CN104865956B - 一种基于贝叶斯网络的复杂系统中传感器故障诊断方法 - Google Patents
一种基于贝叶斯网络的复杂系统中传感器故障诊断方法 Download PDFInfo
- Publication number
- CN104865956B CN104865956B CN201510138292.XA CN201510138292A CN104865956B CN 104865956 B CN104865956 B CN 104865956B CN 201510138292 A CN201510138292 A CN 201510138292A CN 104865956 B CN104865956 B CN 104865956B
- Authority
- CN
- China
- Prior art keywords
- model
- bayesian network
- sensor
- complication system
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
Abstract
该发明提供了一种基于贝叶斯网络的复杂系统中传感器故障诊断方法,在复杂系统中构建传感器监测模型,并将动态贝叶斯网络模型应用于复杂系统传感器故障诊断中。具体方法步骤如下:一、根据各传感器特点建立复杂系统中单个传感器动态模型S(I,q);二、建立面向复杂系统的贝叶斯网络模型;三、选取非线性观测器σ(I,q),构建子系统估计模型,获取传感器残差;四、估计残差阈值,确定观测节点参数的先验概率分布;五、对贝叶斯网络结构与参数进行更新调整,构建新的贝叶斯模型;六、根据贝叶斯网络实现复杂系统传感器故障诊断。本发明在贝叶斯网络基础上进行扩展,针对复杂系统,在信息不完备条件下的复杂系统故障诊断具有明显优势。
Description
技术领域
本发明涉及复杂系统传感器故障诊断技术,具体涉及一种基于贝叶斯网络的复杂系统中传感器故障诊断方法。
背景技术
随着现代化大型机械设备日益向大型化、复杂化和精密化的方向发展,部件的结构日趋精密。但各部件之间存在许多错综复杂、关联耦合的相互关系,导致其故障特征具有模型不确定性、信息不完备性等特点,仅仅依靠单一信息源对故障难于做出精确的诊断。在实际生产过程中,在事故发生前,控制系统往往都会出现故障预兆,如果能够及时检测到这种预兆并加以控制,完全能避免事故的发生。故障诊断与容错技术的出现为提高复杂系统的可靠性提供了可能。
贝叶斯网络理论是不确定知识表达与诊断推理的有效方法之一。它一方面可以将车身装配偏差间复杂影响关系以不确定的概率模型形式进行表达;另一方面能够对工程经验、设计知识等先验信息和当前检测数据进行多源信息融合,从而实现不完备信息下装配偏差关系模型的学习更新,不断提高故障诊断准确性。与传统基于经典统计理论的方法相比,贝叶斯网络在检测样本小、信息不完备条件下的复杂系统故障诊断中具有显著优势。
针对复杂系统传感器故障诊断模型不确定性问题,可以采用不确定推理方法以及多源信息融合解决问题。常用的不确定推理方法有贝叶斯网络、模糊集理论以及证据理论等多种方法,每种方法都有其特点及适用范围,其中贝叶斯网络理论以概率论为基础,它用概率表达不确定性,以其强大的问题表达与不确定推理能力被认为是目前解决不确定问题的最有效方法之一。同时贝叶斯网络能够有效利用检测数据、工程经验以及设计信息等多源信息,并对以上信息存储、统一表达与融合,为小样本、不完备检测条件下故障诊断问题的解决提供了可能。
发明内容
有鉴于此,本发明的目的在于提供一种基于贝叶斯网络的复杂系统中传感器故障诊断方法,该方法采用建立复杂系统中非线性子系统模型、传感器组动态模型和单个传感器动态模型,构建诊断贝叶斯网络模型,构建子系统估计模型,与上述模型进行比较,获取传感器模型残差,估计残差阈值,确定观测节点参数的先验概率分布,先验概率与样本数据的概率融合并对贝叶斯网络结构与参数进行更新调整,构建新的贝叶斯模型,实现复杂系统传感器故障诊断,该方法在信息不完备条件下的复杂系统故障诊断具有明显优势。
为达到上述目的,本发明提供如下技术方案:
一种基于贝叶斯网络的复杂系统中传感器故障诊断方法,包括下述步骤:
步骤一:根据各传感器特点建立复杂系统中单个传感器动态模型S(I,q),利用多智能体实现传感器数据通信,对贝叶斯网络叶节点进行定义;
步骤二:建立面向复杂系统的贝叶斯网络模型,根据复杂系统结构建立非线性子系统观测模型Σ(I)和传感器组动态观测模型S(I),对贝叶斯网络根节点进行定义;
步骤三:构建子系统估计模型,与上述模型进行比较,获取传感器模型残差;
步骤四:设定残差阈值,确定观测节点参数的先验概率分布;
步骤五:先验概率与样本数据的概率融合并对贝叶斯网络结构与参数进行更新调整,构建新的贝叶斯模型;
步骤六:基于新贝叶斯网络进行推理诊断获取复杂传感器系统故障诊断结果。
进一步,在步骤一中具体包括以下步骤:根据各传感器特点对复杂系统中单个传感器动态进行建模,第j个传感器用S(I){j},j∈{1,...,mI}表示,利用多智能体实现传感器数据通信,将其定义为贝叶斯网络叶节点;
进一步,在步骤二中具体包括以下步骤:
31:定义一个包含N个非线性动态子系统模型的复杂传感器系统,第I∈{1,...,N}个非线性动态子系统用Σ(I)表示,Σ(I)包括已知局部动态特性、已知连接动态特性以及模型不确定性,如线性误差、模型参数不确定或系统扰动等;
32:定义相应传感器组用S(I)表示,将其定义为贝叶斯网络根节点,建立面向复杂系统的贝叶斯网络模型;
进一步,在步骤三中具体包括以下步骤:
41:选取非线性观测器模型σ(I,q),构建子系统估计模型;42:子系统估计模型与相应系统模型进行比较,获取第j个传感器残差并求出其状态方程;
进一步,在步骤四中具体包括以下步骤:51:设定在健康状态下传感器合适的残差阈值,确定观测节点参数的先验概率分布;
进一步,在步骤五中具体包括以下步骤:61:获取一定数量的新检测数据,利用Bayes方法对节点的各条件概率进行融合计算;62:根据节点的条件概率对节点间的独立关系进行检验,获取贝叶斯网络的结构和参数更新;63:随着新一轮检测数据集的获取,将上次获取的新网络模型作为先验模型不断地循环学习,实现网络结构和参数的迭代更新,建立起越来越精确的偏差关系模型。
进一步,在步骤六中具体包括以下步骤:基于偏差关系模型,提高新贝叶斯网络的精确度,推理诊断获取复杂传感器系统故障诊断结果。
本发明的有益效果在于:本发明通过建立复杂系统中非线性子系统模型和传感器组动态模型和单个传感器动态模型,对贝叶斯网络根节点和叶进行定义,将相邻节点之间动态关联性引入传感器模型中,并采用叶节点传感器关联的贝叶斯方法概率融合方法,更新网络结构以及参数调整,构建新的贝叶斯模型,实现故障诊断,该方法在信息不完备条件下的复杂系统故障诊断具有明显优势。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为基于贝叶斯网络模型的复杂系统中传感器故障诊断流程图;
图2为本发明贝叶斯网络根节点与叶节点关系图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
图1为本发明所述方法的流程图,本方法包括以下步骤:
S1:对复杂传感器的非线性动态子系统中的每个传感器进行建模,利用多智能体实现传感器数据通信,第j个传感器用S(I){j},j∈{1,...,mI}表示贝叶斯网络节点间关系如图2所示;定义S(I){j}如公式(1):
其中,表示由第j个传感器单个故障导致的输出变量改变的变量,定义如公式(2):
其中,表示时间剖面,表示在未知时刻产生的未知故障;
S2:定义一个包含N个非线性动态子系统模型的复杂传感器系统,第I∈{1,...,N}个非线性动态子系统用Σ(I)表示,相应传感器组用S(I)表示,将其定义为贝叶斯网络根节点;定义Σ(I)如公式(3):
其中,x(I),u(I)表示Σ(I)的状态变量和控制变量,z(I)表示相邻子系统间连接状态变量,表示相邻子系统间连接状态变量与的非线性组合,常数矩阵A(I)表示状态方程的线性部分,γ表示已知的非线性变量,A(I)x(I)(t)+γ(x(I)(t),u(I)(t))表示已知局部动态特性,h(I)表示已知连接动态特性,η(I)模型不确定性,如线性误差、模型参数不确定或系统扰动等;
定义S(I)如公式(4):
y(I)(t)=C(I)x(I)+d(I)(t)+f(I)(t) (4)
其中,y(I)表示输出变量,d(I)表示传感器检测性能恶化的噪声变量,f(I)表示可能的传感器故障变量;
S3:选取非线性观测器模型σ(I,q),构建子系统估计模型,子系统估计模型与相应系统模型进行比较,获取第j个传感器残差并求出其状态方程,具体步骤如下:
S31:根据步骤一和步骤二中定义的根节点和叶节点建立先验贝叶斯网络模型;
S32:传感器间信息传输用表示,定义如公式5:
其中,表示传感器噪声变量和故障变量;
基于观测器生成残差,选取非线性观测器σ(I,q)对子系统模型进行估计,定义σ(I,q)如公式6:
其中,表示x(I)的估计值,L(I,q)表示观测增益矩阵,表示传感器间传输的信息;
定义第j个传感器残差如公式7:
S4:在传感器子系统健康状态下,设定传感器残差的阈值,根据残差阈值与估计值之间的映射关系获取贝叶斯网络观测节点参数的先验条件概率分布;
S5:结合检测数据的贝叶斯网络模型更新,具体步骤如下:
S51:基于贝叶斯估计的参数学习首先要将参数θ视为随机变量,并将关于θ的先验知识表示成先验概率分布P(θ),接下来要计算的就是在观测到独立同分布的完整数据D之后,θ的后验概率分布P(θ|D);
S52:根据节点的条件概率对节点间的独立关系进行检验,获取贝叶斯网络的结构和参数更新;
S53:随着新一轮检测数据集的获取,将上次获取的新网络模型作为先验模型不断地循环学习,实现网络结构和参数的迭代更新。
S6:建立起越来越精确的偏差关系模型,基于新贝叶斯网络进行推理诊断获取复杂传感器系统故障诊断结果。
通过以上步骤,能够实现对复杂系统中传感器故障诊断。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (7)
1.一种基于贝叶斯网络的复杂系统中传感器故障诊断方法,其特征在于包括下述步骤:
步骤一:根据各传感器特点建立复杂系统中单个传感器动态模型S(I,q),利用多智能体实现传感器数据通信,对贝叶斯网络叶节点进行定义;
步骤二:建立面向复杂系统的贝叶斯网络模型,根据复杂系统结构以及传感器参数建立非线性子系统观测模型Σ(I)和传感器组动态观测模型S(I),对贝叶斯网络根节点进行定义;
步骤三:选取非线性观测器σ(I,q),构建子系统估计模型,将估计模型与上述观测模型进行比较,获取传感器残差;
步骤四:在传感器子系统健康状态下,设定残差阈值确定观测节点参数的先验概率分布;
步骤五:先验概率与样本数据的概率融合并对贝叶斯网络结构与参数进行更新调整,构建新的贝叶斯模型;
步骤六:基于偏差关系模型,提高新贝叶斯网络的精确度,推理诊断获取复杂传感器系统故障诊断结果。
2.根据权利要求1所述的一种基于贝叶斯网络的复杂系统中传感器故障诊断方法,其特征在于:根据各传感器特点建立复杂系统中单个传感器动态进行建模,第j个传感器用S(I){j},j∈{1,...,mI}表示,利用多智能体实现传感器数据通信,将其定义为贝叶斯网络叶节点。
3.根据权利要求1所述的一种基于贝叶斯网络的复杂系统中传感器故障诊断方法,其特征在于:在步骤二中具体包括以下步骤:
31:定义一个包含N个非线性动态子系统模型的复杂传感器系统,第I∈{1,...,N}个非线性动态子系统用Σ(I)表示,Σ(I)包括已知局部动态特性、已知连接动态特性以及模型不确定性,如线性误差、模型参数不确定或系统扰动;
32:定义相应传感器组用S(I)表示,将其定义为贝叶斯网络根节点,建立面向复杂系统的贝叶斯网络模型。
4.根据权利要求1所述的一种基于贝叶斯网络的复杂系统中传感器故障诊断方法,其特征在于:在步骤三中具体包括以下步骤:
41:选取非线性观测器模型σ(I,q),构建子系统估计模型;
42:子系统估计模型与相应系统模型进行比较,获取第j个传感器残差并求出其状态方程。
5.根据权利要求1所述的一种基于贝叶斯网络的复杂系统中传感器故障诊断方法,其特征在于:在步骤四中具体包括以下步骤:
51:估计在健康状态下传感器合适的残差阈值,确定观测节点参数的先验概率分布。
6.根据权利要求1所述的一种基于贝叶斯网络的复杂系统中传感器故障诊断方法,其特征在于:在步骤五中具体包括以下步骤:
61:获取一定数量的新检测数据,利用贝叶斯方法对节点的各条件概率进行融合计算;
62:根据节点的条件概率对节点间的独立关系进行检验,获取贝叶斯网络的结构和参数更新;
63:随着新一轮检测数据集的获取,将上次获取的新网络模型作为先验模型不断地循环学习,实现网络结构和参数的迭代更新,建立起越来越精确的偏差关系模型。
7.根据权利要求1所述的一种基于贝叶斯网络的复杂系统中传感器故障诊断方法,其特征在于:在步骤六中建立起越来越精确的偏差关系模型,基于新贝叶斯网络进行推理诊断获取复杂传感器系统故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510138292.XA CN104865956B (zh) | 2015-03-27 | 2015-03-27 | 一种基于贝叶斯网络的复杂系统中传感器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510138292.XA CN104865956B (zh) | 2015-03-27 | 2015-03-27 | 一种基于贝叶斯网络的复杂系统中传感器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104865956A CN104865956A (zh) | 2015-08-26 |
CN104865956B true CN104865956B (zh) | 2017-07-07 |
Family
ID=53911856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510138292.XA Active CN104865956B (zh) | 2015-03-27 | 2015-03-27 | 一种基于贝叶斯网络的复杂系统中传感器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104865956B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223945B (zh) * | 2015-09-22 | 2018-03-06 | 中国农业大学 | 水产养殖物联网装备集群的故障诊断方法及系统 |
CN105978725B (zh) * | 2016-05-13 | 2017-05-03 | 东北石油大学 | 一种基于传感器网络的非脆弱性分布式故障估计方法 |
CN106792799B (zh) * | 2016-11-29 | 2020-01-14 | 德清云浩电子科技有限公司 | 一种基于贝叶斯网络的移动传感器网络降噪和校准方法 |
CN109146295A (zh) * | 2018-08-28 | 2019-01-04 | 国网湖南省电力有限公司 | 电网山火灾害故障的后验概率分布计算方法及系统 |
CN109062189B (zh) * | 2018-08-30 | 2020-06-30 | 华中科技大学 | 一种用于复杂故障的工业过程故障诊断方法 |
CN109523027B (zh) * | 2018-10-22 | 2021-01-05 | 新智数字科技有限公司 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
CN109298706A (zh) * | 2018-11-02 | 2019-02-01 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于贝叶斯网络的飞控系统故障诊断方法 |
CN110375598B (zh) * | 2019-06-11 | 2022-06-07 | 重庆大学 | 一种针对火工品产品测试系统的可靠性分析方法 |
CN111611718B (zh) * | 2020-05-27 | 2023-04-07 | 江南大学 | 基于贝叶斯学习的执行器故障估计方法 |
CN115167376B (zh) * | 2022-08-09 | 2023-06-27 | 哈尔滨工业大学 | 一种基于平均一致性的数据驱动分布式协同诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5434773A (en) * | 1992-01-30 | 1995-07-18 | Deutsche Forschungsanstalt Fur Luft - Und Raumfahrt E.V. | Method and facility for the identification of dynamic characteristic quantities |
JPH1115518A (ja) * | 1997-06-23 | 1999-01-22 | Hitachi Ltd | 電子回路基板・装置の故障診断方式 |
CN102170648A (zh) * | 2011-01-28 | 2011-08-31 | 北京浩阳华夏科技有限公司 | 无线传感器网络的被动诊断方法 |
CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN102802182A (zh) * | 2012-08-09 | 2012-11-28 | 无锡赛睿科技有限公司 | 一种无线传感器网络故障诊断装置及方法 |
CN103941725A (zh) * | 2014-04-24 | 2014-07-23 | 淮海工学院 | 一种非线性网络控制系统的故障诊断方法 |
-
2015
- 2015-03-27 CN CN201510138292.XA patent/CN104865956B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5434773A (en) * | 1992-01-30 | 1995-07-18 | Deutsche Forschungsanstalt Fur Luft - Und Raumfahrt E.V. | Method and facility for the identification of dynamic characteristic quantities |
JPH1115518A (ja) * | 1997-06-23 | 1999-01-22 | Hitachi Ltd | 電子回路基板・装置の故障診断方式 |
CN102170648A (zh) * | 2011-01-28 | 2011-08-31 | 北京浩阳华夏科技有限公司 | 无线传感器网络的被动诊断方法 |
CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN102802182A (zh) * | 2012-08-09 | 2012-11-28 | 无锡赛睿科技有限公司 | 一种无线传感器网络故障诊断装置及方法 |
CN103941725A (zh) * | 2014-04-24 | 2014-07-23 | 淮海工学院 | 一种非线性网络控制系统的故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
"基于多传感器信息融合的贝叶斯网络故障诊断方法研究及应用";刘希亮 等;《机械科学与技术》;20130131;第32卷(第1期);第91-95页 * |
"基于贝叶斯网的复杂系统故障诊断方法";杨昌昊 等;《中国机械工程》;20091130;第20卷(第22期);第2726-2732页 * |
"多特征信息融合的贝叶斯网络故障诊断方法研究";姜万录 等;《中国机械工程》;20100430;第21卷(第8期);第940-945页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104865956A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104865956B (zh) | 一种基于贝叶斯网络的复杂系统中传感器故障诊断方法 | |
Moustapha et al. | Wireless sensor network modeling using modified recurrent neural networks: Application to fault detection | |
CN102637019B (zh) | 一种工业生产过程智能集成故障诊断方法及装置 | |
CN109657789A (zh) | 基于小波神经网络的风机齿轮箱故障趋势预测方法 | |
Liu et al. | Adaptive sensor allocation strategy for process monitoring and diagnosis in a Bayesian network | |
Krzysztofowicz et al. | Fusion of detection probabilities and comparison of multisensor systems | |
CN113746663B (zh) | 机理数据双驱动结合的性能劣化故障根因定位方法 | |
CN109145516A (zh) | 一种基于改进型极限学习机的模拟电路故障识别方法 | |
CN106960069A (zh) | 一种具有自学习功能的贝叶斯网络平台 | |
CN112926023A (zh) | 一种基于考虑气象因素p系统的输电网故障诊断方法 | |
CN102540054B (zh) | 基于多模块贝叶斯网的电子电路故障诊断方法 | |
CN112132430A (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及系统 | |
CN115455746B (zh) | 一种核动力装置运行监测数据异常检测与校正一体化方法 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN113325708B (zh) | 基于异构多智能体的多无人机系统的故障估计方法 | |
CN108198268A (zh) | 一种生产设备数据标定方法 | |
CN114239796A (zh) | 一种基于扩展卡尔曼滤波的电力系统状态估计方法 | |
Wang et al. | Distributed H∞ consensus fault detection for uncertain T‐S fuzzy systems with time‐varying delays over lossy sensor networks | |
CN108134680B (zh) | 一种基于贝叶斯网络的系统测量节点优化配置方法 | |
WO2018224649A1 (en) | Method and distributed control system for carrying out an automated industrial process | |
CN111723857B (zh) | 一种流程生产装备运行状态的智能监测方法与系统 | |
Zhang et al. | Fault diagnosis of energy networks: A graph embedding learning approach | |
CN115237091A (zh) | 一种机电装备故障溯源方法及系统 | |
CN111539457B (zh) | 一种基于贝叶斯网络的故障融合诊断方法 | |
Song et al. | Reliability analysis of monotone coherent multi-state systems based on Bayesian networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |