CN107491532A - 一种基于经验向量和特征向量的故障树优化检索方法 - Google Patents

Abstract

本发明公开了基于经验向量和特征向量的故障树优化检索方法，该方法包括如下步骤，步骤1，为故障树中的中间事件和底事件均赋予经验向量和特征向量；步骤2，首先根据所述经验向量规划出当前层内事件的遍历顺序，按照所述遍历顺序进行遍历，当遍历到中间事件或底事件时，根据所述特征向量判定当前事件是否发生，然后根据判定结果确定是否沿当前事件向下遍历；步骤3，基于所述遍历顺序和所述判定结果，最终确定导致故障发生根本原因的底事件。本发明创新地采用了为故障树中的中间事件和底事件增加经验向量和特征向量的技术手段，实现了同层事件的优化检索机制和当前事件的自动检索机制，从而有效提高了复杂系统故障树的检索效率。

Description

一种基于经验向量和特征向量的故障树优化检索方法

技术领域

本发明涉及故障树技术领域，更为具体地，本发明为一种基于经验向量和特征向量的故障树优化检索方法。

背景技术

故障树分析法是目前应用最广泛、公认对复杂系统最有效的一种故障分析技术，可实现快速排查、定位对象故障原因。具体地，故障树以树的形式将故障现象、故障原因及逻辑关系组织起来，逻辑关系包括故障现象与故障原因之间的逻辑关系、故障原因之间的逻辑关系等。故障树的主要元素包括顶事件、中间事件、底事件及逻辑对象，其中，顶事件表征故障现象、中间事件表征中间故障原因、底事件表征最终故障原因、逻辑对象表征故障树中各节点之间的逻辑关系。

基于故障树的故障诊断过程是：从顶事件出发，最终找到导致顶事件的底事件，其本质是对故障树的检索过程，常规的方法是按固定顺序遍历所有底事件：该方法的缺点显而易见，即检索效率非常低；特别是当目标底事件位于检索末端时，检索效率难以达到对故障原因获取的迫切需求。

随着目标系统的复杂程度不断提高，故障专家知识的不断完善，故障对应的故障树也越发庞大，故障树事件的数量往往数以百计；因此，对于本领域技术人员来说，针对复杂系统提出高效的故障树检索方法显得尤为必要。

发明内容

为解决常规故障树检索方法存在的检索效率低、难以解决复杂故障树快速检索问题，本发明创新提出了一种基于经验向量和特征向量的故障树优化检索方法，基于为故障树增加层次辅助信息等技术手段，实现以较小的代价提高故障树的检索效率，而且本发明有效地保证了故障树结构的可扩展性。

为实现上述的技术目的，本发明公开了一种基于经验向量和特征向量的故障树优化检索方法，该方法包括如下步骤，

步骤1，为故障树中的中间事件和底事件均赋予经验向量，所述经验向量用于描述故障树检索过程中同层事件之间的优先级别、决定检索同层事件时的顺序，其中，同层事件是指在故障树中具有相同父节点的事件；为故障树中的中间事件和底事件均赋予特征向量，所述特征向量用于判定故障树检索过程中当前事件是否发生，所述特征向量来源于具有明确数学判定规则的历史数据；

步骤2，自故障树中的顶事件向底事件进行逐层遍历，首先根据所述经验向量规划出当前层内事件的遍历顺序，按照所述遍历顺序进行遍历，遍历到中间事件或底事件时，根据所述特征向量判定当前事件是否发生，然后根据判定结果确定是否沿当前事件向下遍历；

步骤3，基于所述遍历顺序和所述判定结果，最终确定导致故障发生根本原因的底事件。

本发明基于经验向量优化了同层事件的检索方法，通过特征向量实现了部分甚者全部中间事件和底事件的自动检索，本发明创新地将经验向量和特征向量的结合应用于故障树的检索，从有效提高了复杂故障树的检索效率；另外，本发明完全可以基于故障树的原有架构扩展，具有实现方便、易扩展、易实施等突出优点。

进一步地，所述经验向量包括两个参量：发生概率和影响度，所述发生概率用于表征当前事件导致故障的可能性大小，同层内所有事件的发生概率之和为100％，所述影响度为若当前事件发生后对发生故障的目标的影响程度；步骤2中，对于当前层内所有事件，按照发生概率由大到小的顺序进行遍历，如果同层的两个事件发生概率相同，则按照影响度由高到低的顺序进行遍历。

进一步地，步骤2中，如果同层的两个事件发生概率相同并且影响度也相同，则在故障树结构中沿先左后右的顺序进行遍历。

基于上述对经验向量属性和经验向量使用方法的进一步限定，以迅速确定故障根本原因为导向，本发明合理确定了遍历顺序的判断依据，能够实现科学、有逻辑性地对故障树进行检索。因此，本发明能够更为显著地提高故障树的检索效率。

进一步地，发生概率的数据类型为float；影响度的数据类型为[I,II,III,IV]，其中，I表示影响最大，IV表示影响最小。

进一步地，所述特征向量包括三个参量：数据特征id、起始地址及长度，所述数据特征id用于表征历史数据中的当前行内是否含有代表当前事件的目标数据，所述起始地址用于表征所述目标数据在历史数据中的起始位置；所述长度用于表征记录所述目标数据的数据位长度；步骤2中，判定当前事件是否发生时，首先利用所述数据特征id确定目标数据在历史数据中的目标行，然后在目标行内通过所述起始地址和所述数据位长度获取目标数据，最后根据目标数据的内容自动判定当前事件是否发生。

基于上述对特征向量寻址方式的进一步限定，本发明可快速获取目标数据，从而实现在此基础上有效提高判断当前事件是否发生的速度、快速确定出后续的遍历规则，减少遍历事件过程消耗的时间，从整体上提高了故障树的检索效率。

进一步地，步骤1中，为故障树中的每个中间事件和底事件均赋予多个特征向量，当前事件的多个特征向量间遵循与或逻辑计算法则。

进一步地，特征向量的数据类型为bool、byte、int、float、double中的一种。

进一步地，所述经验向量是基于专家经验构建的。

进一步地，所述故障树是根据专家知识提炼的。

本发明的有益效果为：本发明创新地采用了为故障树中的中间事件和底事件增加经验向量和特征向量的技术手段，实现了同层事件的优化检索机制和当前事件的自动检索机制，从而有效提高了复杂系统故障树的检索效率。

附图说明

图1为本发明基于经验向量和特征向量的故障树优化检索方法流程示意图。

图2为本发明的一种具体实施方式的流程示意图。

图3为一种故障树结构示意图。

具体实施方式

下面结合说明书附图对本发明的基于经验向量和特征向量的故障树优化检索方法进行详细的解释和说明。

如图1、2、3所示，本发明具体公开了一种基于经验向量和特征向量的故障树优化检索方法，在具体的故障发生后，本发明首先根据根据专家知识提炼基本故障树，类似于图3中所示的故障树结构。该方法具体包括如下步骤。

步骤1，为中间事件和底事件初始化经验向量和特征向量：

(1)在故障树中，除顶事件以外，为故障树中的中间事件和底事件均赋予经验向量，基于系统专家经验知识构建的经验向量用于描述故障树检索过程中同层事件之间的优先级别、决定检索同层事件时的顺序，其中，同层事件是指在故障树中具有相同父节点的事件，或者说，具有相同节点的中间事件或底事件在故障树中的同一层。

具体地，经验向量包括两个参量：发生概率和影响度，发生概率用于表征当前事件导致故障的可能性大小，同层内所有事件的发生概率之和为100％，影响度为若当前事件发生后对发生故障的目标的影响程度。

(2)在故障树中，除顶事件以外，为故障树中的中间事件和底事件均赋予特征向量，特征向量用于判定故障树检索过程中当前事件是否发生，即用于实现故障树检索过程中事件的自动判断功能，特征向量来源于具有明确数学判定规则的历史数据、是从历史数据中抽象的。

具体地，特征向量包括三个参量：数据特征id、起始地址及长度，数据特征id用于表征历史数据中的当前行内是否含有代表当前事件的目标数据，起始地址用于表征目标数据在历史数据中的起始位置；长度用于表征记录目标数据的数据位长度。另外，需要说明的是，根据故障树的复杂程度和具体需要，可为故障树中的每个中间事件和底事件均赋予多个经验向量，而经验向量个数可动态增删，根据实际情况，同类型的经验向量间具有排序规则；也可为故障树中的每个中间事件和底事件均赋予多个特征向量，特征向量个数也可动态增删，当前事件的多个特征向量间遵循与或逻辑计算法则，对于特征向量本身，具有明确的数据判断逻辑，通用逻辑关系包括：大于、小于、等于、不等于、大于等于、小于等于。

更为具体地，发生概率的数据类型为float；影响度的数据类型为[I,II,III,IV]，其中，I表示影响最大，IV表示影响最小，如下表所示。特征向量的数据类型为bool、byte、int、float、double中的一种。

步骤2，逐层遍历故障树和判断当前事件是否发生：

(1)自故障树中的顶事件向底事件进行逐层遍历，首先根据经验向量规划出当前层内事件的遍历顺序，按照该遍历顺序进行遍历，本实施例中，对于当前层内所有事件，按照发生概率由大到小的顺序进行遍历，即优先检索发生概率较大的事件，如果同层的两个事件发生概率相同，则按照影响度由高到低的顺序进行遍历，即概率相同时优先检索影响度高的事件，本实施例中，如果同层的两个事件发生概率相同并且影响度也相同，则在故障树结构中沿先左后右的顺序进行遍历，从而实现了同层事件的优化检索机制。该过程根据与或逻辑描述关系，是一个层次逻辑遍历的过程，与逻辑要求其下所有子事件都要成立，才能满足故障触发条件，或逻辑只要其下子事件有一个满足即可。

(2)当遍历到某个中间事件或某个底事件时，根据上述的特征向量判定当前事件是否发生，然后根据判定结果确定是否沿当前事件向下遍历，本实施例中，判定当前事件是否发生时，首先利用数据特征id确定目标数据在历史数据中的目标行，然后在目标行内通过起始地址和数据位长度获取目标数据，从而实现了在系统历史数据中定位目标数据的过程，最后根据目标数据的内容自动判定当前事件是否发生，用于决定下一步的检索方式，从而实现了当前事件的自动检索机制。

步骤3，基于遍历顺序和判定结果，多次执行层内事件顺序判断以及是否向下遍历动作，最终确定导致故障发生根本原因的底事件，上述过程中能够提早锁定导致故障发生根本原因的底事件，并在遍历过程中跳过了许多非必要的遍历过程，从而极大地提高了本发明的检索效率。

需要说明的是，具体实施时，经验向量往往被赋予给故障树中全部的中间事件和底事件，但特征向量只能被赋予给能够自动判断的中间事件或底事件，而自动判断的标准是：能够从系统历史数据中抽象出对应的特征向量。

在本说明书的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。参考术语“本实施例”、“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明实质内容上所作的任何修改、等同替换和简单改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于经验向量和特征向量的故障树优化检索方法，其特征在于：该方法包括如下步骤，

步骤1，为故障树中的中间事件和底事件均赋予经验向量，所述经验向量用于描述故障树检索过程中同层事件之间的优先级别、决定检索同层事件时的顺序，其中，同层事件是指在故障树中具有相同父节点的事件；为故障树中的中间事件和底事件均赋予特征向量，所述特征向量用于判定故障树检索过程中当前事件是否发生，所述特征向量来源于具有明确数学判定规则的历史数据；

步骤2，自故障树中的顶事件向底事件进行逐层遍历，首先根据所述经验向量规划出当前层内事件的遍历顺序，按照所述遍历顺序进行遍历，遍历到中间事件或底事件时，根据所述特征向量判定当前事件是否发生，然后根据判定结果确定是否沿当前事件向下遍历；

步骤3，基于所述遍历顺序和所述判定结果，最终确定导致故障发生根本原因的底事件。

2.根据权利要求1所述的基于经验向量和特征向量的故障树优化检索方法，其特征在于：所述经验向量包括两个参量：发生概率和影响度，所述发生概率用于表征当前事件导致故障的可能性大小，同层内所有事件的发生概率之和为100％，所述影响度为若当前事件发生后对发生故障的目标的影响程度；步骤2中，对于当前层内所有事件，按照发生概率由大到小的顺序进行遍历，如果同层的两个事件发生概率相同，则按照影响度由高到低的顺序进行遍历。

3.根据权利要求2所述的基于经验向量和特征向量的故障树优化检索方法，其特征在于：步骤2中，如果同层的两个事件发生概率相同并且影响度也相同，则在故障树结构中沿先左后右的顺序进行遍历。

4.根据权利要求3所述的基于经验向量和特征向量的故障树优化检索方法，其特征在于：发生概率的数据类型为float；影响度的数据类型为[I,II,III,IV]，其中，I表示影响最大，IV表示影响最小。

5.根据权利要求1至4中任一权利要求所述的基于经验向量和特征向量的故障树优化检索方法，其特征在于：所述特征向量包括三个参量：数据特征id、起始地址及长度，所述数据特征id用于表征历史数据中的当前行内是否含有代表当前事件的目标数据，所述起始地址用于表征所述目标数据在历史数据中的起始位置；所述长度用于表征记录所述目标数据的数据位长度；步骤2中，判定当前事件是否发生时，首先利用所述数据特征id确定目标数据在历史数据中的目标行，然后在目标行内通过所述起始地址和所述数据位长度获取目标数据，最后根据目标数据的内容自动判定当前事件是否发生。

6.根据权利要求5所述的基于经验向量和特征向量的故障树优化检索方法，其特征在于：步骤1中，为故障树中的每个中间事件和底事件均赋予多个特征向量，当前事件的多个特征向量间遵循与或逻辑计算法则。

7.根据权利要求6所述的基于经验向量和特征向量的故障树优化检索方法，其特征在于：特征向量的数据类型为bool、byte、int、float、double中的一种。

8.根据权利要求1、4或7所述的基于经验向量和特征向量的故障树优化检索方法，其特征在于：所述经验向量是基于专家经验构建的。

9.根据权利要求1、4或7所述的基于经验向量和特征向量的故障树优化检索方法，其特征在于：所述故障树是根据专家知识提炼的。