本發(fā)明屬于設備集成系統的故障診斷分析領域，具體涉及一種基于故障-測試相關矩陣的故障診斷方法。
背景技術：
：隨著高新技術在各類設備中的廣泛應用，設備集成系統的綜合化、信息化、系統化程度越來越高。在提高了系統技術性能的同時，由于復雜程度和單位容積包含設備數目的增多，影響系統正常運行的因素也隨之增多，導致產生故障或失效的可能性越來越大。因此，一種快速有效地排除系統故障的方法格外重要。目前，出現了大量系統故障診斷法方法，包括相關模型、模糊理論、專家系統、人工神經網絡、貝葉斯網絡等。其中，基于相關模型的系統診斷方法在工程中得到了廣泛應用，尤其在航空航天領域。相關性模型最早出現于20世紀50年代，由美國DSI公司創(chuàng)始人DePaul從20世紀60年代開始首先將此理論應用于系統故障診斷。相關性模型以相關性推理作為基礎，應用故障-測試矩陣(簡稱矩陣D)對系統或設備進行故障檢測和診斷。故基于相關性模型的故障診斷方法，其核心在于對D矩陣的分析處理，從而獲得診斷結論。然而，D矩陣中各元素只定性表達了故障與測試的關聯關系，并沒有考慮各故障發(fā)生的概率。當多個故障可被同一測試項進行狀態(tài)檢測時，不考慮各故障發(fā)生概率，僅通過D矩陣將無法判斷最有可能發(fā)生的故障，診斷方法失效。例如，串聯系統由元件A和B構成，兩元件都可由測試T進行檢測，即當T＝1，即測試項T測試結果異常時，通過矩陣D可判斷A和B都有可能發(fā)生故障。但鑒于矩陣D沒有融合A和B的故障概率信息，因此無法具體判斷A和B哪個元件更有可能發(fā)生故障?；谪惾~斯網絡的故障診斷方法與概率論緊密結合，能夠有效融合系統組成元件的故障概率信息，故可有效彌補直接應用矩陣D進行故障診斷的不足。目前用于故障診斷的貝葉斯網絡由兩層節(jié)點構成。用于故障診斷的貝葉斯網絡又稱為故障貝葉斯網絡，其第一層為故障原因層，該層節(jié)點表達了系統組成元件的故障，節(jié)點狀態(tài)為故障發(fā)生或不發(fā)生兩種；第二層為故障征兆層，各節(jié)點表達了由故障原因導致的故障現象，故障現象一般通過測試項進行測量，該層節(jié)點狀態(tài)為故障現象發(fā)生或不發(fā)生兩種。貝葉斯網絡中各節(jié)點均與一張條件概率表相關聯。其中，與第一層節(jié)點關聯的條件概率表，定量表達了系統組成元件的故障概率；與第二層節(jié)點關聯的條件概率表，定量表達了與第一層相連節(jié)點的關聯關系。然而，兩層節(jié)點間的關聯關系(即故障與測試關聯關系)難以直接給出，該建模困難限制了基于貝葉斯網絡的故障診斷方法在工程中的廣泛應用。綜上，傳統的基于相關矩陣D的故障診斷方法存在不能有效融合系統組成單元故障概率的缺點，傳統的故障貝葉斯網絡存在難以直接給出故障與測試關聯關系的缺點。以上兩個缺點均限制了各自診斷方法在實際系統中的廣泛應用，因此尋求一種能夠有效克服現有兩種方法缺點的新的故障診斷方法對于系統故障診斷具有重要意義。技術實現要素：為解決現有故障-測試矩陣難以融合故障概率使得診斷結果不夠準確的問題，同時為了克服現有故障貝葉斯網絡中故障節(jié)點與測試節(jié)點關聯關系難以獲得的缺陷，本發(fā)明提出一種基于故障-測試相關矩陣的故障診斷方法。本發(fā)明的技術解決方案是：本發(fā)明包含三個核心部分：A由故障-測試相關矩陣構建兩層貝葉斯網絡拓撲結構的方法；B兩層貝葉斯網絡各節(jié)點條件概率表的設置方法；C本發(fā)明提出的基于故障-測試相關矩陣的診斷方法流程。本發(fā)明的實現過程包括以下步驟：一種基于故障-測試相關矩陣的故障診斷方法，其特征在于：所述方法包括以下步驟：1)通過系統的相關性圖示模型確定系統故障-測試相關矩陣D；其中，矩陣D中，每一行對應系統中的唯一單元的故障，每一列對應系統中的唯一測試項；即，對于有m個組成單元，n個測試項的系統，相關矩陣D有m行n列數據；2)建立貝葉斯網絡節(jié)點；依次為相關矩陣D中各行對應的系統組成單元的故障建立唯一對應節(jié)點，作為貝葉斯網絡的根節(jié)點；依次為相關矩陣D中各列對應的測試項建立唯一對應節(jié)點，作為貝葉斯網絡的葉節(jié)點；3)根據矩陣D中各元素取值連接步驟2)中的兩層貝葉斯網絡節(jié)點；連線的操作步驟如下：對于矩陣D的第i行第j列元素dij(1≤i≤m,1≤j≤n)，若dij＝1，則將故障Fi在步驟2)中對應的貝葉斯網絡根節(jié)點連線指向測試項Tj在步驟2)中對應的貝葉斯網絡葉節(jié)點；若dij＝0，不進行任何連線操作；遍歷i和j，對矩陣D中各元素依次進行所述連線操作；4)為表示故障的貝葉斯網絡根節(jié)點設置條件概率表；5)為表示測試項的貝葉斯網絡葉節(jié)點設置條件概率表；若葉節(jié)點Tj(1≤j≤n)有k個父節(jié)點，則父節(jié)點狀態(tài)組合有2k種情況；且當k個父節(jié)點中有任一節(jié)點狀態(tài)為1時，葉節(jié)點Tj狀態(tài)為1的概率設置為1.0；當且僅當k個父節(jié)點狀態(tài)均為0時，葉節(jié)點Tj狀態(tài)為1的概率設置為0.0；6)根據各測試項的測試結果設置證據變量：對于測試通過的葉節(jié)點Tj設置狀態(tài)Tj＝0，對于測試結果未通過的葉節(jié)點Tj設置狀態(tài)Tj＝1，1≤j≤n；7)獲得診斷結果；所述獲得診斷結果的方法如下：計算貝葉斯網絡后驗概率Pr(Fi＝1|T＝t)(1≤i≤m,Fi∈F)，依據后驗概率計算結果從大到小對故障Fi進行排序，依據Fi排序結果對系統進行依次進行排故。上述步驟1)通過系統的相關性圖示模型確定系統故障-測試相關矩陣D的具體步驟是：1.1】對于具有m個單元，n個測試項的系統，建立二維相關矩陣D，矩陣D大小的為m行n列，各行對應系統相關性圖示模型中的唯一組成單元的故障，各列對應系統相關性模型中的唯一測試項；初始化D中各元素為0；1.2】令i＝1，其中，i表示矩陣D第i行數據，Fi表示矩陣D第i行數據對應的系統組成單元的故障；1.3】在相關性圖示模型中，將所有方框和圓圈視作節(jié)點，設置所有節(jié)點狀態(tài)均為0，即置Fi＝0和Tj＝0；1.4】在相關性圖示模型中，在編號為Fi的節(jié)點中放置一個令牌，置編號為Fi的節(jié)點狀態(tài)為1，即Fi＝1，并沿著有向線通過搜索算法搜索該令牌能夠到達的全部節(jié)點；1.5】在相關性圖示模型中，如果節(jié)點Fi能夠到達的節(jié)點為表示測試項的圓圈，那么確定該圓圈所表示的測試項在矩陣D中的對應列j，并在矩陣D中置dij＝1；1.6】對i自加1：i＝i+1；若i<m+1,則轉到步驟1.3】；否則，矩陣D中各元素確定完畢，算法結束。步驟1.4】搜索算法具體包括以下步驟：1.4.1】建立一個空線性表L；1.4.2】以令牌所在節(jié)點為起點，沿有向線段指向確定起點的鄰接節(jié)點是否滿足兩個條件：起點的鄰接節(jié)點狀態(tài)為0、起點的鄰接節(jié)點不存在于線性表L；對于滿足兩個條件的起點的鄰接節(jié)存儲于線性表L中；1.4.3】如果線性表L為空，剔除相關性圖示模型中的令牌，結束搜索算法；否則，在相關性圖示模型中，將令牌移入線性表L末端數據表示的節(jié)點中，將線性表L末端數據表示的節(jié)點的狀態(tài)從0改為1，刪除線性表L末端數據，轉到步驟1.4.2】；上述步驟4)若故障Fi的發(fā)生概率為Pi，則表示故障Fi的節(jié)點條件概率表參數設置如下：根節(jié)點FiPr(Fi)01.0-Pi1Pi。本發(fā)明的有益效果為：本發(fā)明提出的基于故障-測試相關矩陣的故障診斷方法，通過依據相關矩陣構建的貝葉斯網絡，不僅可用簡潔直觀的圖形描述故障與測試間的邏輯關系，更重要的是有效融合了系統各故障發(fā)生的概率，克服了現有的直接應用相關矩陣進行故障診斷方法存在的缺陷，使得診斷分析結果比相關矩陣更加定量；同時本發(fā)明提出的基于故障-測試相關矩陣的故障診斷方法，克服了現有用于故障診斷的兩層貝葉斯網絡節(jié)點間的關聯關系(即故障與測試關聯關系)難以直接給出的困難，可促進基于貝葉斯網絡的故障診斷方法在工程中的廣泛應用。最后，本發(fā)明提出的基于故障-測試相關矩陣的故障診斷方法有效融合了相關矩陣和貝葉斯網絡各自優(yōu)點，可定量計算出在已知測試結果情況下各故障發(fā)生的概率，并給出系統最大可能解釋以支持故障診斷，對于開展操縱性強的故障診斷工具的研究具有借鑒意義，可輔助實現故障診斷的智能化，提高診斷效率。附圖說明圖1是本發(fā)明基于故障-測試相關矩陣的故障診斷方法流程圖；圖2是本發(fā)明-實例中系統的相關性圖示模型；圖3是本發(fā)明-實例中相關性圖示模型的等價貝葉斯網絡。具體實施方式本發(fā)明是一種基于故障-測試相關矩陣的故障診斷方法。下面結合說明書附圖對本發(fā)明的技術方案作進一步詳細說明。本發(fā)明實施例的具體實施過程如下：步驟1，通過系統的相關性圖示模型獲得系統故障-測試相關矩陣D。所述矩陣D每一行對應系統中的唯一單元的故障，每一列對應系統中的唯一測試項；即，對于有m個組成單元，n個測試項的系統，相關矩陣D有m行n列數據。所述系統的各組成單元均僅包括正常和故障兩種狀態(tài)，矩陣D中第i行(1≤i≤m)對應的系統組成單元的故障用Fi表示，第j列(1≤j≤n)對應的測試項用Tj表示，矩陣D表示方法如下：矩陣D中第i行第j列數據dij表明了故障Fi和測試項Tj的相關性。當Tj能夠測到故障Fi的故障信息時，則測試項Tj與故障Fi相關，dij＝1；當Tj不能測到故障Fi的故障信息時，則測試項Tj與故障Fi無關，dij＝0。系統是指由相互作用和相互依賴的若干單元結合成的用以實現特定功能的有機整體。其中，單元可以為元件、設備、子系統和具有特定功能的模塊。所述相關性模型是表達系統中單元故障與測試相關性邏輯關系的模型，包括相關性圖示模型和相關性數學模型兩種形式。所述相關性圖示模型可以直觀地展現單元與測試項之間的關系；而相關性數學模型用故障-測試矩陣D描述了單元與測試間的相關性，矩陣D又稱相關矩陣。具體而言，所述相關性圖示模型的表示方法是在系統中各組成單元功能和結構合理劃分之后，在功能框圖的基礎上，清楚標明功能信息流方向和各組成單元相互連接關系，并標注清楚測試項的位置和編號，以表明各組成單元與各測試項的相關性關系。相關性圖示模型包括三類圖形元素：方框、圓圈、有向線段。其中，方框表示了系統中的各組成單元，圓圈表示了用于測試系統中各單元的測試項，有向線段表明了系統中各單元的功能信息傳遞方向。此外，在相關性圖示模型中，各方框以其表示的系統組成單元的故障為編號，各圓圈以其表示的測試項為編號。相關性圖示模型是建立矩陣D的基礎。所述通過相關性圖示模型獲得相關矩陣D的算法如下：①對于具有m個單元，n個測試項的系統，建立二維相關矩陣D，矩陣D大小的為m行n列，各行對應系統相關性圖示模型中的唯一組成單元的故障，各列對應系統相關性模型中的唯一測試項。初始化D中各元素為0。②令i＝1。其中，i表示矩陣D第i行數據，Fi表示矩陣D第i行數據對應的系統組成單元的故障。③在相關性圖示模型中，將所有方框和圓圈視作節(jié)點，設置所有節(jié)點狀態(tài)均為0，即置Fi＝0和Tj＝0。④在相關性圖示模型中，在編號為Fi的節(jié)點中放置一個令牌，置編號為Fi的節(jié)點狀態(tài)為1，即Fi＝1，并沿著有向線段搜索該令牌能夠到達的所有節(jié)點。所述的搜索算法在相關性圖示模型中包括3個步驟，具體如下：i)建立一個空線性表L；ii)以令牌所在節(jié)點為起點，沿有向線段指向確定起點的鄰接節(jié)點是否滿足兩個條件：起點的鄰接節(jié)點狀態(tài)為0、起點的鄰接節(jié)點不存在于線性表L。對于滿足兩個條件的起點的鄰接節(jié)點存儲于線性表L中。所述鄰接節(jié)點指的是在兩個節(jié)點間，如果存在由一個節(jié)點指向另一個節(jié)點的有向線段，則后一個節(jié)點為前一個節(jié)點的鄰接節(jié)點；iii)如果線性表L為空，剔除相關性圖示模型中的令牌，結束步驟④所述的搜索算法；否則，在相關性圖示模型中，將令牌移入線性表L末端數據表示的節(jié)點中，將線性表L末端數據表示的節(jié)點的狀態(tài)從0改為1，刪除線性表L末端數據，轉到步驟ii)。令牌指的是相關性圖示模型中的一種標記，標記了搜索算法正在搜索的節(jié)點，通常以黑點表示。完成步驟i)～iii)后，狀態(tài)為1的節(jié)點即為節(jié)點Fi可到達的所有節(jié)點。⑤在相關性圖示模型中，如果節(jié)點Fi能夠到達的節(jié)點為表示測試項的圓圈，那么確定該圓圈所表示的測試項在矩陣D中的對應列j，并在矩陣D中置dij＝1。⑥對i自加1：i＝i+1。若i<m+1,則轉到步驟③；否則，矩陣D中各元素確定完畢，算法結束。步驟③～⑤構成一個由變量i控制的循環(huán)：當i＝1時，步驟③～⑤被第1次執(zhí)行，可完成矩陣D第1行數據的確定；當i＝2時，步驟③～⑤被第2次執(zhí)行，可完成矩陣D第2行數據的確定；依次類推，步驟③～⑤被第3、4…m次執(zhí)行，依次完成矩陣D第3、4…m行數據的的確定。其中，步驟⑥為通過變量i控制步驟③～⑤進行循環(huán)操作的語句：當i<m+1時，對步驟③～⑤進行操作，即進入下一次循環(huán)；否則，步驟③～⑤不再被執(zhí)行，即循環(huán)結束。當循環(huán)結束后，步驟①～⑥結束，至此完成了故障-測試相關矩陣D的確定。在本實施例中，如圖2中相關性圖示模型所示，系統包括5個組成單元，2個測試項。每個組成單元包括兩種狀態(tài)：正常和故障。5個組成單元的故障分別用F1、F2、F3、F4和F5表示，且F1～F5的故障概率依次為0.001、0.002、0.003、0.004以及0.005，此外測試項分別用變量T1和T2表示。T1直接用于測試故障F1和F5，當F1和F5中任意故障發(fā)生，測試項T1的測試結果不通過；T2直接用于測試故障F3，當F3故障發(fā)生，測試項T2的測試結果不通過。在本實施例中，通過圖2所示相關性圖示模型確定相關矩陣D的實施過程如下：①圖2所示系統的相關性圖示模型存在5個組成單元和2個測試項，那么m＝5和n＝2成立。為相關性圖示模型建立具有5行2列數據的相關矩陣D，矩陣D第i行(1≤i≤m,m＝5)與組成單元的故障Fi對應，矩陣D的第j列(1≤j≤n,n＝2)與測試項Tj對應，建立的矩陣D的表達形式如下：矩陣D中，dij取值為0或1。初始化D中各元素dij為0(1≤i≤m,1≤j≤n)：②令i＝1。其中，i表示矩陣D第i行數據，Fi表示矩陣D第i行數據對應的系統組成單元的故障。③在圖2所示的相關性圖示模型中，設置F1＝0、F2＝0、F3＝0、F4＝0以及F5＝0，設置T1＝0以及T2＝0；④在圖2所示的相關性圖示模型中，在編號為Fi的節(jié)點中放置一個令牌，令牌以黑點表示，置Fi＝1，i＝1。沿有向線段搜索Fi中令牌可以到達的全部節(jié)點。步驟如下：i)建立一個空線性表L；ii)以令牌所在節(jié)點為起點，沿有向線段指向確定起點的鄰接節(jié)點是否滿足兩個條件：起點的鄰接節(jié)點狀態(tài)為0、起點的鄰接節(jié)點不存在于線性表L。對于滿足兩個條件的起點的鄰接節(jié)點存儲于線性表L中。在圖2中，節(jié)點Fi放置有令牌，則以Fi為起點，沿有向線段指向確定Fi的鄰接節(jié)點是否滿足兩個條件：Fi的鄰接節(jié)點狀態(tài)為0、Fi的鄰接節(jié)點不存在于線性表L中。在圖2中，滿足兩個條件的節(jié)點為F2和T2，將兩個節(jié)點存入線性表L中，則L＝{F2，T2}。iii)如果線性表L為空，剔除相關性圖示模型中的令牌，結束搜索算法；否則，在相關性圖示模型中，將令牌移入線性表L末端數據表示的節(jié)點中，將線性表L末端數據表示的節(jié)點的狀態(tài)從0改為1，刪除線性表L末端數據，轉到步驟ii)。在本實施例中，線性表L＝{F2，T2}，末端為T2，那么在圖2中，將令牌從節(jié)點F1移入節(jié)點T2，將T2＝0改為T2＝1，刪除線性表L末端數據T2，此時L＝{F2}，轉到步驟ii)；轉入步驟ii)后，以放置有令牌的節(jié)點T2為起點，不存在滿足步驟ii)所述兩個條件的節(jié)點，因此不需執(zhí)行步驟ii)中的存儲步驟，直接進入步驟iii)；進入步驟iii)后，此時線性表L＝{F2}，末端為F2，那么在圖2中，將令牌從節(jié)點T2移入節(jié)點F2，將F2＝0改為F2＝1，刪除線性表L末端數據F2，此時鏈表為空，轉到步驟ii)；轉入步驟ii)后，以放置有令牌的節(jié)點F2為起點，滿足步驟ii)所述兩個條件的節(jié)點為F3，則將F3存儲于線性表L中，則L＝{F3}；進入步驟iii)后，此時線性表L＝{F3}，末端為F3，那么將令牌從節(jié)點F2移入節(jié)點F3，將F3＝0改為F3＝1，刪除線性表L末端數據F3，此時鏈表為空，轉到步驟ii)。依次類推，重復步驟ii)和iii)，直至在步驟iii)中線性表L為空，搜索算法結束。搜索算法結束時，圖2中各節(jié)點的狀態(tài)為：F1＝1、F2＝1、F3＝1、F4＝0、F5＝0、T1＝1、T2＝1根據步驟④所述，步驟i)～iii)結束后，狀態(tài)為1的節(jié)點即為Fi能夠到達的所有節(jié)點。即，在本實施例中，節(jié)點Fi(i＝1)可達的節(jié)點有F1、F2、F3、F4、T1和T2。⑤在圖2所示的相關性圖示模型中，節(jié)點Fi(i＝1)能夠到達的表示測試項的圓圈為T1和T2，兩個測試項在矩陣D中的對應列依次為第1和第2列，因此在矩陣D中置di1＝1和di2＝1，i＝1。⑥對i自加1：i＝i+1。若i<m+1，則轉到步驟③；否則，矩陣D中各元素確定完畢，算法結束。在本實施例中，此時i＝1，至此步驟③～⑤被第1次執(zhí)行完畢，矩陣D中第1行數據已確定完畢，依次為d11＝1和d12＝1；對i自加1后：i＝2。i<m+1(m＝5)成立，因此，需轉到步驟③，第2次執(zhí)行步驟③～⑤；當步驟③～⑤被第2次執(zhí)行完畢后，可確定矩陣D中第2行數據依次為d21＝1和d22＝0；對i自加1后：i＝3。i<m+1(m＝5)成立，因此，需轉到步驟③，第3次執(zhí)行步驟③～⑤；當步驟③～⑤被第3次執(zhí)行完畢后，可確定矩陣D中第3行數據依次為d31＝1和d32＝0；依次類推，對i進行自加操作：當i<m+1成立時(m＝5)，轉到步驟③，第i次執(zhí)行步驟③～⑤，完成矩陣D中第i行數據的確定；否則結束步驟③～⑤所述循環(huán)。當循環(huán)結束后，步驟①～⑥結束，至此完成了故障-測試相關矩陣D的確定，確定的相關矩陣D如下：D=F1F2F3F4F51110100101]]>步驟2，建立貝葉斯網絡節(jié)點；依次為相關矩陣D中各行對應的系統組成單元的故障建立唯一對應節(jié)點，作為貝葉斯網絡的根節(jié)點；依次為相關矩陣D中各列對應的測試項建立唯一對應節(jié)點，作為貝葉斯網絡的葉節(jié)點。所述建立的貝葉斯網絡節(jié)點，若其表示矩陣D第i行對應的系統組成單元的故障，則為建立的貝葉斯網絡根節(jié)點編號Fi；若其表示矩陣D第j列對應的測試項，則為建立的貝葉斯網絡葉節(jié)點編號Tj。建立的貝葉斯網絡節(jié)點均僅包含0和1兩種狀態(tài)，根節(jié)點Fi狀態(tài)為0表示故障Fi不發(fā)生，根節(jié)點Fi狀態(tài)為1表示故障Fi發(fā)生；葉節(jié)點Tj狀態(tài)為0表示測試項Tj所測結果通過或正常，葉節(jié)點Tj狀態(tài)為1表示測試項Tj所測結果未通過或異常。在本實施例中，相關矩陣D有5行數據，依次對應系統組成單元故障F1、F2、F3、F4和F5，為F1～F5分別建立對應節(jié)點，作為貝葉斯網絡的根節(jié)點；相關矩陣D有2列數據，依次對應測試項T1和T2，為T1和T2分別建立對應節(jié)點，作為貝葉斯網絡的葉節(jié)點。如圖3所示，建立的根節(jié)點共計5個，對應于矩陣D中的行數據，根節(jié)點的編號依次為節(jié)點F1～F5；建立的葉節(jié)點共計2個，對應于矩陣D中的列數據，葉節(jié)點的編號依次為節(jié)點T1和T2。建立的根節(jié)點和葉節(jié)點均為二態(tài)：根節(jié)點Fi(1≤i≤5)狀態(tài)為0表示故障Fi不發(fā)生，根節(jié)點Fi狀態(tài)為1表示故障Fi發(fā)生；葉節(jié)點Tj(1≤j≤2)狀態(tài)為0表示測試項Tj所測結果通過或正常，葉節(jié)點Tj狀態(tài)為1表示測試項Tj所測結果未通過或異常。步驟3，根據矩陣D中各元素取值連接步驟2中的兩層貝葉斯網絡節(jié)點；所述連線的操作步驟如下：對于矩陣D的第i行第j列元素dij(1≤i≤m,1≤j≤n)，若dij＝1，則將故障Fi在步驟2)中對應的貝葉斯網絡根節(jié)點連線指向測試項Tj在步驟2)中對應的貝葉斯網絡葉節(jié)點；若dij＝0，不進行任何連線操作；遍歷i和j，對矩陣D中各元素依次進行步驟3)所述的連線操作。在本實施例中，按照步驟3所述，具體操作如下：矩陣D第1行第1列元素d11＝1，在圖3中由節(jié)點F1連線指向節(jié)點T1；矩陣D第1行第2列元素d12＝1，在圖3中由節(jié)點F1連線指向節(jié)點T1；矩陣D第2行第1列元素d21＝1，在圖3中由節(jié)點F2連線指向節(jié)點T1；矩陣D第3行第1列元素d31＝1，在圖3中由節(jié)點F3連線指向節(jié)點T1；矩陣D第4行第2列元素d42＝1，在圖3中由節(jié)點F4連線指向節(jié)點T2；矩陣D第5行第2列元素d52＝1，在圖3中由節(jié)點F5連線指向節(jié)點T2；矩陣D其余元素為0，不進行任何連線操作。步驟4，為步驟2中的貝葉斯網絡根節(jié)點設置條件概率表。各根節(jié)點的條件概率表中包括2個條件概率值，條件概率表中各參數見表1。表1中，當根節(jié)點Fi為0時，條件概率值Pr(Fi)＝1.0-Pi；當根節(jié)點Fi為1時，條件概率值Pr(Fi)＝Pi。其中Pi為矩陣D第i行對應的系統組成單元的故障概率。條件概率表中，Fi取值0和1分別表示故障Fi不發(fā)生和發(fā)生兩種狀態(tài)。表1根節(jié)點條件概率表根節(jié)點FiPr(Fi)01.0-Pi1Pi條件概率表指的是在貝葉斯網絡中各節(jié)點對應的一張條件概率表。條件概率表中的每行數據包括節(jié)點與父節(jié)點的狀態(tài)組合、狀態(tài)組合對應的條件概率值兩項。條件概率表中每行數據表達的含義為：父節(jié)點狀態(tài)為表中所列狀態(tài)時，節(jié)點為所列狀態(tài)的概率等于表中所列條件概率值。在本實施例中，矩陣D第1～5行對應的系統組成單元的故障概率依次為0.001、0.002、0.003、0.004以及0.005。根據步驟4所述的根節(jié)點條件概率設置方法，貝葉斯網絡根節(jié)點F1的條件概率表中數據為：Pr(F1＝0)＝0.999，Pr(F1＝1)＝0.001；根節(jié)點F2的條件概率表中數據為：Pr(F2＝0)＝0.998，Pr(F2＝1)＝0.002；根節(jié)點F3的條件概率表中數據為：Pr(F3＝0)＝0.997，Pr(F3＝1)＝0.003；根節(jié)點F4的條件概率表中數據為：Pr(F4＝0)＝0.996，Pr(F4＝1)＝0.004；根節(jié)點F5的條件概率表中數據為：Pr(F5＝0)＝0.995，Pr(F5＝1)＝0.005。根節(jié)點F1、F2、F3、F4和F5的條件概率表如表3所示。表3貝葉斯網絡中各根節(jié)點條件概率表步驟5，為表示測試項的貝葉斯網絡葉節(jié)點設置條件概率表；若葉節(jié)點Tj(1≤j≤n)有k個父節(jié)點，則父節(jié)點狀態(tài)組合有2k種情況；且當k個父節(jié)點中有任一節(jié)點狀態(tài)為1時，葉節(jié)點Tj狀態(tài)為1的概率設置為1.0；當且僅當k個父節(jié)點狀態(tài)均為0時，葉節(jié)點Tj狀態(tài)為1的概率設置為0.0。對于本實施例，在圖3中，葉節(jié)點T1有3個父節(jié)點{F1,F2,F3}，當任一父節(jié)點狀態(tài)為1時，葉節(jié)點狀態(tài)為1的概率為1.0；當3個父節(jié)點狀態(tài)均為0時，葉節(jié)點狀態(tài)為1的概率為0.0。在表4中，當j＝1時，表4即為葉節(jié)點T1的條件概率表；在圖3中，葉節(jié)點T2有3個父節(jié)點{F1,F4,F5}，當任一父節(jié)點狀態(tài)為1時，葉節(jié)點狀態(tài)為1的概率為1.0；當3個父節(jié)點狀態(tài)均為0時，葉節(jié)點狀態(tài)為1的概率為0.0。在表4中，當j＝2時，表4即為葉節(jié)點T2的條件概率表。至此，完成了圖2所示的相關性圖示模型等價貝葉斯網絡的構建。表4葉節(jié)點條件概率表步驟6，根據各測試項的測試結果設置證據變量：對于測試通過的葉節(jié)點Tj設置狀態(tài)Tj＝0，對于測試結果未通過的葉節(jié)點Tj設置狀態(tài)Tj＝1，1≤j≤n。所述證據變量指的是在貝葉斯網絡中，狀態(tài)已知的變量。根據各測試項的測試結果，各測試項的狀態(tài)是已知的——狀態(tài)為通過或不通過，因此在本發(fā)明中，證據變量包括貝葉斯網絡的所有葉節(jié)點，即貝葉斯網絡葉節(jié)點T1、T2…Tn。葉節(jié)點T1、T2…Tn構成證據變量集合T，集合T中各變量取值記為t。在本實施例中已知測試T1未通過，測試T2通過，則證據變量集合T＝{T1，T2}，集合T中各變量取值t＝{T1＝1，T2＝0}。步驟7，獲得診斷結果；所述獲得診斷結果的方法如下：計算貝葉斯網絡后驗概率Pr(Fi＝1|T＝t)(1≤i≤m,Fi∈F)，依據后驗概率計算結果從大到小對故障Fi進行排序，依據Fi排序結果對系統進行依次進行排故。應用已有軟件或算法程序均能夠求解貝葉斯網絡后驗概率問題。在本實施例中，應用貝葉斯網絡分析軟件SamIam依次求解后驗概率Pr(Fi＝1|T1＝1,T2＝0)(1≤i≤m,m＝5)，并依據后驗概率結果從大到小對所有故障Fi排序。結果如下：①Pr(F3＝1|T1＝1,T2＝0)＝0.6072874②Pr(F2＝1|T1＝1,T2＝0)＝0.5951417③Pr(F1＝1|T1＝1,T2＝0)＝0.0Pr(F4＝1|T1＝1,T2＝0)＝0.0Pr(F5＝1|T1＝1,T2＝0)＝0.0根據后驗概率排序結果可知F3最有可能發(fā)生故障，其次是F2，其余故障F1、F4和F5均不可能發(fā)生。那么在已知測試結果T1＝1、T2＝0時，系統排故的順序為F3、F2。至此，通過以上7個步驟完成了對圖2系統的故障診斷。接下來結合實施例，從以下3方面說明本發(fā)明所產生的有益效果。首先，本實施例診斷結果具備合理性。在測試完全可靠的情況下，T2測試通過，根據圖3中有向線段所示的信息流方向可判斷，F1、F4、F5必然不會發(fā)生故障，實施例中的后驗概率問題求解結果均與該事實相符；T1測試不通過，根據圖3中有向線段的信息流方向可判斷，F1、F2、F3均有可能發(fā)生故障，而由T2測試通過已經排除F1故障的可能性，故在證據變量{T1＝1,T2＝0}的支持下，僅F2和F3可能發(fā)生故障，實施例中的后驗概率問題求解結果表明兩者各自發(fā)生故障的概率大于0.5，與事實相符。其次，本發(fā)明提出的方法有效融合了各故障發(fā)生的概率，診斷結果更定量，相對于直接基于相關矩陣D的方法在定量方面更具優(yōu)越性。下面直接應用相關矩陣D對系統進行故障分析?，F已知證據變量{T1＝1,T2＝0}，與矩陣D中第2行和第3行數據相吻合，這表明在該證據變量支持下，矩陣D第2行和第3行對應的故障F2和F3均有可能發(fā)生，但無法進一步推知兩者誰更可能發(fā)生故障，從而增大了排故時誤拆的可能性，延遲系統恢復正常工作的時間。而本發(fā)明提出的診斷方法，在已知證據變量{T1＝1,T2＝0}的情況下，能夠有效融合各故障發(fā)生的概率，通過后驗概率問題的求解，得到F3比F2更有可能發(fā)生故障這一結果，進而可給出排故順序F3和F2，降低誤拆的可能性，提高系統恢復正常工作的時間。最后，本發(fā)明提出的基于故障-測試相關矩陣的故障診斷方法，在步驟3中直接依據相關矩陣D中各元素取值來連接兩層貝葉斯網絡的根節(jié)點與葉節(jié)點，然后在步驟4中利用條件概率表對步驟3中根節(jié)點與葉節(jié)點的連接強度進行了定量表達，克服了現有的用于故障診斷的貝葉斯網絡中故障類節(jié)點與測試類節(jié)點間關聯關系難以直接給出的困難，可促進基于貝葉斯網絡的故障診斷方法在工程中的廣泛應用，可輔助實現故障診斷的智能化，提高診斷效率，對開發(fā)系統故障診斷工具具有借鑒意義。當前第1頁1 2 3