一种基于故障树信息的设备状态预测方法

文档序号:6474949阅读:193来源:国知局
专利名称:一种基于故障树信息的设备状态预测方法
技术领域
本发明属于设备维护保障领域,具体涉及一种设备的状态预测方法。
背景技术
随着设备设计技术、设备制造技术和信息技术的迅猛发展,传统设备逐渐走向集 成化、智能化,内部结构和关联性日趋庞大,致使设备系统在其部件的状态分布、部件间的 关联关系等方面呈现出极大的复杂性。维修人员难以预测设备的真实状态,经常发生维修 不足或维修过剩的情况,给设备维护保障工作带来了巨大的挑战。设备故障预测是一门涉 及机械、电子、材料、控制、通信以及计算机技术和人工智能等多学科综合技术。它以当前设 备的使用状态为起点,结合已知预测对象的结构特性、参数、环境条件及运行历史记录,对 设备未来任务段内可能出现的故障进行预报、分析和判断,确定故障性质、类别、程度、原因 及部位,指出故障发展趋势及后果,向用户提出警告,以便在任务之前消除故障,保证任务 的顺利完成。公开号为CN1533948A的中国专利公开了一种发明名称为“对飞机故障的预测报 警方法及飞机故障预测报警系统”,该方法包括以下步骤1.在飞机可能发生故障的部位设置相应的传感器,利用计算机对进行数据采集分 析,并将分析结果与正常标准数据模型进行比较,若异常,启动报警;2.在报警的同时将采集的数据和比较的结果通过通信网传输到地面飞行指挥中 心3.实现上述方法的飞机故障预测报警系统;4.设置在地面飞行指挥中的数据接收监控设备。该方法主要通过传感器采集数据信息,及时将采集的数据通过网络传输到地面的 指挥中心,建立了良好的故障报警系统硬件环境。但未对故障预测报警系统的核心问题,即 故障预测方法进行分析。而且实际设备结构庞大、影响因素复杂,要想获得准确的预测结 果,必须针对实际设备构建符合故障发生规律的预测模型,建立完整有效的故障预测方法。公开号为CN1553328A的中国专利公开了一种发明名称为“基于故障树分析的系 统故障定位方法及装置”,该方法包括以下步骤1.通过故障模式影响分析形成故障描述;2.将故障描述与故障历史数据库结合形成故障模式库,至少包括故障表现和故障 原因;3.在故障模式库的基础上进行故障树分析,补充导致系统故障的多点故障原因;4.将故障树转换成故障定位树,通过该故障定位树定位系统故障。该方法提供了一种根据故障模式影响分析和故障历史数据库建立故障树,然后转 换成故障定位树并用于故障推理的技术。但是,故障定位树不能处理多个故障原因共同发 生时的故障推理任务,也不能同时利用多种检测现象一起预测实际设备状态。

发明内容
为了克服现有技术不能有效进行故障预测的不足,本发明提供一种基于故障树信 息的设备状态预测方法,能够快速准确的计算出设备的实时运行状态及可靠性,用于指导 设备维修计划的制定已经维修备件的储备。本发明解决其技术问题所采用的技术方案是综合利用故障树信息和外部检测现 象建立故障预测模型,用于预测设备的实时运行状态。首先,利用现有故障树信息识别出故 障模式变量、故障原因变量及各变量间的结构关系;其次,根据变量间结构关系识别出各变 量的先验概率分布及条件概率分布;然后,利用检测现象识别出检测变量及其条件概率分 布;最终,基于建立的故障预测模型,以检测信息为驱动,利用概率论公式预测设备的实际 运行状态。具体步骤如下1、确定需要预测的一个设备故障模式,并在故障树中搜索以该故障模式为顶事件 的故障树模型F,F中所有事件集合为T = IT1, T2, ...,Ti, ...,TJ,其中Ti表示第i个事 件,η表示故障树事件总数;故障树具体搜索方式如下针对设备故障模式,首先在故障树信息中找到与该模式对应的故障树事件T1,然 后以该事件为顶事件向下搜索那些与顶事件通过逻辑门关联的故障树中间事件,不断向下 搜索与中间事件通过逻辑门关联的其它故障树中间事件,直到搜索到故障树底事件为止。 其中,底事件是指没有其它故障树事件通过逻辑门与其关联的事件。2、将集合T中的顶事件用故障预测模型中的故障模式变量M表示,当事件不发生 时,对应变量的取值为0,当事件发生时,对应变量的取值为1,且整个模型中只有一个故障 模式变量,如式(1)所示;将集合T中的其它中间事件用故障预测模型中的故障传递变量集 合D= {D1;D2,...,Dj,...,Dm}表示,如式(2)所示,其中Dj表示第j个中间事件对应的故 障传递变量,m表示故障传递变量总数;将集合T中的底事件用故障预测模型中的故障原因 变量集合C= (CijC2,... ,Ck,... ,C1I表示,如式(3)所示,其中Ck表示第k个底事件对应 的故障原因变量,1表示故障原因变量总数,且1+m+l = η ;
丨0,当顶事件$不发生时 =| 1,当顶事件T1发生时u)
Γ ^ fo,当对应的中间事件不发生时廿+叫〗,当对应的中间事件发生时,其中尸1,··』⑵
「 ^ ^ fo,当对应的底事件不发生时甘+, 1 1 /q、c^1,当对应的底事件发生日寸,其中k=U ⑶3、将故障树模型F中表示的逻辑门集合L = {L0, L1, L2,...,Lj,...,Lj用故障预 测模型中变量的结构关系集合J = {Jo, J1, J2,. . .,Jj,. . .,Jj表示,其中L。表示顶事件对 应的逻辑门,Lj表示第j个中间事件对应的逻辑门,故障树中共有1+m个逻辑门Jtl表示故
障模式变量M对应的结构关系,1表示第j个传递变量对应的结构关系;在…中, JI (Dj)表示影响第j个中间事件状态的故障树事件相对应的变量,(O表示与第j个逻辑 门中逻辑关系相对应的关联关系;根据逻辑门建立变量结构关系的具体方式如下故障树模型中的逻辑门主要分为以下四种。其中,与门表示仅当所有子事件都发生时,父事件才发生的情形;或门表示只要有任何一个子事件发生,父事件就会发生;非门 表示子事件不发生时,父事件反而发生的逻辑关系;表决门表示表示在r个子事件中需要 至少有q个同时发生时,父事件才会发生。
权利要求
一种基于故障树信息的设备状态预测方法,其特征在于包括下述步骤1)确定需要预测的一个设备故障模式,并在故障树中搜索以该故障模式为顶事件的故障树模型F,F中所有事件集合为T={T1,T2,...,Ti,...,Tn},其中Ti表示第i个事件,n表示故障树事件总数;故障树具体搜索方式如下针对设备故障模式,首先在故障树信息中找到与该模式对应的故障树事件T1,然后以该事件为顶事件向下搜索与顶事件通过逻辑门关联的故障树中间事件,不断向下搜索与中间事件通过逻辑门关联的其它故障树中间事件,直到搜索到故障树底事件为止;其中,底事件是指没有其它故障树事件通过逻辑门与其关联的事件;2)将集合T中的顶事件用故障预测模型中的故障模式变量M表示,当顶事件不发生时,对应变量的取值为0,当顶事件发生时,对应变量的取值为1,且整个模型中只有一个故障模式变量;将集合T中的其它中间事件用故障预测模型中的故障传递变量集合D={D1,D2,...,Dj,...,Dm}表示,其中Dj表示第j个中间事件对应的故障传递变量,j=1,...,m,m表示故障传递变量总数;将集合T中的底事件用故障预测模型中的故障原因变量集合C={C1,C2,...,Ck,...,Cl}表示,其中Ck表示第k个底事件对应的故障原因变量,k=1,...,l,l表示故障原因变量总数,且1+m+l=n;3)将故障树模型F中表示的逻辑门集合L={L0,L1,L2,...,Lj,...,Lm}用故障预测模型中变量的结构关系集合J={J0,J1,J2,...,Jj,...,Jm}表示,其中L0表示顶事件对应的逻辑门,Lj表示第j个中间事件对应的逻辑门,故障树中共有1+m个逻辑门;J0表示故障模式变量M对应的结构关系,Jj表示第j个传递变量对应的结构关系;在中,π(Dj)表示影响第j个中间事件状态的故障树事件相对应的变量,(·)表示与第j个逻辑门中逻辑关系相对应的关联关系;根据逻辑门建立变量结构关系的具体方式如下其中j=0,...,m其中,表示π(Dj)中的变量为并联结构关系;表示π(Dj)中的变量为串联结构关系;用表示π(Dj)中变量与Dj的结构关系,命名为反联结构;用表示π(Dj)中变量与Dj的结构关系,命名为多连结构,且在r个影响Dj状态的变量中需要至少有q个同时故障时,Dj才会发生故障;4)根据故障树模型包含的各底事件可靠性函数集合R={R1,R2,...,Rk,...,Rl}计算故障预测模型中故障原因变量先验概率分布集合P={P(C1=0),P(C2=0),...,P(Ck=0),...,P(Cl=0)},P(Ck=0)=Rk,其中k=1,...,l,其中Rk表示第k个底事件的可靠性函数,P(Ck=0)表示第k个故障原因变量的状态概率分布;5)根据结构关系集合J={J0,J1,J2,...,Jj,...,Jm}中所包含的关联关系,计算故障预测模型中故障模式变量的条件概率分布P(M|π(M))和故障传递变量的条件概率分布CPD={P(D1|π(D1)),P(D2|π(D2)),...,P(Dj|π(Dj)),..,P(Dm|π(Dm))},其中P(Dj|π(Dj))表示第j个故障传递变量的条件概率分布,传递变量条件概率分布的总数也是l个;根据结构关系建立变量条件概率分布的具体方式如下当π(Dj)中变量为并联结构关系,当π(Dj)中变量为串联结构关系,当π(Dj)中变量与Dj为反联结构关系,当π(Dj)中变量为多联结构关系,6)将设备实际故障检测现象用故障预测模型中对应的故障检测变量E={E1,E2,...,Ex,...,Ep}表示,其中Ex表示第x个故障检测现象对应的故障检测变量,x=1,...,p,p表示故障检测变量总数;按其中x=1,...,p的方式建立故障检测变量的结构关系集合G={G1,G2,...,Gx,...,Gp},其中Gx表示第x个故障检测变量所包含的结构关系,结构关系的总数也为p个;在中,π(Ex)表示影响第x个故障检测现象状态的故障原因相对应的变量,(·)表示第x个故障检测现象及其对应故障原因间的关联关系;表示π(Ex)中的变量为并联结构关系;表示π(Ex)中的变量为串联结构关系。7)根据故障检测变量结构关系集合G中表述的关联关系,分别按π(Dj)中变量为并联结构关系和串联结构关系的方式计算故障预测模型中故障检测变量的条件概率分布CPE={P(E1|π(E1)),P(E2|π(E2)),...,P(Ex|π(Ex)),...,P(Ep|π(Ep))},其中P(Ex|π(Ex))表示第x个故障检测变量的条件概率分布;8)根据现场采集到的故障检测现象实时信息e={e1,e2,...,ex,...,ep},其中ex表示第x个故障检测现象的实际状态信息,利用故障预测模型推理能力和条件概率分布,基于贝叶斯定理,计算设备故障模式后验概率状态分布P(M=0|E=e)=P(M=0|π(E))×P(π(E)|E=e)。FSA00000262447500011.tif,FSA00000262447500012.tif,FSA00000262447500013.tif,FSA00000262447500021.tif,FSA00000262447500022.tif,FSA00000262447500023.tif,FSA00000262447500024.tif,FSA00000262447500025.tif,FSA00000262447500026.tif,FSA00000262447500027.tif,FSA00000262447500028.tif,FSA00000262447500029.tif,FSA00000262447500031.tif,FSA00000262447500032.tif,FSA00000262447500033.tif,FSA00000262447500034.tif,FSA00000262447500035.tif
全文摘要
本发明公开了一种基于故障树信息的设备状态预测方法,首先搜索故障树模型,将模型中的各事件用不同变量表示,将模型中的逻辑门用变量的结构关系集合表示,依次计算故障预测模型中故障原因变量先验概率分布集合,计算故障预测模型中故障模式变量的条件概率分布和故障传递变量的条件概率分布,将设备实际故障检测现象用故障预测模型中对应的故障检测变量表示,根据故障检测变量结构关系集合中表述的关联关系计算故障预测模型中故障检测变量的条件概率分布,根据现场采集到的故障检测现象实时信息计算设备故障模式后验概率状态分布。本发明能够快速准确的预测设备实时状态、指导对设备的监控及维修,有效提高维修效率、降低维修成本。
文档编号G06F19/00GK101950327SQ20101027790
公开日2011年1月19日 申请日期2010年9月9日 优先权日2010年9月9日
发明者兑红炎, 司书宾, 孙树栋, 张莉莉, 李淑敏, 王宁, 蔡志强 申请人:西北工业大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1