[发明专利]模块化复杂装备贝叶斯网络故障预测方法

说明书

技术领域

本发明涉及一种装备故障预测方法，特别是涉及一种模块化复杂装备贝叶斯网络故障预测方法。 

背景技术

文献“蔡志强,孙树栋,司书宾,等.基于FMECA的复杂装备故障预测贝叶斯网络建模[J].系统工程理论与实践,2013,33(1):187-193.”公开了一种基于故障模式、影响及危害性分析(failure mode,effects and criticality analysis,FMECA)知识的故障预测贝叶斯网络模型建模方法。该方法在分析现有FMECA知识所包含故障信息的基础上，提出了基于FMECA单元的故障预测贝叶斯网络(failure prediction Bayesian network,FPBN)网络结构转化方法和FPBN概率参数计算方法，建立起对应的FPBN单元模型。然后，对复杂装备各组成部分对应的FPBN单元模型进行连接，构建整体系统的FPBN集成模型。最后，基于FMECA知识建立的FPBN模型具有不确定性表达和定量分析方法的优势，能够准确、有效的进行复杂装备故障预测。 

2012年授权的专利ZL201010227907.4公开了一种发明名称为“一种基于故障树信息的设备状态预测方法”，该方法综合利用故障树信息和外部检测现象建立故障预测模型，用于预测装备的实时运行状态。首先，利用现有故障树信息识别出故障模式变量、故障原因变量及各变量间的结构关系；其次，根据变量间结构关系识别出各变量的先验概率分布及条件概率分布；然后，利用检测现象识别出检测变量及其条件概率分布；最终，基于建立的故障预测模型，以检测信息为驱动，利用概率论公式预测装备的实际运行状态。 

但是现有故障知识和故障数据由于受各方面条件的限制，不可能覆盖整个复杂装备的所有层次，所以基于专家、基于知识或基于数据的单一方法无法解决复杂装备的故障预测问题。必须将基于专家、基于知识和基于数据所构建的各部分FPBN模型结合起来，为系统整体故障预测推理提供支持。 

发明内容

为了克服现有装备故障预测方法实用性差的不足，本发明提供一种模块化复杂装备贝叶斯网络故障预测方法。该方法首先根据部件之间的物理边界和实际需要对复杂 装备进行分解，模块化；其次，对复杂装备的各模块利用不同建模方法建立其FPBN模型，并对各模块的模型进一步修正以使各模型模块化形成故障预测贝叶斯网络模块；然后，集成各FPBNM以建立整个复杂装备系统的FPBN集成模型；最终，基于建立的故障预测集成模型，以检测信息为驱动，利用概率论公式预测装备的实际运行状态，可以提高复杂装备故障预测方法的实用性。 

本发明解决其技术问题所采用的技术方案是：一种模块化复杂装备贝叶斯网络故障预测方法，其特点是采用以下步骤： 

步骤一、根据部件之间的物理边界和实际故障预测对象将复杂装备系统分解成多个独立而又相互关联的子模块； 

步骤二、利用不同的FPBN建模方法对复杂装备各模块的所有故障模式独立建模，建立起各模块的故障模式对应的FPBN模型； 

步骤三、对各FPBN模型进行修正； 

(1)冲突节点修正。 

对于同一故障模式及故障原因节点，由于某FPBN模型中的故障模式节点M_j可能是其它复杂装备模块对应FPBN模型的故障原因节点C_i，即M_j＝C_i，在此情况下，考虑以故障模式节点M_j为核心，将其它FPBN模型中故障原因节点C_i的父节点加入到故障模式节点M_j的父节点集合，并删除故障原因节点C_i与父节点间的关联关系。修正过的FPBN模型既保留了原有模型包含的关联关系，又解决了父节点冲突的问题。 

对于同一故障原因与故障原因节点，由于某FPBN模型中的故障原因节点C_i可能与其它复杂装备模块对应FPBN模型的故障原因节点C_j为同一个变量，即C_i＝C_j，在此情况下，考虑重新建立一个以C_i和C_j对应变量为故障模式节点M_k的FPBN模型，将两个原始模型中C_i和C_j的父节点加入到故障模式节点M_k的父节点集合，并删除故障原因节点C_i和C_j与父节点间的关联关系，以解决父节点冲突的问题。