CN104462842A - 一种基于贝叶斯网络的故障数据挖掘诊断方法 - Google Patents

Abstract

一种基于贝叶斯网络的故障数据挖掘诊断方法，设备故障诊断。事先对以往发生故障的设备的各个可以获取参数点进行侦听，把侦听信号和故障类别作为贝叶斯网络的各个输入变量，而后随机对节点进行排序，在搜索中加边或改边操作，对生成的贝叶斯网络进行评分存入数据库，最后根据数据库中得分最高的贝叶斯网络作为设备故障诊断推理图，把需要诊断的设备数据输入诊断推理图，可以得到诊断的结果。可以根据实际情况设定搜索密度，可以避免陷入死循环中；可以调节惩罚项防止过分拟合；随机生成初始序列使系统具有一定的鲁棒性；可以看到设备故障诊断推理图，从而对故障发生机理进行逻辑分析。

Description

一种基于贝叶斯网络的故障数据挖掘诊断方法

技术领域

本发明涉及设备故障诊断，尤其是涉及一种基于贝叶斯网络的故障数据挖掘诊断方法。

背景技术

设备在使用过程中发生故障，或故障发生前期，往往伴随着一些易测控的特征出现，设备的许多故障不是独立存在的，一种故障很有可能导致另一种更具损坏性的故障。贝叶斯网络模型是以概率统计为基础的，基于贝叶斯网络的故障数据挖掘推理方法通过贝叶斯网络的推理功能推测出不同故障的联系与相关性，有助于我们理解设备故障的发生机理，进而减少不必要设备故障的发生，也有利于设备故障的预测，减轻设备故障引起的损失。也可避免凭单个特征数据进行故障判断造成的故障判断失误。

贝叶斯网络又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。从1988年由Pearl提出后，已经成为近几年来研究的热点.。一个贝叶斯网络是一个有向无环图(Directed Acyclic Graph,DAG),由代表变量节点及连接这些节点有向边构成。节点代表随机变量，节点间的有向边代表了节点间的互相关系(由父节点指向其子节点)，用条件概率进行表达关系强度，没有父节点的用先验概率进行信息表达。节点变量可以是任何问题的抽象，如：测试值，观测现象，意见征询等。适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理，并且可以进行双向推理。

在李海军等人(李海军，马登武等.贝叶斯网络理论在装备故障诊断中的应用，2009)的著作中有一系列基于贝叶斯网络的装备故障诊断方法与研究。并且还提及了在不完整数据条件下的网络结构学习算法。

发明内容

本发明的目的在于提供一种基于贝叶斯网络的故障数据挖掘诊断方法。

本发明包括以下步骤：

1)把侦听信号和故障类别作为贝叶斯网络的各个输入变量X，把贝叶斯网络的各个输入变量X初始化，包括把非离散的数据离散化，形成一个数据表，设数据表含有n个变量；

2)让用户输入测试次数m确定搜索密度，初始化数据库D用于保存某次运算所得的贝叶斯网络与得分；

3)把步骤1中的n个变量当作贝叶斯网络N_i中的n个节点，并把n个节点随机排序后编上序号，如1，2….n，查看这个随机排序是否在数据库D中已有，如已有，则跳至步骤11)；

4)把贝叶斯网络N_i初始化成一个有n个节点的无边型；

5)把评分变量Score设为-∞；

6)给贝叶斯网络N_i加边或改边，约束条件是边的出发节点的序号一定要小于边目的节点的序号，保证拓补模型是一个有向无环图；

7)计算贝叶斯网络N_i参数；

8)给贝叶斯网络N_i评分，并把所评的分数存入临时评分变量TempScore；

9)若TempScore≤Score，则取消步骤6)的操作，并转到步骤10)；

否则Score←TempScore，并转到步骤5)；

10)保存贝叶斯网络N_i，评分变量Score到数据库D中；

11)查看是否完成用户输入测试次数m次的操作，如未完成，则跳回步骤3)；

12)在数据库D中选出评分变量Score值最大的贝叶斯网络即为所得的贝叶斯网络，所得的贝叶斯网络也是我们需要的设备故障诊断推理图；

13)把需要诊断的设备数据输入诊断推理图，可以得到诊断的结果。

在步骤8)中，所述给贝叶斯网络N_i评分如公式(1)所示：

$f\left(N\right|X)=\underset{l=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{q_l}{\mathrm{\Σ}}}\underset{k=1}{\overset{r_l}{\mathrm{\Σ}}}{m}_{\mathrm{ljk}}\log \frac{m_{\mathrm{ljk}}}{m_{\mathrm{lj}*}}-a\underset{l=1}{\overset{n}{\mathrm{\Σ}}}\frac{q_l(r_l-1)}{2}\log m---\left(1\right)$

其中，f(N|X)是BIC评分函数的改进版，n表示有贝叶斯网络的节点数量，r_l表示第l个节点可能有的取值数量，若第l个节点可以取值为“有故障”与“无故障”两个取值的话，则r_l＝2；q_l表示第l个节点的父节点可能有的取值数量；若无父节点，则q_l取1；在公式(1)中是贝叶斯网络的对数似然度，是贝叶斯网络复杂度的惩罚项，其中a是用于调节惩罚的系数，不同类型的数据不同数量的节点个数可以用不同的a进行调节，防止过分拟合。

本发明需要事先可对故障设备的各个可以获取参数点进行侦听，如诊断变速箱，则可以对变速箱内的轴承等关键点进行提取震动信号并转换为频域信号作为输入，本发明是对爬山法进行适当的改进，在搜索模型前随机对节点进行排序，在搜索中去除了转边和减边操作，加入了改边操作，增加了鲁棒性。在评分环节采用BIC评分改进版，可以针对某些数据训练时可以有效调节惩罚项，防止过分拟合。

本发明事先对以往发生故障的设备的各个可以获取参数点进行侦听，把侦听信号和故障类别作为贝叶斯网络的各个输入变量，而后随机对节点进行排序，在搜索中加边或改边操作，对生成的贝叶斯网络进行评分存入数据库，最后根据数据库中得分最高的贝叶斯网络作为设备故障诊断推理图，把需要诊断的设备数据输入诊断推理图，可以得到诊断的结果。本发明的优点是可以根据实际情况设定搜索密度，可以避免陷入死循环中；可以调节惩罚项防止过分拟合；随机生成初始序列使系统具有一定的鲁棒性；可以看到设备故障诊断推理图，从而对故障发生机理进行逻辑分析。

附图说明

图1为贝叶斯网络N_i的加边或改边过程示例。

图2为建立设备故障诊断推理图过程。

具体实施方式

以下实施例将结合附图对本发明作进一步说明。

参见图1和2，本发明实施例包括以下步骤：

1)把侦听信号和故障类别作为贝叶斯网络的各个输入变量X，把贝叶斯网络的各个输入变量X初始化，包括把非离散的数据离散化，形成一个数据表，设数据表含有n个变量；

2)让用户输入测试次数m确定搜索密度，初始化数据库D用于保存某次运算所得的贝叶斯网络与得分；

3)把步骤1中的n个变量当作贝叶斯网络N_i中的n个节点，并把n个节点随机排序后编上序号，如1，2….n，查看这个随机排序是否在数据库D中已有，如已有，则跳至步骤11)；

4)把贝叶斯网络N_i初始化成一个有n个节点的无边型；

5)把评分变量Score设为-∞；

6)给贝叶斯网络N_i加边或改边，约束条件是边的出发节点的序号一定要小于边目的节点的序号，保证拓补模型是一个有向无环图；

7)计算贝叶斯网络N_i参数；

8)给贝叶斯网络N_i评分，并把所评的分数存入临时评分变量TempScore；

9)若TempScore≤Score，则取消步骤6)的操作，并转到步骤10)；

否则Score←TempScore，并转到步骤5)；

10)保存贝叶斯网络N_i，评分变量Score到数据库D中；

11)查看是否完成用户输入测试次数m次的操作，如未完成，则跳回步骤3)；

12)在数据库D中选出评分变量Score值最大的贝叶斯网络即为所得的贝叶斯网络，所得的贝叶斯网络也是我们需要的设备故障诊断推理图(参见图2)；

13)把需要诊断的设备数据输入诊断推理图，可以得到诊断的结果。

在步骤6)中，假设贝叶斯网络N_i的节点有4个，则加边或改边如图1操作，更多的节点可以根据图1进行推演。

在步骤8)中，给贝叶斯网络N_i评分如公式(1)所示：

$f\left(N\right|X)=\underset{l=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{q_l}{\mathrm{\Σ}}}\underset{k=1}{\overset{r_l}{\mathrm{\Σ}}}{m}_{\mathrm{ljk}}\log \frac{m_{\mathrm{ljk}}}{m_{\mathrm{lj}*}}-a\underset{l=1}{\overset{n}{\mathrm{\Σ}}}\frac{q_l(r_l-1)}{2}\log m---\left(1\right)$

其中，f(N|X)是BIC评分函数的改进版，n表示有贝叶斯网络的节点数量，r_l表示第l个节点可能有的取值数量，如第l个节点可以取值为“有故障”与“无故障”两个取值的话，则r_l＝2。q_l表示第l个节点的父节点可能有的取值数量，若无父节点则q_l取1。在公式(1)中是贝叶斯网络的对数似然度，是贝叶斯网络复杂度的惩罚项，其中a是用于调节惩罚的系数，不同类型的数据不同数量的节点个数可以用不同的a进行调节，防止过分拟合。

Claims (2)

1.一种基于贝叶斯网络的故障数据挖掘诊断方法，其特征在于包括以下步骤：

1)把侦听信号和故障类别作为贝叶斯网络的各个输入变量X，把贝叶斯网络的各个输入变量X初始化，包括把非离散的数据离散化，形成一个数据表，设数据表含有n个变量；

2)让用户输入测试次数m确定搜索密度，初始化数据库D用于保存某次运算所得的贝叶斯网络与得分；

3)把步骤1中的n个变量当作贝叶斯网络N_i中的n个节点，并把n个节点随机排序后编上序号，如1，2….n，查看这个随机排序是否在数据库D中已有，如已有，则跳至步骤11)；

4)把贝叶斯网络N_i初始化成一个有n个节点的无边型；

5)把评分变量Score设为-∞；

6)给贝叶斯网络N_i加边或改边，约束条件是边的出发节点的序号一定要小于边目的节点的序号，保证拓补模型是一个有向无环图；

7)计算贝叶斯网络N_i参数；

8)给贝叶斯网络N_i评分，并把所评的分数存入临时评分变量TempScore；

9)若TempScore≤Score，则取消步骤6)的操作，并转到步骤10)；

否则Score←TempScore，并转到步骤5)；

10)保存贝叶斯网络N_i，评分变量Score到数据库D中；

11)查看是否完成用户输入测试次数m次的操作，如未完成，则跳回步骤3)；

12)在数据库D中选出评分变量Score值最大的贝叶斯网络即为所得的贝叶斯网络，所得的贝叶斯网络也是我们需要的设备故障诊断推理图；

13)把需要诊断的设备数据输入诊断推理图，即得到诊断的结果。

2.如权利要求1所述一种基于贝叶斯网络的故障数据挖掘诊断方法，其特征在于在步骤8)中，所述给贝叶斯网络N_i评分如公式(1)所示：

$f\left(N\right|X)=\underset{l=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{q_l}{\mathrm{\Σ}}}\underset{k=1}{\overset{r_l}{\mathrm{\Σ}}}{m}_{\mathrm{ljk}}\log \frac{m_{\mathrm{ljk}}}{m_{\mathrm{lj}*}}-a\underset{l=1}{\overset{n}{\mathrm{\Σ}}}\frac{q_l(r_l-1)}{2}\log m---\left(1\right)$

其中，f(N|X)是BIC评分函数的改进版，n表示有贝叶斯网络的节点数量，r_l表示第l个节点可能有的取值数量，若第l个节点可以取值为“有故障”与“无故障”两个取值的话，则r_l＝2；q_l表示第l个节点的父节点可能有的取值数量；若无父节点，则q_l取1；在公式(1)中是贝叶斯网络的对数似然度，是贝叶斯网络复杂度的惩罚项，其中a是用于调节惩罚的系数，不同类型的数据不同数量的节点个数可以用不同的a进行调节，防止过分拟合。