安全仪表广泛应用于石油、化工、冶金等高危行业,是保障企业安全生产的重要设备。然而在现实生活中存在维修效率低、检修缺乏针对性的问题。本文以智能电能表为例进行故障分析可将其推广到安全仪表研究中。目前国内对电表故障研究常采用具有直观、因果逻辑性强等特点的故障树分析方法,但故障树(Fault Tree,FT)存在模型不易更改、不能及时更新参数的问题,而贝叶斯网络(Bayesian Network,BN)能够解决。BN本身具有模型参数不断更新,及时预测潜在故障隐患的特点,但常常由于数据缺乏导致建模困难。因此,本文基于BN对电表进行故障分析与诊断,掌握其故障模式及失效机理,找出薄弱环节与缺陷,及时诊断预测,提高电表维修效率和检修针对性。具体研究如下:通过电表失效数据的统计与分析得出各模块单元故障概率及易损关键元器件,进而确定显示模块、计量模块、通信模块为更易发生故障的单元,分别对各模块进行故障模式及机理分析,建立FT,为转化成BN提供基础。针对电表BN模型难建的问题,充分利用原有的历史信息建立FT并根据其具有的与或门逻辑关系建立转化规则,采用信息提取与重组的方法建立符合实际的BN,克服了依靠专家经验知识完成建模主观性强、效率低的缺点。针对转化成BN时存在有些根节点信息无法用现有数据统计得出的问题,采用德尔菲法与梯形模糊数相结合的方法,以梯形模糊数的形式为专家提供打分原则,再用均值面积法将专家意见转化为相应的概率值。针对FT模型结构不易更改、不能及时更新模型参数的问题,采用BN方法加以解决。当电表发生故障后,将维修检查结果作为BN更新的证据,如连接开路,未发生故障“0”,可作为证据赋值给BN用于数据更新,实现模型参数的动态更新,进而提高维修效率。因此,通过BN对电表进行故障分析与诊断,能够实现模型参数的动态更新,及时预防故障发生。也对相关安全仪表系统的可靠性研究提供重要价值和理论依据。