一分类进行第二级、第三级等多级节点的划分,直至基本事件。目前所进行的故障树分为顶事件以下三级。如图5所示。
第五步:建立航天阀门故障诊断专家系统知识库;根据第三步工艺FMEA分析与第四步FTA分析的结果,给出故障与原因之间的关系,以及基本原因发生的概率。
专家知识库采用产生式规则表示故障与原因之间的因果关系,表现形式为:
IF(原因)THEN(故障)WITH CF=(可信度)
其中,可信度CF的取值由质量管理专家或经验丰富的技术人员的经验给出,取值范围在0到1之间,1表示确定性知识,其它值均表示不确定性知识。
知识库中每个原因对应的发生概率P(C3i)很小,且每个顶事件都对应着多个底事件,故顶事件T的发生概率在实际情况下可以近似为:
计算专家系统的一级与二级重要度。重要度即一个基本原因或最小割集对顶上事件的贡献率。在航天阀门专家系统知识库中,各顶事件相互独立,各中间事件与底事件也相互独立,故知识库中底事件原因的重要度可以认为是顶上事件发生后,底事件发生的后验概率,计算公式为:
由于人、机、料、法、环、测六大类原因包含了可能造成异常模式的所有故障原因,根据关联矩阵、底事件发生概率重要度以及底事件与异常原因的包含关系,推理出六大类原因对控制图异常模式的贡献率C1r即一级重要度的计算公式:
根据一级重要度的降序排列,获取主要异常原因子集A,如图6所示,以及次要异常原因子集B。同理,对主要异常原因子集A构成的子故障树进行二级重要度C2r(F)的计算
获取二级主要异常原因子集AA,如图7所示,以及次要异常原因子集AB。
第六步:对航天阀门零件加工过程进行贝叶斯方法诊断;针对第五步中挑选出的二级主因子集AA,利用贝叶斯定理进行原因的诊断。
各类故障原因发生概率P(C3i),i=1,2,…,n为先验概率,顶事件即控制图异常模式发生概率为P(T|C3i)表示模式为i的故障原因发生条件下故障T发生的概率,即可信度,i=1,2,…,n,根据贝叶斯公式,后验概率:
由此获得最可能引起顶事件异常模式的原因列表。如图8所示。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1.一种基于贝叶斯方法的航天阀门零件加工过程故障诊断方法,其特征在于,结合控制图模式识别、失效模式与效果分析(FMEA)、故障树分析(FTA)与贝叶斯方法诊断,包括下述步骤:
第一步:获得航天阀门零件加工过程数据的控制图;
第二步:进行航天阀门零件加工过程控制图模式识别;
对控制图异常模式进行科学划分,设置参数可变的可编译异常状态,根据该异常状态对零件实际加工过程控制图进行异常模式识别,如果无异常模式出现,则对该过程继续实施监控;如果出现异常模式,则转入故障诊断环节;
第三步:对航天阀门零件进行工艺FMEA分析,获得工艺FMEA分析的信息;
第四步:在第三步FMEA分析的基础上,对航天阀门零件加工过程进行FTA分析;
第五步:根据第三步FMEA分析与第四步FTA分析的结果,建立航天阀门故障诊断专家系统知识库,根据重要度分析获取主要异因集合,进行主因分析;
第六步:对航天阀门零件加工过程进行贝叶斯方法诊断;
针对第五步中获取的主要异因集合,进行贝叶斯定理推断,获取最有可能引起顶事件异常模式的原因列表。
2.根据权利要求1所述的基于贝叶斯方法的航天阀门零件加工过程故障诊断方法,其特征在于,所述第一步的具体方法是:通过对零件加工过程中的关键工序进行质量监控,按时间序列测量关键工序的加工数据,将其分别绘制成四种类型的控制图,包括:均值控制图、累积和控制图、Q图、单值控制图,其中,均值控制图适用于各类型各批量的零件,累积和控制图用于识别缓慢偏离过程目标的零件,Q图针对小批量零件,单值控制图用于异常反应的零件。
3.根据权利要求1所述的基于贝叶斯方法的航天阀门零件加工过程故障诊断方法,其特征在于,所述第二步的具体方法是:所述控制图异常模式有6种,分别为:均值递增或减趋势、数据点超出控制界限、均值向上或下偏移、存在两个均值总体、均值向上或下阶跃和标准偏差过大或小;结合实际零件加工批量的不同,对6种异常模式进行划分,设置8种参数可变的可编译异常状态:①1个点,距离中心线大于A个标准差,A为[1,3]之间的整数,②连续B点递增或递减,B为小于样本容量的正整数,③连续C点落在中心线同一侧,C为小于样本容量的正整数,④连续D点中相邻点交替上下,D为小于样本容量的正整数,⑤连续E+1点中有E点落在中心线同一侧的1个标准差以外,E+1为小于样本容量的正整数,⑥连续F+1点中有F点落在中心线同一侧的2个标准差以外,F+1为小于样本容量的正整数,⑦连续G点落在中心线两侧的1个标准差之内,G为小于样本容量的正整数,⑧连续H点落在中心线两侧的1个标准差之外,H为小于样本容量的正整数。
4.根据权利要求1所述的基于贝叶斯方法的航天阀门零件加工过程故障诊断方法,其特征在于,所述第三步的具体方法是:根据FMEA分析表格中所列出的关键参数对零件加工过程进行跟踪,获得工艺FMEA分析的信息,其中,关键参数及其含义主要有:
(1)潜在失效模式:零件生产过程中可能出现的问题的罗列;
(2)潜在失效原因:可能引发潜在失效模式的原因的罗列,包括主观与客观原因;在航天阀门零件的分析中,包括人、机、料、法、环、测六大类原因;
(3)潜在失效后果:潜在失效模式产生的可能后果,包括对过程本身的影响,对下一过程的影响以及对产品整体的影响;
(4)严重度:用于评价上述失效模式产生的影响并赋予分值,不良影响越严重则分值越高;
(5)发生度:上述潜在失效原因出现的概率,出现的几率越大则分值越高;
(6)检测度:现行的控制方法使潜在失效模式被查出的难易程度,查出难度越大则分值越高;
(7)风险优序数:严重度、发生度、检测度三者分值的积,其数值越大表示潜在的问题越严重,越应及时采取预防措施。
5.根据权利要求1所述的基于贝叶斯方法的航天阀门零件加工过程故障诊断方法,其特征在于,所述第四步的具体方法是:FTA建立过程中以人、机、料、法、环、测六大分类为顶事件即异常模式下第一级节点,再对具体分类进行第二级、第三级以及多级节点的划分,直至基本事件。
6.根据权利要求1所述的基于贝叶斯方法的航天阀门零件加工过程故障诊断方法,其特征在于,所述第五步的具体方法是:根据第三步工艺FMEA分析与第四步FTA分析的结果,给出故障与原因之间的关系网络、零件当前故障情况以及相应的预防措施、以及基本原因发生的概率,建立专家系统知识库,根据重要度分析获取主要异因集合,进行主因分析,专家知识库采用产生式规则表示故障与原因之间的因果关系,表现形式为:
IF原因THEN故障WITH CF=可信度
其中,可信度CF的取值由经验给出,取值范围在0到1之间,1表示确定性知识,其它值均表示不确定性知识;
由于知识库中每个原因对应的发生概率P(C3i)很小,且每个顶事件都对应着多个底事件,故顶事件T的发生概率在实际情况下近似为:
计算专家系统的一级与二级重要度;重要度即一个基本原因或最小割集对顶事件的贡献率,在航天阀门专家系统知识库中,各顶事件相互独立,各中间事件与底事件也相互独立,故知识库中底事件原因的重要度认为是顶事件发生后,底事件发生的后验概率,计算公式为:
由于人、机、料、法、环、测六大类原因包含了可能造成异常模式的所有故障原因,根据关联矩阵、底事件发生概率重要度以及底事件与异常原因的包含关系,推理出六大类原因对控制图异常模式的贡献率C1r即一级重要度的计算公式:
根据一级重要度的降序排列,获取主要异常原因子集A和次要异常原因子集B,同理,对主要异常原因子集A构成的子故障树进行二级重要度C2r(F)的计算
获取二级主要异常原因子集AA和次要异常原因子集AB。
7.根据权利要求1所述的基于贝叶斯方法的航天阀门零件加工过程故障诊断方法,其特征在于,所述第六步的具体方法是:各类故障原因发生概率P(C3i),i=1,2,…,n为先验概率,顶事件即控制图异常模式发生概率为P(T|C3i)表示模式为i的故障原因发生条件下故障T发生的概率,即可信度,i=1,2,…,n,根据贝叶斯公式,后验概率:
由此获得最可能引起顶事件异常模式的原因列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410443481.3A CN104267668B (zh) | 2014-09-02 | 2014-09-02 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410443481.3A CN104267668B (zh) | 2014-09-02 | 2014-09-02 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104267668A true CN104267668A (zh) | 2015-01-07 |
CN104267668B CN104267668B (zh) | 2017-05-10 |
Family
ID=52159196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410443481.3A Active CN104267668B (zh) | 2014-09-02 | 2014-09-02 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104267668B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866731A (zh) * | 2015-06-16 | 2015-08-26 | 南昌航空大学 | 面向小批量生产的潜在工艺失效模式挖掘方法 |
CN108439116A (zh) * | 2018-06-21 | 2018-08-24 | 郑州云海信息技术有限公司 | 一种电梯故障智能诊断系统及方法 |
CN109164351A (zh) * | 2018-09-03 | 2019-01-08 | 北京许继电气有限公司 | 基于时间序列的物联网设备监测数据分析方法和系统 |
CN109815441A (zh) * | 2017-11-20 | 2019-05-28 | 洛阳中科晶上智能装备科技有限公司 | 一种采用贝叶斯网络模型诊断及预测发动机故障的方法 |
CN110490226A (zh) * | 2019-07-09 | 2019-11-22 | 联想(北京)有限公司 | 一种识别方法及设备 |
CN110543908A (zh) * | 2019-08-30 | 2019-12-06 | 北京航空航天大学 | 一种基于动态观测窗口的控制图模式识别方法 |
CN110942150A (zh) * | 2019-11-09 | 2020-03-31 | 上海航天设备制造总厂有限公司 | 用于激光选区熔化设备零部件成型失效的智能诊断方法 |
CN111680882A (zh) * | 2020-05-15 | 2020-09-18 | 北京航空航天大学 | 一种概率耦合关系下无人机系统多层级风险评估方法 |
CN112082769A (zh) * | 2020-09-07 | 2020-12-15 | 华北电力大学 | 一种基于专家系统和贝叶斯决策器的模拟量输入模块智能bit设计方法 |
CN112287452A (zh) * | 2020-10-12 | 2021-01-29 | 哈尔滨工业大学 | 一种航天器可维修性智能建模方法 |
CN112883497A (zh) * | 2021-03-22 | 2021-06-01 | 中国人民解放军国防科技大学 | 基于多源信息融合的航天阀门可靠性评估方法 |
CN116360387A (zh) * | 2023-01-18 | 2023-06-30 | 北京控制工程研究所 | 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 |
CN117831659A (zh) * | 2024-03-04 | 2024-04-05 | 山东钢铁股份有限公司 | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 |
CN117831659B (zh) * | 2024-03-04 | 2024-05-03 | 山东钢铁股份有限公司 | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070255442A1 (en) * | 2006-03-15 | 2007-11-01 | Omron Corporation | Process fault analyzer and method and storage medium |
CN101814114A (zh) * | 2010-01-07 | 2010-08-25 | 北京航空航天大学 | 一种利用模型转换进行故障诊断的方法 |
CN101950327A (zh) * | 2010-09-09 | 2011-01-19 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
CN103048133A (zh) * | 2012-12-03 | 2013-04-17 | 陕西科技大学 | 一种基于贝叶斯网络的滚动轴承故障诊断方法 |
-
2014
- 2014-09-02 CN CN201410443481.3A patent/CN104267668B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070255442A1 (en) * | 2006-03-15 | 2007-11-01 | Omron Corporation | Process fault analyzer and method and storage medium |
CN101814114A (zh) * | 2010-01-07 | 2010-08-25 | 北京航空航天大学 | 一种利用模型转换进行故障诊断的方法 |
CN101950327A (zh) * | 2010-09-09 | 2011-01-19 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
CN103048133A (zh) * | 2012-12-03 | 2013-04-17 | 陕西科技大学 | 一种基于贝叶斯网络的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
张金彪: "基于贝叶斯网络的风力发电机齿轮箱故障分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
郑再象,等: "基于控制图异常模式自动识别的故障诊断", 《机械设计》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866731B (zh) * | 2015-06-16 | 2017-06-23 | 南昌航空大学 | 面向小批量生产的潜在工艺失效模式挖掘方法 |
CN104866731A (zh) * | 2015-06-16 | 2015-08-26 | 南昌航空大学 | 面向小批量生产的潜在工艺失效模式挖掘方法 |
CN109815441B (zh) * | 2017-11-20 | 2023-06-02 | 洛阳中科晶上智能装备科技有限公司 | 一种采用贝叶斯网络模型诊断及预测发动机故障的方法 |
CN109815441A (zh) * | 2017-11-20 | 2019-05-28 | 洛阳中科晶上智能装备科技有限公司 | 一种采用贝叶斯网络模型诊断及预测发动机故障的方法 |
CN108439116A (zh) * | 2018-06-21 | 2018-08-24 | 郑州云海信息技术有限公司 | 一种电梯故障智能诊断系统及方法 |
CN109164351A (zh) * | 2018-09-03 | 2019-01-08 | 北京许继电气有限公司 | 基于时间序列的物联网设备监测数据分析方法和系统 |
CN110490226A (zh) * | 2019-07-09 | 2019-11-22 | 联想(北京)有限公司 | 一种识别方法及设备 |
CN110543908A (zh) * | 2019-08-30 | 2019-12-06 | 北京航空航天大学 | 一种基于动态观测窗口的控制图模式识别方法 |
CN110543908B (zh) * | 2019-08-30 | 2022-03-25 | 北京航空航天大学 | 一种基于动态观测窗口的控制图模式识别方法 |
CN110942150A (zh) * | 2019-11-09 | 2020-03-31 | 上海航天设备制造总厂有限公司 | 用于激光选区熔化设备零部件成型失效的智能诊断方法 |
CN111680882A (zh) * | 2020-05-15 | 2020-09-18 | 北京航空航天大学 | 一种概率耦合关系下无人机系统多层级风险评估方法 |
CN111680882B (zh) * | 2020-05-15 | 2022-08-02 | 北京航空航天大学 | 一种概率耦合关系下无人机系统多层级风险评估方法 |
CN112082769A (zh) * | 2020-09-07 | 2020-12-15 | 华北电力大学 | 一种基于专家系统和贝叶斯决策器的模拟量输入模块智能bit设计方法 |
CN112287452B (zh) * | 2020-10-12 | 2022-05-24 | 哈尔滨工业大学 | 一种航天器可维修性智能建模方法 |
CN112287452A (zh) * | 2020-10-12 | 2021-01-29 | 哈尔滨工业大学 | 一种航天器可维修性智能建模方法 |
CN112883497A (zh) * | 2021-03-22 | 2021-06-01 | 中国人民解放军国防科技大学 | 基于多源信息融合的航天阀门可靠性评估方法 |
CN112883497B (zh) * | 2021-03-22 | 2023-06-16 | 中国人民解放军国防科技大学 | 基于多源信息融合的航天阀门可靠性评估方法 |
CN116360387A (zh) * | 2023-01-18 | 2023-06-30 | 北京控制工程研究所 | 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 |
CN116360387B (zh) * | 2023-01-18 | 2023-09-15 | 北京控制工程研究所 | 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 |
CN117831659A (zh) * | 2024-03-04 | 2024-04-05 | 山东钢铁股份有限公司 | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 |
CN117831659B (zh) * | 2024-03-04 | 2024-05-03 | 山东钢铁股份有限公司 | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104267668B (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104267668A (zh) | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN102361014B (zh) | 大规模半导体制造过程的状态监控与故障诊断方法 | |
CN102208028B (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
CN103198175B (zh) | 基于模糊聚类的变压器故障诊断方法 | |
CN101799674B (zh) | 一种数控装备服役状态分析方法 | |
CN103279123A (zh) | 对间歇控制系统进行分段故障监视的方法 | |
JP2011145846A (ja) | 異常検知方法、異常検知システム、及び異常検知プログラム | |
CN103389701B (zh) | 基于分布式数据模型的厂级过程故障检测与诊断方法 | |
CN105404280A (zh) | 基于自回归动态隐变量模型的工业过程故障检测方法 | |
CN112598144B (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
Jalali et al. | Predicting time-to-failure of plasma etching equipment using machine learning | |
CN105334823A (zh) | 基于有监督的线性动态系统模型的工业过程故障检测方法 | |
CN111207067A (zh) | 一种基于模糊支持向量机的空压机故障诊断方法 | |
CN111325410B (zh) | 基于样本分布的通用故障预警系统及其预警方法 | |
CN105137354A (zh) | 一种基于神经网络电机故障检测方法 | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
Stief et al. | Process and alarm data integration under a two-stage Bayesian framework for fault diagnostics | |
CN103760889B (zh) | 基于贝叶斯网的故障分离快速方法 | |
Xinyi et al. | Fault diagnosis in chemical process based on self-organizing map integrated with fisher discriminant analysis | |
TWI639908B (zh) | 製程偵錯與診斷方法 | |
Lorenti et al. | Predictive maintenance in the industry: A comparative study on deep learning-based remaining useful life estimation | |
Ison et al. | Fault diagnosis of plasma etch equipment | |
Lee et al. | Fault detection for IoT hydrogen refueling station system using a combined hidden Markov model mixed with Gaussian |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |