專(zhuān)利名稱(chēng)：一種基于貝葉斯網(wǎng)絡(luò)的壓縮機(jī)關(guān)聯(lián)故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明屬于機(jī)械設(shè)備故障診斷等領(lǐng)域，涉及不確定性知識(shí)和關(guān)聯(lián)性知識(shí)的推理， 具體涉及一種基于工況、操作-故障-征兆三層貝葉斯診斷網(wǎng)絡(luò)的機(jī)械故障診斷知識(shí)的推 理與表達(dá)技術(shù)。
背景技術(shù)：
隨著現(xiàn)代工業(yè)設(shè)備和系統(tǒng)日益大型化和復(fù)雜化，各種機(jī)械間的聯(lián)系日益密切，常 常會(huì)產(chǎn)生設(shè)備間的關(guān)聯(lián)故障。石化生產(chǎn)中，以大型壓縮機(jī)組為中心的設(shè)備群是動(dòng)設(shè)備的“心 臟”，由壓縮機(jī)為主機(jī)、中小型機(jī)泵為輔機(jī)構(gòu)成，其運(yùn)行轉(zhuǎn)速高、故障危害大、主輔機(jī)狀態(tài)關(guān) 聯(lián)程度大，一直是監(jiān)測(cè)診斷技術(shù)研究的重點(diǎn)對(duì)象。傳統(tǒng)的診斷方法和理論對(duì)單過(guò)程、單故障 和漸發(fā)性故障的簡(jiǎn)單系統(tǒng)可以發(fā)揮較好的作用，然而對(duì)于多過(guò)程、多故障和突發(fā)性故障以 及復(fù)雜龐大的壓縮機(jī)系統(tǒng)，傳統(tǒng)的以設(shè)備或測(cè)點(diǎn)為對(duì)象的監(jiān)測(cè)診斷技術(shù)難以滿足其安全保 障要求。在這種背景下，如何充分利用壓縮機(jī)設(shè)備群間的相互聯(lián)系，以指導(dǎo)未知故障的判 斷，引起了人們的極大興趣。從本質(zhì)上來(lái)說(shuō)，壓縮機(jī)故障診斷是一個(gè)典型的不確定性知識(shí)處 理問(wèn)題，即由征兆反求故障的一個(gè)逆向過(guò)程，因而如何實(shí)現(xiàn)機(jī)械故障診斷中不確定性知識(shí) 的推理和表達(dá)就成為一個(gè)關(guān)鍵問(wèn)題。以往的貝葉斯網(wǎng)絡(luò)在設(shè)備故障診斷領(lǐng)域的應(yīng)用大多基于故障-征兆的質(zhì)樸型診 斷網(wǎng)絡(luò)，這種拓?fù)浣Y(jié)構(gòu)忽略了特定診斷對(duì)象所關(guān)聯(lián)的具體的運(yùn)行環(huán)境和條件，即設(shè)備的實(shí) 際運(yùn)行工況，而這些面向?qū)ο蟮脑\斷知識(shí)往往對(duì)診斷結(jié)果起著決定性的影響。例如，工作介 質(zhì)，有的易于結(jié)垢、有的帶有腐蝕性、有的進(jìn)氣與排氣溫差大等，這些工況信息在判斷設(shè)備 故障時(shí)就是很重要的依據(jù)。除此以外，設(shè)備發(fā)生的故障也可能與現(xiàn)場(chǎng)技術(shù)人員的操作不當(dāng) 有關(guān)。同時(shí)，對(duì)于設(shè)備進(jìn)行過(guò)的維修操作有利于我們排除一些故障的可能性，如動(dòng)平衡等。機(jī)械故障診斷是一個(gè)不確定性的問(wèn)題求解過(guò)程，為了在診斷過(guò)程中集成定性信息 和定量信息，充分利用多源信息的功能，以一種更為簡(jiǎn)潔直觀的方式闡述故障與其原因及 征兆之間復(fù)雜的因果關(guān)系和條件關(guān)系，迫切需要一種新的診斷方法，以滿足壓縮機(jī)設(shè)備群 的關(guān)聯(lián)故障診斷的需要。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服傳統(tǒng)的以設(shè)備或測(cè)點(diǎn)為對(duì)象的監(jiān)測(cè)診斷技術(shù)之不足，提供 一種基于工況、操作_故障_征兆的三層貝葉斯網(wǎng)絡(luò)的機(jī)械診斷知識(shí)的推理與表達(dá)技術(shù)， 適應(yīng)于對(duì)壓縮機(jī)設(shè)備群進(jìn)行關(guān)聯(lián)分析診斷，通過(guò)建立適當(dāng)?shù)脑\斷網(wǎng)絡(luò)和確定合理的先驗(yàn)概 率，可以大大提高故障診斷的準(zhǔn)確度和效率。本發(fā)明的基本操作步驟如下(1)首先充分地獲取有關(guān)壓縮機(jī)的信息，按一定的規(guī)則對(duì)工況操作信息、故障信 息、征兆信息進(jìn)行組織，并確定工況操作層與故障層、故障層與征兆層節(jié)點(diǎn)間的因果關(guān)系， 建立網(wǎng)絡(luò)結(jié)構(gòu)；
(2獲取先驗(yàn)概率信息，按照合適的原則對(duì)數(shù)據(jù)進(jìn)行量化，確定工況操作層、故障 層、征兆層各個(gè)節(jié)點(diǎn)的條件概率；(3)根據(jù)已有的證據(jù)信息，利用基于Monte Carlo方法的近似仿真算法，獲取模擬 網(wǎng)絡(luò)狀態(tài)的仿真樣本，并據(jù)此樣本進(jìn)行推理計(jì)算，得到各潛在故障的概率。具體操作步驟如下(1)按照一定的規(guī)則充分的獲取有關(guān)壓縮機(jī)的信息，這些信息既包括設(shè)備當(dāng)前的 運(yùn)行狀態(tài)，即其表現(xiàn)出來(lái)的征兆信息，還應(yīng)包括其操作記錄等；(2)按一定的規(guī)則對(duì)工況操作信息、故障信息、征兆信息進(jìn)行組織，并確定工況操 作層與故障層、故障層與征兆層節(jié)點(diǎn)間的因果關(guān)系，建立基于工況操作-故障-征兆的三層 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)；(3)獲取先驗(yàn)概率信息；(4)先驗(yàn)概率信息主要來(lái)自領(lǐng)域?qū)＜?、壓縮機(jī)維護(hù)人員、測(cè)試技術(shù)人員和設(shè)備的歷 史統(tǒng)計(jì)數(shù)據(jù)四個(gè)方面，此外，還應(yīng)該包括來(lái)自壓縮機(jī)生產(chǎn)廠家以及類(lèi)似設(shè)備的信息；(5)按照一定的規(guī)則對(duì)獲取到的先驗(yàn)概率信息進(jìn)行量化，確定工況操作層、故障 層、征兆層各個(gè)節(jié)點(diǎn)的先驗(yàn)概率；(6)充分收集已有的證據(jù)信息；(7)利用基于Monte Carlo方法的近似仿真算法，獲取模擬網(wǎng)絡(luò)狀態(tài)的仿真樣本， 并據(jù)此樣本進(jìn)行推理計(jì)算，得到各潛在故障的概率。所述的基于Monte Carlo方法的近似仿真算法(1)把圖形化的貝葉斯診斷網(wǎng)絡(luò)轉(zhuǎn)化成數(shù)字表達(dá)；(2)找出網(wǎng)絡(luò)節(jié)點(diǎn)的拓?fù)漤樞?，依此拓?fù)漤樞驅(qū)W(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行順序采樣；(3)對(duì)節(jié)點(diǎn)產(chǎn)生一個(gè)介于O和1之間的隨機(jī)數(shù)；(4)根據(jù)該節(jié)點(diǎn)所有父節(jié)點(diǎn)的采樣結(jié)果，提取出該節(jié)點(diǎn)此次采樣時(shí)的先驗(yàn)條件概 率信息；對(duì)于根節(jié)點(diǎn)而言，每次采樣時(shí)均是其自身的先驗(yàn)概率，不需要依賴其它節(jié)點(diǎn)的采樣
結(jié)果；(5)形成一個(gè)表征
的賭輪，并根據(jù)該節(jié)點(diǎn)的狀態(tài)數(shù)把一個(gè)賭輪分成幾個(gè)部 分，每個(gè)部分對(duì)應(yīng)該次先驗(yàn)概率，判斷第三步產(chǎn)生的隨機(jī)數(shù)屬于哪個(gè)部分，據(jù)此給出節(jié)點(diǎn)的 采樣結(jié)果；(6)重復(fù)第三步到第五步，直到所有節(jié)點(diǎn)都采樣一遍，這樣就形成了一個(gè)樣本；(7)重復(fù)第三步到第六步，直到所有節(jié)點(diǎn)都采樣了 M遍，得到M個(gè)樣本，稱(chēng)為一個(gè)樣 本序列Θ。這里M為樣本序列長(zhǎng)度，也即貝葉斯診斷網(wǎng)絡(luò)總的采樣次數(shù)。(8)對(duì)樣本序列Θ按列進(jìn)行單獨(dú)統(tǒng)計(jì)，就可以得到該節(jié)點(diǎn)的邊緣概率；對(duì)相關(guān)列 進(jìn)行聯(lián)合統(tǒng)計(jì)，就可以得到這些節(jié)點(diǎn)間的聯(lián)合概率和條件概率。本發(fā)明所提出的基于工況操作-故障-征兆的三層貝葉斯診斷網(wǎng)絡(luò)用簡(jiǎn)潔直觀的 圖形方式闡述故障與其原因及征兆之間復(fù)雜的因果關(guān)系和條件關(guān)系，在有限的、不完整、不 確定的信息條件下進(jìn)行診斷推理，對(duì)系統(tǒng)故障給出完整的概率描述，能集成定性信息和定 量信息，具有充分利用多源信息的功能，同時(shí)充分利用特定診斷對(duì)象的先驗(yàn)信息和歷史信 息，減少進(jìn)行故障診斷的試驗(yàn)樣本量，有利于快速給出診斷結(jié)論，并實(shí)現(xiàn)知識(shí)的積累。


圖1為貝葉斯網(wǎng)絡(luò)的三個(gè)構(gòu)成要素示意圖。圖2為基于工況、操作_故障_征兆的三層貝葉斯診斷網(wǎng)絡(luò)結(jié)構(gòu)示意圖。圖3為基于Monte Carlo的隨機(jī)采樣算法的流程圖。圖4為賭輪示意圖。圖5為隨機(jī)采樣算法的誤差分析結(jié)果圖；其中5-a為節(jié)點(diǎn)全概率誤差、5_b為節(jié)點(diǎn) 條件概率誤差、5-c為節(jié)點(diǎn)聯(lián)合概率誤差、5-d為節(jié)點(diǎn)聯(lián)合概率誤差。圖6為隨機(jī)采樣算法的誤差分析結(jié)果圖；其中6_a為節(jié)點(diǎn)全概率/條件概率誤差、 6-b為節(jié)點(diǎn)聯(lián)合概率誤差。圖7為利用貝葉斯網(wǎng)絡(luò)建立的一個(gè)實(shí)際壓縮機(jī)設(shè)備群關(guān)聯(lián)診斷網(wǎng)絡(luò)。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的內(nèi)容作進(jìn)一步詳細(xì)說(shuō)明參見(jiàn)圖1所示，貝葉斯網(wǎng)絡(luò)是由一個(gè)結(jié)構(gòu)圖G和條件概率P所構(gòu)成，記為B = (G， P)。其中，結(jié)構(gòu)圖G是由節(jié)點(diǎn)V和有向弧段A組成的，用G= (V，A)來(lái)表達(dá)，是一種有向、非 循環(huán)圖，也即所有的有向弧段不構(gòu)成一個(gè)閉合的回路。它是貝葉斯網(wǎng)絡(luò)的定性部分，而條件 概率P則是其定量部分，是網(wǎng)絡(luò)定量推理計(jì)算的前提。節(jié)點(diǎn)V代表隨機(jī)變量或事件，可以是 離散或連續(xù)的。離散貝葉斯網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)都存在不同的取值，稱(chēng)為節(jié)點(diǎn)的狀態(tài)，常用的便 是二值狀態(tài)(正常和異常，或者是與否)，也有三個(gè)以上的狀態(tài)。有向弧段A用于連接存在 概率關(guān)系和因果關(guān)系的兩個(gè)變量或事件。而條件概率P則表征了這種連接的強(qiáng)度。參見(jiàn)圖2所示，基于工況、操作-故障-征兆的貝葉斯診斷網(wǎng)絡(luò)結(jié)構(gòu)是由三層節(jié)點(diǎn) 所構(gòu)成的，第一層是工況操作節(jié)點(diǎn)層，用C= IC1, C2，L，CJ和0= {0i;02,L,0t}表示，闡述 了壓縮機(jī)的運(yùn)行工況，如介質(zhì)的腐蝕性等，以及壓縮機(jī)的操作記錄信息，如做過(guò)平衡等；第 二層是故障節(jié)點(diǎn)層，用F= (FijF2jLjFJ表示，表達(dá)了診斷對(duì)象潛在的可能故障，如轉(zhuǎn)子失 衡、熱彎曲等；第三層是征兆節(jié)點(diǎn)層，用S = (S1, S2, L，SJ表示，描述了用于識(shí)別壓縮機(jī)故 障的常用征兆，用于診斷時(shí)的證據(jù)信息，如轉(zhuǎn)頻(IX)振動(dòng)幅值大等。參見(jiàn)圖3、圖4所示，該算法的基本原理是按照網(wǎng)絡(luò)節(jié)點(diǎn)的拓?fù)漤樞颍ㄟ^(guò)隨機(jī) 數(shù)發(fā)生器產(chǎn)生隨機(jī)數(shù)，根據(jù)節(jié)點(diǎn)的先驗(yàn)概率，形成一個(gè)賭輪，用于對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)的狀態(tài)進(jìn)行選 擇性賦值；當(dāng)所有節(jié)點(diǎn)均被賦值一遍后，就得到該網(wǎng)絡(luò)的一個(gè)采樣樣本；依此重復(fù)，得到長(zhǎng) 度為M的采樣樣本，即一個(gè)樣本序列；由于隨機(jī)采樣時(shí)考慮了節(jié)點(diǎn)的先驗(yàn)信息，因而，得到 的樣本序列近似地符合網(wǎng)絡(luò)的聯(lián)合概率分布，用于仿真貝葉斯網(wǎng)絡(luò)所有節(jié)點(diǎn)可能狀態(tài)的組 合；然后對(duì)該樣本序列進(jìn)行統(tǒng)計(jì)計(jì)算。對(duì)該樣本序列的某個(gè)列單獨(dú)進(jìn)行統(tǒng)計(jì)計(jì)算，就可以得 到邊緣統(tǒng)計(jì)量，用于近似節(jié)點(diǎn)的全概率；而對(duì)某些列一起統(tǒng)計(jì)，可以得到條件統(tǒng)計(jì)量和聯(lián)合 統(tǒng)計(jì)量，用于近似節(jié)點(diǎn)的條件概率和聯(lián)合概率。根據(jù)概率論的基本知識(shí)，當(dāng)樣本數(shù)M取很大 時(shí)，這些樣本序列的邊緣統(tǒng)計(jì)量和條件統(tǒng)計(jì)量就可以趨近變量的真實(shí)概率和條件概率。首先，把圖形化的貝葉斯診斷網(wǎng)絡(luò)轉(zhuǎn)化成數(shù)字表達(dá)，找出網(wǎng)絡(luò)節(jié)點(diǎn)的拓?fù)漤樞?，?此拓?fù)漤樞驅(qū)W(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行順序采樣，對(duì)節(jié)點(diǎn)產(chǎn)生一個(gè)介于0和1之間的隨機(jī)數(shù)，根據(jù)該節(jié) 點(diǎn)所有父節(jié)點(diǎn)的采樣結(jié)果，提取出該節(jié)點(diǎn)此次采樣時(shí)的先驗(yàn)條件概率信息；對(duì)于根節(jié)點(diǎn)而 言，每次采樣時(shí)均是其自身的先驗(yàn)概率，不需要依賴其它節(jié)點(diǎn)的采樣結(jié)果；
5
然后形成一個(gè)表征
的賭輪，并根據(jù)該節(jié)點(diǎn)的狀態(tài)數(shù)把一個(gè)賭輪分成幾個(gè)部 分，每個(gè)部分對(duì)應(yīng)該次先驗(yàn)概率，判斷第三步產(chǎn)生的隨機(jī)數(shù)屬于哪個(gè)部分，據(jù)此給出節(jié)點(diǎn)的 采樣結(jié)果，重復(fù)第三步到第五步，直到所有節(jié)點(diǎn)都采樣一遍，這樣就形成了一個(gè)樣本，重復(fù) 第三步到第六步，直到所有節(jié)點(diǎn)都采樣了 N遍，得到個(gè)N樣本，稱(chēng)為一個(gè)樣本序列這里N為 樣本序列長(zhǎng)度，也即貝葉斯診斷網(wǎng)絡(luò)總的采樣次數(shù)；最后對(duì)樣本序列按列進(jìn)行單獨(dú)統(tǒng)計(jì)，就 可以得到該節(jié)點(diǎn)的邊緣概率，對(duì)相關(guān)列進(jìn)行聯(lián)合統(tǒng)計(jì)，就可以得到這些節(jié)點(diǎn)間的聯(lián)合概率 和條件概率。參見(jiàn)圖5所示，為了驗(yàn)證該算法的有效性和準(zhǔn)確性，假定圖7中的所有節(jié)點(diǎn)都 只有兩個(gè)狀態(tài)Vi和巧G= Ι,Κ ,5)。對(duì)于這樣的兩值狀態(tài)，有時(shí)稱(chēng)為真假狀態(tài)，這里分別用 “1”(真)和“0”(假)代替Vi和巧(/= Ι,Κ, 5)。確定各個(gè)節(jié)點(diǎn)的先驗(yàn)概率后，共分兩步進(jìn) 行算法的有效性分析第一步，研究計(jì)算結(jié)果與采樣次數(shù)的關(guān)系，討論采樣次數(shù)M = 1000， 2000，L，10000等10種取值情況下，網(wǎng)絡(luò)的推理結(jié)果和誤差的變化趨勢(shì)；第二步，研究算法 的穩(wěn)定性，設(shè)定采樣次數(shù)恒定，Μ° 10000，重復(fù)執(zhí)行20次，討論該算法推理結(jié)果和誤差變化 情況。在仿真分析時(shí)，選取不同的目標(biāo)值，其仿真結(jié)果只是誤差大小、變化趨勢(shì)和變化情況 的不同而已，并沒(méi)有實(shí)質(zhì)的影響。因此，這里選取由V1和V4節(jié)點(diǎn)所構(gòu)成的八組概率進(jìn)行仿 真，它們是兩個(gè)邊緣概率:P(V1 = 1)、P (V4 = 1)；兩個(gè)條件概率:P(V4 = 11V1 = 1)、P (V1 = 11V4 = 1)四個(gè)聯(lián)合概率=P(V1 = 0，V4 = 0)、P (V1 = 0，V4 = 1)、P (V1 = 1，V4 = 0)和 P (V1 =1，V4 = 1)。第一步，分別取M = 1000，2000，L，10000共10組進(jìn)行分析，上述八個(gè)概率值的誤 差隨M的變化趨勢(shì)，如圖5所示；第二步，采樣次數(shù)Μ° 10000時(shí)，我們執(zhí)行上20次，看誤差 變化情況，上述八個(gè)概率值的誤差變化情況如圖6所示。以上內(nèi)容是結(jié)合具體的優(yōu)選實(shí)施方式對(duì)本發(fā)明所作的進(jìn)一步詳細(xì)說(shuō)明，不能認(rèn)定 本發(fā)明的具體實(shí)施方式
僅限于此，對(duì)于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫 離本發(fā)明構(gòu)思的前提下，還可以做出若干簡(jiǎn)單的推演或替換，都應(yīng)當(dāng)視為屬于本發(fā)明由所 提交的權(quán)利要求書(shū)確定專(zhuān)利保護(hù)范圍。
權(quán)利要求
一種基于貝葉斯網(wǎng)絡(luò)的壓縮機(jī)關(guān)聯(lián)故障診斷方法，其特征在于(1)按照約定的權(quán)值獲取壓縮機(jī)當(dāng)前的運(yùn)行狀態(tài)及其操作記錄；所述約定的權(quán)值中現(xiàn)場(chǎng)人員經(jīng)驗(yàn)的權(quán)值為0.4、專(zhuān)家經(jīng)驗(yàn)的權(quán)值為0.4、累計(jì)經(jīng)驗(yàn)的權(quán)值為0.2，總權(quán)值為1；(2)按工況、操作 故障 征兆的三層貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)對(duì)工況操作信息、故障信息、征兆信息進(jìn)行組織，并確定工況操作層與故障層、故障層與征兆層節(jié)點(diǎn)間的因果關(guān)系，建立基于工況操作 故障 征兆的三層貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)；(3)獲取先驗(yàn)概率信息；(4)先驗(yàn)概率信息主要來(lái)自領(lǐng)域?qū)＜?、壓縮機(jī)維護(hù)人員、測(cè)試技術(shù)人員和設(shè)備的歷史統(tǒng)計(jì)數(shù)據(jù)四個(gè)方面，此外，還應(yīng)該包括來(lái)自壓縮機(jī)生產(chǎn)廠家以及類(lèi)似設(shè)備的信息；(5)按照一定的規(guī)則對(duì)獲取到的先驗(yàn)概率信息進(jìn)行量化，確定工況操作層、故障層、征兆層各個(gè)節(jié)點(diǎn)的先驗(yàn)概率；(6)充分收集已有的證據(jù)信息；(7)利用基于Monte Carlo方法的近似仿真算法，獲取模擬網(wǎng)絡(luò)狀態(tài)的仿真樣本，并據(jù)此樣本進(jìn)行推理計(jì)算，得到各潛在故障的概率。
2.如權(quán)利要求1所述基于貝葉斯網(wǎng)絡(luò)的壓縮機(jī)關(guān)聯(lián)故障診斷方法，其特征在于 所述的基于Monte Carlo方法的近似仿真算法(a)把圖形化的貝葉斯診斷網(wǎng)絡(luò)轉(zhuǎn)化成數(shù)字表達(dá)；(b)找出網(wǎng)絡(luò)節(jié)點(diǎn)的拓?fù)漤樞?，依此拓?fù)漤樞驅(qū)W(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行順序采樣；(c)對(duì)節(jié)點(diǎn)產(chǎn)生一個(gè)介于O和1之間的隨機(jī)數(shù)；(d)根據(jù)該節(jié)點(diǎn)所有父節(jié)點(diǎn)的采樣結(jié)果，提取出該節(jié)點(diǎn)此次采樣時(shí)的先驗(yàn)條件概率信 息；對(duì)于根節(jié)點(diǎn)而言，每次采樣時(shí)均是其自身的先驗(yàn)概率，不需要依賴其它節(jié)點(diǎn)的采樣結(jié) 果；(e)形成一個(gè)表征W，l]的賭輪，并根據(jù)該節(jié)點(diǎn)的狀態(tài)數(shù)把一個(gè)賭輪分成幾個(gè)部分，每 個(gè)部分對(duì)應(yīng)該次先驗(yàn)概率，判斷第三步產(chǎn)生的隨機(jī)數(shù)屬于哪個(gè)部分，據(jù)此給出節(jié)點(diǎn)的采樣結(jié)果；(f)重復(fù)第三步到第五步，直到所有節(jié)點(diǎn)都采樣一遍，這樣就形成了一個(gè)樣本；(g)重復(fù)第三步到第六步，直到所有節(jié)點(diǎn)都采樣了M遍，得到M個(gè)樣本，稱(chēng)為一個(gè)樣本序 列Θ ；這里M為樣本序列長(zhǎng)度，也即貝葉斯診斷網(wǎng)絡(luò)總的采樣次數(shù)；(h)對(duì)樣本序列Θ按列進(jìn)行單獨(dú)統(tǒng)計(jì)，得到該節(jié)點(diǎn)的邊緣概率；對(duì)相關(guān)列進(jìn)行聯(lián)合統(tǒng) 計(jì)，得到這些節(jié)點(diǎn)間的聯(lián)合概率和條件概率。
全文摘要
本發(fā)明公開(kāi)了一種基于貝葉斯網(wǎng)絡(luò)的壓縮機(jī)關(guān)聯(lián)故障診斷方法，所提出的基于工況操作-故障-征兆的三層貝葉斯診斷網(wǎng)絡(luò)用簡(jiǎn)潔直觀的圖形方式闡述故障與其原因及征兆之間復(fù)雜的因果關(guān)系和條件關(guān)系，在有限的、不完整、不確定的信息條件下進(jìn)行診斷推理，對(duì)系統(tǒng)故障給出完整的概率描述，能集成定性信息和定量信息，具有充分利用多源信息的功能，同時(shí)充分利用特定診斷對(duì)象的先驗(yàn)信息和歷史信息，減少進(jìn)行故障診斷的試驗(yàn)樣本量，通過(guò)建立適當(dāng)?shù)呢惾~斯診斷網(wǎng)絡(luò)和確定合理的先驗(yàn)概率，可以大大提高故障診斷的準(zhǔn)確度和效率。
文檔編號(hào)F04B51/00GK101915234SQ20101022887
公開(kāi)日2010年12月15日 申請(qǐng)日期2010年7月16日 優(yōu)先權(quán)日2010年7月16日
發(fā)明者孫峰, 張西寧, 溫廣瑞, 胡兆勇, 臧廷朋 申請(qǐng)人:西安交通大學(xué)