[轨道交通运维技术]基于离散时间贝叶斯网络的列控中心可靠性分析

针对动车组列控中心在实际工作环境中的故障同时具有多态性和动态性的问题,提出一种依据列控中心各单元的功能逻辑关系来建立离散时间贝叶斯网络的分析方法。归纳部件的多种故障模式并描述列控中心故障的多态特性,采用EM算法优化更新条件概率表;针对列控中心动态失效问题,建立动态贝叶斯网络模型,将一次任务划分为启动、运行、制动三个阶段,在各个阶段通过重要度和敏感性对该模型进行可靠性分析。最后,以CTCS-2级列控系统的列控中心为例,对该离散时间贝叶斯网络模型进行验证和分析,结果表明该方法能够很好地表征列控中心的多态性和动态性。     

复杂机械系统故障分析模型研究

将动态故障概率与面向对象贝叶斯网络(OOBN)相结合,在系统结构功能关系和故障模式影响分析(FMEA)的基础上,建立一种适合于复杂机械系统的动态面向对象贝叶斯网络(DOOBN)故障分析模型,该方法考虑了组件故障概率随时间的变化及组件可靠性退化对系统功能状态的影响,诊断模型具有层次性、动态性,利用该模型可以方便的对复杂系统进行故障传播的分析和关联故障的定位。在ISG-发动机上的应用表明该方法既可以简化系统的故障分析模型,又使模型描述更符合系统的实时状态。     

考虑共因失效的新型连续时间动态 贝叶斯网络可靠性分析方法

现代系统失效行为复杂,动态性与相关性并存。首先为直观准确地刻画分析系统中的动态失效行为,提出新型连续时间动态贝叶斯网络分析方法,利用节点时序条件概率表刻画事件关系,进而提出基于节点时序条件概率表规则执行度与冲激函数抽样性质的子节点故障概率、根节点后验概率及重要度的计算方法;进一步,针对共因失效引起的系统相关性失效行为,提出考虑共因失效的新型连续时间动态贝叶斯网络分析方法,解决系统失效逻辑动态性和相关性的重叠问题。通过与贝叶斯网络、离散时间动态贝叶斯网络分析方法、Markov链、Monte Carlo法对比,验证所提方法的可行性与优越性。最后,对动态失效相关系统进行可靠性分析,结果表明,本文方法能够直观有效地刻画动态性与相关性失效行为,得到准确的系统可靠性指标,考虑共因失效相比于忽略共因失效,在任务时间为5×10~6 h时能够提高系统29%的可靠性分析精度,更加符合实际。     

空间索杆铰接式伸展臂动态故障树建模及其可靠性评估

由于空间索杆铰接式展臂伸机构复杂,部分失效过程出现动态特性,如冗余备份以及功能相关性等,故采用基于离散时间贝叶斯网络的动态故障树分析方法对伸展臂系统进行可靠性评估。首先分析逻辑门向离散时间贝叶斯网络的转化方法,建立逻辑门的贝叶斯网络模型以及相关事件的条件概率分布。根据上述转换原理,将空间索杆铰接式伸展臂的动态故障树转化为对应的离散时间贝叶斯网络模型,最后利用贝叶斯网络推理计算伸展臂系统的失效概率以及各失效模式的后验概率,实现对其可靠性的评估。     

基于离散时间贝叶斯网络的复杂机械系统重要度计算方法

为了对复杂动态系统部件进行有效的重要度分析,在构建基于事件树-动态故障树(ET-DFT)的概率安全评价模型的基础上,把ET-DFT模型映射为离散时间贝叶斯网络(DTBN),给出各静态和动态逻辑门向DTBN转化的方法以及各逻辑门条件概率表的计算方法。利用DTBN节点的独立性和双向推理功能,给出ET-DFT分层模型FV、RRW、BM和RAW等重要度的计算方法。数控机床液压系统应用实例的分析验证结果表明,基于离散时间贝叶斯网络的复杂机械系统重要度计算方法既能有效得到元件在各时间区间内的重要度,又能准确求出系统故障时各元件在各时间区间的故障概率以及某元件在某时间区间故障时各节点的故障概率。     

应用贝叶斯理论评估水下采油树可靠性

水下采油树作为水下油气开采的重要设备,长期处于深海中,其可靠性直接影响整个水下生产系统的安全稳定运行。因此,为研究水下采油树系统的工作可靠性问题,提出一种基于贝叶斯理论的可靠性评估方法,该方法在融合模糊理论的基础上,并考虑到部件失效概率的动态性问题,并以构造的动态模糊子集来表述各根节点的失效概率。该方法有效改善了传统贝叶斯网络在处理故障信息存在模糊性及动态性等方面的问题,提高了系统可靠性分析结果的准确性。通过利用贝叶斯网络对水下采油树系统进行可靠性分析,以期为水下采油树的故障诊断与维修提供了理论依据和数据支撑。     

不确定环境下模具群项目计划制定方法

针对模具项目群制造过程的不确定性和资源需求的动态性,建立了基于离散时间Markov的模具制造项目随机演化模型.基于该模型,提出一种分阶段求优的模具项目计划制定方法,将项目群的每一个任务视为一个独立的阶段,以最小化每个阶段的完工时间为目标,利用动态规划方法对每一个阶段的任务求解最优的调度策略.通过仿真算例将该方法与三种启发式算法进行比较分析,结果表明该方法在不确定环境下制定模具项目群项目计划时具有明显的优越性.     

基于贝叶斯网络的垃圾压块机可靠性分析

针对垃圾压块机的工作可靠性问题,对垃圾压块机的压缩机构进行了分析,将贝叶斯网络应用到液压系统可靠性分析之中。提出了贝叶斯网络的概念与公式,给出了贝叶斯网络的构建方法,采用基于图形结构精确推理方法,建立了压缩机构的贝叶斯网络。通过手册查阅了各液压元件发生故障的概率,最后结合贝叶斯网络求得了系统发生故障的概率。研究结果表明,该液压系统发生故障的概率为0.057 4,换向阀发生故障的概率为0.252。通过建立贝叶斯网络,求得极易发生故障部件概率的方法,直观地表示出了该系统故障的因果关系,找到了系统的薄弱环节,提高了系统的可靠性。     

基于故障树贝叶斯网络的液压启闭机故障诊断方法

针对液压启闭机设备专业性强,故障原因复杂等特点,该研究提出了一种基于故障树建立贝叶斯网络的故障诊断方法。首先建立了液压启闭机系统的故障树,然后将故障树转化为贝叶斯网络,计算出顶事件的发生概率并运用贝叶斯网络推理对可能造成故障的原因进行重要度分析,实例表明该方法能有效克服传统故障树分析法的局限性。     

多维动态贝叶斯网络及其重要度分析方法

贝叶斯网络分析方法是可靠性分析的重要方法,但传统贝叶斯网络分析方法局限于分析单因素影响,当系统可靠性受多因素影响时会产生较大分析偏差。为此,提出多维动态贝叶斯网络分析方法,借助单位阶跃函数与冲激函数进行贝叶斯网络时间连续化构造,建立根节点受多因素影响时系统的失效概率分布函数。在此基础上,对传统重要度分析方法进行多维扩展,提出多维动态贝叶斯网络重要度分析方法。通过对斗轮机张紧机构液压系统进行工程实例分析,并与离散时间贝叶斯网络分析方法分析结果对比,验证了多维动态贝叶斯网络及其重要度分析方法的可行性和优越性,为系统改进与薄弱环节识别提供了更为准确的量化依据。     

基于优化分簇贝叶斯网的转子振动故障诊断

针对柴油发动机的充电发电机结构及振动的复杂性导致其转子振动故障具有多层次性、耦合性和随机性,以及故障信息不完整性等特点,提出了一种基于振动频谱分析和贝叶斯网络的转子振动故障诊断方法。该方法将故障源和故障现象根据专家经验数值化表示并离散化,运用改进的优化分簇算法,构建特定振动故障类型的贝叶斯诊断网络,利用贝叶斯网络推理算法诊断出故障概率分布,并利用具体的故障证据、设定值对该方法进行验证。仿真及实验结果表明,该方法能在故障信息不完整情况下,依据不完整证据信息更新各网络节点的概率状态,实现对不确定信息的推理和估计,得到较好的诊断结果,提高了转子振动故障的诊断准确度。     

基于贝叶斯网络的车身制造偏差诊断

车身结构的复杂性及知识表达的不精确性,使得车身故障症状与故障原因之间的映射表现为随机和不确定。针对这些特点,在大量车身测量数据和历史诊断案例的基础上,将贝叶斯网络引入到车身偏差故障诊断中去。对贝叶斯网络的参数学习进行了探讨,结合实例统计和相关性分析建立了车身偏差诊断的贝叶斯网络模型。最后用以某车型的偏差诊断案例对该方法进行了验证,结果表明该方珐在工程实际中有一定的指导性。     

故障贝叶斯网络及其在液压缸爬行诊断中的应用

利用故障树分析能明确表达逻辑关系和贝叶斯网络解决不确定性问题能力强的优点,通过转化算法建立两者之间的联系,研究了一种基于二状态故障贝叶斯网络模型,采用分层处理思想,进而计算出模型中任意结点的概率。液压缸爬行诊断分析实例证明了应用故障贝叶斯网络的实用性和有效性。     

融合电控柴油机传感器数据的贝叶斯综合故障诊断网络研究

针对电控柴油机故障源多样性和不确定性的问题,对故障现象、状态数据提取及处理、贝叶斯故障诊断网络、故障源的先验概率获取、故障源的确定等方面进行了研究,在故障现象出现的情况下对如何有效确定故障源进行了分析和归纳,构建了融合传感器数据的电控柴油机贝叶斯网络综合故障诊断模型,提出了使用传感器数据技术检测电控柴油机工作状态,并结合经验法等估算出各类故障源的先验概率。通过运用贝叶斯网络技术推断查找到故障源的方法,并以丰田1KZ电控柴油发动机为实验对象,使用Hugin Expert工具对该诊断网络进行了推理验证。研究结果表明,该诊断网络充分发挥了传感器数据诊断技术的实时性和贝叶斯网络技术的判断决策能力,有效提高了电控柴油机故障诊断的正确率和实效性。     

动态贝叶斯网络在设备剩余寿命预测中的应用研究

采用动态贝叶斯网络对设备剩余寿命进行预测,建立了基于动态贝叶斯网络模型的设备剩余寿命预测框架模型,运用动态贝叶斯网络的粒子滤波近似推理算法对加工过程中钻头寿命预测进行实例研究,结果表明了该方法的有效性.     

分层隐Markov模型在设备状态识别中的应用研究

与传统的隐Markov模型（HMM）相比较而言,应用分层隐Markov模型（HHMM）对设备进行状态识别有诸多优点,而且能以概率的形式更为精确地计算识别结果。针对模型参数随着设备状态的增加呈指数倍增这一问题,引入动态贝叶斯网络这一新的方法,由于该方法可以有效地降低模型的计算复杂度并缩短推理时间,所以将HHMM表达为动态贝叶斯网络,利用预处理的振动信号对设备的健康状态进行识别;针对现有状态分类方法的局限性,提出了基于K均值算法和交叉验证方法相结合的状态数优化方法;以齿轮箱全寿命实验为依据,对该模型实现状态识别的基本框架和计算过程进行了研究,研究结果为复杂设备的状态识别提供了新的思路。     

基于模糊动态故障树的动车制动系统可靠性分析

针对动车制动系统实际工作环境中的故障发生率具有模糊不确定性以及故障的发生具有动态性的特点,把模糊数学和马尔可夫（Markov）模型与故障树模型相结合提出一种基于模糊Markov模型的动态故障树分析方法,通过三角模糊数和扩展原理来表示底事件故障率和Markov模型中不同状态转移率的模糊性。利用动态故障树模型分析获得了系统故障树顶事件模糊故障率的隶属函数。解决了不确定条件下的动态系统可靠性分析问题,对兰新高速铁路上运行的动车组的制动系统进行分析,获得了制动系统可靠度预测曲线,为该路线上运行的动车的制动系统针对故障特点制定相应的检修和维护方案提供了理论依据。     

基于贝叶斯网络推理的数控机床元动作装配情景异常识别

针对机床的机械故障频发且装配因素难以识别的问题，提出了基于贝叶斯网络的机床装配情景异常推理识别方法。以机械零部件多尺度运动分析为切入点，建立了机床功能-元动作的多尺度映射模型，利用故障模式及影响分析(Failure Mode and Effect Analysis, FMEA)方法建立了机床元动作单元关键装配情景构成模型。基于装配情景构成模型建立了元动作单元装配情景的贝叶斯网络结构，利用证据推理法实现了元动作单元装配情景异常概率的智能推理。以蜗轮转动元动作单元为例，构建了蜗轮转动单元装配情景初始贝叶斯网络，获取了蜗轮转动元动作输出的异常概率(由装配因素引起)为2.35%;以蜗轮转动故障为起点进行了贝叶斯网络反向推理，识别出导致蜗轮转动故障的各装配情景异常概率。元动作装配情景的异常识别为实现机床故障装配因素的追溯提供理论依据。     

多源信息融合及其在齿轮泵故障诊断中的应用

针对齿轮泵故障信息的不确定性和模糊性,提出了一种多源信息融合的贝叶斯网络故障诊断方法。在探讨齿轮泵故障机理的基础上提取振动、流量和压力信号作为故障特征,构造故障贝叶斯网络,建立贝叶斯分类器进行多特征信息融合,利用最大后验概率准则判别故障类型。融合结果表明,该方法能够有效实现齿轮泵多种故障的诊断,具有广阔的应用前景。     

条件贝叶斯网络分类器及其在产品故障率等级分类中的应用

针对传统贝叶斯网络分类器模型的不足,提出了一种基于条件贝叶斯网络的分类器模型。通过分析贝叶斯网络模型给定目标变量时各特征变量间的条件独立关系,充分利用其关联关系,为解决分类问题提供了一条有效途径。在此基础上,提出了基于条件贝叶斯网络分类器模型的建模方法用于指导实际模型建立和应用。实例分析结果表明,条件贝叶斯网络与其他的贝叶斯网络分类器及传统的决策树C4.5分类器相比,在提高分类器分类精度的同时降低了网络模型结构复杂度。