贝叶斯网络在车辆状态远程故障诊断系统中的应用

为了解决车辆状态远程故障诊断系统中的不确定性问题,提出了一种基于贝叶斯网络模型的故障诊断方法．这种故障诊断方法可在输入数据不完备,甚至含噪的情况下,充分利用贝叶斯网络的先验知识以及建模学习能力和概率推理算法来应对不确定性问题的表示和推理,完成系统的故障诊断．实验结果表明,贝叶斯网络方法在车辆故障诊断速度、准确性方面优于传统的基于BP算法或RBF算法的诊断方法,并且提高了故障诊断系统的鲁棒性．     

基于故障树和贝叶斯网络的故障诊断模型

针对设备故障诊断技术中存在的固有不确定性问题,通过分析传统故障树模型存在的局限性以及传统贝叶斯网络建造困难的特点,提出了一种融合于故障树和传统贝叶斯网络的新方法—诊断贝叶斯网络法,并阐述了故障树和贝叶斯网络的故障诊断策略优化方法的基本思想和具体算法.通过综合分析故障树和贝叶斯网络在诊断推理和模型表达方面的特点得出,新方法可使二者充分发挥优势,有效解决故障诊断中存在的不确定性问题,提高了诊断的准确率,在故障诊断领域中具有一定的实际应用价值.     

贝叶斯网络在水电机组故障诊断中的应用研究

分析了传统故障诊断方法对于处理实际系统中的不确定性问题时所存在的不足,将贝叶斯网络的理论与方法应用到水电机组故障诊断中,介绍了贝叶斯网络的建模方法与推理机制,并通过一个专家系统的建模过程与诊断结果,证明了基于贝叶斯网络的水电机组故障诊断专家系统所具有的独特优点。     

基于贝叶斯网络的电网故障诊断方法

根据元件故障与保护动作和断路器跳闸之间的内在逻辑关系,建立了面向元件的电网故障诊断模型,并采用误差反向传播的梯度下降法修正网络参数。该模型是一种由 Noisy-Or,Noisy-And 节点组成的特殊的贝叶斯网络,能够处理电网故障诊断中的不确定性,具有语义精确、推理快速、学习效率高等特点,适用于大规模电力系统的多重复杂故障诊断。实际电网故障案例验证了该方法的正确性和有效性。     

基于多层流模型的不确定性故障诊断技术

针对核动力装置系统参数密集且相互影响、故障征兆随故障发生的位置、程度以及警报阈值的不同而发生变化、难以获得确定的故障诊断规则的问题,在采用多层流模型描述核动力装置的运行特性的基础上,引入了影响因子来描述故障征兆之间的因果关系强度,进一步结合警报分析方法和贝叶斯理论进行不确定性故障推理。建立了压水堆主冷却剂系统不确定性故障诊断模型,通过仿真证明了该方法可以合理有效地识别系统故障,解决了由于诊断规则的不确定性而可能造成的误诊和漏诊,可有效辅助操纵员进行深层次决策。     

基于FTA-BN模型的煤粉锅炉受热面故障风险研究

煤粉锅炉受热面在故障演化过程中具有不确定性,难以准确地评估故障风险。针对上述问题,采用了一种基于故障树分析(FTA)与贝叶斯网络(BN)的方法研究煤粉锅炉受热面故障风险。此方法结合了故障树易于梳理事件之间因果关系和贝叶斯网络不确定性分析的优势。首先,建立煤粉锅炉受热面4层故障树模型;然后,映射成BN模型并进行不确定性修正,通过与某电厂煤粉锅炉故障数据对比,验证所提方法可以提高故障风险评估的准确性;最后,根据BN的反向诊断推理,找出故障风险关键因素,提升锅炉受热面的安全性。     

基于PSO-VMD与贝叶斯网络的滚动轴承故障诊断

为解决电机在变负载运行条件下滚动轴承振动信号故障的特征提取困难、故障诊断准确率低的问题,提出一种基于变步长粒子群的变分模态分解与贝叶斯网络相结合的滚动轴承故障诊断模型。通过变步长粒子群算法优化的变分模态分解与Hilbert变换,提取故障信息并离散化处理,构建贝叶斯网络故障诊断模型,对滚动轴承故障发生概率推理,并利用完备、不完备数据集以及噪声试验验证该方法的准确性。仿真结果表明,该方法能高效提取特征信息,实现对不确定信息的推理估计,提高滚动轴承故障诊断的准确率,在滚动轴承的故障诊断预测中具有较好的理论与应用前景。     

基于故障树及贝叶斯网络的继电保护系统风险评估及故障定位方法

继电保护系统故障树是保护系统危险性辨识和评价的重要工具.针对故障树顶级事件发生率难以精确获取、故障树不能进行反向推理等不足,提出基于故障树和贝叶斯网络的继电保护故障风险评估方法:正向上,依据保护实时运行数据确定贝叶斯网络根节点(对应故障树基本事件)故障状态,结合贝叶斯网络推理给出贝叶斯网络叶节点(对应故障树顶级事件)的故障概率,实现保护系统的先验风险预测;反向上,由贝叶斯网络叶节点故障,结合贝叶斯条件概率公式,计算贝叶斯网络根节点的故障概率,实现故障原因的后验定位及溯源.所提方法为提高保护系统可靠性和进行故障诊断提供依据.     

贝叶斯网络的电网故障诊断应用

根据电网的线路模型,建立贝叶斯网络对元件故障进行诊断.该方法能对不确定的知识和规则进行推理,根据实际的电网故障样本数据进行训练,不断更新条件概率表的参数,以提高电网故障诊断的准确率.     

基于改进SE-CNN的风电机组故障诊断方法研究

针对风电机组发生故障时难以有效地提取故障特征并精准地识别故障等问题，提出了一种基于改进SE-CNN的风电机组故障诊断方法。首先，基于数据采集与监视控制(SCADA)系统采集到的故障风机历史运行数据，使用滑动窗口进行数据扩充，其次使用改进后的压缩激励网络(SEnet)对样本数据的权重进行调整，然后引入全局最大池化层对卷积神经网络(CNN)进行改进，最后使用改进后的CNN学习数据中的故障特征进行故障诊断。实验结果表明，改进SE-CNN的故障诊断性能均优于RNN、PCA-DNN、BiLSTM方法，验证了所提方法在风电机组故障诊断上的有效性。     

基于纵横交叉算法优化BP神经网络的风机齿轮箱故障诊断方法

风电机组齿轮箱的运行工况比较复杂,容易发生故障. 针对常规BP（Back Propagation）神经网络故障诊断容易陷入局部最优的问题,提出一种基于纵横交叉算法（Crisscross Optimization Algorithm,CSO）优化BP神经网络的风电齿轮箱故障诊断新方法. 考虑到风电齿轮箱振动信号的波动性和非线性,首先从信号中提取故障特征参数,建立带评价因子的误差分析模型,然后通过纵横交叉算法优化BP的权值和阈值对神经网络进行训练,最后用训练好的神经网络对样本进行测试. 经实验仿真并与其他方法的对比,验证了本文方法用于风电机组故障诊断有效性及优越性.     

Dynamic inference method for the orbit status of space objects

Aiming at the uncertainty of the orbit status of non-cooperative space objects, a dynamic inference method for the orbit status of space objects based on dynamic Bayesian networks is proposed. First, the semantic model for the orbit status of space objects is established, and the semantic relationships such as the orbit status, orbit class and orbit change are explained. Second, the orbit status characteristics are analyzed, and the hierarchical division method for coplanar and noncoplanar orbit change is constructed. Then, based on the dynamic Bayesian network, an inference method for the orbit status of space objects is established, and the relationships between orbit status, orbit class, and orbit change are used to obtain the dynamic change process of the orbit status. Finally, the proposed method is validated by comparing with actual situations of space objects of different orbital classes. Experimental results demonstrate that the proposed dynamic inference method for the orbit status of space objects can inference the orbit status with uncertainty and obtain the change process, which provides support and assistance for further decision-making.     

基于贝叶斯理论的复杂系统快速诊断算法

针对系统结构复杂、维修保障难度大,多具有不确定性(不完整性)信息、多故障和关联故障等特点,融合贝叶斯理论和策略优化算法的优势,提出一种混合快速诊断算法.将诊断任务分解成若干单故障子任务,对子任务用故障树和贝叶斯网络分别建模,根据贝叶斯-蒙特卡洛算法获得先验概率,进行诊断推理分析,获得系统故障薄弱环节,同时运用综合策略优化算法,对故障原因进行诊断策略优化,以实现快速诊断为目的.以电控发动机复杂系统为例,对混合快速诊断算法进行应用研究,验证了该算法的正确性和有效性.     

基于动态贝叶斯网络的电源系统可靠性分析与故障诊断

动态系统的可靠性分析与故障诊断一直是可靠性领域的热点及难点问题,作为该领域热门的分析工具之一,动态贝叶斯网络(DBN)得到了充分的应用与开发。但是,现有的DBN算法受限于系统的失效分布类型,且建模难度也随着系统复杂度的增加而呈指数增长。针对以上问题,该文提出一种改进的动态贝叶斯网络概率表建模方法,在连续任务时间的条件下,实现动态系统的可靠性分析。然后,结合DBN双向推理算法,求解系统失效时部件失效的后验概率,并将计算结果应用于系统故障诊断及薄弱部件定位。最后,结合某电源系统的可靠性分析与故障诊断,验证了该方法的实用性。     

基于信息融合的控制系统中模拟电路故障诊断

针对控制系统中的模拟电路具有多种工作状态的特殊情况和故障诊断过程中的不确定性问题，提出了模糊一神经网络信息融合算法．给出了该算法的基本模型和应用于控制系统中模拟电路故障诊断的一般规律，通过将电路不同工作状态下的有效信息进行融合，结合模糊信息处理技术和神经网络推理技术，最终实现故障定位．将其应用到某型船舶主机遥控系统中延时电路板的故障诊断系统中，结果表明，该方法能够有效地提高故障模式的识别能力，将故障准确地定位到元器件．     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

基于阶次分析的风电机组在线模态参数识别与故障诊断

针对风电机组的健康监测和预警评估,将基于环境荷载激励的模态参数识别和计算阶次分析方法应用于风电机组齿轮箱系统的在线模态分析。设计并构建了风电机组在线模态参数识别与故障诊断系统,通过试验模态与在线模态识别参数以及不同环境荷载激励条件下的在线模态识别参数的测试结果对比,证明在线模态参数识别方法的可行性和实时性,系统运行稳定,数据可靠,为风电机组在线模态实测,多种环境荷载激励作用下动态特性以及故障诊断研究积累了大量数据。