CN104898039A - 基于故障传播概率模型的故障模式优选方法 - Google Patents

Abstract

本发明公开了一种基于故障传播概率模型的故障模式优选方法，首先对系统各模块的故障样本量进行分配，然后对于各个模块建立模块的故障传播概率模型，得到各故障模式之间的故障传播概率，然后根据故障传播概率和故障模式所在元件节点的出度计算得到故障模式间的故障扩散强度，根据故障扩散强度搜索出每个故障模式作为原发故障时的故障扩散概率最大路径，将该路径中包括的后继故障模式数量作为故障扩散数量，筛选出故障扩散数量大于预定阈值的故障模式，优先进行选择；最后将各个模块的选定故障模式集合得到系统的选定故障模式集合。本发明基于故障扩散数量进行故障模式的优选，对传播型故障进行重点抽样，提高测试性验证方案可靠性。

Description

基于故障传播概率模型的故障模式优选方法

技术领域

本发明属于测试性验证技术领域，更为具体地讲，涉及一种基于故障传播概率模型的故障模式优选方法。

背景技术

测试性验证是依据故障检测、隔离和指示结果进行的，若仅对产品自然发生的故障进行检测，这是达不到设计规定的样本量要求的，因此需要人为的引入故障即故障模拟。在开展试验验证之前，需要确定验证的总的工作流程以确定试验样本量，指示故障注入及数据记录与评估。

进行测试性验证，首先必须选取试验的样本量，样本量的选取是随机抽取。如果选取n个样本进行试验，试验失败F次。规定一个正整数C，如果F＜C则认为合格，判定接收；如果F≥C则认为不合格，判定拒收。确定抽样方案就是同时确定n和C的值。

在这种抽样试验中，设成功的概率记为q，则在n次试验中出现F次失败的概率为：

$p(q;n,F)=C_n^F{(1-q)}^F{q}^{n-F}$

接收的概率为n个样本中失败数不超C的概率总和：

$L\left(q\right)={\mathrm{\Σ}}_{F=0}^{C}p(q;n,F)$

在承制方和使用方协商确定FDR(Fault Detection Rate，故障检测率)的设计值q₀，FDR的最低可接受值q₁，生产方风险α，使用方风险β的基础上，就可以用下面的联立不等式组确定抽样方案，即确定n和C值。

$\left\{\begin{array}{c}L\left(q_1\right)={\mathrm{\Σ}}_{F=0}^C{C}_n^F{(1-q_1)}^F{q}_1^{n-F}=\mathrm{\β}\\ 1-L\left(q_0\right)=1-{\mathrm{\Σ}}_{F=0}^C{C}_n^F{(1-q_0)}^F{q}_0^{n-F}=\mathrm{\α}\end{array}\right.$

由于实际应用中n和C必须为正整数，正好满足以上方程组的正整数不一定存在，所以一般应该求取满足方程最小的n和C。

由于系统采用分层设计的模式，所以当测试性验证方案的抽样方案确定之后，需要将总的样本量按比例分配到每个模块，然后在每个模块中抽取故障模式组成注入系统的故障模式集。之所以要把样本量分配到各模块中去，是因为复杂的系统的故障模式十分庞大，设故障样本总量为M个故障模式，若从总M个故障模式中直接抽取n个故障模式将会造成故障模式分配不均匀，样本结构不合理等特点，因此通常采用分层分配的方式。分层分配故障样本量的公式为：

$\left\{\begin{array}{c}{n}_r=n*W_r\\ W_r=\frac{Q_r{\mathrm{\λ}}_r{T}_r}{{\mathrm{\Σ}}_r{Q}_r{\mathrm{\λ}}_r{T}_r}\end{array}\right.$

式中，n_r表示系统中第r个模块分配的故障样本数量，r的取值范围为1≤r≤R，R表示系统中的模块数量，W_r表示系统中第r个模块的分配权重值；Q_r表示第r个模块中故障模式的数量，用来表征模块的复杂性；λ_r表示第r个模块的故障率；T_r表示第r个模块的工作时间系数，等于该单元工作时间与全程工作时间之比。

根据以上步骤完成样本总量的分层分配后，需要对各层模块分别抽取故障模式组成故障模式集来。在目前的板级电路故障诊断中，测试性验证中采用简单随机抽样来抽取故障样本集。

简单随机抽样是在每层内开展抽样，直至抽取的故障模式数量等于被分配的故障模式数量。随机抽样往往导致传播型故障模式没有被抽取到。传播型故障是指一种故障模式的故障率低，但一旦发生则会传播扩散到其它元件，造成影响的规模较大。若对传播型故障的测试性设计不完备，一旦发生而没有正确检测和隔离，给使用方造成的风险将与常见故障风n_r总和相提并论。因此在抽取故障模式时应当对传播型故障做重要抽样，以降低使用方风险。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于故障传播概率模型的故障模式优选方法，采用故障传播概率模型分析得到每个故障模式的故障扩散数量，基于故障扩散数量进行故障模式的优选，对传播型故障进行重点抽样，提高测试性验证方案可靠性。

为实现上述发明目的，本发明基于故障传播概率模型的故障模式优选方法，包括以下步骤：

S1：根据测试要求向系统中的各个模块分配故障模式抽取数量n_r，n_r表示系统中第r个模块分配的故障样本数量，r的取值范围为1≤r≤R，R表示系统中的模块数量；

S2：对系统中的每个模块分别选择故障模式，选择方法包括以下步骤：

S2.1：建立模块的故障传播概率模型，得到模块中每个故障模式f_i和其一步传播后继故障模式f_j之间的故障传播概率P_ij，故障模式序号i,j的取值范围为1≤i,j≤Q_r，Q_r表示系统模块中的故障模式数量；

S2.2：计算故障模式i和与其一步传播后继故障模式j之间的故障扩散强度I_ij：

$I_{ij}=w_i\[w_p{P}_{ij}+w_d{d}_j/\underset{j^{\′}\∈F_i}{\Σ}{d}_{j^{\′}}\]$

其中，w_i表示故障模式i的跨模块传播系数，w_p表示预设的故障传播概率的权值，w_d表示预设的节点出度的权值，d_j表示故障j所在元件节点的出度，F_i表示故障模式i的一步传播后继故障模式集合；

对故障扩散强度进行归一化处理，归一化故障扩散强度I′_ij的计算公式为：

$I_{ij}^{\′}=I_{ij}/\underset{j^{\′}\∈F_i}{\Σ}{I}_{{\mathrm{ij}}^{\′}}$

S2.3：根据步骤S2.2得到的故障扩散强度计算元件间的故障扩散概率，计算公式的原则为：故障扩散强度越大，故障扩散概率越大，搜索每个故障模式i作为原发故障时的故障扩散概率最大路径，将该路径中包括的后继故障模式数量作为故障扩散数量S_i；

S2.4：抽取故障扩散数量S_i大于预设阈值δ的故障，组成集合φ，剩下的组成集合

S2.5：如果集合φ中的元素数量等于n_r，集合φ作为选定故障模式集合V_r，本模块故障模式选择结束；

如果集合φ中的元素数量小于n_r，从集合中抽取n_r-|φ|个故障模式，|φ|表示集合φ中元素数量，这n_r-|φ|个故障模式和集合φ中的故障模式共同构成选定故障模式集合V_r，本模块故障模式选择结束；

如果集合φ中的元素数量大于n_r，从集合φ中抽取n_r个故障模式，构成选定故障模式集合V_r，本模块故障模式选择结束；

S3：将系统中各个模块的选定故障模式集合V_r合并，得到系统的选定故障模式集合V＝V₁∪V₂∪…∪V_R。

本发明基于故障传播概率模型的故障模式优选方法，首先对系统各模块的故障样本量进行分配，然后对于各个模块建立模块的故障传播概率模型，得到各故障模式之间的故障传播概率，然后根据故障传播概率和故障模式所在元件节点的出度计算得到故障模式间的故障扩散强度，根据故障扩散强度搜索出每个故障模式作为原发故障时的故障扩散概率最大路径，将该路径中包括的后继故障模式数量作为故障扩散数量，筛选出故障扩散数量大于预定阈值的故障模式，优先进行选择；最后将各个模块的选定故障模式集合得到系统的选定故障模式集合。

本发明采用故障传播概率模型分析得到每个故障模式的故障扩散数量，基于故障扩散数量进行故障模式的优选，对传播型故障进行重点抽样，有效降低了因传播型故障没有被检验而带来的风险，从而提高测试性验证方案可靠性。

附图说明

图1是故障模糊状态和其三角隶属度函数示意图；

图2是本发明故障传播概率模型的故障模式优选方法的具体实施方式流程图；

图3是故障传播过程分析示意图；

图4是致冷组件的故障传播概率模型图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

为了更好地对本发明基于故障传播概率模型的故障模式优选方法的技术内容进行说明，首先对本发明采用的故障传播概率模型进行说明：

故障传播概率模型是在多信号流图模型的基础上提出来的，将系统当中的故障间的影响度和故障状态信息加入信号流图模型即可建立此模型。故障传播概率模型主要是用于推理故障模式的扩散，即当系统中发生了一个故障，利用此模型推理出故障会传播导致哪些器件也发生故障。

故障传播概率模型主要构成因素可以描述如下：

(1)系统模块中P个元件的集合M＝{m₁,m₂,…,m_P}，M表示系统模块中独立的具有相对完整功能的最小功能模块集合，其元素可以用来标识故障发生的位置，即对应的元件m_p，1≤p≤P。

(2)模块的故障模式集F＝{f₁,f₂,…,f_Q}，表示系统模块中已知的具体故障模式，一个元件可能包含有多种故障模式。每个故障模式f_i(1≤i≤Q)均有一个表示其所处状态，也就是严重程度的属性F_State(f_i)，采用模糊集合FS＝{正常，轻微，一般，严重，致命}来表征，模糊集FS的各个等级是通过一定的隶属函数来确定的。

故障状态F_State(f_i)由模糊集合来表示，而其中具体的故障状态需要根据故障的信号或征兆来确定。该故障状态是一个模糊的概念，一般不能由一个确定的度量值来刻画，而通常处于某个参数的区间范围，如正常、严重等概念，在工程上一般都采用某个性能参数的模糊区间来进行描述。因此，本发明引入模糊集的理论来描述故障的状态，下面首先给出模糊集的定义。

对于论域U内任意一个元素x与一个集合A的关系只能是x∈A或两种。所以集合可通过特征函数来描述，并且每个集合都有一个特征函数，如：

$u_A\left(x\right)=\left\{\begin{array}{cc}1,& x\∈A\\ 0,& x\∉A\end{array}\right.$

函数称为集合A的特征函数，它刻画了对集合A的隶属情况，也称为集合A的隶属函数，而模糊集合就是根据隶属函数的概念定义出来的。

定义1：论域U＝{x}上的模糊子集A由隶属函数来表征，在闭区间[0,1]上取值，取值的大小反映了x对模糊集A的隶属程度。

对于本发明所针对的故障状态而言，论域U＝{x}就是对故障信号或征兆的度量值，对于模糊集合中的每一个状态都会有一个隶属度函数，故障状态的模糊集一般可用三角形隶属度函数进行恰当描述和表征。本发明采用五种故障状态FS＝{正常，轻微，一般，严重，致命}。图1是故障模糊状态和其三角隶属度函数示意图。

(3)连接各元件节点的有向边的集合E＝{E_p,p′}，其中E_p,p′表示由元件p指向元件p′的有向边，其中1≤p′≤M,p′≠p。这里有向边有两层含义：一是表示模块间的物理连接或逻辑耦联；二是表示模块间故障的传播关系。

(4)由元件集M、故障模式集F和有向边集合E构成有向图。

基于以上原理，本发明提出了基于故障传播概率模型的故障模式优选方法。图2是本发明故障传播概率模型的故障模式优选方法的具体实施方式流程图。如图2所示，本发明基于故障传播概率模型的故障模式优选方法包括以下步骤：

S201：分配故障样本量：

首先根据测试要求向系统中的各个模块分配故障模式抽取数量n_r，n_r表示系统中第r个模块分配的故障样本数量，r的取值范围为1≤r≤R，R表示系统中的模块数量。

S202：令模块序号r＝1；

S203：得到模块r中故障模式间的故障传播概率：

建立系统模块的故障传播概率模型，得到系统模块中每个故障模式f_i和其一步传播后继故障模式f_j之间的故障传播概率P_ij，故障模式序号i,j的取值范围为1≤i,j≤Q_r，Q_r表示系统模块中的故障模式数量。

故障传播概率P_ij表示故障模式i在前一节点发生后引起相邻后续节点产生故障模式j的概率大小。其概率的大小主要是由两个故障模式所在元件之间的物理链接关系决定。通过分析系统层次结构和物理连接机理以及结合故障领域专家分析系统和故障状态给出故障概率可以得出系统节点间故障传播概率的大小。系统原发故障的故障状态的强弱会对故障传播概率产生一定的影响，因此可以根据故障状态及各故障状态下对后继故障模式的影响度得到故障传播概率。例如系统中元件节点存在一个故障模式f_i，由该故障模式诱发后一元件节点上发生故障模式f_j的影响度分别为H＝h₁,h₂,h₃,h₄,h₅，h_k表示故障模式f_i处于第k个故障状态下对故障模式f_j的影响度，本发明中故障模式有5种故障状态，因此也就有5个影响度，影响度是通过分析系统模块中各元件和故障的关系来得到的。那么故障模式f_i到故障模式f_j的故障传播概率P_ij的大小可以表示为：

$P_{ij}=\underset{k=1}{\overset{5}{\Σ}}{u}_k\left(x\right)h_k$

其中，u_k(x)表示故障状态模糊集的隶属度函数，x表示各故障状态相应的征兆信号。

S204：计算模块r中故障模式间的故障扩散强度：

计算故障模式i和与其一步传播后继故障模式j之间的故障扩散强度I_ij：

$I_{ij}=w_i\[w_p{P}_{ij}+w_d{d}_j/\underset{j^{\′}\∈F_i}{\Σ}{d}_{j^{\′}}\]$

其中，w_i表示故障模式i的跨模块传播系数，w_p表示预设的故障传播概率的权值，w_d表示预设的节点出度的权值，d_j表示故障j所在元件节点的出度，F_i表示故障模式i的一步传播后继故障模式集合。

当电路系统中的某个元件节点发生故障时，由于元件节点之间的连接关系，此故障会向与此元件节点相连接的后续元件节点扩散，导致后续元件节点产生故障。而故障扩散的方向主要受两个方面的因素影响：(1)故障会选择故障传播概率大的方向的节点进行传播；(2)节点的长程连接以及节点的度数会对传播方向造成影响，因此在分析故障传播方向时需要综合考虑这两方面因素。所以本发明的故障扩散强度I_ij是基于故障传播概率和故障所在元件节点的出度来计算的。故障扩散强度越大，表示故障越有可能在此边中发生，也最有可能传播导致后续故障的发生。

在系统模块中，故障之间的传播是通过元件节点的连接逐步传播的，因此本发明计算相邻故障模式间(即所在元件节点具有直接连接关系的故障模式)的故障扩散强度，用于进行故障传播分析。

为了便于后一步分析判断，对故障扩散强度进行归一化，归一化故障扩散强度I′_ij的计算公式为：

$I_{ij}^{\′}=I_{ij}/\underset{j^{\′}\∈F_i}{\Σ}{I}_{{\mathrm{ij}}^{\′}}$

通常为了方便计算机进行运算会采用邻接矩阵来表示故障传播概率模型。以Q_r个元件的模块r为例，邻接矩阵G_r的大小为Q_r×Q_r，其中每个元素g_ij＝I′_ij。

S205：搜索故障扩散概率最大路径：

根据步骤S204得到的故障扩散强度计算元件间的故障扩散概率，计算公式的原则为：故障扩散强度越大，故障扩散概率越大，搜索每个故障模式i作为原发故障时的故障扩散概率最大路径，将该路径中包括的后继故障模式数量作为故障扩散数量S_i。

在故障扩散过程中，会优先选择故障扩散强度大的路径进行传播，通过故障模式间的故障扩散强度，可以分析得到故障扩散最大概率传播路径，这条路径也是实际电路中最有可能发生故障传播的路径。图3是故障传播过程分析示意图。如图3所示，图中元件节点之间的有向边代表故障传播方向，有向边上所标识的数字为故障扩散强度。当元件节点m₂上发生故障f₂时，通过故障扩散强度可知故障最大概率传播路径为f₂→f₄→f₅，即图3中的黑色粗线条所示，因此故障模式f₂的后继故障模式有2个，即f₄和f₅，即故障扩散数量为2。

在大规模集成电路中，器件规模非常大以及电路链接错综复杂，用人工的方法进行故障原理推理显然是不合理，因此有必要借用计算机求出系统模块电路中故障最大概率传播路径。求解最佳路径的方法有很多种，迪杰斯特拉算法、福特算法、弗洛伊德算法、但茨希算法等。不同的算法有不同的故障扩散概率计算公式。其实就是相当于把故障扩散强度作为路径的权值，然后进行搜索。本实施例采用选用鲁棒性强、适合并行运算的蚁群算法来搜寻电路的故障传播最大概率路径。

蚁群算法是由意大利学者M.Dorigo于1991年在其博士论文中提出，并用此方法成功的解决了旅行商(TSP)问题。它是一种用来在图中寻找最优化路径的机率型算法，灵感来源于蚂蚁在寻找食物过程中发现最短路径的行为，其基本思想是，当蚂蚁沿着一条路到达终点以后会马上返回，这样路径短的蚂蚁来回时间短，在路途中洒下的信息素越多，就会有更多蚂蚁被吸引过来，形成正反馈从而产生更多的信息素，最后越来越多的蚂蚁聚集到最短路径上来，从而近似的找到了最短路径。

在系统模块电路中求解故障扩散概率最大的路径的数学模型如下：

$\left\{\begin{array}{c}max\underset{k}{\Σ}{d}_k,k=1,2,...,N\\ s.t\underset{k}{\Π}{q_{ij}}^k\≤{10}^{-8},i\∈F_{k-1},j\∈F_k\end{array}\right.$

其中，d_k表示原发故障进行最大概率后继故障扩散所经过的N步路径中的第k步路径，q_ij ^k表示第k步路径的故障扩散概率，F_k-1表示第k-1步路径目的元件节点，F_k表示第k步路径目的元件节点。搜索的结束条件为整条路径的扩散概率小于10^-8。

蚂蚁根据信息浓度寻找下一个路径，在t时刻，蚁群中的蚂蚁l从故障模式i选择后继故障模式作为行走路径的概率，也就是故障扩散概率q^l _ij(t)为：

其中，η_ij(t)表示启发信息，本发明中η_ij(t)＝I′_ij，α表示信息启发式因子，β表示期望启发式因子，分别表示控制信息与启发信息对蚂蚁选择路径的概率影响参数，N^l _i是故障模式i的一步后继故障模式集合，τ_ij(t)表示信息激素，其计算公式为：

τ_ij(t)＝(1-ρ)τ_ij(t-1)+Δτ_ij

其中，ρ表示信息激素的挥发程度，τ_ij(t)的初始值为τ_ij(0)根据需要设置，Δτ_ij表示信息素总增量，其中N_a表示蚂蚁的数量，表示蚂蚁l的信息素。利用蚁群算法，就可以搜索每个故障模式i作为原发故障时的故障扩散概率最大路径。蚁群算法的详细求解过程可以参见文献“李士勇.蚁群算法及其应用[M]哈尔滨:哈尔滨工业大学出版社,2004.”。

S206：故障模式分类：

对于Q个故障模式f_i，将其中故障扩散数量S_i大于预设阈值δ的故障模式抽取出来，组成集合φ，剩下的组成集合阈值δ是根据实际情况设置的。

S207：判断集合φ中的元素数量|φ|是否等于n_r，如果是，进入步骤S208，否则进入步骤S209。

S208：将集合φ作为选定故障模式集合V_r，即V_r＝φ，本模块故障模式选择结束，进入步骤S212。

S209：判断集合φ中的元素数量是否小于n_r，如果是，进入步骤S210，否则进入步骤S211。

S210：从集合中抽取n_r-|φ|个故障模式，其集合记为|φ|表示集合φ中元素数量，这n_r-|φ|个故障模式和集合φ中的故障模式共同构成选定故障模式集合V_r，即本模块故障模式选择结束，进入步骤S212。

本步骤中的故障抽取可以直接采用随机抽取，也可以根据其他参数进行抽取，根据实际情况而定。

S211：从集合φ中抽取n_r个故障模式，其集合记为φ^*，构成选定故障模式集合V_r，即V_r＝φ^*，本模块故障模式选择结束，进入步骤S212。

同样地，本步骤中的故障抽取可以直接采用随机抽取，也可以根据其他参数进行抽取，根据实际情况而定。

S212：判断是否r＜R，如果是，进入步骤S213，否则进入步骤S214。

S213：令r＝r+1，返回步骤S203。

S214：将系统中各个模块的选定故障模式集合V_r合并，得到系统的选定故障模式集合V＝V₁∪V₂∪…∪V_R。

为了说明本发明的技术效果，采用一个某型空空导弹进行实验验证。该空空导弹由致冷组件、防振器、整流器、剪切支架、锁制器、电路盒6个模块组成，由于模块较多，各模块的处理方法相类似，所以主要对致冷组件建立故障概率传播信号流图模型，进行故障推理，完成测试性验证方案实施环节。表1是致冷组件中各元件的故障模式信息。

所属部件	模式编号	故障模式
			M1	f1	密封圈A失效
M2	f2	单向阀失效
			M3	f3	导管零部件失效
M4	f4	排气嘴失效
			M5	f5	密封圈B失效
M6	f6	转接头材料缺陷
			M7	f7	电磁开关部件失效
M8	f8	充气阀漏气
			M9	f9	致冷导管护口变形
M10	f10	压力表失效
			M11	f11	电磁开关漏气
M12	f12	致冷组件失效

表1

根据合同约定的极限质量水平q₁、设计值q₀、承制方风险(α)、使用方风险(β)，由抽样方案(n,C)与承制方风险(α)、使用方风险(β)的关系建模公式得到抽样方案为(50，5)。验证流程需要把总的样本量按比例分层分配到系统中的6个模块中去，已知致冷组件在系统中所占的权重w₁＝0.121，可知故障样本量分配到致冷组件的量为n×w₁≈6。根据表1可知致冷组件的故障模式共计12个，因此需要在12个故障模式中抽取6个故障模式组成故障模式集。

根据系统的电路链接方式，可以建立致冷组件的故障概率传播信号流图模型。图4是致冷组件的故障概率传播信号流图。如图4所示，致冷组件的元件集为M＝{m₁,m₂,m₃,m₄,m₅,m₆,m₇,m₈,m₉,m₁₀,m₁₁,m₁₂}，故障模式集为F＝{f₁,f₂,f₃,f₄,f₅,f₆,f₇,f₈,f₉,f₁₀,f₁₁,f₁₂}，每个元件只有一个故障模式。

首先计算得到各故障间的故障传播概率，然后根据故障扩散强度的运算公式，计算得到致冷组件各个相邻故障模式间(即各个有向边之间)的故障扩散强度：

I_1,8＝0.71,I_2,8＝0.29,I_3,9＝1.0,I_4,10＝0.50,I_5,10＝0.25,I_6,10＝0.167,I_7,11＝0 I_8,12＝1.0,I_9,12＝0.226,I_10,12＝0,I_11,12＝0.323,

归一化后的故障扩散强度为：

I′_1,8＝0.16,I′_2,8＝0.06,I′_3,9＝0.22,I′_4,10＝0.11,I′_5,10＝0.05,I′_6,10＝0.03,I′_7,11＝0 I′_8,12＝0.22,I′_9,12＝0.05,I′_10,12＝0,I′_11,12＝0.07,

以故障f₁为例进行故障传播推理，采用蚁群算法得到故障扩散概率最大路径，其路径为f₁→f₈→f₁₂。可见，故障f₁的后继故障模式有2个，即故障扩散数量为2。用同样的方法推理其它模块求出求最大故障概率传播路径，根据路径求出故障扩散数量。然后筛选出故障扩散数量大于1的故障模式，优先进行选择。表2是本发明与传统简单随机抽样的故障模式抽取结果。

序号	故障模式	故障扩散强度	本发明	简单随机抽样
					M1	密封圈A失效	2	√	√
M2	单向阀失效	2	√
					M3	导管零部件失效	2	√	√
M4	排气嘴失效	1
					M5	密封圈B失效			√
M6	转接头材料缺陷	2	√	√
					M7	电磁开关部件失效
M8	充气阀漏气	1	√	√
					M9	致冷导管护口变形	1	√
M10	压力表失效	1
					M11	电磁开关漏气	1		√
M12	致冷组件失效	1

表2

从表2可以看出，传统的简单随机抽样是随机抽取6个故障模式，并没有考虑传播型故障模式。而本发明先筛选故障扩散强度大于1的故障模式，优先进行选择，从表2可知故障扩散强度大于1的故障模式有4个，因此将这4个故障模式作为选择的故障模式，然后在剩下的8个故障模式中随机选取2个故障模式，由这6个故障模式构成选定故障模式。通过比较两种方法可知，简单随机抽样经常会导致传播型故障模式没有被抽取到，而本发明利用故障传播概率模型推理故障传播的后继模式集，根据后继模式集的个数提出基于故障传播概率模型的优化抽样方法。此方法对传播型故障进行重点抽样，有效降低了因传播型故障没有被检验给使用方带来的风险。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (4)

1.一种基于故障传播概率模型的故障模式优选方法，其特征在于，包括以下步骤：

S1：根据测试要求向系统中的各个模块分配故障模式抽取数量n_r，n_r表示系统中第r个模块分配的故障样本数量，r的取值范围为1≤r≤R，R表示系统中的模块数量；

S2：对系统中的每个模块分别选择故障模式，选择方法包括以下步骤：

S2.1：建立模块的故障传播概率模型，得到模块中每个故障模式f_i和其一步传播后继故障模式f_j之间的故障传播概率P_ij，故障模式序号i,j的取值范围为1≤i,j≤Q_r，Q_r表示系统模块中的故障模式数量；

S2.2：计算故障模式i和与其一步传播后继故障模式j之间的故障扩散强度I_ij：

$I_{ij}=w_i\[w_p{P}_{ij}+w_d{d}_j/\underset{j^{\′}\∈F_i}{\Σ}{d}_{j^{\′}}\]$

其中，w_i表示故障模式i的跨模块传播系数，w_p表示预设的故障传播概率的权值，w_d表示预设的节点出度的权值，d_j表示故障j所在元件节点的出度，F_i表示故障模式i的一步传播后继故障模式集合；

对故障扩散强度进行归一化处理，归一化故障扩散强度I′_ij的计算公式为：

$I_{ij}^{\′}=I_{ij}/\underset{j^{\′}\∈F_i}{\Σ}{I}_{{\mathrm{ij}}^{\′}}$

S2.3：根据步骤S2.2得到的故障扩散强度计算元件间的故障扩散概率，计算公式的原则为：故障扩散强度越大，故障扩散概率越大，搜索每个故障模式i作为原发故障时的故障扩散概率最大路径，将该路径中包括的后继故障模式数量作为故障扩散数量S_i；

S2.4：抽取故障扩散数量S_i大于预设阈值δ的故障，组成集合φ，剩下的组成集合

S2.5：如果集合φ中的元素数量等于n_r，集合φ作为选定故障模式集合V_r，本模块故障模式选择结束；

如果集合φ中的元素数量小于n_r，从集合中抽取n_r-|φ|个故障模式，|φ|表示集合φ中元素数量，这n-|φ|个故障模式和集合φ中的故障模式共同构成选定故障模式集合V_r，本模拟故障模式选择结束；

如果集合φ中的元素数量大于n_r，从集合φ中抽取n个故障模式，构成选定故障模式集合V_r，本模拟故障模式选择结束；

S3：将系统中各个模块的选定故障模式集合V_r合并，得到系统的选定故障模式集合V＝V₁∪V₂∪…∪V_R。

2.根据权利要求1所述的故障优选模式优选方法，其特征在于，所述步骤S1中故障传播概率P_ij根据以下公式得到：

$P_{ij}=\underset{k=1}{\overset{5}{\Σ}}{u}_k\left(x\right)h_k$

其中，u_k(x)表示故障状态模糊集的隶属度函数，x表示各故障状态相应的征兆信号，故障状态模糊集为FS＝{正常，轻微，一般，严重，致命}，h_k表示故障模式f_i处于第k个故障状态下对故障模式f_j的影响度。

3.根据权利要求1所述的故障模式优选方法，其特征在于，所述步骤S3中故障扩散概率最大路径采用蚁群算法搜索得到，故障扩散强度作为启发信息来计算故障扩散概率。

4.根据权利要求1所述的故障模式优选方法，其特征在于，所述步骤S2.5中的故障模式的抽取为随机抽取。