CN106228248B - 一种基于模糊fmea分析的系统自动故障诊断方法 - Google Patents
一种基于模糊fmea分析的系统自动故障诊断方法 Download PDFInfo
- Publication number
- CN106228248B CN106228248B CN201610561683.7A CN201610561683A CN106228248B CN 106228248 B CN106228248 B CN 106228248B CN 201610561683 A CN201610561683 A CN 201610561683A CN 106228248 B CN106228248 B CN 106228248B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- fault
- fault mode
- data source
- diagnostic data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/04—Physical realisation
- G06N7/043—Analogue or partially analogue implementation
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于模糊FMEA分析的系统自动故障诊断方法,涉及电子通信故障检测技术领域,通过模糊FMEA分析系统实现了故障模式发生度、故障模式严重度和故障模式检测度有效定量化处理;攻克了系统故障诊断难题,确保了故障诊断的准确性;与此同时,实现了故障自动诊断,节省了人力、工时。技术方案要点为:获取诊断数据源;对诊断数据源进行分析、处理,并将处理后诊断数据源输入模糊FMEA分析系统;模糊FMEA分析系统对处理后诊断数据源进行分析,获得故障诊断结果。本发明主要用于系统自动故障诊断。
Description
技术领域
本发明涉及电子通信故障检测技术领域,尤其涉及一种基于模糊FMEA分析的系统自动故障诊断方法。
背景技术
随着监测设备和软件系统集成化、复杂化和自动化程度的日益提高,作为对设备和系统进行故障评估诊断的故障诊断方法也变得愈发重要,特别是在复杂条件下,设备、系统的故障发生频率高,且易引起失误操作。实现有效的故障检测、管理,消除故障的影响危害,使设备、系统稳定安全运行的故障诊断方法是目前亟需解决的问题。
现有技术实现故障诊断一种是通过数据统计的结果进行计算、评估,即获取故障数据,通过人工实现数据的整理、计算,获取故障评估结果;另一种是FMEA分析方法:采用故障模式发生度、严重度及检测度三者的乘积作为风险优先系数进行风险优先排序,获取故障诊断结果,即风险优先数数值越大,说明这种故障的后果越危险。
上述第一种故障诊断方法无法通过数据规则或知识经验库实现系统自动诊断;另一种FMEA分析方法由于故障的发生频度、危害程度及可检测难度难于进行量化,故障模式发生度、严重度及检测度难于确定,致使在系统的故障诊断研究很难实现突破。
发明内容
本发明提供的一种基于模糊FMEA分析的系统自动故障诊断方法,通过模糊FMEA分析系统实现了故障模式发生度、故障模式严重度和故障模式检测度有效定量化处理;攻克了系统故障诊断难题,确保了故障诊断的准确性;与此同时,实现了故障自动诊断,节省了人力、工时。
为达到上述目的,本发明采用如下技术方案:
本发明提供一种基于模糊FMEA分析的系统自动故障诊断方法,包括:
获取诊断数据源;所述诊断数据源包含一类或多类数据;每类所述数据包含一项或多项信息。
对所述诊断数据源进行分析、处理,并将处理后所述诊断数据源输入模糊FMEA分析系统。
所述模糊FMEA分析系统对处理后所述诊断数据源进行分析,获得故障诊断结果。
结合上述,所述模糊FMEA分析系统对处理后所述诊断数据源进行分析,获得故障诊断结果,包括:
建立模糊集;所述模糊集包含一个或多个模糊数。
对所述模糊集中的各所述模糊数进行定量化处理。
解所述模糊集,获取各所述模糊数数值。
分别对比各所述模糊数数值与对应预设阈值,获得所述故障诊断结果。
结合上述,进一步的,所述的基于模糊FMEA分析的系统自动故障诊断方法,还包括:
根据所述故障诊断结果制定对应监管方案。
结合上述,在对所述诊断数据源进行分析、处理,并将处理后所述诊断数据源输入模糊FMEA分析系统之前,还包括:
获取所述诊断数据源档案信息。
结合上述,对所述诊断数据源进行分析、处理,并将处理后所述诊断数据源输入模糊FMEA分析系统包括:
结合所述档案信息对所述诊断数据源进行聚类分析、数据融合处理,并将处理后所述诊断数据源输入模糊FMEA分析系统。
结合上述,所述诊断数据源包含用电数据、工况数据、信道监测数据和服务器监测数据四类所述数据。
结合上述,每类所述数据包含数值、布尔值、固定常数、关联关系和现象五项信息。
结合上述,所述模糊集包含故障模式发生度、故障模式严重度和故障模式检测度三个模糊数。
结合上述,对所述模糊集中的各所述模糊数进行定量化处理包括:
通过三角形模糊数隶属函数对各所述模糊数进行定量化处理。
结合上述,所述故障诊断结果包含故障类型、故障定位和故障原因。
本发明提供的一种基于模糊FMEA分析的系统自动故障诊断方法,包括:获取诊断数据源;对诊断数据源进行分析、处理,并将处理后诊断数据源输入模糊FMEA分析系统;模糊FMEA分析系统对处理后诊断数据源进行分析,获得故障诊断结果,相比于现有技术,本发明通过模糊FMEA分析系统实现了故障模式发生度、故障模式严重度和故障模式检测度有效定量化处理;攻克了系统故障诊断难题,确保了故障诊断的准确性;与此同时,实现了故障自动诊断,节省了人力、工时。
附图说明
为了更清楚地说明本发明的技术方案,以下将对实施例描述中所需要使用的附图作简单地介绍。
图1为本发明实施例1中一种基于模糊FMEA分析的系统自动故障诊断方法流程示意图;
图2为本发明实施例2中一种基于模糊FMEA分析的系统自动故障诊断方法流程示意图;
图3为本发明实施例2中模糊FMEA分析系统对诊断数据源分析方法流程示意图。
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作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。
实施例1
本发明实施例提供一种基于模糊FMEA分析的系统自动故障诊断方法,如图1所示,包括:
101、获取诊断数据源;所述诊断数据源包含一类或多类数据;每类所述数据包含一项或多项信息。
其中,本实施例诊断数据源为故障诊断提供判断依据,诊断数据源包含用电数据、工况数据、信道监测数据和服务器监测数据四类所述数据。每类数据包含数值、布尔值、固定常数、关联关系和现象五项信息。
102、对所述诊断数据源进行分析、处理,并将处理后所述诊断数据源输入模糊FMEA分析系统。
其中,潜在失效模式与后果分析(Failure Mode and Effects Analysis,FMEA),是在产品过程、服务等的策划设计阶段,对构成产品的各子系统、零部件,对构成过程,服务的各个程序逐一进行分析,找出潜在的失效模式,分析其可能的后果,评估其风险,从而预先采取措施,减少失效模式的严重程度,降低其可能发生的概率,以有效地提高质量与可靠性,确保顾客满意的系统化活动。
本实施例对诊断数据源进行聚类分析、数据融合处理。其中,聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。聚类分析的目标就是在相似的基础上收集数据来分类。在不同的应用领域,很多聚类技术都得到了发展,这些技术方法被用作描述数据,衡量不同数据源间的相似性,以及把数据源分类到不同的簇中。数据融合技术是指利用计算机对按时序获得的若干数据信息,在一定准则下加以自动分析、综合,以完成所需的决策和评估任务而进行的信息处理技术。
103、所述模糊FMEA分析系统对处理后所述诊断数据源进行分析,获得故障诊断结果。
其中,模糊FMEA分析系统是利用模糊FMEA理论将聚类分析与数据融合处理后的诊断数据源作为故障因素输入,遵从故障模式的规则进行故障判断、定位,输出故障诊断结果。
本发明提供的一种基于模糊FMEA分析的系统自动故障诊断方法,包括:获取诊断数据源;对诊断数据源进行分析、处理,并将处理后诊断数据源输入模糊FMEA分析系统;模糊FMEA分析系统对处理后诊断数据源进行分析,获得故障诊断结果,相比于现有技术,本发明通过模糊FMEA分析系统实现了故障模式发生度、故障模式严重度和故障模式检测度有效定量化处理;攻克了系统故障诊断难题,确保了故障诊断的准确性;与此同时,实现了故障自动诊断,节省了人力、工时。
实施例2
本发明实施例提供一种基于模糊FMEA分析的系统自动故障诊断方法,如图2所示,包括:
201、获取诊断数据源;所述诊断数据源包含一类或多类数据;每类所述数据包含一项或多项信息。
其中,诊断数据源包含用电数据、工况数据、信道监测数据和服务器监测数据四类所述数据,每类所述数据包含数值、布尔值、固定常数、关联关系和现象五项信息。
202、获取所述诊断数据源档案信息。
其中,诊断数据源档案信息包含各类各项诊断数据源的档案数据和日志数据。
203、结合所述档案信息对所述诊断数据源进行聚类分析、数据融合处理,并将处理后所述诊断数据源输入模糊FMEA分析系统。
204、所述模糊FMEA分析系统对处理后所述诊断数据源进行分析,获得故障诊断结果。
其中,模糊FMEA分析系统对处理后所述诊断数据源进行分析,获得故障诊断结果具体步骤如下:
2041、建立模糊集;所述模糊集包含一个或多个模糊数。其中,模糊集包含故障模式发生度、故障模式严重度和故障模式检测度三个模糊数。以下表1、表2、表3分别为建立的故障模式发生度(O)、故障模式严重度(S)及故障模式检测度(D)的模糊集:
等级 | 描述 | 发生概率 | 打分 | 模糊数 |
非常高 | 几乎不可避免的故障 | 大于1E-2 | VH | (8,9,10,10) |
高 | 反复发生的故障 | 1E-2,1E-4 | H | (6,7,8,9) |
中等 | 偶尔发生的故障 | 1E-4,1E-6 | M | (3,4,6,7) |
低 | 相对很少发生的故障 | 1E-6,1E-8 | L | (1,2,3,4) |
极低 | 不太可能发生的故障 | 小于1E-8 | R | (1,1,2,2) |
表1故障模式发生度(O)模糊数
表2故障模式严重度(S)模糊数
表3故障模式检测度(D)模糊集
2042、通过三角形模糊数隶属函数对各所述模糊数进行定量化处理。
其中,通过三角形(a,b,c)模糊数隶属函数进行定量化处理,对模糊数进行定量化描述,其表达式如下:
2043、解所述模糊集,获取各所述模糊数数值。
其中,将故障模式分为n种,分别用x1,x2,...xn表示,xj表示第j种故障模式,每种故障模式均包括O、S、D三个变量,所以第j种故障模式可表示为xj={xj(1),xj(2),xj(3)},其中xj(t)(t=1,2,3)表示FMEA对三因素的评价,通过建立反应n种故障模式的比较矩阵A,其表达式如下所示:
2044、分别对比各所述模糊数数值与对应预设阈值,获得所述故障诊断结果。
其中,故障诊断结果包含故障类型、故障定位和故障原因。故障模式各变量与参考基准的关联系数,计算式如下所示:
考虑故障模式的各因素的影响权重的不同,给出三种因素的权重参数为λi,则第j种故障模式与参考基准之间的关联度通过下式计算得到:
205、根据所述故障诊断结果制定对应监管方案。
根据故障诊断结果具有针对性的制定出处理办法以及监管方案。
本发明提供的一种基于模糊FMEA分析的系统自动故障诊断方法,包括:获取诊断数据源;对诊断数据源进行分析、处理,并将处理后诊断数据源输入模糊FMEA分析系统;模糊FMEA分析系统对处理后诊断数据源进行分析,获得故障诊断结果,相比于现有技术,本发明通过模糊FMEA分析系统实现了故障模式发生度、故障模式严重度和故障模式检测度有效定量化处理;攻克了系统故障诊断难题,确保了故障诊断的准确性;与此同时,实现了故障自动诊断,节省了人力、工时。
以上所述,仅为本发明的具体实施方式,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以所述权利要求的保护范围为准。
Claims (5)
1.一种基于模糊FMEA分析的系统自动故障诊断方法,其特征在于,用于对监测设备的故障诊断,包括:
获取诊断数据源;所述诊断数据源包含一类或多类数据;每类所述数据包含一项或多项信息;其中,所述诊断数据源包含用电数据、工况数据、信道监测数据和服务器监测数据四类所述数据;
获取所述诊断数据源档案信息:
对所述诊断数据源进行分析、处理,并将处理后所述诊断数据源输入模糊FMEA分析系统;具体包括:结合所述档案信息对所述诊断数据源进行聚类分析、数据融合处理,并将处理后所述诊断数据源输入模糊FMEA分析系统;
所述模糊FMEA分析系统对处理后所述诊断数据源进行分析,获得故障诊断结果,具体包括:
建立模糊集;所述模糊集包含故障模式发生度、故障模式严重度和故障模式检测度三个模糊数,故障模式发生度表示为O,故障模式严重度表示为S,故障模式检测度表示为D:
对所述模糊集中的各所述模糊数进行定量化处理:
通过三角形(a,b,c)模糊数隶属函数进行定量化处理,对模糊数进行定量化描述,其表达式如下:
解所述模糊集,获取各所述模糊数数值:
其中,将故障模式分为n种,分别用x1,x2,...xn表示,xj表示第j种故障模式,每种故障模式均包括O、S、D三个变量,所以第j种故障模式可表示为xj={xj(1),xj(2),xj(3)},其中xj(t)(t=1,2,3)表示FMEA对三因素的评价,通过建立反应n种故障模式的比较矩阵A,其表达式如下所示:
分别对比各所述模糊数数值与对应预设阈值,获得所述故障诊断结果;所述故障诊断结果包含故障类型、故障定位和故障原因;故障模式各变量与参考基准的关联系数,计算式如下所示:
考虑故障模式的各因素的影响权重的不同,给出三种因素的权重参数为λi,则第j种故障模式与参考基准之间的关联度通过下式计算得到:
2.根据权利要求1所述的基于模糊FMEA分析的系统自动故障诊断方法,其特征在于,还包括:
根据所述故障诊断结果制定对应监管方案。
3.根据权利要求1所述的基于模糊FMEA分析的系统自动故障诊断方法,其特征在于:
每类所述数据包含数值、布尔值、固定常数、关联关系和现象五项信息。
4.根据权利要求1所述的基于模糊FMEA分析的系统自动故障诊断方法,其特征在于:
所述模糊集包含故障模式发生度、故障模式严重度和故障模式检测度三个模糊数。
5.根据权利要求1所述的基于模糊FMEA分析的系统自动故障诊断方法,其特征在于,对所述模糊集中的各所述模糊数进行定量化处理包括:
通过三角形模糊数隶属函数对各所述模糊数进行定量化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610561683.7A CN106228248B (zh) | 2016-07-18 | 2016-07-18 | 一种基于模糊fmea分析的系统自动故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610561683.7A CN106228248B (zh) | 2016-07-18 | 2016-07-18 | 一种基于模糊fmea分析的系统自动故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106228248A CN106228248A (zh) | 2016-12-14 |
CN106228248B true CN106228248B (zh) | 2019-07-26 |
Family
ID=57520213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610561683.7A Active CN106228248B (zh) | 2016-07-18 | 2016-07-18 | 一种基于模糊fmea分析的系统自动故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228248B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782746A (zh) * | 2019-02-01 | 2019-05-21 | 哈尔滨工业大学 | 一种考虑权重的硬件电路fmea方法 |
CN110533291B (zh) * | 2019-07-25 | 2022-07-22 | 广西电网有限责任公司电力科学研究院 | 一种基于风险评估的中压配电网薄弱环节辨识方法 |
CN112036704B (zh) * | 2020-08-04 | 2023-11-28 | 南方电网调峰调频发电有限公司 | 电力设备故障管理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1058344C (zh) * | 1992-06-17 | 2000-11-08 | 摩托罗拉公司 | 数据处理系统中进行模糊逻辑运算的方法和数据处理系统 |
CN103902845A (zh) * | 2014-04-25 | 2014-07-02 | 哈尔滨工业大学 | 基于模糊fmea的仿真系统风险评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8301759B2 (en) * | 2008-10-24 | 2012-10-30 | Microsoft Corporation | Monitoring agent programs in a distributed computing platform |
-
2016
- 2016-07-18 CN CN201610561683.7A patent/CN106228248B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1058344C (zh) * | 1992-06-17 | 2000-11-08 | 摩托罗拉公司 | 数据处理系统中进行模糊逻辑运算的方法和数据处理系统 |
CN103902845A (zh) * | 2014-04-25 | 2014-07-02 | 哈尔滨工业大学 | 基于模糊fmea的仿真系统风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106228248A (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178456B (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
US10592308B2 (en) | Aggregation based event identification | |
US10373065B2 (en) | Generating database cluster health alerts using machine learning | |
US8255100B2 (en) | Data-driven anomaly detection to anticipate flight deck effects | |
EP3105644B1 (en) | Method of identifying anomalies | |
EP3100122B1 (de) | Verfahren zum bereitstellen von zuverlässigen sensordaten | |
CN103761173A (zh) | 一种基于日志的计算机系统故障诊断方法及装置 | |
EP3444724A1 (en) | Method and system for health monitoring and fault signature identification | |
CN106228248B (zh) | 一种基于模糊fmea分析的系统自动故障诊断方法 | |
CN104363106A (zh) | 一种基于大数据技术的电力信息通信故障预警分析方法 | |
EP3210088B1 (de) | Verfahren und assistenzsystem zur erkennung einer störung in einer anlage | |
CN114551271A (zh) | 监测机台运行状况的方法及装置、存储介质及电子设备 | |
CN108287327A (zh) | 基于贝叶斯分类的计量自动化终端故障诊断方法 | |
CN115454778A (zh) | 大规模云网络环境下的时序指标异常智能监控系统 | |
CN105589796A (zh) | 用于监测信息交互数据异常的方法 | |
CN114429256A (zh) | 数据监测方法、装置、电子设备及存储介质 | |
CN113468022B (zh) | 一种对产品集中监控的自动化运维方法 | |
CN112699048B (zh) | 基于人工智能的程序故障处理方法、装置、设备及存储介质 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
Xiao et al. | Operation and maintenance (O&M) for data center: An intelligent anomaly detection approach | |
Smith et al. | Design and implementation of aircraft system health management (ASHM) utilizing existing data feeds | |
US20120323616A1 (en) | Methods and systems for determining downtime drivers | |
Rozaki | Design and implementation for automated network troubleshooting using data mining | |
US20160314059A1 (en) | Method and system for assisting in the verification and validation of an algorithm chain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |