模块化复杂装备贝叶斯网络故障预测方法技术

本发明专利技术公开了一种模块化复杂装备贝叶斯网络故障预测方法，用于解决现有装备故障预测方法实用性差的技术问题。技术方案是首先根据部件之间的物理边界和实际需要对复杂装备进行分解，模块化；其次，对复杂装备的各模块利用不同建模方法建立其FPBN模型，并对各模块的模型进一步修正以使各模型模块化形成故障预测贝叶斯网络模块；然后，集成各FPBNM以建立整个复杂装备系统的FPBN集成模型；最终，基于建立的故障预测集成模型，以检测信息为驱动，利用概率论公式预测装备的实际运行状态。由于该方法以模块化和贝叶斯网络为基础，面向复杂装备维护保障，能够快速准确的预测复杂装备时间状态，有效提高维修效率、降低维修成本，实用性强。

【技术实现步骤摘要】
模块化复杂装备贝叶斯网络故障预测方法
本专利技术涉及一种装备故障预测方法，特别是涉及一种模块化复杂装备贝叶斯网络故障预测方法。
技术介绍
文献“蔡志强,孙树栋,司书宾,等.基于FMECA的复杂装备故障预测贝叶斯网络建模[J].系统工程理论与实践,2013,33(1):187-193.”公开了一种基于故障模式、影响及危害性分析(failuremode,effectsandcriticalityanalysis,FMECA)知识的故障预测贝叶斯网络模型建模方法。该方法在分析现有FMECA知识所包含故障信息的基础上，提出了基于FMECA单元的故障预测贝叶斯网络(failurepredictionBayesiannetwork,FPBN)网络结构转化方法和FPBN概率参数计算方法，建立起对应的FPBN单元模型。然后，对复杂装备各组成部分对应的FPBN单元模型进行连接，构建整体系统的FPBN集成模型。最后，基于FMECA知识建立的FPBN模型具有不确定性表达和定量分析方法的优势，能够准确、有效的进行复杂装备故障预测。2012年授权的专利ZL201010227907.4公开了一种专利技术名称为“一种基于故障树信息的设备状态预测方法”，该方法综合利用故障树信息和外部检测现象建立故障预测模型，用于预测装备的实时运行状态。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装备的实际运行状态。但是现有故障知识和故障数据由于受各方面条件的限制，不可能覆盖整个复杂装备的所有层次，所以基于专家、基于知识或基于数据的单一方法无法解决复杂装备的故障预测问题。必须将基于专家、基于知识和基于数据所构建的各部分FPBN模型结合起来，为系统整体故障预测推理提供支持。
技术实现思路
为了克服现有装备故障预测方法实用性差的不足，本专利技术提供一种模块化复杂装备贝叶斯网络故障预测方法。该方法首先根据部件之间的物理边界和实际需要对复杂装备进行分解，模块化；其次，对复杂装备的各模块利用不同建模方法建立其FPBN模型，并对各模块的模型进一步修正以使各模型模块化形成故障预测贝叶斯网络模块；然后，集成各FPBNM以建立整个复杂装备系统的FPBN集成模型；最终，基于建立的故障预测集成模型，以检测信息为驱动，利用概率论公式预测装备的实际运行状态，可以提高复杂装备故障预测方法的实用性。本专利技术解决其技术问题所采用的技术方案是：一种模块化复杂装备贝叶斯网络故障预测方法，其特点是采用以下步骤：步骤一、根据部件之间的物理边界和实际故障预测对象将复杂装备系统分解成多个独立而又相互关联的子模块；步骤二、利用不同的FPBN建模方法对复杂装备各模块的所有故障模式独立建模，建立起各模块的故障模式对应的FPBN模型；步骤三、对各FPBN模型进行修正；(1)冲突节点修正。对于同一故障模式及故障原因节点，由于某FPBN模型中的故障模式节点Mj可能是其它复杂装备模块对应FPBN模型的故障原因节点Ci，即Mj＝Ci，在此情况下，考虑以故障模式节点Mj为核心，将其它FPBN模型中故障原因节点Ci的父节点加入到故障模式节点Mj的父节点集合，并删除故障原因节点Ci与父节点间的关联关系。修正过的FPBN模型既保留了原有模型包含的关联关系，又解决了父节点冲突的问题。对于同一故障原因与故障原因节点，由于某FPBN模型中的故障原因节点Ci可能与其它复杂装备模块对应FPBN模型的故障原因节点Cj为同一个变量，即Ci＝Cj，在此情况下，考虑重新建立一个以Ci和Cj对应变量为故障模式节点Mk的FPBN模型，将两个原始模型中Ci和Cj的父节点加入到故障模式节点Mk的父节点集合，并删除故障原因节点Ci和Cj与父节点间的关联关系，以解决父节点冲突的问题。对于同一故障检测与故障检测节点，由于FPBN模型中的故障检测节点Ei可能与其他FPBN模型的故障检测节点Ej为同一个变量，即Ei＝Ej。此时，重新建立一个以Ei和Ej对应变量为故障检测节点Ek的FPBN模型，将两个原始模型中Ei和Ej的父节点加入到故障检测节点Ek的父节点集合，并删除故障检测节点Ei和Ej与父节点间的关联关系。(2)冗余节点修正。当在多个模型中存在冗余节点，即不同FPBN中的Ci与Cj为同一个变量且均无父节点时，考虑重新建立一个以Ci和Cj对应变量为故障模式节点Mk的新FPBN模型。同时，为了确保Mk在FPBN模型中不为独立节点，为其加上一个虚拟故障原因节点Cl。(3)独立节点修正。对于FPBN中存在的独立节点，由于其状态的变化不会影响到模型中其他节点的后验概率。因此，将FPBN中的独立节点直接删除。步骤四、对FPBN模块化处理以形成FPBNM，把模块中除了与其他模块相连的共享输入节点、共享输出节点以外的其他全部节点封装起来，用一个代表整个模块的高级节点G表示，形成FPBNM的高级节点模式。(1)故障模式节点：如果故障模式节点在其他FPBN模型中还存在子节点，将其映射为FPBNM中的共享输出节点；若该故障模式节点在其他FPBN模型中没有子节点，则将其映射为FPBNM中的直接输出节点；(2)故障检测节点：故障检测节点只能映射为FPBNM中的直接输出节点。(3)FPBN模型中的故障原因节点情况比较复杂，具体映射规则如下：若该故障原因节点在FPBN外没有父子节点，在FPBN内部只有父节点，则可以映射为FPBNM中的直接输出节点。若该故障原因节点在FPBN外没有父子节点，但在FPBN内部同时具有父子节点，则可以映射为FPBNM中的内部节点。若该故障原因节点在FPBN外没有父节点，但在FPBN内部只有子节点，则可以映射为FPBNM中的直接输入节点。若该故障原因节点在FPBN外至少有一个父节点，且在FPBN内部只存在子节点，则可以映射为FPBNM中的共享输入节点。(4)FPBNM中的有向边连接关系与FPBN保持一致；(5)FPBNM中的先验概率及条件概率分布与FPBN中对应参数保持一致。步骤五、将FPBNM集成，或者将模块中的节点全部封装起来，用一个代表整个模块的超级节点S表示，多个超级节点进行进一步封装；确定系统顶层故障模式，在复杂装备FPBNM集合中搜索对应的模块，作为顶层FPBNM；搜索以顶层FPBNM中共享输入节点为共享输出节点的所有FPBNM，作为中间层FPBNM；根据搜索到的所有中间层FPBNM，进一步搜索以其共享输入节点为共享输出节点的所有FPBNM，作为其他中间层FPBNM；依次向下层搜索，直到搜索到的FPBNM中没有任何共享输入节点，作为底层FPBNM；以所有底层FPBNM为基础，进一步搜索所有以其共享输出节点为共享输入节点、且尚未在被搜索到的其它FPBNM，作为中间层FPBNM；依次向上层搜索，直到搜索到的FPBNM中没有任何共享输出节点，作为中间层FPBNM；从共享输出节点SOi分别向其他FPBNM中与其匹配共享输入节点SIj引入有向边，SIj的条件概率分布为P(SIj/SOi)＝P(SOi)，即二者分布概率永远同步；FPBN集成模型本文档来自技高网...

【技术保护点】
一种模块化复杂装备贝叶斯网络故障预测方法，其特征在于包括以下步骤：步骤一、根据部件之间的物理边界和实际故障预测对象将复杂装备系统分解成多个独立而又相互关联的子模块；步骤二、利用不同的FPBN建模方法对复杂装备各模块的所有故障模式独立建模，建立起各模块的故障模式对应的FPBN模型；步骤三、对各FPBN模型进行修正；(1)冲突节点修正；对于同一故障模式及故障原因节点，由于某FPBN模型中的故障模式节点Mj可能是其它复杂装备模块对应FPBN模型的故障原因节点Ci，即Mj＝Ci，在此情况下，考虑以故障模式节点Mj为核心，将其它FPBN模型中故障原因节点Ci的父节点加入到故障模式节点Mj的父节点集合，并删除故障原因节点Ci与父节点间的关联关系；修正过的FPBN模型既保留了原有模型包含的关联关系，又解决了父节点冲突的问题；对于同一故障原因与故障原因节点，由于某FPBN模型中的故障原因节点Ci可能与其它复杂装备模块对应FPBN模型的故障原因节点Cj为同一个变量，即Ci＝Cj，在此情况下，考虑重新建立一个以Ci和Cj对应变量为故障模式节点Mk的FPBN模型，将两个原始模型中Ci和Cj的父节点加入到故障模式节点Mk的父节点集合，并删除故障原因节点Ci和Cj与父节点间的关联关系，以解决父节点冲突的问题；对于同一故障检测与故障检测节点，由于FPBN模型中的故障检测节点Ei可能与其他FPBN模型的故障检测节点Ej为同一个变量，即Ei＝Ej；此时，重新建立一个以Ei和Ej对应变量为故障检测节点Ek的FPBN模型，将两个原始模型中Ei和Ej的父节点加入到故障检测节点Ek的父节点集合，并删除故障检测节点Ei和Ej与父节点间的关联关系；(2)冗余节点修正；当在多个模型中存在冗余节点，即不同FPBN中的Ci与Cj为同一个变量且均无父节点时，考虑重新建立一个以Ci和Cj对应变量为故障模式节点Mk的新FPBN模型；同时，为了确保Mk在FPBN模型中不为独立节点，为其加上一个虚拟故障原因节点Cl；(3)独立节点修正；对于FPBN中存在的独立节点，由于其状态的变化不会影响到模型中其他节点的后验概率；因此，将FPBN中的独立节点直接删除；步骤四、对FPBN模块化处理以形成FPBNM，把模块中除了与其他模块相连的共享输入节点、共享输出节点以外的其他全部节点封装起来，用一个代表整个模块的高级节点G表示，形成FPBNM的高级节点模式；(1)故障模式节点：如果故障模式节点在其他FPBN模型中还存在子节点，将其映射为FPBNM中的共享输出节点；若该故障模式节点在其他FPBN模型中没有子节点，则将其映射为FPBNM中的直接输出节点；(2)故障检测节点：故障检测节点只能映射为FPBNM中的直接输出节点；(3)FPBN模型中的故障原因节点情况比较复杂，具体映射规则如下：若该故障原因节点在FPBN外没有父子节点，在FPBN内部只有父节点，则可以映射为FPBNM中的直接输出节点；若该故障原因节点在FPBN外没有父子节点，但在FPBN内部同时具有父子节点，则可以映射为FPBNM中的内部节点；若该故障原因节点在FPBN外没有父节点，但在FPBN内部只有子节点，则可以映射为FPBNM中的直接输入节点；若该故障原因节点在FPBN外至少有一个父节点，且在FPBN内部只存在子节点，则可以映射为FPBNM中的共享输入节点；(4)FPBNM中的有向边连接关系与FPBN保持一致；(5)FPBNM中的先验概率及条件概率分布与FPBN中对应参数保持一致；步骤五、将FPBNM集成，或者将模块中的节点全部封装起来，用一个代表整个模块的超级节点S表示，多个超级节点进行进一步封装；确定系统顶层故障模式，在复杂装备FPBNM集合中搜索对应的模块，作为顶层FPBNM；搜索以顶层FPBNM中共享输入节点为共享输出节点的所有FPBNM，作为中间层FPBNM；根据搜索到的所有中间层FPBNM，进一步搜索以其共享输入节点为共享输出节点的所有FPBNM，作为其他中间层FPBNM；依次向下层搜索，直到搜索到的FPBNM中没有任何共享输入节点，作为底层FPBNM；以所有底层FPBNM为基础，进一步搜索所有以其共享输出节点为共享输入节点、且尚未在被搜索到的其它FPBNM，作为中间层FPBNM；依次向上层搜索，直到搜索到的FPBNM中没有任何共享输出节点，作为中间层FPBNM；从共享输出节点SOi分别向其他FPBNM中与其匹配共享输入节点SIj引入有向边，SIj的条件概率分布为P(SIj/SOi)＝P(SOi)，即二者分布概率永远同步；FPBN集成模型中非共享输入节点的先验概率及条件概率分布与各原始FPBNM集合保持一致；步骤六、基于复杂装备的集成模型，综合采用完整节点模式和超级节点模式的推理算法计算出复杂装备系统各故障模式发生的后验概率，...

【技术特征摘要】
1.一种模块化复杂装备贝叶斯网络故障预测方法，其特征在于包括以下步骤：步骤一、根据部件之间的物理边界和实际故障预测对象将复杂装备系统分解成多个独立而又相互关联的子模块；步骤二、利用不同的FPBN建模方法对复杂装备各模块的所有故障模式独立建模，建立起各模块的故障模式对应的FPBN模型；步骤三、对各FPBN模型进行修正；(1)冲突节点修正；对于同一故障模式及故障原因节点，由于某FPBN模型中的故障模式节点Mj可能是复杂装备其它模块对应FPBN模型的故障原因节点Ci，即Mj＝Ci，在此情况下，以故障模式节点Mj为核心，将其它FPBN模型中故障原因节点Ci的父节点加入到故障模式节点Mj的父节点集合，并删除故障原因节点Ci与父节点间的关联关系；修正过的FPBN模型既保留了原有模型包含的关联关系，又解决了父节点冲突的问题；对于同一故障原因与故障原因节点，由于某FPBN模型中的故障原因节点Ci可能与复杂装备其它模块对应FPBN模型的故障原因节点Cj为同一个变量，即Ci＝Cj，在此情况下，重新建立一个以Ci和Cj对应变量为故障模式节点Mk的FPBN模型，将两个原始模型中Ci和Cj的父节点加入到故障模式节点Mk的父节点集合，并删除故障原因节点Ci和Cj与父节点间的关联关系，以解决父节点冲突的问题；对于同一故障检测与故障检测节点，由于FPBN模型中的故障检测节点Ei可能与其他FPBN模型的故障检测节点Ej为同一个变量，即Ei＝Ej；此时，重新建立一个以Ei和Ej对应变量为故障检测节点Ek的FPBN模型，将两个原始模型中Ei和Ej的父节点加入到故障检测节点Ek的父节点集合，并删除故障检测节点Ei和Ej与父节点间的关联关系；(2)冗余节点修正；当在多个模型中存在冗余节点，即不同FPBN中的Ci与Cj为同一个变量且均无父节点时，重新建立一个以Ci和Cj对应变量为故障模式节点Mk的新FPBN模型；同时，为了确保Mk在FPBN模型中不为独立节点，为其加上一个虚拟故障原因节点Cl；(3)独立节点修正；对于FPBN中存在的独立节点，由于其状态的变化不会影响到模型中其他节点的后验概率；因此，将FPBN中的独立节点直接删除；步骤四、对FPBN模块化处理以形成FPBNM，把模块中除了与其他模块相连的共享输入节点、共享输出节点以外的其他全部节点封装起来，用一个代表整个模块的高级节点G表示，形成FPBNM的高级节点...

【专利技术属性】
技术研发人员：蔡志强，司伟涛，司书宾，张帅，李淑敏，王宁，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61