模块化复杂装备贝叶斯网络故障预测方法

摘要

本发明公开了一种模块化复杂装备贝叶斯网络故障预测方法，用于解决现有装备故障预测方法实用性差的技术问题。技术方案是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。由于该方法以模块化和贝叶斯网络为基础，面向复杂装备维护保障，能够快速准确的预测复杂装备时间状态，有效提高维修效率、降低维修成本，实用性强。

主权项

一种模块化复杂装备贝叶斯网络故障预测方法，其特征在于包括以下步骤：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可能是复杂装备其它模块对应FPBN模型的故障原因节点C_i，即M_j＝C_i，在此情况下，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可能与复杂装备其它模块对应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，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；对于同一故障检测与故障检测节点，由于FPBN模型中的故障检测节点E_i可能与其他FPBN模型的故障检测节点E_j为同一个变量，即E_i＝E_j；此时，重新建立一个以E_i和E_j对应变量为故障检测节点E_k的FPBN模型，将两个原始模型中E_i和E_j的父节点加入到故障检测节点E_k的父节点集合，并删除故障检测节点E_i和E_j与父节点间的关联关系；(2)冗余节点修正；当在多个模型中存在冗余节点，即不同FPBN中的C_i与C_j为同一个变量且均无父节点时，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的新FPBN模型；同时，为了确保M_k在FPBN模型中不为独立节点，为其加上一个虚拟故障原因节点C_l；(3)独立节点修正；对于FPBN中存在的独立节点，由于其状态的变化不会影响到模型中其他节点的后验概率；因此，将FPBN中的独立节点直接删除；步骤四、对FPBN模块化处理以形成FPBNM，把模块中除了与其他模块相连的共享输入节点、共享输出节点以外的其他全部节点封装起来，用一个代表整个模块的高级节点G表示，形成FPBNM的高级节点模式；(1)故障模式节点：如果故障模式节点在其他FPBN模型中还存在子节点，将其映射为FPBNM中的共享输出节点；若该故障模式节点在其他FPBN模型中没有子节点，则将其映射为FPBNM中的直接输出节点；(2)故障检测节点：故障检测节点只能映射为FPBNM中的直接输出节点；(3)FPBN模型中的故障原因节点情况比较复杂，具体映射规则如下：若该故障原因节点在FPBN外没有父子节点，在FPBN内部只有父节点，则可以映射为FPBNM中的直接输出节点；若该故障原因节点在FPBN外没有父子节点，但在FPBN内部同时具有父子节点，则可以映射为FPBNM中的内部节点；若该故障原因节点在FPBN外没有父节点，但在FPBN内部只有子节点，则可以映射为FPBNM中的直接输入节点；若该故障原因节点在FPBN外至少有一个父节点，且在FPBN内部只存在子节点，则可以映射为FPBNM中的共享输入节点；(4)FPBNM中的有向边连接关系与FPBN保持一致；(5)FPBNM中的先验概率及条件概率分布与FPBN中对应参数保持一致；步骤五、将FPBNM集成，或者将模块中的节点全部封装起来，用一个代表整个模块的超级节点S表示，多个超级节点进行进一步封装；确定系统顶层故障模式，在复杂装备FPBNM集合中搜索对应的模块，作为顶层FPBNM；搜索以顶层FPBNM中共享输入节点为共享输出节点的所有FPBNM，作为中间层FPBNM；根据搜索到的所有中间层FPBNM，进一步搜索以其共享输入节点为共享输出节点的所有FPBNM，作为其他中间层FPBNM；依次向下层搜索，直到搜索到的FPBNM中没有任何共享输入节点，作为底层FPBNM；以所有底层FPBNM为基础，进一步搜索所有以其共享输出节点为共享输入节点、且尚未在被搜索到的其它FPBNM，作为中间层FPBNM；依次向上层搜索，直到搜索到的FPBNM中没有任何共享输出节点，作为中间层FPBNM；从共享输出节点SO_i分别向其他FPBNM中与其匹配共享输入节点SI_j引入有向边，SI_j的条件概率分布为P(SI_j/SO_i)＝P(SO_i)，即二者分布概率永远同步；FPBN集成模型中非共享输入节点的先验概率及条件概率分布与各原始FPBNM集合保持一致；步骤六、基于复杂装备的集成模型，综合采用完整节点模式和超级节点模式的推理算法计算出复杂装备系统各故障模式发生的后验概率，从而进行故障状态预测。