CN116360387B - 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 - Google Patents
融合贝叶斯网络和性能-故障关系图谱的故障定位方法 Download PDFInfo
- Publication number
- CN116360387B CN116360387B CN202310095604.8A CN202310095604A CN116360387B CN 116360387 B CN116360387 B CN 116360387B CN 202310095604 A CN202310095604 A CN 202310095604A CN 116360387 B CN116360387 B CN 116360387B
- Authority
- CN
- China
- Prior art keywords
- fault
- failure
- performance
- cause
- mode
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 208000024891 symptom Diseases 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000011058 failure modes and effects analysis Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 230000004807 localization Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明涉及一种融合贝叶斯网络和性能‑故障关系图谱的故障定位方法，该方法包括：根据FMEA构建航天器控制系统的性能‑故障关系图谱；基于历史故障案例，计算所述性能‑故障关系图谱中各故障模原因出现的先验概率、故障原因导致故障模式的条件概率和故障模式导致故障征兆的条件概率；利用TransE算法获得所述性能‑故障关系图谱中各实体与关系的向量表示；获取所述航天器控制系统的在轨数据，通过向量匹配的方式得到包含所述在轨数据的故障征兆相关的所有故障原因的性能‑故障关系图谱的子图；针对每个所述故障征兆，采用贝叶斯网络计算各故障原因导致出现当前故障征兆的概率，以进行故障定位。本发明能够提高航天器控制系统故障定位的准确性。
Description
技术领域
本发明涉及航空航天技术领域，特别涉及一种融合贝叶斯网络和性能-故障关系图谱的故障定位方法。
背景技术
航天器控制系统工作时间长、精度要求高、环境特殊，并受重量和能量消耗等条件的限制，导致航天器控制系统的故障类型多、故障原因复杂、影响因素广泛。
随着知识图谱技术的发展，航天装备大量的专家知识和非结构化数据被重新组织和利用，成为装备研制的重要知识资源。而基于知识图谱的人工智能技术为航天器故障诊断提供了更符合人们认知习惯的故障知识应用与故障推理方式。基于知识图谱的故障定位主要根据确定性逻辑进行推理，对于故障发生概率、故障征兆出现概率等不确定性知识考虑的较少。而故障定位是通过分析观测到的征兆，找出产生这些征兆的真正原因。一般情况下，对应一组征兆会有多个故障子集，即备选故障假设可能有多个，故障定位算法需要从所有可能的故障假设中寻找最有可能引起当前征兆出现的故障子集。
发明内容
为了提高航天器控制系统故障定位的准确性，本发明实施例提供了一种融合贝叶斯网络和性能-故障关系图谱的故障定位方法。
第一方面，本发明实施例提供了一种融合贝叶斯网络和性能-故障关系图谱的故障定位方法，包括：
根据FMEA构建航天器控制系统的性能-故障关系图谱；
基于历史故障案例，计算所述性能-故障关系图谱中各故障模原因出现的先验概率、故障原因导致故障模式的条件概率和故障模式导致故障征兆的条件概率；
利用TransE算法获得所述性能-故障关系图谱中各实体与关系的向量表示；
获取所述航天器控制系统的在轨数据，通过向量匹配的方式得到包含所述在轨数据的故障征兆相关的所有故障原因的性能-故障关系图谱的子图；
针对每个所述故障征兆，采用贝叶斯网络计算各故障原因导致出现当前故障征兆的概率，以进行故障定位。
第二方面，本发明实施例还提供了一种融合贝叶斯网络和性能-故障关系图谱的故障定位装置，包括：
构建模块，用于根据FMEA构建航天器控制系统的性能-故障关系图谱；
计算模块，用于基于历史故障案例，计算所述性能-故障关系图谱中各故障模原因出现的先验概率、故障原因导致故障模式的条件概率和故障模式导致故障征兆的条件概率；
获得模块，用于利用TransE算法获得所述性能-故障关系图谱中各实体与关系的向量表示；
获取模块，用于获取所述航天器控制系统的在轨数据，通过向量匹配的方式得到包含所述在轨数据的故障征兆相关的所有故障原因的性能-故障关系图谱的子图；
定位模块，用于针对每个所述故障征兆，采用贝叶斯网络计算各故障原因导致出现当前故障征兆的概率，以进行故障定位。
第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本发明任一实施例所述的方法。
本发明实施例提供了一种融合贝叶斯网络和性能-故障关系图谱的故障定位方法，为了提高故障定位的准确性，提出贝叶斯网络与性能-故障关系图谱相结合的故障定位方法：基于航天器性能-故障关系图谱，寻找当前故障征兆相关的所有故障原因以及相应的故障传播链，得到关系图谱的子图；针对该子图，考虑各种先验概率和条件概率，利用贝叶斯理论给出各故障原因对应的概率，通过分析最大概率对应的故障原因，实现航天器的故障定位。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种融合贝叶斯网络和性能-故障关系图谱的故障定位方法流程图；
图2是本发明一实施例提供的一种电子设备的硬件架构图；
图3是本发明一实施例提供的一种融合贝叶斯网络和性能-故障关系图谱的故障定位装置结构图。
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，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的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。
请参考图1，本发明实施例提供了一种融合贝叶斯网络和性能-故障关系图谱的故障定位方法，该方法包括：
步骤100：根据FMEA构建航天器控制系统的性能-故障关系图谱；
步骤102：基于历史故障案例，计算性能-故障关系图谱中各故障模原因出现的先验概率、故障原因导致故障模式的条件概率和故障模式导致故障征兆的条件概率；
步骤104：利用TransE算法获得性能-故障关系图谱中各实体与关系的向量表示；
步骤106：获取航天器控制系统的在轨数据，通过向量匹配的方式得到包含在轨数据的故障征兆相关的所有故障原因的性能-故障关系图谱的子图；
步骤108：针对每个故障征兆，采用贝叶斯网络计算各故障原因导致出现当前故障征兆的概率，以进行故障定位。
本发明实施例中，为了提高故障定位的准确性，提出贝叶斯网络与性能-故障关系图谱相结合的故障定位方法：基于航天器性能-故障关系图谱，寻找当前故障征兆相关的所有故障原因以及相应的故障传播链，得到关系图谱的子图；针对该子图，考虑各种先验概率和条件概率，利用贝叶斯理论给出各故障原因对应的概率，通过分析最大概率对应的故障原因，实现航天器的故障定位。
可以知道的是，一般情况下，对应一组征兆会有多个故障子集，即备选故障假设可能有多个，故障定位算法需要从所有可能的故障假设中寻找最有可能引起当前征兆出现的故障子集。而贝叶斯网络作为一种不确定性推理方法，具有严格的概率理论基础，通过提供图形化的方法来定性表示变量间的因果关联关系，以条件概率分布来定量表示变量间的影响程度，非常适合解决不确定性的知识表达和推理问题，这为航天器故障定位过程中故障假设的排除和确认提供了有力支持。
性能-故障关系图谱是描述航天器性能与故障关系的知识图谱，本发明将贝叶斯网络与性能-故障关系图谱相结合，在考虑各种不确定性因素的基础上，提高故障定位的准确性。
本发明将贝叶斯网络和性能-故障关系图谱相结合进行故障定位，其中关系图谱采用确定性推理方式，利用TransE通过向量匹配获得关系图谱的子图，该子图包含了跟当前故障征兆相关的所有可能故障原因。而贝叶斯网络则采用不确定性推理方式，利用先验概率和条件概率获得每个原因导致当前故障征兆出现的概率，进而实现航天器故障定位。通过确定性推理和不确定性推理来提高故障定位的准确性。
航天器在轨故障案例、测试故障案例或数学仿真结果，都为故障定位提供了丰富的故障知识，本发明将这些宝贵的故障知识转化为贝叶斯推理过程中的先验概率和条件概率，得到了每个故障原因引起当前征兆出现的概率，在充分利用多源信息的基础上，细化了故障定位结果。
与利用黑箱模型进行故障定位不同，本发明能够获得“故障原因-故障模式-故障征兆”的故障影响路径，使设计人员对故障传播链一目了然，为故障定位结果的确认和故障诊断经验的积累提供了有力支撑。
下面描述图1所示的各个步骤的执行方式。
针对步骤100：
在本发明一个实施例中，根据FMEA通过人工方式或自动方式构建航天器性能-故障关系图谱，性能-故障关系图谱中的三元组集合包括：<部件-包含-功能模块>、<功能模块-发生-故障原因>、<故障原因-导致-故障模式>、<故障模式-表现-故障征兆>、<故障模式-引起-高一层影响>、<故障模式-引起-最终影响>、<故障模式-采取-预防和纠正措施>。
针对步骤102：
在本发明一个实施例中，性能-故障关系图谱中各故障模原因出现的先验概率为：
式中，Pk(Hp)表示考虑k个故障案例后计算得到的故障原因p的先验概率，Up,i表示在第i个故障案例中故障原因p是否发生，若是则Up,i＝1，否则Up,i＝0；
性能-故障关系图谱中故障原因导致故障模式的条件概率为：
式中，Um,i表示在故障原因p发生的情况下，是否会引起故障模式m出现，若是则Um,i＝1，否则Um,i＝0。
性能-故障关系图谱中故障模式导致故障征兆的条件概率为：
式中，Uai,j表示在故障模式m发生的情况下，是否会导致测点i出现异常等级ai，若是则UA,i＝1，否则UA,i＝0，
在本实施例中，根据历史故障案例，计算关系图谱中各故障模原因出现的先验概率、故障原因导致故障模式的条件概率和故障模式导致故障征兆的条件概率。
对于三元组<功能模块-发生-故障原因>，关系“发生”描述了各故障原因出现的先验概率，对于故障原因p，Pk(Hp)可通过下式进行计算：
其中，Pk(Hp)表示考虑k个故障案例后计算得到的故障原因p的先验概率，Up,i表示在第i个故障案例中故障原因p是否发生，若是则Up,i＝1，否则Up,i＝0。
将上式改写成迭代形式：
其中，初值P0(Hp)根据FMEA报告得到。
当利用航天器性能-故障关系图谱准确定位故障后，可以利用上式对故障原因p的先验概率P(Hp)进行更新，提高关系“发生”属性的准确性。若考虑的故障案例个数为Nf，故障定位过程中用到的故障原因p的先验概率
对于三元组<故障原因-导致-故障模式>，关系“导致”描述了故障原因p导致故障模式m出现的条件概率，对于故障原因p，条件概率Pk(Hm|Hp)可通过下式计算得到：
其中，Um,i表示在故障原因p发生的情况下，是否会引起故障模式m出现，若是则Um,i＝1，否则Um,i＝0。
若考虑的故障案例个数为Nf，故障定位过程中用到的故障原因p导致故障模式m出现的条件概率
对于三元组<故障模式-表现-故障征兆>，关系“表现”描述了故障模式m导致故障征兆A出现的条件概率，而故障征兆A是通过一组测点的状态情况来描述的，即其中ai表示第i个测点的异常等级，ai＝0表示测点i正常，ai＝1表示测点i一级异常，以此类推，ai＝l表示测点il级异常。
故障模式m导致故障征兆ai出现的条件概率可通过下列迭代形式计算得到：
其中，Uai,j表示在故障模式m发生的情况下，是否会导致测点i出现异常等级ai，若是则UA,i＝1，否则UA,i＝0，
若考虑的故障案例个数为Nf，故障定位过程中用到的故障模式m导致故障征兆ai出现的条件概率
针对步骤104：
在本发明一个实施例中，步骤104具体可以包括：
将性能-故障关系图谱以三元组(h,r,t)的形式表示；其中，h表示头实体，r表示关系，t表示尾实体；
对三元组中的头实体、关系和尾实体进行初始化；
以正确的三元组(h,r,t)作为正采样样本，替换正确的三元组头实体或尾实体构建负采样样本(h‘，r，t‘)，基于正采样样本和负采样样本建立T-batch；
利用T-batch训练TransE模型，并采用梯度下降算法进行参数调整；其中，TransE模型的损失函数为：
式中，S为正采样样本，γ表示损失函数中的距离参数(γ＞0)；
利用训练好的TransE模型获得三元组的向量表示。
在本实施例中，从航天器故障-性能关系图谱中提取三元组，对TransE模型进行训练，得到实体与关系的嵌入向量，具体步骤为：
a.从故障-性能关系图谱中提取三元组，以(h,r,t)的形式表示，其中h表示头实体，r表示关系，t表示尾实体。
b.对三元组中的实体与关系在的区间随机赋值，将其转换为m维的向量，为了方便计算，对其进行归一化处理为单位向量。
c.每次循环都在向量化后的三元组中随机抽取z个作为正样本，随机替换其头实体或尾实体作为负样本，用(h‘，r，t‘)表示，transE的训练目标是使三元组的向量满足：h+r＝t，因此根据h+r与t的欧氏距离或曼哈顿距离设置得分函数：
f(h，r，t)＝||h+r-t||2
根据TransE模型的训练目标，要保证正样本的得分函数尽量小，负样本的得分函数尽量大，损失函数设置为：
其中，S为正样本集合，(h’,r,t’)为正样本(h,r,t)对应的负样本，γ表示损失函数中的间隔(γ＞0)。
d.通过基于梯度的优化算法进行优化求解，直至训练收敛。得到实体与关系的m维包含语义信息的嵌入向量。
针对步骤106：
在本发明一个实施例中，步骤106具体可以包括：
对各测点状态进行异常监测；
针对每个异常的测点，通过向量匹配的方式获得与当前测点对应的所有故障模式；
针对获得的每个故障模式，通过向量匹配的方式获得与当前故障模式对应的所有故障原因；
基于获得的异常测点、故障模式和故障原因，得到与当前故障征兆对应的性能-故障关系图谱的子图谱。
在本实施例中，通过向量匹配的方式得到包含当前征兆相关的所有故障原因的性能-故障关系图谱的子图，采用的步骤如下：
a.利用接收的在轨数据，对各测点状态进行异常监测，若某个或几个测点异常，则执行后续步骤，否则跳出故障定位过程。
假定t时刻接收的在轨数据为Dt包含NA个变量，每个变量对应一个测点，测点状态监测逻辑如下：
其中，r0,i,r1,i,…,rl-1,i,rl,i表示不同异常等级对应的阈值，一般由专家经验获得。
需要说明的是，上述提到的测点状态监测逻辑是基于门限值检验的方法获得的，设计人员可以根据自己的需求给出不同的状态监测逻辑，其它步骤不变。
b.针对每个异常的测点，通过向量匹配获得与之相关的所有故障模式。
假定处于异常状态的测点i的向量表示为Vi A，故障模式与故障征兆(测点)之间的关系“表现”的向量表示为故障模式m的向量表示为/>
针对处于异常状态的每个测点(以测点i为例)，判断下列等式是否成立，挑选出所有满足等式的关系和故障模式：
其中，m＝1，2，…，NM,/>为性能-故障关系图谱中关系“表现”的个数，NM为性能-故障关系图谱中故障模式这个实体类型包含的所有实体个数。
c.针对步骤b中挑选的每个故障模式，通过向量匹配获得与之相关的所有故障原因。
假定故障原因与故障模型之间的关系“导致”的向量表示为故障原因q的向量表示为/>
针对步骤b中挑选的每个故障模式(以故障模式m为例)，判断下列等式是否成立，挑选出所有满足等式的关系和故障原因：
其中，q＝1,2,...,NC,/>为性能-故障关系图谱中关系“导致”的个数，NC为性能-故障关系图谱中故障原因这个实体类型包含的所有实体个数。
根据由步骤a,步骤b和步骤c获得的异常测点、挑选的故障模式和故障原因，以及与这些实体相关的所有关系，得到跟当前故障征兆相关的性能-故障关系图谱的子图谱。
针对步骤108：
在本发明一个实施例中，步骤108具体可以包括：
对于当前征兆A是由故障原因p引起的后验概率P(Hp|HA)，具有如下形式：
式中，表示测点i处于异常等级ai是由故障原因p引起的概率，具有如下形式：
式中，N′A表示性能-故障关系图谱的子图中包含的所有异常测点的个数,N′C表示性能-故障关系图谱的子图中包含的所有故障原因实体的个数，N′M表示性能-故障关系图谱的子图中包含的所有故障模式实体的个数；
故障定位结果为：
式中，I0表示使P(Hp|HA)最大的故障原因编号p，p＝1,2,...,N′C。
在本实施例中，利用贝叶斯理论计算各故障原因导致出现当前故障征兆的概率，进而实现故障定位。
如图2、图3所示，本发明实施例提供了一种融合贝叶斯网络和性能-故障关系图谱的故障定位装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种融合贝叶斯网络和性能-故障关系图谱的故障定位装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图3所示，本实施例提供的一种融合贝叶斯网络和性能-故障关系图谱的故障定位装置，包括：
构建模块300，用于根据FMEA构建航天器控制系统的性能-故障关系图谱；
计算模块302，用于基于历史故障案例，计算所述性能-故障关系图谱中各故障模原因出现的先验概率、故障原因导致故障模式的条件概率和故障模式导致故障征兆的条件概率；
获得模块304，用于利用TransE算法获得所述性能-故障关系图谱中各实体与关系的向量表示；
获取模块306，用于获取所述航天器控制系统的在轨数据，通过向量匹配的方式得到包含所述在轨数据的故障征兆相关的所有故障原因的性能-故障关系图谱的子图；
定位模块308，用于针对每个所述故障征兆，采用贝叶斯网络计算各故障原因导致出现当前故障征兆的概率，以进行故障定位。
在本发明实施例中，构建模块300可用于执行上述方法实施例中的步骤100，计算模块302可用于执行上述方法实施例中的步骤102，获得模块304可用于执行上述方法实施例中的步骤104，获取模块306可用于执行上述方法实施例中的步骤106，定位模块308可用于执行上述方法实施例中的步骤108。
在本发明的一个实施例中，所述性能-故障关系图谱中的三元组集合包括：<部件-包含-功能模块>、<功能模块-发生-故障原因>、<故障原因-导致-故障模式>、<故障模式-表现-故障征兆>、<故障模式-引起-高一层影响>、<故障模式-引起-最终影响>、<故障模式-采取-预防和纠正措施>。
在本发明的一个实施例中，所述性能-故障关系图谱中各故障模原因出现的先验概率为：
式中，Pk(Hp)表示考虑k个故障案例后计算得到的故障原因p的先验概率，Up,i表示在第i个故障案例中故障原因p是否发生，若是则Up,i＝1，否则Up,i＝0；
所述性能-故障关系图谱中故障原因导致故障模式的条件概率为：
式中，Um,i表示在故障原因p发生的情况下，是否会引起故障模式m出现，若是则Um,i＝1，否则Um,i＝0。
所述性能-故障关系图谱中故障模式导致故障征兆的条件概率为：
式中，Uai,j表示在故障模式m发生的情况下，是否会导致测点i出现异常等级ai，若是则UA,i＝1，否则UA,i＝0，
在本发明的一个实施例中，所述获得模块，用于执行如下操作：
将所述性能-故障关系图谱以三元组(h,r,t)的形式表示；其中，h表示头实体，r表示关系，t表示尾实体；
对所述三元组中的头实体、关系和尾实体进行初始化；
以正确的三元组(h,r,t)作为正采样样本，替换正确的三元组头实体或尾实体构建负采样样本(h‘，r，t‘)，基于正采样样本和负采样样本建立T-batch；
利用所述T-batch训练TransE模型，并采用梯度下降算法进行参数调整；其中，所述TransE模型的损失函数为：
式中，S为正采样样本，γ表示损失函数中的距离参数(γ＞0)；
利用训练好的TransE模型获得三元组的向量表示。
在本发明的一个实施例中，所述获取模块，用于执行如下操作：
对各测点状态进行异常监测；
针对每个异常的测点，通过向量匹配的方式获得与当前测点对应的所有故障模式；
针对获得的每个故障模式，通过向量匹配的方式获得与当前故障模式对应的所有故障原因；
基于获得的异常测点、故障模式和故障原因，得到与当前故障征兆对应的性能-故障关系图谱的子图谱。
在本发明的一个实施例中，所述定位模块，用于执行如下操作：
对于当前征兆A是由故障原因p引起的后验概率P(HpHA)，具有如下形式：
式中，表示测点i处于异常等级ai是由故障原因p引起的概率，具有如下形式：
式中，N′A表示性能-故障关系图谱的子图中包含的所有异常测点的个数,N′C表示性能-故障关系图谱的子图中包含的所有故障原因实体的个数，N′M表示性能-故障关系图谱的子图中包含的所有故障模式实体的个数；
故障定位结果为：
式中，I0表示使P(HpHA)最大的故障原因编号p，p＝1,2,...,N′C。
可以理解的是，本发明实施例示意的结构并不构成对一种融合贝叶斯网络和性能-故障关系图谱的故障定位装置的具体限定。在本发明的另一些实施例中，一种融合贝叶斯网络和性能-故障关系图谱的故障定位装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种融合贝叶斯网络和性能-故障关系图谱的故障定位方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种融合贝叶斯网络和性能-故障关系图谱的故障定位方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：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 (6)
1.一种融合贝叶斯网络和性能-故障关系图谱的故障定位方法，其特征在于，包括：
根据FMEA构建航天器控制系统的性能-故障关系图谱；
基于历史故障案例，计算所述性能-故障关系图谱中各故障模原因出现的先验概率、故障原因导致故障模式的条件概率和故障模式导致故障征兆的条件概率；
利用TransE算法获得所述性能-故障关系图谱中各实体与关系的向量表示；
获取所述航天器控制系统的在轨数据，通过向量匹配的方式得到包含所述在轨数据的故障征兆相关的所有故障原因的性能-故障关系图谱的子图；
针对每个所述故障征兆，采用贝叶斯网络计算各故障原因导致出现当前故障征兆的概率，以进行故障定位；
所述性能-故障关系图谱中的三元组集合包括：<部件-包含-功能模块>、<功能模块-发生-故障原因>、<故障原因-导致-故障模式>、<故障模式-表现-故障征兆>、<故障模式-引起-高一层影响>、<故障模式-引起-最终影响>、<故障模式-采取-预防和纠正措施>；
所述性能-故障关系图谱中各故障模原因出现的先验概率为：
式中，表示考虑/>个故障案例后计算得到的故障原因/>的先验概率，/>表示考虑/>个故障案例后计算得到的故障原因/>的先验概率，/>表示在第/>个故障案例中故障原因/>是否发生，/>表示在第/>个故障案例中故障原因/>是否发生，若是则/>，否则；
当利用航天器性能-故障关系图谱准确定位故障后，利用上式对故障原因的先验概率进行更新，以提高关系“发生”属性的准确性；
若考虑的故障案例个数为，则故障定位过程中用到的故障原因/>的先验概率为；
所述性能-故障关系图谱中故障原因导致故障模式的条件概率为：
式中，表示在故障原因/>发生的情况下，是否会引起故障模式/>出现，若是则/>，否则/>，/>；
若考虑的故障案例个数为，则故障定位过程中用到的故障原因/>导致故障模式/>出现的条件概率为/>；
所述性能-故障关系图谱中故障模式导致故障征兆的条件概率为：
式中，表示在故障模式/>发生的情况下，是否会导致测点/>出现异常等级/>，若是则，否则/>，/>；
若考虑的故障案例个数为，则故障定位过程中用到的故障模式/>导致异常等级/>出现的条件概率为/>；
所述针对每个所述故障征兆，采用贝叶斯网络计算各故障原因导致出现当前故障征兆的概率，以进行故障定位，包括：
对于当前征兆是由故障原因/>引起的后验概率/>，具有如下形式：
式中，表示性能-故障关系图谱的子图中包含的所有异常测点的个数,/>表示测点/>处于异常等级/>是由故障原因/>引起的概率，具有如下形式：
式中， 表示性能-故障关系图谱的子图中包含的所有故障原因实体的个数，/>表示性能-故障关系图谱的子图中包含的所有故障模式实体的个数；
故障定位结果为：
式中，表示使/>最大的故障原因编号/>，/>。
2.根据权利要求1所述的方法，其特征在于，所述利用TransE算法获得所述性能-故障关系图谱中各实体与关系的向量表示，包括：
将所述性能-故障关系图谱以三元组的形式表示；其中，/>表示头实体，/>表示关系，/>表示尾实体；
对所述三元组中的头实体、关系和尾实体进行初始化；
以正确的三元组作为正采样样本，替换正确的三元组头实体或尾实体构建负采样样本 />，基于正采样样本和负采样样本建立T-batch；
利用所述T-batch训练TransE模型，并采用梯度下降算法进行参数调整；其中，所述TransE模型的损失函数为：
式中，为正采样样本，/>表示损失函数中的距离参数(/>)；
利用训练好的TransE模型获得三元组的向量表示。
3.根据权利要求1所述的方法，其特征在于，所述通过向量匹配的方式得到包含所述在轨数据的故障征兆相关的所有故障原因的性能-故障关系图谱的子图，包括：
对各测点状态进行异常监测；
针对每个异常的测点，通过向量匹配的方式获得与当前测点对应的所有故障模式；
针对获得的每个故障模式，通过向量匹配的方式获得与当前故障模式对应的所有故障原因；
基于获得的异常测点、故障模式和故障原因，得到与当前故障征兆对应的性能-故障关系图谱的子图谱。
4.一种融合贝叶斯网络和性能-故障关系图谱的故障定位装置，其特征在于，包括：
构建模块，用于根据FMEA构建航天器控制系统的性能-故障关系图谱；
计算模块，用于基于历史故障案例，计算所述性能-故障关系图谱中各故障模原因出现的先验概率、故障原因导致故障模式的条件概率和故障模式导致故障征兆的条件概率；
获得模块，用于利用TransE算法获得所述性能-故障关系图谱中各实体与关系的向量表示；
获取模块，用于获取所述航天器控制系统的在轨数据，通过向量匹配的方式得到包含所述在轨数据的故障征兆相关的所有故障原因的性能-故障关系图谱的子图；
定位模块，用于针对每个所述故障征兆，采用贝叶斯网络计算各故障原因导致出现当前故障征兆的概率，以进行故障定位；
所述性能-故障关系图谱中的三元组集合包括：<部件-包含-功能模块>、<功能模块-发生-故障原因>、<故障原因-导致-故障模式>、<故障模式-表现-故障征兆>、<故障模式-引起-高一层影响>、<故障模式-引起-最终影响>、<故障模式-采取-预防和纠正措施>；
所述性能-故障关系图谱中各故障模原因出现的先验概率为：
式中，表示考虑/>个故障案例后计算得到的故障原因/>的先验概率，/>表示考虑/>个故障案例后计算得到的故障原因/>的先验概率，/>表示在第/>个故障案例中故障原因/>是否发生，/>表示在第/>个故障案例中故障原因/>是否发生，若是则/>，否则；
当利用航天器性能-故障关系图谱准确定位故障后，利用上式对故障原因的先验概率进行更新，以提高关系“发生”属性的准确性；
若考虑的故障案例个数为，则故障定位过程中用到的故障原因/>的先验概率为；
所述性能-故障关系图谱中故障原因导致故障模式的条件概率为：
式中，表示在故障原因/>发生的情况下，是否会引起故障模式/>出现，若是则/>，否则/>，/>；
若考虑的故障案例个数为，则故障定位过程中用到的故障原因/>导致故障模式/>出现的条件概率为/>；
所述性能-故障关系图谱中故障模式导致故障征兆的条件概率为：
式中，表示在故障模式/>发生的情况下，是否会导致测点/>出现异常等级/>，若是则，否则/>，/>；
若考虑的故障案例个数为，则故障定位过程中用到的故障模式/>导致异常等级/>出现的条件概率为/>；
所述定位模块，用于执行如下操作：
对于当前征兆是由故障原因/>引起的后验概率/>，具有如下形式：
式中，表示性能-故障关系图谱的子图中包含的所有异常测点的个数,/>表示测点/>处于异常等级/>是由故障原因/>引起的概率，具有如下形式：
式中，表示性能-故障关系图谱的子图中包含的所有故障原因实体的个数，/>表示性能-故障关系图谱的子图中包含的所有故障模式实体的个数；
故障定位结果为：
式中，表示使/>最大的故障原因编号/>，/>。
5.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-3中任一项所述的方法。
6.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310095604.8A CN116360387B (zh) | 2023-01-18 | 2023-01-18 | 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310095604.8A CN116360387B (zh) | 2023-01-18 | 2023-01-18 | 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116360387A CN116360387A (zh) | 2023-06-30 |
| CN116360387B true CN116360387B (zh) | 2023-09-15 |
Family
ID=86938525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310095604.8A Active CN116360387B (zh) | 2023-01-18 | 2023-01-18 | 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116360387B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104267668A (zh) * | 2014-09-02 | 2015-01-07 | 上海交通大学 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
| CN109815441A (zh) * | 2017-11-20 | 2019-05-28 | 洛阳中科晶上智能装备科技有限公司 | 一种采用贝叶斯网络模型诊断及预测发动机故障的方法 |
| CN109991951A (zh) * | 2019-04-28 | 2019-07-09 | 齐鲁工业大学 | 多源故障检测与诊断方法和装置 |
| CN111311059A (zh) * | 2020-01-16 | 2020-06-19 | 成都大汇物联科技有限公司 | 基于知识图谱的水车室故障诊断方法 |
| CN111460167A (zh) * | 2020-03-19 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱定位排污对象的方法及相关设备 |
| CN112446144A (zh) * | 2020-11-17 | 2021-03-05 | 哈工大机器人（合肥）国际创新研究院 | 一种大型回转机组故障诊断方法及装置 |
| WO2021056197A1 (zh) * | 2019-09-24 | 2021-04-01 | 西门子（中国）有限公司 | 根本原因分析方法、装置、电子设备、介质以及程序产品 |
| CN114997280A (zh) * | 2022-05-12 | 2022-09-02 | 北京交通大学 | 基于人机协同控制决策机制的故障致因链构建方法及系统 |
| CN115511119A (zh) * | 2022-09-19 | 2022-12-23 | 常州英集动力科技有限公司 | 基于知识图谱和贝叶斯的供热系统智能诊断方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012504810A (ja) * | 2008-10-03 | 2012-02-23 | ビ−エイイ− システムズ パブリック リミテッド カンパニ− | システムにおける故障を診断するモデルの更新の支援 |
-
2023
- 2023-01-18 CN CN202310095604.8A patent/CN116360387B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104267668A (zh) * | 2014-09-02 | 2015-01-07 | 上海交通大学 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
| CN109815441A (zh) * | 2017-11-20 | 2019-05-28 | 洛阳中科晶上智能装备科技有限公司 | 一种采用贝叶斯网络模型诊断及预测发动机故障的方法 |
| CN109991951A (zh) * | 2019-04-28 | 2019-07-09 | 齐鲁工业大学 | 多源故障检测与诊断方法和装置 |
| WO2021056197A1 (zh) * | 2019-09-24 | 2021-04-01 | 西门子（中国）有限公司 | 根本原因分析方法、装置、电子设备、介质以及程序产品 |
| CN111311059A (zh) * | 2020-01-16 | 2020-06-19 | 成都大汇物联科技有限公司 | 基于知识图谱的水车室故障诊断方法 |
| CN111460167A (zh) * | 2020-03-19 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱定位排污对象的方法及相关设备 |
| CN112446144A (zh) * | 2020-11-17 | 2021-03-05 | 哈工大机器人（合肥）国际创新研究院 | 一种大型回转机组故障诊断方法及装置 |
| CN114997280A (zh) * | 2022-05-12 | 2022-09-02 | 北京交通大学 | 基于人机协同控制决策机制的故障致因链构建方法及系统 |
| CN115511119A (zh) * | 2022-09-19 | 2022-12-23 | 常州英集动力科技有限公司 | 基于知识图谱和贝叶斯的供热系统智能诊断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116360387A (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7577548B1 (en) | Integrated framework for diagnosis and prognosis of components | |
| JPH1196010A (ja) | 分類装置 | |
| KR102546108B1 (ko) | 전자의무기록에서의 다변량 결측값 대체 방법 | |
| WO2021240707A1 (ja) | データ分類システム、データ分類方法および記録媒体 | |
| CN111931936A (zh) | 一种协同案例推理与语义模型推理的设备故障诊断方法 | |
| Wang et al. | Failure prediction of hard disk drives based on adaptive Rao–Blackwellized particle filter error tracking method | |
| CN115964211A (zh) | 一种根因定位方法、装置、设备和可读介质 | |
| CN116519021A (zh) | 一种惯性导航系统故障诊断方法、系统及设备 | |
| CN112783513B (zh) | 一种代码风险检查方法、装置及设备 | |
| Burmeister et al. | Exploration of production data for predictive maintenance of industrial equipment: A case study | |
| CN116360387B (zh) | 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 | |
| JP2023518789A (ja) | 人工知能モジュールを更新するためにデータセットを選択するための方法 | |
| Salfner | Predicting failures with hidden Markov models | |
| US8447710B1 (en) | Method and system for reducing links in a Bayesian network | |
| CN114860945B (zh) | 基于规则信息的高质量噪音检测方法与装置 | |
| Siddique et al. | Hybrid Framework To Exclude Similar and Faulty Test Cases In Regression Testing | |
| EP4012667A2 (en) | Data preparation for artificial intelligence models | |
| Zheng et al. | Online GNN Evaluation Under Test-time Graph Distribution Shifts | |
| CN113723436A (zh) | 数据的处理方法、装置、计算机设备和存储介质 | |
| CN113821452A (zh) | 根据被测系统测试表现动态生成测试案例的智能测试方法 | |
| Celen et al. | Calendar ageing modelling using machine learning: an experimental investigation on lithium ion battery chemistries | |
| Eidenbenz et al. | Boosting exploratory testing of industrial automation systems with ai | |
| CN116089611B (zh) | 基于性能-故障关系图谱的航天器故障诊断方法及装置 | |
| CN116360388B (zh) | 基于图神经网络的性能-故障关系图谱的推理方法和装置 | |
| CN116400662B (zh) | 正向推理与逆向推理相结合的故障推演方法和装置 |
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 |