CN116049642A - 一种故障诊断方法、系统、电子设备及计算机存储介质 - Google Patents

一种故障诊断方法、系统、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN116049642A
CN116049642A CN202211702857.9A CN202211702857A CN116049642A CN 116049642 A CN116049642 A CN 116049642A CN 202211702857 A CN202211702857 A CN 202211702857A CN 116049642 A CN116049642 A CN 116049642A
Authority
CN
China
Prior art keywords
fault
probability
inverse
diagnosis
network
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
Application number
CN202211702857.9A
Other languages
English (en)
Inventor
刘杰
秦立明
黄家辉
阳小华
徐卓然
文娟
杨菁华
陈智
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.)
University of South China
Original Assignee
University of South China
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 University of South China filed Critical University of South China
Priority to CN202211702857.9A priority Critical patent/CN116049642A/zh
Publication of CN116049642A publication Critical patent/CN116049642A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开一种故障诊断方法、系统、电子设备及计算机存储介质，涉及故障诊断领域，方法包括获取工业系统的故障历史数据；所述故障历史数据包括设备定性信息、故障信息和故障症状；根据所述故障历史数据构建三层贝叶斯因果模型；根据所述三层贝叶斯因果模型进行反事实推理，得到反事实概率；根据所述反事实概率确定故障诊断结果。本发明能提高故障诊断的准确性和可解释性。

Description

一种故障诊断方法、系统、电子设备及计算机存储介质
技术领域
本发明涉及故障诊断领域，特别是涉及一种故障诊断方法、系统、电子设备及计算机存储介质。
背景技术
反事实是图灵奖获得者Judea Pearl提出的因果关系之梯的最高层级，回答了“假如我当时做了……会怎样？”的问题。因果关系之梯：第一层级(关联)：观察能力，指发现环境中规律的能力；第二层级(干预)：行动能力，指预测对环境刻意改变后的结果，并根据预测结果选择行为方案；第三层级(反事实)：想象能力，指想象并不存在的世界，并推测观察到的现象原因为何。第一层级“关联”和第二层级“干预”主要针对当前的弱人工智能，包括对现有贝叶斯网络在深度学习领域的拓展、前门标准实践、do演算等核心算法；而第三层级“反事实”，Judea Pearl认为反事实能力基于人的想象力和假设，是人类独有的思考能力，也是实现强人工智能的关键。
贝叶斯网络(BN)是一种概率图模型，通过有向无环图表示随机变量集及其条件依赖关系。这种网络由定性和定量两部分组成。定性部分是有向无环图，其中节点表示系统变量，而弧表示变量之间的依赖关系或因果关系。定量部分由条件概率表组成，表示每个节点与其父节点之间的关系。BN是描述和推理具有不确定、不完整和冲突信息的有力工具，该模型在故障诊断中的应用越来越广泛。
基于贝叶斯网络的故障诊断过程包括贝叶斯网络结构建模、贝叶斯网络参数建模、贝叶斯网络推理、故障识别和验证。基于贝叶斯网络的故障诊断模型可以通过以下五个步骤建立:(1)利用因果关系、映射算法或结构化学习方法建立故障诊断贝叶斯网络的结构模型；(2)利用带噪声模型的专家启发和参数学习方法，可以建立贝叶斯网络的参数模型；(3)可以对贝叶斯推理进行精确或近似的推理算法；(4)可以直接利用后验概率或各种故障识别规则来识别系统故障；(5)模型验证和确认可以通过各种方法进行，例如敏感性分析、冲突分析、模拟研究和实验研究。当诊断结果不令人满意时，前四个步骤中的一个或几个步骤在使用的特定方法中被修改或替换，直到获得满意的诊断结果。
传统的关联推理是基于相关关系，并未涉及因果关系，正如珀尔所提出的，关联推理是一系列可能的推理中最简单的一种，在因果关系较复杂的情形下，容易出现“混杂”，影响结果的准确度。反事实推理则位于最顶层，允许将因果解释归因于数据，模拟专家的思维方式，其推理结果兼具准确性和解释性。反事实可以检验，如果某些前提条件不同，某些结果是否会发生。
但是贝叶斯网络方法在故障诊断应用中，利用贝叶斯推理进行诊断，其实质是关联推理，无法将相关性与因果性解耦。因此，为了解决基于相关性的推理方法诊断结果缺乏可解释性，准确性不足的问题，将基于因果关系的反事实推理引入故障诊断，可以提高诊断的准确度，结果更具可解释性。但是，目前并未有人将此思想付出实践，完成故障诊断。
发明内容
本发明的目的是提供一种故障诊断方法、系统、电子设备及计算机存储介质，以提高故障诊断的准确性和可解释性。
为实现上述目的，本发明提供了如下方案：
一种故障诊断方法，包括：
获取工业系统的故障历史数据；所述故障历史数据包括设备定性信息、故障信息和故障症状；
根据所述故障历史数据构建三层贝叶斯因果模型；
根据所述三层贝叶斯因果模型进行反事实推理，得到反事实概率；
根据所述反事实概率确定故障诊断结果。
可选地，所述根据所述故障历史数据构建三层贝叶斯因果模型，具体包括：
以所述设备定性信息为贝叶斯网络第一层，以所述故障信息为贝叶斯网络第二层，以所述故障症状为贝叶斯网络第三层，利用条件概率和先验概率确定所述贝叶斯网络的三层之间的连接关系，构建三层贝叶斯因果模型。
可选地，所述根据所述三层贝叶斯因果模型进行反事实推理，得到反事实概率，具体包括：
根据所述三层贝叶斯因果模型构建孪生网络；
根据所述孪生网络进行反事实干预和合并节点，得到孪生诊断网络；
根据所述孪生诊断网络中的节点确定反事实概率。
可选地，所述根据所述反事实概率确定故障诊断结果，具体包括：
根据所有所述反事实概率进行排序，确定故障序列；
选择所述故障序列中满足故障规则的故障症状对应的故障信息为故障诊断结果；所述故障规则为故障症状的反事实概率最大且故障概率高于第一设定阈值，或者最大故障概率与第二大故障概率之差大于第二设定阈值。
本发明还提供一种故障诊断系统，包括：
获取模块，用于获取工业系统的故障历史数据；所述故障历史数据包括设备定性信息、故障信息和故障症状；
构建模块，用于根据所述故障历史数据构建三层贝叶斯因果模型；
反事实推理模块，用于根据所述三层贝叶斯因果模型进行反事实推理，得到反事实概率；
诊断模块，用于根据所述反事实概率确定故障诊断结果。
可选地，所述构建模块，具体包括：
构建单元，以所述设备定性信息为贝叶斯网络第一层，以所述故障信息为贝叶斯网络第二层，以所述故障症状为贝叶斯网络第三层，利用条件概率和先验概率确定所述贝叶斯网络的三层之间的连接关系，构建三层贝叶斯因果模型。
可选地，所述反事实推理模块，具体包括：
孪生网络构建单元，用于根据所述三层贝叶斯因果模型构建孪生网络；
孪生诊断网络确定单元，用于根据所述孪生网络进行反事实干预和合并节点，得到孪生诊断网络；
反事实概率确定单元，用于根据所述孪生诊断网络中的节点确定反事实概率。
可选地，所述诊断模块，具体包括：
排序单元，用于根据所有所述反事实概率进行排序，确定故障序列；
故障确定单元，用于选择所述故障序列中满足故障规则的故障症状对应的故障信息为故障诊断结果；所述故障规则为故障症状的反事实概率最大且故障概率高于第一设定阈值，或者最大故障概率与第二大故障概率之差大于第二设定阈值。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述中任意一项所述的方法。
本发明还提供一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述中任意一项所述的方法。
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：
本发明获取工业系统的故障历史数据；所述故障历史数据包括设备定性信息、故障信息和故障症状；根据所述故障历史数据构建三层贝叶斯因果模型；根据所述三层贝叶斯因果模型进行反事实推理，得到反事实概率；根据所述反事实概率确定故障诊断结果。本发明围绕系统故障的因果关系构建三层贝叶斯因果模型，引入反事实推理算法，模拟专家的诊断思维和诊断过程，解决了传统基于相关性贝叶斯推理的贝叶斯网络故障诊断方法中诊断结果解释性差，准确性不足的问题。
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为本发明提供的三层贝叶斯因果模型示意图；
图2为本发明提供的孪生网络示意图；
图3为基于必要性的孪生诊断网络示意图；
图4为基于充分性的孪生诊断网络示意图；
图5为故障诊断方法流程示意图；
图6为本发明提供的故障诊断方法流程图。
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故障诊断方法、系统、电子设备及计算机存储介质，以提高故障诊断的准确性和可解释性。
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5和图6所示，本发明提供的一种故障诊断方法，包括：
步骤101：获取工业系统的故障历史数据；所述故障历史数据包括设备定性信息、故障信息和故障症状。
对目标系统进行分析，基于故障历史数据和领域专家知识获取设备定性信息、故障和故障症状因果关系集；目标系统：工业系统通常都是复杂系统，一个复杂系统由许多子系统组成，并通过其中大量控制器和传感器相互耦合实现对整个复杂系统的控制调节。
对系统进行总体分析，主要参考系统设计、确定性事故分析报告、PRA报告、设备维护记录，分析目标系统的运行状况及重要变量。运行状况主要由其子系统决定，重要变量是指那些能够通过传感器收集数据、反映系统运行状况以及在故障工况下反应异常的参数。
基于故障历史数据和领域专家知识获取包括设备定性信息、故障信息和故障症状信息的因果关系信息集。其中，1.设备定性信息包括与故障发生概率直接相关的因素，即故障的因事件，该信息有助于准确的诊断故障。2.故障信息包括系统中的典型故障，也是诊断的目标。3.故障症状信息即故障的果事件，包括对相应故障敏感的传感器测量值和性能指标。
例如在核反应堆冷却剂系统中，设备定性信息包括与故障发生直接相关的因素，例如设备维修服务、异常运行记录、相关设备的健康状态、日常维护等；故障信息包括冷却剂系统中的典型故障；症状信息是故障发生后系统中的异常传感器参数信息。比如：(第一层：主泵健康状态；第二层：主泵卡轴失流；第三层：冷却剂系统温度，冷却剂体积)，主泵健康状态良好则发生主泵卡轴事故的风险较低，反之则风险较高；当发生主泵卡轴失流时，会造成冷却剂温度上升，体积膨胀等异常参数信息。但要注意的是，附加信息层的节点对于帮助诊断事故是必要的，但不足以检测和诊断故障。
步骤102：根据所述故障历史数据构建三层贝叶斯因果模型。
步骤102，具体包括：以所述设备定性信息为贝叶斯网络第一层，以所述故障信息为贝叶斯网络第二层，以所述故障症状为贝叶斯网络第三层，利用条件概率和先验概率确定所述贝叶斯网络的三层之间的连接关系，构建三层贝叶斯因果模型。
根据故障的因果信息进行建模，构建关于故障的三层贝叶斯因果模型；贝叶斯因果网络：节点表示因果事件，箭头表示事件之间的因果关系，并用一个条件概率来衡量因果关系的大小。
步骤A1：根据分析系统后获取的因果关系集，构建结构模型。如图1所示，诊断模型包括三层：附加信息层、故障层、故障症状层。其中1.第一层R表示附加信息，能够帮助诊断故障，附加信息层节点对应设备定性信息，为根节点层，无父结点，指向子结点故障层。2.第二层D表示系统中典型故障，故障层为第2层，该层节点对应系统中的典型故障，指向子结点故障症状层。3.第三层S表示故障的症状信息，故障症状层为第3层，每个故障症状节点都会有若干个父结点，表示为故障节点的果事件，是叶子节点层。结构模型是三层节点之间内在因果关系的图解和定性说明。每个节点都有两种状态，即“存在”和“不存在”；同一层节点间相互独立。节点间的边表示因果关系。R1→D1表示R1是D1发生的因事件，D1→S1表示S1是D1的果事件。
步骤A2：构建参数模型。贝叶斯模型由网络结构模型和参数模型组成，参数模型组成是指结构模型中节点的定量概率信息。参数模型由根节点的先验概率和节点间的条件概率组成。先验概率根据领域知识和专家经验获得。节点间的对于条件概率表(CPT)中参数数量的指数增长问题，这里用Noisy-OR模型构建CPT。一般情况下，第一层与第二层间的关系比较简单，第三层节点与第二层节点之间的关系比较复杂，可以将第二层中的节点视为一般节点，将第三层节点看作Noisy-OR节点。第一层节点是根节点，没有父节点，只需要其先验概率，不需要父结点对他的条件概率。对于一般的子节点，参数在条件概率表中指定，对于Noisy-OR节点，参数包括每个父结点对其的条件概率，来计算节点的条件概率表。
Noisy-OR模型：
Figure BDA0004025108150000071
其中，pi表示节点间的连接概率，pi＝P(Y＝1|only(Xi＝1))，X表示Y的父节点。P(y|X1，...，Xn)为根据父节点集合(X1，...，Xn)计算子节点y的条件概率，Xn为第n个父节点，Xi为第i个父节点，XT为父节点集合中X＝1的节点集合。Noisy-OR模型目的是简化构建条件概率表所需的条件概率数量，该节点只需部分条件概率计算父结点对子结点的连接概率，完整的条件概率表可以由连接概率计算得到。
步骤103：根据所述三层贝叶斯因果模型进行反事实推理，得到反事实概率。
步骤103，具体包括：根据所述三层贝叶斯因果模型构建孪生网络。根据所述孪生网络进行反事实干预和合并节点，得到孪生诊断网络。根据所述孪生诊断网络中的节点确定反事实概率。
在构建的因果模型之上根据观察到的证据进行反事实推理，即先对故障进行反事实干预，然后计算故障的反事实概率。
两种反事实方法：1.基于因果必要性指如果进行干预以关闭某故障Dk，预期会关闭的阳性证据症状数量。2.基于因果充分性指在故障Dk是打开的状态下，进行干预关闭当前证据症状的所有其他可能原因故障Di，预期会保留的阳性症状的数量。
步骤B1：对故障进行反事实干预。干预即人为的对某个节点值进行设定。在图2中，干预的操作将删除所有指向该变量的边。(1)基于因果必要性：对观察到的证据症状(例如，S1节点)的某父节点Di进行干预，以关闭该节点；(2)基于因果充分性：对观察到的证据症状(例如，S1节点)的除某父节点Di外的其余父节点进行干预，以关闭其余父节点。
首先，构建孪生网络。将上一步骤构建的如图1所示的三层网络称为事实图，首先复制事实图，复制的变量成为对偶变量；图1的网络将在反事实查询中编码事实证据，称之为事实图，图2中孪生网络将编码反事实干预和观察，称之为反事实图。
然后，进行干预，删除指向干预节点的边并将该事故节点设置为固定值。干预结束后，对孪生网络结构进行简化。节点合并规则：(1)因为不在附加信息节点上进行干预，所有(R,R*)被合并；(2)合并所有不受干预的故障节点；(3)任何不是人为干预的故障(D2)的子症状都可以合并；(4)删除了所有不是证据的多余症状节点，因为它们与查询无关。
要根据观察到的证据症状判断删除哪些边。比如在图3的基于必要性中，节点S1是观察到的证据节点，D1、D2为其父节点，节点D2*为反事实图中干预节点，在反事实图中删除指向D2*的边。而在图4的基于充分性的图中，对证据症状节点S1的除Dk外的父结点(D1,D2)进行干预，删除指向干预节点的边。
设置为固定值，故障节点有存在、不存在两种状态，表示该故障是否发生。在基于必要性中，对干预节点设置为关闭状态，即该节点表示的故障不存在，该故障没有发生的情况下，观察到的证据症状的反事实状态；在基于充分性中，对除Dk外的症状节点S1的父结点进行干预，设置为关闭状态，即除Dk外的其他S1父结点故障都没有发生，观察到的证据症状的反事实状态。
在反事实图上进行干预后，通过合并节点操作简化网络，形成孪生诊断网络。
图3和图4中节点(RN，S1)表示观察到的证据，对S1节点的父结点分别进行干预。(1)基于因果必要性：以D2为例进行干预，关闭该节点，并删除指向该节点的边，简化网络结构后如图3所示；(2)基于因果充分性：对出Dk外的S1父节点进行干预，关闭其余父结点，简化网络结构后如图4所示。
两种反事实算法的孪生诊断网络如图3和图4所示，其中，加下划线节点表示观察到的证据信息，加粗节点表示干预的故障节点。(1)基于因果必要性：对观察到的证据症状(例如，S1节点)的某父节点Di进行干预,以关闭该节点；(2)基于因果充分性：对观察到的证据症状(例如，S1节点)的除某父节点Di外的其余父节点进行干预，以关闭其余父节点。
步骤B2：计算故障的反事实概率，即量化目标原因故障D导致目标结果症状S的似然。在干预后的孪生诊断网络上进行反事实查询，查询方法如下：
Figure BDA0004025108150000091
其中，R,D,S分别为第一、二、三层节点，Dk为第k个故障节点，S±为观察到的阳性和阴性证据症状，Z为事实状态下存在的症状但反事实状态下不存在的症状。P(S±∣R)为条件概率，该式是基于因果必要性
Figure BDA0004025108150000101
因果充分性
Figure BDA0004025108150000102
的简化形式。其中，
Figure BDA0004025108150000103
为基于必要性的结果，S′+为反事实的状态下仍为阳性的证据症状，F为fault，表示节点状态，
Figure BDA0004025108150000104
表示基于充分性的结果，Pa(S+)为阳性证据症状S±的父节点。S’表示反事实状态下节点，do()表示对接点进行干预，ε表示输入证据信息(第一层、第三层的节点信息)。根据输入的证据ε(包括R、阳性症状S+、阴性症状S-)信息及干预后的反事实信息Z，计算故障节点Dk的反事实概率。
基于充分性：
Figure BDA0004025108150000105
基于必要性：
Figure BDA0004025108150000106
其中，
Figure BDA0004025108150000107
表示观察到的阳性和阴性证据症状，
Figure BDA0004025108150000108
表示Dk对S的连接概率，z表示事实状态下存在的症状但反事实状态下不存在的症状。τ(k、Z)表示方法的种类，分别对应两种方法的公式表示。故障对症状的影响，从必要性与充分性两方面分析；k表示对应的故障Dk。
基于充分性中，这里的S(S∈S+\Z)表示观察到的证据症状中，反事实状态下仍为阳性的症状；
Figure BDA0004025108150000109
表示Dk对S的连接概率。该式为反事实状态下，期望的仍为阳性症状的证据症状。
基于必要性中，这里的S(S∈Z)表示观察到的证据症状中，关闭了Dk后也随之关闭的阳性证据症状。该式为反事实状态下，期望关闭的阳性症状的证据症状。
反事实推理提供了语言来量化事故假设Dj＝T如何来解释症状证据Sj＝T，对于计算的反事实概率而言，结果越大，说明原因事故对于结果症状的因果解释越强。
以主泵卡轴失流为例，该故障会造成冷却剂系统流量下降，平均温度上升，压力上升等系统参数异常。这里Dj＝主泵卡轴失流，Sj＝流量下降、平均温度上升、压力上升。
在基于必要性中：进行干预以关闭故障Dj，预期会关闭的阳性证据症状数量。即如果Sj＝T当且仅当Dj＝T时，Dj是Sj的必要原因。反映了故障Dj单独可以解释系统异常症状的程度，以及单独关闭Dj会使系统异常消失的可能性。
在基于充分性中：进行干预关闭当前证据症状的所有其他可能原因故障Di，预期会保留的阳性症状的数量。即如果D的存在可以导致S的后续发生，则D是S的充分原因。
步骤104：根据所述反事实概率确定故障诊断结果。
步骤104，具体包括：
根据所有所述反事实概率进行排序，确定故障序列。选择所述故障序列中满足故障规则的故障症状对应的故障信息为故障诊断结果；所述故障规则为故障症状的反事实概率最大且故障概率高于第一设定阈值，或者最大故障概率与第二大故障概率之差大于第二设定阈值。
根据故障诊断规则来识别故障，基于观察到的证据症状，根据事故节点的反事实概率进行事故识别。反事实推理只能给出事故的反事实概率，但不能根据反事实概率得出明确的诊断结果。总体而言，随着反事实概率概率的增加，相应事故导致系统出现异常症状的可能性越大。
故障诊断规则：
规则一：故障的反事实概率最大且其故障概率高于第一设定阈值ε1(例如ε1＝70％).
规则二：最大故障概率与第二大故障概率之差高于第二设定阈值ε2(例如ε2＝30％)。
所有与证据症状相关的故障计算的反事实概率都由规则过滤，阈值ε1与ε2由专家确定，可以在诊断过程中进行优化。反事实概率指步骤B2中的结果。要对证据症状的每一个父结点都进行反事实推理，对他们的结果进行排序，满足诊断规则的故障为诊断结果。
本发明还提供一种故障诊断系统，包括：
获取模块，用于获取工业系统的故障历史数据；所述故障历史数据包括设备定性信息、故障信息和故障症状。
构建模块，用于根据所述故障历史数据构建三层贝叶斯因果模型。
反事实推理模块，用于根据所述三层贝叶斯因果模型进行反事实推理，得到反事实概率。
诊断模块，用于根据所述反事实概率确定故障诊断结果。
作为一种可选地实施方式，所述构建模块，具体包括：
构建单元，以所述设备定性信息为贝叶斯网络第一层，以所述故障信息为贝叶斯网络第二层，以所述故障症状为贝叶斯网络第三层，利用条件概率和先验概率确定所述贝叶斯网络的三层之间的连接关系，构建三层贝叶斯因果模型。
作为一种可选地实施方式，所述反事实推理模块，具体包括：
孪生网络构建单元，用于根据所述三层贝叶斯因果模型构建孪生网络。
孪生诊断网络确定单元，用于根据所述孪生网络进行反事实干预和合并节点，得到孪生诊断网络。
反事实概率确定单元，用于根据所述孪生诊断网络中的节点确定反事实概率。
作为一种可选地实施方式，所述诊断模块，具体包括：
排序单元，用于根据所有所述反事实概率进行排序，确定故障序列。
故障确定单元，用于选择所述故障序列中满足故障规则的故障症状对应的故障信息为故障诊断结果；所述故障规则为故障症状的反事实概率最大且故障概率高于第一设定阈值，或者最大故障概率与第二大故障概率之差大于第二设定阈值。
本发明还提供一种电子设备，包括：
一个或多个处理器。
存储装置，其上存储有一个或多个程序。
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述中任意一项所述的方法。
本发明还提供一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述中任意一项所述的方法。
本发明公开了一种基于反事实推理的工业系统故障诊断方法。其中包括如下步骤：从系统文档等资料对系统进行分析，基于故障历史数据和领域专家知识获取包括设备定性信息、故障和故障症状的因果关系集；接着对故障的因果信息进行建模，构建故障的三层贝叶斯因果模型；在构建的因果模型之上进行反事实推理，包括对故障进行反事实干预和计算故障的反事实概率两部分；最后根据故障诊断规则来识别故障。本发明围绕系统故障的因果关系构建三层贝叶斯因果模型，引入反事实推理算法，模拟专家的诊断思维和诊断过程，解决了传统基于相关性贝叶斯推理的贝叶斯网络故障诊断方法中诊断结果解释性差，准确性不足的问题。工业系统多为复杂系统，变量间的关系复杂，一个故障可能导致多个症状，而一个证据(症状)可能以不同的概率支持多个故障的存在，且故障数据大多难以获取。贝叶斯网络是描述和推理具有不确定、不完整和冲突信息的有力工具，关于诊断目标的定性信息和专家知识都被合并到BNs中，利用反事实推理来模拟专家思维做故障诊断。传统的基于贝叶斯网络的故障诊断方法都依赖于关联推理——它们根据故障和症状间的相关性来识别故障，这不同于专家诊断思维——选择对证据症状提供最佳因果解释的故障。未能将相关性从因果关系中分离出来，对关联推理的准确性造成很大限制，有时会导致次优或危险的诊断。而反事实推理算法更接近专家诊断思维和诊断过程，且反事实算法使用与关联算法相同的故障模型，只是查询模型的方法有所改变。
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)

1.一种故障诊断方法，其特征在于，包括：
获取工业系统的故障历史数据；所述故障历史数据包括设备定性信息、故障信息和故障症状；
根据所述故障历史数据构建三层贝叶斯因果模型；
根据所述三层贝叶斯因果模型进行反事实推理，得到反事实概率；
根据所述反事实概率确定故障诊断结果。
2.根据权利要求1所述的故障诊断方法，其特征在于，所述根据所述故障历史数据构建三层贝叶斯因果模型，具体包括：
以所述设备定性信息为贝叶斯网络第一层，以所述故障信息为贝叶斯网络第二层，以所述故障症状为贝叶斯网络第三层，利用条件概率和先验概率确定所述贝叶斯网络的三层之间的连接关系，构建三层贝叶斯因果模型。
3.根据权利要求1所述的故障诊断方法，其特征在于，所述根据所述三层贝叶斯因果模型进行反事实推理，得到反事实概率，具体包括：
根据所述三层贝叶斯因果模型构建孪生网络；
根据所述孪生网络进行反事实干预和合并节点，得到孪生诊断网络；
根据所述孪生诊断网络中的节点确定反事实概率。
4.根据权利要求3所述的故障诊断方法，其特征在于，所述根据所述反事实概率确定故障诊断结果，具体包括：
根据所有所述反事实概率进行排序，确定故障序列；
选择所述故障序列中满足故障规则的故障症状对应的故障信息为故障诊断结果；所述故障规则为故障症状的反事实概率最大且故障概率高于第一设定阈值，或者最大故障概率与第二大故障概率之差大于第二设定阈值。
5.一种故障诊断系统，其特征在于，包括：
获取模块，用于获取工业系统的故障历史数据；所述故障历史数据包括设备定性信息、故障信息和故障症状；
构建模块，用于根据所述故障历史数据构建三层贝叶斯因果模型；
反事实推理模块，用于根据所述三层贝叶斯因果模型进行反事实推理，得到反事实概率；
诊断模块，用于根据所述反事实概率确定故障诊断结果。
6.根据权利要求5所述的故障诊断系统，其特征在于，所述构建模块，具体包括：
构建单元，以所述设备定性信息为贝叶斯网络第一层，以所述故障信息为贝叶斯网络第二层，以所述故障症状为贝叶斯网络第三层，利用条件概率和先验概率确定所述贝叶斯网络的三层之间的连接关系，构建三层贝叶斯因果模型。
7.根据权利要求5所述的故障诊断系统，其特征在于，所述反事实推理模块，具体包括：
孪生网络构建单元，用于根据所述三层贝叶斯因果模型构建孪生网络；
孪生诊断网络确定单元，用于根据所述孪生网络进行反事实干预和合并节点，得到孪生诊断网络；
反事实概率确定单元，用于根据所述孪生诊断网络中的节点确定反事实概率。
8.根据权利要求7所述的故障诊断系统，其特征在于，所述诊断模块，具体包括：
排序单元，用于根据所有所述反事实概率进行排序，确定故障序列；
故障确定单元，用于选择所述故障序列中满足故障规则的故障症状对应的故障信息为故障诊断结果；所述故障规则为故障症状的反事实概率最大且故障概率高于第一设定阈值，或者最大故障概率与第二大故障概率之差大于第二设定阈值。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任意一项所述的方法。
10.一种计算机存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的方法。
CN202211702857.9A 2022-12-29 2022-12-29 一种故障诊断方法、系统、电子设备及计算机存储介质 Pending CN116049642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211702857.9A CN116049642A (zh) 2022-12-29 2022-12-29 一种故障诊断方法、系统、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211702857.9A CN116049642A (zh) 2022-12-29 2022-12-29 一种故障诊断方法、系统、电子设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN116049642A true CN116049642A (zh) 2023-05-02

Family

ID=86115761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211702857.9A Pending CN116049642A (zh) 2022-12-29 2022-12-29 一种故障诊断方法、系统、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN116049642A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114102A (zh) * 2023-10-13 2023-11-24 江苏前景瑞信科技发展有限公司 一种基于贝叶斯网络和故障树的变压器故障诊断方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114102A (zh) * 2023-10-13 2023-11-24 江苏前景瑞信科技发展有限公司 一种基于贝叶斯网络和故障树的变压器故障诊断方法

Similar Documents

Publication Publication Date Title
Liu et al. Fault diagnosis and cause analysis using fuzzy evidential reasoning approach and dynamic adaptive fuzzy Petri nets
AU2009299602B2 (en) Assisting with updating a model for diagnosing failures in a system
US5130936A (en) Method and apparatus for diagnostic testing including a neural network for determining testing sufficiency
Zeng et al. Belief reliability: a new metrics for products’ reliability
CN105956665B (zh) 一种基于动态不确定因果图的启发式检测系统异常原因的方法
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
CN113900845A (zh) 一种基于神经网络的微服务故障诊断的方法和存储介质
Nguyen et al. A probabilistic model-based diagnostic framework for nuclear engineering systems
JP2022502737A (ja) ベイジアンネットワークによるボイラーの運転データの監視方法及び装置
CN114090352A (zh) 机组能效异常诊断方法、装置以及存储介质
CN116049642A (zh) 一种故障诊断方法、系统、电子设备及计算机存储介质
Chen et al. Using discrete Bayesian networks for diagnosing and isolating cross-level faults in HVAC systems
Strasser et al. Graph-based ontology-guided data mining for D-matrix model maturation
CN110727553A (zh) 处理器系统故障的预测与诊断方法和装置
CN116611523B (zh) 涡轮风扇发动机的可解释故障预测方法及系统
EP2266033B1 (en) Assisting failure diagnosis in a system using bayesian network
Yang et al. A multi-components approach to monitoring process structure and customer behaviour concept drift
Perreault et al. Deriving prognostic continuous time Bayesian networks from D-matrices
Bartram System health diagnosis and prognosis using dynamic Bayesian networks
Agosta et al. Bayes Network" Smart" Diagnostics.
Smirnov Fuzzy model of fault finding in systems of responsible appointment
US7739213B1 (en) Method for developing complex probabilistic models
Strasser et al. An empirical evaluation of Bayesian networks derived from fault trees
EP2172880A1 (en) Assisting with updating a model for diagnosing failures in a system
Chen et al. Interpretable fault diagnosis of rolling element bearings with temporal logic neural network

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