CN104879295A - 一种基于多层流模型和故障树最小割集的大型复杂***故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，该方法结合了多层流模型直观性强、可读性好、易于检查维护以及故障树分析方法建模过程精细并可快速准确求解的特点。具体实施步骤为先建立***的多层流模型，再联立多层流模型中各个功能状态的因果树从而获得***的证据故障树，最后根据证据故障树求得的最小割集的百分比重要度和各基本事件的FV重要度的混合排序列表对***中的对应部件或部件组合进行故障诊断。该方法解决了多层流模型准确性差和故障树分析方法可读性差、不易理解的问题，从而达到减少经济投入和时间开销，提高***故障诊断效率的目标。

Description

一种基于多层流模型和故障树最小割集的大型复杂***故障诊断方法

技术领域

本发明涉及大型复杂***的故障诊断领域，具体来说是一种基于多层流模型和故障树最小割集的大型复杂***故障诊断方法。

背景技术

故障诊断是指通过对***的检测、检查和测试，并对获得的结果进行分析，从而识别***故障并对其采取相应措施的过程。由于进行故障诊断对象和故障的内容多种多样，诊断方法也多种多样。现代故障诊断方法有多种分类，但是总体上可以概括为三类：即基于解析数学模型的方法、基于信号处理的方法以及基于知识的方法。

大型复杂***(如大型强子对撞器、航天航空***、核电厂等***)的运行和维护等过程中会出现各种事件和事故，为了保持***的稳定运行，需要能够及时发现***中的故障或潜在的非正常状态以及他们的原因，这样才能及时有效的采取处理措施，将***的可能损失控制在最小。这样才能在总资源有限的前提下，更加合理有效的对***进行优化，提升***的经济性、稳定性和安全性。

多层流模型(Multilevel Flow Models,MFM)是上世纪80年代初期由丹麦技术大学的Morten Lind教授提出的一种基于知识的***功能建模方法。多层流模型从***的目标、功能和部件三个层次出发，在能量守恒的基础原理之上通过将***的多种行为泛化为物质和能量的产生、传输、存储和消耗以及信息的观察、决策和执行等过程，实现对复杂***的功能建模，具有直观性强、可读性好、易于检查维护等特点。

故障树分析方法是一种***的演绎建模方法，通过对可能造成***失效的原因从***到部件再到零件逐层分析并绘制出一个逐渐展开的树状分支图，进而求出造成***失效的各种可能的部件组合，即最小割集。并可在最小割集的基础上，通过定量计算求得故障树顶事件失效概率或频率以及各部件或部件组合的重要度等参数。故障树分析方法具有建模精细、易量化以及可通过特定算法快速求解等特点。

多层流模型由于是建立在***知识的基础之上，在实际的复杂***上使用，虽然具有直观性强、可读性好、易于检查维护的特点，但其建模特点决定了其不易计算，准确性难以很好的保证；故障树分析方法是一种在大型复杂***中进行安全分析的重要方法，如概率安全分析中就应用故障树分析方法为主要手段对核电站的安全性进行分析，其具有建模过程精细并可快速准确求解的特点，但是其模型极其庞大复杂，无论是建模过程还是审阅过程都相当的费时费力，其故障树模型可读性差、不易理解，且后期维护也相对复杂。因此，本发明将其两者有机结合，提出了一种基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，解决了多层流模型准确性差和故障树分析方法可读性差、不易理解的问题。

发明内容

本发明要解决技术问题为：克服现有技术的不足，提出一种基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，同时具有直观性强、可读性好、易于检查维护和可量化、求解简单等特点，克服了传统基于多层流模型方法的警报分析故障诊断方法中阈值对诊断结果的影响，并具有可以同时识别单一部件和部件组合故障源的特点，从而提高了故障诊断的准确性，加快了故障诊断的速度。

本发明解决上述技术问题采用的技术方案为：一种基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，其实现步骤包括：

步骤(1)、建立***的多层流模型；

步骤(2)、建立步骤(1)中的***多层流模型的各个功能状态的因果子树；

步骤(3)、根据***的实际故障表征，修正并简化步骤(2)中各个功能状态的因果子树，再建立***的证据故障树；

步骤(4)、根据步骤(3)中获得的***的证据故障树，求解***的最小割集；

步骤(5)、根据步骤(4)中求得的***的最小割集获得部件或部件组合的混合排序列表；

步骤(6)、根据步骤(5)中获得的部件或部件组合的混合排序列表依序对***中的对应部件或部件组合进行故障诊断，从而达到减少经济投入和时间开销，提高***故障诊断效率的目标。

如上所述的基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，其特征在于：所述步骤(3)中建立***的证据故障树的方法如下：

1)选取***中某一功能状态的因果子树模型，将其分支中用到的其他功能状态以其对应的因果子树分别代入并展开；

2)在代入并展开因果子树的过程中，如存在重复事件，需要截断该支的树形结构，从而消除逻辑断环，最终生成某一功能状态的完整因果树；

3)依次选取***中所有需要处理的功能状态的因果子树模型，重复步骤1)-2)若干次，直到为所有功能状态都生成了完整因果树；

4)通过“与”门组合步骤3)中生成的所有完整因果树模型，形成***的证据故障树。

如上所述的基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，其特征在于：所述步骤(5)中通过***的最小割集获得部件或部件组合的混合排序列表的方法如下：

(A)根据获得的***的最小割集分别计算各个割集的百分比重要度；

(B)根据获得的***的最小割集分别计算所有割集中基本事件的FV重要度；

(C)根据步骤(A)和步骤(B)中获得的重要度信息，获得部件或部件组合的混合排序列表。

本发明与现有技术相比优点在于：

(1)、本发明应用多层流模型和故障树最小割集方法对***进行故障诊断，解决了单纯的通过故障树建模的方法中模型庞大复杂，不易理解、维护等缺点，因为多层流模型是一种***功能模型且服从守恒原理，具有直观性强、可读性好、易于检查维护等特点；同时又解决了传统多层流模型不易量化、计算复杂的难点。

(2)、现有的多层流模型方法一般采用警报分析的方法进行故障诊断，本发明运用故障树中的最小割集和重要度等技术手段，对多层流模型进行定量分析，从而提高故障诊断的针对性，有效解决了警报分析法中阈值对诊断结果的影响。

(3)、本发明通过对最小割集和基本事件重要度混合排序的方法可同时对造成故障状态的部件和/或部件组合进行识别，解决了现有故障诊断方法中仅能对单一故障源进行识别的问题，在故障链断裂的情况下也能快速对***进行故障诊断，提高了故障诊断的准确性。

附图说明

图1为本发明的实现流程图；

图2为某一供储水***实例的工艺流程图；

图3为某一供储水***的多层流模型；

图4为某一供储水***的证据故障树模型。

具体实施方式

为了能够更好的理解本发明，首先对本发明中涉及的基本概念作简单的介绍：

多层流模型：一种基于知识的***功能建模方法，从***的目标、功能和物理实现三个层面描述了复杂***的过程行为；

故障树：一种表达***失效模式的倒立树形模型，通过对***失效原因向下逐层展开、直至无需或无法继续展开的基本部件为止而建立的模型；

基本事件：故障树的叶子节点，即***故障树中无需或无法继续展开的基本部件，通常对应着一个部件的一种或多种失效模式；

最小割集：表示能导致***失效的一个或多个基本部件的一种或多种失效模式的最小组合，对应着一个或多个基本事件的集合；

本发明的主要思想如下：

在对大型复杂***进行故障诊断时，采用多层流模型具有直观性强、可读性好、易于检查维护的特点，但其建模特点决定了其不易计算，准确性难以很好的保证；采用故障树分析方法具有建模过程精细并可快速准确求解的特点，但是其模型极其庞大复杂，无论是建模过程还是审阅过程都相当的费时费力，且可读性差、不易理解，后期维护也相对复杂。因此，本发明将其两者有机结合，提出了一种基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，解决了多层流模型准确性差和故障树分析方法可读性差、不易理解的问题

下面对本发明做进一步的详细说明。

本发明的技术方案：一种基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，其流程图如图1，实现步骤如下：

步骤(1)、建立***的多层流模型；

步骤(2)、建立步骤(1)中的***多层流模型的各个功能状态的因果子树；

步骤(3)、根据***的实际故障表征，修正并简化步骤(2)中各个功能状态的因果子树，再建立***的证据故障树；

步骤(4)、根据步骤(3)中获得的***的证据故障树，求解***的最小割集；

步骤(5)、根据步骤(4)中求得的***的最小割集获得部件或部件组合的混合排序列表；

步骤(6)、根据步骤(5)中获得的部件或部件组合的混合排序列表依序对***中的对应部件或部件组合进行故障诊断，从而达到减少经济投入和时间开销，提高***故障诊断效率的目标。

如上所述的基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，其特征在于：所述步骤(3)中建立***的证据故障树的方法如下：

1)选取***中某一功能状态的因果子树模型，将其分支中用到的其他功能状态以其对应的因果子树分别代入并展开；

2)在代入并展开因果子树的过程中，如存在重复事件，需要截断该支的树形结构，从而消除逻辑环路，最终生成某一功能状态的完整因果树；

3)依次选取***中所有需要处理的功能状态的因果子树模型，重复步骤1)-2)若干次，直到为所有功能状态都生成了完整因果树；

4)通过“与”门组合步骤3)中生成的所有完整因果树模型，形成***的证据故障树。

如上所述的基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，其特征在于：所述步骤(5)中通过***的最小割集获得部件或部件组合的混合排序列表的方法如下：

(A)根据获得的***的最小割集分别计算各个割集的百分比重要度；

(B)根据获得的***的最小割集分别计算所有割集中基本事件的FV重要度；

(C)根据步骤(A)和步骤(B)中获得的重要度信息，获得部件或部件组合的混合排序列表。

本发明实施实例如下：

图2为某一供储水***简图，该***由泵、水箱及相关管道组成，泵抽水输至水箱。

建立如图所示的多层流模型，该***存在如下故障模式：

B1：电动泵运行故障；

B2：水箱泄露；

B3：管道堵塞；

假设传感器在某时刻检测到如下故障信号：

电动泵低流量(F2低)；

管道低流量(F4低)；

由此建立***的证据故障树如图4，求解该证据故障树，并计算所有割集与基本事件的重要度排序，其中重要度最高的项为B3P34'B1，经过分析可知，在功能单元F3显示正常的情况，基本故障B1及B3发生的可能性最大。

该实例可以拓展到复杂***的故障诊断过程中，并通过计算机软件，进行快速故障诊断，为操作员的决策提供辅助，提高诊断效率。

本发明未详细阐述部分属于本领域公知技术。

以上所述，仅为本发明部分具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，其特征在于实现步骤如下：

步骤(1)、建立***的多层流模型；

步骤(2)、建立步骤(1)中的***多层流模型的各个功能状态的因果子树；

步骤(3)、根据***的实际故障表征，修正并简化步骤(2)中各个功能状态的因果子树，再建立***的证据故障树；

步骤(4)、根据步骤(3)中获得的***的证据故障树，求解***的最小割集；

步骤(5)、根据步骤(4)中求得的***的最小割集获得部件或部件组合的混合排序列表；

步骤(6)、根据步骤(5)中获得的部件或部件组合的混合排序列表依序对***中的对应部件或部件组合进行故障诊断，从而达到减少经济投入和时间开销，提高***故障诊断效率的目标。

2.根据权利要求1中所述的基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，其特征在于：所述步骤(3)中建立***的证据故障树的方法如下：

1)选取***中某一功能状态的因果子树模型，将其分支中用到的其他功能状态以其对应的因果子树分别代入并展开；

2)在代入并展开因果子树的过程中，如存在重复事件，需要截断该支的树形结构，从而消除逻辑环路，最终生成某一功能状态的完整因果树；

3)依次选取***中所有需要处理的功能状态的因果子树模型，重复步骤1)-2)若干次，直到为所有功能状态都生成了完整因果树；

4)通过“与”门组合步骤3)中生成的所有完整因果树模型，形成***的证据故障树。

3.根据权利要求1中所述的基于多层流模型和故障树最小割集的大型复杂***故障诊断方法，其特征在于：所述步骤(5)中通过***的最小割集获得部件或部件组合的混合排序列表的方法如下：

(A)根据获得的***的最小割集分别计算各个割集的百分比重要度；

(B)根据获得的***的最小割集分别计算所有割集中基本事件的FV重要度；

(C)根据步骤(A)和步骤(B)中获得的重要度信息，获得部件或部件组合的混合排序列表。