CN112965460B - 故障诊断方法、装置及存储介质 - Google Patents
故障诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112965460B CN112965460B CN202110170383.7A CN202110170383A CN112965460B CN 112965460 B CN112965460 B CN 112965460B CN 202110170383 A CN202110170383 A CN 202110170383A CN 112965460 B CN112965460 B CN 112965460B
- Authority
- CN
- China
- Prior art keywords
- fault
- phenomenon
- frequency
- reason
- phenomena
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于问诊式故障上报和贝叶斯定理的故障诊断方法、装置及存储介质,所述方法包括:构建故障诊断知识库,其中,所述故障诊断知识库包括故障现象与故障原因的映射关系;基于问诊式故障上报流程获取上报的故障现象,根据所述故障诊断知识库中的所述映射关系,自动提示该故障现象所关联的故障原因的其他故障现象,获取用户对故障现象的选择进行选择性上报;将上报的故障现象输入预先建立的基于贝叶斯定理的故障诊断模型,获取所述故障诊断模型基于故障现象推理得到的故障原因。采用本发明实施例,将复杂的故障诊断过程化为简单的软件操作,替代人工经验判断故障的传统模式,达到精准诊断、高效维修和降低成本的目标。
Description
技术领域
本发明涉及人工智能技术领域,尤其是涉及一种基于问诊式故障上报和贝叶斯定理的故障诊断方法、装置及存储介质。
背景技术
根据知识组织方式与推理机制的不同,可将目前常用的故障诊断专家系统大致分为基于规则的诊断专家系统、基于模型的诊断专家系统、基于模糊推理的诊断专家系统、基于事例的诊断专家系统和基于人工神经网络的诊断专家系统。
在基于规则的诊断专家系统中,领域专家的知识与经验被表示成产生式规则,一般形式是:“if前提then结论”。其中前提部分表示能与数据匹配的任何模型,结论部分表示满足前提时可以得出的结论。基于规则的推理是先根据推理策略从规则库中选择相应的规则,再匹配规则的前提部分,及最后根据匹配结果得出结论。基于规则的诊断知识表达方式直观、形式统一,在求解小规模问题时效率较高,并且具有易于理解与实现的优点,因而取得了一定成功。20世纪90年代,国外在军用水压系统、电力供应网络等方面进行了应用。但是,对于复杂系统,所观测到的症状与对应的诊断之间的联系是相当复杂的,通过归纳专家经验来获取规则有着相当的难度,且诊断时只能对事先预想到的并能与规则前提匹配的事件进行推理,存在知识获取的瓶颈问题。
在基于模型的诊断专家系统中,领域专家的专业知识包含在建立的系统模型中,这种基于模型的诊断更多地利用系统的结构、功能与行为等知识。相比基于规则的诊断专家系统,这种诊断方式能够处理预先没有想到的情况,并且可能检测到系统存在的潜在故障。这类系统的知识库相对容易建立并且具有一定的灵活性,已应用于航天器动力燃烧系统故障诊断等方面。但是,基于模型的诊断专家系统仍然依赖于专家的专业领域知识,在实时诊断中还将消耗巨大的计算资源,限制了其应用范围。
在基于模糊推理的诊断专家系统中,其知识表示采用模糊产生式规则。模糊产生式规则是将传统产生式规则“if条件then动作(或结论)”进行模糊化,包括条件模糊化、动作或结论模糊化等。引入模糊的概念是为了更好地模拟人类的思维与决策过程,使计算机结果不再是简单的黑或白。在模糊推理中建立模糊隶属度是一个重要工作,确定隶属度的方法有对比排序法、专家评判法、模糊统计法、概念扩张法等。采用专家评判法,由专家根据经验直接给出论域中每个函数的隶属度,形成隶属度表,这样给出的隶属度比较准确。计算机在进行模糊推理时,先从用户接口接收证据及其相应的模糊词,如“很”“相当”“轻微”等,然后通过模糊属性表查出条件模糊词的隶属度,由此进行推理得到结论。基于模糊推理的诊断专家系统已应用在军用电力系统、集成电路、动态控制等方面。基于模糊推理的诊断存在的主要问题在于模糊诊断知识获取困难,尤其是故障与征兆的模糊关系较难确定,且系统的诊断能力依赖模糊知识库,学习能力差,容易发生漏诊或误诊。由于模糊语言变量是用隶属函数表示的,实现语言变量与隶属函数之间的转换是一个难点。
基于事例的推理是利用以事例形式表示的以往求解类似问题的经验知识进行推理,从而获得当前问题求解结果的一种推理模式。一个有效的事例表示包括三部分内容:事例发生的原因或背景;事例的特点及过程;事例的解决方法和结果。事例推理的关键步骤包括事例检索、事例重用、事例修改/修正和事例保留等.基于事例的推理避免了采用基于规则的推理方法进行知识获取时的瓶颈问题,利用相关事例扩大了解决问题的范围,简化了求解过程,解的质量也得到提高,在军事制造业控制诊断、舰艇水压机等方面获得应用。基于事例的推理的缺点是在处理小规模问题时,其推理效率不高。
神经网络只要求专家提出范例及相应的解,就能通过特定的学习算法对样本进行学习而获取知识。在基于人工神经网络的诊断专家系统中,知识表示不再是独立的规则,而是分布于整个网络中的权和阈值。专家知识及经验的获取是利用领域专家解决实际问题的实例(样本)来训练获取,在同样输入条件下神经网络能够获得与专家给出的方案尽可能相同的输出。基于人工神经网络的专家系统在知识表示、知识获取、并行推理、适应性学习、理想推理、容错能力等方面显示了明显的优越性。同时,实际应用中的大多数被诊断对象往往是复杂的非线性系统,无法得到其精确模型,甚至无法建模,由于神经网络的构建与训练不要了解被诊断对象的精确模型,因而对于非线性被诊断对象,神经网络也具有明显优势。目前,基于人工神经网络的诊断专家系统已成为研究的热点,已经应用于在线故障诊断、引擎自动管理系统、军舰动力系统故障诊断等方面。然而,神经网络专家系统也存在固有的弱点。首先,系统性能受到所选择的训练样本集的限制,训练样本集选择不当,特别是在训练样本集很少的情形下,很难获得较好推理能力;其次,神经网络没有能力解释自己的推理过程和推理依据及其存储知识的含义;再次,神经网络利用知识和表达知识的方式单一,通常的神经网络只能采用数值化的知识;最后,也是最根本的一点就是神经网络只能模拟人类感觉层次上的智能活动,在模拟人类复杂层次的思维方面,如基于目标的管理、综合判断与因果分析等方面还远远不及传统的专家系统。因此,人们正试图研究符号推理与数值推理相结合的集成式智能诊断系统,以期能更好地模拟人类的思维过程。
发明内容
本发明的目的在于提供一种基于问诊式故障上报和贝叶斯定理的故障诊断方法及装置,旨在解决设备维修中由于“病情描述不准、资源调配盲目”导致的“欠维修”和“过度维修”,维修服务满意度低,维修机构和生产厂家精确维修无支撑,维修组织成本高,售后服务水平低等难题。
本发明提供一种基于问诊式故障上报和贝叶斯定理的故障诊断方法,包括:
S1.构建故障诊断知识库,其中,故障诊断知识库包括故障现象与故障原因的映射关系;
S2.基于问诊式故障上报流程获取上报的故障现象,根据故障诊断知识库中的映射关系,自动提示该故障现象所关联的故障原因的其他故障现象,获取用户对故障现象的选择进行选择性上报;
S3.将上报的故障现象输入预先建立的基于贝叶斯定理的故障诊断模型,获取故障诊断模型基于故障现象推理得到的故障原因。
本发明提供一种基于问诊式故障上报和贝叶斯定理的故障诊断装置,包括:
知识库模块:构建故障诊断知识库,其中,故障诊断知识库包括故障现象与故障原因的映射关系;
故障上报模块:基于问诊式故障上报流程获取上报的故障现象,根据故障诊断知识库中的映射关系,自动提示该故障现象所关联的故障原因的其他故障现象,用户进行选择性上报;
诊断模块:将上报的故障现象输入预先建立的基于贝叶斯定理的故障诊断模型,获取故障诊断模型基于故障现象推理得到的故障原因。
本发明实施例还提供一种基于问诊式故障上报和贝叶斯定理的故障诊断装置,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述基于问诊式故障上报和贝叶斯定理的故障诊断方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有信息传递的实现程序,程序被处理器执行时实现上述基于问诊式故障上报和贝叶斯定理的故障诊断方法的步骤。
采用本发明实施例,将复杂的故障诊断过程化为简单的软件操作,替代人工经验判断故障的传统模式,达到精准诊断、高效维修和降低成本的目标,进而提升设备完好率,提高设备整体质量水平。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是本发明方法实施例的基于问诊式故障上报和贝叶斯定理的故障诊断方法的流程图;
图2是本发明实施例的故障现象与故障原因的映射关系示意图;
图3是本发明装置实施例一的基于问诊式故障上报和贝叶斯定理的故障诊断装置的示意图;
图4是本发明装置实施例二的基于问诊式故障上报和贝叶斯定理的故障诊断装置的示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。此外,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
方法实施例
根据本发明实施例,提供了一种基于问诊式故障上报和贝叶斯定理的故障诊断方法,图1是本发明方法实施例的基于问诊式故障上报和贝叶斯定理的故障诊断方法的流程图,如图1所示,根据本发明实施例的基于问诊式故障上报和贝叶斯定理的故障诊断方法具体包括:
S101.构建故障诊断知识库,其中,故障诊断知识库包括故障现象与故障原因的映射关系;具体地,在故障诊断知识库中包括故障现象节点、故障原因节点和节点路径,建立故障现象与故障原因多对多的因果关系。
在本发明实施例中,还需要在故障现象节点中自动记录的故障现象频次,在故障原因节点中自动记录的故障原因频次,在节点路径上自动记录的故障现象与故障原因的路径关联频次。
因此,在故障诊断知识库中还包括在故障现象节点记录的故障现象频次,在故障原因节点记录的故障原因频次,在节点路径上记录的故障现象与故障原因的路径关联频次。
在本发明实例中,图2是本发明实施例的故障现象与故障原因的映射关系示意图,如图2所示,其中,
f(S1)代表故障现象S1的累计发生频次;
f(F1)代表故障原因F1的累计发生频次;
f(S1F1)代表故障现象S1对应故障原因F1的因果频次,且f(S1F1)≤Min(f(S1),f(F1));
在本发明实施例中,还可以对故障现象节点、故障原因节点和节点路径进行编辑操作,对故障原因频次、故障现象频次和路径关联频次进行维护操作。
S102.基于问诊式故障上报流程获取上报的故障现象,根据故障诊断知识库中的映射关系,自动提示该故障现象所关联的故障原因的其他故障现象,获取用户对故障现象的选择进行选择性上报;
在本发明实例中,若用户开始仅选择上报故障现象S1,由于S1关联的故障原因为F1和F2,而F2关联的故障现象有S1、S2和S3,因此在用户选择上报S1时,根据本发明实施例,系统会自动提示用户是否需要同时上报故障现象S2和S3。
S103.将上报的故障现象输入预先建立的基于贝叶斯定理的故障诊断模型,获取故障诊断模型基于故障现象推理得到的故障原因。
在本发明实例中,假定描述的故障现象集合为{S1,S2,S3},对应的发生的现象频次为{F(S1),F(S2),F(S3)}。
则由故障诊断知识库模型,可知:S1对应的故障原因集合为{F1,F2},S2和S3对应的故障原因集合均为{F2,F3}。
则针对每个单一现象可计算出其关联的故障原因发生的概率,以S1为例:
a.计算S1关联的故障原因总频次:
Sum(F)=f(F1)+f(F2)
b.计算每个关联原因的基础概率:
P(F1)=f(F1)/Sum(F)
P(F2)=f(F2)/Sum(F)
c.计算每个关联原因的先验概率:
P(F1)P(S1|F1)=f(F1)/Sum(F)*F(S1F1)/f(F1)=F(S1F1)/Sum(F)
P(F2)P(S1|F2)=f(F2)/Sum(F)*F(S1F2)/f(F2)=F(S1F2)/Sum(F)
d.计算每个关联原因的后验概率:
P(F1|S1)=P(F1)P(S1|F1)/(P(F1)P(S1|F1)+P(F2)P(S1|F2))
=F(S1F1)/Sum(F)/(F(S1F1)/Sum(F)+F(S1F2)/Sum(F))
=F(S1F1)/(F(S1F1)+F(S1F2))
P(F2|S1)=P(F2)P(S1|F2)/(P(F1)P(S1|F1)+P(F2)P(S1|F2))
=F(S1F2)/Sum(F)/(F(S1F1)/Sum(F)+F(S1F2)/Sum(F))
=F(S1F2)/(F(S1F1)+F(S1F2))
由此可见,针对单个故障现象,其关联故障原因发生的概率与现象和原因的关联发生频次正相关,即关联频次越大,则故障原因发生的几率就越高。
同理,可计算出故障现象S2和S3所关联的故障原因的后验概率,即P(F2|S2)=F(S2F2)/(F(S2F2)+F(S2F3)),
P(F3|S2)=F(S2F3)/(F(S2F2)+F(S2F3)),
P(F2|S3)=F(S3F2)/(F(S3F2)+F(S3F3)),
P(F3|S3)=F(S3F3)/(F(S3F2)+F(S3F3))
则S1,S2,S3同时出现时,F1,F2,F3对应的发生概率可通过分别求和计算得知,即
P(F1|S1S2S3)=P(F1|S1),
P(F2|S1S2S3)=P(F2|S1)+P(F2|S2)+P(F2|S3),
P(F3|S1S2S3)=P(F3|S2)+P(F3|S3)
最后根据故障原因的发生概率逆序返回诊断结果,并将每个原因所对应的故障现象作为诊断说明一并返回,至此即完成了基于问诊式故障上报和贝叶斯定理的故障诊断方法的推理过程。
综上所述,借助于本发明实施例的技术方案,将复杂的故障诊断过程化为简单的软件操作,替代人工经验判断故障的传统模式,达到精准诊断、高效维修和降低成本的目标,进而提升设备完好率,提高设备整体质量水平。
装置实施例一
根据本发明实施例,提供了一种基于问诊式故障上报和贝叶斯定理的故障诊断装置,图3是本发明装置实施例一的基于问诊式故障上报和贝叶斯定理的故障诊断装置的示意图,如图3所示,根据本发明实施例的基于问诊式故障上报和贝叶斯定理的故障诊断装置具体包括:
知识库模块301:构建故障诊断知识库,其中,故障诊断知识库包括故障现象与故障原因的映射关系;
具体地,在故障诊断知识库中包括故障现象节点、故障原因节点和节点路径,建立故障现象与故障原因多对多的因果关系。
在本发明实施例中,还需要在故障现象节点中自动记录的故障现象频次,在故障原因节点中自动记录的故障原因频次,在节点路径上自动记录的故障现象与故障原因的路径关联频次。
因此,在故障诊断知识库中还包括在故障现象节点记录的故障现象频次,在故障原因节点记录的故障原因频次,在节点路径上记录的故障现象与故障原因的路径关联频次。
在本发明实施例中,还可以对故障现象节点、故障原因节点和节点路径进行编辑操作,对故障现象频次、故障原因频次和路径关联频次进行维护操作。
故障上报模块302:基于问诊式故障上报流程获取上报的故障现象,根据故障诊断知识库中的映射关系,自动提示该故障现象所关联的故障原因的其他故障现象,用户进行选择性上报;
诊断模块303:将上报的故障现象输入预先建立的基于贝叶斯定理的故障诊断模型,获取故障诊断模型基于故障现象推理得到的故障原因。
本发明实施例是与上述方法实施例对应的系统实施例,各个模块的具体操作可以参照方法实施例的描述进行理解,在此不再赘述。
装置实施例二
本发明实施例提供一种基于问诊式故障上报和贝叶斯定理的故障诊断装置,图4是本发明装置实施例二的基于问诊式故障上报和贝叶斯定理的故障诊断装置的示意图,如图4所示,包括:存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序,计算机程序被处理器402执行时实现如下方法步骤:
S101.构建故障诊断知识库,其中,故障诊断知识库包括故障现象与故障原因的映射关系;
具体地,在故障诊断知识库中包括故障现象节点、故障原因节点和节点路径,建立故障现象与故障原因多对多的因果关系。
在本发明实施例中,还需要在故障现象节点中自动记录的故障现象频次,在故障原因节点中自动记录的故障原因频次,在节点路径上自动记录的故障现象与故障原因的路径关联频次。
因此,在故障诊断知识库中还包括在故障现象节点记录的故障现象频次,在故障原因节点记录的故障原因频次,在节点路径上记录的故障现象与故障原因的路径关联频次。
在本发明实施例中,还可以对故障现象节点、故障原因节点和节点路径进行编辑操作,对故障现象频次、故障原因频次和路径关联频次进行维护操作。S102.基于问诊式故障上报流程获取上报的故障现象,根据故障诊断知识库中的映射关系,自动提示该故障现象所关联的故障原因的其他故障现象,获取用户对故障现象的选择进行选择性上报;
S103.将上报的故障现象输入预先建立的基于贝叶斯定理的故障诊断模型,获取故障诊断模型基于故障现象推理得到的故障原因。
装置实施例三
本发明实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有信息传输的实现程序,程序被处理器402执行时实现如下方法步骤:
S101.构建故障诊断知识库,其中,故障诊断知识库包括故障现象与故障原因的映射关系;
具体地,在故障诊断知识库中包括故障现象节点、故障原因节点和节点路径,建立故障现象与故障原因多对多的因果关系。
在本发明实施例中,还需要在故障现象节点中自动记录的故障现象频次,在故障原因节点中自动记录的故障原因频次,在节点路径上自动记录的故障现象与故障原因的路径关联频次。
因此,在故障诊断知识库中还包括在故障现象节点记录的故障现象频次,在故障原因节点记录的故障原因频次,在节点路径上记录的故障现象与故障原因的路径关联频次。
在本发明实施例中,还可以对故障现象节点、故障原因节点和节点路径进行编辑操作,对故障现象频次、故障原因频次和路径关联频次进行维护操作。S102.基于问诊式故障上报流程获取上报的故障现象,根据故障诊断知识库中的映射关系,自动提示该故障现象所关联的故障原因的其他故障现象,获取用户对故障现象的选择进行选择性上报;
S103.将上报的故障现象输入预先建立的基于贝叶斯定理的故障诊断模型,获取故障诊断模型基于故障现象推理得到的故障原因。
本实施例计算机可读存储介质包括但不限于为:ROM、RAM、磁盘或光盘等。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,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 (7)
1.一种基于问诊式故障上报和贝叶斯定理的故障诊断方法,其特征在于,包括:
S1.构建故障诊断知识库,其中,所述故障诊断知识库包括故障现象与故障原因的映射关系,所述故障诊断知识库中包括故障现象节点、故障原因节点和节点路径,建立故障现象与故障原因多对多的因果关系,在故障现象节点记录的故障现象频次,在故障原因节点记录的故障原因频次,在所述节点路径上记录的故障现象与故障原因的路径关联频次;
S2.基于问诊式故障上报流程获取上报的故障现象,根据所述故障诊断知识库中的所述映射关系,自动提示该故障现象所关联的故障原因的其他故障现象,获取用户对故障现象的选择进行选择性上报;
S3.将上报的故障现象输入预先建立的基于贝叶斯定理的故障诊断模型,获取所述故障诊断模型基于故障现象推理得到的故障原因。
2.根据权利要求1所述的方法,其特征在于,所述故障诊断知识库进一步包括:
在故障现象节点中自动记录的故障现象频次,在故障原因节点中自动记录的故障原因频次,在所述节点路径上自动记录的故障现象与故障原因的路径关联频次。
3.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:对所述故障现象节点、故障原因节点和所述节点路径进行编辑操作,对所述故障现象频次、所述故障原因频次和所述路径关联频次进行维护操作。
4.一种基于问诊式故障上报和贝叶斯定理的故障诊断装置,其特征在于,包括:
知识库模块:构建故障诊断知识库,其中,所述故障诊断知识库包括故障现象与故障原因的映射关系,所述故障诊断知识库中包括故障现象节点、故障原因节点和节点路径,建立故障现象与故障原因多对多的因果关系,在故障现象节点中自动记录的故障现象频次,在故障原因节点中自动记录的故障原因频次,在所述节点路径上自动记录的故障现象与故障原因的路径关联频次;
故障上报模块:基于问诊式故障上报流程获取上报的故障现象,根据所述故障诊断知识库中的所述映射关系,自动提示该故障现象所关联的故障原因的其他故障现象,用户进行选择性上报;
诊断模块:将上报的故障现象输入预先建立的基于贝叶斯定理的故障诊断模型,获取所述故障诊断模型基于故障现象推理得到的故障原因。
5.根据权利要求4所述的装置,其特征在于,所述故障诊断知识库进一步包括:
在故障现象节点记录的故障现象频次,在故障原因节点记录的故障原因频次,在所述节点路径上记录的故障现象与故障原因的路径关联频次;
对所述故障现象节点、故障原因节点和所述节点路径进行编辑操作,对所述故障现象频次、所述故障原因频次和所述路径关联频次进行维护操作。
6.一种基于问诊式故障上报和贝叶斯定理的故障诊断装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的基于问诊式故障上报和贝叶斯定理的故障诊断方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至3中任一项所述的基于问诊式故障上报和贝叶斯定理的故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170383.7A CN112965460B (zh) | 2021-02-08 | 2021-02-08 | 故障诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170383.7A CN112965460B (zh) | 2021-02-08 | 2021-02-08 | 故障诊断方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112965460A CN112965460A (zh) | 2021-06-15 |
CN112965460B true CN112965460B (zh) | 2021-11-23 |
Family
ID=76275289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110170383.7A Active CN112965460B (zh) | 2021-02-08 | 2021-02-08 | 故障诊断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112965460B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115037603A (zh) * | 2022-05-31 | 2022-09-09 | 国网湖南省电力有限公司 | 用电信息采集设备的诊断评估方法、装置及系统 |
CN114780732B (zh) * | 2022-06-22 | 2022-09-13 | 天津市天锻压力机有限公司 | 基于贝叶斯分类模型的锻造液压机预测性维护方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133981A (zh) * | 2014-06-25 | 2014-11-05 | 国家电网公司 | 一种基于模糊产生式规则知识库的光伏电站故障诊断方法 |
US9652361B2 (en) * | 2015-03-03 | 2017-05-16 | International Business Machines Corporation | Targeted multi-tiered software stack serviceability |
CN104898641B (zh) * | 2015-04-20 | 2017-11-03 | 东软集团股份有限公司 | 一种车辆故障检测方法和装置 |
CN110412967B (zh) * | 2018-04-27 | 2021-05-25 | 万洲电气股份有限公司 | 一种工业生产线故障诊断系统和方法 |
CN110716539B (zh) * | 2019-11-26 | 2021-03-16 | 宁波市轨道交通集团有限公司 | 一种故障诊断分析方法和装置 |
CN111122199A (zh) * | 2019-12-31 | 2020-05-08 | 新奥数能科技有限公司 | 一种锅炉故障诊断方法及装置 |
CN111158330B (zh) * | 2020-01-16 | 2021-04-20 | 河南中烟工业有限责任公司 | 一种基于本体的烟机故障诊断方法及系统 |
-
2021
- 2021-02-08 CN CN202110170383.7A patent/CN112965460B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112965460A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Firmansyah et al. | Identifying the components and interrelationships of smart cities in Indonesia: Supporting policymaking via fuzzy cognitive systems | |
CN112965460B (zh) | 故障诊断方法、装置及存储介质 | |
Ong et al. | Deep-reinforcement-learning-based predictive maintenance model for effective resource management in industrial IoT | |
CN114666204B (zh) | 一种基于因果强化学习的故障根因定位方法及系统 | |
CN114021784A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN110968512B (zh) | 软件质量评估方法、装置、设备及计算机可读存储介质 | |
Moss | Critical incident management: An empirically derived computational model | |
Yamada et al. | Feature-selection based data prioritization in mobile traffic prediction using machine learning | |
Mattioli et al. | Improve total production maintenance with artificial intelligence | |
Chen et al. | Leveraging deep learning to achieve knowledge-based autonomous service provisioning in broker-based multi-domain SD-EONs with proactive and intelligent predictions of multi-domain traffic | |
Hassani et al. | Reinforcement learning-based feedback and weight-adjustment mechanisms for consensus reaching in group decision making | |
Yang et al. | Adaptive fuzzy interpolation with prioritized component candidates | |
Ray | Equipment fault diagnosis—A neural network approach | |
CN115166414A (zh) | 一种电网故障监测方法及系统 | |
KR20080087571A (ko) | 상황 예측 시스템 및 그 방법 | |
Vallée‐Tourangeau et al. | ‘Attentional Bias’ in correlation judgments? Smedslund (1963) revisited | |
Baras et al. | Integrated, distributed fault management for communication networks | |
Vanderhaegen et al. | Human-reliability analysis of cooperative redundancy to support diagnosis | |
Jungmann et al. | Learning service recommendations | |
Papageorgiou et al. | Bagged nonlinear hebbian learning algorithm for fuzzy cognitive maps working on classification tasks | |
Kogeda et al. | A probabilistic approach to faults prediction in cellular networks | |
CN113949633A (zh) | 基于机器学习的5g网络切片容灾池资源管理方法及装置 | |
Perederyi et al. | Information technology for decision making support and monitoring in man-machine systems for managing complex technical objects of critical application | |
Li et al. | A comparative study of uncertain knowledge representation methods | |
Reformat | A fuzzy‐based multimodel system for reasoning about the number of software defects |
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 |