CN107608658A - 基于隐马尔可夫的故障树结构相似度匹配方法 - Google Patents
基于隐马尔可夫的故障树结构相似度匹配方法 Download PDFInfo
- Publication number
- CN107608658A CN107608658A CN201710672773.8A CN201710672773A CN107608658A CN 107608658 A CN107608658 A CN 107608658A CN 201710672773 A CN201710672773 A CN 201710672773A CN 107608658 A CN107608658 A CN 107608658A
- Authority
- CN
- China
- Prior art keywords
- tree
- fault tree
- node
- case
- gate
- 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.)
- Pending
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 230000007704 transition Effects 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012252 genetic analysis Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Devices For Executing Special Programs (AREA)
Abstract
本发明涉及基于隐马尔可夫的故障树结构相似度匹配方法,故障树是一种特殊的倒立树状逻辑因果关系图,它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系,故障数分为标准故障树和案例故障树,案例故障树是指由具体案例形成的故障树,标准故障树定义为具有共性关系的一系列具体事故的汇总和事件标准化的故障树,其特征是:所述方法能快速识别案例故障树在标准故障树中的结构映射,匹配、预测标准故障树的某个分支结构,判断逻辑门准确性。本发明结合现代安全事故案例和基于隐马尔可夫模型的支撑为事故案例的分析提供高效的方法,通过面向故障树的结构相似度匹配,可以分析出案例故障树是否有缺陷,给事故分析人员提供辅助帮助。
Description
技术领域
本发明属于安全技术领域,具有涉及一种基于隐马尔可夫的故障树结构相似度匹配方法。
背景技术
在安全领域,如何利用大量专家积累的经验数据来更高效、更准确的分析事故原因,成为了大数据时代下的新挑战。由于事故类型的多样化、事故演化机理的差异化,安全领域专家根据多年事故分析经验,将事故案例以树状图的结构组合成了具有逻辑性的各类型事故综合因果分析,形成了汇总同类事故的抽象的综合故障树(简称标准故障树)。标准故障树对新事故的类别和事故成因分析具有重要的指导作用和借鉴意义。故障树是事故分析常用的建模方法和预测方法,但多在许多专利中,只是关注故障树中逻辑门组成的顶事件,以此作为事故分析结果的预防与预警,并未发现有讨论故障树结构完整性分析的方法。因为传统故障树建模方法多依赖于事故人员分析,局限于事故分析员专业水平不统一、安全评估因素混乱、难以全面深入调查且较多依赖于个人的知识和经验,易存在事故的分析不完整和不准确现象,使以往专家经验难以得到充分利用,也使事故事故分析的完整性和准确性降低,事故分析效率低下。
隐马尔可夫模型是以n元语法模型为基础的统计自然语言模型,是将正在被建模的系统作为一个马尔可夫过程与未观测到的(隐藏的)的状态的统计马尔可夫模型。隐马尔可夫模型中的状态不能直接观察到,但能通过观测向量序列观察到,每个观测向量都是通过某些概率密度分布表现为各种状态,每一个观测向量是由一个具有相应概率密度分布的状态序列产生。现有的隐马尔可夫模型常用于语音识别,行为识别,文字识别以及故障诊断等领域。
故障树是一种特殊的倒立树状逻辑因果关系图,它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系。逻辑门的输入事件是输出事件的"因",逻辑门的输出事件是输入事件的"果"。现有基于故障树技术的事故分析与预测技术多是基于故障树本身结构的分析方法,用于分析引发事故的层层因果关系的分析。自上而下、一层层的寻找顶事件的直接原因和间接原因事件,直到基本原因事件,并用逻辑图把这些事件之间的逻辑关系表达出来。故障树不仅可以分析由单一构件所引起的系统故障,而且也可以分析多个构件不同模式故障而产生的系统故障情况。
通过查阅文献,现有的基于隐马尔可夫的故障树专利技术主要是对故障树其顶层事件描述发生结果的分析与预警,并没有针对故障树本身的结构进行分析,现有的基于故障树的专利技术主要分为或是研究故障树的结构表示方法、存储方法;或是研究基于故障树本身的定性、定量分析方法;或是研究基于故障树分析方法在不同领域的生成、分析和预算等方面的应用,在故障树的结构匹配方面还未发现相关专利。比较相近的一个专利是“一种状态事件故障树的时间特性分析方法”,该专利致力于建立接口交互的马尔可夫链模型,通过并行组合构件与逻辑门的形式模型,得到整个状态事件故障树的建模过程。然此方法仅适合于描述构件化嵌入式系统失效因果链的建模技术,仅针对其顶层事件描述失效发生的结果,对顶层事件发生的平均时间进行分析建模,并没有讨论故障树本身结构的匹配关系。
发明内容
为了克服现有技术的不足,提出了基于隐马尔可夫的故障树结构相似度匹配方法,所述方法基于隐马尔可夫模型,以标准故障树、案例故障树的结构特征为研究对象,研究案例故障树在标准故障树上进行结构相似度匹配的方法,以期能够利用标准故障树形成的专家经验快速识别案例故障树的事故演化结构,并进一步分析案例故障树的结构完整性和准确性,给专家推荐案例故障树缺失或冗余结构,在指导新事故的分析、处置和预防等方面具有重要意义。
本发明的技术方案为:基于隐马尔可夫的故障树结构相似度匹配方法,故障树是一种特殊的倒立树状逻辑因果关系图,它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系,故障数分为标准故障树和案例故障树,案例故障树是指由具体案例形成的故障树,标准故障树定义为具有共性关系的一系列具体事故的汇总和事件标准化的故障树,其特征是:所述方法能快速识别案例故障树在标准故障树中的结构映射,匹配、预测标准故障树的某个分支结构,判断逻辑门准确性,以此分析案例故障树的完整性,进一步推荐缺失或者冗余的案例故障树结构分支于是,一个基于隐马尔可夫的故障树的相似度匹配算法设计。
基于隐马尔可夫的故障树结构相似度匹配算法设计,至少包含以下几个步骤:
步骤1:根据树的深度优先遍历算法依次遍历树的根节点到叶子节点;
步骤2:按照子树的左、中、右为优先级,以树的深度为顺序,分别列出标准故障树的组合项集;
步骤3:按照子树的左、中、右为优先级,以树的深度为顺序,分别列出案例故障树的组合项集;
步骤4:将案例故障树第一项组合项依次与标准故障树中组合项相匹配(匹配算法见算法 1),选出相似度最高者Q1(best),并记录下此对映射关系;
步骤5:将案例故障树第i项组合项依次与标准故障树中组合项相匹配,重复步骤4,将匹配度最高项集Q1(best),Q2(best)…Qi(best)依次记录下来;
步骤6:将记录下来的匹配度最高项作为标准项与对应案例组合项对比,以此确定案例组合项中缺失项和多余项(缺失项、多余项对比算法见算法2),为专家判断缺失或冗余事故成因做参考分析;
步骤7:将案例故障树组合项集O1=o11o12…o1t;O2=o21o22…o2t;…Oi=oi1oi2…oit;分别从叶子节点开始向上追溯,若遇到相同父节点,则将此节点后的逻辑门记录下来,与对应标准故障树的逻辑门对比(逻辑门对比算法见算法3),以此判断案例故障树中逻辑门的规范性,为专家判断事故成因逻辑门做参考分析。
所述步骤4,包括以下步骤:
步骤41:根据步骤3中案例故障树的组合项集分别为观察状态序列O1=o11o12…o1t; O2=o21o22…o2t;…Oi=oi1oi2…oit;
步骤42:模型u=(A,B,π),根据树的深度优先遍历根节点到叶子节点顺序确定初始状态的概率分布π;
步骤43:根据已有专家经验的大量事故标准故障树统计得到事故标准故障树节点层次之间的转移概率作为状态转移概率A;
步骤44:根据大量事故案例故障树与事故标准故障树的统计得到事故标准故障树节点与事故案例故障树节点对应概率作为符号发射概率B;
步骤45:根据步骤2中标准故障树的组合项集分别为初始状态序列Q1=q11q12…q1t; Q2=q21q22…q2t;…Qi=qi1qi2…qit;
步骤46:在观测状态序列O1=o11o12…o1t和模型u=(A,B,π)下,匹配初始状态序列Q1=q11q12…q1t,得到匹配概率RT(1);
步骤47:根据观测状态序列Oi=oi1oi2…oit和初始状态序列Qi=qi1qi2…qit,重复步骤46,得到概率组集RT(1),RT(2),…RT(I);
步骤48:对比概率组集,选出最优概率RT(max),将此概率下对应的序列标记为可以最好解释观测序列的状态序列Qt(best)=qb1qb2…qbt;
所述步骤7,包括以下步骤:
步骤71:将案例故障树组合项集O1=o11o12…o1t;O2=o21o22…o2t;…On=on1on2…ont;分别从叶子节点开始向上追溯,若遇到相同父节点,则将案例故障树中此相同节点与连接下层子节点之间的逻辑门记录为Lo1,并将案例故障树中此父节点与连接下层的所有子节点和逻辑门组合为新序列Oijm,即将具有相同父节点的OiOjOm合并成Oijm=oi1oi2oi3...Lo1oitojtomt;
步骤72:在标准故障树中分别找到具有相同父节点的OiOjOm对应的Qibest=qi1qi2qi3..qin,Qj (best)=qj1qj2...qjn;…Qm(best)=qm1qm2qm3…qmn;分别从叶子节点出发开始向上追溯,若遇到相同父节点,则将标准故障树中此父节点与连接下层子节点之间的逻辑门记录为Lq1,并将标准故障树中此父节点与连接下层的所有子节点和逻辑门组合为新序列 Qijm(best)=qi1qi2qi3...Lq1qinqjnqmn;
步骤73:将Lq1对比步骤71中Lo1,若不相同,则判断案例故障树中逻辑门Lo1错误,推荐给专家,为判断事故成因逻辑做参考分析。
步骤74:将案例故障树组合项集O1=o11o12…o1t;O2=o21o22…o2t;…On=on1on2…ont;中剩余叶子节点向上追溯,重复步骤71,直至剩余叶子节点追溯完成,案例故障树形成的新序列有 Oks=ok1ok2ok3…Lo2oktost;…Ogl=og1og2og3…Loiogtolt;…;
步骤75:重复步骤72,Oijm,Oks,Ogl在标准故障树中形成对应新序列Qijm,Qks,Qgl
步骤76:重复步骤73将Lqi对比Loi,若不相同,则判断案例故障树中逻辑门Loi错误,推荐给专家,为判断事故成因逻辑做参考分析。
步骤77:在新序列Oijm,Oks,Ogl中从子节点出发,追溯到相同父节点,则将新序列中此相同节点与连接下层子节点之间逻辑门记录为Roi,并将新序列中此相同节点与连接下层的所有子节点和逻辑门组合为另一新序列Oijmksgl,
步骤78:在新序列Qijm,Qks,Qgl中,从子节点出发,追溯到相同父节点,则将新序列中此相同节点与连接下层子节点之间逻辑门记录为Rqi,并将新序列中此相同节点与连接下层的所有子节点和逻辑门组合为另一新序列Qijmksgl,
步骤79:将Rqi对比步骤77中逻辑门Roi,若不相同,则判断案例故障树中逻辑门Roi错误,推荐给专家,为判断事故成因逻辑做参考分析。
步骤710:重复步骤77,直至追溯到案例故障树中相同父节点为根节点,逻辑门Roi…为根节点下的逻辑门为止。
本发明的有益效果
1、本发明的事故案例的繁杂性和事故分析人员水平参差性,为安全苛求领域内预警重大事故发生提出了更严格的要求。而传统依赖于人工分析案例事件生成案例故障树的模式,已经不能满足现代安全苛求领域对事故安全的需求。
2、本发明结合现代安全事故案例和基于隐马尔可夫模型的支撑为事故案例的分析提供高效的方法,通过面向故障树的结构相似度匹配,可以分析出案例故障树是否有遗漏,是否有冗余,给事故分析人员提供辅助帮助。
附图说明
图1为算法1流程图图示;
图2为算法2流程图图示;
图3为算法3流程图图示。
具体实施方式
参阅附图1-3所示,本方法算法1---基于隐马尔可夫模型的匹配改进算法
基于隐马尔可夫模型(HMM)的匹配改进算法:HMM中五元组u=(Q,O,A,B,π),其中Q为状态的集合,O为输出符号的集合,π,A和B分别是初始状态的概率分布、状态转移概率和符号发射概率。
匹配改进算法构造:将案例故障树的组合项集分别表示为观测状态序列O1=o11o12…o1t; O2=o21o22…o2t;…Oi=oi1oi2…oit;根据树的深度优先遍历根节点到叶子节点顺序确定初始状态的概率分布π;根据已有专家经验的大量事故标准故障树统计得到事故标准故障树节点层次之间的转移概率作为状态转移概率A;根据大量事故案例故障树与事故标准故障树的统计得到事故标准故障树节点与事故案例故障树节点对应概率作为符号发射概率B;根据案例故障树的组合项集分别表示为初始状态序列Q1=q11q12…q1t;Q2=q21q22…q2t;…Qi=qi1qi2…qit;
根据故障树构造的u=(A,B,π)模型下,将观测状态序列Oi=oi1oi2…oit匹配初始状态序列 Qi=qi1qi2…qit,得到匹配概率组集RT(1),RT(2),…RT(I),选出最优概率RT(max),将此概率下对应的序列标记为可以最好解释观测序列的状态序列Qt(best)=qb1qb2…qbt;
算法2---缺失项、多余项对比算法
在Qi(best)=qb1qb2…qbt与相对应的观测序列Oi=oi1oi2…oit进行对比判断时,构造新的隐马尔可夫模型,将新序列qb1->qb1’->qb2->qb2’->…qbi增加到原有序列qb1—>qb2->…qbi;其中qbi’->ε/qbi’;qbi->ε;将oi1—>oi2->…oit转化为oi1->n*ε->oi2->n*ε->…oit->n*ε;其中n=标准故障树深度;构造新u’=(A’,B’,π’),增加新序列状态转移概率为ξ,增加原状态qbi->ε和新状态qbi’->ε发射概率为δ;根据维特比算法计算出新构造的观测序列 oi1->n*ε->oi2->n*ε->…oit->n*ε对应的最可能发射的状态序列M’=qb1qb1’qb1’…qb2qb2’…qbi,将序列中qbi’形式的状态去掉,剩余状态即为能够最好的解释观测序列的预测状态序列M=qb1…qb2…qbi;
将序列M与序列Qi(best)=qb1qb2…qbt对比,若M序列中缺失某一状态,则标记此状态为案例故障树缺失项,以事故成因分析缺失项推荐给专家做参考。若M序列中存在状态qbi-> ε,则标记此状态为案例故障树中缺失项,以事故成因分析缺失项推荐给专家做参考。若M序列中存在状态qbi’->oit,则标记此状态为案例故障树中多余项,以事故成因分析多余项推荐给专家做参考。
算法3---逻辑门对比算法
将案例故障树组合项集O1=o11o12…o1t;O2=o21o22…o2t;…On=on1on2…ont;分别从叶子节点开始向上追溯,若遇到相同父节点,则将案例故障树中此相同节点与连接下层子节点之间的逻辑门记录为Lo1,并将案例故障树中此父节点与连接下层的所有子节点和逻辑门组合为新序列 Oijm,即将具有相同父节点的OiOjOm合并成Oijm=oi1oi2oi3...Lo1oitojtomt;在标准故障树中分别找到具有相同父节点的OiOjOm对应的Qi(best)=qi1qi2qi3..qin,Qj(best)=qj1qj2...qjn;… Qm(best)=qm1qm2qm3…qmn;分别从叶子节点出发开始向上追溯,若遇到相同父节点,则将标准故障树中此父节点与连接下层子节点之间的逻辑门记录为Lq1,并将标准故障树中此父节点与连接下层的所有子节点和逻辑门组合为新序列Qijm(best)=qi1qi2qi3...Lq1qinqjnqmn;将Lq1对比Lo1, 若不相同,则判断案例故障树中逻辑门Lo1错误,推荐给专家,为判断事故成因逻辑做参考分析。将案例故障树组合项集O1=o11o12…o1t;O2=o21o22…o2t;…On=on1on2…ont;中剩余叶子节点向上追溯,重复此过程,直至剩余叶子节点追溯完成,案例故障树形成的新序列有Oks=ok1ok2ok3… Lo2oktost;…Ogl=og1og2og3…Loiogtolt;…;在标准故障树中形成对应新序列Qijm,Qks,Qgl,同时对比Lqi和Loi,若不相同,则判断案例故障树中逻辑门Loi错误,推荐给专家,为判断事故成因逻辑做参考分析。
在新序列Oijm,Oks,Ogl中从子节点出发,追溯到相同父节点,则将新序列中此相同节点与连接下层子节点之间逻辑门记录为Roi,并将新序列中此相同节点与连接下层的所有子节点和逻辑门组合为另一新序列Oijmksgl;在新序列Qijm,Qks,Qgl中,从子节点出发,追溯到相同父节点,则将新序列中此相同节点与连接下层子节点之间逻辑门记录为Rqi,并将新序列中此相同节点与连接下层的所有子节点和逻辑门组合为另一新序列Qijmksgl;对比Rqi和逻辑门Roi,若不相同,则判断案例故障树中逻辑门Roi错误,推荐给专家,为判断事故成因逻辑做参考分析。重复此追溯过程,直至追溯到案例故障树中相同父节点为根节点,逻辑门Roi…为根节点下的逻辑门为止。
于是,基于隐马尔可夫的故障树结构相似度匹配算法设计,包含以下几个步骤:
步骤1:根据树的深度优先遍历算法依次遍历树的根节点到叶子节点;
步骤2:按照子树的左、中、右为优先级,以树的深度为顺序,分别列出标准故障树的组合项集;
步骤3:按照子树的左、中、右为优先级,以树的深度为顺序,分别列出案例故障树的组合项集;
步骤4:将案例故障树第一项组合项依次与标准故障树中组合项相匹配(匹配算法见算法 1),选出相似度最高者Q1(best),并记录下此对映射关系;
步骤5:将案例故障树第i项组合项依次与标准故障树中组合项相匹配,重复步骤4,将匹配度最高项集Q1(best),Q2(best)…Qi(best)依次记录下来;
步骤6:将记录下来的匹配度最高项作为标准项与对应案例组合项对比,以此去除案例组合项中缺失项和多余项(缺失项、多余项对比算法见算法2),为专家判断缺失或冗余事故成因做参考分析;
步骤7:将案例故障树组合项集O1=o11o12…o1t;O2=o21o22…o2t;…Oi=oi1oi2…oit;分别从叶子节点开始向上追溯,若遇到相同父节点,则将此节点后的逻辑门记录下来,与对应标准故障树的逻辑门对比(逻辑门对比算法见算法3),以此判断案例故障树中逻辑门的规范性,为专家判断事故成因逻辑门做参考分析。
所述步骤4,包括以下步骤:
步骤41:根据步骤3中案例故障树的组合项集分别为观察状态序列O1=o11o12…o1t; O2=o21o22…o2t;…Oi=oi1oi2…oit;
步骤42:模型u=(A,B,π),根据树的深度优先遍历根节点到叶子节点顺序确定初始状态的概率分布π;
步骤43:根据已有专家经验的大量事故标准故障树统计得到事故标准故障树节点层次之间的转移概率作为状态转移概率A;
步骤44:根据大量事故案例故障树与事故标准故障树的统计得到事故标准故障树节点与事故案例故障树节点对应概率作为符号发射概率B;
步骤45:根据步骤2中标准故障树的组合项集分别为初始状态序列Q1=q11q12…q1t; Q2=q21q22…q2t;…Qi=qi1qi2…qit;
步骤46:在观测状态序列O1=o11o12…o1t和模型u=(A,B,π)下,匹配初始状态序列Q1=q11q12…q1t,得到匹配概率RT(1);
步骤47:根据观测状态序列Oi=oi1oi2…oit和初始状态序列Qi=qi1qi2…qit,重复步骤46,得到概率组集RT(1),RT(2),…RT(I);
步骤48:对比概率组集,选出最优概率RT(max),将此概率下对应的序列标记为可以最好解释观测序列的状态序列Qt(best)=qb1qb2…qbt;
所述步骤7,包括以下步骤:
步骤71:将案例故障树组合项集O1=o11o12…o1t;O2=o21o22…o2t;…On=on1on2…ont;分别从叶子节点开始向上追溯,若遇到相同父节点,则将案例故障树中此相同节点与连接下层子节点之间的逻辑门记录为Lo1,并将案例故障树中此父节点与连接下层的所有子节点和逻辑门组合为新序列Oijm,即将具有相同父节点的OiOjOm合并成Oijm=oi1oi2oi3...Lo1oitojtomt;
步骤72:在标准故障树中分别找到具有相同父节点的OiOjOm对应的Qibest=qi1qi2qi3..qin,Qj (best)=qj1qj2...qjn;…Qm(best)=qm1qm2qm3…qmn;分别从叶子节点出发开始向上追溯,若遇到相同父节点,则将标准故障树中此父节点与连接下层子节点之间的逻辑门记录为Lq1,并将标准故障树中此父节点与连接下层的所有子节点和逻辑门组合为新序列 Qijm(best)=qi1qi2qi3...Lq1qinqjnqmn;
步骤73:将Lq1对比步骤71中Lo1,若不相同,则判断案例故障树中逻辑门Lo1错误,推荐给专家,为判断事故成因逻辑做参考分析。
步骤74:将案例故障树组合项集O1=o11o12…o1t;O2=o21o22…o2t;…On=on1on2…ont;中剩余叶子节点向上追溯,重复步骤71,直至剩余叶子节点追溯完成,案例故障树形成的新序列有 Oks=ok1ok2ok3…Lo2oktost;…Ogl=og1og2og3…Loiogtolt;…;
步骤75:重复步骤72,Oijm,Oks,Ogl在标准故障树中形成对应新序列Qijm,Qks,Qgl
步骤76:重复步骤73将Lqi对比Loi,若不相同,则判断案例故障树中逻辑门Loi错误,推荐给专家,为判断事故成因逻辑做参考分析。
步骤77:在新序列Oijm,Oks,Ogl中从子节点出发,追溯到相同父节点,则将新序列中此相同节点与连接下层子节点之间逻辑门记录为Roi,并将新序列中此相同节点与连接下层的所有子节点和逻辑门组合为另一新序列Oijmksgl,
步骤78:在新序列Qijm,Qks,Qgl中,从子节点出发,追溯到相同父节点,则将新序列中此相同节点与连接下层子节点之间逻辑门记录为Rqi,并将新序列中此相同节点与连接下层的所有子节点和逻辑门组合为另一新序列Qijmksgl,
步骤79:将Rqi对比步骤77中逻辑门Roi,若不相同,则判断案例故障树中逻辑门Roi错误,推荐给专家,为判断事故成因逻辑做参考分析。
步骤710:重复步骤77,直至追溯到案例故障树中相同父节点为根节点,逻辑门Roi…为根节点下的逻辑门为止。
Claims (3)
1.基于隐马尔可夫的故障树结构相似度匹配方法,故障树是一种特殊的倒立树状逻辑因果关系图,它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系,故障数分为标准故障树和案例故障树,案例故障树是指由具体案例形成的故障树,标准故障树定义为具有共性关系的一系列具体事故的汇总和事件标准化的故障树,其特征是:所述方法能快速识别案例故障树在标准故障树中的结构映射,匹配、预测标准故障树的某个分支结构,判断逻辑门准确性,以此分析案例故障树的完整性,进一步推荐缺失或者冗余的案例故障树结构分支,一个基于隐马尔可夫的故障树的相似度匹配算法设计,包含以下几个步骤:
步骤1:根据树的深度优先遍历算法依次遍历故障树的根节点到叶子节点;
步骤2:按照故障树的子树的左、中、右为优先级,以树的深度为顺序,分别列出标准故障树的组合项集;
步骤3:按照故障树的子树的左、中、右为优先级,以树的深度为顺序,分别列出案例故障树的组合项集;
步骤4:将案例故障树第一项组合项依次与标准故障树中组合项相匹配,形成缺失项多余项对比匹配算法,利用缺失项多余项对比匹配算法选出相似度最高者Q1(best),并记录下此对映射关系;
步骤5:将案例故障树第i项组合项依次与标准故障树中组合项相匹配,重复步骤4,将匹配度最高项集Q1(best),Q2(best)…Qi(best)依次记录下来;
步骤6:将记录下来的匹配度最高项作为标准项与对应案例组合项对比,以此确定案例组合项中缺失项和多余项,为专家判断缺失或冗余事故成因做参考分析;
步骤7:将案例故障树组合项集O1=o11o12…o1t;O2=o21o22…o2t;…Oi=oi1oi2…oit;分别从叶子节点开始向上追溯,若遇到相同父节点,则将此节点后的逻辑门记录下来,与对应标准故障树的逻辑门对比,形成一个逻辑门对比算法,以逻辑门对比算法判断案例故障树中逻辑门的规范性,为专家判断事故成因逻辑门做参考分析。
2.根据权利要求1所述的基于隐马尔可夫的故障树结构相似度匹配方法,其特征是:所述缺失项多余项对比匹配算法为:
步骤41:根据步骤3中案例故障树的组合项集分别为观察状态序列O1=o11o12…o1t;O2=o21o22…o2t;…Oi=oi1oi2…oit;
步骤42:模型u=(A,B,π),根据树的深度优先遍历根节点到叶子节点顺序确定初始状态的概率分布π;
步骤43:根据已有专家经验的大量事故标准故障树统计得到事故标准故障树节点层次之间的转移概率作为状态转移概率A;
步骤44:根据大量事故案例故障树与事故标准故障树的统计得到事故标准故障树节点与事故案例故障树节点对应概率作为符号发射概率B;
步骤45:根据步骤2中标准故障树的组合项集分别为初始状态序列Q1=q11q12…q1t;Q2=q21q22…q2t;…Qi=qi1qi2…qit;
步骤46:在观测状态序列O1=o11o12…o1t和模型u=(A,B,π)下,匹配初始状态序列Q1=q11q12…q1t,得到匹配概率RT(1);
步骤47:根据观测状态序列Oi=oi1oi2…oit和初始状态序列Qi=qi1qi2…qit,重复步骤46,得到概率组集RT(1),RT(2),…RT(I);
步骤48:对比概率组集,选出最优概率R T(max),将此概率下对应的序列标记为可以最好解释观测序列的状态序列Qt(best)=qb1qb2…qbt。
3.根据权利要求1所述的基于隐马尔可夫的故障树结构相似度匹配方法,其特征是:所述逻辑门对比算法为:
步骤71:将案例故障树组合项集O1=o11o12…o1t;O2=o21o22…o2t;…On=on1on2…ont;分别从叶子节点开始向上追溯,若遇到相同父节点,则将案例故障树中此相同节点与连接下层子节点之间的逻辑门记录为Lo1,并将案例故障树中此父节点与连接下层的所有子节点和逻辑门组合为新序列Oijm,即将具有相同父节点的OiOjOm合并成Oijm=oi1oi2oi3...Lo1oitojtomt;
步骤72:在标准故障树中分别找到具有相同父节点的OiOjOm对应的Qi(best)=qi1qi2qi3..qin,Qj(best)=qj1qj2...qjn;…Qm(best)=qm1qm2qm3…qmn;分别从叶子节点出发开始向上追溯,若遇到相同父节点,则将标准故障树中此父节点与连接下层子节点之间的逻辑门记录为Lq1,并将标准故障树中此父节点与连接下层的所有子节点和逻辑门组合为新序列Qijm(best)=qi1qi2qi3...Lq1qinqjnqmn;
步骤73:将Lq1对比步骤71中Lo1,若不相同,则判断案例故障树中逻辑门Lo1错误,推荐给专家,为判断事故成因逻辑做参考分析。
步骤74:将案例故障树组合项集O1=o11o12…o1t;O2=o21o22…o2t;…On=on1on2…ont;中剩余叶子节点向上追溯,重复步骤71,直至剩余叶子节点追溯完成,案例故障树形成的新序列有Oks=ok1ok2ok3…Lo2oktost;…Ogl=og1og2og3…Loiogtolt;…;
步骤75:重复步骤72,Oijm,Oks,Ogl在标准故障树中形成对应新序列Qijm,Qks,Qgl
步骤76:重复步骤73将Lqi对比Loi,若不相同,则判断案例故障树中逻辑门Loi错误,推荐给专家,为判断事故成因逻辑做参考分析。
步骤77:在新序列Oijm,Oks,Ogl中从子节点出发,追溯到相同父节点,则将新序列中此相同节点与连接下层子节点之间逻辑门记录为Roi,并将新序列中此相同节点与连接下层的所有子节点和逻辑门组合为另一新序列Oijmksgl,
步骤78:在新序列Qijm,Qks,Qgl中,从子节点出发,追溯到相同父节点,则将新序列中此相同节点与连接下层子节点之间逻辑门记录为Rqi,并将新序列中此相同节点与连接下层的所有子节点和逻辑门组合为另一新序列Qijmksgl,
步骤79:将Rqi对比步骤77中逻辑门Roi,若不相同,则判断案例故障树中逻辑门Roi错误,推荐给专家,为判断事故成因逻辑做参考分析。
步骤710:重复步骤77,直至追溯到案例故障树中相同父节点为根节点,逻辑门Roi…为根节点下的逻辑门为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710672773.8A CN107608658A (zh) | 2017-08-08 | 2017-08-08 | 基于隐马尔可夫的故障树结构相似度匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710672773.8A CN107608658A (zh) | 2017-08-08 | 2017-08-08 | 基于隐马尔可夫的故障树结构相似度匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107608658A true CN107608658A (zh) | 2018-01-19 |
Family
ID=61064577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710672773.8A Pending CN107608658A (zh) | 2017-08-08 | 2017-08-08 | 基于隐马尔可夫的故障树结构相似度匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107608658A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550263A (zh) * | 2018-06-01 | 2018-09-18 | 哈尔滨工业大学 | 一种基于故障树模型的高速公路交通事故成因分析方法 |
CN108986468A (zh) * | 2018-08-01 | 2018-12-11 | 平安科技(深圳)有限公司 | 交通事故的处理方法、装置、计算机设备及计算机存储介质 |
CN109116831A (zh) * | 2018-08-17 | 2019-01-01 | 北京航空航天大学 | 人机交互动态故障树的模式混淆故障逻辑门的设计方法 |
CN109885588A (zh) * | 2019-01-23 | 2019-06-14 | 齐鲁工业大学 | 一种复杂事件检测方法及系统 |
CN111160583A (zh) * | 2019-12-31 | 2020-05-15 | 联想(北京)有限公司 | 一种数据处理方法及装置 |
CN112015405A (zh) * | 2019-05-29 | 2020-12-01 | 腾讯数码(天津)有限公司 | 界面布局文件的生成方法、界面生成方法、装置及设备 |
CN114154586A (zh) * | 2021-12-09 | 2022-03-08 | 中国民用航空飞行学院 | 一种航空器系统定量相似性分析方法、装置及介质 |
CN114326654A (zh) * | 2021-11-30 | 2022-04-12 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、系统、设备及计算机可读存储介质 |
-
2017
- 2017-08-08 CN CN201710672773.8A patent/CN107608658A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550263B (zh) * | 2018-06-01 | 2021-03-23 | 哈尔滨工业大学 | 一种基于故障树模型的高速公路交通事故成因分析方法 |
CN108550263A (zh) * | 2018-06-01 | 2018-09-18 | 哈尔滨工业大学 | 一种基于故障树模型的高速公路交通事故成因分析方法 |
CN108986468A (zh) * | 2018-08-01 | 2018-12-11 | 平安科技(深圳)有限公司 | 交通事故的处理方法、装置、计算机设备及计算机存储介质 |
CN109116831A (zh) * | 2018-08-17 | 2019-01-01 | 北京航空航天大学 | 人机交互动态故障树的模式混淆故障逻辑门的设计方法 |
CN109116831B (zh) * | 2018-08-17 | 2020-09-08 | 北京航空航天大学 | 人机交互动态故障树的模式混淆故障逻辑门的设计方法 |
CN109885588A (zh) * | 2019-01-23 | 2019-06-14 | 齐鲁工业大学 | 一种复杂事件检测方法及系统 |
CN109885588B (zh) * | 2019-01-23 | 2021-05-07 | 齐鲁工业大学 | 一种复杂事件检测方法及系统 |
CN112015405A (zh) * | 2019-05-29 | 2020-12-01 | 腾讯数码(天津)有限公司 | 界面布局文件的生成方法、界面生成方法、装置及设备 |
CN112015405B (zh) * | 2019-05-29 | 2022-06-21 | 腾讯数码(天津)有限公司 | 界面布局文件的生成方法、界面生成方法、装置及设备 |
CN111160583A (zh) * | 2019-12-31 | 2020-05-15 | 联想(北京)有限公司 | 一种数据处理方法及装置 |
CN114326654A (zh) * | 2021-11-30 | 2022-04-12 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、系统、设备及计算机可读存储介质 |
CN114326654B (zh) * | 2021-11-30 | 2024-02-09 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、系统、设备及计算机可读存储介质 |
CN114154586A (zh) * | 2021-12-09 | 2022-03-08 | 中国民用航空飞行学院 | 一种航空器系统定量相似性分析方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107608658A (zh) | 基于隐马尔可夫的故障树结构相似度匹配方法 | |
Yin et al. | Quantitative analysis for resilience-based urban rail systems: A hybrid knowledge-based and data-driven approach | |
CN106054104B (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
CN103793853B (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
CN106483947A (zh) | 基于大数据的配电网运行状态评估和预警方法 | |
CN111639845B (zh) | 一种考虑完整性和可操作性的应急预案有效性评估方法 | |
WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
CN103154845A (zh) | 电网的机器学习 | |
CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
CN103793859B (zh) | 一种风电场运行监控及事件综合评价方法 | |
CN111598352A (zh) | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 | |
CN103793854A (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
CN109947806B (zh) | 一种基于案例推理的超高层施工安全事故应急辅助决策方法 | |
Lee et al. | Dynamic analysis of construction safety risk and visual tracking of key factors based on behavior-based safety and building information modeling | |
Wang et al. | Design and implementation of early warning system based on educational big data | |
CN107545307A (zh) | 基于深度信念网络的变压器油中溶解气体浓度预测方法及系统 | |
CN107784392A (zh) | 一种基于机器学习的输电线路的缺陷预测方法及装置 | |
CN112632840A (zh) | 基于自适应差分进化算法与elm的电网暂态稳定评估方法 | |
CN115938124A (zh) | 一种城市轨道交通突发事件影响预测方法、系统及产品 | |
Hou et al. | Spatial distribution assessment of power outage under typhoon disasters | |
CN104182613B (zh) | 基于粗糙集的petri网的船用电站故障诊断模型构建方法 | |
TW202119298A (zh) | 結合因子隱藏式馬可夫模型(fhmm)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法 | |
Wei et al. | Glad: A method of microgrid anomaly detection based on esd in smart power grid | |
Dui et al. | Reliability Evaluation and Prediction Method with Small Samples. | |
CN116307352A (zh) | 一种基于机器学习的工程量指标估算方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |