基于复合故障链推理的隐患辨识方法
【技术领域】
[0001] 本发明涉及隐患辨识技术领域，尤其涉及一种基于复合故障链推理的隐患辨识方 法。
【背景技术】
[0002] 目前，隐患辨识技术在电子信息工程，电力系统以及机械工程等领域得到了成功 应用，形成并发展出相应的理论算法和工程技术，但其方法目前尚未形成普适性的理论指 导思想，因此未能得到推广。在轨道交通领域隐患辨识研究与应用较少。欧盟提出的模块 化城市轨道交通系统，研究单独部件和集中分组件的故障因果分析技术，可以通过减少单 独部件的数量、集中分组件等多种方法避免新机车车辆所带来的潜在风险。北美的先进列 车控制系统，可以基于列车和轨道精确数据得到隐患故障的模式和分布，依此可增大交通 运行的安全性和可靠性。虽然上述系统或项目实现了隐患辨识功能，但在检测数据分析、对 象结构认知和专家经验的融合、故障链构建及各故障关联分析等方面均未进行系统研究， 且存在功能单一、造价高昂等问题，因此，国外已有的隐患挖掘与评估预警系统不符合中国 城轨轨道交通实际情况，无法适用于我国城市轨道列车系统中。
[0003] 我国部分学者也开始了隐患辨识的研究，但缺乏系统的研究和成功应用。相关学 者利用智能化技术、网络化技术和信息化技术，建立了铁路车辆安全防范预警5T系统，实 现了对铁路车辆的故障隐患的评估和预警。上海地铁2号线，构建了在途故障诊断预警系 统，对城轨列车的故障成因关系、故障链构建、故障诊断与隐患挖掘等进行了研究，并在实 际应用中取得了较好的效果。
[0004] 城市轨道交通正在进入一个快速发展的新阶段。为了缓解道路交通拥堵的压力， 更为了提高运行效率，城市轨道交通都起着举足轻重的作用。随着运行里程的不断累积，列 车车门系统的潜在故障的概率在增加，更复杂更多样化的故障形式的不断出现，给客运和 维修造成不便，由此产生的经济损失也是巨大。因此车门系统的可靠性和安全性问题也成 为迫待解决的关键问题，由于车门系统包括控制系统和机动系统，因此其故障形式多样化， 故障所产生的问题也难以高效解决。
[0005] 因此，对城轨列车车门系统进行隐患辨识的研究，具有重大应用价值。目前我国城 轨列车车门系统多采用事后维修和计划维修，该方案不能在列车车门系统未报出故障时， 预先给出故障预警信息，起不到预防故障的作用。
【发明内容】
[0006] 本发明实施例提供了一种基于复合故障链推理的隐患辨识方法，以实现对离散事 件系统的复合故障的隐患进行有效地辨识。
[0007] 为了实现上述目的，本发明采取了如下技术方案
[0008] -种基于复合故障链推理的隐患辨识方法，包括：
[0009] 基于预先构建的复合故障因果链模型，采用最小割集法对离散事件系统中的链路 进行解耦隔离，得到链路集；
[0010] 创建求解进程，基于每条链路的入度和度的比值，得到链路独立度信息；基于链路 的先验故障概率获得链路的后验故障概率信息；
[0011] 基于所述链路的独立度信息和后验故障概率信息获得链路风险优先数因子CRPN 数据和节点风险优先数因子NRPN，将所述CRPN数据和NRPN数据模糊化，得到模糊链路风险 优先数因子FCRPN和模糊节点风险优先数因子FNRPN数据，通过风险优先数RPN公式得到 模糊风险优先数值FRPN=FCRPN&FNRPN;
[0012] 基于所述模糊风险优先数值FRPN，对给定的故障参数的输入，确定所述链路集中 的每条故障链路的故障传递可能性等级，确定与故障传递相关的链路上，每个故障节点的 影响等级系数，再将所述FRPN转化为确定的风险优先数值，作为故障传播链路和故障源排 序的数值依据，根据所述故障传播链路和故障源排序的数值依据获取真实故障源；
[0013] 处理器对所述复合故障因果链模型的参数进行训练，选取历史故障数据作为输 入，得出相应的故障源排序集合，若所述真实故障源不在所述故障源排序集合内，则处理器 对所述复合故障因果链模型进行机理分析，增加通向所述真实故障源的链路集；若所述真 实故障源在所述故障源排序集合内，则所述处理器对所述真实故障源以及故障传播路径增 加概率奖励因子，对所述复合故障因果链模型的初始值做修正。
[0014] 优选地，所述的方法还包括：
[0015] 用Petri网模型构建器构建复合故障因果链模型，按照系统组成及功能结构，将 已知可划分为多层次组分的离散事件系统的系统故障模式，用Petri网的库所作为故障模 式节点，用Petri网的变迀表示故障模式的联结传递关系，构建出复合故障因果链模型。 [0016]优选地，所述的方法包括：
[0017] 对于确定的系统故障形式y，产生该系统故障形式y的内部故障节点集合为Py= {PiIy，p21y，…，psIy}，则具有层次性的故障传递模型为Py->y，所述故障传递模型描述为：
[0018] 假设一个给定的系统，按照结构功能划分为A，B，C，D四组，分别代表系统，子系 统，部件和零件四个层次，每一层都有元素节点表征故障现象，称为故障节点，最后一组的 故障节点集合为故障源；
[0019] 系统故障层次集合为L={LuL2,…，Ln}，每一层的故障节点表示为集合LNi = {nil，nl2，…，nir}，其中i= 1，2，···，η，故障传播是从底层的故障源，向上逐层传递，即 Ln-Lη广------L2-Lp推理过程即为故障传播的逆过程：L2-----Ln广Ln是宏观 的复合故障链推理模型；
[0020] 设系统复合故障链集合为C= {c1，c2,…，cs}，其中一条故障链路c1(i= 1，2,…，幻包括的每层的故障节点，可看作该条故障链路的故障节点，表示为CW= {cn,，cn/，...，(?1}，其中CN=LN，C=L!-L2-------Lni-Ln〇
[0021] 用Petri网表示复合故障链模型，（S，T，F)是一个原型Petri网，满足 wd:㈨且νκΓ:|?·$ι，5表示s的所有直接和间接后继节点的集合， t·表示t的后置库所集，同理·t表示t的前置库所集，/7^；(5\7')1^7'><5)表示弧的有限 集；将库所表示故障节点，变迀表示故障的触发条件，弧则表征故障传播弧的有限集，指向 故障节点的弧称为前置弧，故障节点向外传播的弧称为后置弧，则构建完成了复合故障链 模型，该复合故障链模型为Petri网模型。
[0022] 优选地，在所述复合故障链模型中，每个故障源产生多个故障现象，所述故障现象 逐层推广，多个链路耦合成网络结构，在进行故障链路分析时，采用行列法求最小割集进行 解耦隔离，将每条链路独立开，形成链路集合；所述行列法的求解过程描述如下："与门"使 割集容量增加，而不增加割集的数量；"或门"使割集的数量增加，而不增加割集的容量，行 列法是从系统故障层开始，用下一层事件代替上一层事件，把"与门"连接的事件，按行横向 排列；把"或门"连接的事件，按列纵横向摆开。这样，逐层向下，直至各基本事件，列出若干 行，最后利用布尔代数化简。化简结果，即得出若干最小割集。
[0023] 优选地，在某一条链路c1中，所有节点的前置弧个数总和为TID，所有节点的弧个 数总和为TD，则所述链路c1的独立度为：
[0024]
[0025] 在某一条链路中，入度指该Wm/7iμiw、总数；度是指该链路所有节点 的总弧数，链路独立度0就是链路上每个节点具有的入度之和与所有节点的连接节点个数 总和的比值，〇 = ^，TID是入度之和，TD是所有度的和。
[0026] 优选地，所述的基于链路的先验故障概率获得链路的后验故障概率信息，包括：
[0027] 获得故障节点的贝叶斯后验概率的方法，首先求出同一个链路中的故障节点的联 合概率分布，在某一条链路c1中，节点集合为：
[0028]
苕j>h则:￡；?4优先级大于，在该链路C1中，某 一故障节点的所有高优先级节点集合称为，每条链路都由故障传播弧和 故障节点组成，所述CN1的联合概率分布为：
[0029]
[0030] 每一个故障节点，在不同故障中，表现出不同的故障形式，对于具有m个故障形式 ，…的故障节点-的条件概率为：
[0031]
?·-'
[0032] 其中，Ω4⑶丨,…，⑶丨」，…，为链路节点，运用贝叶斯逆向推理可以计算 的后验概率：
[0033]
[0034] 优选地，所述的基于所述链路的独立度信息和后验故障概率信息获得链路风险优 先数因子CRPN数据和节点风险优先数因子NRPN，将所述CRPN数据和NRPN数据模糊化，得 到模糊链路风险优先数因子FCRPN和模糊节点风险优先数因子FNRPN数据，通过风险优先 数RPN公式得到模糊风险优先数值FRPN=FCRPN&FNRPN，包括：
[0035]CRPN包括：链路独立度0,故障难查度D，故障模式影响严重度S，其中D又包括误 报度Di，虚报度02和未报度D3,S包括安全性影响严重度Si，可靠性影响严重度SjP经济影 响严重度S3;
[0036] 将0、D、S、λ、ω的值限定在〇~1之间，D分为Di、D2、D3,对应的权值为λ2， ^的^^以^各自对应的权值为％^^，
[0037]贝丨JCRPN公式为：
[0038]
[0039] 其中j= 1，…，j是故障链路编号，1是故障链路总数；
[0040]NRPN公式为：
[0041]
[0042] 其中，i= 1，…，η是故障节点编号，η是故障节点总数。
[0043] 优选地，所述方法还包括：
[0044] 在所述CRPN和NRPN公式中，采用三角模糊法将所述CRPN数据和NRP