CN113919225B - 环境试验箱可靠性评估方法和系统 - Google Patents

环境试验箱可靠性评估方法和系统 Download PDF

Info

Publication number
CN113919225B
CN113919225B CN202111189163.5A CN202111189163A CN113919225B CN 113919225 B CN113919225 B CN 113919225B CN 202111189163 A CN202111189163 A CN 202111189163A CN 113919225 B CN113919225 B CN 113919225B
Authority
CN
China
Prior art keywords
data set
test box
network structure
bayesian network
environmental test
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
Application number
CN202111189163.5A
Other languages
English (en)
Other versions
CN113919225A (zh
Inventor
杨华建
牛王强
周贤文
江佳腾
黄佳颖
张炜婷
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime 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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202111189163.5A priority Critical patent/CN113919225B/zh
Publication of CN113919225A publication Critical patent/CN113919225A/zh
Application granted granted Critical
Publication of CN113919225B publication Critical patent/CN113919225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明公开了一种环境试验箱可靠性评估方法，包括以下步骤：首先，获取评估环境试验箱的数据集；然后，基于获取的数据集，建立环境试验箱的贝叶斯网络结构；最后，基于环境试验箱的贝叶斯网络结构，分析环境试验箱的可靠性。此外还提供了一种环境试验箱可靠性评估系统。上述方法和系统通过建立贝叶斯网络结构对环境试验箱的可靠性进行评估，提高了环境试验箱可靠性评估的准确性，为用户和企业谋求更高的效益。

Description

环境试验箱可靠性评估方法和系统
技术领域
本发明涉及智能分析领域，特别是涉及一种环境试验箱可靠性评估方法和系统。
背景技术
环境试验箱是模拟各种温度、湿度环境，广泛应用于测试电子、金属、橡胶等产品在恶劣环境下的可靠性和稳定性参数的重要设备。由于高低温试验以及湿热试验持续工作时间长，温控精度高、有时要以快速的升/降温速率工作，常常发生超温、制冷失效、压缩机故障、驱动电机过热、加湿器过流或者冷凝风机过热等故障，这些故障如不能及时发现轻则造成测试结果不正确，重则造成被测产品损坏。进一步，在实际应用中，环境试验箱的单元或者系统可能存在多种状态，环境试验箱组件之间的依赖关系也具有很强的随机性和不确定性。现有可靠性分析方法大多集中在状态监测、控制系统设计、设备结构改造等方面，并且只能应用在静态系统的可靠性评估中，难以考虑时间因素对环境试验箱可靠性评估的影响。
从而随着大数据时代来临和信息技术的快速发展，如何对环境试验箱可靠性进行评估越来越成为亟待解决的技术问题。
发明内容
基于此，有必要针对环境试验箱可靠性评估的问题，提供一种环境试验箱可靠性评估方法和系统。该方法和系统，提高了环境试验箱可靠性评估的准确性，为用户和企业谋求更高的效益。
一种环境试验箱可靠性评估方法，包括以下步骤：
获取评估环境试验箱的数据集；
基于获取的数据集，建立环境试验箱的贝叶斯网络结构；
基于环境试验箱的贝叶斯网络结构，分析环境试验箱的可靠性。
在其中一个实施例中，所述获取评估环境试验箱的数据集包括以下步骤：
获取环境试验箱的历史故障时间数据，记为第一数据集；
在第一数据集中，对于环境试验箱中的每个组件，采用时间相减的方式得到每个组件的故障时间间隔数据，将得到的故障时间间隔数据组成第二数据集；
在第二数据集上，利用箱线图法除去异常的故障时间间隔数据，得到第三数据集；
在第三数据集上，对第三数据集中的故障时间间隔数据进行编码，得到第四数据集；
在第四数据集上，利用最大信息系数方法进行特征选择，分别得到第五数据集和第六数据集。
在其中一个实施例中，所述对第三数据集中的故障时间间隔数据进行编码包括对第三数据集中的故障时间间隔数据进行“0-1”编码的方式编码，其中，
第三数据集中故障的组件标记为0，未故障的组件标记为1。
在其中一个实施例中，所述在第四数据集上，利用最大信息系数方法进行特征选择，分别得到第五数据集和第六数据集包括以下步骤：
基于限制条件和第四数据集中每个组件与相对应系统的互信息，在第四数据集上计算每个组件和相对应系统的最大信息系数；
将计算出的最大信息系数与预设阈值进行比较，筛选出最大信息系数大于预设阈值的组件；
在第四数据集上，将筛选出的组件记为第五数据集；
在第三数据集上，将筛选出的组件记为第六数据集。
在其中一个实施例中，所述基于获取的数据集，建立环境试验箱的贝叶斯网络结构包括以下步骤：
在第五数据集上，利用最大最小爬山算法来学习环境试验箱每个系统的贝叶斯网络结构；
将环境试验箱每个系统的贝叶斯网络结构中最后一层节点视为串联系统，以及将环境试验箱每个系统的子系统视为串联关系，得到环境试验箱的贝叶斯网络结构。
在其中一个实施例中，所述基于环境试验箱的贝叶斯网络结构，分析环境试验箱的可靠性包括以下步骤：
在第五数据集上，获取贝叶斯网络结构中受影响节点的条件概率以及环境试验箱的条件概率；
在第六数据集上，使用非齐次泊松过程对贝叶斯网络结构中的底层节点的故障强度进行建模，得到故障强度函数；
基于得到的故障强度函数，计算贝叶斯网络结构中的底层节点在一定时间间隔中经历多次故障的概率；
将底层节点在一定时间间隔中经历多次故障的概率、受影响节点的条件概率以及环境试验箱的条件概率作为贝叶斯网络结构的输入，得到环境试验箱的故障率。
在其中一个实施例中，故障强度模型的公式为：
其中，θ是比例参数，β是形状参数。
在其中一个实施例中，所述在第六数据集上，使用非齐次泊松过程对贝叶斯网络结构中的底层节点的故障强度进行建模，得到故障强度函数包括以下步骤：
采用最大似然估计对已建模的贝叶斯网络结构中的底层节点进行求解，得到贝叶斯网络结构中的底层节点所对应的θ、β的具体值；
将贝叶斯网络结构中的底层节点所对应的θ、β的具体值带入故障强度模型中，得到故障强度函数。
在其中一个实施例中，还包括以下步骤：
计算在故障条件下环境试验箱中各个组件的重要度；
基于各个组件的重要度，确定组件维修的优先级。
一种环境试验箱可靠性评估系统，包括，
获取模块，用于获取评估环境试验箱的数据集；
建立模块，用于基于获取的数据集，建立环境试验箱的贝叶斯网络结构；
分析模块，用于基于环境试验箱的贝叶斯网络结构，分析环境试验箱的可靠性。
本发明中环境试验箱可靠性评估方法通过建立贝叶斯网络结构对环境试验箱的可靠性进行评估，提高了环境试验箱可靠性评估的准确性，为用户和企业谋求更高的效益。
在获取数据集的过程中，采用时间相减的方式处理历史故障时间数据，充分考虑了时间因素对组件的影响，然后使用箱线图来识别故障间隔异常值，使得对环境试验箱可靠性分析的数据准确性更高，提高了数据的可靠性，从而使得对环境试验箱可靠性分析更加精确。其次，通过“0-1”编码的方式将环境试验箱中的组件是否发生故障的语言描述的非结构化信息转化为数值形式的结构化信息，使得后续的建模以及环境试验箱的可靠性分析更加高效。最后，采用MIC进行特征选择，能够全面的考虑影响环境试验箱可靠性的重要组件。
进一步，利用最大最小爬山算法来学习环境试验箱每个系统的贝叶斯网络结构能够定性描述组件间随时间变化的影响关系，然后通过贝叶斯网络建模组件间随时间变化的依赖关系，定性与定量地描述环境试验箱系统组件间的因果关系，对环境试验箱的可靠性分析更加全面。此外使用非齐次泊松过程建模组件的故障强度(故障率)，也进一步充分考虑环境试验箱可靠性随时间变化的情况，也进而有效地对环境试验箱的可靠性进行及时的评估。
最后基于各个组件的重要度，确定组件维修的优先级使得可以科学地制定维修计划，减少设备维修的费用和停机带来的损失，为用户和企业谋求更高的效益。
附图说明
图1为环境试验箱可靠性评估方法流程示意图；
图2为识别加湿器故障时间间隔异常值的箱线图的示意图；
图3为环境试验箱贝叶斯网络结构示意图；
图4为环境试验箱以及各个系统的故障概率示意图；
图5为环境试验箱故障时各组件重要度示意图；
图6为环境试验箱可靠性评估系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，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。
请参见图1，本发明实施例中介绍了一种环境试验箱可靠性评估方法，其中，本发明实施中以环境试验箱包括图3的系统和子系统(也称为组件)为例进行示例性说明，但不限于此，环境试验箱可靠性评估方法也适用于其他试验箱。具体的，所述环境试验箱可靠性评估方法包括以下步骤：
步骤100，获取评估环境试验箱的数据集。其中，具体包括以下步骤：
步骤1001，选择环境试验箱的历史故障时间数据作为基础数据集，记为历史故障时间数据D1。
步骤1002，在历史故障时间数据D1中，对于环境试验箱的每个组件，采用时间相减的方式，得到故障时间间隔数据集D2。具体的，在历史故障时间数据D1中，对于环境试验箱的每个组件，用后一个故障时间减去前一个故障时间，从而能够得到每个组件的一个或多个故障时间间隔数据，将获得的所有的故障时间间隔数据组成故障时间间隔数据集D2。通过采用时间相减的方式处理历史故障时间数据，充分考虑了时间因素对组件的影响，从而使得对环境试验箱可靠性分析更加精确。
步骤1003，在故障时间间隔数据集D2上，采用箱线图法除去故障时间间隔数据集D2中异常的故障时间间隔数据，得到故障时间间隔数据集D3。具体的，箱线图由五个统计量组成：中心位置是中位数，箱子长度(IQR)是从下四分位数Q1(25％)到上四分位数Q3(75％)的距离，最大值(Q3+1.5IQR)和最小值(Q1-1.5IQR)是箱子的两端，其中，超出最大值和最小值的样本数据被定义为异常值。从而采用箱线图来识别异常的故障间隔时间，首先计算故障时间间隔的上四分位数(Q3)和下四分位数(Q1)，记四分位距IQR＝Q3-Q1,则故障时间间隔大于Q3+1.5IQR或故障时间间隔小于Q1-1.5IQR被识别异常值并被去除。进一步具体的，如图2所示，以识别加湿器故障时间隔异常值箱线图为示例性说明，正常故障时间间隔值在230天内，主要集中在(90,120)天，中位数大约是150天。通过计算，得到两个异常值415和487。同样，其他组件故障间隔的异常值值也通过箱线图得到，在此不再进行赘述。最后，将异常的故障时间间隔数据从故障时间间隔数据集D2去除，故障时间间隔数据集D2剩余的故障时间间隔数据组成故障时间间隔数据集D3。使用箱线图来识别故障间隔异常值，使得对环境试验箱可靠性分析的数据准确性更高，提高了数据的可靠性和分析结果的精确性。
步骤1004，在故障时间间隔数据集D3上，采用“0-1”编码的方式编码，得到数据集D4。示例性的，在同一天时间中，环境试验箱中某个组件故障则标记为0，环境试验箱中未故障的组件则标记为1。通过“0-1”编码的方式将环境试验箱中的组件是否发生故障的语言描述的非结构化信息转化为数值形式的结构化信息，使得后续的建模以及环境试验箱的可靠性分析更加高效。
步骤1005，在数据集D4上，利用最大信息系数方法进行特征选择，分别得到数据集D5和数据集D6。具体的，首先在数据集D4上计算每个组件和对应系统的最大信息系数(MIC：Maximal Information Coefficient)，MIC定义如下式：
其中，I(D4，X，Y)表示在数据集D4上组件X和系统Y的互信息，B(n)＝n0.6，B为数据总量，n为样本数。|X||Y|<B(n)为建立贝叶斯网络结构过程中的限制条件。组件X和系统Y的关系示例性的，系统Y为制冷系统，组件X可以是冷凝器、电磁阀等制冷系统中的组件。
然后，将计算出的最大信息系数与预设阈值进行比较，筛选出最大信息系数大于预设阈值的组件。具体的，MIC的取值范围为[0,1]，MIC越大，相应组件对相应系统故障影响越大。本发明实施例中，MIC的预设阈值设定为0.1，但不限于此，0.2等也适用于本发明。然后选择MIC大于预设阈值的组件，以表1的MIC组件选择结果为示例性说明，如下所示：
表1 MIC组件选择结果
从表1中可以看出，一共选择出来的10个组件，其中，制冷系统选择4个功能部件：冷凝器、电磁阀、压缩机和蒸发器；电气系统选择3个功能部件：电器、加湿器和固态继电器；控制系统故障选择3个功能部件：PLC-I/O、温度传感器和过热保护器。与其他组件相比，冷凝器，电器，加湿器和PLC-I/O的MIC值更大，表明这些组件对系统的工作状态有很大的影响。实际上，这些组件的故障概率也相对较高。从而说明采用MIC进行特征选择，能够全面的考虑影响环境试验箱可靠性的重要组件。
进一步的，以表1中的选择结果继续示例性说明，在数据集D4上，上述10个组件组成新的“0-1”编码数据集D5；在故障时间间隔数据集D3上，上述10个组件组成新的故障间隔数据集D6。使用MIC来选择重要的组件，充分考虑了影响环境试验箱可靠性分析的重要因素，从而使得分析结果的可靠性更高。
步骤200，基于获取的数据集，建立环境试验箱的贝叶斯网络结构。具体的包括以下步骤：
步骤2001，在数据集D5上，利用最大最小爬山算法(MMHC)来学习环境试验箱每个系统的贝叶斯网络结构。具体的，最大最小爬山算法MMHC算法步骤为：首先，采用最大最小启发式方法填充目标变量T的父子节点表CPC，然后，在CPC中，给定其中的变量X，若目标变量T与CPC表中元素X是独立的，则去除X(证明非父子节点关系)；在进行贝叶斯网络结构学习时，以贝叶斯信息度量(BIC：bayesian information criterion)评分作为评分函数；最后，通过爬山算法选择评分最高的贝叶斯网络结构确定为最终结构。环境试验箱中的每个系统均采用上述最大最小爬山算法MMHC算法构建贝叶斯网络结构。本发明实施例中，环境试验箱中的每个系统通过MMHC算法先建立一个贝叶斯网络的框架，其中，该框架为无向连接，再通过贝叶斯评分，利用爬山算法确定方位，此时贝叶斯网络的框架为定向连接，从而能够定性的描述组件间的影响关系。
步骤2002，将环境试验箱每个系统的贝叶斯网络结构中最后一层节点视为串联系统，以及将环境试验箱每个系统的子系统视为串联关系，得到环境试验箱的贝叶斯网络结构。示例性的，详见图3示出了一种环境试验箱的贝叶斯网络结构，其中，图3中各个系统的故障或者故障原因仅为示例性说明，但不限于此，每个系统或子系统其他故障状态也适用于本发明。例如加湿器缺水为故障状态，但不限于此，加湿器自身损坏也属于故障状态。进一步，制冷系统中的电磁阀，压缩机和蒸发器作为根节点彼此独立，并且蒸发器和压缩机的父节点影响子节点冷凝器。当制冷系统运行时，压缩机将蒸发器产生的低温低压制冷剂蒸气吸入气缸，通过压缩机对其进行压缩，然后将高温高压制冷剂蒸气排放到冷凝器中。在冷凝器中，蒸气与低温空气进行热交换并冷凝成液态制冷剂，通过膨胀阀进入蒸发器，从而完成制冷循环。冷凝器和电磁阀为串联关系。电气系统中的电器，加湿器和固态继电器作为根节点彼此独立并且没有依赖关系。这三个组成部分构成一个串联系统。类似地，控制系统中的PLC-I/O，温度传感器和超过热保护器彼此独立，从而形成串联系统。电气系统，控制系统和制冷系统构成了环境试验箱的串联系统。从而通过贝叶斯网络建模组件间随时间变化的依赖关系，对环境试验箱的可靠性分析更加全面。
步骤300，基于环境试验箱的贝叶斯网络结构，分析环境试验箱的可靠性。具体的包括以下步骤：
步骤3001，在数据集D5上，获取贝叶斯网络结构中受影响节点的条件概率以及环境试验箱的条件概率。以上述示例进行示例性说明，制冷系统中的冷凝器受到压缩机和蒸发器的影响，所以在数据集D5上，通过最大似然估计来得到贝叶斯网络中冷凝器节点的条件概率，其中，采用的公式为：
通过上述公式，可以得到如表2所示的冷凝器节点的条件概率表。
表2冷凝器条件概率表
本实施例中，充分考虑了受影响节点对环境试验箱故障的影响，使得对环境试验箱的可靠性分析更加全面具体。
进一步，由步骤2002可知，电气系统，控制系统和制冷系统构成了环境试验箱的串联系统，从而串联系统一个组件故障则系统整体故障，即环境试验箱中一个组件故障，整个环境试验箱则为故障状态，从而如表3所示，环境试验箱节点条件概率非0即1。
表3环境试验箱条件概率表
本实施例中，环境试验箱的条件概率充分考虑电气系统，控制系统和制冷系统构成的串联系统，使得环境试验箱的分析体现了组件间的依赖关系。
步骤3002，在数据集D6上，使用非齐次泊松过程对贝叶斯网络结构中的底层节点的故障强度进行建模，得到故障强度函数。具体的，非齐次泊松过程(NHPP)采用的是幂律过程(PLP)。故障强度模型满足下式：
其中，θ是比例参数，β是形状参数，t指的是时间。
进一步，采用最大似然估计对已建模的贝叶斯网络结构中的底层节点进行求解(对故障强度模型进行求解)，得到贝叶斯网络结构中的底层节点所对应的θ、β的具体值(即故障强度模型中的θ、β的具体值)；然后，将贝叶斯网络结构中的底层节点所对应的θ、β的具体值带入故障强度模型中，得到故障强度函数。以表4的环境试验箱的组件故障强度函数参数为示例性说明，如下所示：
表4.组件故障强度函数参数
步骤3003，基于得到的故障强度函数，计算贝叶斯网络结构中的底层节点在一定时间间隔中经历多次故障的概率，其中，一定时间间隔可以1小时、是1天、2天等。进一步，贝叶斯网络结构中的底层节点在一定时间间隔(t1，t2)中经历j次故障的概率的公式为：
其中，N(t1)是在时间t1之前发生的故障次数，N(t2)是在时间t2之前发生的故障次数，w(t)为步骤3002中得到的故障强度函数。
示例性的，采用上述公式，计算步骤3002中9个底层节点(表4中的9个组件)在间隔1天(t2-t1＝1)中经历1(j＝1)次故障的概率，一共计算3000天的结果如表5所示。
表5.组件间隔1天故障率(×10-3)
步骤3004，将底层节点在一定时间间隔中经历多次故障的概率、受影响节点的条件概率以及环境试验箱的条件概率作为贝叶斯网络结构的输入，得到环境试验箱的故障率。即将表5中9个组件的故障率和步骤3001所得到的条件概率作为环境试验箱贝叶斯网络结构的输入，采用MATLAB工具箱(BNT 1.0.4)中的联合树推理引擎，由此得到制冷系统、电气系统、控制系统和环境试验箱试验箱整体的故障率，结果如图4所示的系统故障概率图，以与纵坐标由上到下相交为准，四个曲线分别代表的是环境试验箱、制冷系统、控制系统、电气系统，从中可以看出，制冷系统、电气系统、控制系统以及环境试验箱的失效概率值均呈上升趋势。经分析可知由于冷凝器、压缩机、蒸发器之间相互影响，制冷系统的失效概率高于其他系统。并且根据之前的统计，制冷系统的故障次数最多，其次是电气系统和控制系统。环境试验箱是一个串联系统，其失效概率是三个系统之和，所以总体失效概率高于任何一个子系统。从而本发明实施例中使用NHPP建模组件的故障率，从而计算环境试验箱的可靠性，分析结果精确度较高，充分展现了环境试验箱的运行状态，能够有效地实现对环境试验箱的故障状态监控，提高了用户体验。
本实施例中，所述环境试验箱可靠性评估方法还包括以下步骤，计算在故障条件下环境试验箱中各个组件的重要度；然后基于各个组件的重要度，确定组件维修的优先级。具体的，环境试验箱故障条件下各个组件的重要度公式：
其中A为环境试验箱节点，Bi为剩余组件节点。P(Bi＝0)指的是步骤3003中得到的每个组件每一天故障的概率，P(A＝0|Bi＝0)指的是步骤3001得到的条件概率。以图5为示例性说明，根据图5给出的组件重要性顺序，工程师可以维护重要性最高的PLC-I/O。如果检测后PLC-I/O确实故障，修复后试验箱工作，那么问题就解决了。否则，在BN(贝叶斯网络结构)中输入节点的新证据(PLC-I/O＝1)，检查剩余部件的重要度，即：
P(其余组件＝0|试验箱＝0，PLC-I/O＝1)
通过上述环境试验箱故障条件下各个组件的重要度公式，工程师们逐个地检查故障概率最高的组件，直到找到故障的原因，从而使得故障排查效率更高。通过环境试验箱故障条件下各个组件的重要度公式查找故障原因，且基于各个组件的重要度，确定组件维修的优先级使得可以科学地制定维修计划，减少设备维修的费用和停机带来的损失，为用户和企业谋求更高的效益。
详见图6，本发明实施例中还介绍了一种能够执行上述方法的环境试验箱可靠性评估系统，包括获取模块、建立模块以及分析模块。其中，获取模块用于获取评估环境试验箱的数据集；建立模块用于基于获取的数据集，建立环境试验箱的贝叶斯网络结构；分析模块用于基于环境试验箱的贝叶斯网络结构，分析环境试验箱的可靠性。进一步，所述分析模块还用于计算在故障条件下环境试验箱中各个组件的重要度，并基于各个组件的重要度，确定组件维修的优先级。
环境试验箱可靠性评估系统通过贝叶斯网络结构建模组件间的依赖关系，并使用NHPP建模组件的故障率，从而能够充分考虑环境试验箱可靠性随时间变化的情况，也定性与定量地描述环境试验箱系统组件间的因果关系，进而有效地对试验箱的可靠性进行及时的评估，进一步基于各个组件的重要度，确定组件维修的优先级使得可以科学地制定维修计划，减少设备维修的费用和停机带来的损失，为用户和企业谋求更高的效益。
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本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 (6)

1.一种环境试验箱可靠性评估方法，其特征在于，包括以下步骤：
获取评估环境试验箱的数据集；
基于获取的数据集，建立环境试验箱的贝叶斯网络结构；
基于环境试验箱的贝叶斯网络结构，分析环境试验箱的可靠性；
所述获取评估环境试验箱的数据集包括以下步骤：获取环境试验箱的历史故障时间数据，记为第一数据集；
在第一数据集中，对于环境试验箱中的每个组件，采用时间相减的方式得到每个组件的故障时间间隔数据，将得到的故障时间间隔数据组成第二数据集；
在第二数据集上，利用箱线图法除去异常的故障时间间隔数据，得到第三数据集；
在第三数据集上，对第三数据集中的故障时间间隔数据进行编码，得到第四数据集；
在第四数据集上，利用最大信息系数方法进行特征选择，分别得到第五数据集和第六数据集；
所述在第四数据集上，利用最大信息系数方法进行特征选择，分别得到第五数据集和第六数据集包括以下步骤：基于限制条件和第四数据集中每个组件与相对应系统的互信息，在第四数据集上计算每个组件和相对应系统的最大信息系数；
将计算出的最大信息系数与预设阈值进行比较，筛选出最大信息系数大于预设阈值的组件；
在第四数据集上，将筛选出的组件记为第五数据集；
在第三数据集上，将筛选出的组件记为第六数据集；
所述基于获取的数据集，建立环境试验箱的贝叶斯网络结构包括以下步骤：在第五数据集上，利用最大最小爬山算法来学习环境试验箱每个系统的贝叶斯网络结构；
将环境试验箱每个系统的贝叶斯网络结构中最后一层节点视为串联系统，以及将环境试验箱每个系统的子系统视为串联关系，得到环境试验箱的贝叶斯网络结构；
所述基于环境试验箱的贝叶斯网络结构，分析环境试验箱的可靠性包括以下步骤：在第五数据集上，获取贝叶斯网络结构中受影响节点的条件概率以及环境试验箱的条件概率；
在第六数据集上，使用非齐次泊松过程对贝叶斯网络结构中的底层节点的故障强度进行建模，得到故障强度函数；
基于得到的故障强度函数，计算贝叶斯网络结构中的底层节点在一定时间间隔中经历多次故障的概率；
将底层节点在一定时间间隔中经历多次故障的概率、受影响节点的条件概率以及环境试验箱的条件概率作为贝叶斯网络结构的输入，得到环境试验箱的故障率。
2.根据权利要求1所述的环境试验箱可靠性评估方法，其特征在于，所述对第三数据集中的故障时间间隔数据进行编码包括对第三数据集中的故障时间间隔数据进行“0-1”编码的方式编码，其中，第三数据集中故障的组件标记为0，未故障的组件标记为1。
3.根据权利要求1所述的环境试验箱可靠性评估方法，其特征在于，故障强度模型的公式为：
其中，θ是比例参数，β是形状参数。
4.根据权利要求3所述的环境试验箱可靠性评估方法，其特征在于，所述在第六数据集上，使用非齐次泊松过程对贝叶斯网络结构中的底层节点的故障强度进行建模，得到故障强度函数包括以下步骤：采用最大似然估计对已建模的贝叶斯网络结构中的底层节点进行求解，得到贝叶斯网络结构中的底层节点所对应的θ、β的具体值；
将贝叶斯网络结构中的底层节点所对应的θ、β的具体值带入故障强度模型中，得到故障强度函数。
5.根据权利要求1所述的环境试验箱可靠性评估方法，其特征在于，还包括以下步骤：计算在故障条件下环境试验箱中各个组件的重要度；
基于各个组件的重要度，确定组件维修的优先级。
6.一种环境试验箱可靠性评估系统，其特征在于，包括，
获取模块，用于获取评估环境试验箱的数据集；
建立模块，用于基于获取的数据集，建立环境试验箱的贝叶斯网络结构；
分析模块，用于基于环境试验箱的贝叶斯网络结构，分析环境试验箱的可靠性；
所述获取评估环境试验箱的数据集包括以下步骤：获取环境试验箱的历史故障时间数据，记为第一数据集；
在第一数据集中，对于环境试验箱中的每个组件，采用时间相减的方式得到每个组件的故障时间间隔数据，将得到的故障时间间隔数据组成第二数据集；
在第二数据集上，利用箱线图法除去异常的故障时间间隔数据，得到第三数据集；
在第三数据集上，对第三数据集中的故障时间间隔数据进行编码，得到第四数据集；
在第四数据集上，利用最大信息系数方法进行特征选择，分别得到第五数据集和第六数据集；
所述在第四数据集上，利用最大信息系数方法进行特征选择，分别得到第五数据集和第六数据集包括以下步骤：基于限制条件和第四数据集中每个组件与相对应系统的互信息，在第四数据集上计算每个组件和相对应系统的最大信息系数；
将计算出的最大信息系数与预设阈值进行比较，筛选出最大信息系数大于预设阈值的组件；
在第四数据集上，将筛选出的组件记为第五数据集；
在第三数据集上，将筛选出的组件记为第六数据集；
所述基于获取的数据集，建立环境试验箱的贝叶斯网络结构包括以下步骤：在第五数据集上，利用最大最小爬山算法来学习环境试验箱每个系统的贝叶斯网络结构；
将环境试验箱每个系统的贝叶斯网络结构中最后一层节点视为串联系统，以及将环境试验箱每个系统的子系统视为串联关系，得到环境试验箱的贝叶斯网络结构；
所述基于环境试验箱的贝叶斯网络结构，分析环境试验箱的可靠性包括以下步骤：在第五数据集上，获取贝叶斯网络结构中受影响节点的条件概率以及环境试验箱的条件概率；
在第六数据集上，使用非齐次泊松过程对贝叶斯网络结构中的底层节点的故障强度进行建模，得到故障强度函数；
基于得到的故障强度函数，计算贝叶斯网络结构中的底层节点在一定时间间隔中经历多次故障的概率；
将底层节点在一定时间间隔中经历多次故障的概率、受影响节点的条件概率以及环境试验箱的条件概率作为贝叶斯网络结构的输入，得到环境试验箱的故障率。
CN202111189163.5A 2021-10-12 2021-10-12 环境试验箱可靠性评估方法和系统 Active CN113919225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111189163.5A CN113919225B (zh) 2021-10-12 2021-10-12 环境试验箱可靠性评估方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111189163.5A CN113919225B (zh) 2021-10-12 2021-10-12 环境试验箱可靠性评估方法和系统

Publications (2)

Publication Number Publication Date
CN113919225A CN113919225A (zh) 2022-01-11
CN113919225B true CN113919225B (zh) 2024-02-02

Family

ID=79239904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111189163.5A Active CN113919225B (zh) 2021-10-12 2021-10-12 环境试验箱可靠性评估方法和系统

Country Status (1)

Country Link
CN (1) CN113919225B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115002169A (zh) * 2022-08-04 2022-09-02 深圳市共赢晶显技术有限公司 一种办公设备远程在线监控方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069726A (zh) * 2020-08-19 2020-12-11 中国航天标准化研究所 一种基于贝叶斯网络的风险分析评估方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8463641B2 (en) * 2007-10-05 2013-06-11 The Boeing Company Method and system using linear programming for estimating test costs for bayesian diagnostic models

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069726A (zh) * 2020-08-19 2020-12-11 中国航天标准化研究所 一种基于贝叶斯网络的风险分析评估方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于贝叶斯网的象山港网箱养殖水环境指标建模;滕丽华;杨季芳;;海洋湖沼通报(01);全文 *
基于贝叶斯网络的复杂装备测试性评估;王成刚;周晓东;王学伟;;电子测量与仪器学报(05);全文 *

Also Published As

Publication number Publication date
CN113919225A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
TWI632443B (zh) 異常資料的重要度判定裝置以及異常資料的重要度判定方法
JP2021064370A (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
CN109033499B (zh) 一种多阶段一致性检验的航空发动机剩余寿命预测方法
JP6141235B2 (ja) 時系列データにおける異常を検出する方法
CN108022058B (zh) 一种风力机状态可靠性评估方法
CN108196143A (zh) 电力变压器故障深度诊断方法及终端设备
CN109189028A (zh) 基于多块信息提取的pca故障诊断方法
CN112799898B (zh) 基于分布式故障检测的互联系统故障节点定位方法及系统
CN110646685B (zh) 一种开关柜状态综合评估方法
CN105468850A (zh) 基于多残差回归预测算法的电子产品退化趋势预测方法
CN105975797A (zh) 一种基于模糊数据处理的产品早期故障根原因识别方法
CN110658308A (zh) 考虑共因失效的烟气在线监测系统安全可靠性评价方法
CN113919225B (zh) 环境试验箱可靠性评估方法和系统
CN112598144A (zh) 基于相关性分析的cnn-lstm突发故障预警方法
JPWO2019049523A1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
CN115392782A (zh) 一种核电厂工艺系统健康状态监测和诊断方法及系统
CN108521346B (zh) 一种基于终端数据的电信承载网异常节点定位方法
CN117114454B (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
CN117763449A (zh) 一种多源故障自主定位与分类方法
JPWO2019049521A1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
US11339763B2 (en) Method for windmill farm monitoring
CN112925806B (zh) 基于关联规则的性能退化特征参数提取方法、系统、介质及设备
JP6482742B1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
JP7026012B2 (ja) 機器状態監視システム及び機器状態監視方法
Bonvini et al. Bridging the gap between simulation and the real world an application to FDD

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