一种基于全局风险度的故障诊断方法和系统技术方案

本发明专利技术涉及一种基于全局风险度的故障诊断方法和系统。该方法包括以下步骤：从物理故障分析数据中得到所有故障种类；计算每个故障的全局风险影响度，所述全局风险影响度代表每个故障对故障全局的影响大小；根据所述全局风险影响度进行故障定位，故障的全局风险影响度越大表示该故障为目标故障的概率越大。本发明专利技术基于全局风险重要度的故障诊断方法不但能够克服对于未知故障缺乏依据的缺点，而且工作量不大，建模机理也不复杂,与传统的故障诊断方法相比，在提升故障诊断速度和准确性方面都具有一定的优势。有一定的优势。有一定的优势。

【技术实现步骤摘要】
一种基于全局风险度的故障诊断方法和系统


[0001]本专利技术涉及人工智能领域，具体涉及无人驾驶车辆的故障诊断领域。

技术介绍

[0002]随着无人驾驶产业的不断升级，无人驾驶车辆的综合保障成为当今我国人工智能产业发展的瓶颈，而无人驾驶车辆的故障诊断是其中重要的技术之一。许多学者对无人驾驶车辆的故障诊断进行了研究，主要方法包括专家系统诊断法、图论诊断法、故障树诊断法和参数估计诊断法等。
[0003]其中专家系统诊断方法将本领域专家中所有关于某设备的故障都集中汇总起来，通过数据库和推理机的方法进行整合，该方法能直观地表达故障和进行诊断，但对未知故障的诊断缺乏依据，且二叉树的模式可能导致搜索的偏差。
[0004]故障树诊断法的直观性强、通用性好、灵活性大，但建树过程较为繁杂，工作量很大并且容易出错遗漏，因此仅适合于故障空间较小的诊断问题。
[0005]参数估计诊断法的测验时间较短、判断结果较准确，故障分离过程方便，算法也相对简单，能够诊断多处故障且计算量也不大，但是在应用时受到较大限制，即诊断非线性或时变的系统时机理建模比较困难。
[0006]图论诊断法不但能有效地避免上述缺点，而且有直观的图形表达方式，在故障模型建立的速度和识别新的故障等方面也有明显优势。此外，传统的图论诊断法多基于发生率进行故障定位，无法确定故障的轻重等级和检测难易程度，从而导致定位的故障不符合实际排查情况。

技术实现思路

[0007]为解决上述问题，本专利技术提供一种基于全局风险度的故障诊断方法和系统。
[0008]该方法包括：
[0009]S1，从物理故障分析数据中得到所有故障种类；
[0010]S2，计算每个故障的全局风险影响度；
[0011]S3，根据所述全局风险影响度进行故障定位。
[0012]进一步的，所述计算每个故障的全局风险影响度，包括以下步骤：
[0013]S21，对所有的N个故障，计算每个故障的发生概率P
i
，1≤i≤N；
[0014]S22，计算每个故障的风险概率R
f
：
[0015]R
f
＝P
i
×
D
×
S；
[0016]其中，D为自身的检测度，S代表严酷度；
[0017]S23，遍历所有故障，对每个故障X
i
计算全局风险影响度F
i
：
[0018][0019]其中，R
F
代表所有故障的R
f
的和。
[0020]优选的，根据权利要求2所述故障诊断方法，其特征在于，所述计算每个故障的发生概率P
i
，包括，定义能影响当前待计算故障的故障集合为前置故障集合，如果前置故障集合为空，则待计算的故障发生概率为0，如果前置故障集合不为空，则待计算的故障发生概率为前置故障集合中所有故障的发生概率之和。
[0021]优选的，所述遍历所有故障，对每个故障X
i
计算全局风险影响度，包括：
[0022]S231，从所述物理故障分析数据中得到每两个故障间的传播概率P
ij
，P
ij
代表故障i传播到故障j的概率，0＜P
ij
≤1；
[0023]S232，用故障传播图来表示所述物理故障分析数据，每个节点代表一个故障，有向边的加权代表两个故障间的传播概率P
ij
，有向边的方向代表两个故障间的传播方向，所述两个故障指该边所连接的两个节点所代表的两个故障；
[0024]S233，使用数据结构来表示所述故障传播图；
[0025]S234，基于所述数据结构对所述故障传播图进行层次化分解，使故障在任何层次内仅能影响或传播到比它本身层次更高的故障；
[0026]S235，遍历所述数据结构，对所述数据结构中的每个故障X
i
计算全局风险影响度F
i
：
[0027][0028]其中，R
F
代表所有故障的R
f
的和。
[0029]进一步的，所述数据结构为邻接矩阵。
[0030]优选的，所述基于所述数据结构对所述故障传播图进行层次化分解，指基于所述数据结构对所述故障传播图按照可达性分层方法进行层次化分解。
[0031]该系统包括：
[0032]数据处理模块，用于从物理故障分析数据中得到所有故障种类；
[0033]全局风险度计算模块，用于计算每个故障的全局风险影响度，所述全局风险影响度代表每个故障对故障全局的影响大小；
[0034]故障定位模块，用于根据所述全局风险影响度进行故障定位，故障的全局风险影响度越大表示该故障为目标故障的概率越大。
[0035]本专利技术中的系统与方法相对应，方法的具体优选方案，同样适用于系统。
[0036]本专利技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0037]1.本专利技术不但能够清晰表达各个故障模式之间的逻辑关系，而且能够更快速更准确地进行故障诊断。同时，本专利技术对传统图论诊断方法进行了改进，即层次化算法改进，与传统的故障诊断方法相比，在提升故障诊断速度和准确性方面都具有一定的优势。
[0038]2.本专利技术引入了全局风险重要度，通过计算每个故障的全局风险重要度来定位故障原因，从而避免了传统FMEA方法在利用先验概率进行故障原因定位时不准的缺陷，提高了故障原因定位的准确性。
[0039]3.本专利技术基于故障全局风险重要度的故障诊断方法，在定位故障原因的准确性上有更一步的加强。通过多个变量相对于全局的影响度来确定故障原因的优先级，不仅能够避免仅仅利用发生率来定位故障原因时的缺陷，而且更符合实际生产中故障的排查顺序。此外，相比于专家系统诊断法、故障树诊断法和参数故障诊断法等一些传统方法，基于全局
风险重要度的故障诊断方法不但能够克服对于未知故障缺乏依据的缺点，而且工作量不大，建模机理也不复杂。因此，基于全局风险重要度的无人矿车故障诊断方法具有广阔的现实应用前景和丰富的理论研究价值。
附图说明
[0040]图1为本专利技术实施例提供的故障诊断流程图；
具体实施方式
[0041]以下结合附图和具体实施例，对本专利技术进行详细说明，在详细说明本专利技术各实施例的技术方案前，对所涉及的名词和术语进行解释说明，在本说明书中，名称相同或标号相同的部件代表相似或相同的结构，且仅限于示意的目的。
[0042]本专利技术的方法步骤如下：
[0043]从物理故障分析数据中得到所有故障种类；
[0044]获取每两个故障间的传播概率P
ij
，P
ij
代表故障i传播到故障j的概率，0＜P
ij
≤1，故障传播概率P
ij
可以从一些历史数据中得到，也可以对无人矿车系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全局风险度的故障诊断方法，其特征在于，包括以下步骤：S1，从物理故障分析数据中得到所有故障种类；S2，计算每个故障的全局风险影响度；S3，根据所述全局风险影响度进行故障定位。2.根据权利要求1所述故障诊断方法，其特征在于，所述计算每个故障的全局风险影响度，包括以下步骤：S21，对所有的N个故障，计算每个故障的发生概率P
i
，1≤i≤N；S22，计算每个故障的风险概率R
f
：R
f
＝P
i
XDXS；其中，D为自身的检测度，S代表严酷度；S23，遍历所有故障，对每个故障X
i
计算全局风险影响度F
i
：其中，R
F
代表所有故障的R
f
的和。3.根据权利要求2所述故障诊断方法，其特征在于，所述计算每个故障的发生概率P
i
，包括，定义能影响当前待计算故障的故障集合为前置故障集合，如果前置故障集合为空，则待计算的故障发生概率为0，如果前置故障集合不为空，则待计算的故障发生概率为前置故障集合中所有故障的发生概率之和。4.根据权利要求2所述故障诊断方法，其特征在于，所述遍历所有故障，对每个故障X
i
计算全局风险影响度,包括：S231，从所述物理故障分析数据中得到每两个故障间的传播概率P
ij
，P
ij
代表故障i传播到故障j的概率，0&lt...

【专利技术属性】
技术研发人员：夏语冰，梅贵周，鲍时超，吴杰荣，
申请(专利权)人：安徽海螺集团有限责任公司，
类型：发明
国别省市：