CN105718323B - 一种基于故障树的故障诊断方法和装置 - Google Patents

一种基于故障树的故障诊断方法和装置 Download PDF

Info

Publication number
CN105718323B
CN105718323B CN201511030560.2A CN201511030560A CN105718323B CN 105718323 B CN105718323 B CN 105718323B CN 201511030560 A CN201511030560 A CN 201511030560A CN 105718323 B CN105718323 B CN 105718323B
Authority
CN
China
Prior art keywords
fact
rule
base
library
reasoning
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
Application number
CN201511030560.2A
Other languages
English (en)
Other versions
CN105718323A (zh
Inventor
郭辉
王传民
曹代伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CVIC Software Engineering Co Ltd
Original Assignee
CVIC Software Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CVIC Software Engineering Co Ltd filed Critical CVIC Software Engineering Co Ltd
Priority to CN201511030560.2A priority Critical patent/CN105718323B/zh
Publication of CN105718323A publication Critical patent/CN105718323A/zh
Application granted granted Critical
Publication of CN105718323B publication Critical patent/CN105718323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例提供一种基于故障树的故障诊断方法和装置，其中方法包括：建立故障树，将所述故障树以逻辑门为单位分解为各小单元；将各所述小单元均通过相对应的逻辑门规则分别生成一具体规则，根据得到的所有所述具体规则建立规则库；根据已知的数据和事实建立事实库，根据所述规则库和事实库进行正向推理和/或反向推理，得到诊断结果。基于规则库推理来得到诊断结果，解决了故障树在非单调的情况下诊断准确性较低的问题，且根据规则库和事实库进行正向推理和/或反向推理得到终端结果，充分对规则库进行推理，进一步提高了诊断结果的准确性。

Description

一种基于故障树的故障诊断方法和装置
技术领域
本发明涉及故障诊断领域，特别是涉及一种基于故障树的故障诊断方法和装置。
背景技术
故障树分析(Fault Tree Analysis，FTA)是系统可靠性设计的一种有效方法，也是故障诊断技术中的一种有效方法。故障树分析是一种针对某个特定的不希望事件的演绎推理分析，是一种将系统故障形成的原因进行由总体至部件按树枝状逐级细化的分析方法。目前，通过故障树对故障进行诊断时，在故障树在非单调的情况下，将导致诊断结果的准确性较低。
发明内容
有鉴于此，本发明实施例提供一种基于故障树的故障诊断方法和装置，以解决现有技术中通过故障树对故障进行诊断时，在故障树在非单调的情况下，将导致诊断结果的准确性较低的问题。
为实现上述目的，本发明实施例提供如下技术方案：
一种基于故障树的故障诊断方法，包括：
建立故障树，将所述故障树以逻辑门为单位分解为各小单元；
将各所述小单元均通过相对应的逻辑门规则分别生成一具体规则，根据得到的所有所述具体规则建立规则库；
根据已知的数据和事实建立事实库，根据所述规则库和事实库进行正向推理和/或反向推理，得到诊断结果。
其中，所述根据所述规则库和事实库进行正向推理和/或反向推理包括：
对所述规则库进行正向推理，得到包括新的事实的新的事实库，和/或包括新的可能事实的第一临时事实库；
若所述新的事实库存在冲突，且所述第一临时事实库不为空，则对所述第一临时事实库进行反向推理，通过反向推理确认各所述新的可能事实是否为真，将反向推理确认为真的新的可能事实加入所述新的事实库中，生成最终事实库。
其中，对所述规则库进行正向推理包括：
获取所述规则库中正向当前具体规则，通过当前事实库中所有事实判断所述正向当前具体规则中if子句是否成立；
若成立，则判断所述正向当前具体规则中then子句是否成立；
若是，则将所述正向当前具体规则的结论作为新的事实，加入所述当前事实库中，得到下一事实库；
若否，则将所述正向当前具体规则的结论作为新的可能事实，加入第一临时事实库中，将所述当前事实库作为下一事实库；
获取所述规则库中正向下一具体规则，通过所述下一事实库中所有事实判断所述正向下一具体规则中if子句是否成立，直至所述规则库中所有具体规则均被获取。
其中，所述对所述第一临时事实库进行反向推理，通过反向推理确认各所述新的可能事实是否为真，将通过反向推理确认为真的新的可能事实加入所述新的事实库中包括：
获取第一临时事实库中当前可能事实，和所述规则库中反向当前具体规则，通过所述当前可能事实判断所述反向当前具体规则中if子句是否成立；
若成立，则判断所述反向当前具体规则中then子句是否成立，若是，则将所述反向当前具体规则的结论加入第二临时事实库中，获取所述规则库中反向下一具体规则，直至所述规则库中所有具体规则均被获取；
判断所述第二临时事实库是否存在冲突，若存在，则确定所述当前可能事实为真，将所述当前可能事实加入所述新的事实库中，获取第一临时事实库中下一可能事实，直至所述第一临时事实库中所有可能事实均被获取。
其中，所述建立故障树后还包括：对所述故障数据进行规范化处理，得到规范化故障树，将所述规范化故障树以逻辑门为单位分解为各小单元。
其中，通过Drool引擎根据已知的数据和事实建立事实库，根据所述规则库和事实库进行正向推理和/或反向推理，得到诊断结果。
一种基于故障树的故障诊断装置，包括：建立分解模块、规则生成模块和推理模块；其中，
所述建立分解模块，用于建立故障树，将所述故障树以逻辑门为单位分解为各小单元；
所述规则生成模块，用于将各所述小单元均通过相对应的逻辑门规则分别生成一具体规则，根据得到的所有所述具体规则建立规则库；
所述推理模块，用于根据已知的数据和事实建立事实库，根据所述规则库和事实库进行正向推理和/或反向推理，得到诊断结果。
其中，所述推理模块包括：正向推理单元和反向推理单元；其中，
所述正向推理单元，用于对所述规则库进行正向推理，得到包括新的事实的新的事实库，和/或包括新的可能事实的第一临时事实库；
所述反向推理单元，用于所述新的事实库存在冲突，且所述第一临时事实库不为空时，对所述第一临时事实库进行反向推理，通过反向推理确认各所述新的可能事实是否为真，将反向推理确认为真的新的可能事实加入所述新的事实库中，生成最终事实库。
其中，所述正向推理单元包括：第一判断子单元、第二判断子单元、第一添加子单元和第二添加子单元；其中，
所述第一判断子单元，用于获取所述规则库中正向当前具体规则，通过当前事实库中所有事实判断所述正向当前具体规则中if子句是否成立；在将新的事实加入所述当前事实库中后，或将新的可能事实加入第一临时事实库中后，获取所述规则库中正向下一具体规则，通过所述下一事实库中所有事实判断所述正向下一具体规则中if子句是否成立，直至所述规则库中所有具体规则均被获取；
所述第二判断子单元，用于当所述第一判断子单元判定所述正向当前具体规则中if子句成立时，判断所述正向当前具体规则中then子句是否成立；
所述第一添加子单元，用于当所述第二判断子单元判定所述正向当前具体规则中then子句成立时，将所述正向当前具体规则的结论作为新的事实，加入所述当前事实库中，得到下一事实库；
所述第二添加子单元，用于当所述第二判断子单元判定所述正向当前具体规则中then子句不成立时，将所述正向当前具体规则的结论作为新的可能事实，加入第一临时事实库中，将所述当前事实库作为下一事实库。
其中，所述反向推理单元包括：获取判断子单元、第三判断子单元和第四判断子单元；其中，
所述获取判断子单元，用于获取第一临时事实库中当前可能事实，和所述规则库中反向当前具体规则，通过所述当前可能事实判断所述反向当前具体规则中if子句是否成立；
所述第三判断子单元，用于当所述获取判断子单元判定所述反向当前具体规则中if子句成立时，判断所述反向当前具体规则中then子句是否成立，若是，则将所述反向当前具体规则的结论加入第二临时事实库中，获取所述规则库中反向下一具体规则，直至所述规则库中所有具体规则均被获取；
所述第四判断子单元，用于判断所述第二临时事实库是否存在冲突，若存在，则确定所述当前可能事实为真，将所述当前可能事实加入所述新的事实库中，获取第一临时事实库中下一可能事实，直至所述第一临时事实库中所有可能事实均被获取。
基于上述技术方案，本发明实施例提供的基于故障树的故障诊断方法和装置，建立故障树，将该故障树以逻辑门为单位分解为各小单元，然后将各小单元均通过相对应的逻辑门规则分别生成一具体规则，根据得到的所有具体规则建立规则库，在根据已知的数据和事实建立事实库，根据建立的规则库和事实库进行正向推理和/或反向推理，得到诊断结果。基于规则库推理来得到诊断结果，解决了故障树在非单调的情况下诊断准确性较低的问题，且根据规则库和事实库进行正向推理和/或反向推理得到终端结果，充分对规则库进行推理，进一步提高了诊断结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的基于故障树的故障诊断方法流程图；
图2为本发明实施例提供的基于故障树的故障诊断方法中根据所规则库和事实库进行正向推理和/或反向推理的方法流程图；
图3为本发明实施例提供的基于故障树的故障诊断方法中对规则库进行正向推理的方法流程图；
图4为本发明实施例提供的基于故障树的故障诊断方法中对第一临时事实库进行反向推理，将通过反向推理确认为真的新的可能事实加入新的事实库中的方法流程图；
图5为本发明实施例提供的基于故障树的故障诊断装置的系统框图；
图6为本发明实施例提供的基于故障树的故障诊断装置中推理模块的结构框图；
图7为本发明实施例提供的基于故障树的故障诊断装置中正向推理单元的结构框图；
图8为本发明实施例提供的基于故障树的故障诊断装置中反向推理单元的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的基于故障树的故障诊断方法流程图，基于规则库推理来得到诊断结果，解决了故障树在非单调的情况下诊断准确性较低的问题，且根据规则库和事实库进行正向推理和/或反向推理得到终端结果，充分对规则库进行推理，进一步提高了诊断结果的准确性；参照图1，该基于故障树的故障诊断方法可以包括：
步骤S100：建立故障树，将所述故障树以逻辑门为单位分解为各小单元；
可选的，在建立故障树后，可先对该建立的故障数据进行规范化处理，得到规范化故障树，然后将该规范化故障树以逻辑门为单位分解为各小单元。
步骤S110：将各所述小单元均通过相对应的逻辑门规则分别生成一具体规则，根据得到的所有所述具体规则建立规则库；
将故障树以逻辑门为单位分解为各小单元后，将各分解得到的小单元均通过相对应的逻辑门规则分别生成一具体规则，然后根据得到的所有具体规则建立规则库。
其中，故障树的逻辑门，用于在故障树分析中描述事件间的因果关系。与门、或门和非门为三个基本逻辑门，其他的特殊逻辑门可包括顺序与门、逻辑禁门、表决门和异或门等。
步骤S120：根据已知的数据和事实建立事实库，根据所述规则库和事实库进行正向推理和/或反向推理，得到诊断结果。
根据已知的数据和事实建立事实库，然后根据建立的规则库和事实库进行正向推理和/或反向推理，得到诊断结果。
可选的，得到的诊断结果可以包括个故障的故障类型、故障现象以及故障发生概率。
可选的，可通过对规则库进行正向推理，得到包括新的事实的新的事实库，和/或包括新的可能事实的第一临时事实库，然后当新的事实库存在冲突，且第一临时事实库不为空时，对该第一临时事实库进行反向推理，通过反向推理确认各所述新的可能事实是否为真，将反向推理确认为真的新的可能事实加入所述新的事实库中，生成最终事实库，来根据规则库和事实库进行正向推理和/或反向推理。
可选的，当可通过对规则库进行正向推理，得到包括新的事实的新的事实库，和/或包括新的可能事实的第一临时事实库后，若新的事实库不存在冲突，或当新的事实库存在冲突时第一临时事实库不为空，则不进行反向推理，直接将正向推理得到的新的事实库作为最终事实库。
可选的，可通过获取规则库中正向当前具体规则，通过当前事实库中所有事实判断该正向当前具体规则中if子句是否成立，当判定该正向当前具体规则中if子句成立时，判断该正向当前具体规则中then子句是否成立，若判定该正向当前具体规则中then子句成立，则将该正向当前具体规则的结论作为新的事实，加入当前事实库中，得到下一事实库，若判定该正向当前具体规则中then子句不成立，则将该正向当前具体规则的结论作为新的可能事实，加入第一临时事实库中，将该当前事实库作为下一事实库，然后获取规则库中正向下一具体规则，通过下一事实库中所有事实判断所述正向下一具体规则中if子句是否成立，直至该规则库中所有具体规则均被获取，来对规则库进行正向推理。
可选的，可通过获取第一临时事实库中当前可能事实，和规则库中反向当前具体规则，将该当前可能事实视为已知事实通过该当前可能事实，通过该当前可能事实判断该反向当前具体规则中if子句是否成立，若判定该反向当前具体规则中if子句成立，则判断该反向当前具体规则中then子句是否成立，若判定该反向当前具体规则中then子句成立，则将该反向当前具体规则的结论加入第二临时事实库中，获取该规则库中反向下一具体规则，直至所述规则库中所有具体规则均被获取，在规则库中所有具体规则均被获取后，判断该第二临时事实库是否存在冲突，若该第二临时事实库存在冲突，则确定该当前可能事实为真，将该当前可能事实加入所述新的事实库中，获取第一临时事实库中下一可能事实，直至该第一临时事实库中所有可能事实均被获取，来对第一临时事实库进行反向推理，将通过反向推理确认为真的新的可能事实加入所述新的事实库中，生成最终事实库。
可选的，可以通过Drool引擎根据已知的数据和事实建立事实库，根据所述规则库和事实库进行正向推理和/或反向推理，得到诊断结果。其中，Drools为用Java语言编写的开放源码规则引擎，使用Rete算法(一种前向规则快速匹配算法)对所编写的规则求值，Drools允许使用声明方式表达业务逻辑。利用Drools引擎根据所述规则库和事实库进行正向推理和/或反向推理，对规则库和事实库进行了有效的分离，提高了算法的运行效率和可扩展性。
基于上述技术方案，本发明实施例提供的基于故障树的故障诊断方法和装置，建立故障树，将该故障树以逻辑门为单位分解为各小单元，然后将各小单元均通过相对应的逻辑门规则分别生成一具体规则，根据得到的所有具体规则建立规则库，在根据已知的数据和事实建立事实库，根据建立的规则库和事实库进行正向推理和/或反向推理，得到诊断结果。基于规则库推理来得到诊断结果，解决了故障树在非单调的情况下诊断准确性较低的问题，且根据规则库和事实库进行正向推理和/或反向推理得到终端结果，充分对规则库进行推理，进一步提高了诊断结果的准确性。
可选的，图2示出了本发明实施例提供的基于故障树的故障诊断方法中根据所规则库和事实库进行正向推理和/或反向推理的方法流程图，参照图2，该根据所规则库和事实库进行正向推理和/或反向推理的方法可以包括：
步骤S200：对所述规则库进行正向推理，得到包括新的事实的新的事实库，和/或包括新的可能事实的第一临时事实库；
对规则库进行正向推理后，若得到新的事实，则将该得到的新的事实加入事实库中，得到新的事实库，若得到新的可能事实，则将该得到的新的可能事实加入第一临时事实库中。
步骤S210：判断是否所述新的事实库存在冲突，且所述第一临时事实库不为空，若是，则进入步骤S220，若否，则进入步骤S230；
在对规则库进行正向推理，得到包括新的事实的新的事实库，和/或包括新的可能事实的第一临时事实库后，判断是否新的事实库存在冲突，且所述第一临时事实库不为空。
其中，若对所述规则库进行正向推理后未能得到新的事实库，则判断是否新的事实库存在冲突，且所述第一临时事实库不为空时，判断原事实库是否存在冲突，若对所述规则库进行正向推理后未能得到第一临时事实库，则认为该第一临时事实库为空。
步骤S220：对所述第一临时事实库进行反向推理，通过反向推理确认各所述新的可能事实是否为真，将反向推理确认为真的新的可能事实加入所述新的事实库中，生成最终事实库。
当新的事实库存在冲突，且第一临时事实库不为空时，对该第一临时事实库进行反向推理，通过反向推理确认各所述新的可能事实是否为真，将反向推理确认为真的新的可能事实加入所述新的事实库中，生成最终事实库。
步骤S230：将所述新的事实库作为最终事实库。
若新的事实库不存在冲突，或当新的事实库存在冲突时第一临时事实库不为空，则不进行反向推理，直接将正向推理得到的新的事实库作为最终事实库。
可选的，图3示出了本发明实施例提供的基于故障树的故障诊断方法中对规则库进行正向推理的方法流程图，参照图3，该对规则库进行正向推理的方法可以包括：
步骤S300：获取所述规则库中正向当前具体规则；
规则库中正向当前具体规则，为在规则库中当前正待进行正向推理的具体规则，在该正向当前具体规则前进行正向推理具体规则为正向上一具体规则，在该正向当前具体规则后进行正向推理具体规则为正向下一具体规则。
步骤S310：通过当前事实库中所有事实判断所述正向当前具体规则中if子句是否成立，若成立，则进入步骤S320，若不成立，则进入步骤S350；
步骤S320：判断所述正向当前具体规则中then子句是否成立，若是，则进入步骤S330，若否，则进入步骤S340；
若通过当前事实库中所有事实判定正向当前具体规则中if子句成立，则继续判断该正向当前具体规则中then子句是否成立。
步骤S330：将所述正向当前具体规则的结论作为新的事实，加入所述当前事实库中，得到下一事实库，进入步骤S350；
若正向当前具体规则中then子句成立，则将该正向当前具体规则的结论作为新的事实，加入当前事实库中，得到下一事实库。
步骤S340：将所述正向当前具体规则的结论作为新的可能事实，加入第一临时事实库中，将所述当前事实库作为下一事实库，进入步骤S350；
若正向当前具体规则中then子句不成立，则将该正向当前具体规则的结论作为新的可能事实，加入第一临时事实库中，将当前事实库作为下一事实库。
步骤S350：获取所述规则库中正向下一具体规则，通过所述下一事实库中所有事实判断所述正向下一具体规则中if子句是否成立，直至所述规则库中所有具体规则均被获取。
若通过当前事实库中所有事实判定正向当前具体规则中if子句不成立，则直接获取规则库中正向下一具体规则，通过下一事实库中所有事实判断所述正向下一具体规则中if子句是否成立，此时，下一事实库与当前事实库相比，未加入新的事实，即下一事实库与当前事实库相同。
若通过当前事实库中所有事实判定正向当前具体规则中if子句成立，则在将新的可能事实加入第一临时事实库中，得到下一事实库后，或是将新的可能事实加入第一临时事实库中，将当前事实库作为下一事实库后，获取规则库中正向下一具体规则，通过下一事实库中所有事实判断正向下一具体规则中if子句是否成立，直至该规则库中所有具体规则均被获取。
可选的，图4示出了本发明实施例提供的基于故障树的故障诊断方法中对第一临时事实库进行反向推理，将通过反向推理确认为真的新的可能事实加入新的事实库中的方法流程图，参照图4，该对第一临时事实库进行反向推理，将通过反向推理确认为真的新的可能事实加入新的事实库中的方法可以包括：
步骤S400：获取第一临时事实库中当前可能事实，和所述规则库中反向当前具体规则；
步骤S410：通过所述当前可能事实判断所述反向当前具体规则中if子句是否成立，若成立，则进入步骤S420；
步骤S420：判断所述反向当前具体规则中then子句是否成立，若是，则进入步骤S430；
若通过当前可能事实判断反向当前具体规则中if子句成立，则继续判断该反向当前具体规则中then子句是否成立。
步骤S430：将所述反向当前具体规则的结论加入第二临时事实库中，获取所述规则库中反向下一具体规则，直至所述规则库中所有具体规则均被获取，进入步骤S440；
若该反向当前具体规则中then子句成立，则将该反向当前具体规则的结论加入第二临时事实库中，获取规则库中反向下一具体规则，直至规则库中所有具体规则均被获取。
步骤S440：判断所述第二临时事实库是否存在冲突，若存在，则进入步骤S450；
在规则库中所有具体规则均被获取后，判断得到的第二临时事实库是否存在冲突。
步骤S450：确定所述当前可能事实为真，将所述当前可能事实加入所述新的事实库中，获取第一临时事实库中下一可能事实，直至所述第一临时事实库中所有可能事实均被获取。
若判定得到的第二临时事实库存在冲突，则确定当前可能事实为真，将该当前可能事实加入所述新的事实库中，获取第一临时事实库中下一可能事实，直至该第一临时事实库中所有可能事实均被获取。
本发明实施例提供的基于故障树的故障诊断方法，基于规则库推理来得到诊断结果，解决了故障树在非单调的情况下诊断准确性较低的问题，且根据规则库和事实库进行正向推理和/或反向推理得到终端结果，充分对规则库进行推理，进一步提高了诊断结果的准确性。
下面对本发明实施例提供的基于故障树的故障诊断装置进行介绍，下文描述的基于故障树的故障诊断装置与上文描述的基于故障树的故障诊断方法可相互对应参照。
图5为本发明实施例提供的基于故障树的故障诊断装置的系统框图，参照图5，该基于故障树的故障诊断装置可以包括：建立分解模块100、规则生成模块200和推理模块300；其中，
建立分解模块100，用于建立故障树，将所述故障树以逻辑门为单位分解为各小单元；
规则生成模块200，用于将各所述小单元均通过相对应的逻辑门规则分别生成一具体规则，根据得到的所有所述具体规则建立规则库；
推理模块300，用于根据已知的数据和事实建立事实库，根据所述规则库和事实库进行正向推理和/或反向推理，得到诊断结果。
可选的，图6示出了本发明实施例提供的基于故障树的故障诊断装置中推理模块300的结构框图，参照图6，该推理模块300可以包括：正向推理单元310和反向推理单元320；其中，
正向推理单元310，用于对所述规则库进行正向推理，得到包括新的事实的新的事实库，和/或包括新的可能事实的第一临时事实库；
反向推理单元320，用于所述新的事实库存在冲突，且所述第一临时事实库不为空时，对所述第一临时事实库进行反向推理，通过反向推理确认各所述新的可能事实是否为真，将反向推理确认为真的新的可能事实加入所述新的事实库中，生成最终事实库。
可选的，图7示出了本发明实施例提供的基于故障树的故障诊断装置中正向推理单元310的结构框图，参照图7，该正向推理单元310可以包括：第一判断子单元311、第二判断子单元312、第一添加子单元313和第二添加子单元314；其中，
第一判断子单元311，用于获取所述规则库中正向当前具体规则，通过当前事实库中所有事实判断所述正向当前具体规则中if子句是否成立；在将新的事实加入所述当前事实库中后，或将新的可能事实加入第一临时事实库中后，获取所述规则库中正向下一具体规则，通过所述下一事实库中所有事实判断所述正向下一具体规则中if子句是否成立，直至所述规则库中所有具体规则均被获取；
第二判断子单元312，用于当第一判断子单元311判定所述正向当前具体规则中if子句成立时，判断所述正向当前具体规则中then子句是否成立；
第一添加子单元313，用于当第二判断子单元312判定所述正向当前具体规则中then子句成立时，将所述正向当前具体规则的结论作为新的事实，加入所述当前事实库中，得到下一事实库；
第二添加子单元314，用于当第二判断子单元312判定所述正向当前具体规则中then子句不成立时，将所述正向当前具体规则的结论作为新的可能事实，加入第一临时事实库中，将所述当前事实库作为下一事实库。
可选的，图8示出了本发明实施例提供的基于故障树的故障诊断装置中反向推理单元320的结构框图，参照图8，该反向推理单元320可以包括：获取判断子单元321、第三判断子单元322和第四判断子单元323；其中，
获取判断子单元321，用于获取第一临时事实库中当前可能事实，和所述规则库中反向当前具体规则，通过所述当前可能事实判断所述反向当前具体规则中if子句是否成立；
第三判断子单元322，用于当获取判断子单元321判定所述反向当前具体规则中if子句成立时，判断所述反向当前具体规则中then子句是否成立，若是，则将所述反向当前具体规则的结论加入第二临时事实库中，获取所述规则库中反向下一具体规则，直至所述规则库中所有具体规则均被获取；
第四判断子单元323，用于判断所述第二临时事实库是否存在冲突，若存在，则确定所述当前可能事实为真，将所述当前可能事实加入所述新的事实库中，获取第一临时事实库中下一可能事实，直至所述第一临时事实库中所有可能事实均被获取。
本发明实施例提供的基于故障树的故障诊断装置，基于规则库推理来得到诊断结果，解决了故障树在非单调的情况下诊断准确性较低的问题，且根据规则库和事实库进行正向推理和/或反向推理得到终端结果，充分对规则库进行推理，进一步提高了诊断结果的准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于故障树的故障诊断方法，其特征在于，包括：
建立故障树，将所述故障树以逻辑门为单位分解为各小单元；
将各所述小单元均通过相对应的逻辑门规则分别生成一具体规则，根据得到的所有所述具体规则建立规则库；
根据已知的数据和事实建立事实库，根据所述规则库和所述事实库进行正向推理和/或反向推理，得到诊断结果；
其中，所述根据所述规则库和所述事实库进行正向推理和/或反向推理包括：
对所述规则库进行正向推理，得到包括新的事实的新的事实库，和/或包括新的可能事实的第一临时事实库；
若所述新的事实库存在冲突，且所述第一临时事实库不为空，则对所述第一临时事实库进行反向推理，通过反向推理确认各所述新的可能事实是否为真，将反向推理确认为真的新的可能事实加入所述新的事实库中，生成最终事实库；
其中，对所述规则库进行正向推理包括：
获取所述规则库中正向当前具体规则，通过当前事实库中所有事实判断所述正向当前具体规则中if子句是否成立；
若成立，则判断所述正向当前具体规则中then子句是否成立；
若是，则将所述正向当前具体规则的结论作为新的事实，加入所述当前事实库中，得到下一事实库；
若否，则将所述正向当前具体规则的结论作为新的可能事实，加入第一临时事实库中，将所述当前事实库作为下一事实库；
获取所述规则库中正向下一具体规则，通过所述下一事实库中所有事实判断所述正向下一具体规则中if子句是否成立，直至所述规则库中所有具体规则均被获取。
2.根据权利要求1所述的故障诊断方法，其特征在于，所述对所述第一临时事实库进行反向推理，通过反向推理确认各所述新的可能事实是否为真，将通过反向推理确认为真的新的可能事实加入所述新的事实库中包括：
获取第一临时事实库中当前可能事实，和所述规则库中反向当前具体规则，通过所述当前可能事实判断所述反向当前具体规则中if子句是否成立；
若成立，则判断所述反向当前具体规则中then子句是否成立，若是，则将所述反向当前具体规则的结论加入第二临时事实库中，获取所述规则库中反向下一具体规则，直至所述规则库中所有具体规则均被获取；
判断所述第二临时事实库是否存在冲突，若存在，则确定所述当前可能事实为真，将所述当前可能事实加入所述新的事实库中，获取第一临时事实库中下一可能事实，直至所述第一临时事实库中所有可能事实均被获取。
3.根据权利要求1所述的故障诊断方法，其特征在于，所述建立故障树后还包括：对所述故障树进行规范化处理，得到规范化故障树，将所述规范化故障树以逻辑门为单位分解为各小单元。
4.根据权利要求1所述的故障诊断方法，其特征在于，通过Drool引擎根据已知的数据和事实建立事实库，根据所述规则库和事实库进行正向推理和/或反向推理，得到诊断结果。
5.一种基于故障树的故障诊断装置，其特征在于，包括：建立分解模块、规则生成模块和推理模块；其中，
所述建立分解模块，用于建立故障树，将所述故障树以逻辑门为单位分解为各小单元；
所述规则生成模块，用于将各所述小单元均通过相对应的逻辑门规则分别生成一具体规则，根据得到的所有所述具体规则建立规则库；
所述推理模块，用于根据已知的数据和事实建立事实库，根据所述规则库和事实库进行正向推理和/或反向推理，得到诊断结果；
其中，所述推理模块包括：正向推理单元和反向推理单元；其中，
所述正向推理单元，用于对所述规则库进行正向推理，得到包括新的事实的新的事实库，和/或包括新的可能事实的第一临时事实库；
所述反向推理单元，用于所述新的事实库存在冲突，且所述第一临时事实库不为空时，对所述第一临时事实库进行反向推理，通过反向推理确认各所述新的可能事实是否为真，将反向推理确认为真的新的可能事实加入所述新的事实库中，生成最终事实库；
其中，所述正向推理单元包括：第一判断子单元、第二判断子单元、第一添加子单元和第二添加子单元；其中，
所述第一判断子单元，用于获取所述规则库中正向当前具体规则，通过当前事实库中所有事实判断所述正向当前具体规则中if子句是否成立；在将新的事实加入所述当前事实库中后，或将新的可能事实加入第一临时事实库中后，获取所述规则库中正向下一具体规则，通过下一事实库中所有事实判断所述正向下一具体规则中if子句是否成立，直至所述规则库中所有具体规则均被获取；
所述第二判断子单元，用于当所述第一判断子单元判定所述正向当前具体规则中if子句成立时，判断所述正向当前具体规则中then子句是否成立；
所述第一添加子单元，用于当所述第二判断子单元判定所述正向当前具体规则中then子句成立时，将所述正向当前具体规则的结论作为新的事实，加入所述当前事实库中，得到下一事实库；
所述第二添加子单元，用于当所述第二判断子单元判定所述正向当前具体规则中then子句不成立时，将所述正向当前具体规则的结论作为新的可能事实，加入第一临时事实库中，将所述当前事实库作为下一事实库。
6.根据权利要求5所述的故障诊断装置，其特征在于，所述反向推理单元包括：获取判断子单元、第三判断子单元和第四判断子单元；其中，
所述获取判断子单元，用于获取第一临时事实库中当前可能事实，和所述规则库中反向当前具体规则，通过所述当前可能事实判断所述反向当前具体规则中if子句是否成立；
所述第三判断子单元，用于当所述获取判断子单元判定所述反向当前具体规则中if子句成立时，判断所述反向当前具体规则中then子句是否成立，若是，则将所述反向当前具体规则的结论加入第二临时事实库中，获取所述规则库中反向下一具体规则，直至所述规则库中所有具体规则均被获取；
所述第四判断子单元，用于判断所述第二临时事实库是否存在冲突，若存在，则确定所述当前可能事实为真，将所述当前可能事实加入所述新的事实库中，获取第一临时事实库中下一可能事实，直至所述第一临时事实库中所有可能事实均被获取。
CN201511030560.2A 2015-12-31 2015-12-31 一种基于故障树的故障诊断方法和装置 Active CN105718323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201511030560.2A CN105718323B (zh) 2015-12-31 2015-12-31 一种基于故障树的故障诊断方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201511030560.2A CN105718323B (zh) 2015-12-31 2015-12-31 一种基于故障树的故障诊断方法和装置

Publications (2)

Publication Number Publication Date
CN105718323A CN105718323A (zh) 2016-06-29
CN105718323B true CN105718323B (zh) 2019-06-07

Family

ID=56146996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511030560.2A Active CN105718323B (zh) 2015-12-31 2015-12-31 一种基于故障树的故障诊断方法和装置

Country Status (1)

Country Link
CN (1) CN105718323B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106354118B (zh) * 2016-08-25 2019-08-09 株洲中车时代电气股份有限公司 一种基于故障树的列车故障诊断系统及方法
CN111736568A (zh) * 2020-05-20 2020-10-02 天津市天锻压力机有限公司 一种实时数据库的故障快速诊断方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1553328A (zh) * 2003-06-08 2004-12-08 华为技术有限公司 基于故障树分析的系统故障定位方法及装置
CN101877075A (zh) * 2009-10-29 2010-11-03 北京航空航天大学 一种故障诊断知识获取系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04317141A (ja) * 1991-04-16 1992-11-09 Yaskawa Electric Corp フオールトツリー表示方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1553328A (zh) * 2003-06-08 2004-12-08 华为技术有限公司 基于故障树分析的系统故障定位方法及装置
CN101877075A (zh) * 2009-10-29 2010-11-03 北京航空航天大学 一种故障诊断知识获取系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
飞行模拟机故障诊断专家系统研究;米祖强;《中国优秀硕士学位论文全文数据库工程科技II辑》;20091115;第2.6.3、3.3.1、5.2、5.4节

Also Published As

Publication number Publication date
CN105718323A (zh) 2016-06-29

Similar Documents

Publication Publication Date Title
CN110472107B (zh) 多模态知识图谱构建方法、装置、服务器以及存储介质
Bouckaert Bayesian belief networks: from construction to inference
US20090235252A1 (en) Execution-level process modeling
Ishikawa et al. Evidence-driven requirements engineering for uncertainty of machine learning-based systems
CN105718323B (zh) 一种基于故障树的故障诊断方法和装置
CN112949973A (zh) 一种结合ai的机器人流程自动化rpa流程的生成方法
Govindarajalulu et al. Proof verification and proof discovery for relativity
CN112765031A (zh) 一种群智化漏洞挖掘任务的分解方法
Verchinine et al. System for Automated Deduction (SAD): a tool for proof verification
US20200202233A1 (en) Future scenario generating device and method, and computer program
Bruni et al. Concurrency and probability: Removing confusion, compositionally
Nguyen et al. Beyond logic programming for legal reasoning
CN113704768A (zh) 联邦学习执行流程的安全审计方法、装置及系统
Khan et al. Logics for information systems and their dynamic extensions
Weber et al. A principled approach to mining from noisy logs using Heuristics Miner
Black et al. Executable logic for dialogical argumentation
Razafimahatratra et al. Automatic detection of coupling type in the UML sequence diagram
Leemans et al. A semantical perspective on verification of knowledge
Roldán et al. An ontology for specifying and tracing requirements engineering artifacts and Test Artifacts
Tran et al. On implementation of the improved assume-guarantee verification method for timed systems
Mendling et al. Getting rid of the OR-Join in business process models
Cho et al. Specification and validation of dynamic systems using temporal logic
Budzyńska et al. Update of probabilistic beliefs: Implementation and parametric verification
Yue et al. Sudoku solver by q’tron neural networks
Bjørner et al. Abduction for Learning Smart City Rules.

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