基于多态故障树的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基于多态故障树的贝叶斯网络故障预测方法，用于解决现有贝叶斯网络故障预测方法由于建模困难而导致应用范围小的技术问题。技术方案是该方法首先确定需要预测的系统故障模式，然后根据已知的故障树所有底事件的先验概率确定FPBN中的对应根节点的先验概率分布。对于多态故障树中存在的故障检测事件，对FPBN模型中的相关节点进行进一步修正，并更新对应节点的先验概率和条件概率分布；最后，基于建立的故障预测模型求出所要预测的故障模式处于各个状态的概率来进行故障预测。该方法在多态故障树基本描述能力的基础上进行扩展，并融合FPBN的优点，使其突破多态故障树的局限，扩大了FPBN的应用范围。

【技术实现步骤摘要】
基于多态故障树的贝叶斯网络故障预测方法
本专利技术涉及一种贝叶斯网络故障预测方法，特别是涉及一种基于多态故障树的贝叶斯网络故障预测方法。
技术介绍
文献1“CaiZ,SunS,SiS,etal.ResearchoffailurepredictionBayesiannetworkmodel[C]//IndustrialEngineeringandEngineeringManagement,2009.IE&EM'09.16thInternationalConferenceon.IEEE,2009:2021-2025.”公开了一种故障预测贝叶斯网络方法(failurepredictionBayesiannetwork,FPBN)。该方法首先定义了一种故障预测贝叶斯网络模型(failurepredictionBayesiannetwork,FPBN)，然后对于所要预测的故障系统按照FPBN的定义一一进行转化，最后利用FPBN计算出该系统处于各个故障模式的概率从而进行故障预测。该方法将故障检测信息引入故障预测过程，并通过机载变流器故障预测案例验证了该方法的有效性。但是，由于系统内各部件相互关联、相互影响，形成错综复杂的故障因果关系，所以系统向FPBN转化建模的过程比较困难以致于该方法应用受限。文献2“授权公告号是CN101950327B的中国专利技术专利”公开了一种基于故障树信息的设备状态预测方法。该方法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。该专利技术解决了基于二态故障树的FPBN故障预测问题。但在实际中经常遇到具有多种故障模式和不同故障程度的元件组成的系统，基于元件和系统二态假设的故障诊断方法无法对多态系统进行分析。
技术实现思路
为了克服现有贝叶斯网络故障预测方法由于建模困难而导致应用范围小的不足，本专利技术提供一种基于多态故障树的贝叶斯网络故障预测方法。该方法首先确定需要预测的系统故障模式，并从多态故障树信息中搜索以该故障模式为顶事件的故障树模型，再将故障树模型中的基本事件、基本逻辑关系向FPBN模型进行转化；然后根据已知的故障树所有底事件的先验概率确定FPBN中的对应根节点的先验概率分布，并根据各事件间的关联关系求出中间节点和故障模式节点的条件概率分布。对于多态故障树中存在的故障检测事件，对FPBN模型中的相关节点进行进一步修正，并更新对应节点的先验概率和条件概率分布；最后，基于建立的故障预测模型求出所要预测的故障模式处于各个状态的概率来进行故障预测。该方法在多态故障树基本描述能力的基础上进行扩展，并融合FPBN的优点，强调概率论和关联关系的表达，使其突破多态故障树的局限，扩大了FPBN的应用范围。本专利技术解决其技术问题所采用的技术方案是：一种基于多态故障树的贝叶斯网络故障预测方法，其特点是采用以下步骤：步骤一、确定需要预测的系统故障模式M，并从多态故障树信息中搜索以该故障模式为顶事件的故障树模型F。针对系统故障模式M，首先在多态故障树信息中找到与M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。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。步骤二、将多态故障树模型F中所有事件集合T转换成FPBN中相应的故障模式变量M、故障传递变量集合D和故障原因变量集合C。对于顶事件，建立对应的故障模式变量M；对于中间事件，分别建立对应的故障传递变量集合D＝{D1,D2,…,Dj,…Dm}；对于底事件，分别为其建立对应的故障原因变量集合C＝{C1,C2,…,Ck,…,Cl}。假设某多态事件Ti除正常状态之外还有m个故障状态，其对应的多个二态事件集合为{Ti1,Ti2,...,Tim}，则在FPBN中对应节点Xi的可行状态取值如式(1)所示。步骤三、根据多态故障树模型F中的逻辑门L识别出FPBN模型中变量节点间的结构关系集合J。故障树模型中的逻辑门主要分为四种。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，对于一个具有n个多态子事件的与门，其逻辑表达式为Tiw＝T1x&&T2y...&&Tnz；或门表示只要有任何一个子事件发生，父事件就会发生，对于一个具有n个多态子事件的或门，逻辑表达式为Tiw＝T1x||T2y...||Tnz。；非门表示子事件不发生时，父事件反而发生的逻辑关系，对于一个具有多态子事件的非门，其逻辑表达式为Tiw＝！T1x；表决门表示表示在n个子事件中需要至少有l个同时发生时，父事件才会发生。与上述四种逻辑门对应的FPBN节点变量的关联关系识别方法如式(3)所示。其中，π(Dj)表示在逻辑门中与父事件变量Dj对应的其它子事件变量集合；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；表示π(Dj)中的变量与Dj呈现反联结构关系；表示π(Dj)中的变量与Dj呈现多连结构关系。步骤四、根据多态故障树模型中F的底事件可靠性分布函数确定FPBN模型中对应根节点的先验概率分布。步骤五、根据各逻辑门表达的逻辑关系，确定FPBN中的其它节点的条件概率分布。如果父事件是多态事件，根据其所有二态条件概率计算公式，合并形成对应父节点的完整条件概率分布。当变量Dj的结构关系Jj显示π(Dj)中变量为并联结构关系，即时，Dj的条件概率分布如式(4)所示。当变量Dj的结构关系Jj显示π(Dj)中变量为串联结构关系，即时，Dj的条件概率分布如式(5)所示。当变量Dj的结构关系Jj显示π(Dj)中变量与Dj为反联结构关系，即时，Dj的条件概率分布如式(6)所示。当变量Dj的结构关系Jj显示π(Dj)中变量为多联结构关系，即时，Dj的条件概率分布如式(7)所示。其中，B(Xi＝w)为布尔数值转换函数，即当Xi＝w时，其值为1。步骤六、对于多态故障树中存在的故障检测事件E，按照规则对相关节点进行进一步修正，并更新对应节点的先验概率和条件概率分布。(1)单子事件故障检测事件。对于单子事件故障检测事件，须先按基本逻辑关系转化，然后在对应的FPBN模型中将表示因果关系的有向边反向，即由故障模式节点Xi指向故障检测节点X1。此情况下故障模式对应的先验概率分布如式(9)所示，其故障检测节点对应的条件概率分布如式(10)所示。(2)混合子事件故障检测事件。对于混合子事件故障检测事件，须先按基本逻辑关系转化，然后引入潜在故障原因节点Xp用于表示引起故障模式父节点发生的真实原因，并用其替换原来的故障检测节点。同时，从该节点向原始故障检测节点发出有向边，建立起潜在故障原因节点Xp与故障检测节点间的因果关系，表示该潜在故障原因将会导致的故障检测信息发生变化。在修正后的FPBN模型中，故障模式节点的条件概率分布及其它故障原因节点的先验概率分布均保持不变，新增的潜在故障原因节点的先验概率与FTA中故障检测事件的先验本文档来自技高网...

【技术保护点】
一种基于多态故障树的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、确定需要预测的系统故障模式M，并从多态故障树信息中搜索以该故障模式为顶事件的故障树模型F；针对系统故障模式M，首先在多态故障树信息中找到与M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；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；步骤二、将多态故障树模型F中所有事件集合T转换成FPBN中相应的故障模式变量M、故障传递变量集合D和故障原因变量集合C；对于顶事件，建立对应的故障模式变量M；对于中间事件，分别建立对应的故障传递变量集合D＝{D1,D2,…,Dj,…Dm}；对于底事件，分别为其建立对应的故障原因变量集合C＝{C1,C2,…,Ck,…,Cl}；假设某多态事件Ti除正常状态之外还有m个故障状态，其对应的多个二态事件集合为{Ti1,Ti2,...,Tim}，则在FPBN中对应节点Xi的可行状态取值如式(1)所示；步骤三、根据多态故障树模型F中的逻辑门L识别出FPBN模型中变量节点间的结构关系集合J；故障树模型中的逻辑门主要分为四种；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，对于一个具有n个多态子事件的与门，其逻辑表达式为Tiw＝T1x&&T2y...&&Tnz；或门表示只要有任何一个子事件发生，父事件就会发生，对于一个具有n个多态子事件的或门，逻辑表达式为Tiw＝T1x||T2y...||Tnz；；非门表示子事件不发生时，父事件反而发生的逻辑关系，对于一个具有多态子事件的非门，其逻辑表达式为Tiw＝！T1x；表决门表示表示在n个子事件中需要至少有l个同时发生时，父事件才会发生；与上述四种逻辑门对应的FPBN节点变量的关联关系识别方法如式(3)所示；其中，π(Dj)表示在逻辑门中与父事件变量Dj对应的其它子事件变量集合；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；表示π(Dj)中的变量与Dj呈现反联结构关系；表示π(Dj)中的变量与Dj呈现多连结构关系；步骤四、根据多态故障树模型中F的底事件可靠性分布函数确定FPBN模型中对应根节点的先验概率分布；步骤五、根据各逻辑门表达的逻辑关系，确定FPBN中的其它节点的条件概率分布；如果父事件是多态事件，根据其所有二态条件概率计算公式，合并形成对应父节点的完整条件概率分布；当变量Dj的结构关系Jj显示π(Dj)中变量为并联结构关系，即时，Dj的条件概率分布如式(4)所示；P(Xi=w|X1,X2,...,Xn)=0,else1,(X1=x,X2=y,...,Xn=z)---(4)]]>当变量Dj的结构关系Jj显示π(Dj)中变量为串联结构关系，即时，Dj的条件概率分布如式(5)所示；P(Xi=w|X1,X2,...,Xn)0,(X1≠x,X2≠y,...,Xn≠z)1,else---(5)]]>当变量Dj的结构关系Jj显示π(Dj)中变量与Dj为反联结构关系，即时，Dj的条件概率分布如式(6)所示；P(Xi=w|X1)=0,X1=x1,else---(6)]]>当变量Dj的结构关系Jj显示π(Dj)中变量为多联结构关系，即时，Dj的条件概率分布如式(7)所示；P(Xi=w|X1,X2,...,Xn)=0,else1,(B(X1=x)+B(X2=y)+...+B(Xn=z))≥l---(7)]]>其中，B(Xi＝w)为布尔数值转换函数，即当Xi＝w时，其值为1；步骤六、对于多态故障树中存在的故障检测事件E，按照规则对相关节点进行进一步修正，并更新对应节点的先验概率和条件概率分布；(1)单子事件故障检测事件；对于单子事件故障检测事件，须先按基本逻辑关系转化，然后在对应的FPBN模型中将表示因果关系的有向边反向，即由故障模式节点Xi指向故障检测节点X1；此情况下故障模式对应的先验概率分布如式(9)所示，其故障检测节点对应的条件概率分布如式(10)所示；P(Xi)=Σj=1mP(X1=j)P(Xi|X1=j)---(9)]]>P(X1|Xi)=P(X1)P(Xi|X1)P(Xi)---(10)]]>(2)混合子事件故障检测事件；对于混合子事件故障检测事件，须先按基本逻辑关系转化，然后引入潜在故障原因节点Xp用于表示引起故障模式父节点发生的真实原因，并用其替换原来的故障检测节点；同时，从该节点向原始故障检测节点发出有向边，建立起潜在故障原因节点Xp与故障检测节点间的因果关系，表示该潜在故障原因将会导致的故障检测...

【技术特征摘要】
1.一种基于多态故障树的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、确定需要预测的系统的故障模式变量M，并从多态故障树信息中搜索以该故障模式为顶事件的故障树模型G；针对系统的故障模式变量M，首先在多态故障树信息中找到与M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；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；步骤二、将多态故障树模型G中所有事件集合T转换成FPBN中相应的故障模式变量M、故障传递变量集合D和故障原因变量集合C；对于顶事件，建立对应的故障模式变量M；对于中间事件，分别建立对应的故障传递变量集合D＝{D1,D2,…,Dj,…Dr}；对于底事件，分别为其建立对应的故障原因变量集合C＝{C1,C2,…,Ck,…,Cl}；假设某多态事件Ti除正常状态之外还有m个故障状态，其对应的多个二态事件集合为{Ti1,Ti2,...,Tim}，则在FPBN中对应节点Xi的可行状态取值如式(1)所示；步骤三、根据多态故障树模型G中的逻辑门L识别出FPBN模型中变量节点间的结构关系集合J；故障树模型中的逻辑门主要分为四种；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，对于一个具有n个多态子事件的与门，其逻辑表达式为Tiw＝T1x&&T2y...&&Tnz；或门表示只要有任何一个子事件发生，父事件就会发生，对于一个具有n个多态子事件的或门，逻辑表达式为Tiw＝T1x||T2y...||Tnz；非门表示子事件不发生时，父事件反而发生的逻辑关系，对于一个具有多态子事件的非门，其逻辑表达式为Tiw＝！T1x；表决门表示表示在n个子事件中需要至少有l个同时发生时，父事件才会发生；与上述四种逻辑门对应的FPBN节点变量的关联关系识别方法如式(3)所示；其中，π(Dj)表示在逻辑门中与父事件变量Dj对应的其它子事件变量集合；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；表示π(Dj)中的变量与Dj呈现反联结构关系；表示π(Dj)中的变量与Dj呈现多连结构关系；步骤四、根据多态故障树模型中F的底事件可靠性分布函数确定FPBN模型中对应根节点的先验概率分布；步骤五、根据各逻辑门表达的逻辑关系，确定FPBN中的其它节点的条件概率分布；如果父事件是多态事件，根据其所有二态条件概率计算公式，合并形成对应父节点的完整条件概率分布；当变量Dj的结构关系Jj显示π(Dj)中变量为并联结构关系，即时，Dj的条件概率分布如式(4)所示；

【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