CN113887606A - 基于故障树建立的电子设备控制系统故障诊断方法 - Google Patents
基于故障树建立的电子设备控制系统故障诊断方法 Download PDFInfo
- Publication number
- CN113887606A CN113887606A CN202111141941.3A CN202111141941A CN113887606A CN 113887606 A CN113887606 A CN 113887606A CN 202111141941 A CN202111141941 A CN 202111141941A CN 113887606 A CN113887606 A CN 113887606A
- Authority
- CN
- China
- Prior art keywords
- event
- fault
- importance
- occurrence
- probability
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于故障树建立的电子设备控制系统故障诊断方法,通过引入故障树方法,利用故障树模型中各事件发生的概率和各种重要度,实现电子设备控制系统故障诊断,可有效改善目前没有成熟的电子设备控制系统故障诊断方法的现状;通过引入改进线性加权求和的方法,有效准确地对各故障发生概率进行排序,并根据排序结果,结合所设置的故障隔离阈值,隔离可能发生的故障,可有效解决故障诊断结果不准确时故障隔离误操作问题。
Description
技术领域
本发明涉及一种设备故障诊断技术,特别涉及一种基于故障树建立的电子设备控制系统故障诊断方法。
背景技术
控制系统是电子设备的核心部件,控制系统一旦发生故障往往会导致整个电子设备停机,研究其故障诊断和故障隔离方法对提高电子设备的可靠性具有重要意义。目前,针对故障诊断领域的研究已经比较深入,基于信号处理、机器学习、深度学习等诊断算法不断发展,比如小波变换、支持向量机、神经网络等方法,涉及到机械、电子电气、化学、通讯网络等领域。然而目前设备健康管理领域相关研究多数集中于机械设备的故障诊断,对于电子设备故障诊断问题研究较少,而且由于电子设备中常见设备状态数据为电压、电流、温度、脉冲信号,而机械设备中常见的设备状态为振动、加速度等数据,导致机械设备领域建立的设备故障诊断模型无法直接有效应用于电子设备故障诊断领域。因此,针对电子设备建立故障诊断模型是目前研究热点,如文献[1]采用层次分析法建立电子装备中CPU板的功能和结构层次模型,结合神经网络技术,实现故障自动推理和定位。
但是在进行广泛的文献查阅之后,发现虽然目前针对电子设备控制系统故障诊断有了一定的研究基础,但是目前研究仍然十分欠缺,缺乏典型的电子设备控制系统故障诊断方法,因此研究和提出有针对性且有效的电子设备控制系统故障诊断算法和框架十分必要。而纵观当前系统可靠性评估和故障诊断领域,故障树分析法模型结构易于理解,得到了广泛的应用。文献[2]通过故障树分析研究办公楼火灾点检测系统的可靠性。文献[3]针对电动汽车充电装置故障诊断问题,构建故障诊断框架,通过建立故障树模型,准确定位并快速解决充电装置的故障问题。文献[4]针对网络系统可靠性评估问题,基于故障树分析法建立顺序故障处理的可靠性模型进行研究。在实际应用中,由于难以获得足够的故障树底事件概率数据,通常根据专家或工程师的意见来估计故障树中底事件的概率。文献[5]结合相似度聚合和模糊集理论,综合处理不同专家的意见,从而获得故障树中底事件的发生概率,完成对天然气储罐的安全性评估。故障树在故障诊断中的发展比较早,趋于成熟,配合其他算法能够有效应用于设备故障诊断问题,结合目前没有成熟的电子设备控制系统故障诊断方法的现状,研究基于故障树方法的电子设备控制系统故障诊断具有一定的研究意义。
此外,单纯进行故障诊断并不能解决根本问题,还需要在发生故障后对故障源进行隔离并且恢复故障,才能达到维护系统的目的。故障隔离是指在系统设计的时候,要尽可能考虑多种故障的情况,采取故障隔离措施可以将故障范围控制在局部,防止故障范围扩大从而增加对上层系统可用性带来的影响,并且当故障发生时,能够快速定位故障源,为后续的故障恢复提供必要条件。对于电路故障,可设置断路器、继电保护器等元件将故障点与系统进行隔离[6][7],或者切换到冗余设备继续工作,待恢复故障之后再重新接入系统。在电子设备发生故障时,各个故障重要程度不同且各故障之间往往具有一定关联性,如果简单根据故障诊断所判断出的一个可能故障原因进行故障隔离,在故障诊断结果不准确时往往达不到故障隔离的效果。因此在发生故障时,如何有效准确地对各故障发生概率进行排序,并根据排序结果,结合所设置的故障隔离阈值,隔离可能发生的故障具有一定研究意义。
文献[1]段修生,王志强,程远增.基于AHP的CPU板故障诊断技术研究[A].中国自动化学会智能自动化专业委员会、中国科学院自动化研究所.2005年中国智能自动化会议论文集.
文献[2]Macleod J,Tan S,Moinuddin K.Reliability of fire(point)detection system in office buildings in Australia–A fault tree analysis[J].Fire Safety Journal,2020,115:103150.
文献[3]Gao D X,Hou J J,Liang K,et al.Fault Diagnosis System forElectric Vehicle Charging Devices Based on Fault Tree Analysis[C]//2018 37thChinese Control Conference(CCC).IEEE,2018.
文献[4]Sun X,Liu Y,Deng L.Reliability assessment of cyber-physicaldistribution network based on the fault tree[J].Renewable Energy,2020,155:1411-1424.
文献[5]Hailong Y,Changhua L,Wei W,et al.Safety assessment of naturalgas storage tank using similarity aggregation method based fuzzy fault treeanalysis(SAM-FFTA)approach[J].Journal of Loss Prevention in the ProcessIndustries,2020,66:104159.
文献[6]Mengfei Z,Jinghua W,Haitai Z.Cooperative Fault IsolationTechnology for Relay Protection and Distribution Automation[C]//2018 ChinaInternational Conference on Electricity Distribution(CICED),Tianjin,2018:1390-1394.
文献[7]Li G,Wu H,Wang F.Bayesian network approach based on faultisolation for power system fault diagnosis[C]//2014 International Conferenceon Power System Technology,Chengdu,2014:601-606.
发明内容
针对电子设备控制系统有效故障判断和故障隔离的问题,提出了一种基于故障树建立的电子设备控制系统故障诊断方法,可以准确地实现电子设备控制系统的故障诊断,为后续的电子设备健康管理和维护工作提供坚实的理论依据。
本发明的技术方案为:一种基于故障树建立的电子设备控制系统故障诊断方法,包括以下步骤:
1)根据研究对象和故障原因,建立故障树模型:根据电子设备控制系统结构组成和运行过程,明确故障对象和对应的故障原因,确定故障树模型的顶事件、中间事件和底事件,顶事件为故障对象,底事件是造成顶事件发生的最基本或根本的故障原因,连接顶事件和底事件的是中间事件,同属一个顶事件的中间事件或者底事件使用逻辑门进行关联,进行逐层分解,建立和简化故障树模型;
2)对步骤1)建立的故障树模型进行定性分析,根据事件间逻辑关系求出顶事件和所有中间事件的最小割集;
3)根据故障树模型和对应最小割集以及相关故障数据进行定量分析,求出各事件发生概率:根据历史数据或者专家评定对各个底事件发生概率进行统计分析,根据故障树模型和对应最小割集求出顶事件和所有中间事件最小割集发生概率;
4)根据故障树模型求出顶事件与底事件各种关联重要度以及最小割集重要度;
5)根据上一步结果,确定最大可能故障原因,采用线性加权求和得出最终故障概率的排序;
6)最终定位和隔离故障点:根据故障排序结果,结合所设置的故障隔离阈值和研究对象的冗余度设计,采用动态切换方式进行故障隔离。
进一步,所述步骤3)中发生概率计算方法如下:
假设故障树模型共有m个底事件,n个最小割集,T表示顶事件,Ck表示第k个最小割集,P(·)表示发生概率,顶事件发生概率g:
或者也可根据各基本事件直接求解顶事件发生概率,对于用“与”门连接的顶事件的发生概率为:
用“或”门连接的顶事件的发生概率为:
其中,qj表示顶事件下一层第j个中间事件的发生概率,S表示顶事件下一层中间事件的个数。
进一步,所述步骤4)中顶事件与底事件各种关联重要度包括结构重要度、概率重要度、关键重要度;
所述结构重要度:不考虑底事件自身发生的概率,仅从结构上分析各个底事件对顶事件发生的影响程度,具体实现方法:列出真值表统计当底事件从不发生到发生时,顶事件从不发生到发生的状态切换次数,获得所有底事件的结构重要度i表示第i个底事件,st表示结构重要度;
所述概率重要度:表示底事件发生概率的变化引起顶事件发生概率的变化程度,第i个底事件概率重要度为所述关键重要度:表示顶事件发生概率的相对变化率与底事件发生概率的相对变化率的比值,第i个底事件关键重要度为所述最小割集重要度:表示最小割集内所有事件发生时对顶事件发生的贡献,第k个最小割集重要度
进一步,所述步骤5)具体实现方法:故障树分析法优先考虑最小割集重要度,而结构重要度次之,设置结构重要度、概率重要度、关键重要度和最小割集重要的权值矩阵为W,考虑到最小割集包含的底事件数目越多,底事件同时发生的概率越小,在线性加权时乘以一个系数以平衡两者的关系,即系数其中Nk为第k最小割集包含的底事件数的总数;第i个底事件最终的加权重要度的计算公式如下:
本发明的有益效果在于:本发明基于故障树建立的电子设备控制系统故障诊断方法,通过引入故障树方法,利用故障树模型中各事件发生的概率和各种重要度,实现电子设备控制系统故障诊断,可有效改善目前没有成熟的电子设备控制系统故障诊断方法的现状;通过引入改进线性加权求和的方法,有效准确地对各故障发生概率进行排序,并根据排序结果,结合所设置的故障隔离阈值,隔离可能发生的故障,可有效解决故障诊断结果不准确时故障隔离误操作问题。
附图说明
图1为本发明基于故障树建立的电子设备控制系统故障诊断方法流程图;
图2为本发明一个实施例电子设备控制系统故障树示意图;
图3为本发明对应图2的故障树模型可视化图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示基于故障树建立的电子设备控制系统故障诊断方法流程图,主要包括以下几部分:
S1、根据研究对象和故障原因,建立故障树模型,具体实现步骤包括:
故障树模型中顶事件对应故障诊断中最关注的故障事件,底事件是造成顶事件发生的最基本或根本的故障原因,当故障时不止一个层级时,连接顶事件和底事件的便是中间事件。其中,顶事件和底事件是必要的。同属一个顶事件的中间事件或者底事件需要使用逻辑门进行关联,常用的逻辑门主要有逻辑“与”门、逻辑“或”门。
本实施例以燃气轮机控制系统电子控制器CPU模块为例,通过查阅相关资料,了解CPU模块可能发生的故障事件和相应故障原因。CPU模块故障诊断的关注点是CPU是否故障,因此对应故障树的顶事件是CPU模块故障,底事件则是引起CPU故障的所有底层故障事件,主要包括接线系统不合理、电耗负荷过高、元器件质量问题、死机、网络接口故障,中间事件则是连接CPU和底层的中间模块的故障事件,主要包括硬件故障、软件故障、CPU过热、接地故障、主板过热。建立的故障树模型如图2所示,各个符号所表示的事件名称也一一列出。T表示顶事件CPU模块故障,xi(i=1,2,3,4,5)表示底事件,Mj(j=1,2,3,4,5)表示中间事件。顶事件和底事件之间依靠逻辑门进行连接。其中,根据事件逻辑关系,使用到的逻辑门均为逻辑“或”门。
S2、对故障树进行定性分析,根据事件间逻辑关系求出顶事件和中间事件的最小割集,具体实现步骤包括:
在建立CPU故障树之后,需要进行定性分析定位可能引起顶事件发生的故障原因,求得引起顶事件发生的最小割集。根据割集的定义,M3的底事件以逻辑“或”门连接,因此其最小割集为{x1},{x2}。同理可得,M4最小割集为{x1},{x3},M5最小割集为{x2},{x3}。M2的底事件以逻辑“或”门连接,因此其最小割集为{x4},{x5}。而M1=M3∪M4∪M5,因此M1最小割集为{x1},{x2},{x3}。T=M1∪M2,其最小割集为{x1},{x2},{x3},{x4},{x5}。其中,{x1}表示当x1同时发生时,T一定发生,以此类推。
S3、根据故障树模型和对应最小割集以及相关故障数据进行定量分析,求出各事件发生概率,具体实现步骤包括:
在求得顶事件所有最小割集后,便可进行定量分析,求出所述的顶事件发生概率,确定系统的薄弱环节和具有最大故障概率的部件。根据历史数据或者专家评定对各个底事件发生概率进行统计分析有:q1=0.001,q2=0.002,q3=0.004,q4=0.0009,q5=0.0011,其中qi表示底事件xi的发生概率。令Ck(k=1,2,3,4,5)表示第k个最小割集,根据逻辑关系和概率论可求得各个最小割集的发生概率:
P(C1)=q1=0.001,
P(C2)=q2=0.002,
P(C3)=q3=0.004,
P(C4)=q4=0.0009,
P(C5)=q5=0.0011,
由计算公式求得顶事件发生概率:
S4、根据故障树模型求出各事件的一系列重要度以及最小割集重要度,具体实现步骤包括:
Step401:计算结构重要度。
表1
首先,根据结构重要度计算公式,需要列出真值表统计当特定底事件从不发生到发生时,顶事件从不发生到发生的状态切换次数。真值表如表1所示事件布尔逻辑关系,其中0表示事件不发生,1表示事件发生。由结构重要度计算公式求得。
结构重要度:不考虑底事件自身发生的概率,仅从结构上分析各个底事件对顶事件发生的影响程度。表示底事件对应部件在系统结构上的重要性,它完全取决于部件在系统中的位置。计算公式如下式所式:
m表示底事件的个数,∑[Φ(1,xi)-Φ(0,xi)]中的xi表示第i个底事件,这个式子只是一个统计符号表示,表示当第i个底事件xi从不发生到发生时,即从0→1时,∑[Φ(1,xi)-Φ(0,xi)]统计了顶事件由不发生到发生的状态切换次数。中i表示第i个底事件,st表示结构重要度。
Step402:计算概率重要度。
假设故障树模型共有m个底事件,n个最小割集,T表示顶事件,Ck表示第k个最小割集,P(·)表示发生概率。根据下式求得顶事件发生概率:
或者也可根据各基本事件直接求解顶事件发生概率,对于用“与”门连接的顶事件的发生概率为:
用“或”门连接的顶事件的发生概率为:
其中,qj表示顶事件下一层第j个中间事件的发生概率,S表示顶事件下一层中间事件的个数。
概率重要度表示底事件发生概率的变化引起顶事件发生概率的变化程度,第i个底事件概率重要度计算通用公式如下式所示:
其中,g为顶事件发生概率,qi表示底事件xi的发生概率,i=1,2,...,m,pr表示概率重要度。
另外,关于同一字母不能表示不同含义的问题,已经进行了区分,其中底事件的个数为m,其中的顺序表示用i;最小割集的个数为n,其中的顺序表示用k;中间事件的个数为S,其中的顺序表示用j;
因为本实施例为“或”门连接的顶事件,根据“或”门连接的顶事件的发生概率公式,该实施例中顶事件下一层有2个中间事件M1,M2,因此顶事件发生概率g=1-(1-P(M1))(1-P(M2)),其中
P(M1)=P(M3UM4UM5)=P((x1Ux2)U(x1Ux3)U(x2Ux3))
=P(x1Ux2Ux3)=1-(1-q1)(1-q2)(1-q3)
=6.986008×10-3
P(M2)=P(M4UM5)=1-(1-q4)(1-q5)=0.00199901
由概率重要度计算公式得,
因此,x1,x2,x3,x4,x5的概率重要度分别为:
Step403:计算关键重要度。
关键重要度表示顶事件发生概率的相对变化率与底事件发生概率的相对变化率的比值,第i个底事件关键重要度计算通用公式如下式所示:
由关键重要度计算公式,x1,x2,x3,x4,x5的关键重要度分别为:
Step404:计算最小割集重要度。
最小割集重要度表示最小割集内所有事件发生时对顶事件发生的贡献,第k个最小割集重要度计算通用公式如下式所示:
其中,g为顶事件发生概率,Qk表示第k个最小割集的发生概率,k=1,2,...,n,FV表示最小割集重要度。
由最小割集重要计算公式有C1,C2,C3,C4的最小割集重要度分别为:
本实施例基于pycharm平台进行仿真。程序输入是故障树模型,包括顶事件、中间事件、底事件、逻辑门还有各个底事件的发生概率,如图3就是将输入的故障树模型可视化。输出是顶事件发生概率还有一系列重要度。
S5、确定最大可能故障原因,采用线性加权求和得出最终故障概率的排序,具体实现步骤包括:
综合和整理上述步骤所有计算结果如表2、3所示。由表2可知,x1,x2,x3,x4,x5的结构重要度均为0.0625,因此所有底事件对应部件的健康度需要同样程度的重视。x3的概率重要度为0.995009,是5个底事件中最高的,说明x3的概率发生变化对于顶事件发生概率的影响程度是最大的,因此提高部件x3的可靠性对于整体可靠性的提升帮助最大。同理,x4的概率重要度为0.991922,是5个底事件中最低的,说明x4的概率发生变化对与顶事件发生概率的影响程度最小,提高部件x4的可靠性对于整体可靠性的提升帮助也最小。
概率重要度只从灵敏度方面进行分析,没有考虑基本事件自身的发生概率。关键重要度从事件发生概率以及灵敏度两方面进行评判,表2中x3的关键重要度为0.443653,是所有底事件最高的,x4的关键重要度为0.099512,在所有底事件中最小,除了说明系统对x3的发生概率变化最敏感之外,还表明由于x3发生概率比较高,其对应元件的可靠性十分重要。x4则相反,其概率重要度和关键重要度都是最低的,说明x4对应元件的可靠性对系统的影响相对较小。
由表3可知5个最小割集中,{x3}的重要度最高,取值为0.445879,{x2}次之,取值为0.222939,{x4}的重要度最低,取值为0.100323。因此,当顶事件T发生时,{x3}对T发生的贡献最大,{x2}次之,{x4}贡献最小。因为{x2},{x3}这两个割集的重要度之和达到0.668818,超过一半,如果顶事件T发生时,应重点查看基本事件x2,x3是否发生。
表2
表3
综合考虑所有重要度,采用线性加权求和得出最终故障概率的排序。根据上文分析,故障树分析法通常优先考虑最小割集重要度,而部件在系统的结构重要度次之。本实施例设置结构重要度、概率重要度、关键重要度和最小割集重要的权值为W=[0.25,0.10,0.15,0.50]。考虑到最小割集包含的底事件数目越多,底事件同时发生的概率越小,仅仅考虑最小割集重要度不能够进行全面的评估。因此,本实施例在线性加权时需要乘以一个系数以平衡两者的关系,即系数其中Nk为第k个最小割集包含的底事件数的总数,k=1,2,...,n。因此,第i个底事件最终的加权重要度的计算公式如下,其中i=1,2,...,m,表示第i个底事件结构重要度,表示第i个底事件概率重要度,表示第i个底事件关键重要度,表示第k个最小割集重要度,表示当第i个底事件属于第k个最小割集Ck时,计算一次的值,遍历最小割集k=1,2,...,n后进行求和。根据该公式计算结果如表4所示,由表4可知当CPU控制模块发生故障时,按照故障概率可能性排序为x3,x2,x5,x1,x4。
表4
S6、最终定位和隔离故障点,具体实现步骤包括:
控制系统是电子设备的核心大脑,控制整个电子设备的安全可靠运行,一旦出现故障,除了要快速确定故障发生的位置和类型外,还要对故障点快速隔离,降低进一步造成的损坏。根据上述步骤所述,最有可能引起顶事件T发生的最小割集是{x2},{x3},根据故障排序结果,结合研究对象的冗余度设计和所设置的故障隔离阈值(这里设置为0.2),采用动态切换方式,通过断路器等隔离开关将x2,x3分别对应的相关元件脱离系统,切换到对应的副控模块实现故障隔离。等到故障恢复之后,再重新接入,有效实现了电子设备控制系统的故障诊断和故障隔离。
以上详细描述了本申请的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本申请的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本申请的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由本申请所确定的保护范围内。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于故障树建立的电子设备控制系统故障诊断方法,其特征在于,包括以下步骤:
1)根据研究对象和故障原因,建立故障树模型:根据电子设备控制系统结构组成和运行过程,明确故障对象和对应的故障原因,确定故障树模型的顶事件、中间事件和底事件,顶事件为故障对象,底事件是造成顶事件发生的最基本或根本的故障原因,连接顶事件和底事件的是中间事件,同属一个顶事件的中间事件或者底事件使用逻辑门进行关联,进行逐层分解,建立和简化故障树模型;
2)对步骤1)建立的故障树模型进行定性分析,根据事件间逻辑关系求出顶事件和所有中间事件的最小割集;
3)根据故障树模型和对应最小割集以及相关故障数据进行定量分析,求出各事件发生概率:根据历史数据或者专家评定对各个底事件发生概率进行统计分析,根据故障树模型和对应最小割集求出顶事件和所有中间事件最小割集发生概率;
4)根据故障树模型求出顶事件与底事件各种关联重要度以及最小割集重要度;
5)根据上一步结果,确定最大可能故障原因,采用线性加权求和得出最终故障概率的排序;
6)最终定位和隔离故障点:根据故障排序结果,结合所设置的故障隔离阈值和研究对象的冗余度设计,采用动态切换方式进行故障隔离。
3.根据权利要求2所述基于故障树建立的电子设备控制系统故障诊断方法,其特征在于,所述步骤4)中顶事件与底事件各种关联重要度包括结构重要度、概率重要度、关键重要度;
所述结构重要度:不考虑底事件自身发生的概率,仅从结构上分析各个底事件对顶事件发生的影响程度,具体实现方法:列出真值表统计当底事件从不发生到发生时,顶事件从不发生到发生的状态切换次数,获得所有底事件的结构重要度i表示第i个底事件,st表示结构重要度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141941.3A CN113887606A (zh) | 2021-09-28 | 2021-09-28 | 基于故障树建立的电子设备控制系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141941.3A CN113887606A (zh) | 2021-09-28 | 2021-09-28 | 基于故障树建立的电子设备控制系统故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887606A true CN113887606A (zh) | 2022-01-04 |
Family
ID=79007333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111141941.3A Pending CN113887606A (zh) | 2021-09-28 | 2021-09-28 | 基于故障树建立的电子设备控制系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887606A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114490836A (zh) * | 2022-04-15 | 2022-05-13 | 国网天津市电力公司电力科学研究院 | 一种适用于电动汽车充电故障的数据挖掘处理方法 |
CN114594750A (zh) * | 2022-02-28 | 2022-06-07 | 杨少伟 | 一种基于故障树的高铁塞拉门故障诊断方法 |
CN115390550A (zh) * | 2022-10-27 | 2022-11-25 | 潍柴雷沃智慧农业科技股份有限公司 | 联合收割机的故障诊断方法、系统、控制器和联合收割机 |
-
2021
- 2021-09-28 CN CN202111141941.3A patent/CN113887606A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114594750A (zh) * | 2022-02-28 | 2022-06-07 | 杨少伟 | 一种基于故障树的高铁塞拉门故障诊断方法 |
CN114594750B (zh) * | 2022-02-28 | 2024-05-31 | 杨少伟 | 一种基于故障树的高铁塞拉门故障诊断方法 |
CN114490836A (zh) * | 2022-04-15 | 2022-05-13 | 国网天津市电力公司电力科学研究院 | 一种适用于电动汽车充电故障的数据挖掘处理方法 |
CN115390550A (zh) * | 2022-10-27 | 2022-11-25 | 潍柴雷沃智慧农业科技股份有限公司 | 联合收割机的故障诊断方法、系统、控制器和联合收割机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113887606A (zh) | 基于故障树建立的电子设备控制系统故障诊断方法 | |
CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
CN109445411B (zh) | 一种变电站故障诊断方法 | |
Jia et al. | Defect prediction of relay protection systems based on LSSVM-BNDT | |
Tyagi et al. | Fuzzy fault tree analysis for fault diagnosis of cannula fault in power transformer | |
CN112149953B (zh) | 基于多模联动和多阶段协作的机电设备运行安全评估方法 | |
CN113902946A (zh) | 电力系统故障方位判别方法、装置、终端设备及存储介质 | |
CN116205140A (zh) | 一种基于lstm-arima的igbt剩余使用寿命预测方法 | |
CN114186849A (zh) | 一种计及二次系统影响的电力系统连锁故障风险评估方法及其系统 | |
Gong et al. | Transient stability assessment of electric power system based on voltage phasor and cnn-lstm | |
ul Hassan et al. | Online static security assessment for cascading failure using stacked De-noising Auto-encoder | |
Rayudu | A knowledge-based architecture for distributed fault analysis in power networks | |
Yang et al. | Anomaly detection of automobile welding workstation based on stacked autoencoders and long short-term memory network | |
Tiwari et al. | Contingency assessment for voltage dip and short term voltage stability analysis | |
CN114791537A (zh) | 基于属性自适应的工业设备剩余使用寿命预测方法及系统 | |
Ding et al. | Reliability evaluation of direct current distribution system for intelligent buildings based on big data analysis | |
Marweni et al. | Deep learning for fault detection and diagnosis: Application to photovoltaic system | |
CN112733450A (zh) | 一种电力网络中节点故障的分析方法及装置 | |
Li et al. | Research review and prospect of fault diagnosis method of satellite power system based on machine learning | |
Wang | Bearing fault detection method of gear traction motor based on ARM | |
Cervantes et al. | Contingency ranking in power systems via reliability rates | |
CN117728585B (zh) | 一种分布式光伏电站状态预测方法及系统 | |
CN111931378B (zh) | 一种基于重叠社团结构的电网关键节点识别方法 | |
Du et al. | Fault Diagnosis Based on the Adaptive Network Fuzzy Inference System for Power System of Offshore Platform | |
Kadechkar et al. | FMEA 2.0: Machine Learning Applications in Smart Microgrid Risk Assessment |
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 |