CN108549734A - 基于系统功能结构的tfm三维信息流建模方法 - Google Patents
基于系统功能结构的tfm三维信息流建模方法 Download PDFInfo
- Publication number
- CN108549734A CN108549734A CN201810090906.5A CN201810090906A CN108549734A CN 108549734 A CN108549734 A CN 108549734A CN 201810090906 A CN201810090906 A CN 201810090906A CN 108549734 A CN108549734 A CN 108549734A
- Authority
- CN
- China
- Prior art keywords
- node
- ontology
- sim
- similarity
- concept
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000009897 systematic effect Effects 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 238000013024 troubleshooting Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 230000008439 repair process Effects 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 7
- 238000011058 failure modes and effects analysis Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000003012 network analysis Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000003780 insertion Methods 0.000 claims 1
- 230000037431 insertion Effects 0.000 claims 1
- 230000010354 integration Effects 0.000 abstract description 7
- 238000013459 approach Methods 0.000 abstract description 5
- 230000015556 catabolic process Effects 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 238000006317 isomerization reaction Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于系统功能结构的TFM三维信息流建模方法，所述TFM三维信息流建模方法的具体步骤如下：步骤(1)、FFA分析；步骤(2)、TFM框架建模；步骤(3)、基于多信号流图的测试‑故障信息关联；步骤(4)、基于贝叶斯网络的故障‑维修信息映射。本发明将信息集成技术应用到图形化建模的过程中，在模型的节点内添加辅助诊断的相关信息，将图论方法与信息推理相结合，以实现对未知新故障的诊断；以测试‑故障‑维修三维信息的集成化建模来实现故障诊断和维修排故工作的一体化流程，更符合工程实践的需要，提高维修排故的效率。
Description
技术领域
本发明涉及基于系统功能结构的TFM三维信息流建模方法，属于建模技术领域。
背景技术
维修排故技术作为确保设备运行阶段安全性的重要手段，一直以来都是各研究领域的研究热点。复杂系统一般是一个庞大的系统，由不同结构、不同特性的多个子系统组成，每个子系统都有可能发生故障，造成了故障的多样性。以民用飞机为例，2016年7月份，中国民航局(CAAC)收集了各航空公司上报的航空器使用困难报告(SDR)一共446份，并进行分析和处理。结果如下：机械类SDR报告一共303份，数量占前三位的是动力装置、起落架系统和飞行操纵系统，其中动力装置SDR报告共63份，起落架系统SDR报告共36份；非机械类SDR(包括维修差错、地面碰撞、鸟击和天气等)报告共143份。故障的多样性增加了维修排故工作的难度，任何维修工作的延误，都会直接影响飞机的正常商业运营，造成经济损失。
目前，民航领域内主要通过查阅相关技术手册和根据经验来进行维修排故。2017年5月5日，国产首架大型喷气式客机C919在上海浦东机场冲上云霄，并在安全飞行79分钟后平稳降落，成功完成首飞。另外，国产新支线飞机ARJ21也迎来喜讯，在2017年11月17日迎来了投入航线运营后的第30000名旅客。这标志着国产新飞机将会在世界舞台上扮演越来越重要的作用。在新飞机投入运营的初期，由于维修人员经验不足，对新出现的故障缺乏案例，而且手册本身也不完善，仅仅依赖于查阅手册和根据经验进行维修排故，有时并不能准确地定位故障，因此，需要研究针对未知新故障的诊断技术。此外，在完成故障诊断工作，定位到故障源之后，还需要通过维修排故作业来实现故障排除。目前，维修人员主要通过逐条排查维修手册来获得相应的排故信息和维修信息。然而，对于缺乏维修排故经验的维修人员来说，从结构复杂的技术手册中快速准确的获取所需信息是一个耗费时间的过程。因此，为了提高维修效率和节约维修时间，需要研究与现场维修排故过程搭配的信息组织方式及智能的信息推送方法。
在复杂系统故障诊断方面，鉴于图论模型处理大型复杂系统的优势，基于图论模型的故障诊断方法展现出了强大的生命力和应用潜质。基于图论模型进行故障诊断的基础是模型的建立，为了建立准确合适的诊断模型，国内外学者对建模方法进行了研究。目前，包括键合图模型、Petri模型、符号有向图模型、故障树模型等方法都已经运用到故障诊断中。随着系统复杂化程度的不断提升，诊断准确性要求越来越高，现有的基于图论模型的诊断方法存在模型通用性差和诊断精确度低的缺陷，系统中对诊断推理有帮助的信息不能在图论模型得到充分的利用，仅仅基于图论模型进行故障诊断已经不能满足复杂大型系统故障诊断的要求。鉴于上述不足，需要将信息集成技术应用到图形化建模的过程中，在模型的节点内添加辅助诊断的相关信息，研究图论模型与信息推理相结合的故障诊断方法。
发明内容
本发明正是针对现有技术存在的不足，提供TFM三维信息流概念以及一种基于系统功能结构的TFM三维信息流建模方法，建立支持诊断排故，解决现有技术存在的问题，满足实际使用要求。
为解决上述问题，本发明所采取的技术方案如下：
基于系统功能结构的TFM三维信息流建模方法，所述TFM三维信息流定义为：将沿着故障传播路径上的信息分解为测试信息、故障信息、维修信息三类信息，在故障传播路径上的任意时刻点上，建立测试维、故障维、维修维三个维度信息坐标系，每一维坐标上的信息视为时变信息，测试信息、故障信息、维修信息在测试-故障-维修三维空间信息坐标系上随故障传播路径变化而流动变化，就如血液随血脉网络的走势而流动变化；
所述TFM三维信息流建模方法的具体步骤如下：
步骤(1)、FFA分析；
步骤(2)、TFM框架建模；
步骤(3)、基于多信号流图的测试-故障信息关联；
步骤(4)、基于贝叶斯网络的故障-维修信息映射。
作为上述技术方案的改进，步骤(1)中使用FFA方法进行系统分析的步骤如下：
(1.1)收集技术资料：为进行FFA分析，首先应该对系统的组织结构、系统的功能、系统的常见故障等具备初步的了解，这些信息可以从各类技术手册、EICAS、FTA结果、FMEA报告、历史经验和案例等资料中获取；
(1.2)对系统进行组件划分：由于系统的复杂性，在进行故障模式和故障传播分析时，往往牵涉太多，导致分析结果的繁琐，不易于后续处理，因此可将结构复杂的系统逐步分解为子系统、子子系统和组件，使分析结果更清晰明了，为了适应现有飞机的维修保障体系，在对飞机进行组件划分时，通常按照ATA的章节进行划分；
(1.3)列出组件的功能：在FFA中，故障被定义为特定功能的丧失，列出组件的相关功能，对解释故障原因和故障后果起到一定的帮助；
(1.4)选择组件的输入输出变量：以组件的功能为基础，选择输入输出状态变量，原则是能够体现功能的特征变化，并按照系统原理，对状态变量之间的因果关系进行分析；
(1.5)故障模式分析：以系统FMEA报告为基础，获得系统中各个组件的故障模式、故障机理和故障影响，并分析特定故障模式可能会产生的故障影响和发生的条件。
作为上述技术方案的改进，步骤(2)中所述TFM框架建模建立的具体步骤如下：
(2.1)建立系统结构模型：把复杂系统逐步分解为若干个子系统、子子系统和组件；组件划分基本原则是：组件能够体现原系统的结构层次关系；能够反映诊断相关的数据属性(包括诊断对象的结构、功能和行为关系等)；能够满足测试、故障知识出现变化而节点更新规模较小的需求；
(2.2)建立功能模型：在完成系统的组件划分后，依据组件FFA分析的结果，设定组件的输入变量和输出变量，并确定判断变量是否正常的阈值；
(2.3)分析组件故障模式和故障传播关系：以FFA分析结果为基础，获取每个组件中状态变量处于异常值时可能的原因和可能产生的影响，并在系统功能模型的基础上为组件添加故障模式节点。
作为上述技术方案的改进，步骤(3)所述基于多信号流图的测试-故障信息关联是建立测试-故障信息之间的关联关系，是在TFM框架模型的基础上应用多信号流图方法建立诊断排故模型，并对模型中测试和故障之间的关系进行分析，生成测试-故障关联矩阵(简称TF矩阵)。
作为上述技术方案的改进，步骤(4)所述基于贝叶斯网络的故障-维修信息映射具体实现步骤如下：
(4.1)本体模型转化为贝叶斯网络模型：
将待映射本体转换为贝叶斯网络模型是通过函数来实现的，函数是本体元素与贝叶斯网络中节点之间的关联关系，由本体转换得到的贝叶斯网络称为本体贝叶斯网络(Ontology Bayesian Network)，简称为OBN，本体贝叶斯网络形式化定义为：OBN＝{N,E,P,I,A,θST}，其中节点集合N和边集合E组成模型的框架，I表示节点的实例集合，P表示模型节点的属性集合，A表示节点的公理集合，相似度集合则由θST表示；
(1)将待映射本体中的元素集C转化为OBN中的概念节点集N，本体元素和概念节点之间为1:1的映射关系；
(2)将待映射本体中元素之间的关系集R转化为OBN中有向边的集E；
(3)将待映射本体中函数集F转化为OBN中概念节点的属性集P；
(4)将待映射本体中元素的实例集I转化成OBN中概念节点的实例集I；
(5)将待映射本体中的公理集A转换成OBN中的公理集合A；
(6)将一个待映射本体O转化为一个本体贝叶斯网络模型OBN，两个模型之间是1:1的关系；
(7)n表示OBN中的概念节点，I(n)表示n和它所包含的所有子节点中的实例数目之和，函数可以用节点的实例数除以OBN中的总实例数得到；
(8)OBN中的父概念节点由A表示，子概念节点由B表示，可以计算出B和A的边标识(也就是节点之间的条件概率)，由于在B是A的子节点，所以P(AB)＝P(B)，所以条件概率P(B/A)＝P(B)/P(A)；
(4.2)多策略相似度计算：
在进行相似度计算前，需要从OBN模型中找出全部的概念节点对。假设模型1有两个概念节点分别为A1和B1，模型2中有两个概念节点A2和B2，那么全部的概念节点对为：(A1,A2)，(A1,B2)，(B1,A2)，(B1,B2)；
采用基于名称、基于属性和基于实例的多策略方法来计算本体贝叶斯网络模型中所有概念节点对的相似度值；
(1)基于名称的策略
基于名称的相似度计算公式为：
其中|x|和|y|分别为名称字符x和y的长度，min(|x|,|y|)为x和y中字符较短者的长度，ed(x,y)表示将x转化为y所需要的最小步骤数，可进行的操作包括替换、插入、去除等；
(2)基于属性的策略
假设a和b分别为概念x和y的属性，则可以由式1-6计算a和b之间的相似度；
Sim′attribute(x,y)＝αSimattri_name(a,b)+βSimdata_type(a,b) (1-6)
其中，Simattri_name(a,b)表示属性的名称相似度，可以根据式1-5进行计算。Simdata_type(a,b)表示数据类型的相似度值，可以从数据类型匹配表中获得，权值α和β满足α+β＝1；
因一个概念有可能包含有多个属性，假设元素x和y中一共可以求出n个Sim′attribute(x,y)，那么概念x和y的属性相似度为：
其中，ωk为权值；
(3)基于实例的策略
基于实例的相似度计算公式为：
P(x,y)表示同时属于概念节点x和概念节点y的实例占实例总数的比例，P(x∪y)表示x和y中的实例占所有实例的比例；
(4)相似度的合并计算
对相似度计算策略进行合并，合并计算公式为：
Sim(x,y)＝λname*Simname+λattritute*Simattribute+λinstance*Siminstance (1-9)
其中，λname+λattribute+λinstance＝1，其相应的值可分析得到
在计算得到多策略相似度的合并值后，以表格的形式进行存储；
(4.3)迭代映射推理过程
利用贝叶斯网络在推理不确定性问题方面的优势，以已知的本体映射关系为基础，推理出其他隐藏的映射关系，在推理的过程中，可以不断挖掘未知的映射关系，这些新关系又可以作为推理其他未知映射关系的基础，这是一个反复迭代完善的过程，具体的实现步骤如下：
第一步、设置阈值δ(0＜δ＜1)，找出本体贝叶斯网络模型中节点相似度值大于阈值δ的所有概念节点对，放入待映射队列；
第二步、从待映射队列中随机取出一对概念节点，假设为(x1,y1)，建立相应的映射关系，并将该映射关系添加到集合M中，M为映射集合，初始值为空；
第三步、根据本体贝叶斯网络模型的边集合E和属性集合P，为(x1,y1)中的两个概念节点分别建立邻接概念节点集n和n′，然后根据集合n和n′中的节点与(x1,y1)之间的关系，将集合n和n′分为父节点集(f,f′)，子节点集(c,c′)，和谓词节点集(w,w′)；
第四步：分别对父节点集、子节点集和谓词节点集进行相似度值更新；
(1)父节点集，从相似度表中找到Sim(f,f′)的值，然后利用式1-10来更新：
Sim(f,f′)＝Sim(f,f′)+P(x1/f)*P(y1/f′)*Sim(x1,y1) (1-10)
其中P(x1/f)和P(y1/f′)的值可以由本体贝叶斯网络的边找到；
(2)子节点集，在本体贝叶斯网络模型中，一个概念节点可能会包含多个子节点，所以在更新子节点集的相似度时，需要进行多次计算更新，首先找出x节点中所有的子节点(c1,c2,…cn)，然后从相似度表中找出所有的Sim(ci,cj′)，其中i＝1…n,j＝1…m，然后利用式1-11来计算更新；
Sim(ci,cj′)＝Sim(ci,cj′)+P(ci/x1)*P(cj′/y1)*Sim(x1,y1) (1-11)
(3)谓词节点集，谓词节点集的更新方法与子节点集合类似，也需要多次更新，但是不同的是，谓词关系没有概率标识，所以将谓词之间的相似度作为影响因子，更新公式为：
Sim(wi,wj′)＝Sim(wi,wj′)+Sim(ni,nj′)*Sim(x1,y1) (1-12)
其中Sim(ni,nj′)表示两个谓词之间的名称相似度，可由公式3-3计算；
第五步：返回第一步
当待映射队列中不存在概念节点对时，表示迭代过程结束。整理最终的映射集合M，即可获得本体映射的全局映射关系表。
本发明与现有技术相比较，本发明的实施效果如下：
本发明是鉴于故障诊断建模方法以及维修排故信息获取方式的不足，为诊断和排故工作做好后续基础准备，提出了TFM三维信息流的概念，将信息集成技术应用到图形化建模的过程中，在模型的节点内添加辅助诊断的相关信息，将图论方法与信息推理相结合，以实现对未知新故障的诊断；本发明针对手册信息组织形式多样，采用基于本体与蚁群的贝叶斯网络信息集成方法，解决不能在维修排故中充分利用异构信息资源的问题；本发明中以测试-故障-维修三维信息的集成化建模来实现故障诊断和维修排故工作的一体化流程，更符合工程实践的需要，提高维修排故的效率。
附图说明
图1为基于系统功能结构的TFM三维信息流模型建模思路；
图2为APU引气系统组件划分图；
图3为APU引气系统功能模型；
图4为APU引气子系统TFM框架模型；
图5为APU引气子系统诊断排故模型；
图6为基于贝叶斯网络的本体映射基本步骤。
具体实施方式
下面将结合具体的实施例来说明本发明的内容。
如图1-6所示，为本发明所述基于系统功能结构的TFM三维信息流建模方法流程及操作步骤示意图。
基于TFM三维信息流模型的维修排故其基本思想是，以故障诊断和故障排除协同优化为目标，以飞机系统原理、系统可靠性设计、维修技术手册综合分析为基础，以“测试、故障、维修”低维信息集成映射到“测试-故障-维修”三维信息模型，实现高效的诊断和排故(如说明书附图1所示)。
为了更清晰地阐述本发明的实现方法，将具体步骤分为四个部分：1、基于本体与蚁群的信息集成；2、基于系统功能结构的TFM三维信息流建模；3、基于TFM三维信息流模型的故障诊断；4、基于TFM三维信息流模型的排故信息推送。其中，信息集成是基础，直接影响诊断排故知识的完备性，TFM三维信息流模型的是核心内容，诊断和排故工作都是在此模型上进行的，故障诊断算法和排故信息推送算法是在模型的基础上，实现诊断和排故的关键技术。
基于系统功能结构的TFM三维信息流建模
本发明中TFM三维信息流的概念是：将故障传播路径上的信息分解为测试、故障和维修三类信息，根据测试信息和故障信息之间、故障信息和维修信息之间关联映射关系，建立测试、故障和维修三个维度的信息集成。
TFM三维信息流模型可以定义为有向图G与函数Φ和函数Ψ的组合(G,Φ,Ψ)，其中：
有向图G为五元组(V,T,F,M,E)
V＝{v1,v2,...,vn}表示节点集合
T表示的是测试维元素集合
F表示的是故障维元素集合
M表示的是维修维元素集合
有向边集合E＝(V×V)
函数Φ表示的是测试-故障关联矩阵
函数Ψ表示的是故障-维修映射关系；
建立TFM三维信息流模型的基本思路是，在对飞机系统原理、各类技术手册进行综合分析的基础上，采用本体方法对多源异构的测试、诊断和维修信息的集成，并结合FMEA报告等对系统进行功能故障分析的基础上建立TFM框架模型；然后以多信号流图方法获得测试和故障关联矩阵，以基于贝叶斯网络的本体映射方法获得故障信息和维修信息之间的映射关系；最后在TFM框架模型上根据测试与故障、故障与维修之间的关系添加测试、故障和维修三维信息，从而得到最终的TFM三维信息流模型；基于系统功能结构建立TFM三维信息流模型的优势在于：1、能够体现测试信息、故障信息和维修信息的结构性和层次性；2、能够满足测试、故障知识出现变化而节点更新规模较小的需求；3、更好的通用性；基于功能结构的TFM三维信息流建模思路(如说明书附图1所示)。
建模的具体步骤分为以下4个具体部分
1、FFA分析
由于现代的装备大多结构复杂，功能多样，造成了故障模式和故障原因多样性；为了后续建立TFM结构模型的需要，本发明中采用FFA方法对系统进行分析，获得功能结构以及故障模式信息；FFA(Function Fault Analysis)是一种定性分析方法，可以用来对系统的层次结构、功能信息和故障信息进行分析；使用FFA方法进行系统分析的步骤如下：
1.收集技术资料：为了进行FFA分析，首先应该对系统的组织结构、系统的功能、系统的常见故障等具备初步的了解。这些信息可以从各类技术手册、EICAS、FTA结果、FMEA报告、历史经验和案例等资料中获取。
2.对系统进行组件划分：由于系统的复杂性，在进行故障模式和故障传播分析时，往往牵涉太多，导致分析结果的繁琐，不易于后续处理。因此可以将结构复杂的系统逐步分解为子系统、子子系统和组件，使分析结果更清晰明了；为了适应现有飞机的维修保障体系，在对飞机进行组件划分时，通常按照ATA的章节进行划分。
3.列出组件的功能：在FFA中，故障被定义为特定功能的丧失，列出组件的相关功能，对解释故障原因和故障后果起到一定的帮助。
4.选择组件的输入输出变量：以组件的功能为基础，选择输入输出状态变量，原则是能够体现功能的特征变化；并按照系统原理，对状态变量之间的因果关系进行分析。
5.故障模式分析：以系统FMEA报告为基础，获得系统中各个组件的故障模式、故障机理和故障影响；并分析特定故障模式可能会产生的故障影响和发生的条件。
2、框架建模
作为TFM三维信息流模型的基础架构，TFM框架模型需要能够反映系统的功能结构，并且需要包含故障模式和故障传播知识；为了满足上述需要，鉴于SDG在描述动态系统中的因果关系和节点可以承载大量信息方面的优势本发明中采用SDG的有向图建模方式，结合FFA相关信息，建立TFM框架模型；
下面以APU引气系统为例给出TFM框架模型建立的具体步骤：
(1)建立系统结构模型
根据ATA章节的内容，把复杂的系统逐步分解为若干个子系统、子子系统和组件；组件划分的基本原则是：组件能够体现原系统的结构层次关系；能够反映诊断相关的数据属性(包括诊断对象的结构、功能和行为关系等)；能够满足测试、故障知识出现变化而节点更新规模较小的需求。
对某型飞机APU引气系统进行组件划分，APU引气系统作为气源系统的一部分，本身属于子系统级别，可以将APU引气系统划分为APU加载活门、APU单向活门和APU下游AMS引气管路三个组件(如说明书附图2所示)。
(2)建立功能模型
在完成系统的组件划分后，依据组件FFA分析的结果，设定组件的输入变量和输出变量，并确定判断变量是否正常的阈值；
以APU引气系统为例，对其进行功能分析，得到的APU引气系统各组件的特征向量如表2所示；在此基础上，以表示组件，表示状态变量，建立的APU引气系统功能模型(如说明书附图3所示)
表2APU引气系统特征向量
(3)分析组件故障模式和故障传播关系
以FFA分析的结果为基础，获取每个组件中状态变量处于异常值时可能的原因和可能产生的影响，并在系统功能模型的基础上为组件添加故障模式节点。本文中将故障分为两种：端点故障和底层故障：端点故障为组件层的故障，底层故障表示组件内部发生故障而导致组件处于某种故障状态的征兆；添加故障模式节点后，用连接线将故障模式连接到对应的状态变量节点上，并对模型上各功能结构节点的故障模式、故障影响关系、故障可能的传播方向等进行分析。
在说明书附图3的基础上，以表示底层故障，表示端点故障，建立的某型飞机APU引气子系统的TFM结构模型(如说明书附图4所示)。
3、基于多信号流图的测试-故障信息关联
为了将测试、故障和维修三个维度的信息添加到TFM框架模型的节点上，生成最终的TFM三维信息流模型，需要建立测试和故障之间、故障和维修之间的关联关系。本文在反映系统结构层次关系的TFM框架模型的基础上，开展故障-测试变量之间影响关系的函数表达方式的研究，建立测试-故障影响关系矩阵，并开展故障-维修信息之间的映射关系研究，建立故障-维修信息映射关系表。
信号流图模型与TFM框架模型类似，都是在物理结构的基础上进行模型建立，并以有向图的方式来表达功能的流向。为了建立测试-故障信息之间的关联关系，本文在TFM框架模型的基础上，应用多信号流图方法建立诊断排故模型，并对模型中测试和故障之间的关系进行分析，生成测试-故障关联矩阵(简称TF矩阵)。
诊断排故模型的建立方法如下：在TFM框架模型的基础上，为每个状态变量节点或故障模式节点增加测试信息点，并且建立测试信息点与状态变量之间的关联关系，以及故障模式与测试信息之间的关联关系。在某型飞机APU引气子系统TFM框架模型的基础上，以表示测试信息点，添加测试信息点后得到的诊断排故模型(如说明书附图5所示)。
为了开展诊断工作，在诊断排故模型的基础上，本发明进一步对测试-故障信息关联技术进行了研究，以矩阵的形式表示测试与故障之间的关系，测试-故障相关矩阵是测试和故障之间的关联性关系，是模型基于测试信息进行故障诊断的依据，测试-故障关联矩阵以布尔矩阵的形式来表示测试T＝{t1,t2,...,tn}和故障F＝{f1,f2,...,fn}之间的相关性，其具体形式如下：
式中：tfmn表示测试tm和故障fn的相关性，tfmn＝1表示，可以根据测试信息tm可以判定出现故障fn；tfmn＝0表示，测试信息tm不能判定出现故障fn，第m个行向量Tm＝[tfm1tfm2 … tfmn]表示测试信息tm能测出的所有故障；第n个列向量Fn＝[tf1n tf2n … tfmn]表示能够表明故障fn发生的所有测试信息。
在复杂系统中，同一个组件中往往存在多个状态变量，每一个状态变量都可能会处于异常值的状态，此时将出现功能故障；因此本文将组件中的每一个会出现故障的状态变量都当作一种功能故障，对应到测试-故障相关矩阵中的每一行。
生成测试-故障关联矩阵是一个不断进行可达性分析和相关性分析的过程；生成矩阵的具体方法是：对诊断排故模型中的每个测试点信号进行深度优先搜索，当搜索到能够停止此信号的故障时，就停止该路径上的搜索；当故障组员i到测试j可达而且有信号关联时，那么tfij＝1，否则tfij＝0。
4、基于贝叶斯网络的故障-维修信息映射
为了研究故障信息和维修信息之间的映射关系，鉴于信息以本体方法进行了集成以及贝叶斯网络在寻找本体之间关联关系方面的优势，本文中采取基于贝叶斯网络的本体映射方法实现故障-维修信息映射关系的获取。
基于贝叶斯网络的本体映射基本步骤(如说明书附图6所示)
基于贝叶斯网络的本体映射其基本思路是：首先将待建立映射关系的两个本体用贝叶斯网络模型来表示；然后，对本体贝叶斯网络模型中的节点进行相似度计算，将相似度的值以表格的形式进行存储；之后迭代进行映射推理，在已有映射关系基础上推理发现新的本体映射关系；完成迭代推理后，得到最终的全局映射关系表。
基于贝叶斯网络的本体映射具体实现步骤如下：
A、本体模型转化为贝叶斯网络模型
将待映射本体转换为贝叶斯网络模型是通过函数来实现的，函数是本体元素与贝叶斯网络中节点之间的关联关系；本文中将由本体转换得到的贝叶斯网络称为本体贝叶斯网络(Ontology Bayesian Network)，简称为OBN。本体贝叶斯网络可以形式化定义为：OBN＝{N,E,P,I,A,θST}，其中节点集合N和边集合E组成模型的框架，I表示节点的实例集合，P表示模型节点的属性集合，A表示节点的公理集合，相似度集合则由θST表示。
(1)将待映射本体中的元素集C转化为OBN中的概念节点集N，本体元素和概念节点之间为1:1的映射关系；
(2)将待映射本体中元素之间的关系集R转化为OBN中有向边的集E；
(3)将待映射本体中函数集F转化为OBN中概念节点的属性集P；
(4)将待映射本体中元素的实例集I转化成OBN中概念节点的实例集I；
(5)将待映射本体中的公理集A转换成OBN中的公理集合A；
(6)将一个待映射本体O转化为一个本体贝叶斯网络模型OBN，两个模型之间是1:1的关系；
(7)n表示OBN中的概念节点，I(n)表示n和它所包含的所有子节点中的实例数目之和，函数可以用节点的实例数除以OBN中的总实例数得到；
(8)OBN中的父概念节点由A表示，子概念节点由B表示，可以计算出B和A的边标识(也就是节点之间的条件概率)，由于在B是A的子节点，所以P(AB)＝P(B)，所以条件概率P(B/A)＝P(B)/P(A)；
B、多策略相似度计算
在进行相似度计算前，需要从OBN模型中找出全部的概念节点对，假设模型1有两个概念节点分别为A1和B1，模型2中有两个概念节点A2和B2，那么全部的概念节点对为：(A1,A2)，(A1,B2)，(B1,A2)，(B1,B2)。
本文采用基于名称、基于属性和基于实例的多策略方法来计算本体贝叶斯网络模型中所有概念节点对的相似度值
(1)基于名称的策略
基于名称的相似度计算公式为：
其中|x|和|y|分别为名称字符x和y的长度，min(|x|,|y|)为x和y中字符较短者的长度，ed(x,y)表示将x转化为y所需要的最小步骤数，可进行的操作包括替换、插入、去除等；
(2)基于属性的策略
假设a和b分别为概念x和y的属性，则可以由式1-6计算a和b之间的相似度
Sim′attribute(x,y)＝αSimattri_name(a,b)+βSimdata_type(a,b) (1-6)
其中，Simattri_name(a,b)表示属性的名称相似度，可以根据式1-5进行计算。Simdata_type(a,b)表示数据类型的相似度值，可以从数据类型匹配表中获得，权值α和β满足α+β＝1；
因为一个概念有可能包含有多个属性，假设元素x和y中一共可以求出n个Sim′attribute(x,y)，那么概念x和y的属性相似度为：
其中，ωk为权值。
(3)基于实例的策略
基于实例的相似度计算公式为：
P(x,y)表示同时属于概念节点x和概念节点y的实例占实例总数的比例，P(x∪y)表示x和y中的实例占所有实例的比例。
(4)相似度的合并计算
对相似度计算策略进行合并，合并计算公式为：
Sim(x,y)＝λname*Simname+λattritute*Simattribute+λinstance*Siminstance (1-9)
其中，λname+λattribute+λinstance＝1，其相应的值可分析得到
在计算得到多策略相似度的合并值后，以表格的形式进行存储。
C.迭代映射推理过程
为了得到完善的映射关系，本文中采用迭代的映射推理过程来发现映射关系，该方法的原理是：利用贝叶斯网络在推理不确定性问题方面的优势，以已知的本体映射关系为基础，推理出其他隐藏的映射关系。在推理的过程中，可以不断挖掘未知的映射关系，这些新关系又可以作为推理其他未知映射关系的基础，这是一个反复迭代完善的过程。具体的实现步骤如下：
第一步：设置阈值δ(0＜δ＜1)，找出本体贝叶斯网络模型中节点相似度值大于阈值δ的所有概念节点对，放入待映射队列；
第二步：从待映射队列中随机取出一对概念节点，假设为(x1,y1)，建立相应的映射关系，并将该映射关系添加到集合M中，M为映射集合，初始值为空；
第三步：根据本体贝叶斯网络模型的边集合E和属性集合P，为(x1,y1)中的两个概念节点分别建立邻接概念节点集n和n′，然后根据集合n和n′中的节点与(x1,y1)之间的关系，将集合n和n′分为父节点集(f,f′)，子节点集(c,c′)，和谓词节点集(w,w′)；
第四步：分别对父节点集、子节点集和谓词节点集进行相似度值更新(1)父节点集。从相似度表中找到Sim(f,f′)的值，然后利用式1-10来更新
Sim(f,f′)＝Sim(f,f′)+P(x1/f)*P(y1/f′)*Sim(x1,y1) (1-10)
其中P(x1/f)和P(y1/f′)的值可以由本体贝叶斯网络的边找到；
(2)子节点集。在本体贝叶斯网络模型中，一个概念节点可能会包含多个子节点，所以在更新子节点集的相似度时，需要进行多次计算更新。首先找出x节点中所有的子节点(c1,c2,…cn)，然后从相似度表中找出所有的Sim(ci,cj′)，其中i＝1…n,j＝1…m，然后利用式1-11来计算更新；
Sim(ci,cj′)＝Sim(ci,cj′)+P(ci/x1)*P(cj′/y1)*Sim(x1,y1) (1-11)
(3)谓词节点集。谓词节点集的更新方法与子节点集合类似，也需要多次更新，但是不同的是，谓词关系没有概率标识，所以将谓词之间的相似度作为影响因子。更新公式为：
Sim(wi,wj′)＝Sim(wi,wj′)+Sim(ni,nj′)*Sim(x1,y1) (1-12)
其中Sim(ni,nj′)表示两个谓词之间的名称相似度，可由公式3-3计算；
第五步：返回第一步
当待映射队列中不存在概念节点对时，表示迭代过程结束。整理最终的映射集合M，即可获得本体映射的全局映射关系表。
以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明保护的范围。
Claims (5)
1.基于系统功能结构的TFM三维信息流建模方法，其特征在于：所述TFM三维信息流建模方法的具体步骤如下：
步骤(1)、FFA分析；
步骤(2)、TFM框架建模；
步骤(3)、基于多信号流图的测试-故障信息关联；
步骤(4)、基于贝叶斯网络的故障-维修信息映射。
2.根据权利要求1所述基于系统功能结构的TFM三维信息流建模方法，其特征在于：步骤(1)中使用FFA方法进行系统分析的步骤如下：
(1.1)收集技术资料：为进行FFA分析，首先应该对系统的组织结构、系统的功能、系统的常见故障等具备初步的了解，这些信息可以从各类技术手册、EICAS、FTA结果、FMEA报告、历史经验和案例等资料中获取；
(1.2)对系统进行组件划分：由于系统的复杂性，在进行故障模式和故障传播分析时，往往牵涉太多，导致分析结果的繁琐，不易于后续处理，因此可将结构复杂的系统逐步分解为子系统、子子系统和组件，使分析结果更清晰明了，为了适应现有飞机的维修保障体系，在对飞机进行组件划分时，通常按照ATA的章节进行划分；
(1.3)列出组件的功能：在FFA中，故障被定义为特定功能的丧失，列出组件的相关功能，对解释故障原因和故障后果起到一定的帮助；
(1.4)选择组件的输入输出变量：以组件的功能为基础，选择输入输出状态变量，原则是能够体现功能的特征变化，并按照系统原理，对状态变量之间的因果关系进行分析；
(1.5)故障模式分析：以系统FMEA报告为基础，获得系统中各个组件的故障模式、故障机理和故障影响，并分析特定故障模式可能会产生的故障影响和发生的条件。
3.根据权利要求1所述基于系统功能结构的TFM三维信息流建模方法，其特征在于：步骤(2)中所述TFM框架建模建立的具体步骤如下：
(3.1)建立系统结构模型：把复杂系统逐步分解为若干个子系统、子子系统和组件；组件划分基本原则是：组件能够体现原系统的结构层次关系；能够反映诊断相关的数据属性(包括诊断对象的结构、功能和行为关系等)；能够满足测试、故障知识出现变化而节点更新规模较小的需求；
(3.2)建立功能模型：在完成系统的组件划分后，依据组件FFA分析的结果，设定组件的输入变量和输出变量，并确定判断变量是否正常的阈值；
(3.3)分析组件故障模式和故障传播关系：以FFA分析结果为基础，获取每个组件中状态变量处于异常值时可能的原因和可能产生的影响，并在系统功能模型的基础上为组件添加故障模式节点。
4.根据权利要求1所述基于系统功能结构的TFM三维信息流建模方法，其特征在于：步骤(3)所述基于多信号流图的测试-故障信息关联是建立测试-故障信息之间的关联关系，是在TFM框架模型的基础上应用多信号流图方法建立诊断排故模型，并对模型中测试和故障之间的关系进行分析，生成测试-故障关联矩阵(简称TF矩阵)。
5.根据权利要求1所述基于系统功能结构的TFM三维信息流建模方法，其特征在于：步骤(4)所述基于贝叶斯网络的故障-维修信息映射具体实现步骤如下：
(5.1)本体模型转化为贝叶斯网络模型：
将待映射本体转换为贝叶斯网络模型是通过函数来实现的，函数是本体元素与贝叶斯网络中节点之间的关联关系，由本体转换得到的贝叶斯网络称为本体贝叶斯网络(Ontology Bayesian Network)，简称为OBN，本体贝叶斯网络形式化定义为：OBN＝{N,E,P,I,A,θST}，其中节点集合N和边集合E组成模型的框架，I表示节点的实例集合，P表示模型节点的属性集合，A表示节点的公理集合，相似度集合则由θST表示；
(1)将待映射本体中的元素集C转化为OBN中的概念节点集N，本体元素和概念节点之间为1:1的映射关系；
(2)将待映射本体中元素之间的关系集R转化为OBN中有向边的集E；
(3)将待映射本体中函数集F转化为OBN中概念节点的属性集P；
(4)将待映射本体中元素的实例集I转化成OBN中概念节点的实例集I；
(5)将待映射本体中的公理集A转换成OBN中的公理集合A；
(6)将一个待映射本体O转化为一个本体贝叶斯网络模型OBN，两个模型之间是1:1的关系；
(7)n表示OBN中的概念节点，I(n)表示n和它所包含的所有子节点中的实例数目之和，函数可以用节点的实例数除以OBN中的总实例数得到；
(8)OBN中的父概念节点由A表示，子概念节点由B表示，可以计算出B和A的边标识(也就是节点之间的条件概率)，由于在B是A的子节点，所以P(AB)＝P(B)，所以条件概率P(B/A)＝P(B)/P(A)；
(5.2)多策略相似度计算：
在进行相似度计算前，需要从OBN模型中找出全部的概念节点对，假设模型1有两个概念节点分别为A1和B1，模型2中有两个概念节点A2和B2，那么全部的概念节点对为：(A1,A2)，(A1,B2)，(B1,A2)，(B1,B2)；
采用基于名称、基于属性和基于实例的多策略方法来计算本体贝叶斯网络模型中所有概念节点对的相似度值；
(1)基于名称的策略
基于名称的相似度计算公式为：
其中|x|和|y|分别为名称字符x和y的长度，min(|x|,|y|)为x和y中字符较短者的长度，ed(x,y)表示将x转化为y所需要的最小步骤数，可进行的操作包括替换、插入、去除等；
(2)基于属性的策略
假设a和b分别为概念x和y的属性，则可以由式1-6计算a和b之间的相似度；
Sim′attribute(x,y)＝αSimattri_name(a,b)+βSimdata_type(a,b) (1-6)
其中，Simattri_name(a,b)表示属性的名称相似度，可以根据式1-5进行计算。Simdata_type(a,b)表示数据类型的相似度值，可以从数据类型匹配表中获得，权值α和β满足α+β＝1；
因一个概念有可能包含有多个属性，假设元素x和y中一共可以求出n个Sim′attribute(x,y)，那么概念x和y的属性相似度为：
其中，ωk为权值；
(3)基于实例的策略
基于实例的相似度计算公式为：
P(x,y)表示同时属于概念节点x和概念节点y的实例占实例总数的比例，P(x∪y)表示x和y中的实例占所有实例的比例；
(4)相似度的合并计算
对相似度计算策略进行合并，合并计算公式为：
Sim(x,y)＝λname*Simname+λattritute*Simattribute+λinstance*Siminstance (1-9)
其中，λname+λattribute+λinstance＝1，其相应的值可分析得到
在计算得到多策略相似度的合并值后，以表格的形式进行存储；
(5.3)迭代映射推理过程
利用贝叶斯网络在推理不确定性问题方面的优势，以已知的本体映射关系为基础，推理出其他隐藏的映射关系，在推理的过程中，可以不断挖掘未知的映射关系，这些新关系又可以作为推理其他未知映射关系的基础，这是一个反复迭代完善的过程，具体的实现步骤如下：
第一步、设置阈值δ(0＜δ＜1)，找出本体贝叶斯网络模型中节点相似度值大于阈值δ的所有概念节点对，放入待映射队列；
第二步、从待映射队列中随机取出一对概念节点，假设为(x1,y1)，建立相应的映射关系，并将该映射关系添加到集合M中，M为映射集合，初始值为空；
第三步、根据本体贝叶斯网络模型的边集合E和属性集合P，为(x1,y1)中的两个概念节点分别建立邻接概念节点集n和n′，然后根据集合n和n′中的节点与(x1,y1)之间的关系，将集合n和n′分为父节点集(f,f′)，子节点集(c,c′)，和谓词节点集(w,w′)；
第四步：分别对父节点集、子节点集和谓词节点集进行相似度值更新；
(1)父节点集，从相似度表中找到Sim(f,f′)的值，然后利用式1-10来更新：
Sim(f,f′)＝Sim(f,f′)+P(x1/f)*P(y1/f′)*Sim(x1,y1) (1-10)
其中P(x1/f)和P(y1/f′)的值可以由本体贝叶斯网络的边找到；
(2)子节点集，在本体贝叶斯网络模型中，一个概念节点可能会包含多个子节点，所以在更新子节点集的相似度时，需要进行多次计算更新，首先找出x节点中所有的子节点(c1,c2,…cn)，然后从相似度表中找出所有的Sim(ci,cj′)，其中i＝1…n,j＝1…m，然后利用式1-11来计算更新；
Sim(ci,cj′)＝Sim(ci,cj′)+P(ci/x1)*P(cj′/y1)*Sim(x1,y1) (1-11)
(3)谓词节点集，谓词节点集的更新方法与子节点集合类似，也需要多次更新，但是不同的是，谓词关系没有概率标识，所以将谓词之间的相似度作为影响因子，更新公式为：
Sim(wi,wj′)＝Sim(wi,wj′)+Sim(ni,nj′)*Sim(x1,y1) (1-12)
其中Sim(ni,nj′)表示两个谓词之间的名称相似度，可由公式3-3计算；
第五步：返回第一步
当待映射队列中不存在概念节点对时，表示迭代过程结束。整理最终的映射集合M，即可获得本体映射的全局映射关系表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810090906.5A CN108549734A (zh) | 2018-01-30 | 2018-01-30 | 基于系统功能结构的tfm三维信息流建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810090906.5A CN108549734A (zh) | 2018-01-30 | 2018-01-30 | 基于系统功能结构的tfm三维信息流建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108549734A true CN108549734A (zh) | 2018-09-18 |
Family
ID=63515741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810090906.5A Pending CN108549734A (zh) | 2018-01-30 | 2018-01-30 | 基于系统功能结构的tfm三维信息流建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108549734A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109491816A (zh) * | 2018-10-19 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 基于知识的故障诊断方法 |
| CN109766940A (zh) * | 2018-12-29 | 2019-05-17 | 北京天诚同创电气有限公司 | 评估多个污水处理系统间的相似度的方法和装置 |
| CN113361630A (zh) * | 2021-06-25 | 2021-09-07 | 成都飞机工业（集团）有限责任公司 | 一种基于曲面特征对比的零件异同自动识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0410632A1 (en) * | 1989-07-28 | 1991-01-30 | AT&T Corp. | A technique for producing an expert system for system fault diagnosis |
| CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
-
2018
- 2018-01-30 CN CN201810090906.5A patent/CN108549734A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0410632A1 (en) * | 1989-07-28 | 1991-01-30 | AT&T Corp. | A technique for producing an expert system for system fault diagnosis |
| CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 叶思远: "基于FF-SDG模型的民机空调系统故障诊断建模方法研究", 《万方数据库》 * |
| 李云等: "基于测试-故障-维修关系模型的汽油机故障自动诊断装置", 《空军工程大学学报（自然科学版）》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109491816A (zh) * | 2018-10-19 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 基于知识的故障诊断方法 |
| CN109491816B (zh) * | 2018-10-19 | 2022-05-27 | 中国船舶重工集团公司第七一六研究所 | 基于知识的故障诊断方法 |
| CN109766940A (zh) * | 2018-12-29 | 2019-05-17 | 北京天诚同创电气有限公司 | 评估多个污水处理系统间的相似度的方法和装置 |
| CN109766940B (zh) * | 2018-12-29 | 2024-02-02 | 北京天诚同创电气有限公司 | 评估多个污水处理系统间的相似度的方法和装置 |
| CN113361630A (zh) * | 2021-06-25 | 2021-09-07 | 成都飞机工业（集团）有限责任公司 | 一种基于曲面特征对比的零件异同自动识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105955243B (zh) | 一种基于故障案例的飞机诊断维修方法及其装置 | |
| CN108280306A (zh) | 基于tfm三维信息流模型的维修排故方法 | |
| Groth et al. | Hybrid causal methodology and software platform for probabilistic risk assessment and safety monitoring of socio-technical systems | |
| CN108304661B (zh) | 基于tdp模型的诊断预测方法 | |
| CN107358347A (zh) | 基于工业大数据的装备集群健康状态评估方法 | |
| CN103001328A (zh) | 一种智能变电站的故障诊断与评估方法 | |
| CN108549734A (zh) | 基于系统功能结构的tfm三维信息流建模方法 | |
| CN111581739A (zh) | 基于故障树和案例推理的直升机智能故障诊断方法 | |
| CN105678384A (zh) | 一种基于产品结构树的三维数字工卡维修系统及其方法 | |
| CN114692875A (zh) | 一种故障诊断用gis知识图谱的构建方法 | |
| Wilde et al. | Ontology-based approach to support life cycle engineering: Development of a data and knowledge structure | |
| CN109412155B (zh) | 一种基于图计算的配电网供电能力评估方法 | |
| Ezhilarasu et al. | Development and implementation of a framework for aerospace vehicle reasoning (FAVER) | |
| Cai et al. | Quality management and analysis of aircraft final assembly based on digital twin | |
| CN110457654A (zh) | 一种基于现场数据的机载设备可靠性预测方法 | |
| Yao et al. | A fault diagnosis expert system based on aircraft parameters | |
| CN115689073B (zh) | 一种基于高阶网络的航班延误预测方法及系统 | |
| CN104615438B (zh) | 一种软件产品线的特征切片模型检测方法 | |
| Wang et al. | Fault diagnosis and sustainable remanufacturing of complex equipment under uncertain conditions | |
| CN106202668A (zh) | 基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法 | |
| Deng et al. | The study of aircraft fault diagnosis method based on the integration of case and rule reasoning | |
| Lin et al. | A new function-topology-based method for assessing passive safety of mechatronics systems | |
| Tingdi et al. | Intelligent FMEA based on model FIORN | |
| Liu et al. | Model-based simulation and verification of aircraft prognostics and health management system | |
| Yu et al. | Resilience evaluation of train control on-board system considering common cause failure: Based on a beta-factor and continuous-time bayesian network model |
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: 20180918 |