一种基于模糊贝叶斯网络的设备故障预测与健康评估方法技术

本发明专利技术公布了一种基于模糊贝叶斯网络的设备故障预测与健康评估方法，包括：提取设备的主要故障，将连续生产工序上各单机设备故障之间的相互作用对系统的影响量化为故障损失度，构建模糊贝叶斯网络，实现设备故障预测与健康评估。本发明专利技术方法能够充分利用设备的故障信息、发现有代表性的故障，使设备故障预测结果更加准确，并能够通过故障损失度使健康评估更符合实情，设计合理、操作简便，具有广泛的应用价值。

A Fault Prediction and Health Assessment Method for Equipment Based on Fuzzy Bayesian Network

The invention discloses a method of equipment fault prediction and health assessment based on fuzzy Bayesian network, which includes: extracting the main faults of equipment, quantifying the influence of the interaction of individual equipment faults in continuous production process on the system as the degree of fault loss, constructing a fuzzy Bayesian network, and realizing equipment fault prediction and health assessment. The method of the invention can make full use of the fault information of the equipment and find representative faults, make the prediction result of the equipment faults more accurate, and make the health assessment more realistic through the degree of fault loss. The design is reasonable, the operation is simple, and has wide application value.

【技术实现步骤摘要】
一种基于模糊贝叶斯网络的设备故障预测与健康评估方法
本专利技术属于智能工厂设备建设
，涉及设备故障预测与健康评估方法，具体涉及一种基于模糊贝叶斯网络的设备故障预测与健康评估方法。
技术介绍
智能工厂设备故障分析与预测是精益生产的需求，也是建设智能工厂的关键任务之一。随着智能工厂的集成度和复杂度越来越高，系统故障发生概率和功能失效概率也逐渐加大，且故障一旦发生，会造成极大的危害，严重的会导致系统整个失效和瘫痪。如果在故障发生的早期，即在其还未对系统造成任何损害的情况下及时检测出故障并实施可靠的维修策略排除故障，就可以在很大程度上避免产品损坏、系统瘫痪以及灾难性事故的发生。智能工厂的设备故障分析与预测主要包括设备故障类型定义，设备故障数据采集与处理，故障特征提取，故障诊断，故障预测，健康状态评估等环节。故障是设备不能完成规定功能或性能退化到不满足规定要求的状态；故障诊断利用设备状态监测数据，借助于智能诊断算法，对已出现故障的设备进行诊断，为故障隔离和故障检修奠定基础；故障预测依据监测所得历史数据和故障模型，对各种数据和信息资源进行综合分析，通过基于模型的、基于数据驱动的、基于概率统本文档来自技高网...

【技术保护点】
1.一种基于模糊贝叶斯网络的设备故障检测方法，其特征是，包括：提取设备的主要故障；利用故障转移矩阵，每个设备选取三种主要故障作为贝叶斯网络训练样本集合；将装配线上的N个单机设备划分为M个连线生产组或称单元组；将连续生产工序上各单机设备故障之间的相互作用对系统的影响量化计算，作为单元组的故障发生率和故障损失度；将单元组的故障发生率和故障损失度映射为故障发生率等级和故障损失度等级；基于模糊算法确定单元组的健康状态等级及装配线的健康状态等级；构建模糊贝叶斯网络；使用故障发生率、故障损失度数据和连线生产组、装配线健康状态数据训练贝叶斯网络模型，得到训练好的设备故障检测贝叶斯网络模型；利用训练好的设备故...

【技术特征摘要】
1.一种基于模糊贝叶斯网络的设备故障检测方法，其特征是，包括：提取设备的主要故障；利用故障转移矩阵，每个设备选取三种主要故障作为贝叶斯网络训练样本集合；将装配线上的N个单机设备划分为M个连线生产组或称单元组；将连续生产工序上各单机设备故障之间的相互作用对系统的影响量化计算，作为单元组的故障发生率和故障损失度；将单元组的故障发生率和故障损失度映射为故障发生率等级和故障损失度等级；基于模糊算法确定单元组的健康状态等级及装配线的健康状态等级；构建模糊贝叶斯网络；使用故障发生率、故障损失度数据和连线生产组、装配线健康状态数据训练贝叶斯网络模型，得到训练好的设备故障检测贝叶斯网络模型；利用训练好的设备故障检测贝叶斯网络模型，评估某时间的单元组和装配线的健康状态；由此实现设备故障检测。2.如权利要求1所述基于模糊贝叶斯网络的设备故障检测方法，其特征是，具体选取N个设备的三种故障作为贝叶斯网络训练样本集合W，包括如下步骤：A1.构造N个设备的故障转移概率矩阵，N表示所检测装配线上单机设备的个数；具体执行如下操作：A11.构造N个设备的故障转移次数表，表中元素为每种设备在一段时间内由故障码i发生故障转移为故障码j的次数Cij；i，j＝1，2，...，n；n表示某单机设备在研究时间段内出现了n种故障码；A12.计算N个设备的故障转移概率矩阵，矩阵元素为每种设备在一段时间内由一种故障发生故障转移的概率Pij，i，j＝1，2，...，n，A2.构造所有设备的故障码比重矩阵Gi；i＝1，2，...，N；具体执行如下操作：A21.计算第i个设备的每种故障码出现的次数占该设备所有故障码出现次数的比例，构成第i个设备的故障码概率矩阵Ri；i＝1，2，...，N；A22.取第i个设备故障转移概率矩阵对角线上的概率{P11，P22，...，Pnn}，构成第i个设备的故障码持续概率矩阵Wi；i＝1，2，...，N；A23.确定故障码概率矩阵Ri的权重γ1和故障码持续概率矩阵Wi的权重γ2；A24.通过下式计算得到第i个设备的故障码比重矩阵Gi；i＝1，2，...，N；Gi＝γ1×Ri+γ2×Wi；A3.选取故障码比重矩阵Gi中比重最大的三种故障码，作为第i个设备的主要故障码；A4.N个设备的主要故障码为3×N个故障码，构成贝叶斯网络的训练样本集合W。3.如权利要求1所述基于模糊贝叶斯网络的设备故障检测方法，其特征是，所述计算所有单元组的故障发生率和故障损失度；包括如下步骤：B1.根据装配线的工序及设备连接情况，将N个设备划分为一个设备或多个相连设备的M个组合，记为M个单元组；B2.计算M个单元组的故障发生率，具体执行如下操作：B21.确定第i个单元组内所有设备的主要故障码出现的次数Ci，以及装配线上所有设备的主要故障码出现的总次数Nn；B22.通过下式计算得到第i个单元组的故障发生率Pi：B3.计算M个单元组的故障损失度，故障损失度为第i个单元组故障所带来的产量损失比率；具体执行如下操作：B31.确定第i个单元组每次故障发生的时间tj和故障发生的次数k，计算所有单元组的平均故障时间Δti，i＝1，2，...，M；B32.计算M个单元组的零件积累量Li和零件空闲量Hi；i＝1，2，...，M；B33.计算未发生故障时M个单元组的正常产量Qi，B34.通过回归分析法求解故障损失度式中的系数λ1、λ2；B35.计算第i个单元组的故障损失度δi，其中，Li为第i个单元组的零件积累量，Hi为第i个单元组的零件空闲量，Qi为第i个单元组未发生故障时的正常产量。4.如权利要求3所述基于模糊贝叶斯网络的设备故障检测方法，其特征是，步骤B32所述计算具体步骤如下：B321.当第i个单元组发生故障时，确定堆积在第i-1个单元组与第i个单元组间的零部件数量h1和发生故障时第i单元组与第i+1个单元组间的零部件数量h2；B322.确定第i个单元组生产零件的速度Ψti，i＝1，2，...，M；B323.计算第i个单元组的零件积累量Li和零件空闲量Hi：所述零件积累量为第i...

【专利技术属性】
技术研发人员：于重重，宁亚倩，姜珍，苏维均，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：北京,11