Um das Problem der übermäßigen Abhängigkeit von subjektiver Erfahrung bei der Bewertung von Ausfallrisiken von Drosseln zu lösen, wird eine integrative Bewertungsmethode basierend auf Fehlerbaum und unscharfem Bayes-Netz vorgeschlagen. Durch die Erstellung eines Fehlerbaum-Modells, das drei Arten von Fehlererscheinungen abdeckt: Schwingungsanomalien, Temperaturanstiegsanomalien und Ölchromatographie-Anomalien, wird die kausale Logik von 22 Risikofaktoren erfasst und in ein Bayes-Netz umgewandelt. Trapezförmige unscharfe Zahlen werden verwendet, um die sprachliche Unsicherheit der Expertenbewertungen zu behandeln, und unter Berücksichtigung der Expertengewichte wird die Grundereigniswahrscheinlichkeit berechnet. Durch Vorwärtsinferenz wird die Gesamtfehlerwahrscheinlichkeit der Drossel ermittelt, und durch Rückwärtsinferenz sowie Fehlerwichtigkeitsindikatoren werden die Schlüsselursachen identifiziert. Die Fallanalyse zeigt, dass die Methode die Fehlerriskobewertung genau durchführen, die Fehlerursachen identifizieren und eine Entscheidungsgrundlage für den Betrieb bereitstellen kann. Die vorgeschlagene integrative Bewertungsmethode basierend auf Fehlerbaum und unscharfem Bayes-Netz löst effektiv das Problem der Abhängigkeit von subjektiver Erfahrung bei der Fehlerbewertung von Drosseln und besitzt einen hohen Anwendungswert sowie breite Anwendungsperspektiven.

Drosselfehler; Fehlerbaumanalyse; Bayes-Netz; Unscharfe Mengen; Fehlerursachenerkennung