陳洪轉(zhuǎn), 趙愛佳, 李騰蛟, 蔡匆聰, 程 碩, 徐春麗,2

(1. 南京航空航天大學(xué)經(jīng)濟(jì)與管理學(xué)院, 江蘇 南京 211106; 2. 南京鋮聯(lián)激光科技有限公司, 江蘇 南京 210039)

0 引 言

復(fù)雜裝備是大國(guó)博弈的砝碼,也是一個(gè)國(guó)家制造業(yè)的橋梁。復(fù)雜裝備是指結(jié)構(gòu)組成復(fù)雜、研制成本高昂、技術(shù)要求密集、生產(chǎn)規(guī)模單件或小批量且為用戶定制的大型產(chǎn)品、系統(tǒng)、服務(wù)和基礎(chǔ)設(shè)施,包括飛機(jī)、大型船舶、衛(wèi)星、運(yùn)載火箭等[1]。復(fù)雜裝備的制造屬于制造業(yè)中的高端領(lǐng)域,集中了制造業(yè)中最先進(jìn)的技術(shù)、設(shè)備與管理,代表著一個(gè)國(guó)家制造業(yè)的最高發(fā)展水平以及這個(gè)國(guó)家的綜合實(shí)力與核心競(jìng)爭(zhēng)力。然而,復(fù)雜裝備的復(fù)雜性和個(gè)性化定制屬性決定了其生命周期過程中存在著較多的不確定性問題,因此復(fù)雜裝備不可避免地存在著質(zhì)量隱患,做好復(fù)雜裝備的故障診斷,提升復(fù)雜裝備的質(zhì)量水平具有重要有意義。

復(fù)雜裝備的質(zhì)量隱患一旦爆發(fā),將會(huì)給產(chǎn)品的穩(wěn)定性和可靠性造成重大影響,并且?guī)頍o法衡量和挽回的損失,從而導(dǎo)致企業(yè)信譽(yù)下降、客戶滿意度降低、成本急劇增加等問題[2]。因此,復(fù)雜裝備的質(zhì)量問題至關(guān)重要,這不僅關(guān)系到相關(guān)企業(yè)的生存和發(fā)展問題,還與“中國(guó)制造2025”偉大戰(zhàn)略的實(shí)現(xiàn)密切相關(guān)。例如,2018年10月和2019年3月美國(guó)波音737MAX,由于飛行控制系統(tǒng)故障發(fā)生兩次墜機(jī)事件,造成346人罹難。這兩次空難事件,不僅讓該機(jī)型全世界停飛,給波音公司造成了巨大的直接經(jīng)濟(jì)損失,同時(shí)還產(chǎn)生了顧客與波音公司之間的信任危機(jī),給波音公司帶來不可估量的間接損失。因此,既要保證復(fù)雜裝備的個(gè)性化定制來滿足客戶需求,又要消除復(fù)雜裝備的質(zhì)量隱患。在這種情況下,復(fù)雜裝備的故障診斷就顯得尤為重要。

在激烈的市場(chǎng)競(jìng)爭(zhēng)中,故障診斷的重要性得到了越來越多企業(yè)的認(rèn)可,因此各個(gè)企業(yè)都在不斷地尋求可以提升其產(chǎn)品競(jìng)爭(zhēng)力的故障診斷方案。隨著復(fù)雜裝備應(yīng)用的日益廣泛,復(fù)雜裝備故障診斷領(lǐng)域的研究也逐漸興起。目前復(fù)雜裝備故障診斷的研究主要集中在機(jī)器學(xué)習(xí)、供應(yīng)鏈故障、工序故障、故障模式、統(tǒng)計(jì)診斷和產(chǎn)品結(jié)構(gòu)這6個(gè)領(lǐng)域。

機(jī)器學(xué)習(xí)是近年來研究的熱門,通過機(jī)器學(xué)習(xí)的理論方法對(duì)故障數(shù)據(jù)進(jìn)行分析和預(yù)測(cè),進(jìn)而診斷出產(chǎn)品的故障所在,其在故障診斷方面的研究包括,文獻(xiàn)[3]提出的擴(kuò)展神經(jīng)網(wǎng)絡(luò),通過對(duì)內(nèi)燃機(jī)發(fā)出的聲音信號(hào)進(jìn)行小波包分析來診斷內(nèi)燃機(jī)的故障。文獻(xiàn)[4]通過結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和先進(jìn)的域適應(yīng)技術(shù),設(shè)計(jì)了一個(gè)深度轉(zhuǎn)移學(xué)習(xí)網(wǎng)絡(luò)減少模擬與物理域之間的差異,顯著提高了紙漿廠連續(xù)攪拌釜式反應(yīng)器的故障診斷效率。文獻(xiàn)[5]提出一種基于增強(qiáng)粒子群算法的支持向量分類器(support vector classifier, SVC),從數(shù)據(jù)庫(kù)中提取支持向量,用于汽輪機(jī)發(fā)電機(jī)組振動(dòng)故障診斷,該方法可以有效地獲取最佳超平面而設(shè)計(jì)最佳SVC模型,與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法相比,該方法更加準(zhǔn)確高效。文獻(xiàn)[6]開發(fā)出一種基于特征振動(dòng)分析和分類的自動(dòng)診斷模型,利用多分辨率分析和人工神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)了四種軸承狀態(tài)的故障診斷(正常、內(nèi)滾道故障、外滾道故障和球故障)。文獻(xiàn)[7]基于壓縮感知和深度學(xué)習(xí)的思想,采用非線性投影來實(shí)現(xiàn)壓縮采集和基于疊加稀疏自編碼器的深度神經(jīng)網(wǎng)絡(luò),提出一種新的旋轉(zhuǎn)機(jī)械故障診斷方法。文獻(xiàn)[8]提出一種用于智能故障診斷的無監(jiān)督學(xué)習(xí)方法——通用歸一化稀疏濾波,基于特征矩陣的廣義范數(shù)對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化,從而實(shí)現(xiàn)特征稀疏度的度量。文獻(xiàn)[9]為了解決端到端的故障診斷問題,重點(diǎn)開發(fā)了一種卷積神經(jīng)網(wǎng)絡(luò),可以直接從原始振動(dòng)信號(hào)中學(xué)習(xí)特征,然后進(jìn)行故障診斷。

供應(yīng)鏈故障診斷是從復(fù)雜裝備供應(yīng)鏈的整個(gè)環(huán)節(jié)系統(tǒng)性地分析,診斷復(fù)雜裝備從設(shè)計(jì)到售后整個(gè)生命周期中的故障風(fēng)險(xiǎn)。文獻(xiàn)[10]首次提出一種用于復(fù)雜裝備開發(fā)的高級(jí)生命周期模型——面向階段的信息替代并發(fā)和繞行生命周期模型,從協(xié)調(diào)復(fù)雜裝備開發(fā)過程的角度分析了復(fù)雜裝備質(zhì)量改善的必要性。文獻(xiàn)[11]對(duì)供應(yīng)鏈故障管控總結(jié)出了控制三部曲,即制造商故障評(píng)估、生產(chǎn)中的故障管控和故障檢驗(yàn)與保證,為供應(yīng)鏈故障控制和績(jī)效策略提供指導(dǎo)。

工序故障診斷面向復(fù)雜裝備的生產(chǎn)環(huán)節(jié),是故障產(chǎn)生的最重要也是最根本的環(huán)節(jié),文獻(xiàn)[12]以田納西州伊士曼過程為例,采用一種基于潛隱結(jié)構(gòu)總投影模型的廣義重構(gòu)貢獻(xiàn)法,通過仿真實(shí)現(xiàn)了對(duì)該過程的工序診斷。文獻(xiàn)[13]提出一種基于改進(jìn)流程作業(yè)樹的層次調(diào)度算法,該算法首次解決了具有作業(yè)間約束的復(fù)雜裝備柔性調(diào)度問題,提高了作業(yè)間存在約束條件的復(fù)雜裝備裝配環(huán)節(jié)的質(zhì)量水平。文獻(xiàn)[14]提出一種基于水平可見性圖分析的復(fù)雜網(wǎng)絡(luò)故障檢測(cè)方法,將系統(tǒng)中每個(gè)工序節(jié)點(diǎn)數(shù)據(jù)視為一個(gè)時(shí)間序列,通過水平可見性算法將每個(gè)時(shí)間序列建模為一個(gè)網(wǎng)絡(luò)。

故障模式的診斷則對(duì)故障類型進(jìn)行聚類整合并分析每類故障的質(zhì)量數(shù)據(jù)特點(diǎn),然后通過產(chǎn)品數(shù)據(jù)的對(duì)比,診斷產(chǎn)品的故障類型及分布。文獻(xiàn)[15]提出行為捕獲與測(cè)試技術(shù),分析識(shí)別故障原因和定位相關(guān)故障,將故障模式與質(zhì)量數(shù)據(jù)相互關(guān)聯(lián),通過質(zhì)量數(shù)據(jù)捕獲和測(cè)試產(chǎn)品的質(zhì)量問題。文獻(xiàn)[16]針對(duì)多模式工作環(huán)境下的非線性批處理過程,提出基于質(zhì)量的故障檢測(cè)與診斷框架,并將其應(yīng)用于熱軋帶鋼軋制過程,顯著地識(shí)別了帶鋼厚度和平整度的故障缺陷。文獻(xiàn)[17]建立了一種新的分析動(dòng)力學(xué)模型,研究了殼體材料、殼體高度、斷層附加激勵(lì)區(qū)和斷層長(zhǎng)度對(duì)轉(zhuǎn)子-滾子軸承座系統(tǒng)動(dòng)力學(xué)的影響。文獻(xiàn)[18]為了對(duì)復(fù)雜條件下的復(fù)合故障進(jìn)行分離,提高分離信號(hào)的精度,提出一種基于優(yōu)化最小化和約束稀疏分量分析的設(shè)備復(fù)合故障分步診斷方法。

統(tǒng)計(jì)診斷是起步最早,研究歷史最悠久的領(lǐng)域,通過分析質(zhì)量數(shù)據(jù)的相關(guān)性、趨勢(shì)等特點(diǎn),診斷產(chǎn)品故障的方法。例如,文獻(xiàn)[19]研究了一種局部平均分解法,處理多分量調(diào)幅和調(diào)頻信號(hào),實(shí)踐證明該方法比經(jīng)驗(yàn)?zāi)B(tài)分解法更有效且精準(zhǔn)地識(shí)別齒輪和滾子軸承的故障。文獻(xiàn)[20]提出一種基于光譜特峰度的特征提取值與k近鄰距離分析的方法,并通過機(jī)械故障模擬器驗(yàn)證了該方法的有效性。文獻(xiàn)[21]提出一種基于線性識(shí)別方法和隱馬爾可夫鏈相結(jié)合的模擬電路故障診斷方法,實(shí)現(xiàn)了對(duì)模擬電路早期故障的有效識(shí)別。文獻(xiàn)[22]針對(duì)個(gè)體主成分分析(principal component analysis, PCA)或核PCA(kernel PCA, KPCA)不能很好地描述過程變量之間存在線性關(guān)系和非線性關(guān)系的問題,提出一種并行PCA-KPCA建模和監(jiān)測(cè)方案,有效地判別過程中變量之間的線性和非線性關(guān)系以及處理非線性過程。

產(chǎn)品的結(jié)構(gòu)組成也是故障診斷不可忽略的一個(gè)領(lǐng)域,與工序診斷相對(duì)應(yīng),工序診斷確定出產(chǎn)品的故障工序,而產(chǎn)品結(jié)構(gòu)診斷則是確定造成產(chǎn)品故障的具體子系統(tǒng)或零部件。文獻(xiàn)[23]提出一種通用圖形處理器技術(shù),應(yīng)用到并行故障樹分析模型,研究核電站的各子系統(tǒng),有效地診斷評(píng)估了核電廠零部件的風(fēng)險(xiǎn),并為基于故障樹的復(fù)雜系統(tǒng)分析的并行算法研究奠定了基礎(chǔ)。文獻(xiàn)[24]提出基于貝葉斯網(wǎng)絡(luò)的故障重要性分析模型去計(jì)算失敗原因和模型的重要性,同時(shí)結(jié)合免疫算法來優(yōu)化該結(jié)構(gòu),并通過數(shù)值模擬結(jié)果表明該模型的正確和有效。文獻(xiàn)[25]從產(chǎn)品組成的子系統(tǒng)考慮,構(gòu)建了風(fēng)險(xiǎn)傳導(dǎo)不確定隨機(jī)多傳遞參量圖形評(píng)審技術(shù)網(wǎng)絡(luò)模型,對(duì)某型飛機(jī)進(jìn)行安全性分析,可以為復(fù)雜裝備的風(fēng)險(xiǎn)分析、預(yù)判和安全控制提供借鑒。

由于貝葉斯網(wǎng)絡(luò)模型具有自我學(xué)習(xí),以及將定性評(píng)估與定量推理相結(jié)合的特點(diǎn),使得貝葉斯網(wǎng)絡(luò)模型在復(fù)雜裝備的質(zhì)量研究領(lǐng)域中備受歡迎,且研究成果層出不窮。比如,文獻(xiàn)[26]對(duì)貝葉斯網(wǎng)絡(luò)診斷總結(jié)出了4種類型,分別為已知結(jié)構(gòu)完整數(shù)據(jù)、已知結(jié)構(gòu)不完整數(shù)據(jù)、未知結(jié)構(gòu)完整數(shù)據(jù)、未知結(jié)構(gòu)不完整數(shù)據(jù),這為貝葉斯網(wǎng)絡(luò)診斷研究提供了規(guī)范的框架。文獻(xiàn)[27]利用模塊化概念的優(yōu)點(diǎn),提出一種用于復(fù)雜裝備故障預(yù)測(cè)的貝葉斯網(wǎng)絡(luò)集成建模方法,有效地建立和推導(dǎo)出復(fù)雜裝備結(jié)構(gòu)系統(tǒng)并準(zhǔn)確地對(duì)故障進(jìn)行預(yù)測(cè)。文獻(xiàn)[28]設(shè)計(jì)了一種基于影響及危害性分析的故障預(yù)測(cè)貝葉斯網(wǎng)絡(luò)模型,從影響及危害性分析單元的視角構(gòu)建貝葉斯網(wǎng)絡(luò),層層分析復(fù)雜裝備的故障模式與故障原因,提高了復(fù)雜裝備故障診斷的準(zhǔn)確性和有效性。文獻(xiàn)[29]在復(fù)雜裝備維修質(zhì)量研究領(lǐng)域,將評(píng)價(jià)指標(biāo)體系融入到貝葉斯網(wǎng)絡(luò),有效地評(píng)估了復(fù)雜裝備維修質(zhì)量,給復(fù)雜裝備維修質(zhì)量評(píng)價(jià)提供了一條新的思路。文獻(xiàn)[30]系統(tǒng)地分析非線性頻譜故障的特點(diǎn)以及貝葉斯網(wǎng)絡(luò)的應(yīng)用領(lǐng)域,構(gòu)建了一種非線性頻譜特征貝葉斯網(wǎng)絡(luò)診斷模型,顯著提高了復(fù)雜裝備傳動(dòng)系統(tǒng)故障的識(shí)別率和速度。

借助貝葉斯網(wǎng)絡(luò)故障診斷提升復(fù)雜裝備質(zhì)量水平和可靠性已成為一種有效的方法,但面對(duì)結(jié)構(gòu)復(fù)雜的復(fù)雜裝備高可靠性要求,如何通過反應(yīng)關(guān)鍵部件的質(zhì)量問題進(jìn)行故障診斷,如何解決復(fù)雜裝備的小批量定制化屬性而導(dǎo)致的結(jié)構(gòu)數(shù)據(jù)相對(duì)缺乏問題,如何選取科學(xué)有效的方法來確定條件概率等參數(shù)將成為本文的研究目標(biāo)。現(xiàn)有研究為本文思路提供了支撐,但Sahin等人[26]的研究成果中對(duì)于未知結(jié)構(gòu)完整數(shù)據(jù)類型,采取搜索函數(shù)確定最優(yōu)貝葉斯網(wǎng)絡(luò)太過于理論化,而現(xiàn)實(shí)企業(yè)由于生產(chǎn)過程和產(chǎn)品結(jié)構(gòu)限制所構(gòu)建的貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與最優(yōu)結(jié)構(gòu)存在著差異。另外,條件概率作為貝葉斯網(wǎng)絡(luò)另一個(gè)重要組成部分，是實(shí)踐中構(gòu)建貝葉斯網(wǎng)絡(luò)診斷模型的關(guān)鍵,其結(jié)果的準(zhǔn)確性直接決定了故障診斷的精度。本文針對(duì)復(fù)雜裝備結(jié)構(gòu)的復(fù)雜性和故障的復(fù)合性與不確定性,首先擬基于故障樹方法綜合分析復(fù)雜裝備故障因素,建立復(fù)雜裝備關(guān)鍵部件的故障樹模型;其次,研究故障樹轉(zhuǎn)換為貝葉斯網(wǎng)絡(luò)的推理方法,建立基于故障樹的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。最后,針對(duì)貝葉斯網(wǎng)絡(luò)條件概率的信息量少、數(shù)據(jù)貧乏,評(píng)估過程中的不確定性等問題,提出一種基于模糊貝葉斯網(wǎng)絡(luò)的復(fù)雜裝備故障診斷模型,將故障樹-模糊貝葉斯網(wǎng)絡(luò)診斷應(yīng)用到復(fù)雜裝備診斷中,確定復(fù)雜裝備的關(guān)鍵故障部件,為復(fù)雜裝備的故障診斷提供新的解決思路。

1 復(fù)雜裝備故障樹分析

故障是系統(tǒng)所有環(huán)節(jié)中出現(xiàn)的一種異常,是規(guī)定范圍之外的情況,復(fù)雜裝備的故障會(huì)造成質(zhì)量不合格或功能失效,進(jìn)而影響復(fù)雜裝備的安全性,最終導(dǎo)致無法挽回的損失,因此系統(tǒng)的故障分析對(duì)復(fù)雜裝備提高其可靠性具有重要意義。故障樹是一種用因果關(guān)系的樹狀圖來描述系統(tǒng)中各個(gè)事件的邏輯關(guān)系的方法,該方法由邏輯門、輸入事件和輸出事件組成,其中,邏輯門表示結(jié)果是由一個(gè)原因還是多個(gè)原因造成的邏輯判斷,輸入事件表示原因,輸出事件表示結(jié)果。根據(jù)復(fù)雜裝備結(jié)構(gòu)之間具有較強(qiáng)的層次關(guān)系的特點(diǎn),可以用產(chǎn)品的結(jié)構(gòu)樹對(duì)其進(jìn)行描述。因此,這套因果邏輯樹狀圖可以直觀有效地分析系統(tǒng)的復(fù)雜組成結(jié)構(gòu),對(duì)于復(fù)雜裝備很適用。構(gòu)建故障樹的過程中常用到的有關(guān)術(shù)語和符號(hào)如表1所示。

故障樹分析是從某個(gè)最終結(jié)果即頂事件開始,按照邏輯門的因果關(guān)系從上至下逐層分解,直到無法分解為止(此時(shí)的輸入事件稱之為基本事件),最后找出造成最終故障的基本事件。該方法可以直觀地分析系統(tǒng)故障發(fā)生的各種途徑,從而有效發(fā)現(xiàn)系統(tǒng)的故障源,是研究復(fù)雜裝備故障診斷的有效工具。故障樹分析理論主要包括3個(gè)基本假設(shè):

表1 故障樹常用術(shù)語符號(hào)表

假設(shè) 1事件只包含正常和失效兩種狀態(tài),沒有介于中間的第3種狀態(tài)。

假設(shè) 2表達(dá)因果關(guān)系的邏輯門只包含與門、或門、異或門和表決門4種。

假設(shè) 3各事件之間相互獨(dú)立,不存在耦合關(guān)系。

故障樹模型需要分析復(fù)雜裝備的結(jié)構(gòu)組成和生產(chǎn)過程,對(duì)于復(fù)雜裝備的零部件或子系統(tǒng),如果他們之間沒有組成上的相關(guān)性,那么在故障樹網(wǎng)絡(luò)結(jié)構(gòu)中就不會(huì)將其連在一起。同理,復(fù)雜裝備生產(chǎn)過程中的零部件之間、工序之間沒有關(guān)聯(lián)關(guān)系,也不會(huì)在故障樹網(wǎng)絡(luò)結(jié)構(gòu)中被關(guān)聯(lián)在一起。故障樹模型的這一特點(diǎn)可以滿足實(shí)際的生產(chǎn)需求,由此轉(zhuǎn)化的貝葉斯網(wǎng)絡(luò)更具備實(shí)用性,避免了未知結(jié)構(gòu)完整數(shù)據(jù)類型中,由搜索函數(shù)確定出的最優(yōu)貝葉斯網(wǎng)絡(luò)太過理論化的問題。

大飛機(jī)是結(jié)構(gòu)復(fù)雜、故障形式多樣的復(fù)雜裝備最具典型的代表。本文以大飛機(jī)為例,利用故障樹分析法,通過引氣系統(tǒng)、起落架系統(tǒng)、極高頻(very high freguency, VHF)通訊系統(tǒng)、液壓系統(tǒng)、襟翼系統(tǒng)、發(fā)動(dòng)機(jī)系統(tǒng)、空調(diào)系統(tǒng)對(duì)診斷任務(wù)進(jìn)行分解,將復(fù)雜的大飛機(jī)系統(tǒng)故障診斷任務(wù)簡(jiǎn)化為對(duì)各類子系統(tǒng)故障的診斷問題,繼而分解成一個(gè)個(gè)基本事件,然后分別對(duì)各個(gè)基本事件進(jìn)行診斷分析,最終構(gòu)建大飛機(jī)故障樹模型來確定每個(gè)基本事件對(duì)頂端事件的影響程度。大飛機(jī)故障樹模型如圖1所示。

圖1 大飛機(jī)系統(tǒng)故障樹

2 基于故障樹的模糊貝葉斯網(wǎng)絡(luò)推理故障診斷

2.1 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是一個(gè)基于概率推理的有向無環(huán)圖,用符號(hào)B(G,P)表示,其中G表示隨機(jī)變量節(jié)點(diǎn)的結(jié)構(gòu),即貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),P表示有向邊的概率,即用條件概率來描述[31]。貝葉斯網(wǎng)絡(luò)能夠通過變量集合的聯(lián)合概率分布,分析變量之間的依賴關(guān)系和關(guān)聯(lián)強(qiáng)度,適用于復(fù)雜裝備不確定性故障問題的表達(dá)和推理。

貝葉斯網(wǎng)絡(luò)的主要構(gòu)成內(nèi)容包括兩個(gè)部分,第一部分是稱之為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的有向無環(huán)圖。其中,節(jié)點(diǎn)表示問題變量,這些變量可以根據(jù)結(jié)構(gòu)、狀態(tài)、屬性、事件或問題中的現(xiàn)象等實(shí)際需要進(jìn)行定義;有向邊表示節(jié)點(diǎn)間的關(guān)聯(lián)關(guān)系,箭頭的方向代表節(jié)點(diǎn)之間的影響關(guān)系(父節(jié)點(diǎn)影響子節(jié)點(diǎn)),節(jié)點(diǎn)之間沒有有向邊則代表對(duì)應(yīng)變量之間相互獨(dú)立的關(guān)系。第二部分則是條件概率表(conditional probability table, CPT),CPT描述了貝葉斯網(wǎng)絡(luò)中節(jié)點(diǎn)之間的關(guān)聯(lián)關(guān)系和影響程度。

貝葉斯網(wǎng)絡(luò)模型按節(jié)點(diǎn)的影響方向分為故障層、征兆層和狀態(tài)層。例如,圖2是一個(gè)含有4個(gè)節(jié)點(diǎn)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)示例,貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)用uij表示,其中i=1,2,3分別表示網(wǎng)絡(luò)中的故障層、征兆層和狀態(tài)層;j=1,2,…,m表示貝葉斯網(wǎng)絡(luò)中第j個(gè)節(jié)點(diǎn),例如u21表示征兆層第一個(gè)節(jié)點(diǎn)。表2為圖2貝葉斯網(wǎng)絡(luò)的基本概率表,T表示故障事件發(fā)生,F表示故障事件不發(fā)生。先驗(yàn)概率表示某個(gè)節(jié)點(diǎn)故障發(fā)生的概率,如P(u11=T)=a表示,節(jié)點(diǎn)u11發(fā)生故障的概率為a。條件概率表示節(jié)點(diǎn)之間的關(guān)聯(lián)強(qiáng)度,一個(gè)節(jié)點(diǎn)引發(fā)另一個(gè)節(jié)點(diǎn)發(fā)生故障的概率,如P(u31|u21=T,u22=T)=d表示,父節(jié)點(diǎn)u21和u22均發(fā)生故障時(shí),節(jié)點(diǎn)u31發(fā)生故障概率為d。

表2 貝葉斯網(wǎng)絡(luò)基本概率表

圖2 貝葉斯網(wǎng)絡(luò)

2.2 基于故障樹的模糊貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建

復(fù)雜裝備的模糊貝葉斯網(wǎng)絡(luò)模型的建立包括兩個(gè)步驟:構(gòu)建拓?fù)浣Y(jié)構(gòu)和設(shè)置定量參數(shù)。構(gòu)建拓?fù)浣Y(jié)構(gòu)需要采用故障樹轉(zhuǎn)化法,將復(fù)雜裝備的故障樹網(wǎng)絡(luò)轉(zhuǎn)化成模糊貝葉斯網(wǎng)絡(luò),具體流程如圖3所示。

圖3 故障樹轉(zhuǎn)化模糊貝葉斯網(wǎng)絡(luò)的流程

故障樹與貝葉斯網(wǎng)絡(luò)的轉(zhuǎn)化中,故障樹的各個(gè)事件與貝葉斯網(wǎng)絡(luò)中的各節(jié)點(diǎn)相互對(duì)應(yīng),邏輯門則轉(zhuǎn)化成為貝葉斯網(wǎng)絡(luò)的有向邊和條件概率。故障樹與傳統(tǒng)貝葉斯網(wǎng)絡(luò)的轉(zhuǎn)化中,條件概率是根據(jù)邏輯門的設(shè)置而確定的。如圖4所示,故障樹與傳統(tǒng)貝葉斯網(wǎng)絡(luò)的與門關(guān)系轉(zhuǎn)化中,條件概率只有P(T=1|S1=1,S2=1,…,Sn=1)=1和P(T=1|else)=0兩種。而復(fù)雜裝備故障樹模型與模糊貝葉斯網(wǎng)絡(luò)的相互轉(zhuǎn)換中,條件概率不再是完全確定的,而是存在一定的概率可能。圖5為故障樹邏輯門的模糊貝葉斯網(wǎng)絡(luò)轉(zhuǎn)化,其中P(a)表示可能的概率,P(a)∈[0,1]。

圖4 故障樹與傳統(tǒng)貝葉斯網(wǎng)絡(luò)的與門關(guān)系轉(zhuǎn)化

圖5 故障樹邏輯門的模糊貝葉斯網(wǎng)絡(luò)轉(zhuǎn)化

參見文獻(xiàn)[32],結(jié)合上述分析,復(fù)雜裝備的故障樹轉(zhuǎn)換為模糊貝葉斯網(wǎng)絡(luò)的具體步驟如下。

步驟 1將故障樹的基本事件、中間事件、頂事件分別對(duì)應(yīng)于模糊貝葉斯網(wǎng)絡(luò)的故障層節(jié)點(diǎn)、征兆層節(jié)點(diǎn)、狀態(tài)層節(jié)點(diǎn),故障樹中重復(fù)出現(xiàn)的事件合并為一個(gè)節(jié)點(diǎn)。

步驟 2將故障樹中的邏輯門轉(zhuǎn)化成模糊貝葉斯網(wǎng)絡(luò)的有向邊,并按圖5所示的方法區(qū)分節(jié)點(diǎn)之間邏輯門的關(guān)系。

步驟 3用貝葉斯網(wǎng)絡(luò)中故障層節(jié)點(diǎn)的先驗(yàn)概率,替代故障樹中基本事件的發(fā)生的可能性。

步驟 4故障樹中事件之間的影響程度,用模糊貝葉斯網(wǎng)絡(luò)中的條件概率進(jìn)行表示。

2.3 模型參數(shù)的模糊設(shè)定

由于復(fù)雜裝備的個(gè)性化定制屬性,造成了其生產(chǎn)過程中存在著不確定性因素。同時(shí),復(fù)雜裝備生產(chǎn)流程中的各個(gè)節(jié)點(diǎn)也無法用確切的數(shù)學(xué)公式來表達(dá),而且仿真試驗(yàn)考慮的影響因素又無法做到與實(shí)際情況完全一致,所以仿真數(shù)據(jù)的可靠性也難以保證。因此,本文利用專家豐富的經(jīng)驗(yàn),采取德爾菲法來確定貝葉斯網(wǎng)絡(luò)的條件概率。為了提高專家經(jīng)驗(yàn)的可信度,本文在貝葉斯網(wǎng)絡(luò)條件概率確定的過程中,采用模糊集合論方法。

2.3.1 確定評(píng)語等級(jí)集

評(píng)語等級(jí)集用V表示,V={v1,v2,…,vn},vk(k=1,2,…,n)為第k個(gè)評(píng)語等級(jí)。例如,先設(shè)定5個(gè)評(píng)語等級(jí),評(píng)估復(fù)雜裝備節(jié)點(diǎn)故障發(fā)生的可能性,即V={v1,v2,v3,v4,v5}={很高,高,一般,低,很低}。然后設(shè)置v1,v2,v3,v4,v5的取值范圍,可以依次設(shè)置為(0.8,1),(0.6,0.8),(0.4,0.6),(0.2,0.4),(0,0.2),為方便計(jì)算概率值分別取v1=0.9,v2=0.7,v3=0.5,v4=0.3,v5=0.1。

2.3.2 確定隸屬度

表3 復(fù)雜裝備貝葉斯網(wǎng)絡(luò)隸屬度符號(hào)

2.3.3 確定評(píng)判值

節(jié)點(diǎn)發(fā)生概率的評(píng)判值用P(uij)表示:

節(jié)點(diǎn)之間的聯(lián)合概率的評(píng)判值用P(ui′j′,uij)表示:

節(jié)點(diǎn)之間關(guān)聯(lián)強(qiáng)度,即條件概率的評(píng)判值用P(ui′j′|uij)表示:

2.4 復(fù)雜裝備模糊貝葉斯網(wǎng)絡(luò)推理故障診斷

模糊貝葉斯網(wǎng)絡(luò)利用拓?fù)浣Y(jié)構(gòu)和概率值分別表示了模型的定性、定量知識(shí),以此來處理觀測(cè)信息并實(shí)施不確定性推理。模糊貝葉斯網(wǎng)絡(luò)推理的本質(zhì)是其概率計(jì)算的過程,將模糊貝葉斯網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與模糊條件概率表有效結(jié)合,通過已知節(jié)點(diǎn)的取值,計(jì)算所需節(jié)點(diǎn)的概率。本文通過模糊因果推理和模糊診斷推理兩種模糊貝葉斯網(wǎng)絡(luò)推理,對(duì)復(fù)雜裝備進(jìn)行故障診斷,確定故障零部件,進(jìn)而針對(duì)性改善,達(dá)到最終質(zhì)量提升的目的。

模糊因果推理,由故障層向狀態(tài)層推理。根據(jù)第2.3節(jié)評(píng)估的復(fù)雜裝備貝葉斯網(wǎng)絡(luò)的先驗(yàn)概率和條件概率,進(jìn)行貝葉斯網(wǎng)絡(luò)推理計(jì)算,確定復(fù)雜裝備整個(gè)系統(tǒng)的故障率。將復(fù)雜裝備的故障率要求設(shè)置為質(zhì)量閥值,通過診斷計(jì)算的復(fù)雜裝備系統(tǒng)的故障率與質(zhì)量閥值進(jìn)行比較,如果滿足閥值要求,說明復(fù)雜裝備質(zhì)量合格,否則需要進(jìn)行模糊診斷推理,確定出故障源。

模糊診斷推理,由狀態(tài)層向故障層推理。假設(shè)復(fù)雜裝備故障發(fā)生,利用第2.3節(jié)評(píng)估的條件概率進(jìn)行推理計(jì)算,確定復(fù)雜裝備每一個(gè)零部件對(duì)系統(tǒng)故障的貢獻(xiàn)率,通過對(duì)貢獻(xiàn)率最高的零部件進(jìn)行針對(duì)性質(zhì)量改進(jìn),從而提升復(fù)雜裝備的質(zhì)量,實(shí)現(xiàn)復(fù)雜裝備的質(zhì)量提升。

具體的推理過程以圖2中節(jié)點(diǎn)為例說明,假設(shè)節(jié)點(diǎn)u31發(fā)生,其根節(jié)點(diǎn)u11發(fā)生的概率為

(1)

且

(2)

(3)

模糊貝葉斯網(wǎng)絡(luò)中,節(jié)點(diǎn)的狀態(tài)僅與其父節(jié)點(diǎn)的取值有關(guān)。圖2模型中隨機(jī)變量的聯(lián)合分布為

(4)

P(u11|u31)=

(5)

P(u31)=

(6)

2.5 復(fù)雜裝備的模糊貝葉斯網(wǎng)絡(luò)推理故障診斷步驟

本文提出模糊貝葉斯網(wǎng)絡(luò)推理診斷模型,不僅可以診斷出故障節(jié)點(diǎn),還能診斷出未發(fā)生的潛在故障節(jié)點(diǎn),使得本模型既適用于過程診斷,也適用于事前診斷。故障(或潛在故障)節(jié)點(diǎn)改善完成更新故障數(shù)據(jù)后,可以進(jìn)行再次診斷找出其他的故障(或潛在故障)節(jié)點(diǎn),實(shí)現(xiàn)持續(xù)改進(jìn)不斷完善的目標(biāo)。對(duì)于連續(xù)多次被診斷出的節(jié)點(diǎn),說明其改善效果不明顯,依然存在不足或隱患,本模型對(duì)故障(或潛在故障)節(jié)點(diǎn)的改善效果還能起到檢測(cè)評(píng)估的作用。模型具體流程如圖6所示。

復(fù)雜裝備的模糊貝葉斯網(wǎng)絡(luò)推理故障診斷步驟如下。

步驟1構(gòu)建模糊貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

首先根據(jù)復(fù)雜裝備的結(jié)構(gòu)和各組件之間的關(guān)聯(lián)關(guān)系,構(gòu)建復(fù)雜裝備故障樹網(wǎng)絡(luò)并通過故障樹轉(zhuǎn)化將復(fù)雜裝備的故障樹轉(zhuǎn)化為模糊貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。

圖6 復(fù)雜裝備的模糊貝葉斯網(wǎng)絡(luò)推理流程圖

步驟2模型參數(shù)設(shè)定

復(fù)雜裝備的質(zhì)量關(guān)系著企業(yè)的品牌形象和社會(huì)責(zé)任,企業(yè)對(duì)復(fù)雜裝備生產(chǎn)過程中數(shù)據(jù)的收集非常看重。因此,本文采用企業(yè)實(shí)際收集的故障率數(shù)據(jù)作為模糊貝葉斯網(wǎng)絡(luò)的先驗(yàn)概率。針對(duì)復(fù)雜裝備的個(gè)性化定制生產(chǎn),生產(chǎn)環(huán)節(jié)之間關(guān)聯(lián)關(guān)系較為復(fù)雜,很難采用數(shù)學(xué)表達(dá)式描繪的問題。本文邀請(qǐng)相關(guān)的企業(yè)專家,采取德爾菲法并結(jié)合模糊集合論來評(píng)估故障層節(jié)點(diǎn)與征兆層節(jié)點(diǎn)之間的關(guān)聯(lián)強(qiáng)度,從而確定復(fù)雜裝備模糊貝葉斯網(wǎng)絡(luò)的條件概率。

步驟3模糊貝葉斯網(wǎng)絡(luò)推理

根據(jù)模糊集合論方法論評(píng)估得出的條件概率,利用模糊貝葉斯因果推理計(jì)算復(fù)雜裝備故障發(fā)生的概率。然后對(duì)比復(fù)雜裝備的故障率要求即質(zhì)量閥值,判斷復(fù)雜裝備是否滿足質(zhì)量閥值的要求。對(duì)于低于質(zhì)量閥值要求的情況,認(rèn)定故障發(fā)生,利用模糊貝葉斯診斷推理,計(jì)算貝葉斯網(wǎng)絡(luò)故障層各節(jié)點(diǎn)導(dǎo)致最終故障的可能性,對(duì)于可能性最高的節(jié)點(diǎn)進(jìn)行整改,提升其質(zhì)量水平。由于故障層節(jié)點(diǎn)與征兆層節(jié)點(diǎn)之間的關(guān)聯(lián)強(qiáng)度(即條件概率)是由系統(tǒng)結(jié)構(gòu)所決定的,本文假設(shè)其是固定不變的,因此提升質(zhì)量水平只提升故障層節(jié)點(diǎn)質(zhì)量水平,即只改善先驗(yàn)概率,不改變條件概率。為了節(jié)省復(fù)雜裝備質(zhì)量改進(jìn)的成本,保證改善的針對(duì)性,避免無效的質(zhì)量改進(jìn),依據(jù)帕累托原則,選擇后驗(yàn)概率值前20%的節(jié)點(diǎn)進(jìn)行改善。

步驟4更新模型參數(shù)

重復(fù)步驟2和步驟3,再次進(jìn)行模糊貝葉斯因果推理計(jì)算故障發(fā)生的概率,如果仍低于質(zhì)量閥值,則繼續(xù)步驟2～步驟4,直至滿足質(zhì)量要求,從而實(shí)現(xiàn)質(zhì)量提升。

3 模型驗(yàn)證

本文以某航空公司復(fù)合材料機(jī)翼板(以下簡(jiǎn)稱復(fù)合材料)為例,建立基于故障樹的復(fù)合材料模糊貝葉斯網(wǎng)絡(luò)推理診斷模型,來驗(yàn)證模型的實(shí)用性。該公司原先復(fù)合材料的報(bào)廢率為0.379 5%,計(jì)劃通過故障診斷手段將報(bào)廢率降到0.200 0%以下,即質(zhì)量閥值要求達(dá)到99.800 0%以上的可靠性。

3.1 建立復(fù)合材料的故障樹和模糊貝葉斯網(wǎng)絡(luò)

根據(jù)第1節(jié)中步驟建立復(fù)合材料的故障樹網(wǎng)絡(luò),如圖7所示,再根據(jù)第2.2節(jié)描述的故障樹轉(zhuǎn)化法,將圖7所示的復(fù)合材料的故障樹網(wǎng)絡(luò)轉(zhuǎn)化為模糊貝葉斯網(wǎng)絡(luò),如圖8所示。

圖7 復(fù)合材料故障樹網(wǎng)絡(luò)圖

圖8 復(fù)合材料模糊貝葉斯網(wǎng)絡(luò)圖

3.2 確定模型參數(shù)

首先,以該公司2019年全年的故障率統(tǒng)計(jì)數(shù)據(jù)作為本模型的先驗(yàn)概率,如表4所示。

表4 故障先驗(yàn)概率

邀請(qǐng)生產(chǎn)現(xiàn)場(chǎng)12名資深工程師、生產(chǎn)班組長(zhǎng)以及生產(chǎn)經(jīng)理對(duì)復(fù)合材料模糊貝葉斯網(wǎng)絡(luò)中節(jié)點(diǎn)的關(guān)聯(lián)關(guān)系進(jìn)行評(píng)估,評(píng)估結(jié)果匯總?cè)绫?所示。依據(jù)第2.3節(jié)中模糊集合論方法,確定復(fù)合材料模糊貝葉斯網(wǎng)絡(luò)模型中故障節(jié)點(diǎn)與征兆節(jié)點(diǎn)的關(guān)聯(lián)強(qiáng)度,即條件概率,如表6所示。

表5 專家評(píng)估匯總表

表6 模糊貝葉斯網(wǎng)絡(luò)條件概率表

3.3 模糊貝葉斯網(wǎng)絡(luò)推理與質(zhì)量改進(jìn)

利用GeNIe仿真軟件對(duì)復(fù)合材料的模糊貝葉斯網(wǎng)絡(luò)模型進(jìn)行仿真,步驟如下所示。

步驟 1輸入先驗(yàn)概率和條件概率后,進(jìn)行模糊貝葉斯因果推理,判斷頂事件發(fā)生故障的可能性是否滿足質(zhì)量閥值的要求,滿足則結(jié)束,否則進(jìn)入下一步。如圖9所示,復(fù)合材料的模糊貝葉斯網(wǎng)絡(luò)因果推理的結(jié)果是報(bào)廢率為0.382 9%,明顯超過0.2%的質(zhì)量閥值要求,需要進(jìn)行下一步的模糊貝葉斯推理診斷。

步驟 2假設(shè)狀態(tài)層節(jié)點(diǎn)復(fù)合材料的缺陷一定發(fā)生,即P(K-1)=100%。通過模糊貝葉斯診斷推理,計(jì)算得出所有故障層節(jié)點(diǎn)的后驗(yàn)概率值。然后根據(jù)帕累托原則,選擇后驗(yàn)概率值前20%的節(jié)點(diǎn)進(jìn)行改善,提升其質(zhì)量水平。更新節(jié)點(diǎn)先驗(yàn)概率后再重復(fù)步驟1,直至滿足結(jié)束條件。推理結(jié)果如圖10所示,引起復(fù)合材料缺陷發(fā)生,可能性最大的兩個(gè)節(jié)點(diǎn)分別鋪貼故障E,可能性高達(dá)73.710 6%,以及熱壓罐漏壓A,可能性達(dá)14.357 3%。

針對(duì)熱壓罐漏壓?jiǎn)栴},企業(yè)將熱壓罐點(diǎn)檢周期由原先的每日改為每個(gè)班次(企業(yè)淡季2班次/天,旺季3班次/天),同時(shí)安排供應(yīng)商保養(yǎng)熱壓罐的周期也從原先每月一次調(diào)整為3周一次。對(duì)于鋪貼環(huán)節(jié),企業(yè)將原先輔助鋪貼的投影燈的顏色由紅色調(diào)整為綠色,更有利于員工識(shí)別,減少視覺誤差。鋪貼的檢驗(yàn)環(huán)節(jié)也由原先鋪貼不同材料前檢驗(yàn),改為每次抽真空壓實(shí)前檢驗(yàn),因?yàn)槌檎婵諌簩?shí)后之前的操作失誤就無法更改了,而鋪貼完一種材料需要壓實(shí)好幾次。

上述改善措施試行兩個(gè)月后,企業(yè)熱壓罐漏壓的故障率降為了0,鋪貼的故障率也降低到了0.390 0%。更新節(jié)點(diǎn)先驗(yàn)概率,再利用貝葉斯網(wǎng)絡(luò)對(duì)復(fù)合材料模型進(jìn)行推理計(jì)算,推理結(jié)果如圖11所示。最終實(shí)現(xiàn)了將復(fù)合材料的缺陷率從0.382 9%降到了0.172 8%。

圖9 模糊貝葉斯網(wǎng)絡(luò)因果推理圖

圖10 模糊貝葉斯網(wǎng)絡(luò)診斷推理圖

圖11 復(fù)合材料預(yù)防改善最終結(jié)果

3.4 結(jié)論分析

經(jīng)過模糊貝葉斯網(wǎng)絡(luò)的故障診斷,診斷出復(fù)合材料生產(chǎn)過程中存在著鋪貼故障和熱壓罐漏壓兩個(gè)最大的質(zhì)量故障,通過對(duì)這些故障的消除可以達(dá)到復(fù)合材料質(zhì)量提升的效果,即復(fù)合材料的報(bào)廢率由原先的0.379 5%降到了0.172 8%。雖然目前的改善已經(jīng)滿足了企業(yè)的預(yù)定要求,但鋪貼環(huán)節(jié)的質(zhì)量隱患仍然是影響復(fù)合材料缺陷的最大潛在風(fēng)險(xiǎn),說明復(fù)合材料鋪貼工藝的改善效果仍存在不足。這也從側(cè)面反映本文提出的模型具有自我檢查,及時(shí)更新的效果,對(duì)于存在較大改善空間的節(jié)點(diǎn)會(huì)被再次診斷出來。

3.5 傳統(tǒng)貝葉斯網(wǎng)絡(luò)推理結(jié)果對(duì)比

采用傳統(tǒng)貝葉斯網(wǎng)絡(luò),邀請(qǐng)生產(chǎn)現(xiàn)場(chǎng)12名資深工程師、生產(chǎn)班組長(zhǎng)以及生產(chǎn)經(jīng)理對(duì)復(fù)合材料貝葉斯網(wǎng)絡(luò)中節(jié)點(diǎn)的關(guān)聯(lián)強(qiáng)度進(jìn)行評(píng)估,評(píng)估結(jié)果匯總整理如表7所示。

表7 傳統(tǒng)貝葉斯網(wǎng)絡(luò)條件概率表

通過復(fù)合材料的先驗(yàn)概率數(shù)據(jù)和傳統(tǒng)貝葉斯網(wǎng)絡(luò)的條件概率,利用傳統(tǒng)貝葉斯網(wǎng)絡(luò)的因果推理計(jì)算結(jié)果如圖12所示,復(fù)合材料的報(bào)廢率為0.395 0%,與實(shí)際報(bào)廢率偏差了0.015 5%,準(zhǔn)確率達(dá)95.902 6%。而復(fù)合材料的模糊貝葉斯網(wǎng)絡(luò)因果推理的結(jié)果是報(bào)廢率為0.382 9%,與實(shí)際報(bào)廢率只偏差0.003 4%,模糊貝葉斯網(wǎng)絡(luò)因果推理的準(zhǔn)確性可達(dá)到99.091 4%。

傳統(tǒng)貝葉斯網(wǎng)絡(luò)的因果推理結(jié)果與模糊貝葉斯網(wǎng)絡(luò)的因果推理結(jié)果相比,準(zhǔn)確性由99.091 4%降到了95.902 6%。

雖然傳統(tǒng)貝葉斯網(wǎng)絡(luò)診斷推理也可以診斷出鋪貼故障E和及熱壓罐漏壓A為改善節(jié)點(diǎn),但由于本文的模型相對(duì)簡(jiǎn)單,貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)較少,診斷推理的誤差體現(xiàn)不大,而隨著貝葉斯網(wǎng)絡(luò)的復(fù)雜程度越來越高,傳統(tǒng)貝葉斯網(wǎng)絡(luò)診斷推理的結(jié)果的準(zhǔn)確性會(huì)逐漸降低。

圖12 傳統(tǒng)貝葉斯網(wǎng)絡(luò)因果推理圖

4 總 結(jié)

本文提出的基于故障樹的復(fù)雜裝備模糊貝葉斯網(wǎng)絡(luò)推理故障診斷模型,通過設(shè)置合理的質(zhì)量閥值,利用模糊貝葉斯網(wǎng)絡(luò)的因果推理和診斷推理,診斷出系統(tǒng)的故障或隱患,通過對(duì)故障或隱患的改善,提升故障層節(jié)點(diǎn)的質(zhì)量水平,進(jìn)而提升系統(tǒng)整體的質(zhì)量水平,以達(dá)到質(zhì)量閥值要求。本模型首先通過故障樹分析復(fù)雜裝備的生產(chǎn)流程節(jié)點(diǎn)之間的關(guān)聯(lián)關(guān)系和復(fù)雜裝備的結(jié)構(gòu)組成,再根據(jù)故障樹模型與模糊貝葉斯網(wǎng)絡(luò)之間的相似關(guān)系,通過故障樹轉(zhuǎn)化法實(shí)現(xiàn)模糊貝葉斯網(wǎng)絡(luò)的構(gòu)建,以此解決了搜索函數(shù)確定最優(yōu)網(wǎng)絡(luò)過于理論化的問題。其次,針對(duì)復(fù)雜裝備的小批量定制化屬性而導(dǎo)致的結(jié)構(gòu)數(shù)據(jù)相對(duì)缺乏問題,本模型采用德爾菲法對(duì)條件概率進(jìn)行評(píng)估,鑒于德爾菲法中專家打分的不確定性,通過模糊集合論的方法,評(píng)估處理專家的意見來提高專家經(jīng)驗(yàn)的可信度。最后,利用模糊貝葉斯網(wǎng)絡(luò)推理中的因果推理和診斷推理,診斷出貝葉斯網(wǎng)絡(luò)中的故障(潛在故障)節(jié)點(diǎn),實(shí)現(xiàn)持續(xù)改進(jìn)不斷提升的效果。

本文提出的基于故障樹的復(fù)雜裝備模糊貝葉斯網(wǎng)絡(luò)推理故障診斷模型不僅可以診斷出故障節(jié)點(diǎn),還能有效發(fā)現(xiàn)復(fù)雜裝備系統(tǒng)的潛在質(zhì)量風(fēng)險(xiǎn)。而故障(潛在故障)節(jié)點(diǎn)的改善程度也是模型中的一個(gè)重要的影響因素,這會(huì)直接影響診斷和改善的次數(shù),進(jìn)而影響復(fù)雜裝備質(zhì)量預(yù)防的成本。質(zhì)量改善的程度過高,會(huì)產(chǎn)生過度改善的結(jié)果,造成成本浪費(fèi),而質(zhì)量改善的程度過低又會(huì)增加診斷和改善次數(shù),進(jìn)而增加成本費(fèi)用。因此,合理的改善程度尤為重要,這也是接下來需要研究和解決的問題。