CN109783500A

CN109783500A - 一种基于故障树和案例相似性的故障诊断方法

Info

Publication number: CN109783500A
Application number: CN201910052435.3A
Authority: CN
Inventors: 褚明; 赵晓飞
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications
Priority date: 2019-01-21
Filing date: 2019-01-21
Publication date: 2019-05-21

Abstract

本发明涉及一种基于故障树和案例相似性的故障诊断方法，该方法建立一种新的具有数据联系的故障树模型和案例库，其中包括基于故障树模型的诊断方法以及基于案例库的相似度诊断方法和故障树更新方法，实现在故障树模型诊断成功后对案例库数据进行更新以及在案例相似性方法诊断成功后对故障树模型数据进行更新，该方法克服了故障树难以更新和案例相似性方法需重复计算的问题。

Description

一种基于故障树和案例相似性的故障诊断方法

技术领域

本发明涉及故障诊断领域，具体指一种基于故障树和案例相似性的故障诊断方法。

背景技术

在早期对复杂系统故障问题进行诊断的过程中，产生了基于故障树的诊断方法，故障树将故障现象分为顶事件、中间事件及底事件并使用与、或逻辑门进行连接，构成了自顶向下的诊断流程，这十分切合人们对系统故障诊断专家知识的表示形式。然而随着系统复杂性的提升，构建较为完备的故障树需要工程人员对系统的全面了解和长时间调试，这将耗费大量的工作时间和精力。复杂系统的使用过程中会产生大量故障案例，利用这些案例可以在没有故障诊断专家知识的情况下，仅仅依靠算法得到相似案例，对故障原因做出判断，但是该方法需要重复计算且案例拥有相似性的本质仍然是因系统本身构造而产生的故障事件间的因果关系，可以寻求在案例相似性算法计算过程中找到更新故障树知识的方法。

发明内容

针对上述问题，本发明的目的是提供一种结合故障树和案例相似性的系统故障诊断方法，弥补两种方法的不足，实现故障诊断的准确性和高效性。方法的主要步骤是：

根据器械使用手册及已有案例，初步建立故障树模型数据和案例库数据；

在故障诊断时首先使用故障树模型进行诊断，如诊断成功，则更新案例库数据；

如故障树模型诊断不成功，则使用案例库进行诊断，如诊断成功，则依据计算结果对故障树模型数据进行更新。

故障树模型数据与案例库数据存在联系，案例库数据可划分为案例集C、现象集P、原因集R三部分，同一案例对应一至多个现象和原因，在诊断时利用案例和现象进行相似性匹配后使用相似案例对应的原因进行诊断。

故障树模型的要素主要分为顶事件、中间事件及底事件，其顶事件及中间事件数据对应于数据库中的现象集P，底事件对应于数据库中的原因集R，在诊断时使用树的结构关系进行推断。

在建立故障树模型时，将树中上下层事件关系简化为引用关系，实现在不同故障树中可以引用同一子树，降低了模型的重复数据和更新复杂度。

在故障树模型诊断时，当得到需诊断案例的若干个顶事件和中间事件(即故障现象)，对各个事件使用广度搜索策略，该策略同时从每个事件出发进行广度搜索，将其中位于故障树最低层的中间事件作为诊断的重要事件，把这些重要事件的底事件交集按照出现频次进行排序后作为诊断结果集，如诊断成功则更新底事件频次，如案例未在案例库中则将新案例添加至案例库；如诊断后底事件交集为空或诊断失败则标记各重要事件，跳转至案例相似性方法进行诊断。

故障树模型的更新即新的上下层事件关系的建立，为避免故障树模型中出现环状引用，需要对以下层事件为顶的子树进行广度遍历搜索，如未出现上层事件即可更新；

在使用案例相似性方法的诊断过程中，利用基于SIMRANK方法的相似性计算方法，首先建立相似案例矩阵，为降低矩阵稀疏性，根据需诊断案例的故障现象集合，在案例库中提取含有该集合元素的已有故障案例，取各案例中故障现象的并集，各案例以及需诊断案例以该并集建立矩阵。

根据已建立好的相似案例矩阵以及相似性计算公式，迭代计算案例及现象的相似度矩阵,并对各案例与需诊断案例的相似度和案例频次做归一化处理，排序后给出诊断结果；如诊断成功，则增加案例及原因频次，将新案例添加至数据库；如在故障树模型诊断过程中，标记为重要事件的现象间没有底事件交集，或底事件交集不包含正确的故障原因，则说明有部分重要事件因该故障原因引发，而在故障树模型中缺少该推断，所以根据现象相似度矩阵，可以得到这些重要事件与故障原因的因果推断，该推断知识在通过专家验证后可以对故障树数据进行更新。

附图说明

图1是本发明中基于故障树和案例相似性的故障诊断方法的流程图；

图2是本发明中故障树模型和案例库的结构和数据集关系图；

图3是本发明中实施实例提供的故障树模型示意图；

图4是本发明中实施实例依据图3中故障树模型进行诊断的流程图。

具体实施方式

本发明提供一种基于故障树和案例相似性的故障诊断方法，该方法诊断步骤如图1所示，下面结合实例对本发明进行详细的描述：

发明中设计了诊断所需的有数据联系的故障树模型和案例库，案例库数据分为案例集C、现象集P、原因集R三部分，同一案例对应一至多个现象和原因；故障树模型将数据分为顶事件、中间事件和底事件，一棵故障树包含一个顶事件和若干中间事件及底事件，顶事件和中间事件数据集对应于现象集P，底事件对应于原因集R，将树中的上下层事件关系简化为引用关系，实现在不同故障树中可以引用同一子树，降低了模型的重复数据和更新复杂度，故障树模型和案例库的结构和数据集关系如图2示例。

方法首先使用故障树模型进行诊断，具体步骤为：

当得到需诊断案例的若干个顶事件和中间事件(即故障现象)后，对各个事件使用广度搜索策略，该策略同时从每个事件出发进行广度搜索，将其中位于故障树最低层的中间事件作为诊断的重要事件。

将这些重要事件的底事件交集按照频次进行排序后作为诊断结果集，如诊断成功则更新底事件频次，如案例未在案例库中则将新案例添加至案例库；如诊断后底事件交集为空或诊断失败则标记各重要事件，跳转至案例相似性诊断方法，在具体的诊断案例中，通过图3所示的故障树模型，有图4所示的诊断流程。

若使用故障树模型未获得有效诊断结果，则使用案例相似性诊断方法，具体步骤为：

为获取案例与现象相似度矩阵，需首先建立相似案例矩阵(a_ij)_m×n，为降低矩阵稀疏性，根据需诊断案例的故障现象集合，在知识库中提取含有该集合元素的已有故障案例，取各案例中故障现象的并集U，各案例以及需诊断案例以该并集U建立矩阵，矩阵元素a_ij取值为

相似性计算中现象与案例互为计算依据，根据已建立好的相似案例矩阵以及相似性计算公式每次计算一遍案例相似度矩阵(c_ij)_m×m和现象相似度矩阵(p_ij)_n×n，迭代k次得到最终结果。在(c_ij)_m×m的计算中，c_ij＝s(i,j)，表示案例i与案例j的相似度，O_s(i)和O_t(j)分别表示案例i含有的现象s和案例j含有的现象t，s(O_s(i),O_t(j))表示其相似度，若现象s和现象t分别对应于(a_ij)_m×n中的第g个现象和第h个现象，则s(O_s(i),O_t(j))＝p_gh，|O(i)|和|O(j)|分别表示案例i和j包含的现象个数，|O(i)|＝c为阻尼系数，取系数c＝0.8。其中，k＝0时(c_ij)_m×m＝diag(1,1,...,1)，(p_ij)_n×n＝diag(1,1,...,1)；(p_ij)_n×n的计算与此类似，该方法具有很好的收敛性，在k＝5的时候即可达到较好的计算效果。

在得到案例相似度矩阵(c_ij)_m×m后即得到了各案例与需诊断案例的相似度，根据公式对各案例与需诊断案例的相似度以及案例频次做归一化处理，由S_i值排序后给出诊断结果,其中s_i表示需诊断案例与第i个案例的相似度，s_max表示需诊断案例与其他案例的最大相似度，s_min表示需诊断案例与其他案例的最小相似度，f_i表示第i个案例的出现频次，f_max表示所有案例频次中的最大频次，f_min表示所有案例频次中的最小频次，其中相似度作为主要评价指标，其归一化值乘以系数0.8，案例频次作为次要评价指标，其归一化值乘以系数0.2，其和为综合两个评价指标的归一化值S_i；如诊断成功，则增加原案例及原因频次，将新案例添加进案例库。如在故障树模型诊断过程中，标记为重要事件的现象间没有底事件交集，或底事件交集不包含正确的故障原因，则说明有部分重要事件因该故障原因引发，而在故障树模型中缺少该推断，所以根据现象相似度矩阵，可以得到这些重要事件与故障原因的因果推断，该推断知识在通过专家验证后可以对故障树数据进行更新，具体步骤为：

在故障树模型诊断过程中已经得到所有重要事件，可以将这些重要事件分为底事件集合包括正确诊断结果的重要事件集U和底事件集合不包括正确诊断结果的重要事件集V，则V中事件在故障树中都不能推断出正确的故障原因，应是U中事件或其下层事件导致V中事件的发生，需要找到每个与V中事件最相关的U中事件，并以此更新故障树。根据现象相似度矩阵(p_ij)_n×n，对V中每个事件使用公式将其与其他事件的现象相似度进行归一化处理，其中，p_i表示该重要事件与第i个事件的现象相似度，p_max表示该重要事件与其他事件的现象相似度的最大值，p_min表示该重要事件与其他事件的现象相似度的最小值。对于V中每个事件a，都可以根据P_i值找到它在U中最相关的事件b，则最可能是事件b或b的某下层事件导致事件a的发生，它们应在故障树中具有因果推断关系，该推断知识在通过专家验证后即可对故障树模型数据进行更新。故障树模型的更新即新的上下层事件关系的建立，为避免模型中出现环状引用，需要对以下层事件为顶的子树进行广度遍历搜索，如未出现上层事件即可更新。

Claims

1.一种基于故障树和案例相似性的故障诊断方法，包括以下步骤：

根据器械使用手册及已有案例，初步建立案例库和故障树模型数据；

在故障诊断时根据提供的若干故障现象，首先使用故障树模型进行诊断，如诊断成功，则更新案例库数据；

如故障树模型无有效诊断，则使用案例相似性方法进行诊断，如诊断成功，则依据计算结果对故障树模型数据进行更新。

2.如权利要求1所述的故障树模型及案例库，其特征为：

故障树模型数据与案例库数据存在联系，案例库数据可划分为案例集、现象集、原因集三部分，同一案例对应一至多个现象和原因，在诊断时使用案例和现象进行相似性匹配后使用相似案例对应原因进行诊断；

故障树模型的要素主要分为顶事件、中间事件及底事件，其顶事件及中间事件数据对应于数据库中的现象集，底事件对应于数据库中的原因集，在诊断时使用树的结构关系进行推断。

3.如权利要求1及2所述的故障树模型的建立、诊断和更新方法，其特征为：

在建立故障树模型时，将树中上下层事件关系简化为引用关系，实现在不同故障树中可以引用同一子树，降低了模型的重复数据和更新复杂度；

在该模型诊断时，当得到需诊断案例的若干个顶事件和中间事件(即故障现象)后，对各个事件使用广度搜索策略，该策略同时从每个事件出发进行广度搜索，将其中位于故障树最低层的中间事件作为诊断的重要事件，把这些重要事件的底事件交集按照出现频次进行排序后作为诊断结果集，如诊断成功则更新底事件频次，如案例未在案例库中则将新案例添加至案例库；如诊断后底事件交集为空或诊断失败则标记各重要事件，跳转至案例相似性方法进行诊断；

故障树模型的更新即新的上下层事件关系的建立，为避免故障树模型中出现环状引用，需要对以下层事件为顶的子树进行广度遍历搜索，如未出现上层事件即可更新。

4.如权利要求1及2所述的基于案例相似性的故障诊断方法和故障树更新方法，其特征为：

在诊断过程中，使用基于SIMRANK方法的相似性计算方法，首先建立相似案例矩阵，为降低矩阵稀疏性，根据需诊断案例的故障现象集合，在案例库中提取含有该集合元素的已有故障案例，取各案例中故障现象的并集，各案例以及需诊断案例以该并集建立矩阵；

根据已建立好的相似案例矩阵以及相似性计算公式，迭代计算案例及现象的相似度矩阵，对各案例与需诊断案例的相似度和案例频次做归一化处理，排序后给出诊断结果；如诊断成功，则增加案例及原因频次，将新案例添加进入数据库，如在故障树模型诊断过程中，标记为重要事件的现象间没有底事件交集，或底事件交集不包含正确的故障原因，则说明有部分重要事件因该故障原因引发，而在故障树模型中缺少该推断，所以根据现象相似度矩阵，可以得到这些重要事件与故障原因的因果推断，该推断知识在通过专家验证后可以对故障树数据进行更新。