CN115511136A - 基于层次分析和故障树的设备故障辅助诊断方法及系统 - Google Patents
基于层次分析和故障树的设备故障辅助诊断方法及系统 Download PDFInfo
- Publication number
- CN115511136A CN115511136A CN202211354512.9A CN202211354512A CN115511136A CN 115511136 A CN115511136 A CN 115511136A CN 202211354512 A CN202211354512 A CN 202211354512A CN 115511136 A CN115511136 A CN 115511136A
- Authority
- CN
- China
- Prior art keywords
- fault
- factor
- probability
- historical
- event
- 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.)
- Granted
Links
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本申请涉及设备故障诊断的技术领域,公开了一种基于层次分析和故障树的设备故障辅助诊断方法及系统,基于层次分析和故障树的设备故障辅助诊断方法包括:确定目标故障事件,从历史故障信息库中匹配对应的故障因素,基于各故障因素的关联关系建立对应的故障树模型;从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1;获取各故障因素对应的保障成本P,对各故障因素进行层次分析处理后,生成保障资源分配信息;本申请具有提高设备故障诊断分析可靠性的效果。
Description
技术领域
本申请涉及设备故障诊断的技术领域,尤其是涉及一种基于层次分析和故障树的设备故障辅助诊断方法及系统。
背景技术
目前,现有的设备故障通常是在发生后才被发现并引起注意,或者是根据设备的历史故障发生时间规律对设备未来可能发生的故障进行预测,然而,造成设备故障的原因有很多,且设备故障发生周期的影响因素有很多,例如,部分交通设施设备中的零件老化损坏的速率同时与累计使用时间、载客量、载重量、环境条件等因素相关,有时甚至于其他零件是否损坏相关,因而难以准确预测故障的发生,不便于进行设备故障诊断和设备维护策略的制定。
针对上述相关技术,发明人认为现有的设备故障诊断分析方法存在可靠性低的问题。
发明内容
为了提高设备故障诊断分析的可靠性,本申请提供一种基于层次分析和故障树的设备故障辅助诊断方法及系统。
本申请的发明目的一采用如下技术方案实现:
基于层次分析和故障树的设备故障辅助诊断方法,包括:
确定目标故障事件,从历史故障信息库中匹配对应的故障因素,基于各故障因素的关联关系建立对应的故障树模型;
从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1;
获取各故障因素对应的保障成本P,对各故障因素进行层次分析处理后,生成保障资源分配信息。
通过采用上述技术方案,确定需要进行诊断的设备和目标故障事件,从该目标故障事件对应的历史故障信息库中匹配该目标故障事件对应的所有故障因素,根据目标故障事件和对应的各故障因素的关联关系建立故障树模型,便于后续根据故障树模型对设备编制故障诊断信息,以在目标故障事件发生后迅速确定目标故障事件的原因;从历史故障信息库中获取各故障因素在一个诊断分析周期内发生概率作为周期因素概率,并计算各故障因素对应的期望损失值,便于后续根据各故障因素的期望损失值判断层次分析过程中不同因素的重要性;获取各故障因素对应保障措施的成本,对各故障因素根据保障成本P和其他信息进行层次分析处理,将原本需要依赖于决策者主观判断的故障因素重要性判断进行量化,从而确定各故障因素的保障优先度,提高了设备故障诊断分析的科学性和可靠性,生成保障资源分配信息,以指导维护人员根据保障资源分配信息执行设备的维护和保障工作。
本申请在一较佳示例中:从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1的步骤中,包括:
将故障树模型输入至故障分割模型中,确定故障树模型的所有最小割集为基本事件;
基于各故障因素的周期因素概率计算各基本事件的周期事件概率;从历史故障信息库中获取各基本事件的平均损失数据,计算各故障因素的期望损失值E1。
通过采用上述技术方案,将故障树模型输入至故障分割模型中,便于根据故障树模型划分若干最小割集,从而确定会导致目标故障事件发生的基本事件的故障因素;根据基本事件中包含的若干个故障因素的周期因素概率计算基本事件在一个诊断分析周期内发生的概率作为周期事件概率,便于后续计算目标故障事件在一个诊断分析周期内发生的概率;由于一个故障因素可能与多种造成目标故障事件发生的基本事件相关,因此,从历史故障信息库中获取各基本事件发生时所造成的损失,并计算各基本事件的平均损失数据,根据故障因素关联的所有基本事件的平均损失数据,计算各故障因素的期望损失值E1,便于获知对各故障因素保障的关键性。
本申请在一较佳示例中:基于各故障因素的周期因素概率计算各基本事件的周期事件概率的步骤之前,包括:
从历史故障信息库中获取故障树模型中各故障因素的发生时间节点;
从历史维护信息库中获取各故障因素的历史维护信息,历史维护信息包括维护方法和维护时间节点;
基于各故障因素的发生时间节点和历史维护信息,生成各故障因素对应的时间概率曲线;
基于当前时间节点和历史维护信息,计算周期因素概率。
通过采用上述技术方案,计算各故障因素的周期因素概率的方法为:从历史故障信息库中获取目标故障事件对应的故障树模型中各故障因素的历史发生时间节点,便于分析各故障因素的发生频率和规律;从历史维护信息库中获取各故障因素的历史维护信息,其中历史维护信息包括针对故障因素进行维护时的维护方法和维护时间节点,便于获知针对各故障因素的维护方法和维护频率;由于故障因素的发生概率会随着当前时间节点与故障因素上一次维护的时间进程而发生变化,因此,基于各故障因素的历史发生时间节点和历史维护信息,分析各故障因素发生概率的变化规律,生成对应的时间概率曲线;基于当前时间节点和各故障因素对应的历史维护信息、时间概率曲线,计算各故障因素对应的周期因素概率,提高了周期因素概率的准确性。
本申请在一较佳示例中:基于当前时间节点和历史维护信息,计算周期因素概率的步骤之后,还包括:
基于故障树模型中各故障因素的关联关系计算各故障因素对其他故障因素的影响参数;
当检测到任一故障因素发生时,基于所述故障因素的影响参数修正其他故障因素的周期因素概率。
通过采用上述技术方案,由于某些故障因素的发生概率与其他故障因素的发生概率相关联,例如,设备包括若干功能相同的组件时,当一个组件失效时,其他组件所受的负荷加大,会导致其他组件在一个诊断分析周期内的失效概率增大;因此,基于故障树模型中各故障因素之间的关联关系,评估各故障因素对其他故障因素的影响程度,以计算影响参数;当检测到任一故障因素发生时,基于所述故障因素的影响参数对其他相关联的故障因素的周期因素概率进行修正,从而计算新的周期因素概率,进一步提高了周期因素概率的准确性。
本申请在一较佳示例中:获取各故障因素对应的保障成本P,对各故障因素进行层次分析处理后,生成保障资源分配信息的步骤中,包括:
获取各故障因素对应的保障成本P,计算各故障因素对应的保障期望损失值E2;
基于期望损失值E1、保障期望损失值的差值E2和保障成本P,计算各故障因素的保障性价比A=(E1-E2)/P,基于各故障因素的保障性价比A生成保障排序信息。
通过采用上述技术方案,根据各故障因素可采取的保障措施,计算对应的保障成本P,计算针对各故障因素采取保障措施后对应的保障期望损失值E2,计算各故障因素的保障性价比A=(E1-E2)/P,即计算故障因素在采取保障措施前和采取保障措施后的期望损失的差值,以评估各故障因素采取保障措施后的效果,计算差值与保障成本P的商作为保障性价比A,便于根据保障性价比A的数值判断针对各故障因素采取保障措施的性价比。
本申请在一较佳示例中:获取各故障因素对应的保障成本,对各故障因素进行层次分析处理后,生成保障资源分配信息的步骤中,还包括:
以降低目标故障事件发生概率为决策目标,基于各故障因素的保障性价比A、周期事件概率、影响参数进行层次分析处理,生成层次分析结果;
基于层次分析结果和保障资源,确定保障资源分配信息,生成保障流程计划。
通过采用上述技术方案,以降低目标故障事件发生概率为决策目标,根据各故障因素的保障性价比A、周期事件概率和影响参数对目标故障事件进行层次分析处理,以便将原本需要依赖于决策者主观判断的故障因素重要性判断进行量化,从而确定各故障因素的保障优先度;根据层次分析结果和可供分配的保障资源,对各故障因素分配保障资源,确定保障资源分配信息,提高了设备故障诊断分析的科学性和可靠性,进而生成保障流程计划,以指导维护人员根据保障资源分配信息执行设备的维护和保障工作。
本申请在一较佳示例中:还包括:
当目标故障事件发生后,基于故障树模型中各故障因素的周期因素概率由大到小生成故障诊断顺序信息。
通过采用上述技术方案,当目标故障事件发生后,基于故障树模型中的各故障因素根据其周期因素概率由大到小进行排序,从而生成故障诊断顺序信息,便于指导维护人员根据故障诊断顺序信息执行故障诊断工作,提高故障诊断的效率。
本申请的发明目的二采用如下技术方案实现:
基于层次分析和故障树的设备故障辅助诊断系统,包括:
故障树建立模块,用于确定目标故障事件,从历史故障信息库中匹配对应的故障因素,基于各故障因素的关联关系建立对应的故障树模型;
期望损失计算模块,用于从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1;
保障资源分配模块,用于获取各故障因素对应的保障成本,对各故障因素进行层次分析处理后,生成保障资源分配信息。
通过采用上述技术方案,确定需要进行诊断的设备和目标故障事件,从该目标故障事件对应的历史故障信息库中匹配该目标故障事件对应的所有故障因素,根据目标故障事件和对应的各故障因素的关联关系建立故障树模型,便于后续根据故障树模型对设备编制故障诊断信息,以在目标故障事件发生后迅速确定目标故障事件的原因;从历史故障信息库中获取各故障因素的周期因素概率,并计算各故障因素对应的期望损失值,便于后续根据各故障因素的期望损失值判断层次分析过程中不同因素的重要性;获取各故障因素对应保障措施的成本,对各故障因素根据保障成本和其他信息进行层次分析处理,将原本需要依赖于决策者主观判断的故障因素重要性判断进行量化,从而确定各故障因素的保障优先度,提高了设备故障诊断分析的科学性和可靠性,生成保障资源分配信息,以指导维护人员根据保障资源分配信息执行设备的维护和保障工作。
本申请的发明目的三采用如下技术方案实现:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于层次分析和故障树的设备故障辅助诊断方法的步骤。
本申请的发明目的四采用如下技术方案实现:
一种计算机可读存储介质,所述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实现上述基于层次分析和故障树的设备故障辅助诊断方法的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1. 确定需要进行诊断的设备和目标故障事件,从该目标故障事件对应的历史故障信息库中匹配该目标故障事件对应的所有故障因素,根据目标故障事件和对应的各故障因素的关联关系建立故障树模型,便于后续根据故障树模型对设备编制故障诊断信息,以在目标故障事件发生后迅速确定目标故障事件的原因;从历史故障信息库中获取各故障因素的周期因素概率,并计算各故障因素对应的期望损失值,便于后续根据各故障因素的期望损失值判断层次分析过程中不同因素的重要性;获取各故障因素对应保障措施的成本,对各故障因素根据保障成本和其他信息进行层次分析处理,将原本需要依赖于决策者主观判断的故障因素重要性判断进行量化,从而确定各故障因素的保障优先度,提高了设备故障诊断分析的科学性和可靠性,生成保障资源分配信息,以指导维护人员根据保障资源分配信息执行设备的维护和保障工作。
2. 将故障树模型输入至故障分割模型中,便于根据故障树模型划分若干最小割集,从而确定会导致目标故障事件发生的基本事件的故障因素;根据基本事件中包含的若干个故障因素的周期因素概率计算基本事件在一个诊断分析周期内发生的概率作为周期事件概率,便于后续计算目标故障事件在一个诊断分析周期内发生的概率;由于一个故障因素可能与多种造成目标故障事件发生的基本事件相关,因此,从历史故障信息库中获取各基本事件发生时所造成的损失,并计算各基本事件的平均损失数据,根据故障因素关联的所有基本事件的平均损失数据,计算各故障因素的期望损失值E1,便于获知对各故障因素保障的关键性。
3. 计算各故障因素的周期因素概率的方法为:从历史故障信息库中获取目标故障事件对应的故障树模型中各故障因素的历史发生时间节点,便于分析各故障因素的发生频率和规律;从历史维护信息库中获取各故障因素的历史维护信息,其中历史维护信息包括针对故障因素进行维护时的维护方法和维护时间节点,便于获知针对各故障因素的维护方法和维护频率;由于故障因素的发生概率会随着当前时间节点与故障因素上一次维护的时间进程而发生变化,因此,基于各故障因素的历史发生时间节点和历史维护信息,分析各故障因素发生概率的变化规律,生成对应的时间概率曲线;基于当前时间节点和各故障因素对应的历史维护信息、时间概率曲线,计算各故障因素对应的周期因素概率,提高了周期因素概率的准确性。
附图说明
图1是本申请实施例一中基于层次分析和故障树的设备故障辅助诊断方法的流程图。
图2是本申请基于层次分析和故障树的设备故障辅助诊断方法中步骤S20的流程图。
图3是本申请基于层次分析和故障树的设备故障辅助诊断方法中步骤S22的流程图。
图4是本申请基于层次分析和故障树的设备故障辅助诊断方法中步骤S22的另一流程图。
图5是本申请基于层次分析和故障树的设备故障辅助诊断方法中步骤S30的流程图。
图6是本申请实施例二中基于层次分析和故障树的设备故障辅助诊断方法的另一流程图。
图7是本申请实施例三中基于层次分析和故障树的设备故障辅助诊断系统的一原理框图。
图8是本申请实施例四中的设备示意图。
具体实施方式
以下结合附图1至8对本申请作进一步详细说明。
本申请公开了一种基于层次分析和故障树的设备故障辅助诊断方法,可用于对设备故障进行辅助诊断,同时指导设备的维护人员在设备发生故障时快速诊断,在设备未发生故障时合理分配保障资源。
实施例一
如图1所示,具体包括如下步骤:
S10:确定目标故障事件,从历史故障信息库中匹配对应的故障因素,基于各故障因素的关联关系建立对应的故障树模型。
在本实施例中,目标故障事件是指设备的故障事件中需要进行诊断分析的对象;历史故障信息是指用于记录设备历史发生的目标故障事件时间、造成损失情况、故障原因等调查结果的信息;故障因素是指与目标故障事件的发生存在关联性的事件;故障树模型是指针对目标故障事件的历史故障信息进行分析后,基于目标故障事件的所有故障因素形成的模型,用于记录各故障因素之间的关联关系。
具体地,选定目标故障事件,以确定需要进行故障诊断分析的对象,从目标故障事件对应设备的历史故障信息库中匹配目标故障事件的所有故障因素,获取各故障因素的关联关系,从而生成目标故障事件的决策树,建立决策树模型,便于在后续目标故障发生时,维护人员根据决策树模型排查可能的原因,并针对性地采取防护保障措施,提高故障诊断分析效率,降低目标故障事件的发生概率。
进一步地,历史故障信息库的历史故障信息可以是根据当前需要进行故障辅助诊断设备的历史故障报告生成的,也可以是根据其他设备、其他单位的同一型号设备的历史故障报告生成的,以获取更多的历史故障信息,便于提高后续故障辅助诊断的准确性。
S20:从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1。
在本实施例中,周期因素概率是指故障因素事件在一个诊断分析周期内发生的概率。
具体地,确定诊断分析周期,以便后续对故障因素事件发生的概率进行评估,从历史故障信息库中获取各故障因素事件发生频率和发生规律,从而计算各故障因素在当前诊断分析周期内发生故障的概率作为周期因素概率,便于后续根据故障因素在诊断分析周期内发生的概率和发生时造成的平均损失计算各故障因素的期望损失值E1。
其中,参照图2,在步骤S20中,包括:
S21:将故障树模型输入至故障分割模型中,确定故障树模型的所有最小割集为基本事件。
在本实施例中,故障分割模型是指用于对故障树模型中的节点进行分割的模型,故障分割模型内置有用于将故障树模型分割为若干最小割集的分割算法,该分割算法可从现有技术中获取;任一最小割集内的所有故障因素事件都发生时,目标故障事件发生。
具体地,将故障树模型输入至故障分割模型中,通过故障分割模型内置的分割算法对故障树模型进行分割,从而生成故障树模型的所有最小割集,将最小割集中所有故障因素同时发生的事件定义为基本事件,当任一基本事件发生时,目标故障事件发生,便于后续根据所有基本事件的发生概率计算目标故障事件发生的概率。
S22:基于各故障因素的周期因素概率计算各基本事件的周期事件概率。
在本实施例中,周期事件概率是指基本事件在一个诊断分析周期内发生的概率。
具体地,由于每一基本事件是基于若干故障因素事件同时发生而发生的,因此,根据基本事件对应的所有故障因素的周期因素概率的乘积计算基本事件的周期事件概率;获取目标故障事件的所有基本事件的周期事件概率,便于后续根据所有基本事件的周期事件概率计算目标故障事件在一个诊断分析周期内发生的概率。
其中,参照图3,在步骤S22之前,计算各故障因素的周期因素概率的方法包括:
S221:从历史故障信息库中获取故障树模型中各故障因素的发生时间节点。
具体地,从历史故障信息库中获取目标故障事件对应的故障树模型中各故障因素的历史发生时间节点,分析各故障因素的发生频率和规律,便于后续计算各故障因素在当前诊断分析周期内发生的概率。
S222:从历史维护信息库中获取各故障因素的历史维护信息,历史维护信息包括维护方法和维护时间节点。
由于故障因素的发生概率会随着时间的变化而变化,例如,设备的一个易损零件在刚完成更换后的寿命初期,该易损零件损坏这一故障因素的发生概率很低,且该易损零件损坏的概率会随着该易损零件使用时间的延长而增大。
在本实施例中,历史维护信息是指针对目标设备进行维护的历史记录信息,其中,历史维护信息记录了每一次针对设备进行维护时的维护方法和维护时间节点。
具体地,从历史维护信息库中获取针对设备的每一故障因素事件的历史维护信息,确定针对每一故障因素事件的历史维护记录,从而便于根据和故障因素的历史维护信息计算当前诊断分析周期或任一时间节点所在诊断分析周期内故障因素发生的概率;其中,维护方法可能有多种,例如更换和维修,不同维护方法对故障因素发生概率的影响各异。
S223:基于各故障因素的发生时间节点和历史维护信息,生成各故障因素对应的时间概率曲线。
具体地,基于各故障因素在历史故障信息中的发生时间节点和各故障因素在历史维护信息中的维护时间节点,对每一故障因素发生概率随时间变化的规律逐一进行评估,从而生成对应的时间概率曲线,其中时间概率曲线是指针对故障因素完成一次维护后,故障因素事件发生概率随时间的发展变化趋势的曲线图,用于判断一个诊断分析周期内故障因素事件发生的概率;故障因素对应的时间概率曲线是根据历史故障信息中故障因素发生的时间规律进行分析后通过回归算法拟合得到的。
S224:基于当前时间节点和历史维护信息,计算周期因素概率。
具体地,获取每一故障因素对应的历史维护信息,逐一确定各故障因素上一次进行维护的时间节点,基于当前时间节点与上一次进行维护的时间节点的差值,从故障因素对应的时间概率曲线中计算当前诊断分析周期内各故障因素事件的发生概率,生成各故障因素对应的周期因素概率。
其中,参照图4,在步骤S224之后,还包括:
S225:基于故障树模型中各故障因素的关联关系计算各故障因素对其他故障因素的影响参数。
由于某些故障因素的发生概率与其他故障因素的发生概率相关联,例如,设备包括若干功能相同的组件时,当一个组件失效时,其他组件所受的负荷加大,会导致其他组件在一个诊断分析周期内的失效概率增大。
具体地,针对故障树模型中各故障因素之间的关联关系进行分析,从而评估各故障因素对其他故障因素的影响,从而逐一计算各故障因素对其他所有关联故障因素的影响参数;其中,影响参数的数值是根据对历史故障信息进行分析后得到的;例如,某一零件由若干紧固件连接于设备主体上,当任一紧固件损坏时,其他紧固件所受负荷增大,从而导致其他紧固件损坏的概率增加为原本的1.3倍,则任一紧固件损坏对其他紧固件损坏的影响参数为1.3。
S226:当检测到任一故障因素发生时,基于故障因素的影响参数修正其他故障因素的周期因素概率。
具体地,当检测到任一故障因素发生时,基于故障因素的影响参数对其他相关联的故障因素的周期因素概率进行修正,从而计算新的周期因素概率,进一步提高了周期因素概率的准确性。
S23:从历史故障信息库中获取各基本事件的平均损失数据,计算各故障因素的期望损失值E1。
具体地,从历史故障信息库中查询历史故障信息,从而获取由每一种基本事件造成目标故障事件发生时所带来的损失的平均值作为平均损失数据,基于每一种基本事件的平均损失数据和周期事件概率,计算对应基本事件的期望损失;由于一个故障因素事件可能是多个基本事件的条件,因此,计算所有与某一故障因素相关的基本事件的期望损失的平均值,作为该故障因素的期望损失值E1。
S30:获取各故障因素对应的保障成本P,对各故障因素进行层次分析处理后,生成保障资源分配信息。
在本实施例中,保障成本是指针对各影响因素采取保障措施的成本;保障资源分配信息是指根据可供使用的保障资源总量和针对不同影响因素采取保障措施性价比进行评估后生成的用于引导维护人员合理分配保障资源的信息。
具体地,获取各故障因素对应保障措施的成本,对各故障因素根据保障成本P和其他信息进行层次分析处理,其中进行层次分析处理的元素包括各故障因素的保障性价比、周期事件概率和影响参数,便于将原本需要依赖于决策者主观判断的故障因素重要性判断进行量化,从而确定各故障因素的保障优先度,提高了设备故障诊断分析的科学性和可靠性;在本实施例中,进行层次分析的算法可以从现有技术中获取,且在层次分析的对比过程中,由资深维护人员对各元素之间的重要性进行比较,在本申请的其他实施例中,对各元素之间的重要性进行比较的工作也可以是由全体维护人员投票决定。
具体地,根据层次分析结果生成保障资源分配信息,以指导维护人员根据保障资源分配信息执行设备的维护和保障工作。
其中,参照图5,在步骤S30中,包括:
S31:获取各故障因素对应的保障成本P,计算各故障因素对应的保障期望损失值E2。
具体地,根据各故障因素可采取的保障措施,计算对应的保障成本P,评估针对各故障因素采取保障措施后的期望损失,从而计算针对各故障因素采取保障措施后对应的保障期望损失值E2。
S32:基于期望损失值E1、保障期望损失值的差值E2和保障成本P,计算各故障因素的保障性价比A=(E1-E2)/P,基于各故障因素的保障性价比A生成保障排序信息。
具体地,基于期望损失值E1、保障期望损失值的差值E2和保障成本P,计算各故障因素的保障性价比A=(E1-E2)/P,即计算故障因素在采取保障措施前和采取保障措施后的期望损失的差值,以评估各故障因素采取保障措施后的效果,计算差值与保障成本P的商作为保障性价比A,便于根据保障性价比A的数值判断针对各故障因素采取保障措施的性价比;根据各故障因素的保障性价比A由大到小排序以生成保障排序信息,从而便于维护人员后续根据保障排序信息决定采取保障措施的优先顺序。
其中,在步骤S30中,还包括:
S33:以降低目标故障事件发生概率为决策目标,基于各故障因素的保障性价比A、周期事件概率、影响参数进行层次分析处理,生成层次分析结果。
具体地,以降低目标故障事件发生概率为决策目标,根据各故障因素的保障性价比A、周期事件概率和影响参数对目标故障事件进行层次分析处理,从而生成层次分析结果,以便将原本需要依赖于决策者主观判断的故障因素重要性判断进行量化,从而确定各故障因素的保障优先度。
S34:基于层次分析结果和保障资源,确定保障资源分配信息,生成保障流程计划。
在本实施例中,保障流程计划是指用于记录基于层次分析结果和可供分配的保障资源所生成的,供维护人员在执行设备维护工作时参考的操作流程信息的计划。
具体地,根据层次分析结果和可供分配的保障资源,对各故障因素分配保障资源,确定保障资源分配信息,提高了设备故障诊断分析的科学性和可靠性,进而生成保障流程计划,以指导维护人员根据保障资源分配信息执行设备的维护和保障工作。
实施例二
在实施例一的基础上,参照图6,基于层次分析和故障树的设备故障辅助诊断方法还包括:
S40:当目标故障事件发生后,基于故障树模型中各故障因素的周期因素概率由大到小生成故障诊断顺序信息。
具体地,当目标故障事件发生后,基于故障树模型中的各故障因素根据其周期因素概率由大到小进行排序,从而生成故障诊断顺序信息,便于指导维护人员根据故障诊断顺序信息执行故障诊断工作,提高故障诊断的效率。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
实施例三
如图7所示,本申请公开了一种基于层次分析和故障树的设备故障辅助诊断系统,用于执行上述基于层次分析和故障树的设备故障辅助诊断方法的步骤,该基于层次分析和故障树的设备故障辅助诊断系统与上述实施例中基于层次分析和故障树的设备故障辅助诊断方法相对应。
基于层次分析和故障树的设备故障辅助诊断系统包括故障树建立模块、期望损失计算模块和保障资源分配模块。各功能模块的详细说明如下:
故障树建立模块,用于确定目标故障事件,从历史故障信息库中匹配对应的故障因素,基于各故障因素的关联关系建立对应的故障树模型;
期望损失计算模块,用于从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1;
保障资源分配模块,用于获取各故障因素对应的保障成本,对各故障因素进行层次分析处理后,生成保障资源分配信息。
其中,期望损失计算模块包括:
基本事件获取子模块,用于将故障树模型输入至故障分割模型中,确定故障树模型的所有最小割集为基本事件;
周期事件概率计算子模块,用于基于各故障因素的周期因素概率计算各基本事件的周期事件概率;
期望损失值计算子模块,用于从历史故障信息库中获取各基本事件的平均损失数据,计算各故障因素的期望损失值E1。
其中,周期事件概率计算子模块包括:
历史故障信息获取子模块,用于从历史故障信息库中获取故障树模型中各故障因素的发生时间节点;
历史维护信息获取子模块,用于从历史维护信息库中获取各故障因素的历史维护信息,历史维护信息包括维护方法和维护时间节点;
时间概率曲线生成子模块,用于基于各故障因素的发生时间节点和历史维护信息,生成各故障因素对应的时间概率曲线;
周期因素概率生成子模块,用于基于当前时间节点和历史维护信息,计算周期因素概率;
影响参数计算子模块,用于基于故障树模型中各故障因素的关联关系计算各故障因素对其他故障因素的影响参数;
周期因素概率修正子模块,用于当检测到任一故障因素发生时,基于故障因素的影响参数修正其他故障因素的周期因素概率。
其中,保障资源分配模块包括:
保障期望损失值计算子模块,用于获取各故障因素对应的保障成本P,计算各故障因素对应的保障期望损失值E2;
保障排序信息生成子模块,用于基于期望损失值E1、保障期望损失值的差值E2和保障成本P,计算各故障因素的保障性价比A=(E1-E2)/P,基于各故障因素的保障性价比A生成保障排序信息;
层次分析结果生成子模块,用于以降低目标故障事件发生概率为决策目标,基于各故障因素的保障性价比A、周期事件概率、影响参数进行层次分析处理,生成层次分析结果;
保障流程计划生成子模块,用于基于层次分析结果和保障资源,确定保障资源分配信息,生成保障流程计划。
基于层次分析和故障树的设备故障辅助诊断系统还包括:
故障诊断顺序信息生成模块,用于当目标故障事件发生后,基于故障树模型中各故障因素的周期因素概率由大到小生成故障诊断顺序信息。
关于基于层次分析和故障树的设备故障辅助诊断系统的具体限定可以参见上文中对于基于层次分析和故障树的设备故障辅助诊断方法的限定,在此不再赘述;上述基于层次分析和故障树的设备故障辅助诊断系统中的各个模块可全部或部分通过软件、硬件及其组合来实现;上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以是以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
实施例四
一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储故障树模型、历史故障信息、故障因素、保障资源分配信息、故障分割模型、历史维护信息和故障诊断顺序信息等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于层次分析和故障树的设备故障辅助诊断方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
S10:确定目标故障事件,从历史故障信息库中匹配对应的故障因素,基于各故障因素的关联关系建立对应的故障树模型;
S20:从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1;
S30:获取各故障因素对应的保障成本P,对各故障因素进行层次分析处理后,生成保障资源分配信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
S10:确定目标故障事件,从历史故障信息库中匹配对应的故障因素,基于各故障因素的关联关系建立对应的故障树模型;
S20:从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1;
S30:获取各故障因素对应的保障成本P,对各故障因素进行层次分析处理后,生成保障资源分配信息。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.基于层次分析和故障树的设备故障辅助诊断方法,其特征在于,包括:
确定目标故障事件,从历史故障信息库中匹配对应的故障因素,基于各故障因素的关联关系建立对应的故障树模型;
从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1;
获取各故障因素对应的保障成本P,对各故障因素进行层次分析处理后,生成保障资源分配信息。
2.根据权利要求1所述的基于层次分析和故障树的设备故障辅助诊断方法,其特征在于:从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1的步骤中,包括:
将故障树模型输入至故障分割模型中,确定故障树模型的所有最小割集为基本事件;
基于各故障因素的周期因素概率计算各基本事件的周期事件概率;
从历史故障信息库中获取各基本事件的平均损失数据,计算各故障因素的期望损失值E1。
3.根据权利要求2所述的基于层次分析和故障树的设备故障辅助诊断方法,其特征在于:基于各故障因素的周期因素概率计算各基本事件的周期事件概率的步骤之前,包括:
从历史故障信息库中获取故障树模型中各故障因素的发生时间节点;
从历史维护信息库中获取各故障因素的历史维护信息,历史维护信息包括维护方法和维护时间节点;
基于各故障因素的发生时间节点和维护信息,生成各故障因素对应的时间概率曲线;
基于当前时间节点和历史维护信息,计算周期因素概率。
4.根据权利要求3所述的基于层次分析和故障树的设备故障辅助诊断方法,其特征在于:基于当前时间节点和历史维护信息,计算周期因素概率的步骤之后,还包括:
基于故障树模型中各故障因素的关联关系计算各故障因素对其他故障因素的影响参数;
当检测到任一故障因素发生时,基于所述故障因素的影响参数修正其他故障因素的周期因素概率。
5.根据权利要求1所述的基于层次分析和故障树的设备故障辅助诊断方法,其特征在于:获取各故障因素对应的保障成本P,对各故障因素进行层次分析处理后,生成保障资源分配信息的步骤中,包括:
获取各故障因素对应的保障成本P,计算各故障因素对应的保障期望损失值E2;
基于期望损失值E1、保障期望损失值的差值E2和保障成本P,计算各故障因素的保障性价比A=(E1-E2)/P,基于各故障因素的保障性价比A生成保障排序信息。
6.根据权利要求5所述的基于层次分析和故障树的设备故障辅助诊断方法,其特征在于:获取各故障因素对应的保障成本,对各故障因素进行层次分析处理后,生成保障资源分配信息的步骤中,还包括:
以降低目标故障事件发生概率为决策目标,基于各故障因素的保障性价比A、周期事件概率、影响参数进行层次分析处理,生成层次分析结果;
基于层次分析结果和保障资源,确定保障资源分配信息,生成保障流程计划。
7.根据权利要求1所述的基于层次分析和故障树的设备故障辅助诊断方法,其特征在于,还包括:
当目标故障事件发生后,基于故障树模型中各故障因素的周期因素概率由大到小生成故障诊断顺序信息。
8.基于层次分析和故障树的设备故障辅助诊断系统,其特征在于,包括:
故障树建立模块,用于确定目标故障事件,从历史故障信息库中匹配对应的故障因素,基于各故障因素的关联关系建立对应的故障树模型;
期望损失计算模块,用于从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1;
保障资源分配模块,用于获取各故障因素对应的保障成本,对各故障因素进行层次分析处理后,生成保障资源分配信息。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于层次分析和故障树的设备故障辅助诊断方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于层次分析和故障树的设备故障辅助诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211354512.9A CN115511136B (zh) | 2022-11-01 | 2022-11-01 | 基于层次分析和故障树的设备故障辅助诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211354512.9A CN115511136B (zh) | 2022-11-01 | 2022-11-01 | 基于层次分析和故障树的设备故障辅助诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115511136A true CN115511136A (zh) | 2022-12-23 |
CN115511136B CN115511136B (zh) | 2023-06-30 |
Family
ID=84512018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211354512.9A Active CN115511136B (zh) | 2022-11-01 | 2022-11-01 | 基于层次分析和故障树的设备故障辅助诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511136B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992958A (zh) * | 2023-09-27 | 2023-11-03 | 中国长江电力股份有限公司 | 基于故障知识库自动生成fta实时动态树的方法 |
CN117150418A (zh) * | 2023-10-31 | 2023-12-01 | 国网浙江省电力有限公司宁波供电公司 | 基于状态特征故障树的变压器运检周期制定方法和系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5596712A (en) * | 1991-07-08 | 1997-01-21 | Hitachi, Ltd. | Method and system for diagnosis and analysis of products troubles |
JP2010181212A (ja) * | 2009-02-04 | 2010-08-19 | Toyota Central R&D Labs Inc | 故障診断システム、故障診断方法 |
CN104133941A (zh) * | 2014-07-02 | 2014-11-05 | 方志耕 | 一种基于ftf的复杂产品质量损失网络分析方法 |
US20160358106A1 (en) * | 2015-06-05 | 2016-12-08 | Sas Institute Inc. | Electrical transformer failure prediction |
CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及系统 |
CN106991240A (zh) * | 2017-04-11 | 2017-07-28 | 宁波如意股份有限公司 | 基于故障树的仓储搬运设备故障诊断方法 |
CN107590010A (zh) * | 2017-08-31 | 2018-01-16 | 西安电子科技大学 | 一种基于动态故障树的电磁兼容故障诊断分析方法 |
CN108509290A (zh) * | 2018-02-11 | 2018-09-07 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 数据驱动的故障树分析方法、装置及系统 |
CN108876002A (zh) * | 2018-05-03 | 2018-11-23 | 浙江运达风电股份有限公司 | 一种风力发电机组零部件备品备件库存优化方法 |
US20190235483A1 (en) * | 2014-10-10 | 2019-08-01 | Near-Miss Management Llc | Dynamic Prediction of Risk Levels for Manufacturing Operations through Leading Risk Indicators: Dynamic Risk Fault Tree Method and System |
CN111160579A (zh) * | 2019-12-30 | 2020-05-15 | 中国船舶重工集团公司第七一三研究所 | 一种基于权重的站台门故障诊断分析方法 |
CN112417700A (zh) * | 2020-11-27 | 2021-02-26 | 大连理工大学 | Eh油站基于状态评价的故障诊断系统 |
US20210293885A1 (en) * | 2020-03-18 | 2021-09-23 | Delta Electronics (Shanghai) Co., Ltd. | Fault diagnosis method and system for high-voltage generator |
CN113822499A (zh) * | 2021-11-23 | 2021-12-21 | 北京磁浮有限公司 | 一种基于模型融合的列车备件损耗预测方法 |
CN114021758A (zh) * | 2022-01-04 | 2022-02-08 | 北京磁浮有限公司 | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 |
WO2022032684A1 (en) * | 2020-08-14 | 2022-02-17 | Siemens Aktiengesellschaft | A method, device, system and storage medium for fault diagnosis and solution recommendation |
US20220066853A1 (en) * | 2020-08-28 | 2022-03-03 | Sap Se | Systems and methods for failure diagnosis using fault tree |
CN114925865A (zh) * | 2022-06-08 | 2022-08-19 | 山西科达自控股份有限公司 | 矿井电机车电机械制动系统故障诊断方法及存储介质 |
CN115145252A (zh) * | 2022-09-06 | 2022-10-04 | 长江三峡能事达电气股份有限公司 | 基于故障树的水轮机调速器故障诊断方法、系统及介质 |
CN115220408A (zh) * | 2022-07-15 | 2022-10-21 | 上海华高汇元工程服务有限公司 | A2/o工艺系统的故障诊断方法、系统、设备及存储介质 |
-
2022
- 2022-11-01 CN CN202211354512.9A patent/CN115511136B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5596712A (en) * | 1991-07-08 | 1997-01-21 | Hitachi, Ltd. | Method and system for diagnosis and analysis of products troubles |
JP2010181212A (ja) * | 2009-02-04 | 2010-08-19 | Toyota Central R&D Labs Inc | 故障診断システム、故障診断方法 |
CN104133941A (zh) * | 2014-07-02 | 2014-11-05 | 方志耕 | 一种基于ftf的复杂产品质量损失网络分析方法 |
US20190235483A1 (en) * | 2014-10-10 | 2019-08-01 | Near-Miss Management Llc | Dynamic Prediction of Risk Levels for Manufacturing Operations through Leading Risk Indicators: Dynamic Risk Fault Tree Method and System |
US20160358106A1 (en) * | 2015-06-05 | 2016-12-08 | Sas Institute Inc. | Electrical transformer failure prediction |
CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及系统 |
CN106991240A (zh) * | 2017-04-11 | 2017-07-28 | 宁波如意股份有限公司 | 基于故障树的仓储搬运设备故障诊断方法 |
CN107590010A (zh) * | 2017-08-31 | 2018-01-16 | 西安电子科技大学 | 一种基于动态故障树的电磁兼容故障诊断分析方法 |
CN108509290A (zh) * | 2018-02-11 | 2018-09-07 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 数据驱动的故障树分析方法、装置及系统 |
CN108876002A (zh) * | 2018-05-03 | 2018-11-23 | 浙江运达风电股份有限公司 | 一种风力发电机组零部件备品备件库存优化方法 |
CN111160579A (zh) * | 2019-12-30 | 2020-05-15 | 中国船舶重工集团公司第七一三研究所 | 一种基于权重的站台门故障诊断分析方法 |
US20210293885A1 (en) * | 2020-03-18 | 2021-09-23 | Delta Electronics (Shanghai) Co., Ltd. | Fault diagnosis method and system for high-voltage generator |
WO2022032684A1 (en) * | 2020-08-14 | 2022-02-17 | Siemens Aktiengesellschaft | A method, device, system and storage medium for fault diagnosis and solution recommendation |
US20220066853A1 (en) * | 2020-08-28 | 2022-03-03 | Sap Se | Systems and methods for failure diagnosis using fault tree |
CN112417700A (zh) * | 2020-11-27 | 2021-02-26 | 大连理工大学 | Eh油站基于状态评价的故障诊断系统 |
CN113822499A (zh) * | 2021-11-23 | 2021-12-21 | 北京磁浮有限公司 | 一种基于模型融合的列车备件损耗预测方法 |
CN114021758A (zh) * | 2022-01-04 | 2022-02-08 | 北京磁浮有限公司 | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 |
CN114925865A (zh) * | 2022-06-08 | 2022-08-19 | 山西科达自控股份有限公司 | 矿井电机车电机械制动系统故障诊断方法及存储介质 |
CN115220408A (zh) * | 2022-07-15 | 2022-10-21 | 上海华高汇元工程服务有限公司 | A2/o工艺系统的故障诊断方法、系统、设备及存储介质 |
CN115145252A (zh) * | 2022-09-06 | 2022-10-04 | 长江三峡能事达电气股份有限公司 | 基于故障树的水轮机调速器故障诊断方法、系统及介质 |
Non-Patent Citations (3)
Title |
---|
张翼飞;赵凯;: "基于决策树的转子故障自动诊断研究", 计算机测量与控制, no. 09, pages 49 - 51 * |
李俭川,胡茑庆,秦国军,温熙森: "基于贝叶斯网络的故障诊断策略优化方法", 控制与决策, no. 05, pages 57 - 61 * |
李娟: "基于模糊故障树的地铁车站深基坑施工风险评价研究", CNKI优秀硕士学位论文全文库, pages 1 - 91 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992958A (zh) * | 2023-09-27 | 2023-11-03 | 中国长江电力股份有限公司 | 基于故障知识库自动生成fta实时动态树的方法 |
CN116992958B (zh) * | 2023-09-27 | 2024-03-12 | 中国长江电力股份有限公司 | 基于故障知识库自动生成fta实时动态树的方法 |
CN117150418A (zh) * | 2023-10-31 | 2023-12-01 | 国网浙江省电力有限公司宁波供电公司 | 基于状态特征故障树的变压器运检周期制定方法和系统 |
CN117150418B (zh) * | 2023-10-31 | 2024-01-26 | 国网浙江省电力有限公司宁波供电公司 | 基于状态特征故障树的变压器运检周期制定方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115511136B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115511136B (zh) | 基于层次分析和故障树的设备故障辅助诊断方法及系统 | |
US5500941A (en) | Optimum functional test method to determine the quality of a software system embedded in a large electronic system | |
CN108304327B (zh) | 静态代码扫描结果处理方法和装置 | |
CN112363920A (zh) | 测试用例的修复方法、装置、计算机设备和存储介质 | |
CN111881980A (zh) | 一种车辆故障检测方法、装置、计算机设备和存储介质 | |
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 | |
CN115759357A (zh) | 基于pscada数据的供电设备安全预测方法、系统、设备及介质 | |
CN115759923A (zh) | 基于备件历史消耗数据和故障预测的备件库存管理方法 | |
CN110264055B (zh) | 部件危害性评估方法、装置、设备及计算机可读存储介质 | |
Challagulla et al. | A unified framework for defect data analysis using the mbr technique | |
CN112379913B (zh) | 基于风险识别的软件优化方法、装置、设备及存储介质 | |
CN116136985B (zh) | 一种变电所安全风险在线识别方法及其系统 | |
CN112381242A (zh) | 核电站设备维修项目数据处理方法及系统 | |
CN116345690B (zh) | 基于供电系统设备清单的电力监测虚警识别方法及系统 | |
CN109542782B (zh) | 基于机器学习的nfc测试方法、装置和计算机设备 | |
CN110473585B (zh) | 一种擦失效存储单元的替换方法、装置、设备及存储介质 | |
CN115795907A (zh) | 一种机电设备的可靠性评估方法、系统、设备及介质 | |
CN113887990A (zh) | 电气设备维修决策优化方法 | |
CN114463293A (zh) | 基于图像处理技术的钢结构质量无线检测分析方法及系统 | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN110716101B (zh) | 电力线路故障定位方法、装置、计算机和存储介质 | |
CN114120598A (zh) | 轨道交通供电预警方法、装置、计算机设备以及存储介质 | |
CN118014209A (zh) | 一种工程现场造价数据修正方法、系统、设备及介质 | |
AU2021103087A4 (en) | Big data testing method and system | |
CN114996519B (zh) | 数据处理方法、装置、电子设备、存储介质及产品 |
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 |