基于AHP的贝叶斯网络故障诊断方法研究

针对基于专家知识的故障诊断方法依赖经验的局限,提出一种基于层次分析法（AHP）的贝叶斯网络化工过程故障诊断方法。通过基于关联函数的AHP得到所有变量的权值,对22个变量节点的权值进行排序并将该排序作为K2算法的学习输入建立贝叶斯网络模型,同时结合复杂网络分析指标进行化工过程的故障诊断。通过TE过程故障诊断实例证明本文方法不仅避免了K2算法专家知识的主观因素影响,同时能很好地进行故障定位,找到故障源。     

基于LSTM-BP级联网络的列控车载设备故障诊断

列控车载设备是保障高速列车行车安全、提高运输效率的核心组成部分,快速有效地诊断其故障类型具有重要意义.针对300T型列控车载设备故障文本数据的错综性和时序性,提出一种基于LSTM-BP级联网络模型的车载设备智能故障诊断方法.首先,采用贝叶斯正则化(Bayesian Regularization,BR)算法优化BP神经网络提高模型的泛化能力;其次,利用长短时记忆网络(Long Short Term Memory Network,LSTM)的记忆特性,充分学习具有时序性的故障特征信息,解决BP神经网络模型难以准确诊断关机误报和引发故障等问题;最后,利用实际数据对模型进行多次试验分析,BR优化的神经网络模型分类准确率为85.06%;而LSTM-BP级联网络模型分类准确率达到95.10%,能够很好地解决对关机误报和引发故障诊断不准确的问题,验证了本文所提出的智能故障诊断方法的有效性.     

用于水电厂设备的故障诊断的贝叶斯网络模型

通过分析水电厂设备故障诊断所面临的不确定性等问题以及当前常用诊断方法存在的局限性,研究基于贝叶斯网络的设备故障诊断方法,提出了适合于诊断问题的贝叶斯网络结构并阐述了基于贝叶斯网络故障诊断的团树推理算法.该方法综合考虑了多故障、故障症兆模糊以及电厂设备操作之间有依赖关系等情况.通过丰满水电仿真系统中水机调速器故障诊断的应用实例,证实了该方法在信息不确定条件下进行诊断决策的有效性和准确性.     

信息融合与贝叶斯集成的船用中高速发动机磨损故障诊断

为了解决船用中高速发动机磨损故障诊断准确率偏低的问题,提出多源信息融合与贝叶斯网络集成的磨损故障诊断方法。利用贝叶斯参数估计算法进行多源故障征兆信息融合,通过大量发动机磨损故障实测数据,结合该领域专家知识,建构贝叶斯磨损故障诊断网络,并建立朴素贝叶斯分类器,简化融合结果,最终通过最大后验概率估计值识别磨损故障模式。经实际故障案例计算分析,验证了该诊断方法的有效性及网络模型建构的准确性。     

贝叶斯网络分类器的基于改进粒子群参数学习方法

研究了贝叶斯网络分类器的高效参数学习方法。生成方法解决联合分布的参数估计问题,而判别方法解决后验分布的参数估计问题。对判别参数学习方法的研究,首先通过建立类条件贝叶斯网络模型;在此基础上,对该模型以对数形式参数化,得到判别类条件贝叶斯网络模型;最后,通过改进粒子群算法对该模型进行最优化求解,得到各节点的概率。将贝叶斯网络分类器的判别参数学习方法与TAN分类器相结合,可用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的两次仿真数据进行故障诊断与分类,与其他方法相比,改进的分类器需要的数据量小,准确率和学习效率更高。     

基于深度置信网络的车载电源故障诊断方法

针对车载电源故障机理复杂且知识经验不足,传统浅层神经网络诊断效果难能满意的问题,研究了基于深度置信网络的车载电源故障诊断方法.该方法借助于30 kW车载电源仿真系统采集的几种常见故障数据,通过对深度置信网络进行预训练与反向微调,构建了车载电源相应故障的深度诊断神经网络,从而实现了车载电源几类常见故障的有效智能诊断.该方法的优势在于能够将车载电源的故障特征提取与故障诊断有机融合,摆脱了传统浅层故障诊断方法对大量信号处理技术与诊断经验的依赖,仿真试验也进一步昭示出文中方法在车载电源故障诊断中的有效性和适宜性.     

一种基于动态贝叶斯模型的大型IP网络故障诊断方法

为了提高IP业务的服务质量,利用告警等症状和已有知识快速准确地定位根故障十分重要。基于贝叶斯网络的不确定推理方法是近年来广泛应用的一种故障诊断方法。目前,基于静态贝叶斯网络的故障定位只是利用当前信息进行故障诊断,无法处理时间信息;而已有基于动态贝叶斯网络的诊断算法复杂度太高,不适用于大型网络。本文针对大型IP网络,建立用于故障诊断的动态贝叶斯模型,并对基于动态贝叶斯网络的一种通用的精确算法进行改进,实验证明它能够对大型IP网络快速准确的定位故障。本文方法充分利用告警库中的历史数据和当前症状信息,对当前的系统状态进行估计,完成故障诊断。     

计及气象因素的风电机组故障诊断与风险预测

针对极端天气导致风电机组频繁故障,提出了一种基于改进贝叶斯网络的风电机组故障诊断与风险预测模型。该模型计及气象因素与风机故障之间的关联,利用ReliefF算法计算故障特征权重,得到最优特征集合;建立计及气象因素的基于贝叶斯网络的风电机组故障诊断与风险预测模型,利用正向诊断技术得到故障诊断策略,并通过反向推理技术对风险事件进行预测。将文中提出的模型进行受试者工作特性曲线（receiver operating characteristic curve, ROC）验证,结果表明所提模型ROC曲线下面积（Area Under Curve, AUC）为0.9049,验证了所提模型的有效性,可以为风电机组故障诊断和风险预测提供有效依据。     

判别类条件贝叶斯网络分类器的量子粒子群优化参数学习

针对贝叶斯网络分类器在处理多属性分类问题时,存在分类精度下降、算法运行时间过长等问题,提出一种判别类条件贝叶斯网络模型。该模型在类条件贝叶斯模型的基础上,将条件对数似然函数以对数形式重新参数化,并使用量子粒子群优化算法最大化目标函数。新模型采用判别参数学习方法,直接计算条件概率,对于分类问题更加高效。本研究将判别类条件贝叶斯网络模型与TAN分类器相结合,使用量子粒子群算法进行优化,用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的仿真数据进行故障诊断与分类,与传统的贝叶斯分类器相比,改进的分类器在处理分类问题时,准确率和学习效率更高。     

贝叶斯网络在飞机驾驶舱手轮故障诊断中的应用

为了解决飞机驾驶舱手轮故障诊断的不确定性和复杂性,提出了基于贝叶斯网络的故障诊断方法。首先,利用K-S检验方法验证故障数据服从指数分布,再通过极大似然估计算法实现参数优化,得到基本事件最优故障率;其次,根据驾驶舱手轮的故障树构建贝叶斯网络;最后,将故障率代入贝叶斯网络模型进行分析。实例结果表明,该BN网络模型具有较高的可靠性和准确性,能为机务人员迅速做出判断和高效维修提供有力支持。