CN109063841A - 一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法 - Google Patents

一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法 Download PDF

Info

Publication number
CN109063841A
CN109063841A CN201810982243.8A CN201810982243A CN109063841A CN 109063841 A CN109063841 A CN 109063841A CN 201810982243 A CN201810982243 A CN 201810982243A CN 109063841 A CN109063841 A CN 109063841A
Authority
CN
China
Prior art keywords
failure mechanism
bayesian network
condition
probability
node
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.)
Granted
Application number
CN201810982243.8A
Other languages
English (en)
Other versions
CN109063841B (zh
Inventor
陈颖
王羽佳
康锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201810982243.8A priority Critical patent/CN109063841B/zh
Publication of CN109063841A publication Critical patent/CN109063841A/zh
Application granted granted Critical
Publication of CN109063841B publication Critical patent/CN109063841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N5/046—Forward inferencing; Production systems
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明提供一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法，其包括以下步骤：S1、提炼电子产品故障机理推理逻辑规则，S2、收集故障机理分析实例数据建立算法的训练集，S3、建立信息不完整情况下的故障机理推理过程，S4、使用收集的故障机理分析实例数据训练贝叶斯网络，通过EM算法和神经网络算法修正贝叶斯网络节点条件概率得到修正后的贝叶斯网络推理模型，S5、根据用户给出的元器件信息、环境条件和工作条件使用修正后的贝叶斯网络进行故障机理的推理。能够解决设计人员由于缺乏可靠性知识或对元器件设计信息和环境条件信息认知不足无法进行故障机理分析的问题，同时也能够指导电子产品的可靠性设计，针对高概率的故障机理进行预防。

Description

一种基于贝叶斯网络和深度学习算法的故障机理智能分析 方法
技术领域
本发明涉及可靠性分析领域，具体地涉及一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法。
背景技术
伴随电子技术的进步，电子产品的可靠性问题也逐渐突显出来。电子产品由众多的电子元器件和集成电路构成，电子元器件的质量和可靠性决定了产品的可靠性，因此设计工程师和元器件工程师对于电子元器件的可靠性问题尤为关注。只有先找到影响产品可靠性的故障缺陷才能采取相应的措施。在设计过程中就要对电子产品进行FMMEA分析，并对可能发生的故障进行预防。FMMEA是在故障模式及影响分析(FMECA)的基础上增加了故障机理分析与故障物理模型定量计算等内容，因此FMMEA分析的过程十分繁琐，工作量大。
由于电子元器件种类繁多、使用环境多变，故障机理分析及其物理模型的建立过程十分复杂，设计人员在分析过程中需要掌握大量的跨专业领域的基础性问题，一般设计人员往往无法独立完成电子产品的FMMEA过程。长期以来，电子产品的故障机理分析一般由领域内知识丰富的可靠性专家指导下进行，但是大部分企业缺少领域内可靠性专家，使得很多制造业企业在研发阶段很难开展相应的FMMEA工作。另一方面，前人已经研究形成了大量的电子产品故障机理分析结果以及相应的故障物理模型，这些成果中蕴含着丰富的有关故障机理分析的规则和知识，因此利用某种工具辅助设计人员进行故障机理分析，成为可靠性工程实践中的一个迫切需求。
近年来，人工智能(AI)发展迅猛，人工智能是一门研究用于模仿、延伸和拓展人类的思维的基本原理、方法及计算机技术的新兴科技。人工智能系统具有演绎、推理、学习和解决问题的能力，这些能力使得其在解决问题时能够快速准确的得到结果。基于贝叶斯的推理算法能够处理证据信息缺失情况下的不确定推理，能够适用于目前电子产品故障机理推理过程中的不完整条件下的推理，但存在受人为影响大和自学习能力差的缺点。
发明内容
为了克服现有技术的缺陷，本发明提供一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法，能够解决设计人员由于缺乏可靠性知识或对元器件设计信息和环境条件信息认知不足无法进行故障机理分析的问题，同时也能够指导电子产品的可靠性设计，针对高概率的故障机理进行预防。
具体地，本发明提供一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法，其包括以下步骤：
S1、提炼电子产品故障机理推理逻辑规则，具体包括以下步骤：
S11、收集整理电子产品元器件信息、故障机理以及机理的触发条件；
S12、建立电子元器件故障机理对应数据库；
S13、使用谓词逻辑表示法建立逻辑关系表示规则；
S2、收集故障机理分析实例数据，建立算法的训练集，具体包括以下步骤：
S21、按照元器件类别将故障机理分析实例分类储存；
S22、数据化故障机理分析实例；
S23、将各种元器件的数据化故障机理分析实例储存为数据包，以便用作深度学习算法的训练数据；
S3、建立信息不完整情况下的故障机理推理过程，具体包括以下步骤：
S31、对不同种元器件将推理逻辑规则分别转化为贝叶斯网络拓扑，具体步骤如下：
S311、将每一种元器件的推理逻辑规则的逻辑节点按照升序编号；
S312、使用二维矩阵来表示节点间连接的相互关系：
式中k代表网络节点总数。代表第i号节点与第j号节点的连接关系，若为1则表示相连，若为0则表示无连接；
S313、为每个子节点添加条件概率表，具有多个父节点的子节点条件概率表使用多条件的条件概率表示；
S32、赋予节点随机的条件概率；
S33、构建联合树推理引擎；
S4、使用收集的故障机理分析实例数据训练贝叶斯网络，通过EM算法和神经网络算法修正贝叶斯网络节点条件概率得到修正后的贝叶斯网络推理模型，具体包括以下步骤：
S41、使用EM算法对具有信息缺失的故障实例分析数据进行贝叶斯网络节点条件概率的自学习；
S42、使用神经网络算法对上一步骤中的训练后的贝叶斯网络中无父节点的节点的节点概率进行修正，得到修正后的贝叶斯网；
S43、使用训练得到的神经网络神经元的权系数来修正贝叶斯网络无父节点的节点条件概率；
S5、根据用户给出的元器件信息、环境条件和工作条件使用修正后的贝叶斯网络进行故障机理的推理，具体步骤如下：
S51、用户给出元器件类型，选用相应元器件的贝叶斯推理网络；
S52、根据环境条件和工作条件，给出故障机理推理证据，对于条件逻辑值为“真”的条件赋予数值为2，为“假”的条件赋予数值为1，为“未知”的条件不赋予数值，从而形成一个证据集合；
S53、将证据作为输入，进行故障机理概率推理。
优选地，S12具体包括以下步骤：
S121、归纳元器件的分类信息以及典型的故障位置；
S122、罗列出电子产品的实际使用过程中所有可能的环境条件和工作条件；
S123、依据整理的电子元器件信息、故障机理以及机理的触发条件，确定典型故障位置与故障机理的对应关系、确定工作条件和环境条件与故障机理的对应关系、确定工作条件和环境条件之间的相互激发的关系，并在数据库表格中将如上关系以自定义的符号格式表示出来；
横竖表头分别表示工作环境条件和电子元器件信息，表头的交点表示在以上条件下可能触发的故障机理，具有相互触发关系的环境条件使用相同的机理符号加数字序号表示环境条件之间相互触发的关系，如微电子器件由氧化层电荷引起的失效其触发的环境条件中有污染与Na离子沾污，两个环境条件之间具有触发关系，在提炼时两个条件下的故障机理分别记录为Olc1和Olc1-1，某些机理被触发的必要条件包含一个以上的环境条件，这时选用机理符号和相同的数字序号来表示需同时具备才能触发的故障机理，如金属膜电阻器只有在同时具有高电流电压和潮湿的条件时才会发生电阻膜分解，在提炼时两个条件下的故障机理都记录为RFD1。自定义的机理符号一般由机理名称英文缩写与用于区分相同英文缩写的符号构成。
优选地，S13具体包括以下步骤：
S131、使用命题符号P表示元器件的典型部位逻辑单元；
S132、使用命题符号Q表示元器件的工作环境条件逻辑单元，并根据电子元器件的环境条件、工作条件与可能发生的故障机理的相互关系赋予Q逻辑单元内不同证据单元“真”或“假”的逻辑值；
S133、使用命题符号S表示元器件的故障机理的推理结果逻辑单元；
S134、使用箭头按照推理的顺序连接逻辑单元。
优选地，步骤S134具体包括以下步骤：
a、依据确定的元器件工作条件和环境条件与故障机理的对应关系，连接命题符号Q内部和S内部所包含的逻辑单元；
b、依据确定的元器件工作条件和环境条件之间的相互激发的关系，连接命题符号Q内部包含的逻辑单元；
c、依据确定的元器件典型故障位置与故障机理的对应关系，连接命题符号P内部包含的逻辑单元与和相应故障机理有连接关系的工作环境条件逻辑单元。
优选地，S22具体包括以下步骤：
S221、对每种元器件的故障机理分析实例提取出故障机理，并将发生的故障机理标记为数值1，未发生的故障机理标记为数值0，不确定发生与否的故障机理标记为数值0.5；
S222、对每种元器件的故障机理分析实例提取出工作条件和环境条件，并将存在的条件标记为数值1，不存在的条件标记为数值0，不确定存在与否的条件标记为数值0.5；
S223、对每种元器件的故障机理分析实例提取出发生故障部位，并将发生故障的部位标记为数值1，未发生故障的部位标记为数值0，不确定发生与否的部位标记为数值0.5。
优选地，S33具体包括以下步骤：
S331、定义联合树簇之间的消息传递过程做概率传递，消息传递过程涉及两个概率变化——边缘化和联合化。若用ψXJ表示XJ发生的概率，通过下面公式来计算XJ对于XI的边缘概率：
若XI和XJ表示两个变量集合，用ψXJ、ψXI分别表示XJ、XI发生的概率，通过下式来计算XI∪XJ的联合概率：
S332、依据联合树上的消息传递过程求解条件概率，初始时，分离节点不具有任何信息，只有当簇Ci除了Cj→Ci以外接受信息都饱和的条件下才能传递信息给Cj，簇Ci的输出为：
式中ψi表示Ci的先验概率，ne(Ci)表示Ci相邻簇。联合树加入新证据后，通过联合树中节点间的信息传递，使联合树满足全局一致性，树中所有节点满足：
从而计算出条件概率P(X|E)的最终结果。
优选地，步骤S41具体包括以下步骤：
S411、预设EM算法迭代步数，需根据数据量的大小来估计满足收敛条件的迭代步数，一般为5-20步；
S412、使用收集到的数据化的故障机理分析实例数据作为算法的训练集；
S413、预运行EM算法进行贝叶斯网络节点条件概率的训练，以收敛为目标，更改迭代步数，直至训练的结果收敛；
S414、将训练得到的贝叶斯网络节点条件概率返回前述贝叶斯网络，代替节点随机生成的条件概率表。
优选地，步骤S42具体包括以下步骤：
S421、定义神经网络的训练速度和训练函数，训练速度设置为0.01-0.5，常见的训练函数算法包括梯度下降法、有动量的梯度下降法、自适应LR动量梯度下降法、强适应性BP算法、量化共轭梯度算法、拟牛顿算法、Levenberg-Marquardt算法等；
S422、建立神经网络，确定网络输入层、隐含层和输出层节点个数与层数，输入层节点个数需要与数据中元器件信息、工作环境条件个数相同，输出节点个数要与数据中故障机理的个数相同，隐含层层数和神经元数根据训练结果进行调整；
S423、初始化神经网络权值和阈值，权值和阈值的选择需要根据训练结果不断调整，一般为随机取值；
S424、设置训练结束参数，设置训练均方误差小于某一个值时训练停止，或者梯度小于某一个值。
优选地，步骤S43具体包括以下步骤：
使用神经网络网络各层神经元的权系数计算绝对影响系数，代替各个无父节点的节点的先验概率，具有可信性，绝对影响系数Sij的计算如下所示：
Rij＝|(1-e-y)/(1+e-y)y＝rij；
式中i为神经网络的输入单元，i＝1,…,m；j为神经网络的输出单元，j＝1,…,n；k为神经网络的隐层单元，k＝1,…,p；Wki为输入层神经元i与隐含层神经元k之间的权系数；Wki为隐含层神经元k与输出层神经元之间的权系数。
优选地，步骤S53具体包括以下步骤：
S531、将电子元器件信息和存在的环境条件、工作条件组成一个证据集合，使用数值1表示这个证据不存在，使用数值2表示这个证据存在，对于不确定的证据表示为空；
S532、将证据集合输入修正后的贝叶斯网络进行推理；
S533、求解每一种可能发生的故障机理的概率，输出故障机理发生概率大于0.7或者在所有可能的故障机理中发生概率前三的机理名称。
与现有技术相比，本发明具有以下有益效果：
本发明根据收集的元器件信息、故障机理以及机理的触发条件，提炼出故障机理推理逻辑规则，然后根据规则建立贝叶斯网络，再根据收集的故障机理分析实例数据，实现贝叶斯网络节点条件概率的自学习，最后通过自学习后的贝叶斯网络进行故障机理推理过程，从而实现智能的、不确定证据条件下的故障机理分析。可以看出上述的电子产品硬件故障机理智能分析方法能够有效的帮助设计人员进行FMMEA工作中的故障机理分析工作，并且能够通过以往的故障机理分析数据进行自学习，具有智能化和高效准确的特点，能够为设计人员在设计阶段提供潜在故障机理，从未帮助设计人员预防产品的故障，还能够在设计人员对产品工作环境条件认知不全的情况下进行故障机理推理，说明这一智能推理方法具有强适用性，更有利于在设计阶段提高产品的可靠性。
附图说明
图1是本发明方法的流程框图；
图2杜瓦的故障机理推理逻辑；
图3a-图3j某型电子控制器包含器件故障机理推理贝叶斯网络，
其中图3a为陶瓷电容的故障机理推理贝叶斯网络；
图3b为钽电容的故障机理推理贝叶斯网络；
图3c为集成电路的故障机理推理贝叶斯网络；
图3d为金属膜电阻的故障机理推理贝叶斯网络；
图3e为厚膜表贴电阻的故障机理推理贝叶斯网络；
图3f为线绕电阻器的故障机理推理贝叶斯网络；
图3g为二极管的故障机理推理贝叶斯网络；
图3h为双极晶体管的故障机理推理贝叶斯网络；
图3i为CMOS的故障机理推理贝叶斯网络；
图3j为MOS的故障机理推理贝叶斯网络；
图4微电子控制器的故障机理推理贝叶斯网络；
图5神经网络设置和训练结果；
图6某型电子控制器推理系统各类元器件分析结果，其中图6a为陶瓷电容的分析结果；
图6b为钽电容的分析结果；
图6c为集成电路的分析结果；
图6d为金属膜电阻的分析结果；
图6e为厚膜表贴电阻的分析结果；
图6f为线绕电阻器的分析结果；
图6g为二极管的分析结果；
图6h为双极晶体管的分析结果；
图6i为CMOS的分析结果；
图6j为MOS的分析结果；
具体实施方式
以下将参考附图详细说明本发明的示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
以下实施例是按照如图1所示的流程进行实施的，主要包括提炼故障机理推理规则，收集故障机理分析实例数据等部分。实施例分析对象为某型电子控制器(以下简称控制器)。
见图1，本发明一种电子产品硬件故障机理智能分析方法，该方法具体步骤如下：
步骤一：提炼电子产品故障机理推理逻辑规则，主要包括：
a.收集整理电子产品元器件信息、故障机理以及机理的触发条件；
b.建立电子元器件故障机理对应数据库，数据库中包含36种元器件类型、63个典型部位、57个工作条件和96个故障机理，详细过程如下：
1)归纳元器件的分类信息以及典型的故障位置，其中包括集成电路、电容器、真空电子器件、微机电系统、光电子器件、微波器件、微电子器件、电阻、磁性元件、PCBA和连接器等11大类，下设36种元器件类型和63个典型的故障部位；
2)依据产品的任务剖面和工作时环境条件，罗列出电子产品的实际使用过程中所有可能的环境条件和工作条件，包含振动、温度、湿度、污染物、电磁场、辐射、电相关等等57种工作条件；
3)依据整理的电子元器件信息、故障机理以及机理的触发条件，确定典型故障位置与故障机理的对应关系、确定工作条件和环境条件与故障机理的对应关系、确定工作条件和环境条件之间的相互激发的关系，并在数据库表格中使用不同的英文字母组合表示不同的故障机理，若两个环境条件之间具有触发关系，在提炼时两个条件下的故障机理分别记录为Olc1和Olc1-1。若某些机理被触发的必要条件包含一个以上的环境条件，这时选用机理符号和相同的数字序号来表示需同时具备才能触发的故障机理，如金属膜电阻器只有在同时具有高电流电压和潮湿的条件时才会发生电阻膜分解，在提炼时两个条件下的故障机理都记录为RFD1。为了提高最后的推理速度，将相似的触发条件合并，如大电流与短时间内通过大量电荷条件合并为大电流条件，潮湿和相对湿度高合并为潮湿条件；
c.使用谓词逻辑表示法建立逻辑关系表示规则，以红外焦平面探测器为例详细过程如下，其余类型元器件的逻辑关系表示规则建立方法相同：
1)使用命题符号P表示红外焦平面探测器的典型故障部位杜瓦；
2)使用命题符号Q表示红外焦平面探测器的可能的工作环境条件温度循环、温度冲击、高温与机械冲击，并根据电子元器件的环境条件和工作条件赋予温度冲击、机械冲击、温度循环和高温“真”的逻辑值；
3)使用命题符号S表示可能会发生在杜瓦部位的真空失效、粘接老化和断裂的故障机理；
4)使用箭头按照推理的顺序连接逻辑单元，如图2所示，详细过程如下：
a)依据确定的元器件工作条件和环境条件与故障机理的对应关系，连接温度循环、
温度冲击、高温与真空失效，连接温度冲击、机械冲击与粘接老化，连接机械冲击与断裂；
b)依据确定的元器件工作条件和环境条件之间的相互激发的关系，连接温度冲击与高温；
c)依据确定的元器件典型故障位置与故障机理的对应关系，连接杜瓦和温度冲击、温度循环、机械冲击与高温条件。
步骤二：收集故障机理分析实例数据，建立算法的训练集，以微电子器件为例详细过程如下，其余类型元器件算法训练集建立方法相同：
a.按照元器件类别将微电子器件故障机理分析实例分类储存；
b.数据化微电子器件故障机理分析实例结果如表2所示，过程的具体细节如下：
1)对每种元器件的故障机理分析实例提取出故障机理，并将发生的故障机理标记为数值1，未发生的故障机理标记为数值0，不确定发生与否的故障机理标记为数值0.5；
2)对每种元器件的故障机理分析实例提取出工作条件和环境条件，并将存在的条件标记为数值1，不存在的条件标记为数值0，不确定存在与否的条件标记为数值0.5；
3)对每种元器件的故障机理分析实例提取出发生故障部位，并将发生故障的部位标记为数值1，未发生故障的部位标记为数值0，不确定发生与否的部位标记为数值0.5。
c.将各种元器件的数据化故障机理分析实例储存为Excel数据包，以便用作使用matlab编写的机器学习算法的训练数据。
步骤三：对某型电子控制器建立信息不完整情况下的故障机理推理过程。详细流程如下所示：
对某型电子控制器包含的不同种元器件的推理逻辑规则分别转化为相应的贝叶斯网络拓扑结果如图3所示，图3b为钽电容的故障机理推理贝叶斯网络；图3c为集成电路的故障机理推理贝叶斯网络；图3d为金属膜电阻的故障机理推理贝叶斯网络；图3e为厚膜表贴电阻的故障机理推理贝叶斯网络；图3f为线绕电阻器的故障机理推理贝叶斯网络；图3g为二极管的故障机理推理贝叶斯网络；图3h为双极晶体管的故障机理推理贝叶斯网络；图3i为CMOS的故障机理推理贝叶斯网络；图3j为MOS的故障机理推理贝叶斯网络；
以陶瓷电容为例具体步骤如下，其余类型元器件贝叶斯网络拓扑建立方法相同：
1)将陶瓷电容的推理逻辑规则的逻辑节点按照升序编号，命题符号P代表的故障典型位置为陶瓷电容，命题符号Q代表的工作环境条件包括相对湿度、温度循环、温度冲击、机械振动、高电压(流)、杂质污染、信号波纹电流不对称、介质分层、介质空洞和电极结瘤，命题符号S代表的可能发生的故障机理包括介质老化、瓷介质缺陷通道致低压短路、疲劳裂纹初始、疲劳裂纹扩展、银迁移和电容击穿。按照上述顺序从1到17为每个节点标号；
2)使用二维矩阵来表示陶瓷电容节点间连接的相互关系：
3)为每个子节点添加条件概率表，具有多个父节点的子节点条件概率表使用多条件的条件概率表示。
a.使用matlab中贝叶斯网络工具箱中函数赋予节点随机的条件概率，以相对湿度环境条件为例，代码如下bnet.CPD{f}＝tabular_CPD(bnet,f)；
b.使用贝叶斯网络工具箱函数构建联合树推理引擎，具体代码为：
engine1＝jtree_inf_engine(bnet1)，其中bnet1表示由陶瓷电容故障机理推理规则组成的贝叶斯网络。
步骤四：使用收集的故障机理分析实例数据训练贝叶斯网络，通过EM算法和神经网络算法修正贝叶斯网络节点条件概率得到修正后的贝叶斯网络推理模型，这里以某型电子控制器中的微电子器件为例具体流程如下，其余类型元器件训练贝叶斯网络步骤相同，微电子控制器的故障机理推理贝叶斯网络如图4所示：
a.使用EM算法对具有信息缺失的微电子器件故障实例分析数据进行贝叶斯网络节点条件概率的自学习，具体算法实现步骤如下：
1)预设EM算法迭代步数，需根据数据量的大小来估计满足收敛条件的迭代步数，设定迭代步数为5步；
2)使用收集到的具有信息缺失的60例数据化的故障机理分析实例数据作为算法的训练集；
3)预运行EM算法进行贝叶斯网络节点条件概率的训练，以收敛为目标，更改迭代步数为20步，发现训练的结果收敛，确定迭代步数为20；
4)将训练得到的贝叶斯网络节点条件概率返回前述贝叶斯网络，代替节点随机生成的条件概率表，如表3所示。
b.使用神经网络算法对上一步骤中的训练后的贝叶斯网络中无父节点的节点的节点概率进行修正，得到修正后的贝叶斯网络，具体步骤如下：
1)定义神经网络的训练速度和训练函数，依据收敛速度以及训练时长选择适用于中度模型的Levenberg-Marquardt算法，为保证系统的稳定性以及收敛性选择较小的学习率，但考虑到训练速度学习率不宜过小，本方法选用训练速度为0.05；
2)建立神经网络，输出层神经元个数由可能的故障机理数量确定为10个神经元，输入层神经元个数由元器件信息、工作环境条件个数确定为18个，隐含层设置为单层，共有30个神经元；
3)初始化神经网络权值和阈值，根据贝叶斯网络结构的复杂程度进和数据量的大小选择对前馈神经网络选用matlab神经网络工具箱中的newff函数建立，从而自动生成初始权值和阈值；
4)设置训练结束参数，设置训练结束参数即均方误差为小于0.005，最大循环数为500，其余结束参数默认为：Validation Checks最小确认失败次数为6，Gradient神经网络训练结束于训练结果的梯度小于1.00e-7。
c.训练神经网络结果如图5所示；
d.使用训练得到的神经网络神经元的权系数来修正贝叶斯网络无父节点的节点条件概率，具体计算结果如表2所示
步骤五：根据用户给出的元器件信息、环境条件和工作条件使用修正后的贝叶斯网络进行故障机理的推理，具体步骤如下：
a.用户给出元器件类型陶瓷电容、钽电容、集成电路、金属膜电阻、厚膜表贴电阻、线绕电阻、二极管、双极晶体管、CMOS和MOS，选用相应元器件的贝叶斯推理网络；
b.根据环境条件和工作条件，给出潮湿、高温、振动、高电压(大电流)逻辑值为“真”，其余条件逻辑值为“未知”。对于条件逻辑值为“真”的条件赋予数值为2，为“未知”的条件不赋予数值，从而形成一个证据集合；
c.将证据作为输入，进行故障机理概率推理，具体步骤如下：
1)将电子元器件信息和存在的环境条件、工作条件组成一个证据集合，使用数值2表示这个证据存在，对于不确定的证据表示为空，使用matlab贝叶斯网络工具箱伪代码表示为evidence{潮湿、高温、振动、高电压(大电流)}＝2；
2)将证据集合输入修正后的贝叶斯网络进行推理，伪代码表示为[engine2,loglike]＝enter_evidence(联合树引擎,证据集合)；
求解每一种可能发生的故障机理的概率如图6，其中图6a为陶瓷电容的分析结果；图6b为钽电容的分析结果；图6c为集成电路的分析结果；图6d为金属膜电阻的分析结果；图6e为厚膜表贴电阻的分析结果；图6f为线绕电阻器的分析结果；图6g为二极管的分析结果；图6h为双极晶体管的分析结果；图6i为CMOS的分析结果；图6j为MOS的分析结果；
3)输出故障机理发生概率大于0.7或者在所有可能的故障机理中发生概率前三的机理名称，分析结果如表4所示。
表4某型电子控制器故障机理推理系统分析结果
注：推理计时包括自学习时间
电子产品的FMMEA工作，产品工作环境信息、设计信息、失效数据信息不完整的现象十分常见，这也使得传统的单一智能推理算法无法完成自学习和推理任务，本文提出的将贝叶斯推理与深度学习相结合的方法能够有效的解决这一问题，利用不完整的失效数据完成贝叶斯网络节点参数的自学习，使用自学习后的贝叶斯网络对证据条件缺失情况下的故障机理触发过程进行推理，推理结果与专家分析结果相似度达84.8％，具有可信性。
依据本文提出的方法构建的电子元器件故障机理分析工具能够比专家更高效地完成故障机理的分析，为实现智能化可靠性分析打下了基础。这一工具能够在实际使用中辅助设计工程师在研制阶段进行电子元器件的可靠性设计和失效分析，解决由于领域内专家缺少导致可靠性分析工作开展困难的问题，缩短研发时间。并且随着故障机理实例的收集以及电子元器件故障机理研究的完善，推理系统的推理能力和准确度能够得到进一步的提高，具有自学习能力。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法，其特征在于：其包括以下步骤：
S1、获得电子产品故障机理推理逻辑规则，具体包括以下步骤：
S11、收集整理电子产品元器件信息、电子元器件故障机理以及故障机理的触发条件；
S12、建立电子元器件故障机理对应数据库；
S13、使用谓词逻辑表示法建立逻辑关系表示规则；
S2、收集故障机理分析实例数据，建立算法的训练集，具体包括以下步骤：
S21、按照元器件类别将故障机理分析实例分类储存；
S22、对S21得到的数据化故障机理进行分析，获取各种元器件的数据化故障机理分析实例；
S23、将各种元器件的数据化故障机理分析实例储存为数据包，作为深度学习算法的训练数据；
S3、建立信息不完整情况下的故障机理推理过程，具体包括以下步骤：
S31、对不同种元器件将推理逻辑规则分别转化为贝叶斯网络拓扑，具体步骤如下：
S311、将每一种元器件的推理逻辑规则的逻辑节点按照升序编号进行排列；
S312、使用二维矩阵来表示节点间连接的相互关系：
式中k代表网络节点总数，代表第i号节点与第j号节点的连接关系，若为1则表示相连，若为0则表示无连接；
S313、为每个子节点添加条件概率表，具有多个父节点的子节点条件概率表使用多条件的条件概率表示；
S32、赋予节点随机的条件概率；
S33、构建联合树推理引擎；
S4、使用收集的故障机理分析实例数据训练贝叶斯网络，通过EM算法和神经网络算法修正贝叶斯网络节点条件概率得到修正后的贝叶斯网络推理模型，具体包括以下步骤：
S41、使用EM算法对具有信息缺失的故障实例分析数据进行贝叶斯网络节点条件概率的自学习；
S42、使用神经网络算法对上一步骤中的训练后的贝叶斯网络中无父节点的节点条件概率进行修正，得到修正后的贝叶斯网络推理模型；
S43、使用训练得到的神经网络神经元的权系数来修正贝叶斯网络推理模型中无父节点的节点条件概率；
S5、根据选定的元器件信息、环境条件和工作条件使用修正后的贝叶斯网络推理模型进行故障机理的推理，具体步骤如下：
S51、根据选定的元器件类型，选用相应元器件的贝叶斯推理网络；
S52、根据环境条件和工作条件，给出故障机理推理证据，对于条件逻辑值为真的条件赋予数值为2，为假的条件赋予数值为1，为未知的条件不赋予数值，从而形成一个证据集合；
S53、将证据集合作为输入，进行故障机理概率推理。
2.根据权利要求1所述的基于贝叶斯网络和深度学习算法的故障机理智能分析方法，其特征在于：S12具体包括以下步骤：
S121、归纳元器件的分类信息以及典型的故障位置；
S122、罗列出电子产品的实际使用过程中所有的环境条件和工作条件；
S123、依据整理的电子元器件信息、故障机理以及机理的触发条件，确定典型故障位置与故障机理的对应关系、确定工作条件和环境条件与故障机理的对应关系、确定工作条件和环境条件之间的相互激发的关系，并在数据库表格中将如上关系以自定义的符号格式表示出来。
3.根据权利要求2所述的基于贝叶斯网络和深度学习算法的故障机理智能分析方法，其特征在于：S13具体包括以下步骤：
S131、使用命题符号P表示元器件的典型部位逻辑单元；
S132、使用命题符号Q表示元器件的工作环境条件逻辑单元，并根据电子元器件的环境条件、工作条件与可能发生的故障机理的相互关系赋予Q逻辑单元内不同证据单元真或假的逻辑值；
S133、使用命题符号S表示元器件的故障机理的推理结果逻辑单元；
S134、使用箭头按照推理的顺序连接逻辑单元。
4.根据权利要求3所述的基于贝叶斯网络和深度学习算法的故障机理智能分析方法，其特征在于：步骤S134具体包括以下步骤：
a、依据确定的元器件工作条件和环境条件与故障机理的对应关系，连接命题符号Q内部和S内部所包含的逻辑单元；
b、依据确定的元器件工作条件和环境条件之间的相互激发的关系，连接命题符号Q内部包含的逻辑单元；
c、依据确定的元器件典型故障位置与故障机理的对应关系，连接命题符号P内部包含的逻辑单元与和相应故障机理有连接关系的工作环境条件逻辑单元。
5.根据权利要求1所述的基于贝叶斯网络和深度学习算法的故障机理智能分析方法，其特征在于：S22具体包括以下步骤：
S221、对每种元器件的故障机理分析实例提取出故障机理，并将发生的故障机理标记为数值1，未发生的故障机理标记为数值0，不确定发生与否的故障机理标记为数值0.5；
S222、对每种元器件的故障机理分析实例提取出工作条件和环境条件，并将存在的条件标记为数值1，不存在的条件标记为数值0，不确定存在与否的条件标记为数值0.5；
S223、对每种元器件的故障机理分析实例提取出发生故障部位，并将发生故障的部位标记为数值1，未发生故障的部位标记为数值0，不确定发生与否的部位标记为数值0.5。
6.根据权利要求1所述的基于贝叶斯网络和深度学习算法的故障机理智能分析方法，其特征在于：S33具体包括以下步骤：
S331、定义联合树簇之间的消息传递过程做概率传递，消息传递过程涉及两个概率变化——边缘化和联合化，若用ψXJ表示XJ发生的概率，通过下面公式来计算XJ对于XI的边缘概率：
若XI和XJ表示两个变量集合，用ψXJ、ψXI分别表示XJ、XI发生的概率，通过下式来计算XI∪XJ的联合概率：
S332、依据联合树上的消息传递过程求解条件概率，初始时，分离节点不具有任何信息，只有当簇Ci除了Cj→Ci以外接受信息都饱和的条件下才能传递信息给Cj，簇Ci的输出为：
式中ψi表示Ci的先验概率，ne(Ci)表示Ci相邻簇，联合树加入新证据后，通过联合树中节点间的信息传递，使联合树满足全局一致性，树中所有节点满足：
从而计算出条件概率P(X|E)的最终结果。
7.根据权利要求1所述的基于贝叶斯网络和深度学习算法的故障机理智能分析方法，其特征在于：步骤S41具体包括以下步骤：
S411、预设EM算法迭代步数，需根据数据量的大小来估计满足收敛条件的迭代步数，一般为5-20步；
S412、使用收集到的数据化的故障机理分析实例数据作为算法的训练集；
S413、预运行EM算法进行贝叶斯网络节点条件概率的训练，以收敛为目标，更改迭代步数，直至训练的结果收敛；
S414、将训练得到的贝叶斯网络节点条件概率返回前述贝叶斯网络，代替节点随机生成的条件概率表。
8.根据权利要求1所述的基于贝叶斯网络和深度学习算法的故障机理智能分析方法，其特征在于：步骤S42具体包括以下步骤：
S421、定义神经网络的训练速度和训练函数，训练速度设置为0.01-0.5，常见的训练函数算法包括梯度下降法、有动量的梯度下降法、自适应LR动量梯度下降法、强适应性BP算法、量化共轭梯度算法、拟牛顿算法、Levenberg-Marquardt算法等；
S422、建立神经网络，确定网络输入层、隐含层和输出层节点个数与层数，输入层节点个数需要与数据中元器件信息、工作环境条件个数相同，输出节点个数要与数据中故障机理的个数相同，隐含层层数和神经元数根据训练结果进行调整；
S423、初始化神经网络权值和阈值，权值和阈值的选择需要根据训练结果不断调整，一般为随机取值；
S424、设置训练结束参数，设置训练均方误差小于某一个值时训练停止，或者梯度小于某一个值。
9.根据权利要求1所述的基于贝叶斯网络和深度学习算法的故障机理智能分析方法，其特征在于：步骤S43具体包括以下步骤：
使用神经网络网络各层神经元的权系数计算绝对影响系数，代替各个无父节点的节点的先验概率，具有可信性，绝对影响系数Sij的计算如下所示：
Rij＝|(1-e-y)/(1+e-y)| y＝rij；
式中i为神经网络的输入单元，i＝1,…,m；j为神经网络的输出单元，j＝1,…,n；k为神经网络的隐层单元，k＝1,…,p；Wki为输入层神经元i与隐含层神经元k之间的权系数；Wki为隐含层神经元k与输出层神经元之间的权系数。
10.根据权利要求1所述的基于贝叶斯网络和深度学习算法的故障机理智能分析方法，其特征在于：步骤S53具体包括以下步骤：
S531、将电子元器件信息和存在的环境条件、工作条件组成一个证据集合，使用数值1表示这个证据不存在，使用数值2表示这个证据存在，对于不确定的证据表示为空；
S532、将证据集合输入修正后的贝叶斯网络进行推理；
S533、求解每一种可能发生的故障机理的概率，输出故障机理发生概率大于0.7或者在所有可能的故障机理中发生概率前三的故障机理名称。
CN201810982243.8A 2018-08-27 2018-08-27 一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法 Active CN109063841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810982243.8A CN109063841B (zh) 2018-08-27 2018-08-27 一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810982243.8A CN109063841B (zh) 2018-08-27 2018-08-27 一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法

Publications (2)

Publication Number Publication Date
CN109063841A true CN109063841A (zh) 2018-12-21
CN109063841B CN109063841B (zh) 2020-07-03

Family

ID=64756232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810982243.8A Active CN109063841B (zh) 2018-08-27 2018-08-27 一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法

Country Status (1)

Country Link
CN (1) CN109063841B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032463A (zh) * 2019-03-01 2019-07-19 阿里巴巴集团控股有限公司 一种基于贝叶斯网络的系统故障定位方法和系统
CN111343260A (zh) * 2020-02-19 2020-06-26 北京航空航天大学 一种用于多云部署的流处理系统容错方法
WO2020206876A1 (zh) * 2019-04-08 2020-10-15 清华大学 学习分离表征的图卷积神经网络构建方法及装置
CN112614009A (zh) * 2020-12-07 2021-04-06 国网四川省电力公司电力科学研究院 一种基于深度期望q-学习的电网能量管理方法及系统
CN114330069A (zh) * 2021-12-31 2022-04-12 福州大学 深度神经网络和贝叶斯网络耦合建网的结构安全评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020156549A1 (en) * 2001-04-20 2002-10-24 Shunji Hayashi Controlling method for manufacturing process
CN102651054A (zh) * 2012-04-10 2012-08-29 北京航空航天大学 一种基于贝叶斯理论的电子产品寿命模型概率化方法
CN103577707A (zh) * 2013-11-15 2014-02-12 上海交通大学 一种利用多模式融合推理的机器人故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020156549A1 (en) * 2001-04-20 2002-10-24 Shunji Hayashi Controlling method for manufacturing process
CN102651054A (zh) * 2012-04-10 2012-08-29 北京航空航天大学 一种基于贝叶斯理论的电子产品寿命模型概率化方法
CN103577707A (zh) * 2013-11-15 2014-02-12 上海交通大学 一种利用多模式融合推理的机器人故障诊断方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032463A (zh) * 2019-03-01 2019-07-19 阿里巴巴集团控股有限公司 一种基于贝叶斯网络的系统故障定位方法和系统
CN110032463B (zh) * 2019-03-01 2024-02-06 创新先进技术有限公司 一种基于贝叶斯网络的系统故障定位方法和系统
WO2020206876A1 (zh) * 2019-04-08 2020-10-15 清华大学 学习分离表征的图卷积神经网络构建方法及装置
CN111343260A (zh) * 2020-02-19 2020-06-26 北京航空航天大学 一种用于多云部署的流处理系统容错方法
CN111343260B (zh) * 2020-02-19 2021-05-28 北京航空航天大学 一种用于多云部署的流处理系统容错方法
CN112614009A (zh) * 2020-12-07 2021-04-06 国网四川省电力公司电力科学研究院 一种基于深度期望q-学习的电网能量管理方法及系统
CN112614009B (zh) * 2020-12-07 2023-08-25 国网四川省电力公司电力科学研究院 一种基于深度期望q-学习的电网能量管理方法及系统
CN114330069A (zh) * 2021-12-31 2022-04-12 福州大学 深度神经网络和贝叶斯网络耦合建网的结构安全评估方法

Also Published As

Publication number Publication date
CN109063841B (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN109063841A (zh) 一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法
JP4865925B2 (ja) 知識ベースシステム、論理演算方法、プログラム、及び記録媒体
CN103268495B (zh) 计算机系统中基于先验知识聚类的人体行为建模识别方法
Pronobis et al. Large-scale semantic mapping and reasoning with heterogeneous modalities
CN109543180A (zh) 一种基于注意力机制的文本情感分析方法
Tadeusiewicz Introduction to intelligent systems
Floridi Semantic information and the network theory of account
CN110297908A (zh) 诊疗方案预测方法及装置
EP3920048A1 (en) Method and system for automated visual question answering
CN106055718B (zh) 一种针对机器人自主学习的输出内容过滤方法及机器人
CN115099219A (zh) 一种基于增强图卷积神经网络的方面级情感分析方法
JP7393060B2 (ja) 注意メカニズムを融合したパーソナライズド検索方法及び検索システム
Zhang et al. Active information fusion for decision making under uncertainty
Vats et al. Automation and Computation: Proceedings of the International Conference on Automation and Computation,(AutoCom 2022), Dehradun, India
Browne et al. Integrating textual analysis and evidential reasoning for decision making in engineering design
Daho et al. Recognition of diabetes disease using a new hybrid learning algorithm for nefclass
Setiawan Fuzzy decision support system for coronary artery disease diagnosis based on rough set theory
Williamson The philosophy of science and its relation to machine learning
Khayut et al. Modeling, Planning, Decision-making and Control in Fuzzy Environment
Alexiadis et al. A Sensor-Independent Multimodal Fusion Scheme for Human Activity Recognition
CN104166873A (zh) 一种数据质量模糊表示下多目标微粒群特征选择方法
Baba et al. Introduction to Neural Networks Design Architecture
Hodashinsky et al. Design of fuzzy rule based classifier using the monkey algorithm
Mittal et al. Neutrosophic concept lattice based approach for computing human activities from contexts
Rezaei et al. Generating Contextual Weighted Commonsense Knowledge Graphs

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
GR01 Patent grant
GR01 Patent grant