采用动态故障树分析诊断系统故障的信息融合法

采用动态故障树分析诊断系统故障的信息融合法

第３９卷第１１期２０１１年１１月同济大学学报（自然科学版）

ＪＯＵＲＮＡＬＯＦＴＯＮＧＪＩＵＮＩＶＥＲＳＩＴＹ（ＮＡＴＵＲＡＬＳＣＩＥＮＣＥ）　　　　

Ｖｏｌ．３９Ｎｏ．１１　

ｏｖ．２０１１　Ｎ

）文章编号：０２５３３７４Ｘ（２０１１１１１６９９０６－－－　：／．ｉｓｓｎ．０２５３ＤＯＩ１０．３９６９３７４ｘ．２０１１．１１．０２４－ｊ

采用动态故障树分析诊断系统故障的信息融合法

段荣行１，董德存１，赵时旻２

（）同济大学交通运输工程学院，上海２上海申通轨道研究咨询有限公司，上海２１．０１８０４；２．０１１０３

摘要：为提高系统故障诊断效率，提出了一种利用动态故障树分析诊断系统故障的信息融合方法，该方法充分发挥动态通过集成系统结构故障树建模和贝叶斯网络推理各自优势，

信息和传感器信息来诊断系统故障．采用高效的零压缩二元并采用贝叶斯网络方法计算决策图生成系统所有最小割集，

部件和最小割集的诊断重要度；根据传感器证据信息对系统特征函数化简，同时对部件和证据条件下割集的诊断重要度进行更新；综合考虑部件和割集诊断重要度设计了系统诊断生成诊断决策树以指导维修人员恢复系统故障；决策算法，

最后通过实例验证了该故障诊断方法的有效性．

关键词：动态故障树；离散时间贝叶斯网络；诊断重要度；期望诊断代价

中图分类号：ＴＢ１１４．３　　

文献标识码：Ａ

ａｎｄｕｓｅｄｔｏｄｅｖｅｌｏｄｉａｎｏｓｔｉｃｄｅｃｉｓｉｏｎａｌｏｒｉｔｈｍｔｏｏｔｉｍｉｚｅ　　　　　　　ｐｇｇｐ　，ａｓｓｔｅｍｉａｎｏｓｉｓ．Ｔｈｅｎｉａｎｏｓｔｉｃｅｃｉｓｉｏｎｒｅｅａｓ　ｄ　ｄ　ｄ　ｔ　ｗｙｇｇｅｎｅｒａｔｅｄｔｏｕｉｄｅｔｈｅｍａｉｎｔｅｎａｎｃｅｃｒｅｗｔｏｒｅｃｏｖｅｒａｓｓｔｅｍ．　　　　　　　　　ｇｇｙ

，ａｎｅｘａｍｌｅｗａｓｔｏｉｌｌｕｓｔｒａｔｅｔｈｅｅｆｆｉｃｉｅｎｃｏｆＦｉｎａｌｌｉｖｅｎ　　　　　　　ｐｙｙｇ　ｔｈｉｓｍｅｔｈｏｄ．　

：ｄ；ｄＫｅｗｏｒｄｓｎａｍｉｃａｕｌｔｒｅｅｉｓｃｒｅｔｅｔｉｍｅａｅｓｉａｎ　ｆ　ｔ－　Ｂｙｙｙ　；；ｎｅｔｗｏｒｋｄｉａｎｏｓｔｉｃｉｍｏｒｔａｎｃｅｔｈｅｅｘｅｃｔｅｄｄｉａｎｏｓｉｓｃｏｓｔ　　　　ｇｐｐｇ

系统的能力和现代化水平　　随着科学技术发展，日益提高，系统规模越来越大，复杂性也越来越高．这类系统一旦发生故障，便会造成巨大损失．因此，寻求以最低代价和最少时间恢复系统正常工作状态故障诊断主要研的诊断与维修方案具有重要意义．

究如何对系统中出现的故障进行检测、分离和辨识，即判断故障是否发生，定位故障发生的部位和确定故障幅值的大小．

为指导故障诊断步骤的合理排序，提高故障诊断效率，国内外学者提出了很多有效的理论和方法．］文献［提出了将故障诊断方法分为定性分析方法１和定量分析方法，并对这些方法作了详细的综述．定性分析方法可以不依赖大量的故障数据，同时可以充分利用产品设计时的定性和定量参数，且可进行自动诊断，非常适合于诊断大型复杂系统．文献［２］提出了基于熵减少的贪婪诊断算法，它以每次获得最大的信息量来选择下一步被诊断部件，并不是从整体最优上加以考虑，更没有利用系统结构信息，得出的往往是局部最优解．文献［采用启发式搜３－４］索的顺序测试方法来定位故障，不仅可以考虑测试代价，而且可以诊断多个故障，但这种方法需要构建故障字典，对于复杂大系统，用这种搜索方法所需的计算量非常大．针对上述方法的不足，文献［利５－６］

ＩｎｆｏｒｍａｔｉｏｎＦｕｓｉｏｎ　ＭｅｔｈｏｄｆｏｒＳｓｔｅｍ　Ｆａｕｌｔ　　　ｙａｓｅｄｎｎａｍｉｃａｕｌｔＤｉａｎｏｓｉｓ　Ｂ　ｏ　Ｄ　Ｆｙｇ

ＴｒｅｅＡｎａｌｓｉｓ　ｙ

１ＤＵＡＮ　ＲｏｎｘｉｎＯＮＧ　Ｄｅｃｕｎ１，ＺＨＡＯ　Ｓｈｉｍｉｎ２ｇｇ，Ｄ

（，，１．ＣｏｌｌｅｅｏｆＴｒａｎｓｏｒｔａｔｉｏｎＥｎｉｎｅｅｒｉｎＴｏｎｉＵｎｉｖｅｒｓｉｔＳｈａｎｈａｉ　　　　ｇｐｇｇｇｊｙｇ；２．ＣｈｉｎａＳｈａｎｈａｉＳｈｅｎｔｏｎＲａｉｌＴｒａｎｓｉｔＲｅｓｅａｒｃｈａｎｄ２０１８０４，　　　　ｇｇ　，）ＣｏｎｓｕｌｔａｎｃＬｔｄ．Ｃｏ．Ｓｈａｎｈａｉ２０１１０３，Ｃｈｉｎａ　ｙｇ　

：ＡｒｏｏｓｅｄＡｂｓｔｒａｃｔｎｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎｍｅｔｈｏｄｗａｓｔｏ　　　　　　ｐｐｓｓｔｅｍｆａｕｌｔｓｗｉｔｈｄｎａｍｉｃｆａｕｌｔｔｒｅｅ（ＤＦＴ）ａｎａｌｓｉｓｄｉａｎｏｓｅ　　　　　　ｙｙｙｇ，ｔｏｉｍｒｏｖｅｔｈｅｅｆｆｉｃｉｅｎｃｏｆｓｓｔｅｍｄｉａｎｏｓｉｓｗｈｉｃｈｍａｄｅｆｕｌｌ　　　　　　　ｐｙｙｇ　ｏｆｔｈｅａｄｖａｎｔａｅｓｏｆｂｏｔｈＤＦＴｆｏｒｍｏｄｅｌｉｎａｎｄＢａｅｓｉａｎｕｓｅ　　　　　　　　　ｇｇｙ　ｎｅｔｗｏｒｋｓ（ＢＮ）ｆｏｒｔｈｅｉｎｆｅｒｅｎｃｅａｂｉｌｉｔａｎｄｉｎｃｏｒｏｒａｔｅｄ　　　　ｙｐ　ｓｓｔｅｍｓｔｒｕｃｔｕｒｅｉｎｆｏｒｍａｔｉｏｎａｓｗｅｌｌａｓｓｅｎｓｏｒｓｄａｔａｉｎｔｏｆａｕｌｔ　　　　　　　　　ｙ

ｄｉａｎｏｓｉｓ．Ａｌｌｍｉｎｉｍａｌｃｕｔｓｅｔｓｗｅｒｅｖｉａａｎｅｆｆｉｃｉｅｎｔｅｎｅｒａｔｅｄ　　　　　　　　ｇｇｚｅｒｏｓｕｒｅｓｓｅｄｂｉｎａｒｄｅｃｉｓｉｏｎｄｉａｒａｍ，ｗｈｉｌｅｔｈｅｄｉａｎｏｓｔｉｃ－　　　　ｐｐｙｇｇ　ｉｍｏｒｔａｎｃｅｆａｃｔｏｒｏｆｃｏｍｏｎｅｎｔｓａｎｄｍｉｎｉｍａｌｃｕｔｓｅｔｓｗｅｒｅ　　　　　　　　ｐｐ，ｃａｌｃｕｌａｔｅｄｕｓｉｎＢＮ．Ｆｕｒｔｈｅｒｍｏｒｅｔｈｅｓｅｒｅｌｉａｂｉｌｉｔａｎａｌｓｉｓ　　ｇｙｙ　　ｔｏｅｔｈｅｒｗｉｔｈｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｆｕｎｃｔｉｏｎｏｆｔｈｅｓｓｔｅｍｒｅｓｕｌｔｓ　　　　　　　　ｇｙｗｅｒｅｕｄａｔｅｄａｆｔｅｒｒｅｃｅｉｖｉｎｔｈｅｅｖｉｄｅｎｃｅｄａｔａｆｒｏｍｓｅｎｓｏｒｓ　　　　　　　ｐｇ　

收稿日期：２０１０－０９－０８

”（）；）基金项目：国家“高技术研究发展计划资助项目国家自然科学基金资助项目（８６３２００７ＡＡ１１Ｚ２４７６１０７４１３９

，：＿第一作者：段荣行（男，讲师，博士生，主要研究方向为智能故障诊断及系统可靠性．１９７７—）Ｅ－ｍａｉｌｎｃｕｅｅ２６．ｃｏｍ＠１—），，，，，：通讯作者：董德存（男教授工学博士博士生导师主要研究方向为交通信息与控制１９５８．Ｅ－ｍａｉｌｄｄｃ５８＠ｓｏｈｕ．ｃｏｍ

采用动态故障树分析诊断系统故障的信息融合法

　１７００

同济大学学报（自然科学版）第３９卷　

用故障树对系统可靠性进行分析，得出系统各部件诊断重要度，并以此为依据诊断系统故障．文献［７］通过故障树分析，提出故障判明效时比，按各部件的故障判明效时比来确定故障诊断的最优程序，但没］有考虑系统割集．文献［综合考虑部件和最小割集８的重要度来确定系统部件的诊断顺序，避免了概率优化了诊断效率，然小的最小割集优先诊断的情况，

而这种故障诊断方法是基于静态逻辑或静态故障机理的，不适用于诊断动态随机性故障的系统．Ａｓｓａｆ等人在动态故障树分析基础上提出了一种融合传感器信息的故障诊断方法

［９］

是系统发生故障时第ｉ个部件ｃＰ（ｃｉ）ｉ发生故障的概率．

由于系统各部件的复杂程度不同，因而它们的测试费用也不同，为此引入了费用诊断重要度（ｃｏｓｔ

［６］

，，其数学ｄｉａｎｏｓｔｉｃｉｍｏｒｔａｎｃｅｆａｃｔｏｒＣＤＩＦ）ａｎｄ　　　ｇｐ

表达式为

／ＣＤＩＦＩＦｔ＝Ｄｃｃｉｉｉ

式中，ｔｉ个部件ｃｉ表示第ｉ的测试费用．

（）２

基于以上分析，提出了图１所示的系统故障诊首先通过演绎法建立系统动态故障树模型；断方法．

然后对其进行定性和定量分析，定性分析求出系统所有最小割集，定量分析采用离散时间贝叶斯网络方法求部件和割集的诊断重要度，确定诊断传感器的位置，并由传感器获得的证据信息对最小割集和和部件诊断重要度进行更新；最后综合考虑割集诊断重要度和部件Ｃ生成相ＤＩＦ确定系统诊断算法，，应的诊断决策树（ｄｉａｎｏｓｔｉｃｄｅｃｉｓｉｏｎｔｒｅｅＤＤＴ）．　　ｇ

，利用传感器信息减少被

诊断的割集数量，但动态故障树的求解方法是基于马尔科夫链的，当诊断复杂系统时，不仅会导致系统而且也没有推理能力，不能在获取故状态空间爆炸，

障证据信息时对部件故障概率进行更新，影响了系统故障诊断的精度和效率．综合以上研究，本文提出了一种利用动态故障树分析诊断系统故障的信息融以系统动态故障树为分析模型，将动态故障合方法，

不仅树转化成离散时间贝叶斯网络进行定量分析，可以避免系统状态空间爆炸，而且可以在获取传感器信息后进行推理，更新部件和割集的诊断重要度，从而客观反映它们对系统故障的贡献程度；同时综合考虑部件和割集的诊断重要度设计了故障诊断算法，优化了诊断过程，以城市轨道交通微机控制直通电空控制系统为例验证了方法的有效性．

图１　系统故障诊断方法

Ｆｉ１　Ｓｓｔｅｍｆａｕｌｔｄｉａｎｏｓｉｓｍｅｔｈｏｄ　　　ｇ．ｙｇ

１　系统故障诊断方法

动态故障树是在静态故障树的基础上，通过引入功能相关门等动态逻辑门实现对系统动态故障行为描述，通过对动态故障树分析可以得出系统的最，小割序／割集（统称为最小割集，ｍｉｎｉｍａｌｃｕｔｓｅｔｓ　　）和重要度，其中诊断重要度（ＭＣＳｄｉａｎｏｓｔｉｃｇ

，是基于可靠性分析故障诊断ｉｍｏｒｔａｎｃｅｆａｃｔｏｒＤＩＦ）　ｐ

５］

，它从诊断的角度上对系统不同部件方法的基石［

２　动态故障树分析

２．１　动态故障树定性分析

行列法和代数化简法是求解最小割集最有效的但不适合于动态故障树求解．基于零压缩二元方法，

决策图（ｚｅｒｏｓｕｒｅｓｓｅｄｂｉｎａｒｄｅｃｉｓｉｏｎｄｉａｒａｍ，－　　ｐｐｙｇ　

１０］

的最小割集生成方法［分离了动态逻辑门ＺＢＤＤ）的时序属性与逻辑属性，可以在先不考虑时序约束利用基的情况下把动态故障树转化为静态故障树，本集合运算对故障树进行深度优先、从左至右遍历，递归执行直至最顶层门结构，可得静态故障树的最小割集，再把静态故障树中的最小割集概念拓展到动态故障树中的最小顺序割集．最小割集描述了系统结构方面的信息，将所有最小割集和定义为系统特征函数．

进行了区分，诊断重要度大的部件越重要，诊断时可综合考虑最小割集和部件的诊断重要度来进行决策．最小割集和部件诊断重要度的数学表达式为

ＤＩＦＭＣＳｉ

，）ＭＣＳＤＩＦｃ１＝Ｐ（＝Ｐ（ｉ）ｃｉ）（ｉ

式中：指第ｉ个ＭＣＳＤＩＦＭＣＳｉ表示第ｉ个最小割集；ｉ最小割集的诊断重要度；指系统发生故Ｐ（ＭＣＳｉ）

障时第ｉ个最小割集发生故障的概率；ｃ２．２　动态故障树定量分析ｉ是系统中第

是第ｉ个部件ｃ动态故障树定量分析主要计算最小割集诊断重ｉ个部件；ＤＩＦｃｉ的诊断重要度；ｉ

采用动态故障树分析诊断系统故障的信息融合法

１期　第１段荣行，等：采用动态故障树分析诊断系统故障的信息融合法

１７０１　　

］要度和各部件诊断重要度．文献［采用马尔科夫状１１态转移链的方法来分析动态故障树，先求出部件的边再利用边缘重要度和诊断重要度的关系得缘重要度，

到部件诊断重要度的近似值，计算过程复杂，而且会并且不能在获取证在系统庞大时导致状态空间爆炸，

据信息时进行推理．故本文提出了将动态故障树转化为离散时间贝叶斯网络（ｄｉｓｃｒｅｔｅｔｉｍｅＢａｅｓｉａｎ－　ｙ，的方法计算诊断重要度，ＤＴＢＮ）ＤＴＢＮ是在ｎｅｔｗｏｒｋ逻辑门转化贝叶斯网络基础上增加了一个时间变量，］为ＤＴＢＮ的方法可参考文献［１２－１３．

动态故障树转化成了Ｄ借助于ＭＴＢＮ后，ａｔｌａｂ

）贝叶斯网络开源工具Ｂ计算ＮＴ（Ｂａｅｓｎｅｔｔｏｏｌｂｏｘ　　ｙ各部件诊断重要度，并可以在获取证据信息后对它输入系统故障证据Ｐ（进行更新．Ｓ＝ｋ＋１）＝０和利用ＢＰ（Ｓ＝ｘ）＝１／ｋ，１≤ｘ＜ｋ＋１，ＮＴ的团树推

理算法进行后向推理即可求得部件在系统失效时部（，从而得出它的诊件ｃｘ＝ｋ＋１）ｉ正常的概率为Ｐｃｉ断重要度为

（）ＤＩＦｘ＝ｋ＋１ｃ＝１－Ｐｃｉｉ

最小割集的诊断重要度可求得如下：

／ＤＩＦＭＣＳＰ（Ｓ）ＭＣＳｉ＝Ｐ（ｉ）　

（）３

另一方面利用贝叶斯定理对部件和割集的诊断

重要度进行更新，以实时反映它们对系统故障的贡献程度．

３　诊断决策算法

由于证据条件下割集的每一项对应系统故障的一种模式，因此故障诊断时可通过逐个测试证据条所以系统故障诊断是以证件下割集来定位故障源．

据条件下割集为单位，只有当一个证据条件下割集诊断完后才能诊断下一个割集．割集的诊断顺序由割集的诊断重要度来决定，诊断重要度大的割集优先诊断，而同一割集里部件的诊断顺序由其费用诊费用诊断重要度大的部件先诊断．断重要度来确定，

综合考虑证据条件下割集的诊断重要度和部件的费

８］

：用诊断重要度，诊断决策算法如下［

步骤１：列出系统所有证据条件下割集并按诊断重要度从大到小排列；

步骤２：选择诊断重要度最大的证据条件下割集，并诊断其费用诊断重要度最大的部件Ｎ；

步骤３：将所有证据条件下割集分为２部分，一（）４

另一部分不包含部件Ｎ；式中：为第ｉ个最小割集发生故障的概率；部分包含部件Ｎ，Ｐ（ＭＣＳｉ）

则诊断所有含Ｎ的为系统发生故障的概率．３．１　假如部件Ｎ诊断为故障，Ｐ（Ｓ）２．３　集成传感器信息

系统故障时一般会伴随一些故障证据信息，将这些信息用于诊断可以提高故障诊断效率．故障证而传感器位置的选据信息可通过诊断传感器获取，

择显得尤为重要．传统传感器设置点选择的方法是信息熵大的部件作为传感器的设置基于信息熵的，

点．诊断重要度从诊断的角度对不同部件进行了区分，诊断重要度越大的部件越重要，故可以它作为传感器位置选择的标准，将传感器设置在证据信息函设传感器Ｓ同时监测部件Ｃ和Ｄ，数值大的部件上．

逻辑关系为与，证据信息函数可以表示为

（）Ｅ＝ＤＩＦＩＦ５Ｃ·ＤＤ

获取证据信息后，一方面对系统特征函数进行化简以减少被诊断的割集数，将更新后的系统特征函数，定义为证据条件下的割集（ｃｕｔｓｅｔｓｕｎｄｅｒｅｖｉｄｅｎｃｅ　　　，假设一个系统的特征函数为ＣＵＥ）

证据条件下割集

（）诊断所有证据条件割集，诊断重要度大的１

证据条件下割集优先诊断；

）在诊断同一证据条件下割集时，（费用诊断２

重要度大的部件优先诊断；

则诊断所有不含Ｎ３．２　如果部件Ｎ诊断为正常，

的证据条件下割集

（）在未诊断的证据条件下割集中，选定诊断１

重要度最大的割集；

（）重复执行步骤２和步骤３．２

上面诊断决策算法可以用诊断决策树的形式来诊断决策树是一个有向无环图，由结点和有向表示，

５，１１］

弧组成［结点表示正在诊断的部件，有向弧指向．

下一个被诊断的部件，右弧表示被诊断的部件故障，其指向与父结点同一割集的其他部件，左弧表示被诊断的部件正常，所有包含该结点的割集都不会发生，无需诊断这些割集；左弧指向与父结点不在同一割集的部件．如果某部件被诊断为故障则应进行维当割集里所有部件维修后都要检查系统是否恢修，

复正常，如果系统仍然故障则转向下一个割集进行诊断，直到系统恢复正常．确定了割集和部件的诊断

Ｆ＝ＡＢ＋ＡＤ＋ＢＣ＋ＣＤ＋ＤＥ

式中，Ａ和Ｂ为部件．则证据条件下的割集为Ｄ都出现故障，

（）６

传感器Ｓ同时监测部件Ｃ和Ｄ，并检测到Ｃ和

Ｆｃｕｅ＝Ａ＋Ｂ＋Ｅ

（）７

采用动态故障树分析诊断系统故障的信息融合法

　１７０２

同济大学学报（自然科学版）第３９卷　

顺序，可以很容易画出诊断决策树．］１６－１７

，标［得出对系统可靠性造成影响的薄弱环节，

进而提出合理的改进方案，而对其故障诊断方法鲜

４　系统故障诊断评价指标

系统诊断方法是否优越通常用以下两个指标来衡量：诊断准确度和诊断代价．诊断准确度可用系统被诊断单元的平均数来量化，被诊断单诊断完成时，

元平均数越小，则系统诊断准确度越高．而诊断代价诊断代价越低说明主要包括诊断时间和诊断费用，

系统诊断方法越好．由于系统故障诊断结果是以诊断决策树的形式来描述，因此评价诊断算法的好坏可以从评价相应诊断决策树入手．传统评价决策树

１４］１５］

，方法有决策树平均深度［和期望代价函数［在一

本文采用动态故障树为分析模型，可以考虑有研究．

系统故障的动态属性，不仅能得出系统定性和定量指标，而且能在系统故障时快速、准确地定位故障原因，尽快使系统恢复正常．

某微机控制直通电空制动系统常用制动失效的

［１７］

，动态故障树见图２假设所有部件均服从指数分

按前面的方法设置诊断传感器，它同时监测部件布，

并假设它监测到了部件Ｘ１Ｘ１８和Ｘ１９，８和Ｘ１９都发生

故障．采用ＺＢＤＤ的方法对动态故障树进行定性分析，利用证据信息对所有最小割集进行化简，求出证据条件下的割集；将此动态故障树转换成相应的输入相关证据信息，借助于贝叶斯网络强大ＤＴＢＮ，

的推理功能进行定量分析，求出证据条件下割集和部件的诊断重要度，详细诊断数据见表１．对割集按诊断重要度大的割照诊断重要度的大小进行排序，

集优先诊断；对同一割集的不同部件根据其费用诊费用诊断重要度大的断重要度的大小来进行诊断，

部件优先诊断．为简化计算，假设所有部件的测试费用为１，结合前面的诊断决策算法，可以得出常用制动失效的诊断决策树如图３，显然，加入传感器信息后，诊断决策树明显减小．用式（计算不同诊断算８）文献［和［方法对应的期法的期望诊断代价值，８］９］望诊断代价分别为３．而用本文方法得５６２和２．５８６，其诊断效率最高．出的期望诊断代价值为１．９１８，

定程度上它们分别对应于诊断准确度和诊断代价．然而这些方法都仅仅考虑部件的测试费用和失效概率，忽略了系统的定性结构和部件的诊断重要度，因因为系统故障的原因是系统某个此评价并不客观．

最小割集发生了故障，所以故障诊断评价指标应从而不能像前面两种方法最小割集的故障概率入手，

那样采用决策树路径的故障概率．为客观评价系统故障诊断方法，综合考虑系统的定性和定量信息，提，出了期望诊断代价函数（ｅｘｅｃｔｅｄｄｉａｎｏｓｉｓｃｏｓｔ　　ｐｇ，它是指排除系统故障时，所采用的诊断与维ＥＤＣ）

其表达式为修所产生代价的期望值，

ｎ

ｍｉ

ＭＣＳｉ

ＥＤＣ＝

ｉ＝１

ＩＦＤ

·ｃｐｉ，　ｃｐｉ＝

ｊ＝１

ｔ

ｉ

（）８

式中：为决策树第ｉ条路径的测试费用；ｃｍｉ为决策ｐｉ树第ｉ条路径包含的所有结点个数；ｔｊ为结点ｃｊ的测试费用．

期望诊断代价函数考虑了部件故障和系统故障兼顾了诊断准确度和诊断代价，评价指之间的联系，

而且计算也简单．期望诊断代价函数值越标更客观，

小说明系统故障诊断方法越优越．

采用动态故障树分析诊断系统故障的信息融合方法以系统动态故障树为分析模型，基于ＺＢＤＤ的定性分析方法求出所有最小割集，基于ＤＴＢＮ的定量分析方法求出割集和部件的诊断重要度，通过集成传感器信息对系统特征函数进行化简，减少被诊同时利用贝叶斯网络的推理能力在获断的割集数；

取证据信息后对割集和部件的诊断重要度进行更

微机控制直通电空制动系统已成为城市轨道交通车辆制动系统的首选，它具有反应迅速、操纵灵活、能与电制动混合使用和防滑控制等功能，是一个其功能由电路和气路两部分机电结合的控制系统，

协调完成，而且这两部分各自成系统，同时又存在较大的耦合度，逻辑关系错综复杂．国内对微机控制直通电空制动系统的研究仅局限于对其进行可靠性分采用可靠性框图或静态故障树计算其定量指析，

新，并以此为依据设计系统故障诊断算法，兼顾了发生概率大的割集诊断优先性与包含诊断重要度大的部件的割集的诊断优先性，一定程度上避免了发生概率小的割集优先诊断的情况，提高了系统诊断效率．该方法充分发挥了动态故障树和贝叶斯网络各能快速、准确诊断系统故障原因，节省诊自的优势，

断成本，优化系统诊断过程．

６　结论

５　实例分析

采用动态故障树分析诊断系统故障的信息融合法

１期　第１段荣行，等：采用动态故障树分析诊断系统故障的信息融合法

１７０３　　

图２　微机控制直通电空制动系统常用制动失效动态故障树

Ｆｉ２　Ａｄｎａｍｉｃｆａｕｌｔｔｒｅｅｆｏｒｓｅｒｖｉｃｅｂｒａｋｉｎｆａｉｌｕｒｅｏｆｂｒａｋｉｎｓｓｔｅｍ　　　　　　　　ｇ．ｙｇｇｙ　　

表１　微机控制直通电空制动系统常用制动失效故障诊断数据Ｔａｂ．１　Ｄｅｔａｉｌｅｄｄｉａｎｏｓｔｉｃｄａｔａｆｏｒｔｈｅｓｅｒｖｉｃｅｂｒａｋｉｎｆａｉｌｕｒｅ　　　　　　ｇｇ　

部件

部件ＤＩＦ

３．２４×１０－１　３．２４×１０－１　３．２４×１０－１　３．２４×１０－１　２．７８×１０－１　１．２５×１０－１　７．６４×１０－２　７．６４×１０－２　５．７４×１０－２　２．７０×１０－２　２．１７×１０－２　１．８５×１０－２　１．７７×１０－２

证据下部件ＤＩＦ

１　１　

４．６５×１０－１　４．６５×１０－１　７．８６×１０－２　３．５４×１０－２　７．３２×１０－２　７．８４×１０－２　１．６２×１０－２　２．７６×１０－２　２．１７×１０－２　１．７５×１０－２　１．７６×１０－２

部件部件ＤＩＦ

１．４７×１０－２　４．８０×１０－３　４．８０×１０－３　２．００×１０－３　１．５５×１０－３　１．５２×１０－３　１．５２×１０－３　１．３９×１０－３　１．３９×１０－３　１．３４×１０－３　８．７４×１０－４　８．２０×１０－４　５．７８×１０－７

证据下部件ＤＩＦ

１．４１×１０－２　１．３７×１０－３　６．９３×１０－３　２．００×１０－３　１．５３×１０－３　１．５２×１０－３　１．５２×１０－３　１．３７×１０－３　１．３７×１０－３　３．８０×１０－４　２．４７×１０－４　８．００×１０－４　５．７８×１０－７

证据下割集证据下割集ＤＩＦ４．６５×１０－１４．６５×１０－１７．８６×１０－２３．５４×１０－２１．６２×１０－２６．９３×１０－３３．７８×１０－４２．４７×１０－４９．３３×１０－６６．１１×１０－６１．５４×１０－６２．２２×１０－７

２

３．５３×１０－１

Ｘ１８Ｘ１９Ｘ２２Ｘ２３Ｘ２６Ｘ１Ｘ２０Ｘ２４Ｘ２Ｘ５Ｘ７Ｘ１２Ｘ８

Ｘ１４Ｘ２１Ｘ２５Ｘ６Ｘ３Ｘ９Ｘ１０Ｘ１６Ｘ１７Ｘ１３Ｘ１５Ｘ４Ｘ１１

Ｘ２３Ｘ２２Ｘ２６Ｘ１Ｘ２Ｘ２Ｘ２４，５Ｘ１Ｘ１２，３Ｘ１Ｘ１４，５Ｘ１Ｘ１６，７Ｘ３，Ｘ４Ｘ３，Ｘ７，Ｘ８Ｘ３，Ｘ５，Ｘ６Ｘ３，Ｘ９，Ｘ１Ｘ１０，１

采用动态故障树分析诊断系统故障的信息融合法

　１７０４

同济大学学报（自然科学版）第３９卷

图３　常用制动失效诊断决策树

Ｆｉ３　Ｄｉａｈｏｓｔｉｃｄｅｃｉｓｉｏｎｔｒｅｅｆｏｒｓｅｒｖｉｃｅｂｒａｋｉｎｆａｉｌｕｒｅｏｆｂｒａｋｉｎｓｓｔｅｍ　　　　　　　ｇ．ｇｇｇｙ　　

ｕｓｉｎｍｏｎｉｔｏｒｓａｎｄｓｅｎｓｏｒｓ［Ｊ］．ＲｅｌｉａｂｉｌｉｔＥｎｉｎｅｅｒｉｎａｎｄ　　ｇｙｇｇ　　　

参考文献：

［］胡艳艳．动态系统的故障诊断技术［自动化学报，１］Ｊ．　周东华，

（）：２００９，３５６７４８．

，ＨＵ　ＤｏｎｈｕａＹａｎａｎ．ＦａｕｌｔｄｉａｎｏｓｉｓｔｅｃｈｎｉｕｅｓｆｏｒＺＨＯＵ　　　　ｇｙｇｑ

［］，，（）：ｄｎａｍｉｃｓｓｔｅｍｓＪ．ＡｃｔａＡｕｔｏｍａｔｉｃａＳｉｎｉｃａ２００９３５６７４８．　　　ｙｙ［２］ｏｒｅｔＢ　Ｍ．Ｄｅｃｉｓｉｏｎｒｅｅｓｎｄｉａｒａｍｓ［Ｊ］．Ｃｏｍｕｔｉｎ　Ｍ　　ｔ　ａ　ｄｇｐｇ

，（）：Ｓｕｒｖｅｓ１９８２，１４４５９３．ｙ

［３］ａｔｔｉａｔｉＫ　Ｒ，ＡｌｅｘａｎｄｒｉｄｉｓＭ　Ｇ．Ａｌｉｃａｔｉｏｎｏｆｈｅｕｒｉｓｔｉｃ　Ｐ　　　　ｐｐｐ

［］ａｎｄｉｎｆｏｒｍａｔｉｏｎｔｈｅｏｒｔｏｓｅｕｅｎｔｉａｌｄｉａｎｏｓｉｓＪ．ＩＥＥＥｓｅａｒｃｈ　　　　　ｙｑｇ　，Ｍ，，ｏｎＳｓｔｅｍｓａｎａｎｄＣｂｅｒｎｅｔｉｃｓ１９９０，２０Ｔｒａｎｓａｃｔｉｏｎｓ　　　ｙｙ（）：４８７２．

［４］ｈａｋｅｒｉＭ，ＲａｈａｖａｎＶ，ＰａｔｔｉａｔｉＫ　Ｒ，ｅｔａｌ．Ｓｅｕｅｎｔｉａｌｔｅｓｔｉｎ　Ｓ　　　　　ｇｐｑｇ

［］ｆｏｒｍｕｌｔｉｌｅｆａｕｌｔｄｉａｎｏｓｉｓＪ．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓａｌｏｒｉｔｈｍｓ　　　　　ｇｐｇ

，，，（）：ＳｓｔｅｍｓＭａｎａｎｄＣｂｅｒｎｅｔｉｃｓ２０００，３０１１．ｏｎ　　ｙｙ

［５］ｓｓａｆＴ，ＤｕａｎＪＢ．Ａｕｔｏｍａｔｉｃｅｎｅｒａｔｉｏｎｏｆｄｉａｎｏｓｔｉｃｅｘｅｒｔ　Ａ　　　　　　　ｇｇｇｐ

ｆｒｏｍａｕｌｔｒｅｅｓ［Ｃ］∥Ａｎｎｕａｌｅｌｉａｂｉｌｉｔｎｄｓｓｔｅｍｓ　　ｆ　ｔ　Ｒｙｙ　ａ

：ＭａｉｎｔａｉｎａｂｉｌｉｔＳｍｏｓｉｕｍ．ＬｏｓＡｎｅｌｅｓＩＥＥＥＲｅｌｉａｂｉｌｉｔ　　ｙｙｐｇｙ　，Ｓｏｃｉｅｔ２００３：１４３－１４７．ｙ

［６］ｓｓａｆＴ，ＤｕａｎＪＢ．Ｄｅｓｉｎｆｏｒｄｉａｎｏｓｉｓｕｓｉｎａｄｉａｎｏｓｔｉｃ　Ａ　　　　　　　ｇｇｇｇｇ　

ｅａｓｕｒｅ［Ｊ］．ＩＥＥＥｎｓｔｒｕｍｅｎｔａｔｉｏｎｎｄｅｖａｌｕａｔｉｏｎ　ｍ　Ｉ　ａ，ＭｅａｓｕｒｅｍｅｎｔＭａａｚｉｎｅ２００６，４：３７．　ｇ

［张裕芳，易宏，等．基于故障树的智能故障诊断方法７］　倪绍徐，

［］（）：上海交通大学学报，Ｊ．２００８，４２８１３７２．

，，，ＮＩＳｈａｏｘｕＺＨＡＮＧＹｕｆａｎＹＩＨｏｎｅｔａｌ．Ｉｎｔｅｌｌｉｅｎｔｆａｕｌｔ　　　　　ｇｇｇ［］ｄｉａｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎｆａｕｌｔｔｒｅｅＪ．ＪｏｕｒｎａｌｏｆＳｈａｎｈａｉ　　　　　　　ｇｇ，（）：Ｕｎｉｖｅｒｓｉｔ２００８，４２８１３７２．Ｊｉａｏｔｏｎｙｇ　

［董德存，任鹏．采用故障树分析诊断系统故障的改进８］　陶勇剑，

］（）：方法［哈尔滨工业大学学报，Ｊ．２０１０，４２１１４３．

，ＲＹｏｎｉａｎ，ＤＯＮＧｅｃｕｎＥＮｅｎ．ＡｎｍｒｏｖｅｄＴＡＯ　　Ｄ　Ｐ　ｉｇｊｇｐ［］ｍｅｔｈｏｄｆｏｒｓｓｔｅｍｆａｕｌｔｄｉａｎｏｓｉｓｕｓｉｎｆａｕｌｔｔｒｅｅａｎａｌｓｉｓＪ．　　　　　　　ｙｇｇｙ　，（）：ＪｏｕｒｎａｌｏｆＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏ２０１０，４２１１４３．　　　　　ｇｙ

［９］ｓｓａｆＴ，ＤｕａｎＪＢ．Ｄｉａｎｏｓｉｓｂａｓｅｄｏｎｒｅｌｉａｂｉｌｉｔａｎａｌｓｉｓ　Ａ　　　　　　ｇｇｙｙ　

，（）：Ｓａｆｅｔ２００８，９３４５０９．Ｓｓｔｅｍ　ｙｙ

［，Ｄ／１０］Ｚｈｉｈｕａｕａｎｉｎｉｍａｌｕｔｅｔｓｅｕｅｎｃｅ　ＴＡＮＧ　　Ｊ　Ｂ．Ｍ　ｃ　ｓｇｑ

［ｆｏｒｄｎａｍｉｃｆａｕｌｔｔｒｅｅｓＣ］ｎｎｕａｌＲｅｌｉａｂｉｌｉｔａｎｄｅｎｅｒａｔｉｏｎ　　　　∥Ａ　ｙｙｇ　

ＭａｉｎｔａｉｎａｂｉｌｉｔＳｍｏｓｉｕｍｏｎｒｏｃｄｕｃｔＱｕａｌｉｔａｎｄＩｎｔｅｒｉｔ．　　　　ｙｙｐｐｙｇｙ　　

：ＡｍＬｏｓｎｅｌｅｓｅｒｉｃａｎｎｓｔｉｔｕｔｅｆｅｒｏｎａｕｔｉｃｓｎｄ　Ａ　Ｉ　ｏ　Ａ　ａｇ

，Ａｓｔｒｏｎａｕｔｉｃｓ２００４：２０７－２１３．

［［］１１］ｓｓａｆＴ，ＤｕａｎＪＢ．ＢｕｉｌｄｂｅｔｔｅｒｄｉａｎｏｓｔｉｃｄｅｃｉｓｉｏｎｔｒｅｅｓＪ．ＩＥＥＥ　Ａ　　　　　　　ｇｇ

，，：ＩｎｓｔｒｕｍｅｎｔａｔｉｏｎａｎｄＭｅａｓｕｒｅｍｅｎｔＭａａｚｉｎｅ２００５８４８．　　　ｇ［１２］ｏｕｄａｌｉＨ，ＤｕａｎＪＢ．ＡｄｉｓｃｒｅｔｅｔｉｍｅＢａｅｓｉａｎｎｅｔｗｏｒｋ　Ｂ　　　　－　　ｇｙ

ｍｏｄｅｌｉｎａｎｄａｎａｌｓｉｓｆｒａｍｅｗｏｒｋ［Ｊ］．Ｒｅｌｉａｂｉｌｉｔｒｅｌｉａｂｉｌｉｔ　　ｇｙｙｙ　　，（）：ＥｎｉｎｅｅｒｉｎａｎｄＳｓｔｅｍＳａｆｅｔ２００５，８７３３３７．　　ｇｇｙｙ　

［，Ｗ，Ｄ１３］ＵＡＮ　ＲｏｎｘｉｎＡＮ　ＧｕｏｃｈｕｎＯＮＧｅｃｕｎ．Ａｅｗ　Ｄ　Ｄ　ｎｇｇ

ａｓｓｅｓｓｍｅｎｔｍｅｔｈｏｄｆｏｒｓｓｔｅｍｒｅｌｉａｂｉｌｉｔｂａｓｅｄｏｎｄｎａｍｉｃｆａｕｌｔ　　　　　　　ｙｙｙ　

ｔｒｅｅ［Ｃ］∥３ｒｄｎｔｅｌｌｉｅｎｔｏｍｕｔａｔｉｏｎｅｃｈｎｏｌｏｎｄ　Ｉ　Ｃ　Ｔｇｐｇｙ　ａ：，：Ａｕｔｏｍａｔｉｏｎ．ＣｈａｎｓｈａＩＥＥＥＣｏｍｕｔｅｒＳｏｃｉｅｔ２０１０２１９－２２２．　　ｇｐｙ［１４］ｏｎＤ　Ｗ，ＪｏｌｌＣ　Ｈ，ＺａｌｏｎｄｅｋＫＣ．Ｄｉａｎｏｓｔｉｃｔｒｅｅｄｅｓｉｎ　Ｔ　　　　ｇｙｇｇ　　

ｍｏｄｅｌｂａｓｅｄｒｅａｓｏｎｉｎＣ］ＥＥＥＡｕｔｏｍａｔｉｃＴｅｓｔｉｎｗｉｔｈ　　　∥Ｉ　　ｇ［ｇ：ＩＣｏｎｆｅｒｅｎｃｅ．ＰｈｉｌａｄｅｌｈｉａＥＥＥｎｓｔｒｕｍｅｎｔａｔｉｏｎｎｄ　Ｉ　ａｐ

，ＭｅａｓｕｒｅｍｅｎｔＳｏｃｉｅｔ１９８９：１６１－１６７．　ｙ

［１５］ｏｕｔｓｏｕｋｏｓＸ，ＺｈａＦ，ＨａｕｓｓｅｃｋｅｒＨ，ｅｔａｌ．Ｆａｕｌｔｍｏｄｅｌｉｎｆｏｒ　Ｋ　　　　　ｇ　

ｍｏｎｉｔｏｒｉｎａｎｄｄｉａｎｏｓｉｓｏｆｓｅｎｓｏｒｒｉｃｈｈｂｒｉｄｓｓｔｅｍ［Ｃ］　　　－　　∥ｇｇｙｙ　

：４０ｔｈＩＥＥＥｃｏｎｆｅｒｅｎｃｅｏｎｄｅｃｉｓｉｏｎａｎｄｃｏｎｔｒｏｌ．ＯｒｌａｎｄｏＩＥＥＥ，　　　　　　２００１：７９３－８０１．

［王孝延，裴玉春，等．微机控制直通电空制动系统可靠１６］　吴萌岭，

］（）：性模型初探［铁道车辆，Ｊ．２００６，４４３２０．

，，ＷＵ　ＭｅｎｌｉｎＷＡＮＧＸｉａｏａｎ，ＰＥＩＹｕｃｈｕｎｅｔａｌ．Ｄｉｓｃｕｓｓｉｏｎ　　　ｇｇｙｔｈｅｒｅｌｉａｂｉｌｉｔｍｏｄｅｌｏｆｔｈｅｍｉｃｒｏｃｏｍｕｔｅｒｃｏｎｔｒｏｌｌｅｄｏｆ　　　　　－　ｙｐ　

］，ｓｔｒａｉｈｔｅｌｅｃｔｒｏｎｅｕｍａｔｉｃｂｒａｋｉｎｓｓｔｅｍ［Ｊ．ＲｏｌｌｉｎＳｔｏｃｋ　－　ｇｐｇｙｇ　　（）：２００６，４４３２０．

［轨道交通制动系统可靠性研究［上海：同济大学交１７］Ｄ］．　金碧筠．

通运输工程学院，２００９．

ＪＩＮＢｉｕｎ．Ｓｔｕｄｏｎｒｅｌｉａｂｉｌｉｔｏｆｍａｓｓｔｒａｎｓｉｔｂｒａｋｉｎｓｓｔｅｍ　　　　　ｙｙｙｇｙ　　　

［：Ｄ］．ＳｈａｎｈａｉＴｏｎｉＵｎｉｖｅｒｓｉｔ．ＣｏｌｌｅｅｏｆＴｒａｎｓｏｒｔａｔｉｏｎ　　　ｇｇｊｙｇｐ，Ｅｎｉｎｅｅｒｉｎ２００９．ｇｇ

本文来源：https://www.bwwdw.com/article/fgbi.html