基于fmea信息的产品结构树故障诊断方法.docxVIP

基于fmea信息的产品结构树故障诊断方法 0 基于题的副本、题的原、题的原 诊断知识的缺乏一直是智能诊断系统“头痛”的问题。由于缺乏知识，诊断结果的精度和不确定性都很低。为此,本文从产品设计阶段获取诊断知识,立足于问题的本原,以解决诊断知识匮乏的问题,提高诊断精度、降低诊断的不确定性。由于任何系统的任何故障一般都是由该系统的某个或某些组成部分所导致的,而且,一个产品及其每一个组成部分通常表现出多种故障形式,但其组成结构通常只有一种,因此,本文考虑以产品结构树组织诊断知识,并利用在产品设计阶段生成的FMEA(Failure Mode and Effect Analysis,故障模式与影响分析)信息建立节点间诊断规则的诊断方法。 1 结构树组织诊断知识的必要性 图1为MS800CW5列车自动门的产品结构树。我们将自动门系统按从上至下分解为系统、子系统、部件、零件4个层次,其目的在于建立一个能反映诊断对象结构、功能和行为关系的定性因果模型,从而体现故障传播的层次性和子、父节点间关系的因果性。虽然,由于结构树上某一个子节点与其父节点存在着确定性的因果关系,即父节点的故障一般由其子节点的故障所导致的,使得由产品结构树组织诊断知识可以缩小诊断范围,然而,我们不知道父节点的故障是由哪一个子节点发生的哪种故障所导致的,而这必须借助外来的诊断信息,以获得具体的故障原因。 本文结合列车自动门,提出以产品结构树组织诊断知识,利用 FMEA信息建立父节点与子节点间的诊断规则(故障影响规则和故障原因规则),如此,若检测到系统中某部件发生故障及其发生的故障模式,一方面,通过故障影响规则,可以知道它对上层节点和整个系统(产品)的影响,另一方面,通过故障原因规则,可以知道导致它故障的原因。 2 故障模式判断 如图2所示,本文采用基于产品结构树模型的框架知识组织方法,将系统级(列车自动门)、子系统级、部件级、零件级中的各节点的诊断知识及其相关知识封装在相应的框架中,各级节点包含了3个槽。槽1,是健康评估信息子框架,子框架包含了节点损坏程度评估、故障模式判断、决策信息、维修信息4个槽,节点损坏程度评估是通过BIT(机内测试)信息或是健康评估人员进行一段时间的观测后得出的该节点损坏程度的评估知识;故障模式判断是利用BIT信息,或状态评估人员通过现象观测,得出当前所发生的故障模式。由于零件作为系统中最底层的节点,很难直接评估零件的健康状况和可能的故障模式,必须通过利用与上层节点中故障模式的关系来推出本层的哪些节点可能发生哪些故障,所以健康评估信息子框架中节点损坏程度评估和故障模式判断两个槽中的信息可能为空。决策信息,是根据节点损伤程度以采取相应的措施;维修信息,是根据节点损伤程度以采取相应维修方法。槽2,是故障维,包含了该节点所有可能发生的故障模式,例如,门系统框架中包含了门不能关、门不能关到位、门到位但锁不上等等故障模式,故障维槽中每一个侧面对应着一个故障模式,每一个故障模式都有一个框架,框架中包含了由FMEA信息建立的故障影响规则库(除系统级节点)和故障原因规则库(除零件级节点)。故障影响规则库中包含了系统中各零部件节点的某个故障的发生对其父节点中某故障模式的影响及影响概率;故障原因规则库中包含了在系统的各零部件节点中导致其父节点某个故障事件发生的所有故障原因,它们都是利用系统中父子节点的故障模式之间的关系建立起来的规则库。槽3,是功能维,包含了该节点的所有功能。 3 故障模式及影响分析 结构树中每一层节点的故障信息从哪儿获得?获得了节点的故障信息,但我们无法获知这些故障信息之间的隐含的关系,怎样才能使这些故障信息之间的关系显现出来呢? 故障模式及影响分析(FMEA),将帮我们回答上述问题,它能分析产品的每一个组成部分可能存在的故障模式及其可能的故障影响和原因。所以,我们不仅从FMEA中获得产品结构树中的每一层的节点可能的故障模式,还定性定量的获知了上下层节点的各故障模式间的关系。 3.1 故障影响度rpnij 表1为MS800CW5列车自动门的部分零部件的FMEA分析表。表中故障模式是指整个系统或系统的各组成部分丧失应有的功能而表现出来的现象,它是故障的表现形式。故障原因是引起故障模式的机理。故障影响是指故障模式对自身级、上一层系统以及最高层系统(产品)的技术性能、可靠性、维修性等方面的影响。风险优先数RPN(Risk Priority Number ) 用于评估零部件的故障对其上一层系统故障的影响程度大小,其计算公式: RPNij=Oi×Si×Di 式中:RPNij为子节点的第i个故障模式对其父节点的第j个故障模式的影响度; Oi为第i个故障模式的发生频率等级; Si为第i个故障模式的危害度等级; Di为第i个故障模式的可检测性等级,即故障可检测的难易程度