RU182934U1 - Вычислительное устройство выявления неисправностей напольного технологического оборудования - Google Patents
Вычислительное устройство выявления неисправностей напольного технологического оборудования Download PDFInfo
- Publication number
- RU182934U1 RU182934U1 RU2017139563U RU2017139563U RU182934U1 RU 182934 U1 RU182934 U1 RU 182934U1 RU 2017139563 U RU2017139563 U RU 2017139563U RU 2017139563 U RU2017139563 U RU 2017139563U RU 182934 U1 RU182934 U1 RU 182934U1
- Authority
- RU
- Russia
- Prior art keywords
- microprocessor
- switch
- unit
- technical
- neuroprocessor
- Prior art date
Links
- 238000013024 troubleshooting Methods 0.000 title claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 title 1
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 9
- 230000001537 neural effect Effects 0.000 claims 3
- 230000007257 malfunction Effects 0.000 abstract description 10
- 238000003032 molecular docking Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 9
- 239000010410 layer Substances 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Полезная модель относится к области технической кибернетики. Вычислительное устройство выявления неисправностей напольного технологического оборудования содержит блок памяти, два микропроцессора, источник питания, нейропроцессор, блок увязки с системой технической диагностики и мониторинга, коммутатор, причем блок увязки с системой технической диагностики и мониторинга подключен к этой системе интерфейсным соединением, блок увязки с системой технической диагностики и мониторинга соединен с первым микропроцессором, блок увязки с системой технической диагностики и мониторинга подключен к источнику питания, к которому подведено общее напряжение питания, первый микропроцессор, в свою очередь, связан с коммутатором, который содержит четыре вывода, прямое и обратное соединение с ISA - шиной, a ISA - шина также имеет соединение в прямом и обратном направлении с персональным компьютером, общее напряжение питания подключено к первому микропроцессору и коммутатору, один из выводов коммутатора подключен к блоку памяти, блок памяти соединен с нейропроцессором, другой из выводов коммутатора подключен к второму микропроцессору, второй микропроцессор соединен с нейропроцессором, организована обратная связь от нейропроцессора к персональному компьютеру по цепи: второй микропроцессор, коммутатор, ISA - шина и персональный компьютер, блок памяти, второй микропроцессор и нейропроцессор подключены к общему напряжению питания. Технический результат заключается в выявлении электрических и механических неисправностей напольного технологического оборудования разного по назначению и применению, в повышении достоверности выявления неисправностей напольного технологического оборудования, а также в обеспечении полной автоматизации выявления неисправностей при реализации стыковки с системой технической диагностики и мониторинга. 1 ил.
Description
Описание полезной модели
Полезная модель относится к области технической кибернетики и может быть использована для определения состояний напольного технологического оборудования при техническом обслуживании.
Известно устройство, содержащее пьезокерамический преобразователь, установленный на основных узлах и деталях стрелочного электропривода, для регистрации сигналов акустической эмиссии, блоки усиления и фильтрации сигналов акустической эмиссии и персонального компьютера для отображения графических и числовых параметров акустической эмиссии на его дисплеи, и которое в качестве параметра сигналов акустической эмиссии, определяющего рабочее состояние основных узлов и деталей стрелочного электропривода, выбирает интегральную энергию от каждого узла и детали в отдельности за определенный период времени, причем состояние отдельного узла и детали стрелочного электропривода, требующего замены или ремонта, контролируют по значению интегральной энергии, более чем в два раза превышающему среднее значение интегральной энергии последних пяти периодов измерения (G01R 31/34, RU №2486533 от 2013 г).
Недостатки данного устройства заключаются в:
- необходимости установки аппаратуры контроля в каждый стрелочный электропривод;
- ограниченном контроле только механических повреждений, которые относятся к подвижным узлам стрелочного электропривода.
Известно устройство, включающее в себя формирование распознающих эталонов с последующей коррекцией на основе обучающих сигналов о состоянии объекта, сравнение распознающих эталонов с анализируемым сигналом о состоянии объекта, формирование набора величин оценок принадлежности состояния объекта каждому из множества возможных состояний объекта, сравнение полученных величин оценок с заданным порогом распознавания состояния объекта, отличающийся тем, что все сигналы о состоянии объекта предварительно нормируют, затем на этапе обучения распознающие эталоны первого уровня формируют с учетом достоверности на основе нормированных известных сигналов, формируют оптимизирующий эталон первого уровня, на основе которого из распознающих эталонов первого уровня формируют оптимизированные распознающие эталоны второго уровня, а на этапе распознавания формируют оптимизированный сигнал о состоянии объекта аналогично оптимизации распознающих эталонов, сравнивают оптимизированный сигнал с каждым из оптимизированных распознающих эталонов соответствующего уровня, в результате чего и формируют величины оценок состояния объекта, сравнивают их с заданным порогом распознавания и выделяют подмножество величин оценок, превышающих порог распознавания, выделяют соответствующее выделенному подмножеству величин оценок подмножество распознающих эталонов, на основе которого повторяют процесс оптимизации распознающих эталонов и анализируемого сигнала с последующим распознаванием состояния объекта до тех пор, пока результат распознавания не удовлетворит заданному критерию достоверности или неудачи. Операции нормирования, формирования и коррекции распознающих эталонов, оптимизации и сравнения сигналов и эталонов осуществляются в Евклидовом векторном пространстве сигналов и эталонов. Формирование и коррекцию распознающих эталонов производят путем последовательного усреднения нормированных сигналов о состоянии объекта (G06K 9/00, G06K 9/62, G06K 9/66, №(RU) 2090928 от 1997).
Недостаток данного устройства заключается в том, что: - устройство не предусматривает функцию самообучаемости, т.е. для повышения достоверности распознавания необходимо пополнять обучающую выборку устройства;
- отсутствует стыковка с существующими системами технической диагностики и мониторинга.
Наиболее близким техническим решением к заявленному вычислительному устройству является устройство диагностики асинхронных электрических двигателей, состоящее из источников питания, измерительных устройств, отличающееся тем, что дополнительно включен блок памяти номинальных величин двигателя, бортовой накопитель, дисплей, микропроцессор для определения реальной длительности пуска, микропроцессор для оценки перегрева и состояния изоляции, а измерительные устройства содержат датчик тока, связанный с обоими микропроцессорами, датчик температуры изоляции и датчик температуры окружающей среды, которые связанны с микропроцессором, предназначенным для определения перегрева и состояния изоляции (G01R 31/34 №2484490 от 2013 г.).
Недостаток данного устройства заключается в том, что основной акцент сделан на электродвигатели, которые эксплуатируются в электровозах.
Задача вычислительного устройства - выявление электрических и механических неисправностей напольного технологического оборудования для сокращения времени восстановления их работоспособности за счет применения нейропроцессор, методов и алгоритмов, основанных на построении графов и моделей напольного технологического оборудования автоматики, и телемеханики, обеспечивающие полную автоматизацию выявления неисправностей при реализации стыковки с системой технической диагностики и мониторинга.
Технический результат достигается тем, что вычислительное устройство выявления неисправностей напольного технологического оборудования, содержащее блок памяти, два микропроцессора, источник питания, дополнительно содержит нейропроцессор, блок увязки с системой технической диагностики и мониторинга, коммутатор, причем блок увязки с системой технической диагностики и мониторинга подключен к этой системе интерфейсным соединением, блок увязки с системой технической диагностики и мониторинга соединен с первым микропроцессором, блок увязки с системой технической диагностики и мониторинга подключен к источнику питания, к которому подведено общее напряжение питания, первый микропроцессор в свою очередь связан с коммутатором, который содержит четыре вывода, прямое и обратное соединение с ISA - шиной, a ISA - шина также имеет соединение в прямом и обратном направлении с персональным компьютером, общее напряжение питания подключено к первому микропроцессоруи коммутатору, один из выводов коммутатора подключен к блоку памяти, блок памяти соединен с нейропроцессором, другой из выводов коммутатора подключен к второму микропроцессору, второй микропроцессор соединен с нейропроцессор, организована обратная связь от нейропроцессора к персональному компьютеру по цепи: второй микропроцессор, коммутатор, ISA - шина и персональный компьютер, блок памяти, второй микропроцессор и нейропроцессор подключены к общему напряжению питания.
Сущность полезной модели поясняется чертежом, на котором изображена структурная схема вычислительного устройства выявления неисправностей напольного технологического оборудования (фиг.1).
Вычислительное устройство выявления неисправностей напольного технологического оборудования подключается к персональному компьютеру (4) для подсчета диагностических критериев по диагностическим параметрам напольного технологического оборудования автоматики и телемеханики, а также для отображения результатов диагностирования, содержит блок памяти (7) для хранения диагностических критериев, два микропроцессора (2, 6): один (2) - для предварительной обработки диагностических параметров от системы технической диагностики и мониторинга, второй - для кодирования результатов распознавания, источник питания (5) для организации питания блока увязки с системой технической диагностики и мониторинга (1), нейро-нейропроцессор (8) для обучения сети диагностическими критериями и распознавания технического состояния напольного технологического оборудования автоматики и телемеханики по диагностическим критериям, блок увязки с системой технической диагностики и мониторинга (1) для приема диагностических данных в режиме online, коммутатора (3) для разграничения потока данных, причем вывод 1 блока увязки с системой технической диагностики и мониторинга подключен к этой системе интерфейсным соединением, вывод 2 блока увязки с системой технической диагностики и мониторинга соединен с первым микропроцессором (2), для предварительной обработки диагностических данных, вывод 3 блока увязки с системой технической диагностики и мониторинга подключен к источнику питания (вывод 1 блока 5), к которому на вывод 2 подведено общее напряжение питания, первый микропроцессор (2), в свою очередь, связан с выводом 1 коммутатора (3), который содержит четыре вывода, прямое и обратное соединение с ISA - шиной, a ISA - шина также имеет соединение в прямом и обратном направлении с персональным компьютером (4), общее напряжение питания подключено к выводу 3 первого микропроцессора (2) и выводу 4 коммутатора (3), вывод 3 коммутатора (3) подключен к выводу 1 блока памяти (7), вывод 2 блока памяти соединен с выводом 2 нейропроцессора (8), вывод 2 коммутатора (3) подключен к выводу 2 второго микропроцессора (6), вывод 1 второго микропроцессора (6) соединен с выводом 1 нейропроцессора (8), организована обратная связь от нейропроцессора (8) к персональному компьютеру по цепи: второй микропроцессор (6), коммутатор (3), ISA - шина и персональный компьютер; вывод 3 блока памяти (7), второго микропроцессора (6) и нейропроцессора (8) подключен к общему напряжению питания.
Вычислительное устройство выявления неисправностей напольного технологического оборудования работает следующим образом: передача информации между системой технической диагностики и вычислительным устройством выявления неисправностей напольного технологического оборудования осуществляется по последовательному каналу связи с интерфейсом RS-422 в асинхронном режиме со следующими параметрами:
- скорость передачи 38400 бод и выше (по согласованию);
- 8 бит данных;
- контроля четности нет;
- 1 стоп-бит.
Данные передаются в канал побайтно, с использованием дополнительного кодирования (ASCII).
Обмен данными осуществляется периодически, по принципу «запрос - ответ». Инициатором обмена выступает вычислительное устройство выявления неисправностей напольного технологического.
При передаче кадра из системы технической диагностики и мониторинга в вычислительное устройство выявления неисправностей напольного технологического оборудования данные пакета состоят из блока информации о состоянии стрелочного переводного устройства и блока информации о состоянии устройства контроля занятости пути. Размер блока передачи информации о состоянии стрелочного переводного устройства передается в заголовке пакета данных. Объем блоков определяется проектом конкретной станции. Размер блока информации о состоянии устройства контроля занятости пути при чтении получается вычитанием из размера пакета размера блока передачи информации о состоянии стрелочного переводного устройства.
Перечень сигналов, передаваемых от системы технической диагностики и мониторинга, представлен в таблице 1.
Модель биологических сетей нервных клеток живого организма состоит из трех слоев: входной, промежуточный и выходной.
Размерность входного массива для модели биологических сетей нервных клеток живого организма задается количеством выделенных диагностических критериев параметра объекта контроля, следовательно, число нейронов во входном слое будет равно количеству диагностических критериев. На выходе модели биологических сетей нервных клеток живого организма получаем результат диагностирования объекта контроля: дается заключение об исправности или указывается список неисправностей, поэтому число нейронов в выходном слое будет равно количеству выявляемых неисправностей. Для классификации графиков диагностических параметров объектов контроля используется однослойная биологическая сеть нервных клеток живого организма. Число нейронов в промежуточном слое выбиралось экспериментальным путем и составило 10. При такой структуре модель биологических сетей нервных клеток живого организма обучается наилучшим образом. Обучение однослойной сети производится методом RProp, ускоряющим этот процесс. Для определения количества синоптических весов Lw используется формула:
Состояние нейронов промежуточного и выходных слоев сети определяется как сумма состояний его входов:
В выходном слое D1-Dn - результат диагностирования соответствующих неисправностей DN1-DNn. Для передачи результатов диагностирования на персональный компьютер происходит их кодирование в бинарном виде, например:
- {1, 0, 0, 0, 0, 0} - исправное состояние объекта контроля;
- {0, 1, 0, 0, 0, 0} - неисправное состояние объекта контроля.
Доказательство достижения технического результата, записанного в задаче полезной модели, является:
- выявление как механических, так и электрических неисправностей напольного технологического оборудования в режиме online за счет организации увязки с системой технической диагностики и мониторинга;
- способность вычислительного устройства к самообучаемости, для повышения достоверности выявления неисправностей напольного технологического оборудования и сокращения времени восстановления их работоспособности;
- возможность выявления неисправностей напольного технологического оборудования разного по назначению и применению, не устанавливая на каждое оборудование.
Claims (1)
- Вычислительное устройство выявления неисправностей напольного технологического оборудования, содержащее блок памяти, два микропроцессора, источник питания, отличающееся тем, что дополнительно содержит нейропроцессор, блок увязки с системой технической диагностики и мониторинга, коммутатор, причем блок увязки с системой технической диагностики и мониторинга подключен к этой системе интерфейсным соединением, блок увязки с системой технической диагностики и мониторинга соединен с первым микропроцессором, блок увязки с системой технической диагностики и мониторинга подключен к источнику питания, к которому подведено общее напряжение питания, первый микропроцессор, в свою очередь, связан с коммутатором, который содержит четыре вывода, прямое и обратное соединение с ISA - шиной, a ISA - шина также имеет соединение в прямом и обратном направлении с персональным компьютером, общее напряжение питания подключено к первому микропроцессору и коммутатору, один из выводов коммутатора подключен к блоку памяти, блок памяти соединен с нейропроцессором, другой из выводов коммутатора подключен к второму микропроцессору, второй микропроцессор соединен с нейропроцессором, организована обратная связь от нейропроцессора к персональному компьютеру по цепи: второй микропроцессор, коммутатор, ISA - шина и персональный компьютер, блок памяти, второй микропроцессор и нейропроцессор подключены к общему напряжению питания.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2017139563U RU182934U1 (ru) | 2017-11-14 | 2017-11-14 | Вычислительное устройство выявления неисправностей напольного технологического оборудования |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2017139563U RU182934U1 (ru) | 2017-11-14 | 2017-11-14 | Вычислительное устройство выявления неисправностей напольного технологического оборудования |
Publications (1)
Publication Number | Publication Date |
---|---|
RU182934U1 true RU182934U1 (ru) | 2018-09-06 |
Family
ID=63467269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2017139563U RU182934U1 (ru) | 2017-11-14 | 2017-11-14 | Вычислительное устройство выявления неисправностей напольного технологического оборудования |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU182934U1 (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109436022A (zh) * | 2018-10-31 | 2019-03-08 | 中铁第四勘察设计院集团有限公司 | 一种市域铁路车辆二级修工艺 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62282258A (ja) * | 1986-05-30 | 1987-12-08 | Koyo Seiko Co Ltd | 軸受寿命予知方法 |
RU2090928C1 (ru) * | 1992-04-07 | 1997-09-20 | Вячеслав Валентинович Храбров | Способ анализа сигналов о состоянии объекта |
RU2361199C2 (ru) * | 2007-04-02 | 2009-07-10 | Сибирский государственный университет путей сообщения (СГУПС) | Способ прогнозирования остаточного ресурса металлических изделий |
EA201001533A1 (ru) * | 2010-05-27 | 2011-12-30 | Полад Шахмалы Оглы Гейдаров | Модель линейной нейронной сети на основе метрических методов распознавания (варианты) |
RU2486533C1 (ru) * | 2012-02-29 | 2013-06-27 | Общество с ограниченной ответственностью "Научно-Технический Центр Информационные Технологии" | Способ контроля рабочего состояния стрелочного электропривода |
-
2017
- 2017-11-14 RU RU2017139563U patent/RU182934U1/ru active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62282258A (ja) * | 1986-05-30 | 1987-12-08 | Koyo Seiko Co Ltd | 軸受寿命予知方法 |
RU2090928C1 (ru) * | 1992-04-07 | 1997-09-20 | Вячеслав Валентинович Храбров | Способ анализа сигналов о состоянии объекта |
RU2361199C2 (ru) * | 2007-04-02 | 2009-07-10 | Сибирский государственный университет путей сообщения (СГУПС) | Способ прогнозирования остаточного ресурса металлических изделий |
EA201001533A1 (ru) * | 2010-05-27 | 2011-12-30 | Полад Шахмалы Оглы Гейдаров | Модель линейной нейронной сети на основе метрических методов распознавания (варианты) |
RU2486533C1 (ru) * | 2012-02-29 | 2013-06-27 | Общество с ограниченной ответственностью "Научно-Технический Центр Информационные Технологии" | Способ контроля рабочего состояния стрелочного электропривода |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109436022A (zh) * | 2018-10-31 | 2019-03-08 | 中铁第四勘察设计院集团有限公司 | 一种市域铁路车辆二级修工艺 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
TWI510916B (zh) | 儲存裝置壽命監控系統以及其儲存裝置壽命監控方法 | |
CN108604360B (zh) | 设施异常监测方法及其系统 | |
Ying et al. | A hidden Markov model-based algorithm for fault diagnosis with partial and imperfect tests | |
WO2011073613A1 (en) | A method, apparatus and computer program for diagnosing a mode of operation of a machine | |
JP2021509995A (ja) | システムを制御する装置及び方法 | |
US11842575B2 (en) | Method and system for vehicle analysis | |
KR20210116801A (ko) | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 | |
KR102104026B1 (ko) | 인공신경망을 이용한 솔레노이드 밸브 실시간 감시 시스템 및 솔레노이드 밸브 실시간 감시 방법 | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
RU2557771C1 (ru) | Способ технического контроля и диагностирования бортовых систем беспилотного летательного аппарата с поддержкой принятия решений и комплекс контрольно-проверочной аппаратуры с интеллектуальной системой поддержки принятия решений для его осуществления | |
CN114943321A (zh) | 一种针对硬盘的故障预测方法、装置及设备 | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
RU182934U1 (ru) | Вычислительное устройство выявления неисправностей напольного технологического оборудования | |
KR20220125848A (ko) | 배터리 셀 단위를 기반으로 하는 이상 진단 장치, 시스템 및 방법 | |
JP6509001B2 (ja) | 故障診断システム | |
CN212895016U (zh) | 一种基于LoRa无线测控技术的铝电解槽况诊断系统 | |
JP2018086715A (ja) | テレスコピックカバーの異常発生推定装置及び異常発生推定方法 | |
CN114323671A (zh) | 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
CN108919783A (zh) | 一种驱动机构故障诊断装置及方法 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
US11366178B2 (en) | Method and system for diagnostics and monitoring of electric machines | |
KR20220068799A (ko) | 자동화설비의 고장 검출 시스템 및 그 방법 | |
CN108415819A (zh) | 一种硬盘故障追踪方法和装置 | |
Duan et al. | Diagnosis strategy for micro-computer controlled straight electro-pneumatic braking system using fuzzy set and dynamic fault tree |