• 浪潮孙丕恕从信息时代到智能时代 人工智能价值将爆发式释放 2019-12-21
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
    • / 14
    • 下载费用:30 金币  

    重庆时时彩怎么买的: ??榛丛幼氨副匆端雇绻收显げ夥椒?pdf

    关 键 词:
    ??榛?复杂 装备 贝叶斯 网络故障 预测 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201410308885.1

    申请日:

    2014.07.01

    公开号:

    CN104133984A

    公开日:

    2014.11.05

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 专利权的转移IPC(主分类):G06F 19/00登记生效日:20180817变更事项:专利权人变更前权利人:吴晓泽变更后权利人:深圳迈辽技术转移中心有限公司变更事项:地址变更前权利人:401220 重庆市长寿区渡舟街道3组27号变更后权利人:518000 广东省深圳市龙华新区大浪街道龙胜社区腾龙路淘金地电子商务孵化基地展滔商业广场E座706|||专利权的转移IPC(主分类):G06F 19/00登记生效日:20171227变更事项:专利权人变更前权利人:深圳迈辽技术转移中心有限公司变更后权利人:吴晓泽变更事项:地址变更前权利人:518000 广东省深圳市龙华新区大浪街道龙胜社区腾龙路淘金地电子商务孵化基地展滔商业广场E座706变更后权利人:401220 重庆市长寿区渡舟街道3组27号|||专利权的转移IPC(主分类):G06F 19/00登记生效日:20171225变更事项:专利权人变更前权利人:西北工业大学变更后权利人:深圳迈辽技术转移中心有限公司变更事项:地址变更前权利人:710072 陕西省西安市友谊西路127号变更后权利人:518000 广东省深圳市龙华新区大浪街道龙胜社区腾龙路淘金地电子商务孵化基地展滔商业广场E座706|||授权|||实质审查的生效IPC(主分类):G06F 19/00申请日:20140701|||公开
    IPC分类号: G06F19/00(2011.01)I 主分类号: G06F19/00
    申请人: 西北工业大学
    发明人: 蔡志强; 司伟涛; 司书宾; 张帅; 李淑敏; 王宁
    地址: 710072 陕西省西安市友谊西路127号
    优先权:
    专利代理机构: 西北工业大学专利中心 61204 代理人: 王鲜凯
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201410308885.1

    授权公告号:

    |||||||||||||||

    法律状态公告日:

    2018.09.07|||2018.01.16|||2018.01.12|||2017.01.18|||2014.12.10|||2014.11.05

    法律状态类型:

    专利申请权、专利权的转移|||专利申请权、专利权的转移|||专利申请权、专利权的转移|||授权|||实质审查的生效|||公开

    摘要

    本发明公开了一种??榛丛幼氨副匆端雇绻收显げ夥椒?,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,??榛?;其次,对复杂装备的各??槔貌煌7椒ń⑵銯PBN模型,并对各??榈哪P徒徊叫拚允垢髂P湍?榛纬晒收显げ獗匆端雇缒??;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??榛捅匆端雇缥?,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。

    权利要求书

    权利要求书
    1.  一种??榛丛幼氨副匆端雇绻收显げ夥椒?,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???;
    步骤二、利用不同的FPBN建模方法对复杂装备各??榈乃泄收夏J蕉懒⒔?,建立起各??榈墓收夏J蕉杂Φ腇PBN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Mj可能是其它复杂装备??槎杂PBN模型的故障原因节点Ci,即Mj=Ci,在此情况下,考虑以故障模式节点Mj为核心,将其它FPBN模型中故障原因节点Ci的父节点加入到故障模式节点Mj的父节点集合,并删除故障原因节点Ci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Ci可能与其它复杂装备??槎杂PBN模型的故障原因节点Cj为同一个变量,即Ci=Cj,在此情况下,考虑重新建立一个以Ci和Cj对应变量为故障模式节点Mk的FPBN模型,将两个原始模型中Ci和Cj的父节点加入到故障模式节点Mk的父节点集合,并删除故障原因节点Ci和Cj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Ei可能与其他FPBN模型的故障检测节点Ej为同一个变量,即Ei=Ej;此时,重新建立一个以Ei和Ej对应变量为故障检测节点Ek的FPBN模型,将两个原始模型中Ei和Ej的父节点加入到故障检测节点Ek的父节点集合,并删除故障检测节点Ei和Ej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Ci与Cj为同一个变量且均无父节点时,考虑重新建立一个以Ci和Cj对应变量为故障模式节点Mk的新FPBN模型;同时,为了确保Mk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Cl;
    (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??榛硪孕纬蒄PBNM,把??橹谐擞肫渌?橄嗔墓蚕硎淙虢诘?、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??榈母呒督诘鉍表示,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??橹械慕诘闳糠庾捌鹄?,用一个代表整个??榈某督诘鉙表示,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???,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SOi分别向其他FPBNM中与其匹配共享输入节点SIj引入有向边,SIj的条件概率分布为P(SIj/SOi)=P(SOi),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。

    说明书

    说明书??榛丛幼氨副匆端雇绻收显げ夥椒?
    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??榛丛幼氨副匆端雇绻收显げ夥椒?。 
    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??榛丛幼氨副匆端雇绻收显げ夥椒?。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,??榛?;其次,对复杂装备的各??槔貌煌7椒ń⑵銯PBN模型,并对各??榈哪P徒徊叫拚允垢髂P湍?榛纬晒收显げ獗匆端雇缒??;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??榛丛幼氨副匆端雇绻收显げ夥椒?,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???; 
    步骤二、利用不同的FPBN建模方法对复杂装备各??榈乃泄收夏J蕉懒⒔?,建立起各??榈墓收夏J蕉杂Φ腇PBN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Mj可能是其它复杂装备??槎杂PBN模型的故障原因节点Ci,即Mj=Ci,在此情况下,考虑以故障模式节点Mj为核心,将其它FPBN模型中故障原因节点Ci的父节点加入到故障模式节点Mj的父节点集合,并删除故障原因节点Ci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Ci可能与其它复杂装备??槎杂PBN模型的故障原因节点Cj为同一个变量,即Ci=Cj,在此情况下,考虑重新建立一个以Ci和Cj对应变量为故障模式节点Mk的FPBN模型,将两个原始模型中Ci和Cj的父节点加入到故障模式节点Mk的父节点集合,并删除故障原因节点Ci和Cj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Ei可能与其他FPBN模型的故障检测节点Ej为同一个变量,即Ei=Ej。此时,重新建立一个以Ei和Ej对应变量为故障检测节点Ek的FPBN模型,将两个原始模型中Ei和Ej的父节点加入到故障检测节点Ek的父节点集合,并删除故障检测节点Ei和Ej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Ci与Cj为同一个变量且均无父节点时,考虑重新建立一个以Ci和Cj对应变量为故障模式节点Mk的新FPBN模型。同时,为了确保Mk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Cl。 
    (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??榛硪孕纬蒄PBNM,把??橹谐擞肫渌?橄嗔墓蚕硎淙虢诘?、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??榈母呒督诘鉍表示,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??橹械慕诘闳糠庾捌鹄?,用一个代表整个??榈某督诘鉙表示,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???,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SOi分别向其他FPBNM中与其匹配共享输入节点SIj引入有向边,SIj的条件概率分布为P(SIj/SOi)=P(SOi),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。 
    本发明的有益效果是: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,??榛?;其次,对复杂装备的各??槔貌煌7椒ń⑵銯PBN模型,并对各??榈哪P徒徊叫拚允垢髂P湍?榛纬晒收显げ獗匆端雇缒??;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??榛捅匆端雇缥?,面向复杂装备维护保障,解决了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,从而使单一的故障状态预测方法不能很好解决复杂装备故障状态预测的问题。同时??榛咕弑钢赜眯?、标准性、独立性、封装性和内敛性。本发明方法能够快速准确的预测复杂装备时间状态,指导对装备的监控及维修,有效提高维修效率、降低维修成本,实用性强。 
    下面结合附图和具体实施方式对本发明作详细说明。 
    附图说明
    图1是本发明??榛丛幼氨副匆端雇绻收显げ夥椒ǖ牧鞒掏?。 
    图2是本发明方法实施例中HUD分解的??橥?。 
    图3是本发明方法实施例中HUD及其各部分的故障模式FPBN模型图。 
    图4是本发明方法实施例中HUD各组成部分高级节点模式FPBNM图。 
    图5是本发明方法实施例中HUD的FPBN集成模型图。 
    图6是本发明方法实施例中HUD超级节点模式FPBN集成模型图。 
    图7是本发明方法实施例中部分展开的HUD的FPBN集成模型图。 
    具体实施方式
    参照图1-7。本发明??榛丛幼氨副匆端雇绻收显げ夥椒ň咛宀街枞缦拢?nbsp;
    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???,其具体方法如下: 
    在本实施例中,以“平视显示器(head up display,HUD)”为故障模式,根据HUD原始设计资料及其系统结构组成,首先将HUD按功能分解为不同层次的功能???,分解后的系统??槿缤?所示。表1列出了HUD各层次??槎杂Φ墓收夏J郊懊枋?。 
    表1HUD各??楣收夏J?nbsp;
    模式序号 层次 ??樾蚝????故障模式 编码 1 0 1 平视显示器 画面不清晰 M011 2 0 1 平视显示器 画面无显示 M012 3 0 1 平视显示器 亮度不合适 M013 4 0 1 平视显示器 画面不消隐 M014 5 0 1 平视显示器 画面抖动 M015 6 1 2 电子组件 无电子信号 M121 7 1 2 电子组件 电子信号失真 M122 8 1 2 电子组件 电压不合适 M123 9 1 2 电子组件 电压不稳 M124 10 1 3 显示屏 射线管故障 M131 11 1 4 光学组件 成像模糊 M141 12 2 5 辉亮放大器 无辉亮信号 M251
    13 2 5 辉亮放大器 辉亮信号失真 M252 14 2 5 辉亮放大器 控制电压不当 M253 15 2 6 偏转放大器 无偏转信号 M261 16 2 6 偏转放大器 偏转信号失真 M262 17 2 7 高压电源 无高压 M271 18 2 7 高压电源 高压不稳 M272 19 2 7 高压电源 高压不当 M273 20 2 8 组合玻璃 不平行 M281 21 2 9 光学镜组 位置错位 M291
    步骤二、利用不同的FPBN建模方法对复杂装备各??榈乃泄收夏J蕉懒⒔?,建立起各故障模式对应的FPBN模型,其具体方法如下: 
    针对HUD各故障模式以及其各部分(电子组件、光学组件)的故障模式,利用FPBN的各种建模方法建立相应的FPBN模型,见图3。 
    步骤三、对FPBN模型进行适当的修正,其具体方法如下: 
    (1)冲突节点修正。 
    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Mj可能是其它复杂装备??槎杂PBN模型的故障原因节点Ci,即Mj=Ci,在此情况下,考虑以故障模式节点Mj为核心,将其它FPBN模型中故障原因节点Ci的父节点加入到故障模式节点Mj的父节点集合,并删除故障原因节点Ci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。此时Ci和Mj的条件概率分布如式(1)、式(2)。 
    P(Mj|π(Mj),π(Ci))=P(Mj|π(Mj))×P(Mj|π(Ci))  (1) 
    P(Ci)=P(Mj)  (2) 
    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Ci可能与其它复杂装备??槎杂PBN模型的故障原因节点Cj为同一个变量,即Ci=Cj,在此情况下,考虑重新建立一个以Ci和Cj对应变量为故障模式节点Mk的FPBN模型,将两个原始模型中Ci和Cj的父节点加入 到故障模式节点Mk的父节点集合,并删除故障原因节点Ci和Cj与父节点间的关联关系,以解决父节点冲突的问题。修正后的节点条件概率如式(3)、式(4)。 
    P(Mk|π(Ci),π(Cj))=P(Ci|π(Ci))×P(Cj|π(Cj))  (3) 
    P(Ci)=P(Cj)=P(Mk)  (4) 
    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Ei可能与其他FPBN模型的故障检测节点Ej为同一个变量,即Ei=Ej。此时,重新建立一个以Ei和Ej对应变量为故障检测节点Ek的FPBN模型,将两个原始模型中Ei和Ej的父节点加入到故障检测节点Ek的父节点集合,并删除故障检测节点Ei和Ej与父节点间的关联关系。此时的节点条件概率分布如式(5)、式(6)。 
    P(Ek|π(Ei),π(Ej))=P(Ei|π(Ei))×P(Ej|π(Ej))  (5) 
    P(Ei)=P(Ej)=P(Ek)  (6) 
    (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Ci与Cj为同一个变量且均无父节点时,考虑重新建立一个以Ci和Cj对应变量为故障模式节点Mk的新FPBN模型。同时,为了确保Mk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Cl。其中,虚拟节点Cl的先验概率为P(Cl)=P(Ci),新建立模型中的故障模式节点Mk的条件概率为P(Mk|Cl)=P(Cl),即二者概率永远一致。 
    (3)独立节点修正机制。 
    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,因此可以将FPBN中的独立节点直接删除。 
    步骤四、对FPBN??榛硪孕纬蒄PBNM。把??橹谐擞肫渌?橄嗔墓蚕硎淙虢诘?、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??榈母呒督诘鉍表示,形成FPBNM的高级节点模式。其具体操作方法如下: 
    (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,具体映射规则如下所示: 
    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。 
    重复上述步骤,对所有装备??槎杂Φ腇PBN模型进行??榛?,形成关于复杂装备所有组成??榈腇PBNM集合。并用高级节点表示所有的FPBNM,形成其高级节点模式。 
    图4示出了经过转化得到的HUD各组成部分高级节点模式FPBNM。 
    步骤五、将FPBNM集成。将??橹械慕诘闳糠庾捌鹄?,用一个代表整个??榈某督诘鉙表示,多个超级节点还可以进行进一步封装。其具体步骤如下; 
    (1)确定系统顶层故障模式,在复杂装备FPBNM集合中搜索对应的???,作为顶层FPBNM; 
    (2)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; 
    (3)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; 
    (4)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; 
    (5)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; 
    (6)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; 
    (7)从共享输出节点SOi分别向其他FPBNM中与其匹配共享输入节点SIj引入有向边,SIj的条件概率分布为P(SIj/SOi)=P(SOi),即二者分布概率永远同步; 
    (8)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。 
    参照图5,基于图4的HUD各组成部分FPBNM集合,即可按照上述步骤对所有??榻屑?,最终建立起HUD整体FPBN集成模型。此外,参照图6,图5还可以转换成超级节点模式。 
    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。其具体方式如下: 
    HUD故障模式预测工作:检测到偏转放大器出现偏转信号失真的状态,即P(M262=1)=1,应用图6所示平视显示器FPBN集成模型进行故障预测,其过程如下: 
    (1)搜索HUD超级节点模式FPBN集成模型,确定故障原因M262所属超级节点S122; 
    (2)参照图7,将超级节点S122展开为对应的完整节点模式FPBNM; 
    (3)根据检测到的证据P(M262=1)=1修改对应节点M262的状态取值; 
    (4)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HUD各故障模式发生的后验概率,结果列于表2; 
    表2HUD各故障模式后验概率 
    故障模式MjP(Mj=0) P(Mj=0|M262=1) M011 99.85% 91.57% M012 99.63% 99.63% M013 99.79% 69.21% M014 99.75% 61.51% M015 99.91% 99.91%
    (5)根据故障预测结果,结合可能发生故障模式的危害程度及现场维修能力确定相应的维修方案。    内容来自专利网重庆时时彩单双窍门 www.4mum.com.cn转载请标明出处

    关于本文
    本文标题:??榛丛幼氨副匆端雇绻收显げ夥椒?pdf
    链接地址://www.4mum.com.cn/p-6111678.html

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 浪潮孙丕恕从信息时代到智能时代 人工智能价值将爆发式释放 2019-12-21
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 排球少年第一季 金博棋牌app安卓手机版 湖北11选5彩票软件 单机捕鱼达人 股票融资的类型 赛马会论坛414148cm 福建时时彩 湖北快三开奖号码 羽毛球比赛总结 七牛娱乐群 31选7开奖号码18344 乐彩网大乐透走势图 北单比分3串1过滤模式 老快3官方网站 江苏快3下载苹果 幸运农场高手指导