一种确定元件故障概率变化趋势的方法技术

本发明专利技术公开了一种确定元件故障概率的方法，其特征在于，为了解元件工作环境因素对元件故障概率的影响，在离散型空间故障树(DSFT)概念下，提出了使用神经网络(ANN)确定元件故障概率空间分布的方法；其包括如下步骤：以元件实际的故障监测数据为ANN的训练集合，元件使用时间t和使用温度c作为输入变量，元件故障概率作为输出变量进行训练，进而预测范围c：0~40℃，t：0~50天内的元件故障概率空间分布；本发明专利技术可用于仅利用实际故障监测数据确定不同工作环境下元件故障概率变化。

【技术实现步骤摘要】

本专利技术涉及安全系统工程，特别是涉及仅利用实际故障监测数据分析不同工作环 境下元件故障概率变化的趋势和程度。
技术介绍
故障树作为安全系统工程中的重要理论基础，已得到了各方面的发展。侯金丽等 构建了含故障统计相依组件的多态复杂系统故障树；于德介等基于本体故障树对关键机 组诊断决策进行了研究；苗祚雨等基于二元决策图研究了故障树最小割集的求解算法；王 波等基于时态失效逻辑研究了割序集模型量化方法；范会来等构建了扩展故障树，并对非 线性链表化故障诊断进行了研究；徐丙凤等提出了一种状态事件故障树的定量分析方法； Julwan Hendry Purba等研究了通过定量处理数据，对故障树基本事件进行模糊可靠性评 价的方法；Limao Zhang等使用故障树构建了一种概率方法来分析安全风险；Chaonan Wang 等从显性和隐性角度，研究了的概率失效分析的方法。 12年提出的空间故障树（Space Fault Tree，SFT)概念，经过发展目前其基本理论 框架已经完成（见第一节），并为了进一步研究的需要，将上述这部分概念进行具体限定为 连续性空间故障树（Continuous Space Fault Tree，CSFT)〇 随着研究的深入更多问题逐渐显现出来，也暴露出CSFT处理问题的局限性。CSFT 是一种"白盒"分析方法，这种方法是在对系统或元件充分了解的基础上进行的。但实际上， 要做到对于系统的完全了解确是一项艰难的工作。特别是构成复杂，或只能通过表象来了 解系统性质的情况。例如厂矿的安全检查，设备维护记录，事故调查等，都是描述系统(如机 械设备等）在特定环境条件下如何发生故障和发生故障的客观外在环境因素等事项，进而 描述这个被检查系统的故障特征。即日常积累的数据都是外在的对系统的描述，这些描述 不涉及系统内部的连接结构和子系统。这样的分析是一种"黑盒"分析。对于CSFT来说，这 些积累的数据是离散的，直观上无法构建起用于CSFT分析的故障概率分布曲面，所以CSFT 同样不适用。 为解决上述问题，并与前述概念区别又提出了离散型空间故障树（Discrete Space Fault Tree，DSFT)的概念。在DSFT中的因素投影拟合法其特点是将离散数据通过 拟合等方法构建连续的分布曲面，进而使其可以利用CSFT所得到的结论和方法对故障空 间进行研究。所以因素投影拟合法是一种将"黑盒"转变为"白盒"的方法和途径。但该方 法所得到的故障概率空间分布偏差较大。 进一步地，提出了 DSFT下的ANN预测法来得到故障概率空间分布，其抛开了"白 盒"的分析条件和方法，完全站在"黑盒"的角度上对元件或系统的故障概率空间分布进行 分析。即在不清楚元件或系统性质的情况下，通过累计的故障监测数据得到一个元件或系 统的故障概率空间分布的方法。该方法得到的结果更为精确，但其空间分布曲面是离散的， 并不连续，不能使用CSFT中已有的故障概率变化趋势分析方法处理。 所以，这里提出基于ANN求导的DSFT中元件故障概率变化趋势的确定方法。给出 了基本思想和公式推导，并最终得到了元件对于使用时间t和使用温度C的故障概率变化 趋势的空间分布。
技术实现思路
使用CSFT法和DSFT因素投影拟合法确定的系统或元件的故障概率空间分布一般 是连续曲面，可通过曲面函数表达式直接进行求导以确定其变化趋势。但这两种方法是基 于"白盒"的分析方法，且前者不能处理离散的非连续数据，后者分析结果不精确。基于实 际监测数据，使用DSFT的ANN预测法更为适合。但这种方法形成的故障概率分布空间曲面 并不是连续的，不能使用顶上事件发生概率空间分布趋势的定义。分析这种变化趋势的实 质就是要分析各因素变化导致故障概率变化的程度，即各因素变化对于故障概率变化的贡 献率。可以使用ANN进行多重非线性映射来确定这个贡献率。 前馈神经网络（BP)能够实现空间Rm到空间"的非线性映射，因 而具有很强的非线性数据处理能力。在对统计数据分析的基础上，确定基本合 适的影响因素作为前馈网络输入数据，将影响故障概率的相关因素作为网络的 输出，可以利用大量的统计数据为样本对网络进行训练。如果网络的拟合误差 达到要求的精度时，可认为网络基本反映了影响因素与故障概率间的映射关系，这里i=l，输出结果只有故障概率，：分别为其影响因素。问 题在于能否根据这个映射来计算各个；变化对_变化的 贡献。这种贡献可能是线性的，也可能是非线性的。 在数学的角度，，对_的贡献可以通过偏导数"来反映。；绝对值的大小 反映，对的贡献作用大小；当：1时，表示今改变与#的改变时同向的，称为正 相关作用，否则称为负相关作用。下面给出利用已训练好的神经网络来估计偏导数^ ._宅夂棟的方法。 设为为网络在某一样本:Cf输出层节点I的输出，，是输入层或隐层节点淑输 出。若?存在，则称其为因素对输出为的贡献。 不失一般性，考虑如图2所示的一个三层BP网络(不考虑阈值），计算贡献$。 J 记_为网络的输入层中第I个节点与隐层第家个节点间的突触强度。在给定一个 样本**时，隐层节点I：的总输入如式（1)所示。隐层节点的输出是其总输入的一个变换，其输出如式（2)所示。<^可以作为输出层 神经元(节点）的输入之一。记_~为隐层节点此到输出节点的连接权值，输出节点的总输入如式⑶所示。则网络 输出如式⑷所示。可得AC2)的一般性求导式，如式（5)所示。对于网络的输出节点，濟就是网络的计算输出。下面推导网络输出少对输入变量弓的 偏导数。由式（6)和（7)可得式（8)。又由于:_ >为常数，并假设对于各个之间差异不大，可近似地得式（9)。 最终输出：少:_对各个输入变量:? (_/= 的偏导数如式（10)所不。 【附图说明】 图1电气系统的故障树 图2三层BP网络。【具体实施方式】 1连续型空间故障树（CSFT)的基本概念 CSFT所处理的数据，即系统中发生基本事件的元件对于工作环境变化导致元件故障变 化的规律是已知的，这些规律可以用函数表示，可以是初等函数，也可以是分段函数。如下 简要介绍CSFT形成过程中的相关概念。 给出CSFT建立过程中的例子。该系统由多个二极管组成，二极管的额定工作状态 受很多因素影响，其中，主要的是工作时间?和工作温度c，其经典故障树如图1所示。 已定义的概念如下： 1)多维故障树：基本事件的发生概率不是固定的，是由个因素决定的，这样的故障树 称为多维故障树，用;T表示。由图1的故障树化简得.^=2。 2)基本事件的影响因素：使基本事件发生概率产生变化的因素。例中，?表示时间 因素，c表示温度因素。 3)基本事件发生概率的特征函数(简称特征函数）：基本事件在单一因素影响下， 随影响因素的变化表现出来的发生概率变化特征的表示函数。可以是初等函数，分段函数 等，用__表示，i表示第i个元件，胃.表示影响因素。 4)基本事件的发生概率空间分布：基本事件在#影响因素影响下，随他们的变 化在多维空间内表现出来的发生概率的变化。个影响因素作为相互独立的自变量，基本事 件发生概率作为函数值。用其中， Λ为影响因素个数，例中为 5)顶上事件发生概率空间分布：经过故障树结构化简后得到的顶上事件本文档来自技高网...

【技术保护点】
一种确定元件故障概率变化趋势的方法，其特征在于，为了在遇到不利工作环境之前，提前采取措施控制元件故障发生，提出基于ANN求导的元件故障概率变化趋势的确定方法；该方法可在不了解系统或元件构成和性质的情况下，仅利用实际故障监测数据分析不同工作环境下元件故障概率变化的趋势和程度；其包括如下步骤：元件故障数据统计，ANN求导处理变化趋势，元件故障概率空间分布的获得；本专利技术可用于仅利用实际故障监测数据分析不同工作环境下元件故障概率变化的趋势和程度。

【技术特征摘要】

【专利技术属性】
技术研发人员：李莎莎，崔铁军，耿晓伟，王来贵，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁;21