The invention discloses a fault diagnosis capability analysis method based on hybrid diagnostic Bayesian network, which relates to the technical field of fault diagnosis method. The method includes the following steps: fault probability correlation correction: fault probability correlation correction for components based on the selection of two criteria: whether the reliability data is scarce or whether the reliability of fault mode is higher than the probability of functional failure; establishment and reasoning of hybrid diagnostic Bayesian network model; selection of hybrid diagnostic Bayesian network model based on the result of fault probability correlation correction The model is constructed to model and reasoning hybrid diagnostic Bayesian network, and the index of fault diagnosis ability is calculated. The method improves the accuracy of fault diagnosis analysis modeling and the reliability of predicted results of testability indicators.
【技术实现步骤摘要】
基于混合诊断贝叶斯网络的故障诊断能力分析方法
本专利技术涉及故障诊断方法
，尤其涉及一种基于混合诊断贝叶斯网络的故障诊断能力分析方法。
技术介绍
目前，由于信息流模型、多信号流图模型等缺乏对故障传播、测试过程中不确定性因素的考虑，导致当前许多基于故障诊断模型的测试性指标预计值与实际值偏差很大，不利于定量评估产品实际故障诊断能力水平。
技术实现思路
本专利技术所要解决的技术问题是如何提供一种能够提高故障诊断分析建模的准确度和测试性指标预计结果的可信度的方法。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于混合诊断贝叶斯网络的故障诊断能力分析方法，其特征在于包括如下步骤：故障概率关联修正：基于可靠性数据是否匮乏和故障模式故障概率可信度是否高于功能故障概率两个判据选择，对组件进行故障概率关联修正；混合诊断贝叶斯网络模型建立与推理：基于故障概率关联修正结果选择混合诊断贝叶斯网络模型的构建模式，进行混合诊断贝叶斯网络模型建模及推理；故障诊断能力指标计算：基于生成的根结点—测试依赖矩阵、根结点—测试检测—虚警概率矩阵、故障概率关联修正结果进行基于混合诊断贝叶斯网络...
【技术保护点】
1.一种基于混合诊断贝叶斯网络的故障诊断能力分析方法，其特征在于包括如下步骤：故障概率关联修正：基于可靠性数据是否匮乏和故障模式故障概率可信度是否高于功能故障概率两个判据选择，对组件进行故障概率关联修正；混合诊断贝叶斯网络模型建立与推理：基于故障概率关联修正结果选择混合诊断贝叶斯网络模型的构建模式，进行混合诊断贝叶斯网络模型建模及推理；故障诊断能力指标计算：基于混合诊断贝叶斯网络模型生成的根结点—测试依赖矩阵、根结点—测试检测—虚警概率矩阵、故障概率关联修正结果进行基于混合诊断贝叶斯网络模型的故障诊断能力指标计算，生成组件故障诊断能力指标预测报告，完成混合诊断贝叶斯网络故障诊断能力分析。
【技术特征摘要】
1.一种基于混合诊断贝叶斯网络的故障诊断能力分析方法，其特征在于包括如下步骤：故障概率关联修正：基于可靠性数据是否匮乏和故障模式故障概率可信度是否高于功能故障概率两个判据选择，对组件进行故障概率关联修正；混合诊断贝叶斯网络模型建立与推理：基于故障概率关联修正结果选择混合诊断贝叶斯网络模型的构建模式，进行混合诊断贝叶斯网络模型建模及推理；故障诊断能力指标计算：基于混合诊断贝叶斯网络模型生成的根结点—测试依赖矩阵、根结点—测试检测—虚警概率矩阵、故障概率关联修正结果进行基于混合诊断贝叶斯网络模型的故障诊断能力指标计算，生成组件故障诊断能力指标预测报告，完成混合诊断贝叶斯网络故障诊断能力分析。2.如权利要求1所述的基于混合诊断贝叶斯网络的故障诊断能力分析方法，其特征在于，所述故障概率关联修正的方法如下：故障模式故障概率平均分配法：故障模式故障概率平均分配法适应于功能可靠性数据匮乏的情况，其忽略功能可靠性数据，直接将故障模式故障概率平均分配到它所影响的各功能中，组件ci的故障模式平均分配到与之关联的功能上的故障概率为修正后的功能故障概率计算公式为3.如权利要求1所述的基于混合诊断贝叶斯网络的故障诊断能力分析方法，其特征在于，所述故障概率关联修正的方法如下：功能故障概率优先分配法：当功能故障概率的数据可信度高于故障模式故障概率时，采用功能故障概率优先法进行故障模式故障概率修正，具体计算步骤如下：STEP1:采用公式(3)，计算将组件ci的故障模式的故障概率基于的各功能故障概率比例分配到相关功能上的故障概率为STEP2:采用公式(4)，计算将的故障概率基于由公式(3)得到的中的各故障模式分配到上的故障概率比例分配到上的故障概率为STEP3:计算由公式(5)得到的中的各功能分配到上的故障概率比例累加得到修正的故障模式故障概率为4.如权利要求1所述的基于混合诊断贝叶斯网络的故障诊断能力分析方法，其特征在于，所述故障概率关联修正的方法如下：故障模式故障概率优先分配法当故障模式故障概率的数据可信度高于功能故障概率时，采用故障模式故障概率优先法进行功能故障概率修正，具体计算步骤如下：STEP1:采用公式(6)，计算将组件ci的功能的故障概率基于的各故障模式故障概率比例分配到相关故障模式上的故障概率为STEP2:采用公式(7)，计算将的故障概率基于由公式(6)得到的中的各功能分配到上的故障概率比例分配到上的故障概率为STEP3:计算由公式(8)得到的中的各故障模式分配到上的故障概率比例累加得到修正的功能故障概率为5.如权利要求1所述的基于混合诊断贝叶斯网络的故障诊断能力分析方法，其特征在于，所述混合诊断贝叶斯网络模型的建立方法如下：基于有向图定义，混合诊断模型HDM(C,F,FM,T,E)可以简化表示为HDM(V,E)；源于有向图的贝叶斯网络故障诊断模型BNT＝(V,E,P)；在考虑不确定性测试信息描述的基础上，通过融合混合诊断模型和贝叶斯网络故障诊断模型，设计的混合诊断贝叶斯网络模型可以用有向图HDBN＝(C,F,FM,T,E,P)表示；其中，V＝C∪F∪FM∪T为结点集，E表示系统结点间的有向边集，P为权矩阵；HDBN＝(C,F,FM,T,E,P)中各元素信息的来源如下：组件集C＝{c1,c2,…,cL}，源于混合诊断模型HDM(C,F,FM,T,E)；功能集F＝{f1,f2,…,fJ}，源于混合诊断模型HDM(C,F,FM,T,E)；故障模式集FM＝{fm1,fm2,…,fmI}，源于混合诊断模型HDM(C,F,FM,T,E)；测试集T＝{t1,t2,…,tn}，源于混合诊断模型HDM(C,F,FM,T,E)；有向边集E，源于混合诊断模型HDM(C,F,FM,T,E)；各故障模式、功能、组件发生故障的概率源于混合诊断模型推理；权矩阵P信息源于混合诊断模型HDM(C,F,FM,T,E)和贝叶斯网络故障诊断模型BNT＝(V,E,P)信息的融合；对于任意一个组件，混合诊断贝叶斯网络模型可以表示为两种形式：一种是以功能为根结点的形式，其适用于功能故障概率优先分配的情况；另一种是以故障模式为根结点的形式，其适用于故障模式故障概率平均分配、故障模式故障概率优先分配的情况。6.如权利要求1所述的基于混合诊断贝叶斯网络的故障诊断能力分析方法，其特征在于，对混合诊断贝叶斯网络模型进行推理的方法如下：剔除混合诊断贝叶斯网络模型中的功能隐藏层；计算根结点与隐藏结点之间的条件概率信息；取根结点与测试结点之间重边中检测率和虚警率中的最大的值作为根结点与测试结点之间的检测—虚警概率。7.如权利要求6所述的基于混合诊断贝叶斯网络的故障诊断能力分析方法，其特征在于，剔除混合诊断贝叶斯网络模型中的功能隐藏层的方法如下：根结点层的元素集用ROOT＝{root1,root2,...,rootm}表示，隐藏层的元素集用HID＝{hid1,hid2,...,hidw}表示，测试层的元素集用T＝{...
【专利技术属性】
技术研发人员：连光耀，孙江生，闫鹏程，李会杰，连云峰，张西山，梁伟杰，张连武，代冬升，李雅峰，王凯，邱文浩，杨金鹏，陈然，李宝晨，
申请(专利权)人：中国人民解放军三二一八一部队，
类型：发明
国别省市：河北,13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。