CN112819028B - 基于故障诊断模型的医用新风系统故障诊断方法 - Google Patents
基于故障诊断模型的医用新风系统故障诊断方法 Download PDFInfo
- Publication number
- CN112819028B CN112819028B CN202011595315.7A CN202011595315A CN112819028B CN 112819028 B CN112819028 B CN 112819028B CN 202011595315 A CN202011595315 A CN 202011595315A CN 112819028 B CN112819028 B CN 112819028B
- Authority
- CN
- China
- Prior art keywords
- fault
- event
- layer
- fresh air
- air system
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012512 characterization method Methods 0.000 claims abstract description 40
- 238000013507 mapping Methods 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 35
- 230000001364 causal effect Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 description 30
- 238000009434 installation Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 239000003814 drug Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000000903 blocking effect Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 206010011409 Cross infection Diseases 0.000 description 2
- 206010029803 Nosocomial infection Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于故障诊断模型的医用新风系统故障诊断方法，通过建立故障诊断模型用以指示不同故障表征事件和系统工作状态信息分别与其各自关联的不同故障原因事件之间的发生概率、以及不同的故障原因事件与其关联的不同故障点事件之间的发生概率，从而可以借助故障诊断模型分析得到医用新风系统在当前故障表征事件以及当前系统工作状态信息状态下关联的故障点事件发生概率诊断结果，避免了依赖人工现场进行故障定位造成的准确定不可确定、诊断的经验知识难以复用、故障判定时间长等问题，提高了对医用新风系统的故障诊断定位的准确性和效率，为医用新风系统的智能化故障诊断提供一种切实可行的解决方案。
Description
技术领域
本发明涉及新风系统故障检测技术领域，具体涉及一种基于故障诊断模型的医用新风系统故障诊断方法。
背景技术
当前，医院作为大型公共服务场所，具有流动量大、病人集中、人员情况复杂、人员身体健康状况及抵抗力差异性大等特点，较差的空气品质可能导致细菌、病毒等的传播扩散，容易造成医生与患者之间、患者与患者之间的交叉感染，新风系统通过加大室内新风的补充量，保持病房内空气流通，实现对空气内有害物质的有效控制，新风系统的正常运行对于控制医院交叉感染、提升医院整体服务质量等具有重要的意义。同时，为提高医疗卫生的整体服务质量，需要开展一系列的医疗卫生服务建设、改革措施，并且随着计算机信息网络技术的发展，需要积极运用各类新技术、新模式、新手段提升医疗服务水平和质量，对于医疗机构而言，也非常需要积极运用各类互联网技术，提升医疗机构基础设施保障能力与整体服务质量。
医用新风系统的故障维修是其运维工作的重点，但是通常情况下，医用新风系统的安装地域分布广，单纯依赖故障出现后的“事后”维护已难以满足医院对新风系统运行可靠性的需求，医院也无法承受新风系统长时间故障停机导致的空气品质下降问题；同时，医用新风系统设备种类多，故障类型复杂，单纯依赖人工现场进行故障定位效果不佳，故障诊断的经验知识也不能被有效积累和复用。这些因素，导致目前医用新风系统存在故障诊断定位效果差、效率及精确度低等问题，亟待得以解决。
发明内容
针对现有技术存在的上述不足，本发明要解决的技术问题是如何提供一种基于故障诊断模型的医用新风系统故障诊断方法，以解决目前医用新风系统存在的故障诊断定位效果差、效率及精确度低等问题，为医用新风系统的智能化故障诊断提供一种解决方案。
为解决上述技术问题，本发明采用了如下的技术方案：
基于故障诊断模型的医用新风系统故障诊断方法，包括如下步骤：
获取医用新风系统的当前故障表征事件以及当前系统工作状态信息；
将当前故障表征事件和当前系统工作状态信息输入至故障诊断模型；所述故障诊断模型用以指示不同故障表征事件和系统工作状态信息分别与其各自关联的不同故障原因事件之间的发生概率、以及不同的故障原因事件与其关联的不同故障点事件之间的发生概率；
所述故障诊断模型输出关联的故障点事件发生概率诊断结果。
上述基于故障诊断模型的医用新风系统故障诊断方法中，作为优选方案，所述故障诊断模型基于故障树和贝叶斯网络建立，其建立方法是，基于医用新风系统中的故障表征事件以及系统工作状态信息各自与不同故障原因事件之间的关联关系和关联发生概率、以及不同故障原因事件与不同故障点事件之间的关联关系和关联发生概率而构建故障树，然后将故障树映射到贝叶斯网络，构建形成故障诊断模型。
上述基于故障诊断模型的医用新风系统故障诊断方法中，作为优选方案，构建故障树的具体步骤为：
1.1)统计医用新风系统中的各种故障表征事件，每种所述故障表征事件用于指示医用新风系统出现故障后引发的一种表征事件；
1.2)统计医用新风系统中的各种第一层故障原因事件，每种所述第一层故障原因事件用于指示医用新风系统中引发出现一种或多种故障表征的一种初层原因事件；并根据各故障表征事件与各第一层故障原因事件之间的因果逻辑关系，通过逻辑门建立每种故障表征事件与其存在因果逻辑的第一层故障原因事件之间的关联关系；
1.3)统计医用新风系统中的各种第二层原因事件，每种所述第二层故障原因事件用于指示医用新风系统中引发出现一种或多种第一层故障原因事件的一种主层原因事件；并根据各第一层故障原因事件与各第二层故障原因事件之间的因果逻辑关系，通过逻辑门建立每种第一层故障原因事件与其存在因果逻辑的第二层故障原因事件之间的关联关系；
1.4)统计医用新风系统中的各种故障点事件，每种所述故障点事件用于指示医用新风系统中引发出现一种或多种第二层故障原因事件的一种根本故障原因点；并根据各第二层故障原因事件与各故障点事件之间的因果逻辑关系，通过逻辑门建立每种第二层故障原因事件与其存在因果逻辑的故障点事件之间的关联关系；
1.5)通过分析确定医用新风系统中的各故障表征事件与各第一层故障原因事件之间、各第一层故障原因事件与各第二层故障原因事件之间、以及各第二层故障原因事件与各故障点事件之间的关联发生概率；
1.6)统计医用新风系统中的各种系统工作状态信息，每种所述系统工作状态信息用于指示医用新风系统中能够直接表征一种或多种第二层故障原因事件是否出现的一种工作状态信息，并分析确定各种系统工作状态信息各自与第二层故障原因事件之间的直接表征关系；
1.7)至此医用新风系统的故障树建立完成。
上述基于故障诊断模型的医用新风系统故障诊断方法中，作为优选方案，所述各故障表征事件与各第一层故障原因事件之间、各第一层故障原因事件与各第二层故障原因事件之间、以及各第二层故障原因事件与各故障点事件之间的关联发生概率，预先通过先验知识分析统计得到。
上述基于故障诊断模型的医用新风系统故障诊断方法中，作为优选方案，将故障树映射到贝叶斯网络的具体步骤为：
2.1)将故障树中每种故障表征事件分别映射为贝叶斯网络中的一个叶节点，将故障树中每种第一层故障原因事件分别映射为贝叶斯网络中的一个第一层中间节点，将故障树中每种第二层故障原因事件分别映射为贝叶斯网络中的一个第二层中间节点，将故障树中每种故障点事件分别映射为贝叶斯网络中的一个根节点；映射中，针对于故障树中重复存在的相同事件映射为贝叶斯网络中的同一个节点；
2.2)将故障树中描述各事件之间关联关系的各逻辑门分别映射为贝叶斯网络中各相应节点之间连接的有向边，从而通过有向边建立贝叶斯网络中各节点之间各自对应的父子节点连接关系，使之与故障树中各相应事件之间关联关系对应的逻辑门输入、输出关系相一致；
2.3)将故障树中各事件之间的关联发生概率映射为贝叶斯网络中各对应节点之间的连接概率，进而统计得到贝叶斯网络中各对应节点之间的条件概率表；
2.4)将故障树中各系统工作状态信息各自与第二层故障原因事件之间的直接表征关系分别映射为贝叶斯网络中对应第二层中间节点中的概率更新决策因子，用以在相应系统工作状态信息出现时直接更新其直接表征的第二层故障原因事件所映射的第二层中间节点的发生概率为100％或0；
2.5)至此完成贝叶斯网络的映射，并将映射完成的贝叶斯网络作为所构建形成的故障诊断模型。
上述基于故障诊断模型的医用新风系统故障诊断方法中，作为优选方案，故障诊断模型输出对应的故障点事件发生概率诊断结果的处理流程包括如下步骤：
3.1)获取输入的当前故障表征事件和当前系统工作状态信息；
3.2)根据当前故障表征事件更新故障诊断模型中的各叶节点状态；
3.3)基于步骤3.2)更新后的各叶节点状态，根据故障诊断模型中各节点之间各自对应的父子节点连接关系以及条件概率表，推演更新故障诊断模型中各第一层中间节点和第二层中间节点的发生概率；
3.4)根据当前系统工作状态信息更新故障诊断模型中各第二层中间节点中的概率更新决策因子，进而再次更新故障诊断模型中各第二层中间节点的发生概率；
3.5)基于步骤3.4)更新后的各第二层中间节点的发生概率，进一步推演更新故障诊断模型中各根节点的发生概率；
3.6)将步骤3.4)推演更新得到的各根节点的发生概率转换为对应的各故障点事件的发生概率，作为故障点事件发生概率诊断结果加以输出。
上述基于故障诊断模型的医用新风系统故障诊断方法中，作为优选方案，所述步骤3.6)中，是将各故障点事件的发生概率按照从高到低的顺序排列后，再作为故障点事件发生概率诊断结果加以输出。
相比于现有技术，本发明的有益效果在于：
1、本发明基于故障诊断模型的医用新风系统故障诊断方法，通过建立故障诊断模型用以指示不同故障表征事件和系统工作状态信息分别与其各自关联的不同故障原因事件之间的发生概率、以及不同的故障原因事件与其关联的不同故障点事件之间的发生概率，从而可以借助故障诊断模型分析得到医用新风系统在当前故障表征事件以及当前系统工作状态信息状态下关联的故障点事件发生概率诊断结果，其分析所依赖的数据来自客观的信息统计以及先验知识，避免了依赖人工现场进行故障定位造成的准确定不可确定、诊断的经验知识难以复用、故障判定时间长等问题，实现借助故障诊断模型的医用新风系统故障智能化诊断，提高了对医用新风系统的故障诊断定位的准确性和效率。
2、本发明方法中对故障诊断模型的建立，是基于医用新风系统中的故障表征事件以及系统工作状态信息各自与不同故障原因事件之间的关联关系和关联发生概率、以及不同故障原因事件与不同故障点事件之间的关联关系和关联发生概率而构建故障树，然后将故障树映射到贝叶斯网络，基于故障树-贝叶斯网络的转化及D-S证据理论，结合故障树分析法及贝叶斯网络的各自优点，构建形成故障诊断模型，能够客观真实的反应和分析医用新风系统中各种故障点事件的发生概率。
3、本发明基于故障诊断模型的医用新风系统故障诊断方法，有效解决了目前医用新风系统存在的故障诊断定位效果差、效率及精确度低等问题，为医用新风系统的智能化故障诊断提供一种切实可行的解决方案。
附图说明
图1为本发明基于故障诊断模型的医用新风系统故障诊断方法的流程图
图2为本发明具体实施例中医用新风系统的故障树示意图。
图3为本发明具体实施例中医用新风系统的故障树与贝叶斯网络之间的映射转换关系示意图。
图4为本发明具体实施例中医用新风系统的故障树对应转换得到的贝叶斯网络示意图。
图5为本发明具体实施例中医用新风系统的故障诊断模型示意图。
图6为本发明实施例应用场景一中医用新风系统“风量不足”状态时的故障诊断模型示意图。
图7为本发明实施例应用场景一中输入新证据后的“风量不足”状态时的故障诊断模型示意图。
图8为本发明实施例应用场景二中医用新风系统“噪音过大”状态时的故障诊断模型示意图。
图9为本发明实施例应用场景二中电动机及叶片正常下的“噪音过大”状态时的故障诊断模型示意图。
图10为本发明实施例应用场景三中医用新风系统“启动失败”状态时的故障诊断模型示意图。
图11为本发明实施例应用场景三中电动机正常下的“启动失败”状态时的故障诊断模型示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
本发明提供了一种基于故障诊断模型的医用新风系统故障诊断方法，如图1所示，该方法通过预先建立一种故障诊断模型，用以指示不同故障表征事件和系统工作状态信息分别与其各自关联的不同故障原因事件之间的发生概率、以及不同的故障原因事件与其关联的不同故障点事件之间的发生概率；而后，获取医用新风系统的当前故障表征事件以及当前系统工作状态信息，将当前故障表征事件和当前系统工作状态信息输入至故障诊断模型，便可以借助故障诊断模型的分析处理，输出与当前故障表征事件和当前系统工作状态信息相关联的故障点事件发生概率诊断结果。
可以看到，在本发明基于故障诊断模型的医用新风系统故障诊断方法中，其核心的技术要素是对故障诊断模型的建立。本发明基于对故障树分析法及贝叶斯网络理论的结合，通过对医用新风系统的常见故障进行系统的分析与总结，统计出医用新风系统中的各种故障表征事件、故障原因事件(具体可包括第一层故障原因事件和第二层故障原因事件)以及故障点事件，并且通过环境参数传感器、设备工作状态传感器等感测手段获取医用新风系统的各种系统工作状态信息，并利用故障树分析法，分析出其各自之间的关联关系和关联发生概率，进而基于医用新风系统中的故障表征事件以及系统工作状态信息各自与不同故障原因事件之间的关联关系和关联发生概率、以及不同故障原因事件与不同故障点事件之间的关联关系和关联发生概率而构建故障树，然后基于故障树-贝叶斯网络转化方法及D-S证据理论，将故障树映射到贝叶斯网络，从而构建形成故障诊断模型。
下面将逐层的对本发明中故障诊断模型的建立过程以及医用新风系统故障诊断方法逐层的进行展开说明。
(1)故障树分析。
故障树分析法是一种自上而下演绎式的分析方法，其通过树状图形来反应各个故障树事件之间的因果逻辑关系。本发明通过对若干起医用新风系统现场分析，并结合历史统计数据及专家经验知识，对医用新风系统的故障树构建具体流程描述如下：
1.1)统计医用新风系统中的各种故障表征事件，每种所述故障表征事件用于指示医用新风系统出现故障后引发的一种状态表征事件。
医用新风系统故障树分析中的故障表征事件，是医用新风系统不希望发生的故障表征状态事件，例如系统不运行、系统不制冷/制热、换气系统不工作等表征状态。
1.2)统计医用新风系统中的各种第一层故障原因事件，每种所述第一层故障原因事件用于指示医用新风系统中引发出现一种或多种故障表征的一种初层原因事件；并根据各故障表征事件与各第一层故障原因事件之间的因果逻辑关系，通过逻辑门建立每种故障表征事件与其存在因果逻辑的第一层故障原因事件之间的关联关系。
医用新风系统故障树中的第一层故障原因事件，是故障树故障表征事件第一次细分后的结果，如引起医用新风系统故障的风量不足、启动失败、噪音过大、操作失误等初层原因事件。
1.3)统计医用新风系统中的各种第二层原因事件，每种所述第二层故障原因事件用于指示医用新风系统中引发出现一种或多种第一层故障原因事件的一种主层原因事件；并根据各第一层故障原因事件与各第二层故障原因事件之间的因果逻辑关系，通过逻辑门建立每种第一层故障原因事件与其存在因果逻辑的第二层故障原因事件之间的关联关系。
医用新风系统故障树中的第二层故障原因事件，是故障树故障表征事件第二次细分后的结果，也是第一层故障原因事件细分后的结果，如气密性不足、堵塞故障、电源故障、电动机故障、安装不良等引起故障初层原因事件的主层原因事件。
1.4)统计医用新风系统中的各种故障点事件，每种所述故障点事件用于指示医用新风系统中引发出现一种或多种第二层故障原因事件的一种根本故障原因点；并根据各第二层故障原因事件与各故障点事件之间的因果逻辑关系，通过逻辑门建立每种第二层故障原因事件与其存在因果逻辑的故障点事件之间的关联关系。
医用新风系统中的故障点事件，是医用新风系统故障树分析中的最小事件单元，是导致故障表征事件发生的根本原因，也是故障表征事件最终细分的结果，如机身气密性下降、送风管气密性下降、过滤网长时间未清洗、出风口存在异物等导致故障表征事件发生的根本原因事件。
1.5)通过分析确定医用新风系统中的各故障表征事件与各第一层故障原因事件之间、各第一层故障原因事件与各第二层故障原因事件之间、以及各第二层故障原因事件与各故障点事件之间的关联发生概率。
在故障树中，每个事件均有两种状态分布，可表示为(true,false)，true表示事件发生，false表示事件未发生。如某个故障点事件的状态分布为(0.07,0.93)，则表示该故障点事件有7％的概率发生、有93％的概率不发生。
医用新风系统故障树中故障点事件的发生概率由确定，其中，p(e)表示征兆e出现的概率，由于故障诊断是在征兆出现后进行的，因此可以设置p(e)＝1；p(e|f)表示故障f发生的情况下，征兆e出现的可能性。为简化计算，可以设定p(e|f)＝1，因此p(f)＝p(f|e)，p(f|e)表示故障f在所有征兆e引起的案例中的比例。例如，某医用新风系统的100个故障案例中，如果有14个是由“过滤网长时间未清洗”引起，那么其相应的发生概率p(f|e)＝14/100＝0.14。
1.6)统计医用新风系统中的各种系统工作状态信息，每种所述系统工作状态信息用于指示医用新风系统中能够直接表征一种或多种第二层故障原因事件是否出现的一种工作状态信息，并分析确定各种系统工作状态信息各自与第二层故障原因事件之间的直接表征关系。
并且通过环境参数传感器、设备工作状态传感器等感测手段获取医用新风系统的各种系统工作状态信息，这些系统工作状态信息能够直接表征医用新风系统中一些相应部件的工作状态，从而用以判断相应部件工作是否正常(例如电机运转是否正常等)，从而可直接表征医用新风系统中第二层故障原因事件(主层原因事件)是否发生(例如电机故障是否发生等)，并通过分析确定各种系统工作状态信息各自与第二层故障原因事件之间的直接表征关系。
1.7)至此医用新风系统的故障树建立完成。
在故障树中，层与层的各事件之间的因果逻辑关系，通过使用“AND”门、“OR”门等逻辑门来建立连接其关联关系。而各故障表征事件与各第一层故障原因事件之间、各第一层故障原因事件与各第二层故障原因事件之间、以及各第二层故障原因事件与各故障点事件之间的关联发生概率，可以预先通过先验知识分析统计得到。
通过上述流程，可以清晰的建立医用新风系统的故障树，为医用新风系统故障诊断模型的建立提供良好的信息数据基础。
下面通过一个实施例来辅助说明。
该实施例的医用新风系统的故障树事件及其概率分布，通过分析统计后如表1所示：
表1医用新风系统故障树事件代号、名称及概率分布
在本实施例中，符号T表示医用新风系统故障树分析中的故障表征事件；M1、M5、M7、M9表示医用新风系统故障树分析的第一层故障原因事件，如风量不足、启动失败、噪音过大、操作失误等；M2、M3、M4、M6、M8表示医用新风系统故障树分析的第二程中间事件，如气密性不足、堵塞故障、电源故障、电动机故障、安装不良等；符号X21、X22、X31、X32、X41、X42、X51、X61、X62、X63、X64、X71、X81、X82、X83表示医用新风系统故障树分析的故障点事件，如机身气密性下降、送风管气密性下降、过滤网长时间未清洗、出风口存在异物等。每个事件均有两种状态分布(true,false),true表示事件发生，false表示事件未发生。如X83的状态分布为(0.07,0.93)，则表示故障点事件X83有7％的概率发生，有93％的概率不发生。其中，各事件的层次划分以及事件之间的因果关联关系，如图2所示。层与层的各事件之间的因果逻辑关系，通过使用“AND”门、“OR”门等逻辑门来建立连接其关联关系。
在本实施例中，“机身气密性下降X21”、“送风管气密性下降X22”、“过滤网长时间未清洗X31”、“出风口存在异物X32”、“接线错误X41”、“电压低X42”、“开关接触不良X51”、“转子故障X61”、“定子故障X62”、“轴承故障X63”、“偏心故障X64”、“风机叶片损坏X71”、“固定部件松动X81”、“安装基础弱X82”、“安装不良X83”是根节点，这些先验概率将在进行故障诊断前根据历史统计数据及专家知识经验等先验知识直接统计给出，其他所有节点的条件概率均是结合领域专家知识经验等先验知识、以及D-S证据理论确定的。
以节点M3为例，其概率分布取决于父节点X31和X32，在本实施例中，借助了6为专家的知识经验，具体操作时，首先对6位专家进行调查问卷，表2给出了6位专家的意见结果，p1(1,0)到p6(1,0)分别表示6位专家给出的条件概率分布，(1,0)分别对应节点的(true,false)状态，以p1(1,0)＝(0.68,0.32)为例，其含义为在过滤网长时间未清洗和出风口存在异物同时发生的情况下，第一个专家认为有68％的概率导致堵塞故障。
在获得6位专家的意见结果后，基于D-S证据理论对专家经验信息进行融合处理，具体过程如下：
①识别框架Θ定义为节点M3所有互斥可能值的集合，即：Θ＝{A1,A2；A1＝true,A2＝false}；
②6位专家的mass函数分别定义为mi(Aj)(i＝1,2,3,4,5,6；j＝1,2)，对任意一位专家，其mass函数满足：
③定义Dempster合成规则为：
式中，表征证据之间的冲突程度，即6位专家意见结果之间的冲突程度，K为归一化因子。
基于式(1)和式(2)，对收集的6位专家意见进行融合计算，从而获得处理结果p(1,0)，如表2所示。
表2节点M3的条件概率分布
借助上述方法，确定出各节点具体的关联发生概率分布如下。
1)气密性不足M2，医用新风系统是否发生气密性不足与机身气密性下降X21和送风管气密性下降X22相关，其概率分布见表3。
表3气密性不足节点M2概率分布
2)堵塞故障M3，当出现堵塞故障时，其概率分布见表4。
表4堵塞故障节点M3概率分布
3)电源故障M4，医用新风系统是否发生电源故障主要由接线错误X41、电压低X42决定，其概率分布见表5。
表5电源故障节点M4概率分布
4)电动机故障M6，电动机是否发生故障与转子故障X61、定子故障X62、轴承故障X63、偏心故障X64密切相关，电动机故障的概率分布见表6。
表6电动机故障节点M6概率分布
5)安装不良M8，医用新风系统是否发生安装不良是由固定部件松动X81、安装基础弱X82、安装不良X83决定的，其概率分布见表7。
表7安装不良节点M8概率分布
6)风量不足M1，医用新风系统风量不足主要与气密性不足M2、堵塞故障M3、电源故障M4相关其概率分布见表8。
表8风量不足节点M1概率分布
7)启动失败M5，当医用新风系统出现启动失败故障时，其概率分布见表9。
表9启动失败节点M5概率分布
8)噪音过大M7，医用新风系统是否发生噪音过大主要由风机叶片损害X71、电动机故障M6和安装不良决定M8，其概率分布见表10。
表10噪音过大节点M7概率分布
9)医用新风系统故障T，医用新风系统是否发生故障与风量不足M1、启动失败M5、噪音过大M7、操作失误M9密切相关，其概率分布见表11。
表11新风系统故障节点T概率分布
(2)故障树-贝叶斯网络的转化，即故障诊断模型的构建。
当系统比较简单时，故障树分析法具有较好的应用效果，但在复杂系统的建模分析方面，故障树分析法存在一定的局限性，比如故障事件状态及逻辑门的定义有限、故障逻辑关系的不确定性等。此外，当数据不足时，故障树分析法很难估计设备的故障率。因此，为实现医用新风系统故障概率的定量分析，本发明结合了贝叶斯网络分析方法，通过将故障树信息映射到贝叶斯网络，来构建医用新风系统的故障诊断模型，其主要步骤描述如下：
2.1)将故障树中每种故障表征事件分别映射为贝叶斯网络中的一个叶节点，将故障树中每种第一层故障原因事件分别映射为贝叶斯网络中的一个第一层中间节点，将故障树中每种第二层故障原因事件分别映射为贝叶斯网络中的一个第二层中间节点，将故障树中每种故障点事件分别映射为贝叶斯网络中的一个根节点；映射中，针对于故障树中重复存在的相同事件映射为贝叶斯网络中的同一个节点；
2.2)将故障树中描述各事件之间关联关系的各逻辑门分别映射为贝叶斯网络中各相应节点之间连接的有向边，从而通过有向边建立贝叶斯网络中各节点之间各自对应的父子节点连接关系，使之与故障树中各相应事件之间关联关系对应的逻辑门输入、输出关系相一致；
2.3)将故障树中各事件之间的关联发生概率映射为贝叶斯网络中各对应节点之间的连接概率，进而统计得到贝叶斯网络中各对应节点之间的条件概率表；
2.4)将故障树中各系统工作状态信息各自与第二层故障原因事件之间的直接表征关系分别映射为贝叶斯网络中对应第二层中间节点中的概率更新决策因子，用以在相应系统工作状态信息出现时直接更新其直接表征的第二层故障原因事件所映射的第二层中间节点的发生概率为100％或0；
2.5)至此完成贝叶斯网络的映射，并将映射完成的贝叶斯网络作为所构建形成的故障诊断模型。
贝叶斯网络也被称为信念网络或因果网络，是用于不确定环境建模和推理的图形结构。本发明方法基于贝叶斯网络进行医用新风系统远程故障诊断问题建模，采用网络结构表达与故障诊断问题有关的信息及相互关系，建模过程中只考虑当前节点与其父节点之间的关系。
具体实施中，该模型可以用三元组＜N,E,P＞表示，其中：
1)故障节点变量N。N根据节点特征进一步分为根节点集合X、中间节点集合M、叶子节点集合T，则N可定义为N＝{[T]；[Mi]，i＝1,2,…,9；[Xab],a＝1,2,…,m,b＝1,2,…,n}，且满足N＝X∪M∪T。在实施例中，根节点集合X代表在进行故障诊断前收集的所有外部信息，主要来源为历史统计数据及专家经验知识；中间节点集合M和叶子节点集合T表示进行故障诊断前的征兆信息，用于为下一阶段的故障诊断提供更加完善的推理证据。
2)有向边E。故障诊断模型将根据故障树中事件之间的逻辑关系确定节点有向边方向，例如在实施例中，根节点集合X属于先验信息，没有父节点；中间节点集合M依据层级关系又可分为第一层中间节点(M1、M5、M7、M9)和第二层中间节点(M2、M3、M4、M6、M8)，其中第二层中间节影响第一层中间节点和根节点，第一层中间节点则影响第一层中间节点和叶子节点集合T。定义E＝{[eij],i＝1,2,…,m,j＝1,2,…,n}是连接各节点的有向边的集合，eij表示一条从节点Ni到的有向边；
3)概率分布P。每个节点Ni和它的父节点集合Pa(Ni)都对应一个条件概率分布P＝{P(Ni|Pa(Ni)),Ni∈N}，表示节点之间的连接强度。
故障树与贝叶斯网络之间的映射转换关系如图3所示，通过上述实施例的故障树对应转换得到的贝叶斯网络如图4所示；由此便构建形成对应的故障诊断模型，上述实施例对应的故障诊断模型如图5所示。
(3)医用新风系统故障诊断。
在建立医用新风系统的故障诊断模型后，就可以根据医用新风系统的具体应用场景，获取医用新风系统的当前故障表征事件以及当前系统工作状态信息，将当前故障表征事件和当前系统工作状态信息输入至故障诊断模型，便可以借助故障诊断模型的分析处理，输出与当前故障表征事件和当前系统工作状态信息相关联的故障点事件发生概率诊断结果。
故障诊断模型输出对应的故障点事件发生概率诊断结果的具体处理流程包括如下步骤：
3.1)获取输入的当前故障表征事件和当前系统工作状态信息。
3.2)根据当前故障表征事件更新故障诊断模型中的各叶节点状态。
3.3)基于步骤3.2)更新后的各叶节点状态，根据故障诊断模型中各节点之间各自对应的父子节点连接关系以及条件概率表，推演更新故障诊断模型中各第一层中间节点和第二层中间节点的发生概率。
3.4)根据当前系统工作状态信息更新故障诊断模型中各第二层中间节点中的概率更新决策因子，进而再次更新故障诊断模型中各第二层中间节点的发生概率。
3.5)基于步骤3.4)更新后的各第二层中间节点的发生概率，进一步推演更新故障诊断模型中各根节点的发生概率。
3.6)将步骤3.4)推演更新得到的各根节点的发生概率转换为对应的各故障点事件的发生概率，作为故障点事件发生概率诊断结果加以输出。该步骤中，故障点事件发生概率诊断结果的具体输出方式，可以是将各故障点事件的发生概率按照从高到低的顺序排列后，再作为故障点事件发生概率诊断结果加以输出，以便于工作人员获知不同故障点事件由高到低的发生概率情况，便于根据发生概率的排序直观的明确最可能发生的故障点事件是哪些，为医用新风系统的智能化故障诊断提供决策支持。
下面也通过上述实施例的医用新风系统及其对应的故障诊断模型，通过不同应用场景来举例说明本发明的医用新风系统的故障诊断方法。
1)场景一：医用新风系统风量不足
图6为医用新风系统“风量不足”故障下的贝叶斯网络结构图，此时模型中所有根节点先验概率已完成赋值，所有中间节点及叶节点的条件概率均已确定。若此时已知医用新风系统“风量不足”故障已经发生(“M1”的“true”状态值为100％)，将该故障注入贝叶斯网络模型中，此时可看到“气密性不足”、“堵塞故障”、“电源故障”的概率分别为23.2％、60.0％、19.0％，即此时医用新风系统最有可能发生了“堵塞故障”。进一步分析可知：“过滤网长时间未清洗”最有可能，概率达到了31.6％，其次分别是“出风口存在异物”、“接线错误”、“送风管气密性下降”，概率分别达到了14.5％、14.1％、12.6％。若此时通过传感器检测到“机身气密性”及“送风管气密性”均正常，则将新证据输入到贝叶斯网络中，如图7所示。
整个贝叶斯网络的概率更新完成后，“堵塞故障”依旧是造成“风量不足”最可以的原因，但其概率从60.0％提升到了66.1％。此时，根据传感器检测数据及现场检查，可进一步输入新的证据，以此获得更加准确的故障定位。若此时新证据缺乏，则最有可能发生了“堵塞故障”，且最根本的原因可能是“过滤网长时间未清洗”。
2)场景二：医用新风系统噪音过大
图8展示了医用新风系统“噪音过大”故障下的贝叶斯网络结构，此时“M7”的“true”状态值为100％。从图中分析可知，此时最有可能发生了“安装不良”问题，其概率达到了52.1％，其次是“电动机故障”及“风机叶片损坏”，概率分别达到了19.3％及18.5％，即此时“安装不良”问题导致“噪音过大”的可能性最大。
进一步分析，若对传感器采集的数据进行分析后得知：电动机工作正常，未发生任何故障，且风机叶片未破损。将以上证据输入到贝叶斯网络中，各节点概率自动更新后如图9所示，由图可知，在更新故障状态及证据后，各故障节点的概率均有所提高，其中出现“安装不良”问题的概率由19.1％提升至54.2％，变化最为显著。具体到故障部件时，风机叶片发生损坏的概率最高，达到了19.7％，而在“安装不良”问题中，“固定部件松动”的贡献率最大，达到了19.2％，其次分别是“安装基础弱”以及“安装不良”，贡献率分别达到了11.4％和9.17％。由此可见，在进行故障原因定位时，应首先检查是否存在“安装不良”，然后基于传感器检测数据判断叶片是否损坏。
3)场景三：医用新风系统启动失败
若医用新风系统启动失败，将该故障状态输入到贝叶斯网络中，此时“M5”的“true”状态值为100％，如图10所示。由图分析可知，在“启动失败”场景下，“电源故障”的概率最高，达到了57.1％，其次是“电动机故障”及“开关接触不良”，发生概率分别达到了32.3％、6.37％，即此时应首先检查电源是否出现问题。
若对获取的传感器数据进一步分析后得知：电机转子、定子以及轴承等均正常工作，即电机未发生任何故障，则将该证据输入到贝叶斯网络中，部分节点的先验概率与后验概率比较如图11所示。由图可知，贝叶斯网络各节点概率自动更新后，“电源故障”的概率由57.1％提升至74.6％，增长幅度较大；同时“开关接触不良”的概率为7.26％，增长幅度较小，依旧是导致“启动失败”的最小可能性因素。对“电源故障”进一步分析可知，“接线错误”的概率增长最为显著，由最初11.0％的先验概率提升至41.0％，说明在进行排故时，应首先检查是否出现了“接线错误”。
综上所述，可以看到，借助本发明基于故障诊断模型的医用新风系统故障诊断方法，通过建立故障诊断模型用以指示不同故障表征事件和系统工作状态信息分别与其各自关联的不同故障原因事件之间的发生概率、以及不同的故障原因事件与其关联的不同故障点事件之间的发生概率，从而可以借助故障诊断模型分析得到医用新风系统在当前故障表征事件以及当前系统工作状态信息状态下关联的故障点事件发生概率诊断结果，其分析所依赖的数据来自客观的信息统计以及先验知识，避免了依赖人工现场进行故障定位造成的准确定不可确定、诊断的经验知识难以复用、故障判定时间长等问题，实现借助故障诊断模型的医用新风系统故障智能化诊断，提高了对医用新风系统的故障诊断定位的准确性和效率；此外，本发明方法中对故障诊断模型的建立，是基于医用新风系统中的故障表征事件以及系统工作状态信息各自与不同故障原因事件之间的关联关系和关联发生概率、以及不同故障原因事件与不同故障点事件之间的关联关系和关联发生概率而构建故障树，然后将故障树映射到贝叶斯网络，基于故障树-贝叶斯网络的转化及D-S证据理论，结合故障树分析法及贝叶斯网络的各自优点，构建形成故障诊断模型，能够客观真实的反应和分析医用新风系统中各种故障点事件的发生概率。因此，本发明基于故障诊断模型的医用新风系统故障诊断方法，有效解决了目前医用新风系统存在的故障诊断定位效果差、效率及精确度低等问题，为医用新风系统的智能化故障诊断提供一种切实可行的解决方案。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (4)
1.基于故障诊断模型的医用新风系统故障诊断方法，其特征在于，包括如下步骤：
获取医用新风系统的当前故障表征事件以及当前系统工作状态信息；
将当前故障表征事件和当前系统工作状态信息输入至故障诊断模型；所述故障诊断模型用以指示不同故障表征事件和系统工作状态信息分别与其各自关联的不同故障原因事件之间的发生概率、以及不同的故障原因事件与其关联的不同故障点事件之间的发生概率；
所述故障诊断模型输出关联的故障点事件发生概率诊断结果；
其中，所述故障诊断模型基于故障树和贝叶斯网络建立，其建立方法是，基于医用新风系统中的故障表征事件以及系统工作状态信息各自与不同故障原因事件之间的关联关系和关联发生概率、以及不同故障原因事件与不同故障点事件之间的关联关系和关联发生概率而构建故障树，然后将故障树映射到贝叶斯网络，构建形成故障诊断模型；
构建故障树的具体步骤为：
1.1）统计医用新风系统中的各种故障表征事件，每种所述故障表征事件用于指示医用新风系统出现故障后引发的一种表征事件；
1.2）统计医用新风系统中的各种第一层故障原因事件，每种所述第一层故障原因事件用于指示医用新风系统中引发出现一种或多种故障表征的一种初层原因事件；并根据各故障表征事件与各第一层故障原因事件之间的因果逻辑关系，通过逻辑门建立每种故障表征事件与其存在因果逻辑的第一层故障原因事件之间的关联关系；
1.3）统计医用新风系统中的各种第二层原因事件，每种所述第二层故障原因事件用于指示医用新风系统中引发出现一种或多种第一层故障原因事件的一种主层原因事件；并根据各第一层故障原因事件与各第二层故障原因事件之间的因果逻辑关系，通过逻辑门建立每种第一层故障原因事件与其存在因果逻辑的第二层故障原因事件之间的关联关系；
1.4）统计医用新风系统中的各种故障点事件，每种所述故障点事件用于指示医用新风系统中引发出现一种或多种第二层故障原因事件的一种根本故障原因点；并根据各第二层故障原因事件与各故障点事件之间的因果逻辑关系，通过逻辑门建立每种第二层故障原因事件与其存在因果逻辑的故障点事件之间的关联关系；
1.5）通过分析确定医用新风系统中的各故障表征事件与各第一层故障原因事件之间、各第一层故障原因事件与各第二层故障原因事件之间、以及各第二层故障原因事件与各故障点事件之间的关联发生概率；
1.6）统计医用新风系统中的各种系统工作状态信息，每种所述系统工作状态信息用于指示医用新风系统中能够直接表征一种或多种第二层故障原因事件是否出现的一种工作状态信息，并分析确定各种系统工作状态信息各自与第二层故障原因事件之间的直接表征关系；
1.7）至此医用新风系统的故障树建立完成；
将故障树映射到贝叶斯网络的具体步骤为：
2.1）将故障树中每种故障表征事件分别映射为贝叶斯网络中的一个叶节点，将故障树中每种第一层故障原因事件分别映射为贝叶斯网络中的一个第一层中间节点，将故障树中每种第二层故障原因事件分别映射为贝叶斯网络中的一个第二层中间节点，将故障树中每种故障点事件分别映射为贝叶斯网络中的一个根节点；映射中，针对于故障树中重复存在的相同事件映射为贝叶斯网络中的同一个节点；
2.2）将故障树中描述各事件之间关联关系的各逻辑门分别映射为贝叶斯网络中各相应节点之间连接的有向边，从而通过有向边建立贝叶斯网络中各节点之间各自对应的父子节点连接关系，使之与故障树中各相应事件之间关联关系对应的逻辑门输入、输出关系相一致；
2.3）将故障树中各事件之间的关联发生概率映射为贝叶斯网络中各对应节点之间的连接概率，进而统计得到贝叶斯网络中各对应节点之间的条件概率表；
2.4）将故障树中各系统工作状态信息各自与第二层故障原因事件之间的直接表征关系分别映射为贝叶斯网络中对应第二层中间节点中的概率更新决策因子，用以在相应系统工作状态信息出现时直接更新其直接表征的第二层故障原因事件所映射的第二层中间节点的发生概率为100%或0；
2.5）至此完成贝叶斯网络的映射，并将映射完成的贝叶斯网络作为所构建形成的故障诊断模型。
2.根据权利要求1所述基于故障诊断模型的医用新风系统故障诊断方法，其特征在于，所述各故障表征事件与各第一层故障原因事件之间、各第一层故障原因事件与各第二层故障原因事件之间、以及各第二层故障原因事件与各故障点事件之间的关联发生概率，预先通过先验知识分析统计得到。
3.根据权利要求1所述基于故障诊断模型的医用新风系统故障诊断方法，其特征在于，故障诊断模型输出对应的故障点事件发生概率诊断结果的处理流程包括如下步骤：
3.1）获取输入的当前故障表征事件和当前系统工作状态信息；
3.2）根据当前故障表征事件更新故障诊断模型中的各叶节点状态；
3.3）基于步骤3.2）更新后的各叶节点状态，根据故障诊断模型中各节点之间各自对应的父子节点连接关系以及条件概率表，推演更新故障诊断模型中各第一层中间节点和第二层中间节点的发生概率；
3.4）根据当前系统工作状态信息更新故障诊断模型中各第二层中间节点中的概率更新决策因子，进而再次更新故障诊断模型中各第二层中间节点的发生概率；
3.5）基于步骤3.4）更新后的各第二层中间节点的发生概率，进一步推演更新故障诊断模型中各根节点的发生概率；
3.6）将步骤3.4）推演更新得到的各根节点的发生概率转换为对应的各故障点事件的发生概率，作为故障点事件发生概率诊断结果加以输出。
4.根据权利要求1所述基于故障诊断模型的医用新风系统故障诊断方法，其特征在于，所述步骤3.6）中，是将各故障点事件的发生概率按照从高到低的顺序排列后，再作为故障点事件发生概率诊断结果加以输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011595315.7A CN112819028B (zh) | 2020-12-29 | 2020-12-29 | 基于故障诊断模型的医用新风系统故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011595315.7A CN112819028B (zh) | 2020-12-29 | 2020-12-29 | 基于故障诊断模型的医用新风系统故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112819028A CN112819028A (zh) | 2021-05-18 |
| CN112819028B true CN112819028B (zh) | 2024-02-02 |
Family
ID=75855234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011595315.7A Active CN112819028B (zh) | 2020-12-29 | 2020-12-29 | 基于故障诊断模型的医用新风系统故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819028B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113689042B (zh) * | 2021-08-25 | 2024-06-14 | 华自科技股份有限公司 | 监测节点的故障源预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
| CN104573386A (zh) * | 2015-01-26 | 2015-04-29 | 国网四川省电力公司电力科学研究院 | 一种利用贝叶斯模型进行系统评估检测的方法 |
| CN106050580A (zh) * | 2016-08-17 | 2016-10-26 | 国电联合动力技术有限公司 | 一种风力发电机组传动链故障诊断方法及系统 |
| CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
| CN109523786A (zh) * | 2018-11-30 | 2019-03-26 | 哈尔滨工业大学 | 一种高速公路交通事故成因分析方法 |
| CN111598352A (zh) * | 2020-05-25 | 2020-08-28 | 哈尔滨工业大学 | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 |
| CN111950084A (zh) * | 2020-08-11 | 2020-11-17 | 中国民航大学 | 一种面向机载航线维修的航电故障诊断系统的实现方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8156377B2 (en) * | 2010-07-02 | 2012-04-10 | Oracle International Corporation | Method and apparatus for determining ranked causal paths for faults in a complex multi-host system with probabilistic inference in a time series |
-
2020
- 2020-12-29 CN CN202011595315.7A patent/CN112819028B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
| CN104573386A (zh) * | 2015-01-26 | 2015-04-29 | 国网四川省电力公司电力科学研究院 | 一种利用贝叶斯模型进行系统评估检测的方法 |
| CN106050580A (zh) * | 2016-08-17 | 2016-10-26 | 国电联合动力技术有限公司 | 一种风力发电机组传动链故障诊断方法及系统 |
| CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
| CN109523786A (zh) * | 2018-11-30 | 2019-03-26 | 哈尔滨工业大学 | 一种高速公路交通事故成因分析方法 |
| CN111598352A (zh) * | 2020-05-25 | 2020-08-28 | 哈尔滨工业大学 | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 |
| CN111950084A (zh) * | 2020-08-11 | 2020-11-17 | 中国民航大学 | 一种面向机载航线维修的航电故障诊断系统的实现方法 |
Non-Patent Citations (6)
| Title |
|---|
| Application of Fault Tree Analysis to Fuel Cell diagnosis;N. Yousfi Steiner 等;《 Fuel Cells》;301-311 * |
| Fault diagnosis method of medical fresh air system based on fault tree and Bayesian network;Chao Yin 等;《ICAL 2021: 2021 8th International Conference on Automation and Logistics》;1-16 * |
| Probability based vehicle fault diagnosis: Bayesian network method;Yingping Huang 等;《Journal of Intelligent Manufacturing》;1-11 * |
| 基于专家知识库的微车后桥质量异常原因诊断及处理方法;尹超 等;《现代制造工程》;33-41 * |
| 基于专家知识融合的贝叶斯网络结构学习方法;张振海 等;《计算机工程与应用》;1-5 * |
| 基于模糊故障树和贝叶斯网络的 矿井提升机故障诊断;张梅 等;《工况自动化》;第1-6页表1、图3、第1、1.3节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112819028A (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Diagnosis of discrete event systems using decentralized architectures | |
| Breese et al. | Decision-theoretic troubleshooting: A framework for repair and experiment | |
| JP5278310B2 (ja) | 診断システム | |
| CN107806690B (zh) | 一种基于贝叶斯网络的家用空调故障诊断方法 | |
| CN112819028B (zh) | 基于故障诊断模型的医用新风系统故障诊断方法 | |
| CN101783749B (zh) | 一种网络故障定位方法和装置 | |
| CN114138982B (zh) | 一种用于干式变压器故障诊断的知识图谱的构建方法 | |
| CN105325023A (zh) | 用于小区异常检测的方法和网络设备 | |
| CN108710990B (zh) | 基于同期数据的线变台户多级线损分析方法及系统 | |
| CN107491021A (zh) | 家用电器及其故障诊断系统、方法和服务器 | |
| CN109626161A (zh) | 一种电梯故障诊断方法 | |
| Chen et al. | Using discrete Bayesian networks for diagnosing and isolating cross-level faults in HVAC systems | |
| CN102662831A (zh) | 一种容错系统诊断策略优化方法 | |
| CN115222104A (zh) | 一种基于极限学习机的智能变电站二次设备状态评估方法 | |
| CN103616877B (zh) | 能源管网的监控诊断方法和系统 | |
| Li et al. | A quantitative causal diagram based optimal sensor allocation strategy considering the propagation of fault risk | |
| CN111367909A (zh) | 一种智能制造设备的健康管理方法及系统 | |
| CN113310171B (zh) | 基于贝叶斯网络单元的中央空调系统故障检测与诊断方法 | |
| CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
| KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
| CN107832417A (zh) | 一种初选专家库管理方法及数据库 | |
| CN116049642A (zh) | 一种故障诊断方法、系统、电子设备及计算机存储介质 | |
| CN114297453B (zh) | 告警预测方法、装置、电子设备及存储介质 | |
| Agosta et al. | Bayes Network" Smart" Diagnostics. | |
| Yin et al. | Fault diagnosis method of medical fresh air system based on fault tree and Bayesian network |
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 |