CN109032872B - 基于贝叶斯网络的设备故障诊断方法及系统 - Google Patents
基于贝叶斯网络的设备故障诊断方法及系统 Download PDFInfo
- Publication number
- CN109032872B CN109032872B CN201810915922.3A CN201810915922A CN109032872B CN 109032872 B CN109032872 B CN 109032872B CN 201810915922 A CN201810915922 A CN 201810915922A CN 109032872 B CN109032872 B CN 109032872B
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- equipment
- fault diagnosis
- optimal
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2268—Logging of test results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于贝叶斯网络的设备故障诊断方法及系统。其中，所述方法可以根据输入的待诊断故障的设备的已知故障，从存储器中调取对应设备物理模型和经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出该已知故障信息下的最优的故障诊断推荐并存储该最优的故障诊断并存储该最优的故障诊断，能够实现充分考虑信息的不确定性，给出的诊断结果都是当前条件下的最优解，而不是定性值，能够根据实际的诊断结果更新数据库，保证诊断的准确性。
Description
技术领域
本发明涉及设备故障诊断技术领域，特别是涉及一种基于贝叶斯网络的设备故障诊断方法及系统。
背景技术
目前行业内所开发和设计的设备故障诊断方案在功能上已较为完善，能够满足大多数情况下的需求。但其使用时要么忽略了信息不确定性，给出单一诊断结果；要么按照既定的程序与流程，顺序完成多次指引，不会根据实际的诊断结果更新数据库，无法保证诊断的准确性。
发明内容
本发明的目的在于提出一种基于贝叶斯网络的设备故障诊断方法及系统，能够实现充分考虑信息的不确定性，给出的诊断结果都是当前条件下的最优解，而不是定性值，能够根据实际的诊断结果更新数据库，保证诊断的准确性。
根据本发明的一个方面，提供一种基于贝叶斯网络的设备故障诊断方法，包括：
根据待诊断故障的设备，生成所述待诊断故障的设备的设备信息，所述设备信息包括设备类别、设备厂家、设备型号信息；
根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集；
根据所述设备物理模型和所述经进行关联规则挖掘后的训练数据集，输入所述待诊断故障的设备的已知故障；
根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断并存储所述最优的故障诊断。
其中，所述根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集，包括：
根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，由所述设备物理模型提供基本拓扑，由所述关联规则对所述提供的基本拓扑进行修改，得到经进行关联规则挖掘后的训练数据集。
其中，所述根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断并存储所述最优的故障诊断，包括：
根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据所述调取出的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。
其中，所述根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据所述调取出的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断，包括：
根据所述输入的所述待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于所述已知故障部件的相邻部件和/或关联部件的故障，和根据所述获取的相邻部件和/或关联部件的故障信息和所述已知故障信息，更新所述故障条件概率信息，并根据所述更新后的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。
其中，所述根据所述输入的所述待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于所述已知故障部件的相邻部件和/或关联部件的故障，和根据所述获取的相邻部件和/或关联部件的故障信息和所述已知故障信息，更新所述故障条件概率信息，并根据所述更新后的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断，包括：
采取马尔科夫毯方式去除贝叶斯网络中不相关和/或冗余的变量，根据所述输入的所述待诊断故障的设备的已知故障和根据所述已去除不相关和/或冗余的变量后的贝叶斯网络的节点的局部结构，获取对应于所述已知故障部件的相邻部件和/或关联部件的故障，和根据所述获取的相邻部件和/或关联部件的故障信息和所述已知故障信息，更新所述故障条件概率信息，并根据所述更新后的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。
其中，在所述根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断之后，还包括：
检验所述给出的最优的故障诊断推荐是否符合实际情况，在检测出所述给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除所述不符合实际情况的最优的故障诊断推荐。
根据本发明的另一个方面，提供一种基于贝叶斯网络的设备故障诊断系统，包括：
生成单元、训练单元、输入单元、诊断单元；
所述生成单元，用于根据待诊断故障的设备，生成所述待诊断故障的设备的设备信息，所述设备信息包括设备类别、设备厂家、设备型号信息；
所述训练单元，用于根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集；
所述输入单元，用于根据所述设备物理模型和所述经进行关联规则挖掘后的训练数据集，输入所述待诊断故障的设备的已知故障；
所述诊断单元，用于根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断并存储所述最优的故障诊断。
其中，所述训练单元，具体用于：
根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，由所述设备物理模型提供基本拓扑，由所述关联规则对所述提供的基本拓扑进行修改，得到经进行关联规则挖掘后的训练数据集。
其中，所述诊断单元，具体用于：
根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据所述调取出的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。
其中，所述基于贝叶斯网络的设备故障诊断系统，还包括：
所述检验单元，用于检验所述给出的最优的故障诊断推荐是否符合实际情况，在检测出所述给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除所述不符合实际情况的最优的故障诊断推荐。
可以发现，以上方案，可以根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出该已知故障信息下的最优的故障诊断推荐并存储该最优的故障诊断并存储该最优的故障诊断，能够实现充分考虑信息的不确定性，给出的诊断结果都是当前条件下的最优解，而不是定性值，能够根据实际的诊断结果更新数据库，保证诊断的准确性。
进一步的，以上方案，可以根据该输入的该待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，能够实现利用贝叶斯网络节点的局部结构，缩小设备故障诊断过程的搜索范围，减少计算负担，提升设备故障诊断效率。
进一步的，以上方案，可以采取马尔科夫毯方式去除贝叶斯网络中不相关和/或冗余的变量，根据该输入的该待诊断故障的设备的已知故障和根据该已去除不相关和/或冗余的变量后的贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，能够实现借助马尔科夫毯方式，进一步缩小设备故障诊断过程的计算规模，进一步提升设备故障诊断效率。
可以发现，以上方案，可以检验该给出的最优的故障诊断推荐是否符合实际情况，在检测出该给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除该不符合实际情况的最优的故障诊断推荐，能够实现对该给出的最优的故障诊断推荐的检验，和实现更新该给出的最优的故障诊断推荐结果，实现设备故障的交互式诊断。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明基于贝叶斯网络的设备故障诊断方法一实施例的流程示意图；
图2是本发明基于贝叶斯网络的设备故障诊断方法另一实施例的流程示意图；
图3是本发明基于贝叶斯网络的设备故障诊断系统一实施例的结构示意图；
图4是本发明基于贝叶斯网络的设备故障诊断系统另一实施例的结构示意图；
图5是本发明基于贝叶斯网络的设备故障诊断系统又一实施例的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，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它实施例，都属于本发明保护的范围。
本发明提供一种基于贝叶斯网络的设备故障诊断方法，能够实现充分考虑信息的不确定性，给出的诊断结果都是当前条件下的最优解，而不是定性值，能够根据实际的诊断结果更新数据库，保证诊断的准确性。
请参见图1，图1是本发明基于贝叶斯网络的设备故障诊断方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：
S101：根据待诊断故障的设备，生成该待诊断故障的设备的设备信息，该设备信息包括设备类别、设备厂家、设备型号等信息。
S102：根据该生成的设备信息，从存储器中获取对应该生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对该训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集。
其中，该根据该生成的设备信息，从存储器中获取对应该生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对该训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集，可以包括：
根据该生成的设备信息，从存储器中获取对应该生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对该训练数据集进行关联规则挖掘，由该设备物理模型提供基本拓扑，由该关联规则对该提供的基本拓扑进行修改，得到经进行关联规则挖掘后的训练数据集。
S103：根据该设备物理模型和该经进行关联规则挖掘后的训练数据集，输入该待诊断故障的设备的已知故障。
S104：根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出该已知故障信息下的最优的故障诊断推荐并存储该最优的故障诊断并存储该最优的故障诊断。
其中，该根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出该已知故障信息下的最优的故障诊断推荐并存储该最优的故障诊断并存储该最优的故障诊断，可以包括：
根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据该调取出的故障条件概率信息，计算出对应该已知故障信息的最大似然的故障诊断信息，给出关联该最大似然的故障诊断信息的最优的故障诊断推荐并存储该最优的故障诊断。
其中，该根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据该调取出的故障条件概率信息，计算出对应该已知故障信息的最大似然的故障诊断信息，给出关联该最大似然的故障诊断信息的最优的故障诊断推荐并存储该最优的故障诊断，可以包括：
根据该输入的该待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，和根据该获取的相邻部件和/或关联部件的故障信息和该已知故障信息，更新该故障条件概率信息，并根据该更新后的故障条件概率信息，计算出对应该已知故障信息的最大似然的故障诊断信息，给出关联该最大似然的故障诊断信息的最优的故障诊断推荐并存储该最优的故障诊断。
其中，该根据该输入的该待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，和根据该获取的相邻部件和/或关联部件的故障信息和该已知故障信息，更新该故障条件概率信息，并根据该更新后的故障条件概率信息，计算出对应该已知故障信息的最大似然的故障诊断信息，给出关联该最大似然的故障诊断信息的最优的故障诊断推荐并存储该最优的故障诊断，可以包括：
采取马尔科夫毯方式去除贝叶斯网络中不相关和/或冗余的变量，根据该输入的该待诊断故障的设备的已知故障和根据该已去除不相关和/或冗余的变量后的贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，和根据该获取的相邻部件和/或关联部件的故障信息和该已知故障信息，更新该故障条件概率信息，并根据该更新后的故障条件概率信息，计算出对应该已知故障信息的最大似然的故障诊断信息，给出关联该最大似然的故障诊断信息的最优的故障诊断推荐并存储该最优的故障诊断。
其中，在该根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出该已知故障信息下的最优的故障诊断推荐并存储该最优的故障诊断之后，还可以包括：
检验该给出的最优的故障诊断推荐是否符合实际情况，在检测出该给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除该不符合实际情况的最优的故障诊断推荐。
在本实施例中，存储器中可以存储设备物理模型库、历史检测数据库、在线监测数据库和仿真结果数据库等，为设备故障诊断过程提供设备物理模型和训练数据集。
在本实施例中，可以提供人机交互界面，可以通过该人机交互界面输入观测到的设备故障表征，接收推荐的疑似故障信息，并反馈实际检验测试结果。
在本实施例中，可以根据反馈的设备故障的实际检验测试结果，更新故障推荐结果，从而实现设备故障的交互式诊断。
在本实施例中，在为设备故障诊断的过程中，可以将贝叶斯网络中的节点分为三类：
其中为可观测的故障表征集合，可以用来作为缺陷诊断的证据。
为设备缺陷，也即缺陷诊断的候选结果集。
为网络中表征空间连接关系的节点，对应着具体的设备部件如保护机构、电缆室等。
因此，设备故障诊断可以建模为给定贝叶斯网络拓扑、参数的条件下，根据观测的故障表征，求出最大似然的设备故障。
在本实施例中，在为设备故障诊断的过程中，可以首先获取每种故障的条件概率分布。
在本实施例中，在设备物理模型比较复杂的情况下，上述联合每种故障的条件概率分布计算繁琐，而且会牵涉到大量无关的贝叶斯网络节点，影响了计算效率。因此，应该结合设备故障诊断自身的特点对算法进行优化。
在本实施例中，当设备中某个部件发生缺陷时，首先会影响到与其直接相连的部件以及与之存在关联关系的部件，而其他部件的影响较弱；反之，当某个部件中发现了故障表征，也首先应该从该部件的相邻部件或者关联部件上寻找原因。这意味着，可以利用贝叶斯网络节点的局部结构，缩小诊断过程的搜索范围，减少计算负担。
在本实施例中，可以采用马尔科夫毯去除贝叶斯网络中不相关或冗余变量的优化方式，能够提升贝叶斯网络分类的性能；对于贝叶斯网络中的任意节点，如果将节点集合移除，则节点与剩余节点没有连接关系，那就称集合为节点的一个马尔科夫毯；显然，贝叶斯网络中的任意节点的马尔科夫毯可以有多种可能的选择。
在本实施例中，当马尔科夫毯中的每个属性变量给定时，贝叶斯网络中的节点所提供的一些信息将被马尔科夫毯所屏蔽。
在本实施例中，设备故障诊断过程中可以借助马尔科夫毯方式排除在诊断证据给定下与设备候选缺陷条件独立的变量，可以缩小诊断过程的计算规模，提升诊断效率。
在本实施例中，可以分别设备代表设备已经可以直观感受到的故障表征，例如电机无法正常运转和/或柜体烧毁和/或宕机等；经过检测查找到的故障成因或称之为缺陷，例如设备质量和/或人为误操作和/或老化失效和/或宕机等；故障或缺陷的发生地处于的位置，可以理解为是哪个零件室的东西坏了，例如电缆室、母排室等。
在本实施例中，可以根据预先设置好的条件概率值，给出当前信故障息下的故障诊断的最优推荐。
在本实施例中，可以实际检验该给出当前信故障息下的故障诊断的最优推荐是否符合实际情况，如果不符合实际情况，则则反馈重新给出最优的故障诊断推荐和删除该不符合实际情况的最优的故障诊断推荐，经过多次这样的迭代，直至找到最准确的故障诊断结果。
在本实施例中，在设备故障诊断的实际过程中，最先输入的贝叶斯网络的节点不一定得是最优的节点，输出结果也不一定是的组合后相对优化的结果。因为有时送检设备并不一定表现出了故障表征，也有可能是已知某处零件出了毛病，需要检测它的损坏可能导致哪些故障；或是已知某处出现了可能的误操作，需要检测它带来的危害。只要有任意的相关故障信息，都可以投入到贝叶斯网络中来，得到当前故障信息下的最优概率值。
在本实施例中，上述提及的所有的设备故障的诊断过程，无论单次诊断是否正确，都会记录在存储器中的关联数据库中，数据库可以根据近大远小的原则，不断更新贝叶斯网络的各个节点的概率信息，以实现贝叶斯网络的网络参数的实时更新。
可以发现，在本实施例中，可以根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出该已知故障信息下的最优的故障诊断推荐并存储该最优的故障诊断并存储该最优的故障诊断，能够实现充分考虑信息的不确定性，给出的诊断结果都是当前条件下的最优解，而不是定性值，能够根据实际的诊断结果更新数据库，保证诊断的准确性。
进一步的，在本实施例中，可以根据该输入的该待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，能够实现利用贝叶斯网络节点的局部结构，缩小设备故障诊断过程的搜索范围，减少计算负担，提升设备故障诊断效率。
进一步的，在本实施例中，可以采取马尔科夫毯方式去除贝叶斯网络中不相关和/或冗余的变量，根据该输入的该待诊断故障的设备的已知故障和根据该已去除不相关和/或冗余的变量后的贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，能够实现借助马尔科夫毯方式，进一步缩小设备故障诊断过程的计算规模，进一步提升设备故障诊断效率。
请参见图2，图2是本发明基于贝叶斯网络的设备故障诊断方法另一实施例的流程示意图。本实施例中，该方法包括以下步骤：
S201：根据待诊断故障的设备，生成该待诊断故障的设备的设备信息，该设备信息包括设备类别、设备厂家、设备型号等信息。
S202：根据该生成的设备信息，从存储器中获取对应该生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对该训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集。
可如上S102所述，在此不作赘述。
S203：根据该设备物理模型和该经进行关联规则挖掘后的训练数据集，输入该待诊断故障的设备的已知故障。
S204：根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出该已知故障信息下的最优的故障诊断推荐并存储该最优的故障诊断并存储该最优的故障诊断。
可如上S104所述，在此不作赘述。
S205：检验该给出的最优的故障诊断推荐是否符合实际情况，在检测出该给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除该不符合实际情况的最优的故障诊断推荐。
可以发现，在本实施例中，可以检验该给出的最优的故障诊断推荐是否符合实际情况，在检测出该给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除该不符合实际情况的最优的故障诊断推荐，能够实现对该给出的最优的故障诊断推荐的检验，和实现更新该给出的最优的故障诊断推荐结果，实现设备故障的交互式诊断。
本发明还提供一种基于贝叶斯网络的设备故障诊断系统，能够实现充分考虑信息的不确定性，给出的诊断结果都是当前条件下的最优解，而不是定性值，能够根据实际的诊断结果更新数据库，保证诊断的准确性。
请参见图3，图3是本发明基于贝叶斯网络的设备故障诊断系统一实施例的结构示意图。本实施例中，该基于贝叶斯网络的设备故障诊断系统30包括生成单元31、训练单元32、输入单元33、诊断单元34。
该生成单元31，用于根据待诊断故障的设备，生成该待诊断故障的设备的设备信息，该设备信息包括设备类别、设备厂家、设备型号等信息。
该训练单元32，用于根据该生成的设备信息，从存储器中获取对应该生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对该训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集。
该输入单元33，用于根据该设备物理模型和该经进行关联规则挖掘后的训练数据集，输入该待诊断故障的设备的已知故障。
该诊断单元34，用于根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出该已知故障信息下的最优的故障诊断推荐并存储该最优的故障诊断并存储该最优的故障诊断。
可选地，该训练单元32，可以具体用于：
根据该生成的设备信息，从存储器中获取对应该生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对该训练数据集进行关联规则挖掘，由该设备物理模型提供基本拓扑，由该关联规则对该提供的基本拓扑进行修改，得到经进行关联规则挖掘后的训练数据集。
可选地，该诊断单元34，可以具体用于：
根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据该调取出的故障条件概率信息，计算出对应该已知故障信息的最大似然的故障诊断信息，给出关联该最大似然的故障诊断信息的最优的故障诊断推荐并存储该最优的故障诊断。
可选地，该诊断单元34，可以具体用于：
根据该输入的该待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，和根据该获取的相邻部件和/或关联部件的故障信息和该已知故障信息，更新该故障条件概率信息，并根据该更新后的故障条件概率信息，计算出对应该已知故障信息的最大似然的故障诊断信息，给出关联该最大似然的故障诊断信息的最优的故障诊断推荐并存储该最优的故障诊断。
可选地，该诊断单元34，可以具体用于：
采取马尔科夫毯方式去除贝叶斯网络中不相关和/或冗余的变量，根据该输入的该待诊断故障的设备的已知故障和根据该已去除不相关和/或冗余的变量后的贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，和根据该获取的相邻部件和/或关联部件的故障信息和该已知故障信息，更新该故障条件概率信息，并根据该更新后的故障条件概率信息，计算出对应该已知故障信息的最大似然的故障诊断信息，给出关联该最大似然的故障诊断信息的最优的故障诊断推荐并存储该最优的故障诊断。
请参见图4，图4是本发明基于贝叶斯网络的设备故障诊断系统另一实施例的结构示意图。区别于上一实施例，本实施例所述基于贝叶斯网络的设备故障诊断系统40还包括：检验单元41。
该检验单元41，用于检验该给出的最优的故障诊断推荐是否符合实际情况，在检测出该给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除该不符合实际情况的最优的故障诊断推荐。
该基于贝叶斯网络的设备故障诊断系统30/40的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。
请参见图5，图5是本发明基于贝叶斯网络的设备故障诊断系统又一实施例的结构示意图。该基于贝叶斯网络的设备故障诊断系统的各个单元模块可分别执行上述方法实施例中对应步骤。相关内容请参见上述方法中的详细说明，在此不再赘叙。
本实施例中，该基于贝叶斯网络的设备故障诊断系统包括：处理器51、与处理器51耦合的存储器52、诊断器53、检验器54。
该处理器51，用于根据待诊断故障的设备，生成该待诊断故障的设备的设备信息，该设备信息包括设备类别、设备厂家、设备型号等信息。
该处理器51，还用于根据该生成的设备信息，从存储器中获取对应该生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对该训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集。
该处理器51，还用于根据该设备物理模型和该经进行关联规则挖掘后的训练数据集，输入该待诊断故障的设备的已知故障。
该存储器52，用于存储操作系统、设备物理模型库、历史检测数据库、在线监测数据库、仿真结果数据库、该处理器51执行的指令等。
该诊断器53，用于根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出该已知故障信息下的最优的故障诊断推荐并存储该最优的故障诊断并存储该最优的故障诊断。
该检验器54，用于检验该给出的最优的故障诊断推荐是否符合实际情况，在检测出该给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除该不符合实际情况的最优的故障诊断推荐。
可选地，该处理器51，可以具体用于：
根据该生成的设备信息，从存储器中获取对应该生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对该训练数据集进行关联规则挖掘，由该设备物理模型提供基本拓扑，由该关联规则对该提供的基本拓扑进行修改，得到经进行关联规则挖掘后的训练数据集。
可选地，该诊断器53，可以具体用于：
根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据该调取出的故障条件概率信息，计算出对应该已知故障信息的最大似然的故障诊断信息，给出关联该最大似然的故障诊断信息的最优的故障诊断推荐并存储该最优的故障诊断。
可选地，该诊断器53，可以具体用于：
根据该输入的该待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，和根据该获取的相邻部件和/或关联部件的故障信息和该已知故障信息，更新该故障条件概率信息，并根据该更新后的故障条件概率信息，计算出对应该已知故障信息的最大似然的故障诊断信息，给出关联该最大似然的故障诊断信息的最优的故障诊断推荐并存储该最优的故障诊断。
可选地，该诊断器53，可以具体用于：
采取马尔科夫毯方式去除贝叶斯网络中不相关和/或冗余的变量，根据该输入的该待诊断故障的设备的已知故障和根据该已去除不相关和/或冗余的变量后的贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，和根据该获取的相邻部件和/或关联部件的故障信息和该已知故障信息，更新该故障条件概率信息，并根据该更新后的故障条件概率信息，计算出对应该已知故障信息的最大似然的故障诊断信息，给出关联该最大似然的故障诊断信息的最优的故障诊断推荐并存储该最优的故障诊断。
可以发现，以上方案，可以根据该输入的该待诊断故障的设备的已知故障，从存储器中调取对应该设备物理模型和该经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出该已知故障信息下的最优的故障诊断推荐并存储该最优的故障诊断并存储该最优的故障诊断，能够实现充分考虑信息的不确定性，给出的诊断结果都是当前条件下的最优解，而不是定性值，能够根据实际的诊断结果更新数据库，保证诊断的准确性。
进一步的，以上方案，可以根据该输入的该待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，能够实现利用贝叶斯网络节点的局部结构，缩小设备故障诊断过程的搜索范围，减少计算负担，提升设备故障诊断效率。
进一步的，以上方案，可以采取马尔科夫毯方式去除贝叶斯网络中不相关和/或冗余的变量，根据该输入的该待诊断故障的设备的已知故障和根据该已去除不相关和/或冗余的变量后的贝叶斯网络的节点的局部结构，获取对应于该已知故障部件的相邻部件和/或关联部件的故障，能够实现借助马尔科夫毯方式，进一步缩小设备故障诊断过程的计算规模，进一步提升设备故障诊断效率。
可以发现，以上方案，可以检验该给出的最优的故障诊断推荐是否符合实际情况，在检测出该给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除该不符合实际情况的最优的故障诊断推荐，能够实现对该给出的最优的故障诊断推荐的检验，和实现更新该给出的最优的故障诊断推荐结果，实现设备故障的交互式诊断。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于贝叶斯网络的设备故障诊断方法，其特征在于，包括：
根据待诊断故障的设备，生成所述待诊断故障的设备的设备信息，所述设备信息包括设备类别、设备厂家、设备型号信息；
根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集；
根据所述设备物理模型和所述经进行关联规则挖掘后的训练数据集，输入所述待诊断故障的设备的已知故障；
根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断并存储所述最优的故障诊断。
2.如权利要求1所述的基于贝叶斯网络的设备故障诊断方法，其特征在于，所述根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集，包括：
根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，由所述设备物理模型提供基本拓扑，由所述关联规则对所述提供的基本拓扑进行修改，得到经进行关联规则挖掘后的训练数据集。
3.如权利要求1所述的基于贝叶斯网络的设备故障诊断方法，其特征在于，所述根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断并存储所述最优的故障诊断，包括：
根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据所述调取出的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。
4.如权利要求3所述的基于贝叶斯网络的设备故障诊断方法，其特征在于，所述根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据所述调取出的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断，包括：
根据所述输入的所述待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于所述已知故障部件的相邻部件和/或关联部件的故障，和根据所述获取的相邻部件和/或关联部件的故障信息和所述已知故障信息，更新所述故障条件概率信息，并根据所述更新后的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。
5.如权利要求4所述的基于贝叶斯网络的设备故障诊断方法，其特征在于，所述根据所述输入的所述待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于所述已知故障部件的相邻部件和/或关联部件的故障，和根据所述获取的相邻部件和/或关联部件的故障信息和所述已知故障信息，更新所述故障条件概率信息，并根据所述更新后的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断，包括：
采取马尔科夫毯方式去除贝叶斯网络中不相关和/或冗余的变量，根据所述输入的所述待诊断故障的设备的已知故障和根据所述已去除不相关和/或冗余的变量后的贝叶斯网络的节点的局部结构，获取对应于所述已知故障部件的相邻部件和/或关联部件的故障，和根据所述获取的相邻部件和/或关联部件的故障信息和所述已知故障信息，更新所述故障条件概率信息，并根据所述更新后的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。
6.如权利要求3或5所述的基于贝叶斯网络的设备故障诊断方法，其特征在于，在所述根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断之后，还包括：
检验所述给出的最优的故障诊断推荐是否符合实际情况，在检测出所述给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除所述不符合实际情况的最优的故障诊断推荐。
7.一种基于贝叶斯网络的设备故障诊断系统，其特征在于，包括：
生成单元、训练单元、输入单元、诊断单元；
所述生成单元，用于根据待诊断故障的设备，生成所述待诊断故障的设备的设备信息，所述设备信息包括设备类别、设备厂家、设备型号信息；
所述训练单元，用于根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集；
所述输入单元，用于根据所述设备物理模型和所述经进行关联规则挖掘后的训练数据集，输入所述待诊断故障的设备的已知故障；
所述诊断单元，用于根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断并存储所述最优的故障诊断。
8.如权利要求7所述的基于贝叶斯网络的设备故障诊断系统，其特征在于，所述训练单元，具体用于：
根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，由所述设备物理模型提供基本拓扑，由所述关联规则对所述提供的基本拓扑进行修改，得到经进行关联规则挖掘后的训练数据集。
9.如权利要求7所述的基于贝叶斯网络的设备故障诊断系统，其特征在于，所述诊断单元，具体用于：
根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据所述调取出的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。
10.如权利要求7所述的基于贝叶斯网络的设备故障诊断系统，其特征在于，所述基于贝叶斯网络的设备故障诊断系统，还包括：
检验单元，用于检验所述给出的最优的故障诊断推荐是否符合实际情况，在检测出所述给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除所述不符合实际情况的最优的故障诊断推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810915922.3A CN109032872B (zh) | 2018-08-13 | 2018-08-13 | 基于贝叶斯网络的设备故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810915922.3A CN109032872B (zh) | 2018-08-13 | 2018-08-13 | 基于贝叶斯网络的设备故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109032872A CN109032872A (zh) | 2018-12-18 |
| CN109032872B true CN109032872B (zh) | 2021-08-10 |
Family
ID=64633867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810915922.3A Active CN109032872B (zh) | 2018-08-13 | 2018-08-13 | 基于贝叶斯网络的设备故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109032872B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112817800B (zh) * | 2019-11-15 | 2023-04-25 | 上海联影医疗科技股份有限公司 | 交互设备的测试方法、装置、计算机设备及存储介质 |
| CN111985561B (zh) * | 2020-08-19 | 2023-02-21 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、系统及电子装置 |
| CN113488901B (zh) * | 2021-09-06 | 2021-11-12 | 南通莱隆电器成套设备有限公司 | 一种智能配电柜的安全监控系统及方法 |
| CN115169252B (zh) * | 2022-09-07 | 2022-12-13 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种结构化仿真数据生成系统及生成方法 |
| CN115577313A (zh) * | 2022-12-09 | 2023-01-06 | 中国南方电网有限责任公司超高压输电公司广州局 | 电力电网故障诊断方法、装置、计算机设备及存储介质 |
| CN116662674B (zh) * | 2023-07-28 | 2023-10-13 | 安徽省模式识别信息技术有限公司 | 一种基于高效马尔科夫毯学习机制的服务推荐方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102765643A (zh) * | 2012-05-31 | 2012-11-07 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
| CN103871003A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 一种应用历史故障数据的配电网故障诊断方法 |
| CN104376365A (zh) * | 2014-11-28 | 2015-02-25 | 国家电网公司 | 一种基于关联规则挖掘的信息系统运行规则库的构造方法 |
| CN107247450A (zh) * | 2017-05-05 | 2017-10-13 | 武汉理工大学 | 基于贝叶斯网络的断路器故障诊断方法 |
| CN108285071A (zh) * | 2018-01-25 | 2018-07-17 | 暨南大学 | 一种基于贝叶斯网络的电梯健康诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5159368B2 (ja) * | 2008-02-29 | 2013-03-06 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 変化分析システム、方法及びプログラム |
-
2018
- 2018-08-13 CN CN201810915922.3A patent/CN109032872B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102765643A (zh) * | 2012-05-31 | 2012-11-07 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
| CN103871003A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 一种应用历史故障数据的配电网故障诊断方法 |
| CN104376365A (zh) * | 2014-11-28 | 2015-02-25 | 国家电网公司 | 一种基于关联规则挖掘的信息系统运行规则库的构造方法 |
| CN107247450A (zh) * | 2017-05-05 | 2017-10-13 | 武汉理工大学 | 基于贝叶斯网络的断路器故障诊断方法 |
| CN108285071A (zh) * | 2018-01-25 | 2018-07-17 | 暨南大学 | 一种基于贝叶斯网络的电梯健康诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《智能配用电通信网告警关联分析方法的设计与实现》;王淼;《中国优秀硕士学位论文全文数据库》;20150310;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109032872A (zh) | 2018-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109032872B (zh) | 基于贝叶斯网络的设备故障诊断方法及系统 | |
| CN110178121B (zh) | 一种数据库的检测方法及其终端 | |
| JP4557337B2 (ja) | Ｘリストに基づく多重エラー及び故障を診断する方法並びにシステム | |
| CN110875851B (zh) | 地下电缆故障预警方法和装置 | |
| CN105912413B (zh) | 分析系统、特别是安全关键系统的可用性的方法和装置 | |
| JPWO2018105104A1 (ja) | 故障リスク指標推定装置および故障リスク指標推定方法 | |
| US5719881A (en) | Test pattern generating apparatus and method | |
| KR101936240B1 (ko) | 예방 정비 시뮬레이션 시스템 및 방법 | |
| CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
| US9715658B2 (en) | Methods for producing customer configurable technical manuals | |
| JP2016184319A (ja) | 故障診断システム | |
| CN108362957B (zh) | 设备故障诊断方法、装置、储存介质和电子设备 | |
| JP2000121705A (ja) | 基板モデル修正方法および装置 | |
| JP2023534200A (ja) | 自動支援型回路検証 | |
| KR102340395B1 (ko) | 플랜트의 고장을 진단하기 위한 장치 및 이를 위한 방법 | |
| US20100313074A1 (en) | Method for describing a behavior of a technical apparatus | |
| JP6169302B2 (ja) | 仕様構成装置および方法 | |
| JP2014059664A (ja) | フォールトツリー生成プログラム、方法及び装置 | |
| CN114386510A (zh) | 一种电力系统量测错误辨识方法及系统 | |
| JP7026012B2 (ja) | 機器状態監視システム及び機器状態監視方法 | |
| Bunus et al. | Supporting Model-Based Diagnostics with Equation-Based Object Oriented Languages. | |
| US20220342788A1 (en) | Anomaly location estimating apparatus, method, and program | |
| JP2015197868A (ja) | コンピュータ・プログラムの検査装置 | |
| EP3992832A1 (en) | Method, system and software for selecting an optimal e/e arrangement | |
| WO2012146908A1 (en) | Automated method for generating symptoms data for diagnostic systems |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200917 Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |