【技術實現步驟摘要】
本專利技術涉及一種基于參數相關貝葉斯網絡的空調系統故障診斷方法及裝置，屬于可靠性分析。
技術介紹
1、由于工程機械在工作過程中工況惡劣，空調系統受到的外在應力復雜多變，存在多種故障模式。然而由于空調系統的結構復雜且設備繁多，導致系統發生故障時，在故障診斷中難以進行故障定位，延緩維修進度，影響工期，甚至引發安全問題。因此，開展空調系統的故障檢測與診斷方法研究，具有重要意義。
2、不同類型工程機械車的工況環境不同，使得空調系統受到的外在應力差異性較大，導致故障模式多樣，而且故障診斷模型在不同車型空調系統間的移植性較差，難以推廣應用。另一方面，由于零部件性能參數間的相關性，且零部件的性能退化存在隨機性的特點，使得系統故障發生時，往往是由于多個零部件的共同影響，難以準確定位到薄弱零部件。目前缺少一種考慮隨機退化過程和參數相關，且能夠針對不同空調系統進行快速的可移植應用，并獲得準確的故障診斷結果的故障診斷模型。
3、現有主要的技術方案如下：
4、1、故障排除法：
5、故障排除法，是通過逐步排除可能導致系統故障的因素，逐步縮小故障范圍，最終找到并修復故障。其基本流程為確認故障問題并收集與故障相關的信息，然后進行數據分析和問題排查，然后通過實驗進行問題驗證。
6、但是，故障排除法對故障排查人員的經驗要求較高，而且從信息收集分析，到故障排查與實驗驗證，流程較為冗長，使得故障排查效率較低，維修成本較高。對于更加復雜系統的故障排查與定位，可行性較差。
7、2、人工智能技術：p>
8、人工智能技術應用于系統故障診斷與定位，常用的技術為機器學習和數據挖掘。從大量的故障數據中學習并識別故障模式，對系統故障數據的分析和建模，實現對潛在故障的智能診斷和設備壽命的預測。
9、但是，人工智能技術應用于故障診斷，診斷效果受訓練樣本數據量的影響，因此對數據量要求較高。對于數據量較少，隨機性較強的樣本數據，難以獲得有效的故障診斷結果。
10、實時監控技術
11、通過實時監測系統運行狀態，根據系統預設的規則或閾值，發現設備運行中的異常數據時及時發出警報，結合機器學習算法和模型，對實時采集的數據進行分析和診斷，識別設備故障的可能原因，幫助技術人員及時采取應對措施。
12、但是，實時監控技術適用于固定場景的設備狀態監控與故障診斷，應用于工況多變，環境惡劣的戶外設備時，監控系統可靠性難以保證，應用成本較高，此外還可能引發狀態虛報。
技術實現思路
1、本專利技術屬于可靠性分析
，具體針對工程機械空調系統的故障診斷分析中，系統結構復雜多變以及零部件存在隨機退化特點，導致系統故障推理與分析過程較為復雜，難以故障定位的問題，提出一種基于參數相關貝葉斯網絡的空調系統故障診斷方法及裝置，以獲得良好的故障診斷結果，并在不同結構的空調系統中可進行快速移植應用。
2、為達到上述目的，本專利技術是采用下述技術方案實現的：
3、第一方面，本專利技術提供了一種基于參數相關的貝葉斯網絡故障診斷方法，包括以下步驟：
4、步驟1：確定工程機械的空調系統的故障類型，同種故障類型對應故障樹中的同一故障事件，將故障事件作為故障樹模型的底事件，搭建空調系統的故障樹模型；
5、步驟2：將所述故障樹模型映射為貝葉斯網絡；
6、步驟3：結合歷史故障數據，計算故障樹模型的底事件發生概率，并將其作為該故障樹模型的底事件對應貝葉斯網絡葉子節點的先驗概率，得到貝葉斯網絡各個葉子節點的先驗概率；
7、步驟4：根據故障樹模型映射的貝葉斯網絡和貝葉斯網絡各個葉子節點的先驗概率，計算出貝葉斯網絡中各級子節點的后驗概率；
8、步驟5：獲取零部件性能相關參數間的回歸模型；所述零部件性能相關參數間的回歸模型的輸入為容易測量的零部件性能相關參數，輸出為零部件的實時關鍵性能參數；
9、步驟6：測量零部件性能相關參數的實時數據，結合所述零部件性能相關參數間的回歸模型，得到零部件的實時關鍵性能參數的實時數據；
10、步驟7：獲取零部件多種故障的實時故障率評估模型，所述實時故障率評估模型的輸入變量為零部件關鍵性能參數的出廠標定值、利用相關參數回歸模型輸出的零部件關鍵性能參數實時預測值以及零部件的市場統計故障率，輸出變量為零部件在相應故障模式下的實時故障率；
11、步驟8：獲取零部件關鍵性能參數的出廠標定值以及零部件的市場統計故障率，結合回歸模型輸出的零部件的實時關鍵性能參數的實時數據，計算得到貝葉斯網絡各級子節點的實時故障率，并將各級子節點的實時故障率作為實時先驗概率，計算得到貝葉斯網絡中各級子節點的實時后驗概率；
12、步驟9：對比貝葉斯網絡中各級子節點的實時后驗概率和后驗概率，對各級子節點的故障狀態進行診斷，得到故障診斷結果；
13、步驟10：輸出故障診斷結果。
14、進一步的，所述工程機械為礦車、裝載車、挖掘機、起重機的任意一種。
15、進一步的，步驟1：確定工程機械的空調系統的故障類型，同種故障類型對應故障樹中的同一故障事件，將故障事件作為故障樹模型的底事件，搭建空調系統的故障樹模型，包括：
16、故障樹模型中，將空調系統的故障作為頂事件，各個子系統對應的故障作為一級中間事件，組件對應的故障作為二級中間事件，零部件所對應的故障作為三級中間事件，所有故障事件組成故障樹模型的底事件。
17、進一步的，步驟2：將所述故障樹模型映射為貝葉斯網絡，包括：
18、將故障樹模型轉換為貝葉斯網絡時，故障樹模型的結構與貝葉斯網絡相對應，故障樹模型中的各級故障事件對應貝葉斯網絡中的各級節點：故障樹模型的底事件和貝葉斯網絡的葉子節點相對應，故障樹模型中一級中間事件、二級中間事件、三級中間事件分別和貝葉斯網絡的一級子節點、二級子節點、三級子節點對應；
19、故障樹模型的故障事件間的連接和貝葉斯網絡的邊相對應，故障樹模型中將事件連接在一起的邏輯門替換為貝葉斯網絡的條件概率表，貝葉斯網絡中葉子節點的先驗概率對應故障樹模型中底事件發生概率。
20、進一步的，步驟3：結合歷史故障數據，計算故障樹模型的底事件發生概率，并將其作為該故障樹模型的底事件對應貝葉斯網絡葉子節點的先驗概率，得到貝葉斯網絡各個葉子節點的先驗概率，包括：
21、結合歷史故障數據，計算故障樹模型底事件發生概率，并將其作為對應貝葉斯網絡葉子節點的先驗概率，
22、其中，歷史故障數據包括空調系統中所有的故障類型以及各類故障類型所發生的頻次；
23、故障樹模型底事件發生概率為對故障數據進行統計分析后，獲得的各類故障類型的發生概率，并將其作為對應貝葉斯網絡葉子節點的先驗概率。
24、進一步的，步驟4：根據故障樹模型映射的貝葉斯網絡和貝葉斯網絡各個葉子節點的先驗概率，計算出貝葉斯網絡中各級子節點的后驗概率，包括本文檔來自技高網...
【技術保護點】
1.一種基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟1：確定工程機械的空調系統的故障類型，同種故障類型對應故障樹中的同一故障事件，將故障事件作為故障樹模型的底事件，搭建空調系統的故障樹模型，包括：
3.根據權利要求2所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟2：將所述故障樹模型映射為貝葉斯網絡，包括：
4.根據權利要求3所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟3：結合歷史故障數據，計算故障樹模型的底事件發生概率，并將其作為該故障樹模型的底事件對應貝葉斯網絡葉子節點的先驗概率，得到貝葉斯網絡各個葉子節點的先驗概率，包括：
5.根據權利要求1所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟4：根據故障樹模型映射的貝葉斯網絡和貝葉斯網絡各個葉子節點的先驗概率，計算出貝葉斯網絡中各級子節點的后驗概率，包括：
6.根據權利要求1所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，
7.根據權利要求1所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟6：測量零部件性能相關參數的實時數據，結合所述零部件性能相關參數間的回歸模型，得到零部件的實時關鍵性能參數的實時數據，包括：
8.根據權利要求1所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟7：獲取零部件多種故障的實時故障率評估模型，包括：
9.根據權利要求1所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟8：獲取零部件關鍵性能參數的出廠標定值以及零部件的市場統計故障率，結合回歸模型輸出的零部件的實時關鍵性能參數的實時數據，計算得到貝葉斯網絡各級子節點的實時故障率，并將各級子節點的實時故障率作為實時先驗概率，計算得到貝葉斯網絡中各級子節點的實時后驗概率，包括：
10.根據權利要求1所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟9：對比貝葉斯網絡中各級子節點的實時后驗概率和后驗概率，對各級子節點的故障狀態進行診斷，得到故障診斷結果，包括：
11.根據權利要求10所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，根據各級節點的故障率異常程度δ和故障率異常閾值來確定故障發生節點，包括：
12.根據權利要求1所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟10：輸出故障診斷結果，包括：
13.一種基于參數相關的貝葉斯網絡故障診斷裝置，包括：
...【技術特征摘要】
1.一種基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟1：確定工程機械的空調系統的故障類型，同種故障類型對應故障樹中的同一故障事件，將故障事件作為故障樹模型的底事件，搭建空調系統的故障樹模型，包括：
3.根據權利要求2所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟2：將所述故障樹模型映射為貝葉斯網絡，包括：
4.根據權利要求3所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟3：結合歷史故障數據，計算故障樹模型的底事件發生概率，并將其作為該故障樹模型的底事件對應貝葉斯網絡葉子節點的先驗概率，得到貝葉斯網絡各個葉子節點的先驗概率，包括：
5.根據權利要求1所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟4：根據故障樹模型映射的貝葉斯網絡和貝葉斯網絡各個葉子節點的先驗概率，計算出貝葉斯網絡中各級子節點的后驗概率，包括：
6.根據權利要求1所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟5：獲取零部件性能相關參數間的回歸模型，包括：
7.根據權利要求1所述的基于參數相關的貝葉斯網絡故障診斷方法，其特征在于，步驟6：測量零部件性能相關...
【專利技術屬性】
技術研發人員：嚴兵，田磊，余國卿，
申請(專利權)人：江蘇徐工國重實驗室科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。