技術(shù)特征：

1.一種基于貝葉斯網(wǎng)絡(luò)的壓縮機氣閥故障診斷方法，其特征在于，包括以下步驟實現(xiàn)：

A、對不同故障狀態(tài)和正常狀態(tài)的壓縮機氣閥振動信號進行采樣，獲取振動信號數(shù)據(jù)。利用小波閾值去噪方法對振動信號進行去噪。

B、利用小波包算法對樣本數(shù)據(jù)進行分解，提取各頻帶能量作為特征向量的元素，將特征向量進行離散化處理。

C、將屬性變量和類變量分別作為貝葉斯模型的節(jié)點，分別用①、②、③、④、⑤、⑥、⑦、⑧、⑨表示。選擇目標(biāo)節(jié)點變量，其余節(jié)點組成該節(jié)點的初始候選父節(jié)點集合，通過低階CI測試，去除與目標(biāo)變量獨立的變量，更新該節(jié)點候選父節(jié)點集。對于所有節(jié)點，重復(fù)上述過程，更新每個節(jié)點的候選父節(jié)點集。

D、通過比較每個節(jié)點的BIC得分，利用貪心算法依次確定每個節(jié)點的父節(jié)點，并更新其余節(jié)點的候選父節(jié)點，從而構(gòu)建貝葉斯網(wǎng)絡(luò)模型。

E、利用貝葉斯估計方法獲得結(jié)點對應(yīng)的條件概率表，以條件屬性值作為待診斷觀測證據(jù)，結(jié)合聯(lián)合樹推理算法，可求得各故障類型的后驗概率，最大后驗概率所對應(yīng)的類標(biāo)簽即作為該樣本的分類標(biāo)簽。

2.根據(jù)權(quán)利要求1所述的基于貝葉斯網(wǎng)絡(luò)的壓縮機氣閥故障診斷方法，其特征在于，所述步驟A具體包括以下步驟：

A1、壓縮機氣閥運行狀態(tài)包括正常工作狀態(tài)和三種故障狀態(tài)：閥片斷裂、閥片有缺口和缺少彈簧，獲取氣閥四種狀態(tài)下的振動信號數(shù)據(jù)。

A2、選擇db4小波，對振動信號數(shù)據(jù)進行3層小波分解，選擇一個閾值對每一層的高頻系數(shù)軟閾值量化處理。

A3、根據(jù)小波分解的第3層的低頻系數(shù)和經(jīng)過量化處理后的的高頻系數(shù),進行一維信號的小波重構(gòu)，得到去噪后振動信號樣本。

3.根據(jù)權(quán)利要求2所述的基于貝葉斯網(wǎng)絡(luò)的壓縮機氣閥故障診斷方法，其特征在于，所述步驟A2軟閾值法計算公式具體為：

其中WT為小波系數(shù),Th為閾值。上式的含義為把信號的小波系數(shù)的絕對值和閾值進行比較，小于或等于閾值的點變?yōu)?,大于閾值的點變?yōu)樵擖c值與閾值的差值,并保持符號不變。

4.根據(jù)權(quán)利要求1所述的基于貝葉斯網(wǎng)絡(luò)的壓縮機氣閥故障診斷方法，其特征在于，所述步驟B具體包含以下步驟：

B1、利用小波包算法對樣本數(shù)據(jù)進行3層小波包分解，對第三層所有頻帶進行重構(gòu)，提取各頻帶能量并作歸一化處理，將其作為特征向量的元素。特征向量中的元素對應(yīng)樣本的條件屬性值，將故障類型分別作為樣本的類屬性，相應(yīng)的類屬性可以表示為1、2、3、4。

B2、利用等寬區(qū)間法將特征向量進行離散化處理，定義“很小”、“小”、“大”、“很大”四種類型，分別用1、2、3、4表示。

5.根據(jù)權(quán)利要求4所述的基于貝葉斯網(wǎng)絡(luò)的壓縮機氣閥故障診斷方法，其特征在于，所述步驟B1中能量信息歸一化具體為：

設(shè)小波包分解后第j層第k個頻帶的重構(gòu)信號S_jk對應(yīng)的信號能量為E_jk，則有

其中，N表示數(shù)據(jù)長度；j表示小波包分解層次；k＝0,1,2,...,M，表示分解頻帶的序號，x_km表示重構(gòu)信號S_jk的離散點的幅值。信號E等于各自頻帶的能量之和，則

利用分解后信號各頻帶的能量占總能量的百分比作為反映設(shè)備運行狀態(tài)的特征向量。因此，小波包提取的特征向量為

W_jk＝[E_j0,E_j1,...,E_jM]/E。

6.根據(jù)權(quán)利要求1所述的基于貝葉斯網(wǎng)絡(luò)的壓縮機氣閥故障診斷方法，其特征在于，所述步驟C中低階CI測試具體包含以下步驟：

C1、建立原假設(shè)H₀和備擇假設(shè)H₁：

H₀：在給定X_k的條件下，X_i和X_j獨立；

H₁：在給定X_k的條件下，X_i和X_j不獨立；

C2、計算檢驗統(tǒng)計量G²和自由度f，并給定顯著性水平α＝0.01。

C3、若則拒絕原假設(shè)H₀，否則，接受H₀。

7.根據(jù)權(quán)利要求6所述的基于貝葉斯網(wǎng)絡(luò)的壓縮機氣閥故障診斷方法，其特征在于，所述步驟C2中檢驗統(tǒng)計量G²具體為：

在變量X_k的條件下，變量X_i與X_j之間的檢驗統(tǒng)計量G²計算公式如下：

其中表示在樣本中隨機變量X_i＝a、X_j＝b且X_k＝c的次數(shù)，表示在樣本中隨機變量X_i＝a且X_k＝c的次數(shù)，表示在樣本中隨機變量X_j＝b且X_k＝c的次數(shù)， 表示在樣本中隨機變量X_k＝c的次數(shù)。此時自由度f的計算公式為：

f＝(r_i-1)(r_j-1)r_k

其中r_i表示變量X_i的取值空間的大小，其中r_j表示變量X_j的取值空間的大小，其中r_k表示變量X_k的取值空間的大小。

8.根據(jù)權(quán)利要求1所述的基于貝葉斯網(wǎng)絡(luò)的壓縮機氣閥故障診斷方法，其特征在于， 所述步驟D具體包含以下步驟：

D1、選擇一個節(jié)點，從該節(jié)點無父節(jié)點的初始狀態(tài)開始，每次在其當(dāng)前父節(jié)點集的基礎(chǔ)上，從剩余的候選父節(jié)點集中選擇一個節(jié)點加入，該加入的節(jié)點使得當(dāng)前BIC評分增量最大。循環(huán)進行上述的父節(jié)點添加過程，直至加入的節(jié)點無法提高當(dāng)前得分。對于所有節(jié)點，重復(fù)上述過程，可得到每個節(jié)點在其當(dāng)前候選父節(jié)點集合下的父節(jié)點集。

D2、利用貪心算法，選擇BIC得分最大的節(jié)點，最終確定該節(jié)點的父節(jié)點集合，并從節(jié)點集合中去除該節(jié)點。因為貝葉斯網(wǎng)絡(luò)是有向無環(huán)圖，對于同一個節(jié)點而言，不能同時作為某個節(jié)點的父節(jié)點和子節(jié)點，基于此更新其余節(jié)點的候選父節(jié)點集，直至找出所有節(jié)點的父節(jié)點集，即確定了貝葉斯網(wǎng)絡(luò)模型。

9.根據(jù)權(quán)利要求8所述的基于貝葉斯網(wǎng)絡(luò)的壓縮機氣閥故障診斷方法，其特征在于，所述步驟D1中BIC評分函數(shù)計算公式具體為：

其中，N_ij是滿足屬性A_i的雙親的第j個狀態(tài)的記錄數(shù)目，即屬性A_i有r_i個狀態(tài)，其雙親集合有q_i個狀態(tài)，N_ijk是滿足屬性A_i的第k個狀態(tài)，且A_i雙親的第j個狀態(tài)的記錄數(shù)目。結(jié)構(gòu)的BIC分值越大表明與數(shù)據(jù)集擬合程度越高，且不容易導(dǎo)致過擬合現(xiàn)象的發(fā)生。q_i可能取值為4ⁿ，n表示A_i的父節(jié)點個數(shù)，n＝0,1,2,...,8，r_i取值為4。

10.根據(jù)權(quán)利要求1所述的基于貝葉斯網(wǎng)絡(luò)的壓縮機氣閥故障診斷方法，其特征在于，所述步驟E具體包含以下步驟：

E1、假設(shè)參數(shù)向量θ以共軛Dirichlet分布作為先驗概率分布，結(jié)合樣本數(shù)據(jù)，運用貝葉斯估計方法獲得結(jié)點對應(yīng)的條件概率表。

E2、以條件屬性值作為待診斷觀測證據(jù)，利用聯(lián)合樹推理算法，求得測試樣本在各條件屬性取值下各故障類型的后驗概率，最大后驗概率所對應(yīng)的類標(biāo)簽即作為該樣本的分類標(biāo)簽。