基于隐马尔可夫的故障树结构相似度匹配方法组成比例

本发明专利技术涉及基于隐马尔可夫的故障树结构相似度匹配方法，故障树是一种特殊的倒立树状逻辑因果关系图，它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系，故障数分为标准故障树和案例故障树，案例故障树是指由具体案例形成的故障树，标准故障树定义为具有共性关系的一系列具体事故的汇总和事件标准化的故障树，其特征是：所述方法能快速识别案例故障树在标准故障树中的结构映射，匹配、预测标准故障树的某个分支结构，判断逻辑门准确性。本发明专利技术结合现代安全事故案例和基于隐马尔可夫模型的支撑为事故案例的分析提供高效的方法，通过面向故障树的结构相似度匹配，可以分析出案例故障树是否有缺陷，给事故分析人员提供辅助帮助。

【技术实现步骤摘要】
基于隐马尔可夫的故障树结构相似度匹配方法
本专利技术属于安全
，具有涉及一种基于隐马尔可夫的故障树结构相似度匹配方法。
技术介绍
在安全领域，如何利用大量专家积累的经验数据来更高效、更准确的分析事故原因，成为了大数据时代下的新挑战。由于事故类型的多样化、事故演化机理的差异化，安全领域专家根据多年事故分析经验，将事故案例以树状图的结构组合成了具有逻辑性的各类型事故综合因果分析，形成了汇总同类事故的抽象的综合故障树(简称标准故障树)。标准故障树对新事故的类别和事故成因分析具有重要的指导作用和借鉴意义。故障树是事故分析常用的建模方法和预测方法，但多在许多专利中，只是关注故障树中逻辑门组成的顶事件，以此作为事故分析结果的预防与预警，并未发现有讨论故障树结构完整性分析的方法。因为传统故障树建模方法多依赖于事故人员分析，局限于事故分析员专业水平不统一、安全评估因素混乱、难以全面深入调查且较多依赖于个人的知识和经验，易存在事故的分析不完整和不准确现象，使以往专家经验难以得到充分利用，也使事故事故分析的完整性和准确性降低，事故分析效率低下。隐马尔可夫模型是以n元语法模型为基础的统计自然语言模型，是将正在被建模的系统作为一个马尔可夫过程与未观测到的(隐藏的)的状态的统计马尔可夫模型。隐马尔可夫模型中的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。现有的隐马尔可夫模型常用于语音识别，行为识别，文字识别以及故障诊断等领域。故障树是一种特殊的倒立树状逻辑因果关系图，它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系。逻辑门的输入事件是输出事件的"因"，逻辑门的输出事件是输入事件的"果"。现有基于故障树技术的事故分析与预测技术多是基于故障树本身结构的分析方法，用于分析引发事故的层层因果关系的分析。自上而下、一层层的寻找顶事件的直接原因和间接原因事件，直到基本原因事件，并用逻辑图把这些事件之间的逻辑关系表达出来。故障树不仅可以分析由单一构件所引起的系统故障，而且也可以分析多个构件不同模式故障而产生的系统故障情况。通过查阅文献，现有的基于隐马尔可夫的故障树专利技术主要是对故障树其顶层事件描述发生结果的分析与预警，并没有针对故障树本身的结构进行分析，现有的基于故障树的专利技术主要分为或是研究故障树的结构表示方法、存储方法；或是研究基于故障树本身的定性、定量分析方法；或是研究基于故障树分析方法在不同领域的生成、分析和预算等方面的应用，在故障树的结构匹配方面还未发现相关专利。比较相近的一个专利是“一种状态事件故障树的时间特性分析方法”，该专利致力于建立接口交互的马尔可夫链模型，通过并行组合构件与逻辑门的形式模型，得到整个状态事件故障树的建模过程。然此方法仅适合于描述构件化嵌入式系统失效因果链的建模技术,仅针对其顶层事件描述失效发生的结果，对顶层事件发生的平均时间进行分析建模，并没有讨论故障树本身结构的匹配关系。
技术实现思路
为了克服现有技术的不足，提出了基于隐马尔可夫的故障树结构相似度匹配方法，所述方法基于隐马尔可夫模型，以标准故障树、案例故障树的结构特征为研究对象，研究案例故障树在标准故障树上进行结构相似度匹配的方法，以期能够利用标准故障树形成的专家经验快速识别案例故障树的事故演化结构，并进一步分析案例故障树的结构完整性和准确性，给专家推荐案例故障树缺失或冗余结构，在指导新事故的分析、处置和预防等方面具有重要意义。本专利技术的技术方案为：基于隐马尔可夫的故障树结构相似度匹配方法，故障树是一种特殊的倒立树状逻辑因果关系图，它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系，故障数分为标准故障树和案例故障树，案例故障树是指由具体案例形成的故障树，标准故障树定义为具有共性关系的一系列具体事故的汇总和事件标准化的故障树，其特征是：所述方法能快速识别案例故障树在标准故障树中的结构映射，匹配、预测标准故障树的某个分支结构，判断逻辑门准确性，以此分析案例故障树的完整性，进一步推荐缺失或者冗余的案例故障树结构分支于是，一个基于隐马尔可夫的故障树的相似度匹配算法设计。基于隐马尔可夫的故障树结构相似度匹配算法设计，至少包含以下几个步骤：步骤1：根据树的深度优先遍历算法依次遍历树的根节点到叶子节点；步骤2：按照子树的左、中、右为优先级，以树的深度为顺序，分别列出标准故障树的组合项集；步骤3：按照子树的左、中、右为优先级，以树的深度为顺序，分别列出案例故障树的组合项集；步骤4：将案例故障树第一项组合项依次与标准故障树中组合项相匹配(匹配算法见算法1)，选出相似度最高者Q1(best)，并记录下此对映射关系；步骤5：将案例故障树第i项组合项依次与标准故障树中组合项相匹配，重复步骤4，将匹配度最高项集Q1(best)，Q2(best)…Qi(best)依次记录下来；步骤6：将记录下来的匹配度最高项作为标准项与对应案例组合项对比，以此确定案例组合项中缺失项和多余项(缺失项、多余项对比算法见算法2)，为专家判断缺失或冗余事故成因做参考分析；步骤7：将案例故障树组合项集O1＝o11o12…o1t；O2＝o21o22…o2t；…Oi＝oi1oi2…oit；分别从叶子节点开始向上追溯，若遇到相同父节点，则将此节点后的逻辑门记录下来，与对应标准故障树的逻辑门对比(逻辑门对比算法见算法3)，以此判断案例故障树中逻辑门的规范性，为专家判断事故成因逻辑门做参考分析。所述步骤4，包括以下步骤：步骤41：根据步骤3中案例故障树的组合项集分别为观察状态序列O1＝o11o12…o1t；O2＝o21o22…o2t；…Oi＝oi1oi2…oit；步骤42：模型u＝(A,B,π)，根据树的深度优先遍历根节点到叶子节点顺序确定初始状态的概率分布π；步骤43：根据已有专家经验的大量事故标准故障树统计得到事故标准故障树节点层次之间的转移概率作为状态转移概率A；步骤44：根据大量事故案例故障树与事故标准故障树的统计得到事故标准故障树节点与事故案例故障树节点对应概率作为符号发射概率B；步骤45：根据步骤2中标准故障树的组合项集分别为初始状态序列Q1＝q11q12…q1t；Q2＝q21q22…q2t；…Qi＝qi1qi2…qit；步骤46：在观测状态序列O1＝o11o12…o1t和模型u＝(A,B,π)下，匹配初始状态序列Q1＝q11q12…q1t，得到匹配概率RT(1)；步骤47：根据观测状态序列Oi＝oi1oi2…oit和初始状态序列Qi＝qi1qi2…qit，重复步骤46，得到概率组集RT(1),RT(2),…RT(I)；步骤48：对比概率组集，选出最优概率RT(max),将此概率下对应的序列标记为可以最好解释观测序列的状态序列Qt(best)＝qb1qb2…qbt；所述步骤7，包括以下步骤：步骤71：将案例故障树组合项集O1＝o11o12…o1t；O2＝o21o22…o2t；…On＝on1on2…ont；分别从叶子节点开始向上追溯，若遇到相同父节点，则将案例故障树中此相同节点与连接下层子节点之间的逻辑门记录为Lo1，并将案例故障树中此父节点与连接本文档来自技高网...

【技术保护点】
基于隐马尔可夫的故障树结构相似度匹配方法，故障树是一种特殊的倒立树状逻辑因果关系图，它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系，故障数分为标准故障树和案例故障树，案例故障树是指由具体案例形成的故障树，标准故障树定义为具有共性关系的一系列具体事故的汇总和事件标准化的故障树，其特征是：所述方法能快速识别案例故障树在标准故障树中的结构映射，匹配、预测标准故障树的某个分支结构，判断逻辑门准确性，以此分析案例故障树的完整性，进一步推荐缺失或者冗余的案例故障树结构分支，一个基于隐马尔可夫的故障树的相似度匹配算法设计，包含以下几个步骤：步骤1：根据树的深度优先遍历算法依次遍历故障树的根节点到叶子节点；步骤2：按照故障树的子树的左、中、右为优先级，以树的深度为顺序，分别列出标准故障树的组合项集；步骤3：按照故障树的子树的左、中、右为优先级，以树的深度为顺序，分别列出案例故障树的组合项集；步骤4：将案例故障树第一项组合项依次与标准故障树中组合项相匹配，形成缺失项多余项对比匹配算法，利用缺失项多余项对比匹配算法选出相似度最高者Q1(best)，并记录下此对映射关系；步骤5：将案例故障树第i项组合项依次与标准故障树中组合项相匹配，重复步骤4，将匹配度最高项集Q1(best)，Q2(best)…Qi(best)依次记录下来；步骤6：将记录下来的匹配度最高项作为标准项与对应案例组合项对比，以此确定案例组合项中缺失项和多余项，为专家判断缺失或冗余事故成因做参考分析；步骤7：将案例故障树组合项集O1＝o11o12…o1t；O2＝o21o22…o2t；…Oi＝oi1oi2…oit；分别从叶子节点开始向上追溯，若遇到相同父节点，则将此节点后的逻辑门记录下来，与对应标准故障树的逻辑门对比，形成一个逻辑门对比算法，以逻辑门对比算法判断案例故障树中逻辑门的规范性，为专家判断事故成因逻辑门做参考分析。...

【技术特征摘要】
1.基于隐马尔可夫的故障树结构相似度匹配方法，故障树是一种特殊的倒立树状逻辑因果关系图，它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系，故障数分为标准故障树和案例故障树，案例故障树是指由具体案例形成的故障树，标准故障树定义为具有共性关系的一系列具体事故的汇总和事件标准化的故障树，其特征是：所述方法能快速识别案例故障树在标准故障树中的结构映射，匹配、预测标准故障树的某个分支结构，判断逻辑门准确性，以此分析案例故障树的完整性，进一步推荐缺失或者冗余的案例故障树结构分支，一个基于隐马尔可夫的故障树的相似度匹配算法设计，包含以下几个步骤：步骤1：根据树的深度优先遍历算法依次遍历故障树的根节点到叶子节点；步骤2：按照故障树的子树的左、中、右为优先级，以树的深度为顺序，分别列出标准故障树的组合项集；步骤3：按照故障树的子树的左、中、右为优先级，以树的深度为顺序，分别列出案例故障树的组合项集；步骤4：将案例故障树第一项组合项依次与标准故障树中组合项相匹配，形成缺失项多余项对比匹配算法，利用缺失项多余项对比匹配算法选出相似度最高者Q1(best)，并记录下此对映射关系；步骤5：将案例故障树第i项组合项依次与标准故障树中组合项相匹配，重复步骤4，将匹配度最高项集Q1(best)，Q2(best)…Qi(best)依次记录下来；步骤6：将记录下来的匹配度最高项作为标准项与对应案例组合项对比，以此确定案例组合项中缺失项和多余项，为专家判断缺失或冗余事故成因做参考分析；步骤7：将案例故障树组合项集O1＝o11o12…o1t；O2＝o21o22…o2t；…Oi＝oi1oi2…oit；分别从叶子节点开始向上追溯，若遇到相同父节点，则将此节点后的逻辑门记录下来，与对应标准故障树的逻辑门对比，形成一个逻辑门对比算法，以逻辑门对比算法判断案例故障树中逻辑门的规范性，为专家判断事故成因逻辑门做参考分析。2.根据权利要求1所述的基于隐马尔可夫的故障树结构相似度匹配方法，其特征是：所述缺失项多余项对比匹配算法为：步骤41：根据步骤3中案例故障树的组合项集分别为观察状态序列O1＝o11o12…o1t；O2＝o21o22…o2t；…Oi＝oi1oi2…oit；步骤42：模型u＝(A,B,π)，根据树的深度优先遍历根节点到叶子节点顺序确定初始状态的概率分布π；步骤43：根据已有专家经验的大量事故标准故障树统计得到事故标准故障树节点层次之间的转移概率作为状态转移概率A；步骤44：根据大量事故案例故障树与事故标准故障树的统计得到事故标准故障树节点与事故案例故障树节点对应概率作为符号发射概率B；步骤45：根据步骤2中标准故障树的组合项集分别为初始状态序列Q1＝q11q12…q1t；Q2＝q21q22…q2t；…Qi＝qi1qi2…qit；步骤46：在观测状态序列O1＝o11o12…o1t和模型u＝(A,B,π)下，匹配初始状态序列Q1＝q11q12…q1t，得到匹配概率RT(1)；步骤47：根据观测状态序列Oi＝oi1oi2…oit和初始状态序...

【专利技术属性】
技术研发人员：杜军威，岳鑫，胡强，李浩杰，陈卓，于洋洋，马超，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：山东,37