CN115712840B - 一种电子信息系统多故障诊断方法及系统 - Google Patents

一种电子信息系统多故障诊断方法及系统 Download PDF

Info

Publication number
CN115712840B
CN115712840B CN202211430442.0A CN202211430442A CN115712840B CN 115712840 B CN115712840 B CN 115712840B CN 202211430442 A CN202211430442 A CN 202211430442A CN 115712840 B CN115712840 B CN 115712840B
Authority
CN
China
Prior art keywords
fault
matrix
probability
mode
electronic information
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
CN202211430442.0A
Other languages
English (en)
Other versions
CN115712840A (zh
Inventor
孙慧贤
张玉华
李召瑞
郭宝锋
崔佩璋
尹文龙
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.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
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 Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN202211430442.0A priority Critical patent/CN115712840B/zh
Publication of CN115712840A publication Critical patent/CN115712840A/zh
Application granted granted Critical
Publication of CN115712840B publication Critical patent/CN115712840B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52Outage or fault management, e.g. fault detection or location

Landscapes

  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了一种电子信息系统多故障诊断方法及系统,涉及电子信息系统故障诊断领域,方法包括:确定相关性矩阵、故障依赖概率矩阵和最大故障模式组合数;根据状态监测数据是否异常确定测试向量;将测试向量与相关性矩阵逐行比对,如果存在所述测试向量与相关性矩阵中某一行完全匹配,则判断为单故障;如果测试向量与相关性矩阵中任意一行都不匹配,则判断为多故障;设有e个故障同时存在;根据测试向量和故障依赖概率矩阵确定多故障组合模式;将多故障组合模式的故障相似度从大到小排序;令e=e+1;判断e是否大于最大故障模式组合数,如果是,输出结果。本发明能够实现诊断电子信息系统单故障以及难以处理的复合故障的目标。

Description

一种电子信息系统多故障诊断方法及系统
技术领域
本发明涉及电子信息系统故障诊断领域,特别是涉及一种电子信息系统多故障诊断方法及系统。
背景技术
电子信息系统是指由计算机、网络设备、有/无线通信设备、供配电设备及相关配套设备、设施等电子设备构成的,按一定应用目的和规则对信息进行采集、加工、存储、传输等处理的人机系统。此类系统具有涉及专业领域众多、系统复杂、软件密集等特点,与一般的系统不同,电子信息系统的故障有层次性、传播性、相关性和不确定性等独有的特征。
从本质上讲,故障诊断是一个通过观测系统不同观测点上的故障现象进而确定故障原因的过程。对一般的故障诊断,传统的假设是系统同一时刻至多只出现一个故障。然而对于分布式多节点、软件功能密集的复杂电子信息系统,往往出现同一时刻存在多个故障的情况。此时,以往单故障模型的假设不再成立。必须针对复杂电子信息系统多故障并发的特点提出新的故障诊断方法。
针对电子信息系统的故障诊断,单一地利用目前常见的基于信号处理的方法、基于解析模型的方法或基于知识的诊断方法都不足以对复杂电子系统进行及时有效的故障诊断,给出全面合理的结论。近年来,基于多信号模型的故障诊断方法在电子信息系统故障诊断领域得到了广泛的重视。多信号模型方法通过跟踪系统每一组件影响的信号以及每一测试节点可以检测的信号的流向,在系统结构模型的基础上生成相关性矩阵(或称为故障依赖矩阵),描述信号间的依赖关系,成功地融合了结构模型和依赖模型的优点,适合复杂电子信息系统的故障建模。
基于相关性矩阵的故障诊断方法虽然可以完成单故障模式的快速诊断,但还存在两个问题:一是仅支持单故障发生情况,不支持多故障并存时的诊断隔离;二是仅限于和测试性模型一致的测试结果,当测试结果和测试性模型存在偏差时,可能得到错误的诊断结果。为了解决上述问题,针对电子信息装备多故障诊断,提出了一种基于故障依赖概率矩阵的多故障诊断方法,可以有效提高故障覆盖率和诊断效率。
发明内容
本发明的目的是提供一种电子信息系统多故障诊断方法及系统,实现诊断电子信息系统单故障以及难以处理的复合故障的目标。
为实现上述目的,本发明提供了如下方案:
一种电子信息系统多故障诊断方法,包括:
S1:根据被测电子信息系统确定相关性矩阵D;
S2:根据所述相关性矩阵D确定故障依赖概率矩阵DM和最大故障模式组合数En,En为大于1的整数;
S3:获取被测电子信息系统的状态监测数据;
S4:判断所述状态监测数据是否异常;
S5:根据所述状态监测数据的判断结果确定测试向量T;
S6:将所述测试向量T与相关性矩阵D逐行比对,如果存在所述测试向量T与相关性矩阵D中某一行完全匹配,则判断为单故障存在,输出诊断结果;如果所述测试向量T与相关性矩阵D中任意一行都不匹配,则判断为多故障存在,转入S7;
S7:设有e个故障同时存在,并预设e的初始值;
S8:根据所述测试向量T和故障依赖概率矩阵DM确定多故障组合模式;
S9:将所述多故障组合模式的故障相似度从大到小排序,作为多故障组合模式发生概率由大到小的顺序;
S10:令e=e+1;
S11:判断e是否大于En,如果否,则转入S7;如果是,则输出诊断结果。
可选的,所述相关性矩阵D为:
Figure BDA0003944766020000031
其中,故障模式总数为N,测试点的总数为M,D矩阵的第i行表示的是设备第i个故障模式在每一个测试点上的反映信息,D矩阵的第j列,表示的是第j个测试点和每个故障模式之间的相关性,aij表示第j列的测试点值对第i行对应的故障模式的关联情况,当aij=0时,表示第i个故障模式和第j个测试点不相关,当aij=1时,表示第i个故障模式和第j个测试点相关。
可选的,所述故障依赖概率矩阵DM为:
Figure BDA0003944766020000032
其中,dij=P(Fi)·xi,j表示系统第i个故障模式和第j个测试量的依赖概率;xi,j表示在故障模式i对测试向量每一个测试点的相关概率,0≤xi,j≤1;P(Fi)为单个故障模式的先验概率,0≤P(Fi)≤1,
Figure BDA0003944766020000033
DM矩阵的第i行表示的是设备第i个故障模式在每一个测试点上的相关概率值,DM矩阵的第j列,表示的是第j个测试点和每个故障模式之间的相关概率值。
可选的,输出诊断结果后,还包括:
实施修理或更换故障单元;
判断诊断结果是否正确;
若否,则继续修理;
若是,则更新设备可更换单元的故障先验概率,更新故障依赖概率矩阵。
可选的,采用状态采集传感器获取被测电子信息系统的状态监测数据。
可选的,所述根据测试向量T和故障依赖概率矩阵DM确定多故障组合模式,具体包括:
利用故障依赖概率矩阵DM计算
Figure BDA0003944766020000041
个故障组合模式的故障相似度;
获取所述故障相似度大于或等于设定阈值的故障组合模式,作为多故障组合模式。
可选的,所述故障相似度采用如下公式计算:
Se,i=Fa,1·T+…+Fa,e·T
其中,Se,i为故障相似度,T为测试向量,Fa,e为故障依赖概率矩阵DM的某一行,对应一种故障模式,Fa,1·T+…+Fa,e·T表示将故障依赖概率矩阵DM中的e行故障模式对应的依赖概率与测试向量T相乘。
一种电子信息系统多故障诊断系统,包括:
相关性矩阵确定模块,用于根据被测电子信息系统确定相关性矩阵D;
故障依赖概率矩阵和最大故障模式组合数确定模块,用于根据所述相关性矩阵D确定故障依赖概率矩阵DM和最大故障模式组合数En,En为大于1的整数;
状态监测数据获取模块,用于获取被测电子信息系统的状态监测数据;
第一判断模块,用于判断所述状态监测数据是否异常;
测试向量确定模块,用于根据所述状态监测数据的判断结果确定测试向量T;
故障诊断模块,用于将所述测试向量T与相关性矩阵D逐行比对,如果存在所述测试向量T与相关性矩阵D中某一行完全匹配,则判断为单故障存在,输出诊断结果;如果所述测试向量T与相关性矩阵D中任意一行都不匹配,则判断为多故障存在,转入下一模块;
初始值模块,用于设有e个故障同时存在,e的初始值设为2;
多故障组合模式确定模块,用于根据所述测试向量T和故障依赖概率矩阵DM确定多故障组合模式;
排序模块,用于将所述多故障组合模式的故障相似度从大到小排序,作为多故障组合模式发生概率由大到小的顺序;
赋值模块,用于令e=e+1;
第二判断模块,用于判断e是否大于En,如果否,则转入S7;如果是,则输出诊断结果。
可选的,所述相关性矩阵D为:
Figure BDA0003944766020000051
其中,故障模式总数为N,测试点的总数为M,D矩阵的第i行表示的是设备第i个故障模式在每一个测试点上的反映信息,D矩阵的第j列,表示的是第j个测试点和每个故障模式之间的相关性,aij表示第j列的测试点值对第i行对应的故障模式的关联情况,当aij=0时,表示第i个故障模式和第j个测试点不相关,当aij=1时,表示第i个故障模式和第j个测试点相关。
可选的,所述故障依赖概率矩阵DM为:
Figure BDA0003944766020000052
其中,dij=P(Fi)·xi,j表示系统第i个故障模式和第j个测试量的依赖概率;xi,j表示在故障模式i对测试向量每一个测试点的相关概率,0≤xi,j≤1;P(Fi)为单个故障模式的先验概率,0≤P(Fi)≤1,
Figure BDA0003944766020000061
DM矩阵的第i行表示的是设备第i个故障模式在每一个测试点上的相关概率值,DM矩阵的第j列,表示的是第j个测试点和每个故障模式之间的相关概率值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种电子信息系统多故障诊断方法及系统,在相关性矩阵D的基础上,结合专家经验和历史故障数据确定故障依赖概率矩阵DM,将原有的相关性矩阵二值数值(0,1)形式转变为概率值([0~1])形式,定义了故障依赖概率矩阵,合理反应了故障模式与测试量之间的依赖关系,可以支撑按照故障发生的先验概率,根据故障诊断案例和数据增加,动态更新故障数据库,更新故障依赖概率矩阵,更加准确反映故障模式与测试量之间的依赖关系。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明电子信息系统多故障诊断方法的原理框图;
图2为本发明的电子信息系统多故障诊断方法流程图;
图3为本发明的电子信息系统多故障诊断系统模块图。
具体实施方式
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,所描述的实施例仅仅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。
本发明的目的是提供一种电子信息系统多故障诊断方法及系统,实现诊断电子信息系统单故障以及难以处理的复合故障的目标。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,为本发明电子信息系统多故障诊断方法的原理框图,具体的,针对被测电子信息系统,确定故障模式集合,依据状态监测系统确定测试点集合,确定相关性矩阵D。
Figure BDA0003944766020000071
其中,故障模式总数为N,测试点的总数为M,D矩阵的第i行表示的是设备第i个故障模式在每一个测试点上的反映信息,D矩阵的第j列表示的是第j个测试点和每个故障模式之间的相关性,aij表示第j列的测试点值对第i行对应的故障模式的关联情况,当aij=0时,表示第i个故障模式和第j个测试点不相关,当aij=1时,表示第i个故障模式和第j个测试点相关。
在相关性矩阵D的基础上,结合专家经验和历史故障数据确定故障依赖概率矩阵DM
故障依赖概率矩阵DM采用统计概率描述每一个测试点与每一个故障模式之间的相关程度。DM矩阵的定义如下:
Figure BDA0003944766020000072
其中,dij=P(Fi)·xi,j表示系统第i个故障模式和第j个测试量的依赖概率;xi,j表示在故障模式i对测试向量每一个测试点的相关概率,0≤xi,j≤1。对于给定i,1≤i≤N,有
Figure BDA0003944766020000081
P(Fi)为单个故障模式的先验概率,0≤P(Fi)≤1,
Figure BDA0003944766020000082
DM矩阵的第i行表示的是设备第i个故障模式在每一个测试点上的相关概率值,DM矩阵的第j列表示的是第j个测试点和每个故障模式之间的相关概率值。
具体而言,对于同型号电子信息系统,在初始阶段由专家或历史故障数据确定xi,j值和P(Fi)值。在每一次维修保障中,对于给出的故障诊断结果,按照可能发生概率的顺序,通过更换故障单元方式,进行诊断结果验证,并将正确诊断结果更新至历史数据库。在历史故障数据库更新后,重新计算单个故障模式的先验概率P(Fi)、每个故障模式对测试量的依赖概率xi,j,更新故障依赖概率矩阵。
针对上述内容,本发明公开一种电子信息系统多故障诊断方法,如图2所示,具体包括如下的步骤:
步骤1:针对被测电子信息系统,确定故障模式集合,依据状态监测系统确定测试点集合,确定相关性矩阵D。
步骤2:在相关性矩阵D的基础上,结合专家经验和历史故障数据确定故障依赖概率矩阵DM和最大故障模式组合数En,En为大于1的整数。
步骤3:利用状态采集传感器监测设备状态,故障诊断计算机通过保障网络获取状态监测数据,对于每一个测试点,通过正常系统的数值范围确定当前测试值tj是否异常,如果异常,设置tj=1,否则tj=0,则可获得一次测试的测试向量T。
步骤4:首先将测试向量T与相关性矩阵D进行逐行比对,如果存在T与D中某一行完全匹配,则判断为单故障存在,输出诊断结果,转入步骤7;如果T与D中任意一行都不匹配,则判断为多故障存在,转入步骤5。
步骤5:假设有e个故障同时存在,e的初始值设为2,利用测试向量T和故障依赖概率矩阵DM,计算
Figure BDA0003944766020000083
个多故障组合模式的故障相似度Se,i,当e=2时,S2,i=Fa,p·T+Fa,q·T,将大于等于阈值Te的S2,i对应的双故障模式组合输出,作为可能的多故障模式,按照故障相似度从大到小的顺序,作为多故障模式组合发生概率由大到小的顺序,输出诊断结果;e=e+1;
步骤6:判断e是否大于En,如果否,则转入步骤5,如果是,则转入步骤7。
步骤7:按照诊断给出结果,修理或更换故障单元;如果是多故障模式,按照故障模式组合数由小到大,故障相似度从大到小的顺序,依次修理或更换故障单元。
步骤8:实施修理或更换故障单元后,评估诊断结果是否正确,是则转入步骤9,否则转入步骤7,继续修理。
步骤9:记录测试点状态和故障诊断结果。
步骤10:更新设备可更换单元的故障先验概率,更新故障依赖概率矩阵。
步骤11:结束。
以某型电子信息系统装备为例,该系统共有N个故障模式,M个测试点,在诊断前,确定该系统的相关性矩阵D,并结合专家经验和历史故障数据确定该系统的故障依赖概率矩阵DM
考虑到该电子信息系统装备的历史故障情况,设定其最大故障模式组合数En=2。
利用状态采集传感器监测设备状态,故障诊断计算机通过保障网络获取状态监测数据,对于每一个测试点,通过正常系统的数值范围确定当前测试值tj是否异常,如果异常,设置tj=1,否则tj=0,则可获得一次测试的测试向量T;
首先将测试向量T与相关性矩阵D进行逐行比对,如果存在T与D中某一行完全匹配,则判断为单故障存在,确定故障部位,输出诊断结果,按照诊断结果进行修理或者部件更换。如果诊断结果正确,则记录测试点状态和故障诊断结果,更新设备可更换单元的故障先验概率,更新故障依赖概率矩阵。
如果确定不是单故障,则按照双故障同时发生诊断,利用故障依赖概率矩阵DM计算
Figure BDA0003944766020000091
个双故障,对于第i个双故障对应第p个和第q个故障的组合,则该双故障相似度S2,i
Figure BDA0003944766020000093
Figure BDA0003944766020000092
个双故障相似度S2,i中,找出大于或等于阈值T2的双故障组合,作为可能的多故障模式,按照故障相似度从大到小的顺序,作为双故障模式组合发生概率由大到小的顺序,输出诊断结果。
按照诊断结果进行修理或者部件更换。如果诊断结果正确,则记录测试点状态和故障诊断结果,更新设备可更换单元的故障先验概率,更新故障依赖概率矩阵。
基于上述方法的内容,本发明还公开了一种电子信息系统多故障诊断系统,如图3所示,包括:
相关性矩阵确定模块101,用于根据被测电子信息系统确定相关性矩阵D。
故障依赖概率矩阵和最大故障模式组合数确定模块102,用于根据所述相关性矩阵D确定故障依赖概率矩阵DM和最大故障模式组合数En,En为大于1的整数。
状态监测数据获取模块103,用于获取被测电子信息系统的状态监测数据。
第一判断模块104,用于判断所述状态监测数据是否异常。
测试向量确定模块105,用于根据所述状态监测数据的判断结果确定测试向量T。
故障诊断模块106,用于将所述测试向量T与相关性矩阵D逐行比对,如果存在所述测试向量T与相关性矩阵D中某一行完全匹配,则判断为单故障存在,输出诊断结果;如果所述测试向量T与相关性矩阵D中任意一行都不匹配,则判断为多故障存在,转入下一模块。
初始值模块107,用于设有e个故障同时存在,e的初始值设为2。
多故障组合模式确定模块108,用于根据所述测试向量T和故障依赖概率矩阵DM确定多故障组合模式。
排序模块109,用于将所述多故障组合模式的故障相似度从大到小排序,作为多故障组合模式发生概率由大到小的顺序。
赋值模块110,用于令e=e+1。
第二判断模块111,用于判断e是否大于En,如果否,则转入S7;如果是,则输出诊断结果。
本发明还公开了如下技术效果:
1、本发明将原有的相关性矩阵二值数值(0,1)形式转变为概率值([0~1])形式,定义了故障依赖概率矩阵,合理反应了故障模式与测试量之间的依赖关系,可以支撑按照故障发生的先验概率,判断组合型多故障的发生概率。
2、本发明所定义的故障依赖概率矩阵,可以根据故障数据库动态更新。随着故障数据的积累,故障依赖概率矩阵可以更加准确反映故障模式与测试量之间的依赖关系。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种电子信息系统多故障诊断方法,其特征在于,包括:
S1:根据被测电子信息系统确定相关性矩阵D;
S2:根据所述相关性矩阵D确定故障依赖概率矩阵DM和最大故障模式组合数En,En为大于1的整数;
S3:获取被测电子信息系统的状态监测数据;
S4:判断所述状态监测数据是否异常;
S5:根据所述状态监测数据的判断结果确定测试向量T;
S6:将所述测试向量T与相关性矩阵D逐行比对,如果存在所述测试向量T与相关性矩阵D中某一行完全匹配,则判断为单故障存在,输出诊断结果;如果所述测试向量T与相关性矩阵D中任意一行都不匹配,则判断为多故障存在,转入S7;
S7:设有e个故障同时存在,并预设e的初始值;
S8:根据所述测试向量T和故障依赖概率矩阵DM确定多故障组合模式;
S9:将所述多故障组合模式的故障相似度从大到小排序,作为多故障组合模式发生概率由大到小的顺序;
S10:令e=e+1;
S11:判断e是否大于En,如果否,则转入S7;如果是,则输出诊断结果。
2.根据权利要求1所述的电子信息系统多故障诊断方法,其特征在于,所述相关性矩阵D为:
Figure FDA0003944766010000021
其中,故障模式总数为N,测试点的总数为M,D矩阵的第i行表示的是设备第i个故障模式在每一个测试点上的反映信息,D矩阵的第j列,表示的是第j个测试点和每个故障模式之间的相关性,aij表示第j列的测试点值对第i行对应的故障模式的关联情况,当aij=0时,表示第i个故障模式和第j个测试点不相关,当aij=1时,表示第i个故障模式和第j个测试点相关。
3.根据权利要求1所述的电子信息系统多故障诊断方法,其特征在于,
所述故障依赖概率矩阵DM为:
Figure FDA0003944766010000022
其中,dij=P(Fi)·xi,j表示系统第i个故障模式和第j个测试量的依赖概率;xi,j表示在故障模式i对测试向量每一个测试点的相关概率,0≤xi,j≤1;P(Fi)为单个故障模式的先验概率,0≤P(Fi)≤1,
Figure FDA0003944766010000023
DM矩阵的第i行表示的是设备第i个故障模式在每一个测试点上的相关概率值,DM矩阵的第j列,表示的是第j个测试点和每个故障模式之间的相关概率值。
4.根据权利要求1所述的电子信息系统多故障诊断方法,其特征在于,输出诊断结果后,还包括:
实施修理或更换故障单元;
判断诊断结果是否正确;
若否,则继续修理;
若是,则更新设备可更换单元的故障先验概率,更新故障依赖概率矩阵。
5.根据权利要求1所述的电子信息系统多故障诊断方法,其特征在于,
采用状态采集传感器获取被测电子信息系统的状态监测数据。
6.根据权利要求1所述的电子信息系统多故障诊断方法,其特征在于,所述根据测试向量T和故障依赖概率矩阵DM确定多故障组合模式,具体包括:
利用故障依赖概率矩阵DM计算
Figure FDA0003944766010000031
个故障组合模式的故障相似度;
获取所述故障相似度大于或等于设定阈值的故障组合模式,作为多故障组合模式。
7.根据权利要求6所述的电子信息系统多故障诊断方法,其特征在于,所述故障相似度采用如下公式计算:
Se,i=Fa,1·T+…+Fa,e·T
其中,Se,i为故障相似度,T为测试向量,Fa,e为故障依赖概率矩阵DM的某一行,对应一种故障模式,Fa,1·T+…+Fa,e·T表示将故障依赖概率矩阵DM中的e行故障模式对应的依赖概率与测试向量T相乘。
8.一种电子信息系统多故障诊断系统,其特征在于,包括:
相关性矩阵确定模块,用于根据被测电子信息系统确定相关性矩阵D;
故障依赖概率矩阵和最大故障模式组合数确定模块,用于根据所述相关性矩阵D确定故障依赖概率矩阵DM和最大故障模式组合数En,En为大于1的整数;
状态监测数据获取模块,用于获取被测电子信息系统的状态监测数据;
第一判断模块,用于判断所述状态监测数据是否异常;
测试向量确定模块,用于根据所述状态监测数据的判断结果确定测试向量T;
故障诊断模块,用于将所述测试向量T与相关性矩阵D逐行比对,如果存在所述测试向量T与相关性矩阵D中某一行完全匹配,则判断为单故障存在,输出诊断结果;如果所述测试向量T与相关性矩阵D中任意一行都不匹配,则判断为多故障存在,转入下一模块;
初始值模块,用于设有e个故障同时存在,e的初始值设为2;
多故障组合模式确定模块,用于根据所述测试向量T和故障依赖概率矩阵DM确定多故障组合模式;
排序模块,用于将所述多故障组合模式的故障相似度从大到小排序,作为多故障组合模式发生概率由大到小的顺序;
赋值模块,用于令e=e+1;
第二判断模块,用于判断e是否大于En,如果否,则转入S7;如果是,则输出诊断结果。
9.根据权利要求8所述的电子信息系统多故障诊断系统,其特征在于,所述相关性矩阵D为:
Figure FDA0003944766010000041
其中,故障模式总数为N,测试点的总数为M,D矩阵的第i行表示的是设备第i个故障模式在每一个测试点上的反映信息,D矩阵的第j列,表示的是第j个测试点和每个故障模式之间的相关性,aij表示第j列的测试点值对第i行对应的故障模式的关联情况,当aij=0时,表示第i个故障模式和第j个测试点不相关,当aij=1时,表示第i个故障模式和第j个测试点相关。
10.根据权利要求8所述的电子信息系统多故障诊断系统,其特征在于,
所述故障依赖概率矩阵DM为:
Figure FDA0003944766010000051
其中,dij=P(Fi)·xi,j表示系统第i个故障模式和第j个测试量的依赖概率;xi,j表示在故障模式i对测试向量每一个测试点的相关概率,0≤xi,j≤1;P(Fi)为单个故障模式的先验概率,0≤P(Fi)≤1,
Figure FDA0003944766010000052
DM矩阵的第i行表示的是设备第i个故障模式在每一个测试点上的相关概率值,DM矩阵的第j列,表示的是第j个测试点和每个故障模式之间的相关概率值。
CN202211430442.0A 2022-11-15 2022-11-15 一种电子信息系统多故障诊断方法及系统 Active CN115712840B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211430442.0A CN115712840B (zh) 2022-11-15 2022-11-15 一种电子信息系统多故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211430442.0A CN115712840B (zh) 2022-11-15 2022-11-15 一种电子信息系统多故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN115712840A CN115712840A (zh) 2023-02-24
CN115712840B true CN115712840B (zh) 2023-06-13

Family

ID=85233308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211430442.0A Active CN115712840B (zh) 2022-11-15 2022-11-15 一种电子信息系统多故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN115712840B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107966648A (zh) * 2017-11-27 2018-04-27 中国航空综合技术研究所 一种基于相关性矩阵的嵌入式故障诊断方法
CN109325293A (zh) * 2018-09-25 2019-02-12 中国人民解放军海军航空大学 一种基于相关性模型的多故障诊断方法
CN111027721A (zh) * 2019-11-22 2020-04-17 中国铁道科学研究院集团有限公司通信信号研究所 一种系统故障定位方法
CN111522308A (zh) * 2020-04-17 2020-08-11 深圳市英维克信息技术有限公司 故障诊断方法、装置、存储介质及计算机设备
CN112163189A (zh) * 2020-11-03 2021-01-01 北京机电工程研究所 基于测试顺序概率矩阵的装备故障诊断方法
CN113221496A (zh) * 2021-05-06 2021-08-06 电子科技大学 一种基于三维测试性分析模型的故障诊断方法
WO2021218003A1 (zh) * 2020-04-27 2021-11-04 中国电子科技集团公司第十四研究所 一种雷达嵌入式健康管理系统
CN113626267A (zh) * 2021-07-31 2021-11-09 西南电子技术研究所(中国电子科技集团公司第十研究所) 复杂电子系统不确定性故障诊断效能评估方法
CN113887452A (zh) * 2021-10-09 2022-01-04 中国舰船研究设计中心 基于相关性矩阵的故障诊断优化方法
CN114329971A (zh) * 2021-12-29 2022-04-12 中国航发控制系统研究所 基于压缩感知的控制器基准电源故障诊断与校正方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107966648A (zh) * 2017-11-27 2018-04-27 中国航空综合技术研究所 一种基于相关性矩阵的嵌入式故障诊断方法
CN109325293A (zh) * 2018-09-25 2019-02-12 中国人民解放军海军航空大学 一种基于相关性模型的多故障诊断方法
CN111027721A (zh) * 2019-11-22 2020-04-17 中国铁道科学研究院集团有限公司通信信号研究所 一种系统故障定位方法
CN111522308A (zh) * 2020-04-17 2020-08-11 深圳市英维克信息技术有限公司 故障诊断方法、装置、存储介质及计算机设备
WO2021218003A1 (zh) * 2020-04-27 2021-11-04 中国电子科技集团公司第十四研究所 一种雷达嵌入式健康管理系统
CN112163189A (zh) * 2020-11-03 2021-01-01 北京机电工程研究所 基于测试顺序概率矩阵的装备故障诊断方法
CN113221496A (zh) * 2021-05-06 2021-08-06 电子科技大学 一种基于三维测试性分析模型的故障诊断方法
CN113626267A (zh) * 2021-07-31 2021-11-09 西南电子技术研究所(中国电子科技集团公司第十研究所) 复杂电子系统不确定性故障诊断效能评估方法
CN113887452A (zh) * 2021-10-09 2022-01-04 中国舰船研究设计中心 基于相关性矩阵的故障诊断优化方法
CN114329971A (zh) * 2021-12-29 2022-04-12 中国航发控制系统研究所 基于压缩感知的控制器基准电源故障诊断与校正方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Dependency Model-Based Multiple Fault Diagnosis Using Knowledge of Test Result and Fault Prior Probability;Lv, X. , et al.;Applied Sciences;第1-14页 *
一种基于有向图模型的模糊多故障诊断算法;连可;黄建国;龙兵;;系统工程与电子技术(第03期);第182-185页 *
基于深度置信网络的通信控制设备故障诊断;陈子兆;矫文成;孙慧贤;陈旭;;探测与控制学报(02);第89-94页 *

Also Published As

Publication number Publication date
CN115712840A (zh) 2023-02-24

Similar Documents

Publication Publication Date Title
CN111553590B (zh) 一种雷达嵌入式健康管理系统
Coble et al. Applying the general path model to estimation of remaining useful life
CN113011530B (zh) 一种基于多分类器融合的智能电表故障预测方法
CN112487592B (zh) 基于贝叶斯网络的任务可靠性建模分析方法
CN111879349A (zh) 一种传感器数据偏差自适应修正方法
CN111060779B (zh) 一种基于概率神经网络的电网分区故障诊断方法及系统
CN112906764B (zh) 基于改进bp神经网络的通信安全设备智能诊断方法及系统
CN117763449A (zh) 一种多源故障自主定位与分类方法
CN117034143B (zh) 一种基于机器学习的分布式系统故障诊断方法及装置
CN116295948B (zh) 大温差环境下工业温度传感器的异常检测方法、系统及存储介质
CN114266289A (zh) 一种复杂装备健康状态评估方法
CN115165332B (zh) 一种装备机内测试与综合测试一体化设计方法及系统
CN115859777A (zh) 一种多故障模式下产品系统寿命预测的方法
CN117875421B (zh) 基于深度学习的光伏阵列故障诊断方法及系统
CN115712840B (zh) 一种电子信息系统多故障诊断方法及系统
CN114818116B (zh) 基于联合学习的飞机发动机失效模式识别和寿命预测方法
CN111126750A (zh) 一种关键单元确定方法、装置和存储介质
CN109547248A (zh) 基于人工智能的在轨飞行器自组网故障诊断方法及装置
CN115540935A (zh) 一种新型护航舰艇压载水系统设备故障诊断方法
Amati et al. An incremental approach to functional diagnosis
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
Qiu et al. A fusion of bayesian and fuzzy analysis for print faults diagnosis.
CN118051743B (zh) 一种航空发动机气路故障诊断方法和装置
CN109474445B (zh) 一种分布式系统根源故障定位方法及装置
CN114580101B (zh) 一种旋转机械剩余使用寿命预测方法及系统

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