專利名稱：一種復雜裝備的事后維修故障分析方法
技術(shù)領(lǐng)域：
本發(fā)明屬于設(shè)備故障診斷與維修領(lǐng)域，具體涉及一種針對復雜裝備事后維修場合的故障分析方法，它可以組織復雜的故障知識，進行故障的原因分析，為現(xiàn)場維修提供決策。
背景技術(shù)：
重大復雜裝備展現(xiàn)了日益重要的作用，其故障停機將嚴重影響企業(yè)的生產(chǎn)效率， 給企業(yè)帶來巨大損失。因此，狀態(tài)監(jiān)測、故障診斷、可靠性分析、壽命預測、預防性維修等相關(guān)技術(shù)已成為復雜裝備的研究熱點。然而，由于高采集精度的要求與惡劣的工作環(huán)境、密集的數(shù)據(jù)集成要求與低信息化程度、高成本與低見效等諸多矛盾，這些基于實時傳感器數(shù)據(jù)的智能診斷與預測方法在實際應(yīng)用中鮮有成效，這導致了裝備不可避免的突發(fā)故障，而目前現(xiàn)場的故障診斷幾乎是通過人工經(jīng)驗判斷，設(shè)備停機時間長、診斷效果差。因此，構(gòu)建故障維護信息平臺發(fā)展設(shè)備的事后維修故障分析方法是實時監(jiān)控診斷技術(shù)實現(xiàn)前的必然過渡。事后維修場合的故障診斷技術(shù)少有人研究，故障樹分析(FTA)和失效模式與影響分析(FEMA)是其中經(jīng)典的分析方法，然而重大裝備一般是集機、電、液于一體的高度復雜設(shè)備，其故障受本身設(shè)計、裝配、環(huán)境和操作等多方面的影響，故障間的關(guān)系錯綜復雜，F(xiàn)TA 或FMEA方式已無法將其故障知識完全表達，而在故障分析方面，F(xiàn)MEA側(cè)重故障模式及其危害度等的描述難以用于診斷推理，而FTA側(cè)重薄弱環(huán)節(jié)研究且用于診斷時受故障樹準確性的影響較大。
發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種針對復雜裝備事后維修場合的故障分析方法，可以為重大裝備的事后診斷提供解決方案。實現(xiàn)本發(fā)明的目的所采用的具體技術(shù)方案如下一種復雜裝備事后維修的故障分析方法，具體包括如下步驟(1)根據(jù)對象或可視程度對故障的進行分類，將故障分為不同的類別；(2)構(gòu)建知識庫，包括構(gòu)建規(guī)則庫和歷史庫，具體為(2. 1)構(gòu)建規(guī)則庫首先，定義“規(guī)則體”為一個故障與對應(yīng)的原因故障及其CFi值構(gòu)成的向量空間， CFi值表示故障由該原因引起的概率，i = (1，2，. . .，η)，η為規(guī)則體的原因數(shù)，其次，通過規(guī)則體的映射就可以表達復雜裝備故障之間的多對多關(guān)聯(lián)關(guān)系，即形成規(guī)則庫；(2. 2)構(gòu)建歷史庫歷史庫保存復雜裝備的故障維修歷史記錄，一條歷史記錄稱為一個案例，具體為案例=(案例號，故障時刻，現(xiàn)象集，原因集，維修集)
(3)根據(jù)故障現(xiàn)象進行分析方法的配置(3. 1)根據(jù)多故障現(xiàn)象的特點劃分“診斷對象”；(3. 2)根據(jù)上述診斷對象的故障現(xiàn)象之間的子集關(guān)系確定配置樹的父子節(jié)點，一個診斷對象對應(yīng)一個配置樹節(jié)點，依次插入樹中，形成“配置樹”；(4)生成“故障鏈”和“故障圖”(4. 1)生成故障鏈根據(jù)知識庫中的規(guī)則體，找出每個故障現(xiàn)象對應(yīng)的原因故障， 接著找這些原因故障對應(yīng)的子原因故障，用節(jié)點表示原因故障，用有向邊表示原因故障之間的規(guī)則體映射關(guān)系，有向邊的權(quán)重為規(guī)則體的各原因概率值，如此循環(huán)，最終形成了每個故障現(xiàn)象的“故障鏈”；(4. 2)故障鏈“累積概率”計算故障鏈上各節(jié)點的“累積概率”表示故障現(xiàn)象由該節(jié)點代表的原因故障引起的概率值，征兆故障的累積概率設(shè)為1。從征兆故障出發(fā)沿著故障鏈逐個計算各原因故障的累積概率，假設(shè)一原因故障的累積概率為CFi,且該原因故障的規(guī)則體關(guān)聯(lián)到原因故障j的概率為CFU，則原因故障j的累積概率C。計算公式如下，
權(quán)利要求
1.一種復雜裝備事后維修的故障分析方法，具體包括如下步驟(1)根據(jù)對象或可視程度對故障的進行分類，對故障進行類別劃分，將故障分為不同的類別；(2)構(gòu)建知識庫，包括構(gòu)建規(guī)則庫和歷史庫，具體為 (2. 1)構(gòu)建規(guī)則庫首先，定義“規(guī)則體”為一個故障與對應(yīng)的原因故障及其CFi值構(gòu)成的向量空間，CFi值表示故障由該原因引起的概率，i = (1，2，. . .，η)，η為規(guī)則體的原因數(shù)；其次，通過規(guī)則體的映射就可以表達復雜裝備故障之間的多對多關(guān)聯(lián)關(guān)系，即形成規(guī)則庫；(2. 2)構(gòu)建歷史庫歷史庫保存復雜裝備的故障維修歷史記錄，一條歷史記錄稱為一個案例，一個案例中包括案例號，故障時刻，現(xiàn)象集，原因集以及維修集；(3)根據(jù)故障現(xiàn)象進行分析方法的配置(3. 1)根據(jù)多故障現(xiàn)象的特點劃分“診斷對象”；(3. 2)根據(jù)上述診斷對象的故障現(xiàn)象之間的子集關(guān)系確定配置樹的父子節(jié)點，一個診斷對象對應(yīng)一個配置樹節(jié)點，依次插入樹中，形成“配置樹”；(4)生成“故障鏈”和“故障圖”(4. 1)生成故障鏈根據(jù)知識庫中的規(guī)則體，找出每個故障現(xiàn)象對應(yīng)的原因故障，接著找這些原因故障對應(yīng)的子原因故障，用節(jié)點表示原因故障，用有向邊表示原因故障之間的規(guī)則體映射關(guān)系，有向邊的權(quán)重為規(guī)則體的各原因概率值，如此循環(huán)，最終形成了每個故障現(xiàn)象的“故障鏈”；(4. 2)故障鏈“累積概率”計算故障鏈上各節(jié)點的“累積概率”表示故障現(xiàn)象由該節(jié)點代表的原因故障引起的概率值， 從征兆故障出發(fā)沿著故障鏈逐個計算各原因故障的累積概率；(4. 3)根據(jù)診斷對象構(gòu)建“故障圖”，即對任一診斷對象，將其對應(yīng)的故障鏈的重合原因故障合并，累積概率相加，即構(gòu)成該診斷對象的“故障圖”；(5)根據(jù)劃分的診斷對象，利用多個故障分析算法分別進行故障分析；(6)多種故障分析算法的原因融合，具體為(6. 1)根據(jù)所述配置樹，對每個節(jié)點即診斷對象進行融合； (6. 2)配置樹逐級向上，將相同父節(jié)點的兄弟節(jié)點結(jié)果進行融合； (6. 3)將步驟(6. 2)的子節(jié)點融合結(jié)果與其父節(jié)點相融合；(6. 4)逐級向上融合至配置樹的根節(jié)點，獲得融合后的各原因故障概率，得到故障分析結(jié)果，完成裝備的故障分析。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟(5)中，所述故障分析算法包括基于RBR的故障分析算法、基于神經(jīng)網(wǎng)絡(luò)的故障分析算法、基于相似案例的故障分析算法和基于故障維修歷史記錄與故障圖相結(jié)合的故障分析算法。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于RBR的故障分析算法具體為 (5. 1. 1)確定故障圖及其最大步長數(shù)，其中故障圖的最大步長數(shù)與故障圖的節(jié)點數(shù)相等；(5. 1.2)將故障圖中的節(jié)點進行編號，定義矩陣A1=( )_，其中η為故障圖中的節(jié)點數(shù)，表示故障圖中節(jié)點χ到節(jié)點y的有向邊的規(guī)則體概率值，若無該有向邊概率值則為 0,定義 axx = 0, i = 1, 2, · · · , η ；(5. 1. 3)計算不大于η步概率可達矩陣A
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于神經(jīng)網(wǎng)絡(luò)的故障分析算法具體為(5. 2. 1)確定故障圖和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)根據(jù)故障圖的多條故障鏈，構(gòu)建多征兆故障代表的BP神經(jīng)網(wǎng)絡(luò)輸入層，和所有不包括功能故障的子原因故障代表的BP神經(jīng)網(wǎng)絡(luò)輸出層； (5. 2. 2)神經(jīng)網(wǎng)絡(luò)訓練首先，確定訓練樣本，一個征兆故障對應(yīng)這樣一個訓練樣本在輸入層，該征兆故障代表的輸入節(jié)點置為0. 99，其余輸入節(jié)點為0. 01，輸出為該征兆故障對應(yīng)故障鏈的原因故障的累積概率，故障鏈上未有的原因故障對應(yīng)輸出節(jié)點置為0，訓練樣本數(shù)與征兆故障數(shù)相等；然后，設(shè)置學習速率Π =0.2，權(quán)值收斂因子ξ =0.05，誤差收斂因子β =0.1，迭代次數(shù)2000，以隨機數(shù)初始化各權(quán)值、閾值，變換函數(shù)采用Sigmoid函數(shù)； 利用上述訓練條件對樣本進行訓練，獲得訓練后的BP神經(jīng)網(wǎng)絡(luò)； (5. 2. 3)神經(jīng)網(wǎng)絡(luò)計算訓練后的BP神經(jīng)網(wǎng)絡(luò)將其輸入層全部結(jié)點置為0. 99，輸出層各節(jié)點即為是對應(yīng)原因故障的概率值；(5. 2. 4)將神經(jīng)網(wǎng)絡(luò)計算輸出歸一化，即得到基于神經(jīng)網(wǎng)絡(luò)的故障分析結(jié)果。
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于神經(jīng)網(wǎng)絡(luò)的故障分析算法具體為(5. 3. 1)在歷史庫中查找故障集含有當前故障現(xiàn)象的案例集； (5. 3. 2)求將選出案例集的原因集的并集，將其作為備選原因集； (5. 3. 3)依次計算當前故障現(xiàn)象與選出案例的“相似度”，相似度定義為故障現(xiàn)象交集數(shù)與故障現(xiàn)象并集數(shù)的比值，再將相似度累加到備選原因集中相應(yīng)的原因概率；(5. 3. 4)將備選原因集對應(yīng)的原因概率歸一化，即得到基于相似案例的故障分析結(jié)果。
6.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于故障維修歷史記錄與故障圖相結(jié)合的故障分析方法具體為(5. 4. 1)確定故障圖并對故障圖各節(jié)點定義“潛在概率”，其中初始值為零； (5. 4. 2)從歷史庫中取近一段時間的故障維修歷史記錄，按故障時間逐條讀取； (5. 4. 3)根據(jù)當前記錄的原因故障集構(gòu)建“反故障圖”，即從該原因故障集出發(fā)尋找其可能引發(fā)的后果故障形成的故障圖；(5. 4. 4)將上述的反故障圖與當前構(gòu)建的故障圖進行比較，若有重合的原因故障，將反故障圖中該原因故障的累積概率累加到故障圖的潛在概率；再將故障圖中當前記錄的原因集所含的原因故障對應(yīng)的潛在概率置為0。(5. 4. 5)逐條讀取歷史記錄，原故障圖中的原因故障就分別對應(yīng)一個“潛在概率”，將除功能故障外的其他故障對應(yīng)的潛在概率歸一化，即得到原因故障及概率結(jié)果。
7.根據(jù)權(quán)利要求1-6之一所述的方法，其特征在于，所述步驟(4. 中，所述累積概率計算具體為設(shè)定征兆故障的累積概率設(shè)為1，一原因故障的累積概率為CFi,且該原因故障的規(guī)則體關(guān)聯(lián)到原因故障j的概率為CFU，則原因故障j的累積概率C。計算公式如下，
8.根據(jù)權(quán)利要求1-7之一所述的方法，其特征在于，所述的故障類別根據(jù)故障對象的不同，分為結(jié)構(gòu)故障，功能故障和外界故障；根據(jù)可視程度分為征兆故障和隱藏故障。
全文摘要
本發(fā)明公開了一種復雜裝備事后維修的故障分析方法，具體包括(1)根據(jù)對象或可視程度對故障的進行分類，將故障分為不同的類別(2)構(gòu)建知識庫，包括構(gòu)建規(guī)則庫和歷史庫，(3)根據(jù)故障現(xiàn)象進行分析方法的配置(4)生成“故障鏈”和“故障圖”(5)根據(jù)劃分的診斷對象，利用故障分析算法分別進行故障分析(6)多種故障分析算法的原因融合。本發(fā)明的故障分析方法能夠適合不同的故障情形，并通過故障現(xiàn)象和配置情況從規(guī)則庫中構(gòu)建“故障鏈”，多條故障鏈可構(gòu)成復合故障的“故障圖”；再根據(jù)配置情況，不同故障現(xiàn)象集用不同分析方法分別診斷分析，得到相應(yīng)的故障原因及其概率，為重大裝備的事后診斷提供解決方案。
文檔編號G06N3/08GK102496028SQ20111035961
公開日2012年6月13日 申請日期2011年11月14日 優(yōu)先權(quán)日2011年11月14日
發(fā)明者吳軍, 熊堯, 王遠航, 鄧超, 邵新宇 申請人:華中科技大學