[发明专利]基于故障树与贝叶斯网络的在线监测装置质量评估体系

权利要求书

1.基于故障树与贝叶斯网络的在线监测装置质量评估体系，其特征在于，该质量评估体系包括以下步骤：

步骤1：根据监测量采集频率与特性，选取滑动窗口，从在线监测数据流截取从当前时刻前推时间T的数据集；

步骤2：对数据进行重复、缺失、跳变等检测，若发现存在异常模式则进行下一步，否则返回步骤1；

步骤3：根据装置数据异常模型判断数据流异常模式，以及可能出现多种异常并存的情况；

步骤4：以装置故障统计数据作为先验概率，计算装置故障贝叶斯网络；

步骤5：将数据异常模式作为补充信息，修正贝叶斯网络计算结果；

步骤6：分别计算各类异常模式数据量占滑动窗口内正常数据量的比值，作为模糊指标得分；

步骤7：根据步骤6模糊指标得分与步骤5各类部件故障概率，建立模糊评价矩阵；

步骤8：对权重集与模糊评价矩阵做矩阵乘运算，计算在线监测装置运行可靠性评价结果。

2.根据权利要求1的基于故障树与贝叶斯网络的在线监测装置质量评估体系，其特征在于，贝叶斯网络的构建包括以下步骤：

S1：建立装置运行可靠性评价指标体系，定义指标集S＝{S1，S2，S3，……，S17}和评语集V＝{V1，V2，V3}，其中V1～V3分别代表装置正常、异常和故障状态；

S2：计算指标权重，考虑到指标权重与各指标故障概率(P)及重要程度(I)相关，本项目以指标风险(R)作为权重计算依据，R＝P×I。根据上节计算方法可得各指标故障概率，各指标重要程度可利用层次分析法进行计算，对A1～A9指标两两对比构建指标对比矩阵A；其次，计算矩阵A的特征向量与相对权重；最后，对相对权重进行一致性检验，保证权重在两两比较时结果的一致性，将各指标权重计算结果与故障概率分别相乘，对该结果归一化后即为各指标风险权重集ω＝{ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8,ω9,ω10,ω11,ω12}；

S3：确定隶属度函数，本项目选取中间型梯形分布，表达式如下：

S4：建立模糊评价矩阵，将所有指标得分代入上式，求得模糊评价矩阵，即

式中：rij表示第i个指标对第j个评语的隶属度；n代表指标数量；m代表评语数量；

S5：计算装置运行质量评价结果，将权重集ω与模糊评价矩阵R做矩阵乘运算，即为模型评价结果，即

最后，根据按隶属度最大准则，评价结果B中最大值对应评语即为评价结果。

3.根据权利要求2的贝叶斯网络，其特征在于：所述A1-A9指标两两对比构建指标对比矩阵A，其中A1：数据中断(瞬时)，该类异常表现为数据缺失，持续时间一般为分钟级，主要原因为软件缺陷、通信质量差；

A2：数据中断(长期)，与瞬时中断相比，该类异常持续时间一般为日级，主要为通信中断、电池电能耗尽、软件缺陷或参数错误等情况导致；

A3：数据重复，该类异常若由通讯中断引起，数据一般为负值或极限值；若由传感器完全失效导致，则为某一量程范围内随机值。此类异常通常不为零；

A4：数据固定偏移，即检测值与实测值存在固定偏差，由传感器固定偏移导致；

A5：数据为零，当传感器灵敏度降低时，微小的被监测量变化难以被捕捉，因此数据保持为零；

A6：数据连续增长/降低，数据随时间连续增降，若趋势长期保持同一方向，则是因为传感器漂移；反之，则是因为设备状态改变；

A7：数据跳变，设备状态发生阶跃性变化将导致监测数值突然增长或降低，且具有一定持续性；

A8：数据抖动，在开关开断、满负荷等恶劣运行工况下，剧烈变化的强电磁场将导致数据以均值为中心上下波动；

A9：离群点，又称离散值，是指数据远远偏离统计均值的数值，外部环境干扰是这类异常的主要来源。

4.根据权利要求1的故障树，其特征在于：该基于故障树的监测方法包括以下步骤：

步骤一、对于在线监测装置获取的实时数据，通过设置时间滑动窗口，将滑动窗口中的数据作为对监测装置进行评估的特征数据集；

步骤二、将特征数据集中异常值的分布情况、连续相同值的分布情况、空值情况、变异系数的变化情况作为判据，将这些判据应用于特征数据集；

步骤三、获取对应的判别值，根据对判据的侧重情况，赋予每个判别值相应的权重；

步骤四、将带有权值的判别值相加求和即可获得监测装置的状态值。