一种基于灰优化贝叶斯网络的无人机发动机快速诊断方法技术

本发明专利技术公开了一种基于灰优化贝叶斯网络的无人机发动机快速诊断方法，具体步骤如下：步骤一、构建无人机发动机的故障树模型；步骤二、基于故障树的定性与定量分析；步骤三、利用灰色关联分析优化模型筛选重要中间事件；步骤四、将故障树模型转换为贝叶斯模型；步骤五、快速诊断与结果利用。本发明专利技术针对无人机遥控发动机故障特点，提出一种基于灰色关联分析优化的故障树和贝叶斯网络融合诊断框架，在诊断模型由故障树向贝叶斯模型转化过程中，利用灰色关联分析寻优抽取重要的中间事件，从而增强贝叶斯网络节点的指向性，克服原模型不能显示表达重要信息及诊断效率低等问题，使诊断方法具有更快、更准的诊断定位能力，为设备维护提供支持。持。持。

【技术实现步骤摘要】
一种基于灰优化贝叶斯网络的无人机发动机快速诊断方法


[0001]本专利技术涉及装备故障诊断领域，尤其涉及一种基于灰优化贝叶斯网络的无人机发动机快速诊断方法。

技术介绍

[0002]无人机遥控发动机的可靠稳定运行是无人机完成飞行任务的重要保证。飞行任务中遥控发动机故障将导致无人机空中启动失败，从而导致飞行任务失败，失去战场制空权。因此，早期发现遥控发动机薄弱环节，快速、准确发现并定位故障，是无人机遥控发动机在作战训练中稳定运行的重要保障。
[0003]目前故障诊断方法主要分为数据驱动、模型驱动及混合驱动方法。由于无人机远程遥控发动机故障模式呈现典型的样本不平衡特征，即故障样本极度稀少，使得数据驱动的故障诊断方法难以应用。但在遥控发动机设计阶段会生成对应的故障树模型，并通过实验和专家评估生成一些事件的先验概率。因此，基于模型的故障诊断方法更适合于无人机远程遥控发动机。故障树(Fault tree，故障树)是一种典型的模型驱动的故障诊断方法。
[0004]故障树方法结合了设备机理和专家知识，是一种具有定性和定量分析能力的可靠诊断方法。对于故障树方法，通过建立被诊断系统的树形逻辑模型，可以清楚地得出故障的根本原因，便于挖掘系统的薄弱环节。然而，故障树的定量计算不能充分借助中间事件的既定结论而做出合理的诊断结果，且不足以反映节点间耦合传输关系。对此，现有方法通常将故障树和贝叶斯网络模型融合在一起进行设备诊断。贝叶斯网络(Bayesian network，贝叶斯网络)是由事件节点、有向弧和条件概率表组成的有向无环网络。在贝叶斯网络模型中，耦合传递关系用概率逻辑和因果逻辑来表示。现有的融合方法是将建立好的故障树直接转化成贝叶斯网络模型。转化后的贝叶斯网络模型仍然不能充分直接地显示诊断对象中隐含的重要信息，不利于有效直接地挖掘系统的根本问题。导致该方法不能突出故障定位的排查重点，诊断效率低下。因此，亟需提出一种可以强化转换后的贝叶斯网络模型，突出故障诊断定位重点排查部件，以提高无人机遥控发动机的故障诊断效率，提高空中特情的处置速度。

技术实现思路

[0005]鉴于上述问题，本申请旨在提出一种基于灰优化贝叶斯网络的无人机发动机快速诊断方法。具体地针对无人机遥控发动机故障特点和快速定位需求，提出一种故障树和贝叶斯网络融合诊断框架，并在此基础上利用灰色关联分析方法优化完善该框架，进一步挖掘故障树模型中的核心中间事件，增强贝叶斯网络模型的指向性，提高故障定位效率和准确性。
[0006]本申请提出的基于灰色关联度改进故障树和贝叶斯网络的故障诊断方法，其包含如下核心步骤：
[0007]第一步：利用设备的相关信息和知识构建故障树模型。
[0008]第二步：基于构建好的故障树模型进行定性与定量分析。
[0009]第三步：建立灰色关联分析矩阵，利用灰色关联分析优化模型筛选出核心中间事件。
[0010]第四步：根据变换原理将故障树模型转换为贝叶斯模型。
[0011]第五步：快速诊断与结果利用。
[0012]优选地，在第一步中，根据设备的相关信息和知识，选择和确定系统最不希望发生的事件，或是指定进行逻辑分析的故障事件，即顶事件。
[0013]优选地，在第一步中，寻找引起顶事件发生的直接的必要和充分的原因，即中间事件，并根据这些基本事件实际的逻辑关系选择适当的逻辑门进行连接。
[0014]优选地，在第一步中，分析每一个中间事件。如果该事件还能进一步分解，则将其分解为下一级的中间事件，选择适当的逻辑门进行连接。重复本步骤，直到事件不能再分解或不必要再分解为止，即完成一棵故障树的构建。不能再分解或不必要再分解的事件即底事件，记为x
i
(i＝1,2,
…
,n),n∈N*，底事件相互独立。
[0015]优选地，在第二步中，基于构建好的故障树模型进行定性分析，通过上行法或下行法得到导致顶事件发生的所有最小割集，以此表示导致顶部事件发生的底事件集合。
[0016]优选地，在第二步中，基于构建好的故障树模型进行定量分析，利用独立近似或容斥定理计算顶事件发生概率，并计算每个底事件的概率重要度和相对概率重要度。
[0017]优选地，在第三步中，基于相对概率重要度构建底事件与中间事件的关系矩阵，称之为灰色关联分析矩阵。
[0018]优选地，在第三步中，选择任意中间事件和顶事件对应的底事件相对概率数组，构成一对相关性分析数组。
[0019]优选地，在第三步中，对数组中的数据进行去量纲处理。
[0020]优选地，在第三步中，基于去量纲后的数据，利用灰色关联分析方法计算每个中间事件与顶事件之间的相关系数。
[0021]优选地，在第三步中，根据上述步骤计算故障树中每个中间事件与顶部事件之间的灰色关联系数，筛选出较为重要的中间事件。
[0022]优选地，在第四步中，将故障树中的底事件映射为贝叶斯网络中的根节点，中间事件及顶事件映射为贝叶斯网络中的叶节点。
[0023]优选地，在第四步中，将故障树中的逻辑门表示为贝叶斯网络中的有向边。
[0024]优选地，在第四步中，根据故障树中各事件逻辑门关系连接贝叶斯网络中的各节点。
[0025]优选地，在第四步中，将故障树中的底事件发生的先验概率输入到贝叶斯网络中作为先验概率。
[0026]优选地，在第四步中，将故障树逻辑关系表示为贝叶斯网络的条件概率。
[0027]优选地，在第四步中，基于灰色关联分析模型筛选的结果，确定贝叶斯网络中重要中间事件，以备快速诊断应用。
[0028]优选地，在第五步中，当顶事件发生后，依据确定的重要中间事件顺序，核实中间事件的发生情况。
[0029]优选地，在第五步中，基于核实后的中间事件发生情况，作为贝叶斯模型计算的证
据，利用贝叶斯公式计算所有底事件的后验概率。
[0030]优选地，在第五步中，根据计算得到的后验概率结果，从概率由高到低的顺序进行故障排查，直至找到实际故障原因，进行设备修复。
[0031]优选地，在第五步中，根据优化得到的重要中间事件，确定合适的装备维修保障方案。
[0032]优选地，在第五步中，根据诊断结果可对产品薄弱环节进行改善。
[0033]优选地，在第五步中，根据实际故障原因对所提诊断模型的结构和参数进行优化。
[0034]本专利技术的优点与积极效果在于：
[0035](2)本专利技术提出了一种灰优化的贝叶斯网络快速诊断模型，优化后的模型能够增强贝叶斯网络节点的指向性，克服原模型不能显示表达重要信息及诊断效率低等问题。
[0036](1)本专利技术提出了一种基于灰色关联分析的故障树与贝叶斯网络融合诊断框架，包括故障诊断建模模块、快速诊断模块和诊断结果利用模块，为基于故障树与贝叶斯网络的融合诊断提供更具系统性、协调性和规范性的范式。
[0037](3)本专利技术能够支持无人机遥控发动机的故障诊断及产品设计与维护优化。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于灰优化贝叶斯网络的无人机发动机快速诊断方法，其特征在于：第一步：利用无人机发动机设备的相关信息和知识构建故障树模型；第二步：基于构建好的故障树模型进行定性与定量分析；第三步：建立灰色关联分析矩阵，利用灰色关联分析优化模型筛选出核心中间事件；第四步：根据变换原理将故障树模型转换为贝叶斯模型；第五步：快速诊断与结果利用。2.如权利要求1的基于灰优化贝叶斯网络的无人机发动机快速诊断方法，其特征在于：根据设备的相关信息和知识，选择和确定系统最不希望发生的事件，或是指定进行逻辑分析的故障事件，即顶事件；寻找引起顶事件发生的直接的必要和充分的原因，即中间事件，并根据这些基本事件实际的逻辑关系选择适当的逻辑门进行连接；分析每一个中间事件，如果该事件还能进一步分解，则将其分解为下一级的中间事件，选择适当的逻辑门进行连接；重复事件分解步骤，直到事件不能再分解或不必要再分解为止，即完成一棵故障树的构建；不能再分解或不必要再分解的事件即底事件，底事件相互独立。3.如权利要求2的基于灰优化贝叶斯网络的无人机发动机的快速诊断方法，其特征在于：基于构建好的故障树模型进行定性分析，通过上行法或下行法得到导致顶事件发生的所有最小割集，以此表示导致顶部事件发生的底事件集合；基于构建好的故障树模型进行定量分析，利用独立近似或容斥定理计算顶事件发生概率，并计算每个底事件的概率重要度和相对概率重要度。4.如权利要求3的基于灰优化贝叶斯网络的无人机发动机的快速诊断方法，其特征在于：利用底事件相对中间事件...

【专利技术属性】
技术研发人员：索明亮，马可，赵正铎，王立志，陶来发，吕琛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：