CN116992958A - 基于故障知识库自动生成fta实时动态树的方法 - Google Patents
基于故障知识库自动生成fta实时动态树的方法 Download PDFInfo
- Publication number
- CN116992958A CN116992958A CN202311253784.4A CN202311253784A CN116992958A CN 116992958 A CN116992958 A CN 116992958A CN 202311253784 A CN202311253784 A CN 202311253784A CN 116992958 A CN116992958 A CN 116992958A
- Authority
- CN
- China
- Prior art keywords
- fault
- fta
- node
- logic
- tree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 claims abstract description 92
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 230000000737 periodic effect Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000013515 script Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 230000003068 static effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于故障知识库自动生成FTA实时动态树的方法，步骤1、根据故障知识库生成FTA实时动态树的方式新建FTA逻辑模型；步骤2、根据逻辑设备选择故障知识库模型；步骤3、根据FTA逻辑模型构建故障库生成FTA模型的逻辑规则，将故障知识库模型拆解映射为FTA逻辑故障树模型；步骤4、设置事件节点的故障诊断工具；步骤5、完成FTA逻辑故障树创建；步骤6、发布FTA逻辑模型，并将FTA逻辑模型实例化；步骤7、配置调度任务；步骤8、根据配置好的调度任务进行周期性故障诊断，进行故障告警。本发明可降低了故障树绘制人员要求，减少绘制工作量以及缩短时间成本。
Description
技术领域
本发明属于工业互联网平台领域，特别涉及一种基于故障知识库自动生成FTA实时动态树的方法。
背景技术
随着电网和电站的安全稳定运行、规范化、标准化和精细化管理水平的不断提高，电站对机电设备智能先进的故障诊断方法的需求越发迫切，遂逐渐引入了故障树 (FTA)模型来逆向诊断分析设备故障原因，逻辑推理机制智能先进，诊断准确程度高。但是在此过程中FTA故障树的绘制工作还是需要人工去绘制，它需要一个熟悉系统、工艺流程的专业人员经过调查事故、确定顶上事件、确定目标值、调查原因事件、绘制故障树等五个步骤才能得出一个完整的故障树模型。其次，传统的FTA故障树模型需要绘制人员必须事先确定所有各基本事件发生的概率，否则无法进行定量分析，这样也就限制了FTA故障树只能进行静态故障分析。
通过对现有技术分析可知，其存在以下缺点：
1.FTA分析事故原因是强项，但如何要对系统进行定量分析，必须事先确定所有各基本事件发生的概率，否则无法进行定量分析。
2.要求分析人员必须非常熟悉所分析的对象系统，能准确和熟练地应用分析方法。往往会出现不同分析人员编制的事故树和分析结果不同的现象。
3.对于复杂系统，编制事故树的步骤较多，编制的事故树也较为庞大，计算也较为复杂，给进行定性、定量分析带来困难。
发明内容
鉴于背景技术所存在的技术问题，本发明所提供的基于故障知识库自动生成FTA实时动态树的方法，降低了故障树绘制人员要求，减少绘制工作量以及缩短时间成本；通过绑定故障节点设备并设置事件节点故障诊断工具，实现实时动态故障诊断分析。
为了解决上述技术问题，本发明采取了如下技术方案来实现：
一种基于故障知识库自动生成FTA实时动态树的方法，步骤为：
步骤1、步骤一：根据故障知识库生成FTA实时动态树的方式新建FTA逻辑模型；
步骤2、根据逻辑设备选择故障知识库模型；
步骤3、根据FTA逻辑模型构建故障库生成FTA模型的逻辑规则，将故障知识库模型拆解映射为FTA逻辑故障树模型；
步骤4、设置事件节点的故障诊断工具；
步骤5、完成FTA逻辑故障树创建；
步骤6、发布FTA逻辑模型，并将FTA逻辑模型实例化；
步骤7、配置调度任务；
步骤8、根据配置好的调度任务进行周期性故障诊断，进行故障告警。
优选地，步骤1中，根据故障知识库生成FTA实时动态树目的在于：省去了人工确认顶事件、中间事件、基础事件以及事件关联逻辑门的分析过程以及采用绘制板拖拉拽的方式一步步绘制故障树的过程。
优选地，步骤2中，所述的逻辑设备是实例化设备的分类的抽象描述，例如水导轴承是逻辑设备，电厂莫某号机组水导轴承是实例化物理设备；步骤2的子步骤为：
步骤2.1、根据逻辑设备过滤故障模式，选择当前节点适配的故障模式；
步骤2.2、将整个故障模式树映射转换为FTA故障树逻辑模型。
优选地，步骤3中，故障库生成FTA模型的逻辑规则的方法如下：根据步骤2选择的故障知识库模型，将顶节点映射为FTA故障树的顶事件，将中间节点映射为FTA故障树的中间事件节点，将末节点映射为FTA故障树的基础事件节点；其中顶节点、中间节点和末节点为FTA故障树中的分支节点。
优选地，在进行节点映射时，各层级节点的关联关系同步映射，各层级节点包括顶节点、中间节点和末节点。
优选地，步骤4中，故障诊断工具包括测点、诊断规则、算法模型和脚本；
测点的诊断原理为：选择节点关联的逻辑设备下的检测设备测点，根据测点数据来诊断节点发生概率和故障发生情况；
诊断规则的诊断原理为：根据节点逻辑设备关联的业务规则，调用规则引擎来诊断节点发生概率以及故障发生情况；
算法模型的诊断原理为：根据节点逻辑设备关联水电专用算法，调用算法引擎来进行诊断节点发生概率以及故障发生情况；
脚本的诊断原理为：根据节点逻辑设备关联故障案例库关联案例，调用案例库诊断算法来诊断节点发生概率以及故障发生情况。
优选地，步骤4中，设置故障树节点的故障诊断工具的目的为：使用故障树进行动态分析；动态分析包括以下几种情况：
1）对于逻辑设备的检测设备测点，根据测点诊断工具实现故障发生概率的预测；
2）对于逻辑设备的业务规则，调用规则诊断引擎进行故障发生概率的预测；
3）当设备测点数据量大于预设阈值时，调用与逻辑设备关联的算法引擎进行节点故障概率的预测。
优选地，步骤6的子步骤为：
步骤6.1、首先发布逻辑模型，使新创建的FTA故障树逻辑模型生效；
步骤6.2、然后进行实例化操作，选择要实例化模型对应的厂站以及实例化设备树，进入模型实例化过程；在实例化过程中，将FTA故障树逻辑模型节点绑定的逻辑设备转换为厂站实例化设备树的物理设备，将节点绑定的逻辑故障诊断工具转为实例化工具。
优选地，步骤7的子步骤为：
步骤7.1、创建定时任务：周期调用实例化模型进行故障诊断；
步骤7.2、诊断过程：当事件节点配置了诊断工具，则依次调用节点配置的诊断工具，获取节点的告警情况与发生概率，将发生概率代入故障树模型；若未配置诊断工具的中间节点，则根据故障诊断法推算节点发生概率，直至最终推算出顶事件告警状态与发生概率为止。
优选地，步骤8中，对步骤7配置的调度任务进行周期性故障诊断，产生完整的FTA故障树，该FTA故障树标识了各事件节点的故障情况以及发生概率。
本发明可达到以下有益效果：
本发明相对于传统FTA故障树诊断，只能通过故障树绘制人员的经验得出基础事件发生概率，手动设置故障树基本事件的静态发生概率，然后手动执行故障树诊断从而得出顶事件发生概率。本方法通过故障树节点事件绑定设备以及故障诊断工具，可获取当前设备监控测点的实时数据，并根据具实际情况采用不同的故障诊断工具动态计算并设置FTA故障树事件节点概率，并且可通过配置任务的方式，实现实时、周期执行FTA故障树诊断，每次都生成一颗FTA故障实例（即诊断结果）。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明基于故障知识库自动生成FTA实时动态树并进行故障检测的方法流程；
图2为本发明水电机组轴系运行故障知识库模型图例;
图3为本发明水电机组轴系运行故障FAT故障树图例；
图4为本发明发电机故障知识库模型图例；
图5为本发明发电机故障FAT故障树图例。
具体实施方式
目前常用传统故障树绘制工具（FreeFta）为例描述现有绘制故障树的步骤：
步骤1、根据事故调查和统计分析的结果参照事故发生的频率和事故损失的严重程度，确认顶事件与逻辑门。在工具栏拖拽一个顶上事件到画布中，并设置顶上事件编号（注意顶上事件编号为T）、名称。
步骤2、根据分析出来的事件原因，将中间过程事件依次创建为中间事件故障树节点。点击顶上事件添加中间事件以及逻辑门，并设置中间事件的编号（注意中间事件编号为M开头+数字）、名称。
步骤3、将引起中间事故的基础事件定位故障树的基本事件节点。点击中间事件节点，添加基本事件，并设置基本事件的编号（注意基本事件编号为X开头+数字）、名称以及发生概率（发生概率在 0 到 1 之间，包含 0 和 1）。
步骤4、检查编制好的事故树是否符合逻辑分析原则，检查逻辑门的连接状况，查看上层事件是否是下层事件的必然结果，下层事件是否是上层事件的充分原因事件，并检查直接原因事件是否全部找齐。
步骤5、确认无误，保存整颗静态树，至此故障树绘制完成。
根据上述步骤可知，该软件要求分析人员必须非常熟悉所分析的对象系统，能准确和熟练地应用分析方法，并且对于复杂系统而言，操作步骤比较复杂，计算量也较大，在一定程度上给定性、定量分析带来了很大困难。为了解决这一问题，本发明通过已有的故障案例库故障树形表达式直接映射生成FTA故障树模型，从而降低故障树绘制人员要求、减少绘制工作量以及缩短时间成本。通过绑定故障节点设备并设置事件节点故障诊断工具，实现实时动态故障诊断分析。具体方案如下：
如图1-5所示，本申请提出的一种基于故障知识库自动生成FTA实时动态树的方法包括如下步骤：
步骤一、根据故障知识库生成FTA实时动态树的方式新建FTA逻辑模型。
具体地，新建FTA逻辑模型，选择根据故障知识库生成FTA实时动态树的方式。该步骤省去了人工确认顶事件、中间事件、基础事件以及事件关联逻辑门的分析过程以及采用绘制板拖拉拽的方式一步步绘制故障树的繁琐过程。
步骤二、根据逻辑设备选择故障知识库模型。其中，逻辑设备是实例化设备的分类的抽象描述，例如：水轮发电机组、转子、上导瓦、上机架等。故障知识库模型是按照系统、子系统、设备、部件等不同层级，对（多层级）历史设备故障按照规定的字段（不局限于）进行构建电力设备故障模式及影响知识库。
逻辑设备和故障知识库模型之间的关系为：由于故障知识库记录的历史故障都会根据逻辑设备分类创建模型管理，因此，在实现由故障知识库中案例向FTA故障树映射转换时，也应当根据逻辑设备分类进行。
具体地，在该步骤中首先根据逻辑设备过滤故障模式，选择当前节点适配的故障模式；然后默认将整颗故障模式树映射转换为FTA故障树逻辑模型，这里也支持截取部分知识库模型树分支进行转换（截取的分支必须包含根节点以及基础节点）。
结合图2进行说明，当选择“水电机组轴系运行故障”这一故障知识库时，用户可以选择“水电机组轴系运行故障”或“转动部件故障”亦或“轴系运行不稳”等模型树根节点或者中间节点做为FTA故障树顶事件节点截取。不选择则默认转换整颗模型树。
步骤三、根据FTA逻辑模型构建规则，动态将故障知识库模型拆解映射为FTA逻辑故障树模型。
具体地，根据步骤二选中的故障知识库模型，a)选择“转动部件故障”节点为故障树顶事件为例：将“转动部件故障”知识库模型节点转换为FTA故障树顶事件节点，并将该节点的逻辑门（或门）设置为故障树节点的逻辑门、名称设置为故障树节点的故障模式、关联逻辑设备设置为故障树节点的关联逻辑设备。b）将故障知识库模型树的中间“轴系运行不稳”节点映射为FTA故障树模型中间事件节点。节点数据关系同顶节点设置。c)将故障知识库模型树的末节节点“上机架支撑螺栓松动”、“轴瓦支撑部件松动”、“轴瓦间隙大”、“轴系发生变化”依次映射为FTA故障树模型的基础事件节点。节点数据关系同顶节点设置。d)故障知识库模型映射FTA故障树逻辑模型映射完成。
步骤四、设置事件节点故障诊断工具。
可选地，如果需要使用故障树静态分析，则需要手动设置故障树基础事件的发生概率。为实现故障树的实时动态诊断，须手动设置故障树节点故障诊断工具。目前故障诊断工具支持测点、诊断规则、算法模型、脚本四种诊断工具。配置规则如下：
根据当前故障节点配置的设备类型来选择故障诊断工具。如果可根据设备测点监控数据值可直接或通过简单条件判断来诊断故障发生概率，则可直接配置故障诊断工具为测点；如果该设备需要对应业务规则来诊断故障发生概率，则需配置故障诊断工具为诊断规则。如果当设备测点数据量大于预设阈值或者计算方式复杂需要专业的水电算法计算才能诊断故障发生概率，则可配置故障诊断工具为算法模型；如果该设备发生的故障在故障案例库都能覆盖到，则可配置故障诊断工具为脚本。
i. 测点：选择节点关联的逻辑设备下的检测设备测点，根据测点数据诊断节点发生概率以及故障发生情况。
ii.诊断规则：根据节点逻辑设备关联的业务规则，调用规则引擎诊断节点发生概率以及故障发生情况。
iii.算法模型：根据节点逻辑设备关联水电专用算法，调用算法引擎进行诊断节点发生概率以及故障发生情况。
iv.脚本：根据节点逻辑设备关联故障案例库关联案例，调用案例库诊断算法诊断节点发生概率以及故障发生情况。
如图3所示，对于关联的逻辑设备为“转子”时，并且对应的故障在故障案例库中已有匹配案例，因此适用于脚本这一故障诊断工具，在为节点配置故障诊断工具时，基于上述规则为该节点配置脚本类故障检测工具，针对“转动部件故障”这一节点配置“转动不变时振幅基本不变”脚本，针对“轴系运行不稳”这一节点配置“振动与励磁和负荷无关”脚本。
步骤五、FTA逻辑故障树创建完成。
具体地，保存绘制好的FTA故障树逻辑模型，用于后续实例化到不同的物理设备。
步骤六、发布逻辑模型，并将FTA逻辑模型实例化。
具体地，首先发布逻辑模型，使新创建的FTA故障树逻辑模型生效，只有生效的模型才能实例化。然后进行实例化操作，选择要实例化模型对应的厂站以及实例化设备树，进入模型实例化过程。在实例化过程中，将FTA故障树逻辑模型节点绑定的逻辑设备转换为厂站实例化设备树的物理设备，将节点绑定的逻辑故障诊断工具转为实例化工具。
步骤七、配置调度任务。
具体地，该步骤包括：a)创建定时任务，周期调用实例化模型进行故障诊断。b)诊断过程，当事件节点配置了诊断工具，则依次调用节点配置的诊断工具，获取节点的告警情况与发生概率，将发生概率代入故障树模型。如未配置诊断工具的中间节点，则根据故障诊断法（最小割集、最小径集）等推算节点发生概率。直至最终推算出顶事件告警状态与发生概率为止。
步骤八、故障告警。
根据步骤七配置的调度任务进行周期性故障诊断，产生故障诊断结果实例图即一颗完整的FTA故障树。该树标识了各事件节点的故障情况以及发生概率。
本实施例中的相关概念解释：
逻辑建模：通过逻辑模型定义静态FTA故障树，完成传统故障树静态分析功能。并重复利用逻辑模型生成实例化模型。
模型实例: 通过模型实例，实现动态故障树诊断升级。
调度配置：通过调度配置，可周期亦可实时调度执行实例化故障树模型诊断。
故障实例：通过模型实例与调度配置配合，实现实时动态诊断故障树功能。每次诊断都会生成一个故障树实例，展示实时的故障树发生概率以及故障情况。
实施例1：
此处以发电机故障树生成过程为例，结合附图4-5对本申请方案进行详细阐述：
步骤一、根据故障知识库生成FTA实时动态树的方式新建FTA逻辑模型。
步骤二、在故障知识库根据逻辑路径“主变系统”在故障模式列表过滤查找“发电机故障”模型，用来生成FTA模型。
步骤三：根据FTA逻辑模型构建规则，动态将故障知识库模型拆解映射为FTA逻辑故障树模型。
具体地，根据步骤二选中的故障知识库模型结合图4进行说明，a)选择“发电机故障”节点为故障树顶事件为例：将“发电机故障”知识库模型节点转换为FTA故障树顶事件节点，并将该节点的逻辑门（或门）设置为故障树节点的逻辑门、名称设置为故障树节点的故障模式、关联逻辑设备设置为故障树节点的关联逻辑设备。b）将故障知识库模型树的中间“高温过热（高于700）℃”节点映射为FTA故障树模型中间事件节点。节点数据关系同顶节点设置。c)将故障知识库模型树的末节节点“变压器故障”映射为FTA故障树模型的基础事件节点。节点数据关系同顶节点设置。d)故障知识库模型映射FTA故障树逻辑模型映射完成。
步骤四、设置事件节点故障诊断工具。
根据 “高温过热（高于700）℃”节点关联逻辑设备“主变压器”设置故障诊断工具为规则（变压器三比值诊断法）
步骤五、FTA逻辑故障树创建完成。
具体地，保存绘制好的FTA故障树逻辑模型，用于后续实例化到不同的物理设备。示例图5。
步骤六、发布逻辑模型，并将FTA逻辑模型实例化。
具体地，首先发布逻辑模型，使新创建的FTA故障树逻辑模型生效，只有生效的模型才能实例化。然后进行实例化操作，选择要实例化模型对应的厂站以及实例化设备树，进入模型实例化过程。在实例化过程中，将FTA故障树逻辑模型节点绑定的逻辑设备转换为厂站实例化设备树的物理设备，将节点绑定的逻辑故障诊断工具转为实例化工具。
步骤七、配置调度任务。
具体地，该步骤包括：a)创建定时任务，周期调用实例化模型进行故障诊断。b)诊断过程，当事件节点配置了诊断工具，则依次调用节点配置的诊断工具，获取节点的告警情况与发生概率，将发生概率代入故障树模型。如未配置诊断工具的中间节点，则根据故障诊断法（最小割集、最小径集）等推算节点发生概率。直至最终推算出顶事件告警状态与发生概率为止。
步骤八、故障告警。
根据步骤七配置的调度任务进行周期性故障诊断，产生故障诊断结果实例图即一颗完整的FTA故障树。该树标识了各事件节点的故障情况以及发生概率。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。
Claims (10)
1.一种基于故障知识库自动生成FTA实时动态树的方法，其特征在于：
步骤1、根据故障知识库生成FTA实时动态树的方式新建FTA逻辑模型；
步骤2、根据逻辑设备选择故障知识库模型；
步骤3、根据FTA逻辑模型构建故障库生成FTA模型的逻辑规则，将故障知识库模型拆解映射为FTA逻辑故障树模型；
步骤4、设置事件节点的故障诊断工具；
步骤5、完成FTA逻辑故障树创建；
步骤6、发布FTA逻辑模型，并将FTA逻辑模型实例化；
步骤7、配置调度任务；
步骤8、根据配置好的调度任务进行周期性故障诊断，进行故障告警。
2.根据权利要求1所述的基于故障知识库自动生成FTA实时动态树的方法，其特征在于：步骤1中，根据故障知识库生成FTA实时动态树目的在于：省去了人工确认顶事件、中间事件、基础事件以及事件关联逻辑门的分析过程以及采用绘制板拖拉拽的方式一步步绘制故障树的过程。
3.根据权利要求2所述的基于故障知识库自动生成FTA实时动态树的方法，其特征在于：步骤2中，所述的逻辑设备是实例化设备的分类的抽象描述；步骤2的子步骤为：
步骤2.1、根据逻辑设备过滤故障模式，选择当前节点适配的故障模式；
步骤2.2、将整个故障模式树映射转换为FTA故障树逻辑模型。
4.根据权利要求3所述的基于故障知识库自动生成FTA实时动态树的方法，其特征在于：步骤3中，故障库生成FTA模型的逻辑规则的方法如下：根据步骤2选择的故障知识库模型，将顶节点映射为FTA故障树的顶事件，将中间节点映射为FTA故障树的中间事件节点，将末节点映射为FTA故障树的基础事件节点；其中顶节点、中间节点和末节点为FTA故障树中的分支节点。
5.根据权利要求4所述的基于故障知识库自动生成FTA实时动态树的方法，其特征在于：在进行节点映射时，各层级节点的关联关系同步映射，所述的各层级节点包括顶节点、中间节点和末节点。
6.根据权利要求5所述的基于故障知识库自动生成FTA实时动态树的方法，其特征在于：步骤4中，故障诊断工具包括测点、诊断规则、算法模型和脚本；
测点的诊断原理为：选择节点关联的逻辑设备下的检测设备测点，根据测点数据来诊断节点发生概率和故障发生情况；
诊断规则的诊断原理为：根据节点逻辑设备关联的业务规则，调用规则引擎来诊断节点发生概率以及故障发生情况；
算法模型的诊断原理为：根据节点逻辑设备关联水电专用算法，调用算法引擎来进行诊断节点发生概率以及故障发生情况；
脚本的诊断原理为：根据节点逻辑设备关联故障案例库关联案例，调用案例库诊断算法来诊断节点发生概率以及故障发生情况。
7.根据权利要求6所述的基于故障知识库自动生成FTA实时动态树的方法，其特征在于：步骤4中，设置故障树节点的故障诊断工具的目的为：使用故障树进行动态分析；动态分析包括以下几种情况：
1）对于逻辑设备的检测设备测点，根据测点诊断工具实现故障发生概率的预测；
2）对于逻辑设备的业务规则，调用规则诊断引擎进行故障发生概率的预测；
3）当设备测点数据量大于预设阈值时，调用与逻辑设备关联的算法引擎进行节点故障概率的预测。
8.根据权利要求7所述的基于故障知识库自动生成FTA实时动态树的方法，其特征在于：步骤6的子步骤为：
步骤6.1、首先发布逻辑模型，使新创建的FTA故障树逻辑模型生效；
步骤6.2、然后进行实例化操作，选择要实例化模型对应的厂站以及实例化设备树，进入模型实例化过程；在实例化过程中，将FTA故障树逻辑模型节点绑定的逻辑设备转换为厂站实例化设备树的物理设备，将节点绑定的逻辑故障诊断工具转为实例化工具。
9.根据权利要求8所述的基于故障知识库自动生成FTA实时动态树的方法，其特征在于：步骤7的子步骤为：
步骤7.1、创建定时任务：周期调用实例化模型进行故障诊断；
步骤7.2、诊断过程：当事件节点配置了诊断工具，则依次调用节点配置的诊断工具，获取节点的告警情况与发生概率，将发生概率代入故障树模型；若未配置诊断工具的中间节点，则根据故障诊断法推算节点发生概率，直至最终推算出顶事件告警状态与发生概率为止。
10.根据权利要求9所述的基于故障知识库自动生成FTA实时动态树的方法，其特征在于：步骤8中，对步骤7配置的调度任务进行周期性故障诊断，产生完整的FTA故障树，该FTA故障树标识了各事件节点的故障情况以及发生概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311253784.4A CN116992958B (zh) | 2023-09-27 | 2023-09-27 | 基于故障知识库自动生成fta实时动态树的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311253784.4A CN116992958B (zh) | 2023-09-27 | 2023-09-27 | 基于故障知识库自动生成fta实时动态树的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992958A true CN116992958A (zh) | 2023-11-03 |
| CN116992958B CN116992958B (zh) | 2024-03-12 |
Family
ID=88521725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311253784.4A Active CN116992958B (zh) | 2023-09-27 | 2023-09-27 | 基于故障知识库自动生成fta实时动态树的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992958B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1433535A (zh) * | 2000-01-29 | 2003-07-30 | Abb研究有限公司 | 用于自动生成故障树结构的方法 |
| US20090083576A1 (en) * | 2007-09-20 | 2009-03-26 | Olga Alexandrovna Vlassova | Fault tree map generation |
| CN102722722A (zh) * | 2012-05-25 | 2012-10-10 | 清华大学 | 基于逻辑推理和故障辨识的混合故障检测诊断方法 |
| US20170185470A1 (en) * | 2015-12-28 | 2017-06-29 | Kai Höfig | Method and apparatus for automatically generating a component fault tree of a safety-critical system |
| KR20170104705A (ko) * | 2016-03-07 | 2017-09-18 | 한국전자통신연구원 | 설비 고장 진단 장치 및 방법 |
| CN110750655A (zh) * | 2019-10-29 | 2020-02-04 | 西安科技大学 | 一种智能ietm故障维修辅助系统的知识库优化方法 |
| CN115511136A (zh) * | 2022-11-01 | 2022-12-23 | 北京磁浮有限公司 | 基于层次分析和故障树的设备故障辅助诊断方法及系统 |
| CN115526119A (zh) * | 2022-11-03 | 2022-12-27 | 北京航空航天大学 | 一种自动生成动态故障树模型的方法 |
| CN115857469A (zh) * | 2022-11-30 | 2023-03-28 | 江西科骏实业有限公司 | 工业设备故障知识库构建方法、装置及故障诊断方法与系统 |
| CN116771576A (zh) * | 2022-11-17 | 2023-09-19 | 中国长江电力股份有限公司 | 水电机组故障综合诊断方法 |
-
2023
- 2023-09-27 CN CN202311253784.4A patent/CN116992958B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1433535A (zh) * | 2000-01-29 | 2003-07-30 | Abb研究有限公司 | 用于自动生成故障树结构的方法 |
| US20090083576A1 (en) * | 2007-09-20 | 2009-03-26 | Olga Alexandrovna Vlassova | Fault tree map generation |
| CN102722722A (zh) * | 2012-05-25 | 2012-10-10 | 清华大学 | 基于逻辑推理和故障辨识的混合故障检测诊断方法 |
| US20170185470A1 (en) * | 2015-12-28 | 2017-06-29 | Kai Höfig | Method and apparatus for automatically generating a component fault tree of a safety-critical system |
| KR20170104705A (ko) * | 2016-03-07 | 2017-09-18 | 한국전자통신연구원 | 설비 고장 진단 장치 및 방법 |
| CN110750655A (zh) * | 2019-10-29 | 2020-02-04 | 西安科技大学 | 一种智能ietm故障维修辅助系统的知识库优化方法 |
| CN115511136A (zh) * | 2022-11-01 | 2022-12-23 | 北京磁浮有限公司 | 基于层次分析和故障树的设备故障辅助诊断方法及系统 |
| CN115526119A (zh) * | 2022-11-03 | 2022-12-27 | 北京航空航天大学 | 一种自动生成动态故障树模型的方法 |
| CN116771576A (zh) * | 2022-11-17 | 2023-09-19 | 中国长江电力股份有限公司 | 水电机组故障综合诊断方法 |
| CN115857469A (zh) * | 2022-11-30 | 2023-03-28 | 江西科骏实业有限公司 | 工业设备故障知识库构建方法、装置及故障诊断方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| SIMON GREINER等: "Compositionality of component fault trees", 《INTERNATIONAL SYMPOSIUM ON MODEL-BASED SAFETY AND ASSESSMENT》, pages 125 - 140 * |
| 吕瑞 等: "基于多源信息融合故障树与模糊Petri 网的复杂系统故障诊断方法", 《计算机集成制造系统》, vol. 23, no. 8, pages 1817 - 1831 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992958B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| KR102633236B1 (ko) | 시뮬레이션 방법 및 시스템 | |
| US9921577B2 (en) | Method and system for diagnostic rules for heavy duty gas turbines | |
| US20100280673A1 (en) | Systems and Methods for Analyzing Reporting Data | |
| CN104392752A (zh) | 一种实时在线的核反应堆故障诊断与监测系统 | |
| Smarsly et al. | An integrated monitoring system for life-cycle management of wind turbines | |
| CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
| CN111461450A (zh) | 基于eemd和lstm的水电机组劣化度预测方法 | |
| CN109872084A (zh) | 风电机组的故障率统计方法及系统 | |
| CN112712305B (zh) | 一种飞行器系统及其健康评估方法和装置 | |
| CN117913857A (zh) | 一种火电机组调频调峰的方法及系统 | |
| CN118313812A (zh) | 一种基于机器学习的电力大数据采集处理方法 | |
| CN116992958B (zh) | 基于故障知识库自动生成fta实时动态树的方法 | |
| CN109917776B (zh) | 风力发电机组的故障智能分析方法及装置 | |
| KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
| CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
| CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| Kang et al. | Implementation of PV monitoring system using Python | |
| Arndt et al. | Lessons Learned from the US Nuclear Regulatory Commission’s Digital System Risk Research | |
| CN114416415A (zh) | 鸿蒙操作系统用远程在线故障检测方法及系统、存储介质 | |
| Tsakiltsidis et al. | Towards automated performance bug identification in python | |
| Xu et al. | Real-time online risk monitoring and management method for maintenance optimization in nuclear power plant | |
| Jie et al. | Exploration on Artificial Intelligence Technology in Power System State Estimation, Monitoring and Early Warning System | |
| CN118348918A (zh) | 一种飞机装配生产线多源数据感知、融合与预测分析方法及系统 | |
| Pang et al. | A simulation-based expert system for process diagnosis |
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 |