CN116757058A - 一种基于模型模块故障概率分析预报方法及装置 - Google Patents

一种基于模型模块故障概率分析预报方法及装置 Download PDF

Info

Publication number
CN116757058A
CN116757058A CN202310358063.3A CN202310358063A CN116757058A CN 116757058 A CN116757058 A CN 116757058A CN 202310358063 A CN202310358063 A CN 202310358063A CN 116757058 A CN116757058 A CN 116757058A
Authority
CN
China
Prior art keywords
model
fault
probability
failure
module
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
Application number
CN202310358063.3A
Other languages
English (en)
Other versions
CN116757058B (zh
Inventor
曹勇
夏凯
张文金
方才华
吴恒亮
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.)
719th Research Institute Of China State Shipbuilding Corp
Original Assignee
719th Research Institute Of China State Shipbuilding Corp
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 719th Research Institute Of China State Shipbuilding Corp filed Critical 719th Research Institute Of China State Shipbuilding Corp
Priority to CN202310358063.3A priority Critical patent/CN116757058B/zh
Publication of CN116757058A publication Critical patent/CN116757058A/zh
Application granted granted Critical
Publication of CN116757058B publication Critical patent/CN116757058B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/04Constraint-based CAD
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于模型模块故障概率分析预报方法,包括:建立模型及进行关系约束;针对具体的框图模型进行具体的故障模块参数标注及连接计算关系:对标注好的模型关联故障实物统计概率表,并标注出模型关联的实物时间;结合实物数据,时间维度计算形成模型故障发生概率;设置模型故障指标及建议,针对具体的框图模型设置故障参数值域范围及其具体对应的故障处理建议与故障级别;综合计算分析得到模型故障概率及故障建议意见表,建立时间维度上对模型实物的指导维护建议清单;可以有效给出故障预报建议,降低整体产品的维护成本,从而促进并建立科学的维护计划及指导意见。提高复杂产品的维护效率,有效降低产品的维护成本。

Description

一种基于模型模块故障概率分析预报方法及装置
技术领域
本发明属于产品模块数字化设计技术领域,更具体地,涉及一种集故障统计与模型故障概率分析为一体的预估方法。
背景技术
实物模块使用是有时效性的,为了进一步提高对整体产品实物的利用效率,降低产品故障概率及维护难度,建立一种科学有效的故障分析及预报机制就颇为必要。基于此,在进行了对大量实物故障数据整理分析的基础上,结合模型化思维故障概率分析手段,提出了一种新的用于及时预估模型模块故障风险及应时替换相关模块的指导建议方法。
发明内容
针对上述问题,发明提出了一种新的用于及时预估模型模块故障风险及应时替换相关模块的指导建议方法。
针对现有技术的以上缺陷或改进需求,本发明具体涉及一种基于模型模块故障概率分析预报方法,包括如下步骤:
步骤1:建立模型及进行关系约束,模型分为串联关系模型、并联关系模型及混合关系模型;对于串联关系采用从左到右的方式进行约束,对于并联关系采用并联框图的方式进行约束;对于混合关系采用子框图的方式进行明确约定;
步骤2:针对具体的框图模型进行具体的故障模块参数标注及连接计算关系;
步骤3:对步骤2中标注好的模型关联故障实物统计概率表,并标注出模型关联的实物时间,实物时间即实物在真实环境下的使用时间段;
步骤4:结合实物数据,时间维度计算形成模型故障发生概率;
步骤5:设置模型故障指标及建议,针对具体的框图模型设置故障参数值域范围及其具体对应的故障处理建议与故障级别;
步骤6:综合计算分析得到模型故障概率及故障建议意见表,建立时间维度上对模型实物的指导维护建议清单。
进一步的,所述步骤1中模型为系统或模块及子模块,对于建模活动采用框图的形式进行多层创建,并进行连接及内含的方式创建关系。
进一步的,所述步骤2中故障模块参数标注包括标注串、并联关系及模块的物理参数。
进一步的,所述步骤2中故障模块参数标注要求模型全局范围内不同模块的参数名不一致,整体模型范围上对参数进行唯一性检查。
进一步的,所述步骤3的具体方法为:针对具体的框图模型建立与具体实物故障统计数据之间的关联关系,同时明确设置完成框图关联实物的起止时间,框图上可以关联模型故障实物数据,通过属性方式进行绑定,形成实物故障数据实时故障概率参照表,支撑时间维度上的模型故障概率求解。
进一步的,所述模型故障实物数据包括实物供应商、实物型号、统一编号、理论故障值、采样故障值及时间。
进一步的,所述步骤7的具体方法为:综合求解分析时间维度上模型发生故障概率及故障处理建议,分阶段根据现有模型实物实时状态在时间维度上进行离散故障概率求解,形成不同模型在时间维度上的故障概率数据统计表,同时标注出故障预估级别及故障处理建议,建立时间维度上对模型实物的指导维护建议清单。
进一步的,所述步骤4中计算形成模型故障发生概率包括:
串联故障概率主要为各单元故障概率之积的补集,并联故障概率主要为各并单元非故障概率(等价为可靠度)之积(可靠度)取补集,混合关联关系遵循串并联单元计算方式;
串联模型故障概率:
并联模型故障概率:
串并联模型中设均有m个单元;λi为串联模型下每个单元的故障概率,λj为并联模型下每个单元的故障概率;Ri为串联模型下每个单元的可靠度,Rj并联模型下每个单元的可靠度,定义为不发生故障的概率;Pm为整个模型的故障概率;i,j均为正整数,t表示时间。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明的基于模型模块故障概率分析预报方法,提出了一种高效复杂产品以模型模块为线索的数字模型与故障数据管理分析计算方法,通过对模型实物故障数据的分类定义、故障数据纵向的关联管理、横向时间维度上带参求解及综合,可以实现对模块产品时间维度上发生故障概率的分析及统计,可以有效给出故障预报建议,降低整体产品的维护成本,从而促进并建立科学的维护计划及指导意见。提高复杂产品的维护效率,有效降低产品的维护成本,故障模型模块数据有效发挥了潜在价值。
附图说明
图1为本发明较佳实施例的基于模型模块故障率分析预报方法流程图;
图2为本发明较佳实施例的基于模型模块故障率分析预报装置结构图;
图3为本发明较佳实施例的基于模型模块故障率分析预报方法计算示例图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
请参考图1,本发明涉及一种基于模型模块故障概率分析预报方法,其包括如下步骤:
步骤1:建立模型及进行关系约束,模型分为串联关系模型、并联关系模型及混合关系模型;对于串联关系采用从左到右的方式进行约束,对于并联关系采用并联框图的方式进行约束;对于混合关系采用子框图的方式进行明确约定;其中,模型为系统或模块及子模块,对于建模活动采用框图的形式进行多层创建,并进行连接及内含的方式创建关系。
步骤2:针对具体的框图模型进行具体的故障模块参数标注及连接计算关系;其中,故障模块参数标注包括标注串、并联关系及模块的物理参数。另外,故障模块参数标注要求模型全局范围内不同模块的参数名不一致,整体模型范围上对参数进行唯一性检查。
步骤3:对步骤2中标注好的模型关联故障实物统计概率表,并标注出模型关联的实物时间,实物时间即实物在真实环境下的使用时间段;具体方法为:针对具体的框图模型建立与具体实物故障统计数据之间的关联关系,同时明确设置完成框图关联实物的起止时间,框图上可以关联模型故障实物数据,通过属性方式进行绑定,形成实物故障数据实时故障概率参照表,支撑时间维度上的模型故障概率求解。
其中,模型故障实物数据包括实物供应商、实物型号、统一编号、理论故障值、采样故障值及时间。
步骤4:结合实物数据,时间维度计算形成模型故障发生概率;
计算形成模型故障发生概率包括:串联故障概率和并联模型故障概率,其中,串联故障概率主要为各单元故障概率之积的补集,并联故障概率主要为各并单元非故障概率(等价为可靠度)之积(可靠度)取补集,混合关联关系遵循串并联单元计算方式;
串联模型故障概率:
并联模型故障概率:
串并联模型中设均有m个单元;λi为串联模型下每个单元的故障概率,λj为并联模型下每个单元的故障概率;Ri为串联模型下每个单元的可靠度,Rj并联模型下每个单元的可靠度,定义为不发生故障的概率;Pm为整个模型的故障概率;i,j均为正整数,t表示时间。
步骤5:设置模型故障指标及建议,针对具体的框图模型设置故障参数值域范围及其具体对应的故障处理建议与故障级别;
步骤6:综合计算分析得到模型故障概率及故障建议意见表,建立时间维度上对模型实物的指导维护建议清单;具体方法为:综合求解分析时间维度上模型发生故障概率及故障处理建议,分阶段根据现有模型实物实时状态在时间维度上进行离散故障概率求解,形成不同模型在时间维度上的故障概率数据统计表,同时标注出故障预估级别及故障处理建议,建立时间维度上对模型实物的指导维护建议清单。
实施例2
参见图2,为本发明实施例一种基于模型模块故障率分析预报装置,包括:
实物故障数据统计管理单元,模型实物故障数据管理有实物供应商、实物型号、统一编号、理论故障值、采样故障值及时间等信息数据,根据具体的统计算法形成实物故障数据实时故障率参照表,支撑时间维度上的模型故障率求解。
模型模块建模单元,组织模块模型的基本单元是框图,框图中可以内嵌框图、框图间可以创建串联、并联关系。
模型故障模块参数标注单元,框图上可以标注模型故障参数,整体模型范围上对参数进行唯一性检查。
模型故障实物关联单元,框图上可以关联模型故障实物数据,通过属性方式进行绑定,支撑后续求解。
模型故障数据计算输出单元,设置好求解时间域参数后,可以在时间维度上根据实时的模块故障参数值进行求解,得到预估的故障参数数据,再根据故障参数指标范畴,给出故障处理建议等信息,以此往复完成整体模型在时间域的故障数据计算及信息数据汇总,最后给出完整信息输出。
参见图3,图3基于模型模块故障率分析预报方法计算示例,依照上述串联模型故障概率、并联模型故障概率的计算方法为:Rs=R1*R2=0.90*0.98=0.882(串联)、Rp=1-(1-Rs)*(1-R3)=0.99646(并联)、Rsystem=Rp*R4=0.96657(串联)、故障率=1-Rsystem=0.03343=3.343%;
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于模型模块故障概率分析预报方法,其特征在于,包括如下步骤:
步骤1:建立模型及进行关系约束,模型分为串联关系模型、并联关系模型及混合关系模型;对于串联关系采用从左到右的方式进行约束,对于并联关系采用并联框图的方式进行约束;对于混合关系采用子框图的方式进行明确约定;
步骤2:针对具体的框图模型进行具体的故障模块参数标注及连接计算关系;
步骤3:对步骤2中标注好的模型关联故障实物统计概率表,并标注出模型关联的实物时间,实物时间即实物在真实环境下的使用时间段;
步骤4:结合实物数据,时间维度计算形成模型故障发生概率;
步骤5:设置模型故障指标及建议,针对具体的框图模型设置故障参数值域范围及其具体对应的故障处理建议与故障级别;
步骤6:综合计算分析得到模型故障概率及故障建议意见表,建立时间维度上对模型实物的指导维护建议清单。
2.根据权利要求1所述的基于模型模块故障概率分析预报方法,其特征在于,所述步骤1中模型为系统或模块及子模块,对于建模活动采用框图的形式进行多层创建,并进行连接及内含的方式创建关系。
3.根据权利要求1所述的基于模型模块故障概率分析预报方法,其特征在于,所述步骤2中故障模块参数标注包括标注串、并联关系及模块的物理参数。
4.根据权利要求1所述的基于模型模块故障概率分析预报方法,其特征在于,所述步骤2中故障模块参数标注要求模型全局范围内不同模块的参数名不一致,整体模型范围上对参数进行唯一性检查。
5.根据权利要求1所述的基于模型模块故障概率分析预报方法,其特征在于,所述步骤3的具体方法为:针对具体的框图模型建立与具体实物故障统计数据之间的关联关系,同时明确设置完成框图关联实物的起止时间,框图上可以关联模型故障实物数据,通过属性方式进行绑定,形成实物故障数据实时故障概率参照表,支撑时间维度上的模型故障概率求解。
6.根据权利要求5所述的基于模型模块故障概率分析预报方法,其特征在于,所述模型故障实物数据包括实物供应商、实物型号、统一编号、理论故障值、采样故障值及时间。
7.根据权利要求1所述的基于模型模块故障概率分析预报方法,其特征在于,所述步骤6的具体方法为:综合求解分析时间维度上模型发生故障概率及故障处理建议,分阶段根据现有模型实物实时状态在时间维度上进行离散故障概率求解,形成不同模型在时间维度上的故障概率数据统计表,同时标注出故障预估级别及故障处理建议,建立时间维度上对模型实物的指导维护建议清单。
8.根据权利要求1-7任一权利要求所述的基于模型模块故障概率分析预报方法,其特征在于,所述步骤4中计算形成模型故障发生概率包括:串联故障概率和并联模型故障概率,其中:
串联故障概率主要为各单元故障概率之积的补集,并联故障概率主要为各并单元非故障概率之积取补集,混合关联关系遵循串并联单元计算方式;
串联模型故障概率:
并联模型故障概率:
串并联模型中设均有m个单元;λi为串联模型下每个单元的故障概率,λj为并联模型下每个单元的故障概率;Ri为串联模型下每个单元的可靠度,Rj并联模型下每个单元的可靠度,定义为不发生故障的概率;Pm为整个模型的故障概率;i,j均为正整数,t表示时间。
CN202310358063.3A 2023-03-31 2023-03-31 一种基于模型模块故障概率分析预报方法及装置 Active CN116757058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310358063.3A CN116757058B (zh) 2023-03-31 2023-03-31 一种基于模型模块故障概率分析预报方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310358063.3A CN116757058B (zh) 2023-03-31 2023-03-31 一种基于模型模块故障概率分析预报方法及装置

Publications (2)

Publication Number Publication Date
CN116757058A true CN116757058A (zh) 2023-09-15
CN116757058B CN116757058B (zh) 2024-05-14

Family

ID=87948451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310358063.3A Active CN116757058B (zh) 2023-03-31 2023-03-31 一种基于模型模块故障概率分析预报方法及装置

Country Status (1)

Country Link
CN (1) CN116757058B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004192387A (ja) * 2002-12-12 2004-07-08 Kawasaki Heavy Ind Ltd 信頼性ブロック図解析方法及び解析装置並びに解析プログラム
CN108170892A (zh) * 2017-11-30 2018-06-15 中国航空综合技术研究所 一种基于事故动态推演仿真的故障模式与影响分析方法
CN114048882A (zh) * 2022-01-12 2022-02-15 北京鼎兴达信息科技股份有限公司 铁路故障处理运维决策建议方法
US20220083655A1 (en) * 2020-09-14 2022-03-17 Beihang University Chip security analysis method based on petri net
CN115344412A (zh) * 2022-07-14 2022-11-15 北京交通大学 一种列车车门系统的可靠性预测与维修策略优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004192387A (ja) * 2002-12-12 2004-07-08 Kawasaki Heavy Ind Ltd 信頼性ブロック図解析方法及び解析装置並びに解析プログラム
CN108170892A (zh) * 2017-11-30 2018-06-15 中国航空综合技术研究所 一种基于事故动态推演仿真的故障模式与影响分析方法
US20220083655A1 (en) * 2020-09-14 2022-03-17 Beihang University Chip security analysis method based on petri net
CN114048882A (zh) * 2022-01-12 2022-02-15 北京鼎兴达信息科技股份有限公司 铁路故障处理运维决策建议方法
CN115344412A (zh) * 2022-07-14 2022-11-15 北京交通大学 一种列车车门系统的可靠性预测与维修策略优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何艳;张果;朱弋;尹丽琼;: "基于熵权的TOPSIS模型的多参数监护仪故障树分析", 医疗卫生装备, no. 03, pages 87 - 91 *
鲁金明;姚玉南;李泽之;: "基于任务可用度的船舶最佳维修周期模型研究", 中国修船, no. 02, pages 38 - 41 *

Also Published As

Publication number Publication date
CN116757058B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN101945009B (zh) 基于案例和模式匹配的电力通信网故障定位方法及装置
CN110674189B (zh) 一种智能变电站二次状态监测与故障定位的方法
CN110060118A (zh) 一种订单履约全链路实时监控方法、装置及计算机设备
CN109784758B (zh) 基于bim模型的工程质量监管预警系统和方法
CN102498445A (zh) 用于机器状态监测的、使用规则生成的样本的监督故障学习
CN112800044B (zh) 数据质量判定及监测方法、管理系统、存储介质、终端
CN102063375A (zh) 一种基于混合测试的软件可靠性评估方法及其装置
CN101364284A (zh) 一种用于电力系统的生产管理系统
CN112540975B (zh) 一种基于petri网的多源异构数据质量检测方法及系统
CN107808003A (zh) 一种文档管理方法及装置
CN118100449B (zh) 一种基于数据中台的微电网配置管理系统
CN114840519A (zh) 一种数据打标签的方法、设备及存储介质
CN111984843A (zh) 一种基于区块链的市民信用评价方法和系统
CN111339072A (zh) 基于用户行为的变化值分析方法、装置、电子设备及介质
CN110703183A (zh) 一种智能电能表故障数据分析方法及系统
CN116757058B (zh) 一种基于模型模块故障概率分析预报方法及装置
CN113806343A (zh) 一种车联网数据质量的评估方法和系统
CN111813587B (zh) 一种软件接口评估及故障预警方法及系统
CN117272228A (zh) 一种基于异质图嵌入的数据融合方法、系统、设备及介质
CN109635350B (zh) 一种用于仿真的潮流断面自动生成的数据替换方法及系统
CN116029579A (zh) 一种继电保护设备采购评价方法及系统
CN114860851A (zh) 数据处理方法、装置、设备及存储介质
CN114218216A (zh) 资源管理方法、装置、设备及存储介质
CN114240351A (zh) 一种分布式的智能经济管理系统
CN110298585B (zh) 一种变电站设备监控信息分层分级自动审核方法

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