CN114925865A - 矿井电机车电机械制动系统故障诊断方法及存储介质 - Google Patents
矿井电机车电机械制动系统故障诊断方法及存储介质 Download PDFInfo
- Publication number
- CN114925865A CN114925865A CN202210646247.5A CN202210646247A CN114925865A CN 114925865 A CN114925865 A CN 114925865A CN 202210646247 A CN202210646247 A CN 202210646247A CN 114925865 A CN114925865 A CN 114925865A
- Authority
- CN
- China
- Prior art keywords
- fault
- braking system
- probability
- events
- electromechanical braking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005299 abrasion Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 239000003638 chemical reducing agent Substances 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 238000013021 overheating Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 239000003245 coal Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种矿井电机车电机械制动系统故障诊断方法及存储介质，其方法包括确定电机械制动系统故障类型，并搭建故障树模型；将故障树模型映射为贝叶斯网络；本发明通过搭建电机械制动系统故障树模型，接着根据映射规则将故障树映射为贝叶斯网络，从历史监测数据中筛选出故障相关的数据，进而计算出各类故障发生概率，将故障树求得的底事件概率作为先验概率，进而得出后验概率以及概率重要度和关键重要度，对贝叶斯网络进行可靠性分析，找到制动系统薄弱部分，以进行重点检测与保护，提高了电机械制动故障诊断的准确性，降低的故障诊断的成本，增加了故障诊断的效率，使得矿井电机车的安全得到更多的保障。
Description
技术领域
本发明属于设备故障智能诊断领域，具体涉及一种矿井电机车电机械制动系统故障诊断方法及存储介质。
背景技术
煤矿辅助运输是矿井生产系统的重要环节，承担着人员、设备和材料等运输任务，辅助运输效率直接影响到煤炭开采与经济效益。尤其是以贵州等地区复杂地质条件情况为典型问题，存在采煤工作面推进长度短、辅助运输线路随工作地点的延伸或迁移频繁以及辅助运输车辆转载环节多等问题，使得全矿井人员及物资智能调度任务的不确定性较大，辅助运输实施难度较大。电机车作为煤矿辅助运输机器人，其中电机械制动部分是电机车十分重要的组成，其在复杂的工作环境中容易出现一系列的故障，而发生故障时很难查找和排除，人工逐一排查费事费力。传统的电机械制动故障诊断大多是在故障出现之后进行处理，并不能进行故障预测和智能诊断。
发明内容
本发明提出的一种矿井电机车电机械制动系统故障诊断方法及存储介质，以解决上述技术问题。
为实现上述目的，本发明采用了以下技术方案：
一种的矿井电机车电机械制动系统故障诊断方法，包括以下6个步骤：
步骤1：确定电机械制动系统故障类型，并搭建故障树模型；
步骤2：将故障树模型映射为贝叶斯网络；
步骤3：计算故障树底事件发生概率，将底事件发生概率作为对应贝叶斯网络根节点的先验概率；
步骤4：根据得到的根节点后验概率计算出所有根节点的后验概率；
步骤5：计算各根节点在电机械制动系统故障时的概率和关键重要度；
步骤6：基于步骤五分析得出诊断结果。
进一步的，步骤1、确定电机械制动系统故障类型，并搭建故障树模型，具体包括：
所述故障树模型是将系统最不希望出现的事件作为顶事件，由上到下查找造成顶事件发生的原因，直到找到最终原因并将其作为底事件。
所述电机械制动系统是由基础制动系统和控制系统串联构成，故障树将制动系统故障作为顶事件，两个组成系统故障的事件作为下一级事件。
所述基础制动系统由传动单元和执行单元串联构成，把基础制动系统故障作为顶事件，执行单元、传动单元、闸瓦磨损、闸瓦摩擦系数过小和碟形弹簧损坏作为中间事件，而底事件则是由中间事件对应的失效事件构成。
所述控制系统由采集设备、PLC控制器、输出设备构成，将控制系统故障作为顶事件，采集设备、PLC控制器、输出设备作为中间事件，这三者对应的失效事件共同组成模型的底事件。
进一步的，步骤2、将故障树模型映射为贝叶斯网络，具体包括：
将故障树转换为贝叶斯网络时，故障树模型的结构与系统故障贝叶斯网络相对应，故障树的底事件和系统故障贝叶斯网络的根节点相对应，故障树的风险事件间的连接和系统故障贝叶斯网络的边相对应，贝叶斯网络中的各个节点对应故障树中的各种事件，故障树中将事件连接在一起的逻辑门替换为贝叶斯网络的条件概率表，贝叶斯网络中根节点的先验概率对应故障树中底事件发生概率。
进一步的，步骤3、计算故障树底事件发生概率，将底事件发生概率作为对应贝叶斯网络根节点的先验概率，具体包括，
所述故障树底事件发生概率，是从历史监测数据中筛选出本体故障相关的数据，通过对筛选出的数据进行定量分析，进而计算出各类故障发生概率，即为底事件发生概率。
进一步的，步骤4、根据得到的根节点后验概率计算出所有根节点的后验概率，具体包括，
所述步骤四的后验概率计算公式如下：
在电机械制动系统贝叶斯网络中叶节点为T，根节点为X1—X19，且每个节点互不相交，其中Xi表示各个根节点的事件，i表示各个根节点的序号，叶节点T发生的概率为：
先验概率作为后验概率的基础，则根节点发生的后验概率公式为：
进一步的，步骤5、计算各根节点在电机械制动系统故障时的概率和关键重要度，具体包括，
所述概率和关键重要度可以增加故障诊断的可靠性，并能反映出电机械制动系统的薄弱环节，其计算公式如下：
根节点Xi对于叶节点T状态发生的概率重要度为：
根节点Xi对于叶节点T状态发生的关键重要度为：
进一步的，步骤6、分析得出诊断结果；当电机械制动系统无法正常运转时，通过筛选出后验概率、概率重要度和关键重要度数值最大的根节点，即表明该节点故障是电机械制动系统故障时薄弱环节，则需要经常检测该节点对应的部件。
本发明采用故障树分析和贝叶斯网络，利用故障树分析建立模型比较简单的优势快速建立故障树，然后通过相关转换规则将其转换成贝叶斯网络，解决了贝叶斯网络模型构造复杂的问题，应用贝叶斯网络方法进行分析，亦弥补了故障树分析对复杂系统进行可靠性分析的不足之处；本发明的故障诊断方法能提高电机械制动故障诊断的准确性，降低的故障诊断的成本，增加了故障诊断的效率，使得矿井电机车的安全得到更多的保障。
附图说明
图1为本发明实施例的电机械制动系统故障诊断流程图；
图2为本发明实施例的电机械制动系统故障总树图；
图3为本发明实施例的基础制动系统故障子树图；
图4为本发明实施例的控制系统故障子树图；
图5为本发明实施例的故障树模型图；
图6为本发明实施例的贝叶斯网络模型图；
图7为本发明实施例的电机械制动系统贝叶斯网络图；
图8为本发明实施例的根节点后验概率折线图；
图9为本发明实施例的根节点概率重要度折线图；
图10为本发明实施例的根节点关键重要度折线图。
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。
如图1所示，一种矿井电机车电机械制动系统故障诊断方法包括以下六个步骤：
步骤1：确定电机械制动系统故障类型，并搭建故障树模型。
所述故障树模型是将系统最不希望出现的事件作为顶事件，由上到下查找造成顶事件发生的原因，直到找到最终原因并将其作为底事件。按照故障树顶事件确定规则，选择电机械制动系统故障作为顶事件。电机械制动系统主要由基础制动系统和控制系统组成，且电机械制动系统由基础制动系统和控制系统串联构成。进而把制动系统故障作为顶事件，两个组成系统故障的事件作为下一级事件初步建立制动系统的故障树，电机械制动系统故障总树图如图2所示。
所述基础制动系统主要是由传动单元和执行单元串联构成，传动单元的失效事件主要包含行星减速器故障以及滚珠丝杠损坏，执行单元的失效事件主要包含闸瓦磨损、闸瓦摩擦系数过小和碟形弹簧损坏，导致闸瓦磨损的事件是制动盘偏摆过大和制动器安装不正，导致闸瓦摩擦系数过小的事件是闸盘过热和闸盘污染，导致碟形弹簧损坏的事件是弹簧疲劳和弹簧断裂。所述控制系统由采集设备、PLC控制器、输出设备构成；其中采集设备的失效事件主要是对应的传感器故障，PLC控制器主要包含PLC存储卡故障和PLC硬件故障这两个失效事件，输出设备主要包含电机控制器故障、电机故障这两个失效事件。
表1显示了故障树中的所有事件的名称：
所述基础制动系统把基础制动系统故障作为顶事件，执行单元、传动单元、闸瓦磨损、闸瓦摩擦系数过小和碟形弹簧损坏作为中间事件，而其底事件则是由中间事件对应的失效事件构成，图3为基础制动系统故障子树图。
所述控制系统将控制系统故障作为顶事件，采集设备、PLC控制器、输出设备作为中间事件，这三者对应的失效事件共同组成模型的底事件，图4为控制系统故障子树图。
步骤2：将故障树模型映射为贝叶斯网络；将故障树转换为贝叶斯网络时，故障树模型的结构与系统故障贝叶斯网络相对应，故障树的底事件和系统故障贝叶斯网络的根节点相对应，故障树的风险事件间的连接和系统故障贝叶斯网络的边相对应，贝叶斯网络中的各个节点对应故障树中的各种事件，故障树中将事件连接在一起的逻辑门替换为贝叶斯网络的条件概率表，贝叶斯网络中根节点的先验概率对应故障树中底事件发生概率。
图5中的故障树是由底事件D1、D2、D3中间事件C顶事件G构成，其中底事件D1与D2并联，中间事件C与底事件D3串联。通过上述步骤将故障树转换成的贝叶斯网络模型如图6所示，其中条件概率表的0和1分别表示节点正常和故障状态。根据故障树对贝叶斯网络的转换规则，得到电机械制动系统贝叶斯网络图，如图7所示。
步骤3：计算故障树底事件发生概率，将底事件发生概率作为对应贝叶斯网络根节点的先验概率；
所述故障树底事件发生概率，是从历史监测数据中筛选出本体故障相关的数据，通过对筛选出的数据进行定量分析，进而计算出各类故障发生概率，即为底事件发生概率，表2底事件的发生概率：
步骤4：根据得到的根节点后验概率计算出所有根节点的后验概率；
在贝叶斯网络中条件概率表是用来表达个节点之间的逻辑关系，故障树中的逻辑门对应表达为贝叶斯网络中的条件概率表。以基础制动系统的传动单元为例，基础制动系统由传动和执行单元构成，其传动单元的失效事件主要包含行星减速器故障以及滚珠丝杠损坏。事件是通过逻辑或门联系在一起，从而得到节点B1的条件概率表，见表3，其中P(B1＝1)表示节点发生的概率，P(B1＝0)表示节点未发生的概率。本发明中间节点较多，其他节点的条件概率表不再列举。
所述步骤四的后验概率计算公式如下：
在电机械制动系统贝叶斯网络中叶节点为T，根节点为X1—X19，且每个节点互不相交，其中Xi表示各个根节点的事件，i表示各个根节点的序号，叶节点T发生的概率为：
先验概率作为后验概率的基础，则根节点发生的后验概率公式为：
经过计算得到所有根节点的后验概率，如表4所示：
为了更直接的观察出各根节点对应的后验概率之间的大小关系，绘制如图8所示的折线图。
步骤5：计算各根节点在电机械制动系统故障时的概率和关键重要度；其计算公式如下：
根节点Xi对于叶节点T状态发生的概率重要度为：
根节点Xi对于叶节点T状态发生的关键重要度为：
计算出各根节点在电机械制动系统故障时的概率和关键重要度，见表5：
为了更直观明了的观察各根节点重要度之间的大小关系，将计算得到的概率和关键重要度绘制在折线图中，如图9和图10所示。
步骤6：分析得出诊断结果；
由表4和图8可知，电机车电机械制动系统系统出现故障时，计算得到的各个根节点后验概率中X1(滚珠丝杠损坏)、X5(制动盘偏摆过大)、X6(制动器安装不正)的数值较大，即滚珠丝杠、制动盘、闸瓦为电机械制动系统出现问题时的薄弱环节。平时在系统维护时应该多对这三个部件进行检查维护，提高这三个部件的保养次数。在系统故障时可以优先检查这三个部件是否出现问题，能够减少排除错误的工作，提高工作效率。
由表5、图9和图10可知，电机车电机械制动系统系统出现故障时，计算得到的各个根节点概率重要度中X1(滚珠丝杠损坏)、X5(制动盘偏摆过大)、X6(制动器安装不正)、X11(PLC存储卡故障)、X12(PLC硬件故障)的数值较大，计算得到的各个根节点关键重要度中X1(滚珠丝杠损坏)、X5(制动盘偏摆过大)、X6(制动器安装不正)、X11(PLC存储卡故障)的数值较大。
由上述可知，当电机械制动系统无法正常运转时，根节点X1(滚珠丝杠损坏)无论是后验概率还是概率重要度和关键重要度数值都是最大，这表明滚珠丝杠是电机械制动系统故障时最薄弱环节，所以滚珠丝杠在电机械制动系统运行时就需要经常对其检查以减小发生故障的概率。同时，X5(制动盘偏摆过大)、X6(制动器安装不正)三个数值也较大，需要提高对制动盘和闸瓦的检查次数。在电机械制动系统处于不正常的工作状态时，针对这3个部件进行优先排查的处理，再对其他事件进行逐次排查，可以有效缩短电机械制动系统故障诊断时间，提高效率。电机械制动系统正常运转时，维修人员可以通过分析结果，对检测和维修资源进行合理的分配，达到资源利用最大化。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述任一方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一方法的步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一方法的步骤。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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精神和范围。
Claims (9)
1.一种矿井电机车电机械制动系统故障诊断方法，其特征在于：包括以下步骤，
步骤一：确定电机械制动系统故障类型，并搭建故障树模型；
步骤二：将故障树模型映射为贝叶斯网络；
步骤三：计算故障树底事件发生概率，将底事件发生概率作为对应贝叶斯网络根节点的先验概率；
步骤四：根据得到的根节点后验概率计算出所有根节点的后验概率；
步骤五：计算各根节点在电机械制动系统故障时的概率和关键重要度；
步骤六：基于步骤五分析得出诊断结果。
2.根据权利要求1所述的矿井电机车电机械制动系统故障诊断方法，其特征在于，所述步骤一确定电机械制动系统故障类型，并搭建故障树模型，具体步骤：
所述故障树模型是将系统最不希望出现的事件作为顶事件，由上到下查找造成顶事件发生的原因，直到找到最终原因并将其作为底事件；
按照故障树顶事件确定规则，选择电机械制动系统故障作为顶事件；
电机械制动系统包括基础制动系统和控制系统；且电机械制动系统包括基础制动系统和控制系统串联构成，进而把制动系统故障作为顶事件，两个组成系统故障的事件作为下一级事件初步建立制动系统的故障树。
3.根据权利要求2所述的矿井电机车电机械制动系统故障诊断方法，其特征在于，
所述基础制动系统包括传动单元和执行单元串联构成，传动单元的失效事件包含行星减速器故障以及滚珠丝杠损坏，执行单元的失效事件包含闸瓦磨损、闸瓦摩擦系数过小和碟形弹簧损坏，导致闸瓦磨损的事件是制动盘偏摆过大和制动器安装不正，导致闸瓦摩擦系数过小的事件是闸盘过热和闸盘污染，导致碟形弹簧损坏的事件是弹簧疲劳和弹簧断裂；
所述控制系统由采集设备、PLC控制器、输出设备构成；其中采集设备的失效事件是对应的传感器故障，PLC控制器包含PLC存储卡故障和PLC硬件故障这两个失效事件，输出设备包含电机控制器故障、电机故障这两个失效事件；
所述基础制动系统把基础制动系统故障作为顶事件，执行单元、传动单元、闸瓦磨损、闸瓦摩擦系数过小和碟形弹簧损坏作为中间事件，而其底事件则是由中间事件对应的失效事件构成；
所述控制系统将控制系统故障作为顶事件，采集设备、PLC控制器、输出设备作为中间事件，这三者对应的失效事件共同组成模型的底事件。
4.根据权利要求1所述的矿井电机车电机械制动系统故障诊断方法，其特征在于，所述将故障树模型映射为贝叶斯网络，具体包括：
将故障树转换为贝叶斯网络时，故障树模型的结构与系统故障贝叶斯网络相对应，故障树的底事件和系统故障贝叶斯网络的根节点相对应，故障树的风险事件间的连接和系统故障贝叶斯网络的边相对应，贝叶斯网络中的各个节点对应故障树中的各种事件，故障树中将事件连接在一起的逻辑门替换为贝叶斯网络的条件概率表，贝叶斯网络中根节点的先验概率对应故障树中底事件发生概率。
5.根据权利要求1所述的矿井电机车电机械制动系统故障诊断方法，其特征在于，所述计算故障树底事件发生概率，将底事件发生概率作为对应贝叶斯网络根节点的先验概率，具体包括，
所述故障树底事件发生概率，是从历史监测数据中筛选出本体故障相关的数据，通过对筛选出的数据进行定量分析，进而计算出各类故障发生概率，即为底事件发生概率。
6.根据权利要求1所述的矿井电机车电机械制动系统故障诊断方法，其特征在于：所述步骤四的后验概率计算公式如下：
在电机械制动系统贝叶斯网络中叶节点为T，根节点为X1—X19，且每个节点互不相交，其中Xi表示各个根节点的事件，i表示各个根节点的序号，叶节点T发生的概率为：
先验概率作为后验概率的基础，则根节点发生的后验概率公式为：
7.根据权利要求1所述的矿井电机车电机械制动系统故障诊断方法，其特征在于：所述步骤五概率和关键重要度，其计算公式如下：
根节点Xi对于叶节点T状态发生的概率重要度为：
根节点Xi对于叶节点T状态发生的关键重要度为：
8.根据权利要求1所述的矿井电机车电机械制动系统故障诊断方法，其特征在于：所述步骤六分析得出诊断结果包括当电机械制动系统无法正常运转时，通过筛选出后验概率、概率重要度和关键重要度数值最大的根节点，即表明该节点故障是电机械制动系统故障时薄弱环节，则需要经常检测该节点对应的部件。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至9中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210646247.5A CN114925865A (zh) | 2022-06-08 | 2022-06-08 | 矿井电机车电机械制动系统故障诊断方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210646247.5A CN114925865A (zh) | 2022-06-08 | 2022-06-08 | 矿井电机车电机械制动系统故障诊断方法及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114925865A true CN114925865A (zh) | 2022-08-19 |
Family
ID=82812078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210646247.5A Pending CN114925865A (zh) | 2022-06-08 | 2022-06-08 | 矿井电机车电机械制动系统故障诊断方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114925865A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115511136A (zh) * | 2022-11-01 | 2022-12-23 | 北京磁浮有限公司 | 基于层次分析和故障树的设备故障辅助诊断方法及系统 |
| CN116501027A (zh) * | 2023-06-29 | 2023-07-28 | 中南大学 | 分布式制动系统健康评估方法、系统、设备及存储介质 |
| CN117195103A (zh) * | 2023-11-01 | 2023-12-08 | 浙江大学高端装备研究院 | 一种轴向柱塞泵故障源确定方法、装置和设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135596A (zh) * | 2019-04-18 | 2019-08-16 | 中国电力科学研究院有限公司 | 一种继电保护系统风险评估及故障定位方法及装置 |
| CN209506898U (zh) * | 2018-12-28 | 2019-10-18 | 山西科达自控股份有限公司 | 一种刮板输送机圆环链链条断链故障诊断系统 |
| CN111310948A (zh) * | 2020-03-31 | 2020-06-19 | 北京交通大学 | 轨道交通车载信号系统的优化维修策略的获取方法 |
| CN112270128A (zh) * | 2020-10-29 | 2021-01-26 | 电子科技大学 | 一种基于动态故障树的钻井泵液力端故障诊断方法 |
| 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 |
-
2022
- 2022-06-08 CN CN202210646247.5A patent/CN114925865A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN209506898U (zh) * | 2018-12-28 | 2019-10-18 | 山西科达自控股份有限公司 | 一种刮板输送机圆环链链条断链故障诊断系统 |
| CN110135596A (zh) * | 2019-04-18 | 2019-08-16 | 中国电力科学研究院有限公司 | 一种继电保护系统风险评估及故障定位方法及装置 |
| CN111310948A (zh) * | 2020-03-31 | 2020-06-19 | 北京交通大学 | 轨道交通车载信号系统的优化维修策略的获取方法 |
| CN112270128A (zh) * | 2020-10-29 | 2021-01-26 | 电子科技大学 | 一种基于动态故障树的钻井泵液力端故障诊断方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 王艺华: "火炮底盘传动系统可靠性分析研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115511136A (zh) * | 2022-11-01 | 2022-12-23 | 北京磁浮有限公司 | 基于层次分析和故障树的设备故障辅助诊断方法及系统 |
| CN116501027A (zh) * | 2023-06-29 | 2023-07-28 | 中南大学 | 分布式制动系统健康评估方法、系统、设备及存储介质 |
| CN116501027B (zh) * | 2023-06-29 | 2023-10-03 | 中南大学 | 分布式制动系统健康评估方法、系统、设备及存储介质 |
| CN117195103A (zh) * | 2023-11-01 | 2023-12-08 | 浙江大学高端装备研究院 | 一种轴向柱塞泵故障源确定方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114925865A (zh) | 矿井电机车电机械制动系统故障诊断方法及存储介质 | |
| WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
| Hokstad et al. | Common cause failure modeling: status and trends | |
| CN111814964A (zh) | 基于空气质量状况预报的空气污染处理方法及存储介质 | |
| KR20200022948A (ko) | 로봇 팔의 고장 진단 및 예측 방법 | |
| CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
| CN109858194A (zh) | 一种基于元动作链的故障传播风险分析方法和防控方法 | |
| WO2020211846A1 (zh) | 一种基于安全树模型的电动车辆运维优化方法 | |
| CN114429249B (zh) | 钢管束生产设备的寿命预测方法、系统、设备及存储介质 | |
| CN110646710B (zh) | 电网故障智能诊断方法、装置、计算机设备和存储介质 | |
| Bukhtoyarov et al. | Multi-stage intelligent system for diagnostics of pumping equipment for oil and gas industries | |
| Farahani et al. | Markov and semi-Markov models in system reliability | |
| Pariaman et al. | Anomaly detection using LSTM-Autoencoder to predict coal pulverizer condition on Coal-fired power plant | |
| CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
| WO2020211845A1 (zh) | 一种基于安全树模型的电动车辆安全设计优化方法 | |
| CN110084500B (zh) | 基于安全树概率和安全重要度的电动车辆安全控制方法和电动车辆 | |
| CN116136985B (zh) | 一种变电所安全风险在线识别方法及其系统 | |
| Dui | Reliability optimization of automatic control systems based on importance measures: a framework | |
| Yacout | Logical analysis of maintenance and performance data of physical assets, ID34 | |
| Bautista et al. | A condition-based maintenance for complex systems consisting of two different types of components | |
| CN115469643A (zh) | 一种核电站旋转机械健康管理方法、系统及介质 | |
| Zhang et al. | Reliability evaluation of a disaster airflow emergency control system based on bayesian networks | |
| Samigulina et al. | Development of industrial equipment diagnostics system based on modified algorithms of artificial immune systems and AMDEC approach using schneider electric equipment | |
| CN116351545B (zh) | 一种基于lstm的磨煤机故障预警方法 | |
| Kong et al. | Concurrent fault diagnosis method for electric-hydraulic system: Subsea blowout preventer system as a case study |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220819 |
|
| RJ01 | Rejection of invention patent application after publication |