基于本体的机械故障诊断贝叶斯网络

针对机械设备维护与故障诊断过程中的不确定性,提出了一种将本体语义表示与贝叶斯网络相结合的故障概率推理模型。从异构多源的维护诊断信息和非结构化的专家经验知识出发,建立语义知识模型并进行概率扩展。利用贝叶斯分类器实现异常工况识别,给出了基于最大可能解释(MPE)的故障概率推理算法,从而根据运行工况、故障征兆和证据信息推理获得故障诊断解释。将本体语义描述的精确性和贝叶斯网络的概率推理能力相结合,既实现了诊断领域知识的形式化描述与共享,又能在一定程度上消除诊断过程的不确定性。某凉水塔风机转子典型故障诊断实例表明,该模型具有较好的故障识别效果。     

本体驱动的机械设备诊断维护知识建模

为了提高机械故障诊断的准确性与可靠性,引入了诊断维护知识的语义表示方法。通过对设备结构信息、维护经验知识以及诊断行为过程进行建模,建立了本体驱动的故障诊断推理模型。提出了设备运行状态与故障征兆之间的本体映射算法,并根据征兆空间到故障案例空间的映射关系进行实例匹配,完成了静态维护知识与动态诊断过程的统一,从而实现自动化、智能化的故障诊断与维护决策。将所建立的本体驱动的故障诊断推理模型应用于某转子故障诊断,得到了准确、实时的诊断结果。     

基于本体可信模型的知识可信评价理论

为了从知识作为语义网络中的重要资源及不确定性推理中对证据知识可信性衡量的需要等角度反映知识可信性研究的重要意义,针对知识可信问题,研究网络环境下面向以本体为基本粒度单位的知识资源的可信评价理论体系,建立了本体可信模型。模型围绕本体自身可信,构建了基于贝叶斯网络的本体自身概念可信子模型和基于本体映射的本体自身语义信息可信子模型;围绕本体全局可信,构建了基于推荐的本体全局推荐可信子模型和本体所处环境可信子模型。给出了基于本体可信模型进行不确定性推理的案例及分析,验证了所提模型及理论的可用性和先进性。     

贝叶斯网络理论及其在设备故障诊断中的应用

在分析机电设备故障诊断技术中广泛存在的不确定性和复杂关联关系的基础上，指出目前的故障诊断方法在处理不确定性和关联性问题时存在的局限性，提出了应用基于概率理论和图论的贝叶斯网络作为设备故障诊断模型具有很好前景的观点。阐述了贝叶斯网络的提出与发展、模型数学描述及研究现状，讨论了贝叶斯网络在故障诊断领域应用的可能方式及其应用情况。指出贝叶斯网络技术在故障诊断领域中的应用将进一步得到推广，提出了将贝叶斯网络广泛应用到故障诊断领域中需要解决的关键技术。     

转子故障贝叶斯诊断网络的研究

将贝叶斯网络技术引入到转子故障诊断领域,旨在提高故障诊断中不确定信息的处理能力和推理质量;提出了用于转子故障诊断的一般网络框架,使诊断故障时既考虑了实际的运行工况,又考虑了现场的故障征兆,这符合专家的诊断思路;转子同频故障网络算例验证了其良好的识别效果。     

贝叶斯网络数据细化的柴油发电机故障诊断

针对传统故障诊断方法在不确定问题诊断方面的不足,提出了基于贝叶斯网络的数据细化的柴油发电机故障诊断法。对柴油发电机转子的某些特定故障,结合专家知识确定转子特定状态下故障与振动频率、幅值及相关描述的依存关系,将获取的观测数据细化处理,利用结构学习,构建了基于贝叶斯网络的柴油发电机故障诊断模型,通过参数学习确定各节点的条件概率。实验结果表明,在已知信息具有模糊性和不完备性时,基于贝叶斯网络数据细化的故障诊断技术可明显提高诊断正确率。     

基于小波包和BN模型的深沟球轴承故障诊断

针对造纸机干燥部所用深沟球轴承故障的不确定性问题,提出了小波包与Bayes网络相结合的滚动轴承故障诊断方法。首先,对实测振动信号进行小波包分解;其次,利用设计的特征提取函数进一步处理信号,离散化后形成故障特征向量;然后,采用特征向量训练得到BN模型先验参数,建立轴承故障诊断网络模型;最后,充分利用Bayes网络的建模学习能力和概率推理算法解决不确定性问题的表示和推理,完成故障诊断。试验结果表明:BN模型在诊断正确率、训练耗时上均优于传统BP神经网络方法,尤其可在输入故障特征向量不完备时,依然具有较好的推理诊断效果。     

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。     

多特征信息融合的贝叶斯网络故障诊断方法研究

针对轴向柱塞泵故障特征的模糊性和不完备性特点,提出一种多特征信息融合与贝叶斯网络相结合的故障诊断方法。该方法从柱塞泵采集的振动信号中提取出频域和幅域的多个故障特征,并将这些特征当作来自多个不同传感器的多源信息。利用贝叶斯参数估计算法进行多特征信息融合。通过构造贝叶斯网络并建立贝叶斯分类器来简化融合后的结果,通过最大后验概率估计值的计算进行故障识别。经过轴向柱塞泵多故障模式的诊断实验,验证了该方法能够有效地实现柱塞泵柱塞松靴和脱靴故障的诊断。     

发动机故障冷测试的贝叶斯诊断网络

为提高故障诊断中不确定信息的处理能力和推理质量,将贝叶斯网络技术引入发动机故障诊断领域。充分考虑发动机故障产生的机理,提出一种适用性较强的三层贝叶斯网络结构,增加了诊断信息来源,符合专家的诊断思路。诊断实例验证了其良好的故障源识别效果。     

模糊Petri网在电梯故障诊断中的应用

介绍了基于模糊Petri网的知识描述方法及推理算法，并采用模糊Petri网作为电梯故障诊断专家系统中的知识表示方法和推理搜索策略，对故障信息的模糊性和不确定性进行表示和处理，实现了知识表示和推理模型的集成和统一，有效的解决了诊断推理过程中知识表示与推理等关键问题。     

基于T-S故障树和贝叶斯网络的模糊可靠性评估方法

针对贝叶斯网络方法存在的贝叶斯网络模型和节点条件概率表难以构造、根节点故障率和故障概率数据难以精确获取等不足,以及T-S故障树分析方法存在的计算复杂、不能进行反向推理等不足,提出基于T-S故障树和贝叶斯网络的模糊可靠性评估方法:利用T-S故障树构造贝叶斯网络模型、T-S门规则构造节点条件概率表;用模糊数描述节点的多种故障状态,模糊子集描述节点各故障状态下的故障率、故障概率;结合贝叶斯网络推理给出在仅知根节点故障状态条件下,叶节点各故障状态的发生概率、根节点状态重要度;以及已知根节点各故障状态的故障率、故障概率模糊子集条件下,叶节点各故障状态的故障率、故障概率模糊子集,以及根节点模糊重要度、后验概率。通过与文献[5]的T-S故障树分析方法、文献[10]的贝叶斯网络方法对比,验证所提方法的可行性。对巷道运输车液压系统进行模糊可靠性评估,计算根节点状态重要度等可靠性指标,为提高系统可靠性和进行故障诊断提供依据。     

基于贝叶斯网络的柔性生产线质量诊断模型

针对目前的柔性生产线质量诊断模式诊断速度慢、效果差以及不能及时处理不确定性和关联性问题等情况,提出了基于概率理论和图论的贝叶斯网络作为生产线质量诊断模型的方法。阐述了贝叶斯网络的数学模型描述及建立方法;讲述贝叶斯网络的诊断模型的诊断原理与建立过程;并以某缸体生产加工线的质量异常数据作为数据源,结合贝叶斯网络诊断推理建立了柔性生产线质量诊断模型实例,对生产过程进行快速诊断,从而验证模型的有效性。     

基于本体的贝叶斯网络知识推理研究

针对产品设计过程中因设计知识不断增多、知识存储位置分散且知识表示没有统一规范而导致的知识利用效率低下、知识推理精度不高的问题,提出了一种基于本体的贝叶斯网络知识推理的方法。以包装产品设计过程为例,根据整个设计过程中的知识活动,建立了包装设计的设计任务、设计知识、设计人员的知识本体模型;依据本体模型中描述的概念—概念间的相互关系,建立网络拓扑结构,定性的描述节点间的关系,并根据历史的设计方案以及专家经验确定网络节点间条件概率分布。最后,根据贝叶斯理论实现知识的推理。     

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。     

基于证据理论和贝叶斯网络的液压驱动系统可靠性分析

为解决因结构复杂、数据缺乏、人的认知水平不足等导致液压系统存在不确定性,以及液压系统存在多性能、多故障状态等多态性问题,提出了液压系统证据理论和贝叶斯网络相结合的可靠性分析方法。证据理论能够很好地处理不确定信息,利用证据理论的似然概率和信任概率描述根节点的失效可能性区间,解决根节点的故障概率存在不确定性及不易精确获取的问题;利用贝叶斯网络描述系统多态性,运用其推理算法给出了叶节点故障概率区间、根节点重要度区间以及根节点的灵敏度区间的计算方法。将该方法运用到工程机械液压驱动系统中,通过分析表明该方法能够有效地描述不确定性及多态性问题。     

油液监测诊断系统的知识发现方法研究

针对实现主动维修的油液监测故障诊断技术中存在的不确定性问题以及知识获取和故障源挖掘的问题,将知识发现方法引入油液监测和故障诊断技术,采用粗糙集和决策树、贝叶斯网络相结合的算法,与联机分析有机结合,构建了基于油液监测的智能维护系统。通过ADO使用Visual C++操作SQL Server数据库构建知识发现与维修决策算法应用于系统的知识发现模型,列举了模型的应用实例并作了相应的分析。     

基于本体的大型风力发电机组故障智能诊断研究

针对目前快速发展的风电行业中大型风力发电机组故障诊断方法多、理论复杂,维护人员难以掌握的问题,提出了基于本体的风力发电机组故障智能诊断系统,辅助维护人员选择合适的故障诊断方法。系统以本体形式表示风电机组故障诊断领域知识,提供了与用户进行信息交互的接口,并建立了诊断方法推理所需的规则集。基于Java平台开发了基于本体的风力发电机组故障智能诊断原型系统,该系统可用于风电机组故障智能诊断。     

基于本体的转子故障知识建模研究

针对目前转子故障诊断知识表示对领域中的术语、问题及其相互关系的描述通用性不强,对复杂故障概念及其之间关系的推理能力和灵活性不足等问题,提出了转子故障知识体系模型和基于本体的转子故障知识表示模型。构建了包含转子故障类型、振动特征、敏感参数、故障原因,以及治理措施的转子故障知识本体。采用基于属性和准则的方法,结合上下文语义环境,实现了转子故障知识本体的进化。通过设计类间关系的继承算法和类间的相离关系算法,验证了转子故障本体知识的一致性。     

基于FMECA知识的故障诊断贝叶斯网络建模研究

为了构建具有较完备知识的贝叶斯网络诊断模型,提出了一种基于FMECA知识的故障诊断贝叶斯网络建模方法,该方法根据产品FMECA分析所得故障模式、故障原因、故障影响之间的因果关系构建贝叶斯网络拓扑结构,通过历史数据确定网络各节点的先验概率和条件概率分布,进而利用建立的贝叶斯网络进行故障诊断推理决策,最后通过某型飞机平视显示器的故障诊断贝叶斯网络建模及诊断实例,验证了方法的正确性及可行性。