故障樹實時診斷及應用方法研究

賈惠芹

(西安石油大學光電油氣測井與檢測教育部重點實驗室，陜西 西安 710065)

0 引言

故障樹分析法是對各個故障之間關系的一種圖形化描述，并將導致故障的原因事件按因果關系逐層列出，用樹形圖表示出來，從而可直觀地看出各個節點之間的影響關系，為檢測人員排查設備故障提供了一個直觀檢測的指導方法[1－2]。隨著故障樹分析技術的廣泛應用，人工建樹費時費力，當引起系統故障的因素之間有關聯時，很難避免發生邏輯上的誤判和漏判[3－4]。近年來相繼出現了一些故障樹的生成算法，但各類算法的特性和適用范圍各異，且目前還沒有一個人機界面友好的中文故障樹生成軟件[5－6]。

本文設計了一種故障樹自動生成與診斷模型，并采用圖形化編程軟件和數據庫技術實現了故障樹的動態生成與編輯，同時結合自動檢測技術，實現了設備故障的實時檢測和故障定位。

1 故障樹診斷模型設計

1.1 故障樹的基本要素分析

故障樹由若干層數的節點構成。根據設備在物理上的邏輯關系來確定建立的故障樹。生成一棵樹的算法就是從根節點(第一層)開始，一層一層將樹表示出來，并將各層之間的節點按照父子關系連接起來。要實現對故障樹的自動生成，首先需要以下元素和工具。

①檢測點:檢測點是故障樹的基本組成部分，它由設備型號、設備所在的分系統、節點名稱、故障現象的描述、故障類型和故障等級以及相互邏輯關系等信息組成。如果該檢測點是子節點，則需要選擇父故障。同時還需要確定節點所在的層、各層上的節點數以及每個節點的父節點。

②檢測點之間的邏輯關系:在此需要確定設備的每一個子系統中各個檢測點之間的物理邏輯關系，確定每一個分支上所有檢測點之間的邏輯關系。

③連線工具:需要通過一種可視化的工具自動把節點根據邏輯關系連接起來。

1.2 故障診斷規則設計

在分析了故障樹的基本要素后，下面需要約定一些故障診斷的規則。

①約定檢測點就是節點的一種，故障樹中的頂事件為根節點，而中間事件和底事件統稱為子節點。每個子節點的上一級故障稱為其父節點。

②從根節點向下，如果檢測時沒有故障，則這條支路不再繼續往下走;如果這條支路出現故障，則繼續往下檢測，直至定位到故障點。

③一個根節點會有多個分支，在故障診斷過程中進行分支選擇的原則是次根節點出現的頻數以及關鍵度。

④故障診斷時，先按次根節點出現故障的頻數來劃分，如果兩個頻數相同，再按次根節點的關鍵度來選擇。按次根節點出現的頻數來確定設備發生故障的概率大小，每出現一次故障則頻數保存一次;然后在故障樹中根據故障的頻數來決定先進入哪個分支。在基于故障樹的診斷過程中，每次節點出現錯誤，則會把數據庫中的頻數字段加一;然后按次根節點的關鍵度來確定設備發生故障的概率大小，將次根節點的關鍵度從大到小排序，故障診斷時先從關鍵度最大的次根節點開始檢測，如此進行下去，即為最快確定故障源的最優方案。

⑤故障樹中同層節點之間只有“或”的關系，而下一級節點和上一級節點之間是“與”的關系。

⑥利用虛擬儀器完成對檢測點信號的檢測。將得到的測試值和數據庫中的檢測點標稱值進行比較，檢測點的標稱值可能是一個值，也可能是一段波形。

2 故障樹診斷的關鍵技術

故障檢測點信息和節點名稱信息存儲在數據庫中，本文運用數據庫的結構化設計和LabVIEW軟件把數據庫中的故障信息按照節點間的關系生成一棵具體的故障樹。

2.1 接口定義

本文主要關注如何采用軟件手段方便地實現故障現象與故障樹的關聯，同時采用一種圖形化的手段實現故障樹的自動生成。經分析，要實現故障樹的自動生成，必須執行以下操作流程:首先進入人機交互軟件界面，在故障樹的生成與編輯界面下自動生成故障樹;在生成的故障樹下選擇診斷方式后，根據檢測點的信號類型選擇不同的虛擬儀器[7－8]。本系統中的虛擬儀器主要有“示波器”、“萬用表”和“頻譜分析儀”，這些儀器的輸入端和檢測點在物理性能上能連接起來。要實現故障樹的動態生成，必須給用戶提供以下六個輸入接口界面:①設備信息、系統信息、測試數據信息以及節點和檢測點信息的錄入、編輯和查詢等數據庫管理界面;②節點之間邏輯關系的選擇界面;③故障樹自動生成與選擇界面;④節點信息和檢測點信息之間的關聯關系界面;⑤儀器裝載和刪除界面;⑥實時故障診斷界面。

2.2 故障樹的生成方法

在LabVIEW下，故障樹主要是用布爾型控件來表示節點，用圖形控件來表示整個故障樹，而用畫線工具把節點根據邏輯關系連接起來。具體操作方法如下。

首先把節點信息錄入數據庫，以便增加一個節點，和此節點相關的信息都存儲在數據庫表格中。關鍵度在數據庫中也占一個字段，這個值是由用戶根據經驗值來確定的。其次，按照故障樹的信息找出所有樹層數為1的節點并進行繪制，然后根據上層節點信息找到其對應的下層故障子節點進行標記，最后根據邏輯關系連接起來。以此類推，一層一層地將故障檢測點信息從數據庫中查詢出，并利用這些信息重繪生成故障樹。當利用上述方法生成一棵故障樹后，如果發現故障樹上的某些節點其信息不符合實際情況時，還可以進行編輯。

節點之間連線長度的確定采用如下方法。

假設根節點的坐標為(X1，Y1)。如果下一層有多個分支，那么對于每一個分支上的節點，假設其坐標為(X2，Y2)，分節點和根節點相連的時候，畫線的長度即為

通過以上方法把各節點根據父子關系連接起來后，則生成了一棵故障樹。而故障樹中的每一個節點都是和檢測點關聯起來的，這就為故障定位提供了依據。

2.3 故障樹的圖形表達

在確定了一棵樹的所有節點后，接下來的任務就是利用圖形顯示控件來表達樹。在畫故障樹之前，首先要確定同一層中節點的最大數，以確定圖形控件的長，而根據選定的故障樹層數，則可確定圖形控件的寬。圖形控件的長和寬確定后，即可確定樹在屏幕上的位置。通過這種方法，只要把故障樹上所有節點的信息錄入到數據庫，然后再繪制故障樹時選擇故障樹中各個節點以及邏輯關系，就可以生成一棵故障樹。

2.4 節點之間的邏輯關系

節點之間的邏輯關系在數據庫中通過兩個屬性列區別:父節點信息和所在樹的層數。有了這兩個屬性列，就可以根據數據庫的信息生成一棵故障樹。

2.5 節點的編輯

在檢查故障樹時，可以對不正確的故障樹節點信息進行修改。對節點信息的修改實際是使用SQL的選擇語句先讀取選定節點在數據庫中的所有信息，然后執行SQL的update語句，最后修改數據庫中選定節點的信息。

3 故障診斷實例

將本文所述故障樹診斷方法應用到某雷達“統一測控子系統”的故障診斷過程。當選擇某一個“設備類型”和“所屬分系統”，并選擇采用本文的方法生成的故障樹時，故障樹實時顯示在屏幕上;當選擇故障樹中的某一個“檢測點”，其相關信息也直接顯示在界面;當選擇“診斷模式”和“診斷方式”時，即進入故障檢測界面。生成的故障樹如圖1所示。

圖1 故障樹圖形界面Fig.1 Graphical interface of fault tree

3.1 操作模式選擇

故障樹診斷是根據每個節點對應的檢測點的信號狀態來判定此節點是否正常。檢測模式分為手動模式和自動模式[9－10]。

①手動檢測模式是用戶按照自己的判斷時，隨機檢測故障樹中某個節點的狀態。當用戶選擇某個節點后，程序會列出此節點中相應的檢測點。選擇檢測點后，會給出檢測點的物理位置、邏輯位置、標準值、故障出現的頻數、節點關鍵度以及出現此故障的解決辦法等信息，通過調用虛擬儀器來判定檢測點是否有故障。

②自動檢測模式是程序自動對整個故障樹進行遍歷，以確定故障樹中的節點和故障路徑。具體的算法是，故障樹由多級有關聯的節點組成，從根節點向下到各子節點的都是“或”的關系，子節點向上到根節點是“與”的關系，即經過檢測某個節點正常時，則該節點以下的子節點肯定為正常工作狀態;當檢測某個節點不正常時，就繼續順著這個根節點繼續查找。通過這樣的判定規則，當自動檢測完一棵故障樹后，就可以得出這個故障樹的一條清晰的故障檢測路徑，使用戶可以很明確地得出故障所在的具體位置。

3.2 診斷模式選擇

診斷模式有本地診斷模式和遠程診斷模式。

①本地診斷模式是操作人員在本地進行故障診斷時，操作人員在設備端選擇節點后，該節點對應的檢測點信息會在列表中顯示出來。當選擇某一個檢測點以及相應功能的虛擬儀器后，則可根據虛擬儀器的測試值以及檢測點的標準值來判斷測試結果是否正確，從而為排除故障提供實時數據。

②遠程診斷模式是為不在現場的專家提供的一種輔助診斷模式。專家在遠端選擇所要監控的設備端IP地址和相應的虛擬儀器后，連接到該儀器的信號信息就會傳輸到專家面前，此時專家可根據該檢測點的標準值來判斷此檢測點是否為故障點。

4 測試結果

利用本文所提出的故障樹診斷方法開發了故障診斷軟件，在2 MHz的網絡環境下進行了測試，測試結果為檢測點信息的網絡響應時間在2 s之內;故障定位時間在3 s之內;故障的誤報率和漏報率均小于1%;測試結果的上傳數據庫時間在5 s之內。

5 結束語

故障樹診斷能有效地分析和隔離故障，現已成為一種經典的故障診斷技術，也是分析系統可靠性與安全性的重要方法之一。采用計算機手段、開發真正意義上的故障樹自動生成與診斷軟件，這已成為國際上的主要發展趨勢。本文采用圖形化軟件編程平臺LabVIEW和數據庫SQL Server 2005，開發了故障樹自動生成與實時故障定位軟件，該軟件實現了故障樹的自動生成和虛擬儀器的實時檢測，使用方便。目前已應用于某雷達的維修過程，提高了設備的維修效率。

[1] 王兆耀，馬永芳，凌志浩.嵌入式系統故障的灰關聯分析及其診斷平臺[J].自動化儀表，2010，31(8):14 －15.

[2] 王國慶，牛偉，成娟，等.基于階次小波包與Markov鏈模型的轉子早期故障診斷[J].西北工業大學學報:自然科學版，2012，30(3):466 －471.

[3] 王冠偉，張春霞，莊健，等.流形學習在機械故障診斷中的應用研究[J].工程數學學報，2012，29(4):584 －593.

[4] 魯文波，蔣偉康.利用聲場空間分布特征診斷滾動軸承故障[J].機械工程學報，2012，48(13):68 －72.

[5] 陳劍雪.ACO-BP算法在化工過程故障診斷中的應用[J].化工自動化與儀表，2012(7):872－873.

[6] 陸金銘，孟繁林，申華，等.基于集合經驗模態及其瞬時能量密度譜的齒輪故障診斷[J].江蘇科技大學學報:自然科學版，2012，26(3):262 －265.

[7] 葛躍飛，王茸，陳世文，等.故障樹自動生成技術的研究與實現[J].計算機工程與設計，2009，30(1):207 －209.

[8] 羅航，王厚軍，黃建國，等.故障樹定量分析及其交互方式的實現[J].電子測量與儀器學報，2010(24):473－480.

[9] 張光迎，馬賢穎.軟件故障樹分析系統的設計和實現[J].飛行器測控學報，2009，28(3):66 －69.

[10] 倪紹徐，張裕芳，易宏，等.基于故障樹的智能故障診斷方法[J].上海交通大學學報:自然科學版，42(8):1372－1375.