CN105426651B - 基于复合故障链推理的隐患辨识方法 - Google Patents
基于复合故障链推理的隐患辨识方法 Download PDFInfo
- Publication number
- CN105426651B CN105426651B CN201510316559.XA CN201510316559A CN105426651B CN 105426651 B CN105426651 B CN 105426651B CN 201510316559 A CN201510316559 A CN 201510316559A CN 105426651 B CN105426651 B CN 105426651B
- Authority
- CN
- China
- Prior art keywords
- link
- failure
- degree
- source
- fault
- 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.)
- Active
Links
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明实施例提供了一种基于复合故障链推理的隐患辨识方法。该方法包括:复合故障因果链模型的参数进行训练,选取历史故障数据作为输入得出故障源排序集合,若真实故障源不在故障源排序集合内,则对复合故障因果链模型进行机理分析,增加通向真实故障源的链路集;若真实故障源在故障源排序集合内,则对真实故障源以及故障传播路径增加概率奖励因子,对复合故障因果链模型的初始值做修正。本发明实施例基于先验知识和机理分析找出该系统的故障模式和系统内部信息传输失衡的根源,确定结构故障点,可以在列车车门系统未报出故障时,先给出预警信息,对于系统安全运行以及合理维护都有重要的指示作用。
Description
技术领域
本发明涉及隐患辨识技术领域,尤其涉及一种基于复合故障链推理的隐患辨识方法。
背景技术
目前,隐患辨识技术在电子信息工程,电力系统以及机械工程等领域得到了成功应用,形成并发展出相应的理论算法和工程技术,但其方法目前尚未形成普适性的理论指导思想,因此未能得到推广。在轨道交通领域隐患辨识研究与应用较少。欧盟提出的模块化城市轨道交通系统,研究单独部件和集中分组件的故障因果分析技术,可以通过减少单独部件的数量、集中分组件等多种方法避免新机车车辆所带来的潜在风险。北美的先进列车控制系统,可以基于列车和轨道精确数据得到隐患故障的模式和分布,依此可增大交通运行的安全性和可靠性。虽然上述系统或项目实现了隐患辨识功能,但在检测数据分析、对象结构认知和专家经验的融合、故障链构建及各故障关联分析等方面均未进行系统研究,且存在功能单一、造价高昂等问题,因此,国外已有的隐患挖掘与评估预警系统不符合中国城轨轨道交通实际情况,无法适用于我国城市轨道列车系统中。
我国部分学者也开始了隐患辨识的研究,但缺乏系统的研究和成功应用。相关学者利用智能化技术、网络化技术和信息化技术,建立了铁路车辆安全防范预警5T系统,实现了对铁路车辆的故障隐患的评估和预警。上海地铁2号线,构建了在途故障诊断预警系统,对城轨列车的故障成因关系、故障链构建、故障诊断与隐患挖掘等进行了研究,并在实际应用中取得了较好的效果。
城市轨道交通正在进入一个快速发展的新阶段。为了缓解道路交通拥堵的压力,更为了提高运行效率,城市轨道交通都起着举足轻重的作用。随着运行里程的不断累积,列车车门系统的潜在故障的概率在增加,更复杂更多样化的故障形式的不断出现,给客运和维修造成不便,由此产生的经济损失也是巨大。因此车门系统的可靠性和安全性问题也成为迫待解决的关键问题,由于车门系统包括控制系统和机动系统,因此其故障形式多样化,故障所产生的问题也难以高效解决。
因此,对城轨列车车门系统进行隐患辨识的研究,具有重大应用价值。目前我国城轨列车车门系统多采用事后维修和计划维修,该方案不能在列车车门系统未报出故障时,预先给出故障预警信息,起不到预防故障的作用。
发明内容
本发明实施例提供了一种基于复合故障链推理的隐患辨识方法,以实现对离散事件系统的复合故障的隐患进行有效地辨识。
为了实现上述目的,本发明采取了如下技术方案
一种基于复合故障链推理的隐患辨识方法,包括:
基于预先构建的复合故障因果链模型,采用最小割集法对离散事件系统中的链路进行解耦隔离,得到链路集;
创建求解进程,基于每条链路的入度和度的比值,得到链路独立度信息;基于链路的先验故障概率获得链路的后验故障概率信息;
基于所述链路的独立度信息和后验故障概率信息获得链路风险优先数因子CRPN数据和节点风险优先数因子NRPN,将所述CRPN数据和NRPN数据模糊化,得到模糊链路风险优先数因子FCRPN和模糊节点风险优先数因子FNRPN数据,通过风险优先数RPN公式得到模糊风险优先数值FRPN=FCRPN&FNRPN;
基于所述模糊风险优先数值FRPN,对给定的故障参数的输入,确定所述链路集中的每条故障链路的故障传递可能性等级,确定与故障传递相关的链路上,每个故障节点的影响等级系数,再将所述FRPN转化为确定的风险优先数值,作为故障传播链路和故障源排序的数值依据,根据所述故障传播链路和故障源排序的数值依据获取真实故障源;
处理器对所述复合故障因果链模型的参数进行训练,选取历史故障数据作为输入,得出相应的故障源排序集合,若所述真实故障源不在所述故障源排序集合内,则处理器对所述复合故障因果链模型进行机理分析,增加通向所述真实故障源的链路集;若所述真实故障源在所述故障源排序集合内,则所述处理器对所述真实故障源以及故障传播路径增加概率奖励因子,对所述复合故障因果链模型的初始值做修正。
优选地,所述的方法还包括:
用Petri网模型构建器构建复合故障因果链模型,按照系统组成及功能结构,将已知可划分为多层次组分的离散事件系统的系统故障模式,用Petri网的库所作为故障模式节点,用Petri网的变迁表示故障模式的联结传递关系,构建出复合故障因果链模型。
优选地,所述的方法包括:
对于确定的系统故障形式y,产生该系统故障形式y的内部故障节点集合为Py={p1|y,p2|y,…,ps|y},则具有层次性的故障传递模型为Py—>y,所述故障传递模型描述为:
假设一个给定的系统,按照结构功能划分为A,B,C,D四组,分别代表系统,子系统,部件和零件四个层次,每一层都有元素节点表征故障现象,称为故障节点,最后一组的故障节点集合为故障源;
系统故障层次集合为L={L1,L2,…,Ln},每一层的故障节点表示为集合LNi={ni1,ni2,…,nir},其中i=1,2,…,n,故障传播是从底层的故障源,向上逐层传递,即Ln→Ln-1→…→L2→L1,推理过程即为故障传播的逆过程:L1→L2→…→Ln-1→Ln是宏观的复合故障链推理模型;
设系统复合故障链集合为C={c1,c2,…,cs},其中一条故障链路ci(i=1,2,…,s)包括的每层的故障节点,可看作该条故障链路的故障节点,表示为CNi={cn1 i,cn2 i,…,cnk i},其中CN=LN,C=L1→L2→…→Ln-1→Ln。
用Petri网表示复合故障链模型,(S,T,F)是一个原型Petri网,满足且 表示s的所有直接和间接后继节点的集合,t·表示t的后置库所集,同理·t表示t的前置库所集,表示弧的有限集;将库所表示故障节点,变迁表示故障的触发条件,弧则表征故障传播弧的有限集,指向故障节点的弧称为前置弧,故障节点向外传播的弧称为后置弧,则构建完成了复合故障链模型,该复合故障链模型为Petri网模型。
优选地,在所述复合故障链模型中,每个故障源产生多个故障现象,所述故障现象逐层推广,多个链路耦合成网络结构,在进行故障链路分析时,采用行列法求最小割集进行解耦隔离,将每条链路独立开,形成链路集合;所述行列法的求解过程描述如下:“与门”使割集容量增加,而不增加割集的数量;“或门”使割集的数量增加,而不增加割集的容量,行列法是从系统故障层开始,用下一层事件代替上一层事件,把“与门”连接的事件,按行横向排列;把“或门”连接的事件,按列纵横向摆开。这样,逐层向下,直至各基本事件,列出若干行,最后利用布尔代数化简。化简结果,即得出若干最小割集。
优选地,在某一条链路ci中,所有节点的前置弧个数总和为TID,所有节点的弧个数总和为TD,则所述链路ci的独立度为:
在某一条链路中,入度指该链路所有节点的输入弧总数;度是指该链路所有节点的总弧数,链路独立度O就是链路上每个节点具有的入度之和与所有节点的连接节点个数总和的比值,TID是入度之和,TD是所有度的和。
优选地,所述的基于链路的先验故障概率获得链路的后验故障概率信息,包括:
获得故障节点的贝叶斯后验概率的方法,首先求出同一个链路中的故障节点的联合概率分布,在某一条链路ci中,节点集合为:
若j>h则优先级大于在该链路ci中,某一故障节点的所有高优先级节点集合称为每条链路都由故障传播弧和故障节点组成,所述CNi的联合概率分布为:
每一个故障节点,在不同故障中,表现出不同的故障形式,对于具有m个故障形式的故障节点的条件概率为:
其中,为链路节点,运用贝叶斯逆向推理可以计算的后验概率:
优选地,所述的基于所述链路的独立度信息和后验故障概率信息获得链路风险优先数因子CRPN数据和节点风险优先数因子NRPN,将所述CRPN数据和NRPN数据模糊化,得到模糊链路风险优先数因子FCRPN和模糊节点风险优先数因子FNRPN数据,通过风险优先数RPN公式得到模糊风险优先数值FRPN=FCRPN&FNRPN,包括:
CRPN包括:链路独立度O,故障难查度D,故障模式影响严重度S,其中D又包括误报度D1,虚报度D2和未报度D3,S包括安全性影响严重度S1,可靠性影响严重度S2和经济影响严重度S3;
将O、D、S、λ、ω的值限定在0~1之间,D分为D1、D2、D3,对应的权值为λ1,λ2,λ3;S分为S1、S2、S3,各自对应的权值为ω1,ω2,ω3,
则CRPN公式为:
其中j=1,…,j是故障链路编号,l是故障链路总数;
NRPN公式为:
其中,i=1,…,n是故障节点编号,n是故障节点总数。
优选地,所述方法还包括:
在所述CRPN和NRPN公式中,采用三角模糊法将所述CRPN数据和NRPN数据模糊化,得到模糊链路风险优先数因子FCRPN数据和模糊节点风险优先数因子FNRPN数据,将故障等级化为7级{VL,L,ML,M,MH,H,VH},含义为{很低,低,中低,中,中高,高,很高},定性描述出故障链路的隐患可能性和故障链路中节点的可能性。再利用重心法去模糊化,得到CRPN和NRPN,即为所求的复合故障链的定量参数,参数从大到小排序,则是所得隐患出现的可能性大小顺序。
优选地,在所述CRPN和NRPN公式中,采用自适应训练方法来修改复合故障模型的CRPN和NRPN参数φ,称参数φ为奖励因子,真实故障位置若在故障排序结果外,则停止程序运行,检查模型结构是否和真实故障对应,修改调整模型;真实故障位置若在故障排序结果内,则对该故障节点和其相关的故障链增加φ,则专家初始设定的RPN值(包括CRPN和NRPN)应做相应的修改,如下:
所述CRPN和NRPN公式中,训练迭代过程的结束条件为训练的故障数据,真实故障部位在定性推理的故障等级的最高级集合内。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提出的复合故障因果链的隐患辨识方法的特点具有普适性,凡具有结构可分性的系统都适用。故障传递模型的构建,是基于系统层次性结构的组成机理,在特定功能条件下,进行推演成型。若获得风险优先数公式的初始数据,则可通过复合故障因果链定量推演出故障及隐患的排序,以达到系统的故障和隐患的定位辨识目的。本发明实施例能够在列车车门系统未报出故障时,先给出预警信息,对于系统安全运行以及合理维护都有重要的指示作用。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于复合故障链推理的隐患辨识方法的处理流程图;
图2是城轨列车车门系统的结构图;
图3是城轨列车车门打开动作流程图;
图4是层次故障模型图;
图5是改进的FRPN计算流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
实施例一
本发明实施例对城市轨道列车车门系统的结构和工作机理进行深入分析,基于专家知识和机理分析找出该系统的故障模式和系统内部信息传输失衡的根源,确定结构故障点,用图论构建系统故障链路模型,最终确定隐患位置,并辨识出隐患所导致的故障级别,基于此模型的先验推理,在列车车门系统未报出故障时,先给出预警信息,对于系统安全运行以及合理维护都有重要的指示作用。并且车门系统故障多发,是该隐患辨识算法很好的运用对象,为推理出普适性复合故障链理论做出铺垫。
本发明实施例的一种基于复合故障链推理的隐患辨识方法的处理流程包括以下步骤:
步骤S110、Petri网模型构建器用petri网构建复合故障因果链模型,按照系统组成及功能结构,将已知可划分为多层次组分的离散事件系统的系统故障模式,用Petri网的库所作为故障模式节点,用Petri网的变迁表示故障模式的联结传递关系,以此构建出复合故障因果链。
步骤S120、解耦隔离器获取所述petri网模型构建器构建的复合故障因果链模型,基于复合故障因果链模型采用最小割集法对离散事件系统中的链路进行解耦隔离,得到独立的链路集;
步骤S130、创建求解进程,入度指该链路所有节点的输入弧总数;度是指该链路所有节点的总弧数,节点入度和度的比值为链路独立度参量,基于链路集中的每条链路的入度和度的比值,得到链路独立度信息。
上述链路独立度就是链路上每个节点具有的输入节点的个数(度)之和与所有节点的连接节点个数总和的比值,独立度就是TID是入度之和,TD是所有度的和。
基于先验知识,获得链路风险优先数因子(Chain Risk Priority NumberParameter,CRPN)数据和节点风险优先数因子NRPN(
步骤S140、基于先验故障概率获得后验故障概率信息;先验故障概率根据以往经验和分析得到的故障概率,它往往作为"由因求果"问题中的"因"出现;后验故障概率是在得到"故障结果"的信息后重新修正的故障概率,是"执果寻因"问题中的"果"。先验故障概率与后验故障概率有不可分割的联系,后验故障概率的计算要以先验故障概率为基础。
步骤S150、风险优先数(Risk Priority Number,RPN)是失效模式影响分析(Failure Mode and Effects Analysis)风险系数评价指标,在这里用于评价故障节点和故障链路的风险系数。风险优先数包含:工艺模式的故障严酷度等级(S)、发生概率等级(O)和被检测难度等级(D)。基于先验知识,获得链路风险优先数因子(Chain Risk PriorityNumber Parameter,CRPN)数据和节点风险优先数因子NRPN(Note Risk Priority NumberParameter,NRPN)数据,将CRPN和NRPN模糊化,得到模糊链路风险优先数因子(Fuzzy ChainRisk Priority Number Parameter,FCRPN)数据和模糊节点风险优先数因子(Fuzzy NoteRisk Priority Number Parameter,FNRPN)FNRPN。
步骤S160、基于FRPN(FCRPN&FNRPN),对给定的故障参数的输入,确定每条故障链路的故障传递可能性等级,上述故障参数为先验故障概率,故障模式等。
然后,确定与故障传递相关的链路上,每个故障节点的影响等级系数,再将FRPN去模糊化,作为故障传播链路和故障源排序的数值依据。
故障形式即故障模式,就是对故障的描述;故障链路即各设备间的故障影响关系构成的故障传播路径;故障源即引发故障的最初部件或位置;真实故障源:真正引发故障发生的最初部件或位置,与维修人员是否检测到无关;故障节点:在故障链路中的故障模式或部件。
风险优先数作用:是S、O、D三个参量,乘积作为风险优先数P的值,用于评价故障风险大小,这里求取三个参量S、O、D的方法在下文有详细描述。
步骤S170、处理器对复合故障模型的参数进行训练,选取历史故障数据作为输入,得出相应的故障源排序集合。若真实故障源不在该故障源排序集合内,则处理器对原复合故障模型进行机理分析,增加通向该故障源的链路集,若真实故障源在该故障源排序集合内,则处理器对该真实故障源,以及故障传播路径增加概率奖励因子,对复合故障模型的初始值做修正。
需要说明的是,上述步骤的实现可以通过常规的计算机和/或其他常用终端来实现,本发明实施例并无限制。
假设系统Y有g种可能的故障形式Y={y1,y2,y3,…yg}(g∈N),对于系统Y内的单元节点,同一个故障节点引起系统不同故障形式的概率是不一样的,并且不同故障节点对系统的同一种故障形式的贡献率也是不一样的。对检测出的系统确定的故障而言,其故障形式确定,所对应的系统内部的故障节点也就相应确定,用数学语言描述则为:
对于确定的系统故障形式y,产生系统该故障形式的内部故障节点集合为Py={p1|y,p2|y,…,ps|y},则具有层次性的故障传递模型Py—>y,即为复合故障链的定义。其模型化描述为:
假设一个给定的系统,按照结构功能划分为A,B,C,D四组,分别代表系统,子系统,部件和零件四个层次,每一层都有元素节点表征故障现象,称为故障节点,最后一组(零件组)的故障节点集合为故障源;由于系统结构有简单有复杂,不可能严格划分为四组,可以根据实际系统结构,省略划分组别,如直接划分为ABC,ACD。另外若系统结构层次划分为多于四组以上,则分B1,B2,…Bn组,分别表示子系统1,子系统2,…子系统n;
系统故障层次集合为L={L1,L2,…,Ln},每一层的故障节点表示为集合LNi={ni1,ni2,…,nir},其中i=1,2,…,n,故障传播是从底层的故障源,向上逐层传递,即Ln→Ln-1→…→L2→L1,推理过程即为故障传播的逆过程:L1→L2→…→Ln-1→Ln是宏观的复合故障链推理模型。
这里的分析对象是离散事件系统,因此故障链路是可以独立隔离的。设系统复合故障链集合为C={c1,c2,…,cs},其中一条故障链路ci(i=1,2,…,s)包括的每层的故障节点,可看作该条故障链路的故障节点,表示为CNi={cn1 i,cn2 i,…,cnk i},其中CN=LN,C=L1→L2→…→Ln-1→Ln。
用Petri网表示复合故障链模型,(S,T,F)是一个原型Petri网,满足且 表示s的所有直接和间接后继节点的集合,t·表示t的后置库所集,同理·t表示t的前置库所集,表示弧的有限集;将库所表示故障节点,变迁表示故障的触发条件,弧则表征故障传播弧的有限集,指向故障节点的弧称为前置弧,故障节点向外传播的弧称为后置弧。至此可构建复合故障链模型,该复合故障链模型为Petri网模型。
在该复合故障链模型中,每个故障源都可能产生多个故障现象,逐层推广,多个链路耦合成网络结构,在进行故障链路分析时,采用行列法求最小割集进行解耦隔离,将每条链路独立开,形成链路集合;所述行列法的求解过程描述如下:“与门”使割集容量增加,而不增加割集的数量;“或门”使割集的数量增加,而不增加割集的容量,行列法是从系统故障层开始,用下一层事件代替上一层事件,把“与门”连接的事件,按行横向排列;把“或门”连接的事件,按列纵横向摆开。这样,逐层向下,直至各基本事件,列出若干行,最后利用布尔代数化简。化简结果,即得出若干最小割集。
在某一条链路ci中,所有节点的前置弧个数总和为TID(total inputdirections),所有节点的弧个数总和为TD(total directions)。则链路独立度为:
获得故障节点的贝叶斯后验概率的方法,首先求出同一个链路中的故障节点的联合概率分布,在某一条链路ci中,节点集合为
若j>h则优先级大于在该链路中,某一故障节点的所有高优先级节点集合称为每条链路都由故障传播弧和故障节点组成。CN的联合概率分布为:
每一个故障节点,在不同故障中,表现出不同的故障形式,对于具有m个故障形式的故障节点的条件概率为:
其中,为链路节点。运用贝叶斯逆向推理可以计算的后验概率,
其中,CRPN包括:链路独立度O,故障难查度D,故障模式影响严重度S,其中D又包括误报度D1,虚报度D2和未报度D3,S包括安全性影响严重度S1,可靠性影响严重度S2和经济影响严重度S3。NRPN的因子参量和CRPN的唯一区别是将链路独立度用故障节点的后验概率代替。
将O、D、S、λ、ω的值限定在0~1之间,D分为D1、D2、D3,对应的权值为λ1,λ2,λ3;S分为S1、S2、S3,各自对应的权值为ω1,ω2,ω3,
则CRPN公式为:
其中j=1,…,j是故障链路编号,l是故障链路总数;
NRPN公式为:
其中,i=1,…,n是故障节点编号,n是故障节点总数。
所述CRPN和NRPN公式中,采用三角模糊法将CRPN和NRPN模糊成FCRPN和FNRPN,利用以上两个公式分别得出改进的FCRPN和FNRPN(统称FR),将故障等级化为7级{VL,L,ML,M,MH,H,VH},含义为{很低,低,中低,中,中高,高,很高}。定性描述出故障链路的隐患可能性和故障链路中节点的可能性。再利用重心法去模糊化,得到CRPN和NRPN,即为所求的复合故障链的定量参数,参数从大到小排序,则是所得隐患出现的可能性大小顺序。
所述CRPN和NRPN公式中,可以采用自适应训练方法来修改复合故障模型的CRPN和NRPN参数φ,称参数φ为奖励因子。真实故障位置若在故障排序结果外,则停止程序运行,检查模型结构是否和真实故障对应,修改调整模型;真实故障位置若在故障排序结果内,则对该故障节点和其相关的故障链增加φ,则专家初始设定的RPN值(包括CRPN和NRPN)应做相应的修改,如下:
所述CRPN和NRPN公式中,训练迭代过程的结束条件为训练的故障数据,真实故障部位在定性推理的故障等级的最高级集合内。
O数据来自计算,D数据来自历史记录,S数据来自专家评价。
实施例二
本发明所提出的复合故障推理系统隐患辨识方法的执行流程如图1所示,包括如下的处理步骤:
第一步:首先明确系统的结构组成,以及功能流程。以城轨列车车门系统开门功能为例,先对系统进行层次分解,明确功能条件下,每个层次的结构的联接,并确定动作逻辑顺序,图2所示为城轨列车车门系统结构,图3所示为开门功能流程。
第二步:基于复合故障概念,利用Petri网方法构建车门系统开门过程的层次故障模型。模型如图4所示。并用最小割集法解耦复合故障链,形成独立的故障链路,结果如表1;
表1解耦故障链列表
第三步:将每条链路上故障节点的总入度和总度做比,得到入度权值,作为因子导入CRPN公式中,专家设定其他初始CRPN,将这些CRPN模糊化,得到FCRPN,以此求得FCR值,最后用去模糊法得到最终的CR。
第四步:将故障模型中的故障形式与故障部位对应的历史数据,以及故障形式的故障数据为依据,根据贝叶斯后验概率公式,求出故障部位出现相应的故障形式的后验概率。
第五步:将第三步得到的后验概率集合模糊化,导入NRPN公式中,作为一个FN因子,利用专家系统设定其他FN因子的初始值,通过计算得到初始的FNRPN值,最后通过去模糊算法得到最终的NRPN值,CRPN和NRPN的计算流程如图5。
第六步:模型数据测试过程。分析复合故障模型中的每个故障传播路径的RPN数,排序故障传播路径,再分析每个节点的RPN数,定位故障节点。得出故障节点的定位排序结果,并与真实故障作对比;
第七步:若与真实车门系统故障对比,没有该真实的故障源,通过故障分析,添加与该故障有关的故障链,若真实故障源在故障源定位排序结果中,则对该故障源进行传递链路辨识,增加该链路和该节点的概率奖励因子,直到真实故障部位在隐患等级最高级的故障集合中;
第八步:基于历史数据进行多次故障定位测试,将奖励因子加入RPN值中,得到训练后的模型参数,以此作为新的模型,进行隐患辨识,基于历史故障统计,测试经常出现的两组故障“车门未开到最大处即停止,开门过程中伴有噪音”作为输入,表2和表3展示的是隐患辨识结果。真正故障部位,在故障记录中主要出在位置传感器,电机和乘客拥挤导致门尺寸异常,从定位结果来看,此三个定位分别为故障级别的“很高”,“高”,“高”集合中,其定位序号为1,6,10。证明了实际故障部位在隐患辨识合理的推理结果中,该算法可以实现自适应隐患辨识功能。
表2隐患辨识定性推理结果
表3隐患辨识定量推理结果
综上所述,本发明实施例提出的复合故障因果链的隐患辨识方法的特点具有普适性,凡具有结构可分性的系统都适用。故障传递模型的构建,是基于系统层次性结构的组成机理,在特定功能条件下,进行推演成型。若获得风险优先数公式的初始数据,则可通过复合故障因果链定量推演出故障及隐患的排序,以达到系统的故障和隐患的定位辨识目的。
本发明实施例对城市轨道列车车门系统的结构和工作机理进行深入分析,基于专家知识和机理分析找出该系统的故障模式和系统内部信息传输失衡的根源,确定结构故障点,用图论构建系统故障链路模型,最终确定隐患位置,并辨识出隐患所导致的故障级别,基于此模型的先验推理,在列车车门系统未报出故障时,先给出预警信息,对于系统安全运行以及合理维护都有重要的指示作用。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于复合故障链推理的隐患辨识方法,其特征在于,包括:
基于预先构建的复合故障因果链模型,采用最小割集法对离散事件系统中的链路进行解耦隔离,得到链路集;
创建求解进程,基于每条链路的入度和度的比值,得到链路独立度信息;基于链路的先验故障概率获得链路的后验故障概率信息;
基于所述链路的独立度信息和后验故障概率信息获得链路风险优先数因子CRPN数据和节点风险优先数因子NRPN,将所述CRPN数据和NRPN数据模糊化,得到模糊链路风险优先数因子FCRPN和模糊节点风险优先数因子FNRPN数据,通过风险优先数RPN公式得到模糊风险优先数值FRPN=FCRPN&FNRPN;
基于所述模糊风险优先数值FRPN,对给定的故障参数的输入,确定所述链路集中的每条故障链路的故障传递可能性等级,确定与故障传递相关的链路上,每个故障节点的影响等级系数,再将所述FRPN转化为确定的风险优先数值,作为故障传播链路和故障源排序的数值依据,根据所述故障传播链路和故障源排序的数值依据获取真实故障源;
处理器对所述复合故障因果链模型的参数进行训练,选取历史故障数据作为输入,得出相应的故障源排序集合,若所述真实故障源不在所述故障源排序集合内,则处理器对所述复合故障因果链模型进行机理分析,增加通向所述真实故障源的链路集;若所述真实故障源在所述故障源排序集合内,则所述处理器对所述真实故障源以及故障传播路径增加概率奖励因子,对所述复合故障因果链模型的初始值做修正。
2.根据权利要求1所述的方法,其特征在于,所述的方法还包括:
用Petri网模型构建器构建复合故障因果链模型,按照系统组成及功能结构,将已知可划分为多层次组分的离散事件系统的系统故障模式,用Petri网的库所作为故障模式节点,用Petri网的变迁表示故障模式的联结传递关系,构建出复合故障因果链模型。
3.根据权利要求2所述的方法,其特征在于,在所述复合故障链模型中,每个故障源产生多个故障现象,所述故障现象逐层推广,多个链路耦合成网络结构,在进行故障链路分析时,采用行列法求最小割集进行解耦隔离,将每条链路独立开,形成链路集合;所述行列法的求解过程描述如下:“与门”使割集容量增加,而不增加割集的数量;“或门”使割集的数量增加,而不增加割集的容量,行列法是从系统故障层开始,用下一层事件代替上一层事件,把“与门”连接的事件,按行横向排列;把“或门”连接的事件,按列纵横向摆开;这样,逐层向下,直至各基本事件,列出若干行,最后利用布尔代数化简;化简结果,即得出若干最小割集。
4.根据权利要求3所述的方法,其特征在于,在某一条链路ci中,所有节点的前置弧个数总和为TID,所有节点的弧个数总和为TD,则所述链路ci的独立度为:
在某一条链路中,入度指该链路所有节点的输入弧总数;度是指该链路所有节点的总弧数,链路独立度O就是链路上每个节点具有的入度之和与所有节点的连接节点个数总和的比值,TID是入度之和,TD是所有度的和。
5.根据权利要求1所述的方法,其特征在于,所述的基于所述链路的独立度信息和后验故障概率信息获得链路风险优先数因子CRPN数据和节点风险优先数因子NRPN,将所述CRPN数据和NRPN数据模糊化,得到模糊链路风险优先数因子FCRPN和模糊节点风险优先数因子FNRPN数据,通过风险优先数RPN公式得到模糊风险优先数值FRPN=FCRPN&FNRPN,包括:
CRPN包括:链路独立度O,故障难查度D,故障模式影响严重度S,其中D又包括误报度D1,虚报度D2和未报度D3,S包括安全性影响严重度S1,可靠性影响严重度S2和经济影响严重度S3;
将O、D、S、λ、ω的值限定在0~1之间,D分为D1、D2、D3,对应的权值为λ1,λ2,λ3;S分为S1、S2、S3,各自对应的权值为ω1,ω2,ω3;
则CRPN公式为:
其中j=1,…,j是故障链路编号,l是故障链路总数;
NRPN公式为:
其中,i=1,…,n是故障节点编号,n是故障节点总数。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
在所述CRPN和NRPN公式中,采用三角模糊法将所述CRPN数据和NRPN数据模糊化,得到模糊链路风险优先数因子FCRPN数据和模糊节点风险优先数因子FNRPN数据,将故障等级化为7级{VL,L,ML,M,MH,H,VH},含义为{很低,低,中低,中,中高,高,很高},定性描述出故障链路的隐患可能性和故障链路中节点的可能性,再利用重心法去模糊化,得到CRPN和NRPN,即为所求的复合故障链的定量参数,参数从大到小排序,则是所得隐患出现的可能性大小顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510316559.XA CN105426651B (zh) | 2015-06-10 | 2015-06-10 | 基于复合故障链推理的隐患辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510316559.XA CN105426651B (zh) | 2015-06-10 | 2015-06-10 | 基于复合故障链推理的隐患辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105426651A CN105426651A (zh) | 2016-03-23 |
CN105426651B true CN105426651B (zh) | 2019-03-15 |
Family
ID=55504860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510316559.XA Active CN105426651B (zh) | 2015-06-10 | 2015-06-10 | 基于复合故障链推理的隐患辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426651B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779285A (zh) * | 2016-11-16 | 2017-05-31 | 深圳市燃气集团股份有限公司 | 一种lng储罐泄露的失效模式分析实现方法 |
JP6823547B2 (ja) * | 2017-06-07 | 2021-02-03 | 株式会社日立製作所 | 経営管理システム |
CN107705001A (zh) * | 2017-09-19 | 2018-02-16 | 西南交通大学 | 一种流域突发污染事故信息链建立的方法 |
CN107832916B (zh) * | 2017-10-13 | 2022-04-08 | 四川大学 | 基于贝叶斯风险网络的梯级水电站关键风险因素及风险传递关键路径的识别方法 |
CN109872004B (zh) * | 2019-03-08 | 2021-06-04 | 北京工商大学 | 一种基于模糊贝叶斯网络的设备故障预测与健康评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622531A (zh) * | 2012-04-24 | 2012-08-01 | 北京航空航天大学 | 一种危害性分析中风险优先数门限值的确定方法 |
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 |
CN103186708A (zh) * | 2011-12-31 | 2013-07-03 | 电子科技大学 | 一种采用两个rpn数的故障模式影响及危害性分析方法 |
CN103336732A (zh) * | 2013-06-28 | 2013-10-02 | 北京交通大学 | 一种离散事件系统的复合故障因果链解耦方法 |
-
2015
- 2015-06-10 CN CN201510316559.XA patent/CN105426651B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186708A (zh) * | 2011-12-31 | 2013-07-03 | 电子科技大学 | 一种采用两个rpn数的故障模式影响及危害性分析方法 |
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 |
CN102622531A (zh) * | 2012-04-24 | 2012-08-01 | 北京航空航天大学 | 一种危害性分析中风险优先数门限值的确定方法 |
CN103336732A (zh) * | 2013-06-28 | 2013-10-02 | 北京交通大学 | 一种离散事件系统的复合故障因果链解耦方法 |
Non-Patent Citations (4)
Title |
---|
"Modified Prioritization Methodology for Risk Priority Number in Failure Mode and Effects Analysis";N. Sellappan eal;《 International Journal of Applied Science and Technology》;20130430;第3卷(第4期);第27-36页 |
"Multiple failure modes analysis and weighted risk priority number evaluation in FMEA";Ningcong Xiao eal;《Engineering Failure Analysis》;20111231;第18卷(第4期);第1162-1170页 |
"因果链解耦的时间-概率模型";佘维 等;《计算机集成制造系统》;20131015;第19卷(第10期);第2536-2549页 |
"基于故障因果链的故障模式与影响分析风险评估方法";耿秀丽 等;《计算机集成制造系统》;20091215;第15卷(第12期);第2473-2480页 |
Also Published As
Publication number | Publication date |
---|---|
CN105426651A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105426651B (zh) | 基于复合故障链推理的隐患辨识方法 | |
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
Sarbayev et al. | Risk assessment of process systems by mapping fault tree into artificial neural network | |
CN104238545B (zh) | 一种石油炼化生产过程故障诊断和预警系统及其建立方法 | |
CN106598029B (zh) | 基于性能退化的列控车载设备可靠性预测方法 | |
Huang et al. | Operational failure analysis of high-speed electric multiple units: A Bayesian network-K2 algorithm-expectation maximization approach | |
CN104462842A (zh) | 一种基于贝叶斯网络的故障数据挖掘诊断方法 | |
CN102662831B (zh) | 一种容错系统诊断策略优化方法 | |
CN104571084B (zh) | 主风机组故障根源深度诊断方法和装置 | |
CN102662389A (zh) | 一种基于故障特性分析的监测参数选择方法 | |
Appoh et al. | Hybrid dynamic probability-based modeling technique for rolling stock failure analysis | |
CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及系统 | |
CN104898039A (zh) | 基于故障传播概率模型的故障模式优选方法 | |
Sammouri | Data mining of temporal sequences for the prediction of infrequent failure events: application on floating train data for predictive maintenance | |
Joshi et al. | Intelligent and learning-based approaches for health monitoring and fault diagnosis of RADARSAT-1 attitude control system | |
Kurtoglu et al. | A framework for systematic benchmarking of monitoring and diagnostic systems | |
Thunem et al. | Ussing an Agent-Oriented Framework for Supervision, Diagnosis and Prognosis Applications in Advanced Automation Environments | |
Zhao et al. | Reasoning on partially-ordered observations in online diagnosis of DESs | |
Odintsova et al. | Multi-fault diagnosis in dynamic systems | |
M’halla et al. | Monitoring of a milk manufacturing workshop using chronicle and fault tree approaches | |
Sammouri et al. | Mining floating train data sequences for temporal association rules within a predictive maintenance framework | |
CN105224783A (zh) | 基于petri网的列车车门系统隐患定位的方法 | |
Xie et al. | Evaluation algorithm of high voltage switchgear based on bayesian fusion | |
CN112015705A (zh) | 一种基于深度学习的区块链日志监测方法 | |
Johnson et al. | A data driven approach to elicit causal links between performance shaping factors and human failure events |
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 |