CN110334208A - 基于贝叶斯信念网络的lkj故障预测诊断方法和系统 - Google Patents

基于贝叶斯信念网络的lkj故障预测诊断方法和系统 Download PDF

Info

Publication number
CN110334208A
CN110334208A CN201910384171.1A CN201910384171A CN110334208A CN 110334208 A CN110334208 A CN 110334208A CN 201910384171 A CN201910384171 A CN 201910384171A CN 110334208 A CN110334208 A CN 110334208A
Authority
CN
China
Prior art keywords
task
lkj
failure
data
oriented
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.)
Granted
Application number
CN201910384171.1A
Other languages
English (en)
Other versions
CN110334208B (zh
Inventor
杨献
言圣
谷丰
李玺
梁飞
雷丽萍
邓勇
周洪毅
周泓旭
杨少彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan CRRC Times Signal and Communication Co Ltd
Original Assignee
Hunan CRRC Times Signal and Communication Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan CRRC Times Signal and Communication Co Ltd filed Critical Hunan CRRC Times Signal and Communication Co Ltd
Priority to CN201910384171.1A priority Critical patent/CN110334208B/zh
Publication of CN110334208A publication Critical patent/CN110334208A/zh
Application granted granted Critical
Publication of CN110334208B publication Critical patent/CN110334208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于贝叶斯信念网络的LKJ故障预测诊断方法和系统，为LKJ在设备故障预测诊断领域的应用大大的提高了预测诊断效率和可靠性，能够帮助检修人员更快地找到潜在隐患，及时采取相应措施，避免大型故障的产生。其技术方案为：在故障诊断时，首先利用异常点识别的方法，找到相应的异常节点，然后带入异常故障关联网络，经过网络计算出对应的故障和发生的概率。再次带入故障分词关联网络，经过网络计算出对应的分词表征和发生的概率，从而实现故障预测诊断，基于模型建立的系统能及时发现问题、处理问题、规避风险，使列车运行过程中的安全性与稳定性得到有效保障。

Description

基于贝叶斯信念网络的LKJ故障预测诊断方法和系统
技术领域
本发明涉及设备故障预测诊断技术，具体一种基于贝叶斯信念网络的LKJ(列车运行控制装置)故障预测诊断方法及系统。
背景技术
随着信息技术和传感器技术的大量研究、计算机的广泛使用以及人工智能技术的发展，设备故障预测诊断技术也得到了飞速的发展，但LKJ运行记录数据文件的车载设备故障分析工作仍然是借助于人工凭借现场经验来判断，采用故障维修中的替换法，此方法对分析人员的经验依赖程度高，定位故障原因时间长，工作效率低。
此外，对于人工分析LKJ运行记录数据来讲，由于一次行车所产生的LKJ运行记录数据一般在上千甚至上万条，因而分析人员劳动强度大，分析时容易出错。列车运行控制装置(LKJ)是列车运行中的重要设备之一，设备运行状态的好坏决定了列车运行过程中的安全性与稳定性，在列车运行过程中迫切需要对控制装置进行故障预测诊断，并能够帮助检修人员更快地找到潜在隐患，及时采取相应措施，避免大型故障的产生。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的在于解决上述问题，提供了一种基于贝叶斯信念网络的LKJ故障预测诊断方法和系统，建立了对LKJ故障预测诊断方法与依据，为LKJ在设备故障预测诊断领域的应用大大的提高了预测诊断效率和可靠性，能够帮助检修人员更快地找到潜在隐患，及时采取相应措施，避免大型故障的产生，使其成为检修部门的一种有效方法和手段，具有较高研究价值和实际意义。
本发明的技术方案为：本发明揭示了一种基于贝叶斯信念网络的LKJ故障预测诊断方法，包括有向概率图模型构建任务流和有向概率图模型应用任务流两方面的处理，其中：
有向概率图模型构建任务流的运行步骤为：
第一步，开启有向概率图模型构建任务，将历史运行文件数据传入数据预提取任务中，通过数据预提取任务得到异常事件条件概率表；
第二步，将历史故障反馈单数据传入中文分词算法流程，获取故障分词结果；
第三步，基于故障分词结果提取故障特征词；
第四步，将故障特征词与已有故障类别进行关联，形成故障特征词条件概率表；
第五步，对第一步的结果进行判断，如是模型构建任务，则与第四步形成的故障特征词条件概率表进行结合，进行包括数据的规则、格式整合在内的数据预处理过程，如是模型应用任务，则进行模型应用任务流中的运行步骤；
第六步：将第五步的数据预处理的结果带入贝叶斯信念网络有向概率图模型中，实现有向概率图的结构学习和参数学习，输出模型参数，至此完成有向概率图模型构建任务的定时调度；
有向概率图模型应用任务流的运行步骤为：
第一步，开启有向概率图模型应用任务，利用运行文件数据传入数据预提取任务中，通过数据预提取任务得到异常事件条件概率表；
第二步，对第一步的结果进行判断，如是模型应用任务，进一步判断是否存在模型结果参数，如不存在则中途退出；如存在则在模型应用组件中识别相应的异常节点，进行相关节点推断，输出指向节点及指向节点的概率值，将指向的节点及其概率作为故障诊断结果进行保存并输出，至此完成有向概率图模型应用任务的定时调度。
根据本发明的基于贝叶斯信念网络的LKJ故障预测诊断方法的一实施例，在有向概率图模型构建任务流/有向概率图模型应用任务流的第一步中，数据预提取任务包括以下子任务：
进入异常模式库匹配任务，然后判断历史数据中是否存在异常，如果存在异常则输出保存，其中模式库中的模式包括异常模式、频繁模式、通用模式、已有规则；
进入滑动窗口连续变量突变阈值库匹配任务，然后判断历史数据中是否存在异常，如果存在异常则输出保存，其中变量包括LKJ速度、管压、缸压、电流；
进入连续变量相关系数阈值库匹配任务，然后判断历史数据中是否存在异常，如果存在异常则输出保存，其中变量包括LKJ速度、管压、缸压、电流；
进入补充的异常规则库，判断运行文件中是否存在异常，如果存在异常则输出保存；
上述输出保存的结果与故障类别进行关联，得到异常事件条件概率表。
根据本发明的基于贝叶斯信念网络的LKJ故障预测诊断方法的一实施例，有向概率图模型构建任务流中的中文分词算法包括维特比算法、利用基于信息熵的算法。
根据本发明的基于贝叶斯信念网络的LKJ故障预测诊断方法的一实施例，有向概率图模型构建任务流中的故障特征词的提取是通过词频-逆文件频率算法来实现。
根据本发明的基于贝叶斯信念网络的LKJ故障预测诊断方法的一实施例，有向概率图模型构建任务流的第六步中还包括：将模型结果将与实际情况进行结合，实现模型的评估，如模型评估不合格则对输入数据进行增减和优化，以重现建模，如模型评估合格则输出模型参数并保存。
本发明还揭示了一种基于贝叶斯信念网络的LKJ故障预测诊断系统，包括：
处理器；以及
存储器，所述存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，
其中，当所述一系列计算机可执行的指令被所述处理器执行时，使得所述处理器进行如上所述的方法。
本发明还揭示了一种非临时性计算机可读存储介质，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列可执行的指令被计算装置执行时，使得计算装置进行如上所述的方法。
本发明对比现有技术有如下的有益效果：本发明在故障诊断时，首先利用异常点识别的方法，找到相应的异常节点，然后带入异常故障关联网络，经过网络计算出对应的故障和发生的概率。再次带入故障分词关联网络，经过网络计算出对应的分词表征和发生的概率，从而实现故障预测诊断，基于模型建立的系统能及时发现问题、处理问题、规避风险，使列车运行过程中的安全性与稳定性得到有效保障。相较于现有技术对分析人员的经验依赖程度高、定位故障原因时间长、工作效率低、劳动强度大、分析时容易出错的缺陷，本发明的设备故障预测诊断技术具有稳定、高效、快速的优点。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了本发明的基于贝叶斯信念网络的LKJ故障预测诊断方法的一实施例的流程图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
从整体上来看，本发明是利用故障异常关联信息和故障分词关联信息，设计异常、故障、分词的三级网络结构，以相关的故障、异常、分词作为结点，通过贝叶斯信念网络进行结构学习和参数学习，构建父节点、子节点之间的条件概率关系；以文本数据或运行记录数据作为输入，通过团树传播算法，对输入数据点对应的故障进行推断，实现对LKJ故障预测诊断。
图1示出了本发明的基于贝叶斯信念网络的LKJ故障预测诊断方法的一实施例的流程。请参见图1，下面是对本实施例的LKJ故障预测诊断方法的实施步骤的详细描述。
LKJ故障预测诊断方法中的定时调度任务设定为两种类型的任务，其中一种类型的任务是模型构建任务，定时运行初始值为每月一次；其中另一种类型的任务是模型应用任务，定时运行初始值为每日一次。以下分别就这两种类型的定时调度任务的运行过程进行说明。
定时调度任务一：有向概率图模型构建任务
第一步，开启模型构建任务，利用故障反馈单对应的历史运行文件数据(半年或一年)传入数据预提取任务中。数据预提取任务包括如下子任务：
(1)进入异常模式库(异常模式包括异常模式、频繁模式、通用模式、已有规则等)匹配任务，然后判断历史数据中是否存在异常，如果存在异常则输出保存；
(2)进入滑动窗口连续变量(变量包括LKJ速度、管压、缸压、电流)突变阈值库匹配任务，然后判断历史数据中是否存在异常，如果存在异常则输出保存；
(3)进入连续变量(变量包括LKJ速度、管压、缸压、电流)相关系数阈值库匹配任务，然后判断历史数据中是否存在异常，如果存在异常则输出保存；
(4)进入其它补充的异常规则库，然后判断运行文件中是否存在异常，如果存在异常则输出保存；
(5)对(1)～(4)步保存的结果与故障类别进行关联，得到异常事件条件概率表。
第二、三、四步中，先将历史故障反馈单数据传入中文分词算法流程中，其中，中文分词算法中预先结合LKJ设备专用书籍及其他语料库，利用Viterbi分词算法等进行专业词分词，并在专家知识的基础上形成专用词库作为补充。故障反馈单传入中文分词算法中，按照已有的专用词库对其文本进行分词，提取故障分词结果；故障分词结果利于TF-IDF(TermFrequency-InverseDocument Frequency，词频-逆文件频率)算法实现故障特征词的提取；最后，与已有故障类别进行关联，形成故障特征词条件概率表。
其中，Viterbi算法的主要思路是：设给定隐式马尔可夫模型(HMM)状态空间S，共有k个状态，初始状态i的概率为πi，从状态i到状态j的转移概率为ai,j。令观察到的输出为y1,...,yT。产生观察结果的最有可能的状态序列x1,...,xT(在这里，可以看成是分词)。由递推关系给出：
V1,k＝P(y1|k)·πk
Vt,k＝P(yt|k)·maxx∈S(ax,k·Vt-1,x)
此处，Vt,k是前t个最终状态为k的观测结果最有可能对应的状态序列的概率。通过保存向后指针记住在第二个等式中用到的状态x可以获得维特比路径。声明一个函数Ptr(k,t)，它返回若t＞1时计算Vt,k用到的x值或若t＝1时的k，这样:
xT＝argmaxx∈S(VT,x)
xt-1＝Ptr(xt,t)
除了利于Viterbi算法，也可结合其他分词算法进行优化，如利用基于信息熵的新词发现对2-10字词进行分析和切分，设置录取词语最小出现次数、录取词语最低支持度(1代表自由组合)、录取词语最低信息熵、候选词语的最大字数；保留满足初始设定值的词，经人工确认及筛选后添加到默认词库中，并调高添加词的词频(>＝5)；完成默认词库的补充后，新的词库可用于后续故障文本的分词。
故障特征词的提取是采用TF-IDF算法，TF为故障词对应规则的频率，IDF为逆文档词频，即总规则数目除以包含该词语之规则的数目，再将得到的商取log对数得到。TF-IDF＝TF*IDF，剔除TF-IDF值小于0.1的值，实现故障特征词的筛选。
第五步，对第一步的结果进行判断，如是模型构建任务，则与第四步形成的故障特征词条件概率表进行结合，进行数据的规则、格式整合等其他数据预处理过程。如是模型应用任务，则进行另外的流程，在后面描述到的任务二中进行说明。
第六步，将数据预处理的结果带入贝叶斯信念网络有向概率图模型中，实现有向概率图的结构学习和参数学习，输出模型参数。模型结果将与实际情况进行结合，实现模型的评估，如模型评估不合格，则对输入数据进行增减、优化，重现建模；如模型评估合格，则输出模型参数并保存。
其中，贝叶斯信念网络是由一个有向无环图(DAG)和条件概率表(CPT)组成。它通过条件概率分布来参数化。每一个结点都通过P(node|Pa(node))来参数化，Pa(node)表示网络中的父节点。
如对于a、b、c三点闭环连接的贝叶斯网络，其对应的全概率公式为：
P(a,b,c)＝P(c∣a,b)P(b∣a)P(a)
至此，完成定时调度任务一。
任务二：有向概率图模型应用任务
第一步，开启模型应用任务，利用运行文件数据(日或者按需)传入数据预提取任务中。数据预提取任务包括如下子任务：
(1)进入异常模式库(异常模式包括异常模式、频繁模式、通用模式、已有规则等)匹配任务，然后判断数据中是否存在异常，如果存在异常则输出保存；
(2)进入滑动窗口连续变量(变量包括LKJ速度、管压、缸压、电流)突变阈值库匹配任务，然后判断数据中是否存在异常，如果存在异常则输出保存；
(3)进入连续变量(变量包括LKJ速度、管压、缸压、电流)相关系数阈值库匹配任务，然后判断数据中是否存在异常，如果存在异常则输出保存；
(4)进入其它补充的异常规则库，然后判断LKJ运行记录文件中是否存在异常，如果存在异常则输出保存；
(5)对(1)～(4)步保存的结果进行整理。
第二步，对第一步的结果进行判断，如是模型应用任务，进一步判断是否存在模型结果参数，如不存在，则中途退出；如存在，则在模型应用组件中识别相应的异常节点，进行相关节点推断，输出指向节点及指向节点的概率值。将指向的节点及其概率作为故障诊断结果进行保存并输出。
至此，完成定时调度任务二，即，有向概率图模型应用任务。
此外，本发明还公开了一种基于贝叶斯信念网络的LKJ故障预测诊断系统，系统包括处理器和存储器。
存储器被配置为存储一系列计算机可执行的指令以及与这一系列计算机可执行的指令相关联的计算机可访问的数据。
当这一系列计算机可执行的指令被处理器执行时，使得处理器进行如图1所示实施例的方法。由于该方法的实施例已经在前述内容中详细描述，在此不再赘述。
本发明还公开了一种非临时性计算机可读存储介质，非临时性计算机可读存储介质上存储有一系列计算机可执行的指令。当这一系列可执行的指令被计算装置执行时，使得计算装置进行如图1所示实施例的方法。由于该方法的实施例已经在前述内容中详细描述，在此不再赘述。
综上实施例可见，本发明的创新点如下：
1.本发明的方法和系统是基于贝叶斯信念网络的LKJ故障预测诊断有向概率图模型。
2.对故障文本进行分词，形成故障词，对故障词进行分组和归类。
3.计算故障特征词发生时规则发生的概率方法。
4.采用基于评分的爬山法，输入关系矩阵进行训练，得到故障检测模型的基本关系结构。
5.采用极大似然估计的方法，然后利用离散化方法得到参数学习的结果。
6.实现了对LKJ设备故障预测诊断方法。
采用了上述创新点之后，本发明的有益效果如下：
在综合考虑LKJ设备数据及故障反馈单的特征的基础上，对设备异常与故障的不确定性进行建模，创新性地提出一种基于贝叶斯信念网络(BayesianBelief Network,BBN)理论的LKJ故障预测诊断有向概率图模型，为LKJ设备故障预测诊断提供分析手段，提高工作效率同时，为改进LKJ设备技术改进提供数据依据，为企业创造价值。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (7)

1.一种基于贝叶斯信念网络的LKJ故障预测诊断方法，其特征在于，包括有向概率图模型构建任务流和有向概率图模型应用任务流两方面的处理，其中：
有向概率图模型构建任务流的运行步骤为：
第一步，开启有向概率图模型构建任务，将历史运行文件数据传入数据预提取任务中，通过数据预提取任务得到异常事件条件概率表；
第二步，将历史故障反馈单数据传入中文分词算法流程，获取故障分词结果；
第三步，基于故障分词结果提取故障特征词；
第四步，将故障特征词与已有故障类别进行关联，形成故障特征词条件概率表；
第五步，对第一步的结果进行判断，如是模型构建任务，则与第四步形成的故障特征词条件概率表进行结合，进行包括数据的规则、格式整合在内的数据预处理过程，如是模型应用任务，则进行模型应用任务流中的运行步骤；
第六步：将第五步的数据预处理的结果带入贝叶斯信念网络有向概率图模型中，实现有向概率图的结构学习和参数学习，输出模型参数，至此完成有向概率图模型构建任务的定时调度；
有向概率图模型应用任务流的运行步骤为：
第一步，开启有向概率图模型应用任务，利用运行文件数据传入数据预提取任务中，通过数据预提取任务得到异常事件条件概率表；
第二步，对第一步的结果进行判断，如是模型应用任务，进一步判断是否存在模型结果参数，如不存在则中途退出；如存在则在模型应用组件中识别相应的异常节点，进行相关节点推断，输出指向节点及指向节点的概率值，将指向的节点及其概率作为故障诊断结果进行保存并输出，至此完成有向概率图模型应用任务的定时调度。
2.根据权利要求1所述的基于贝叶斯信念网络的LKJ故障预测诊断方法，其特征在于，在有向概率图模型构建任务流/有向概率图模型应用任务流的第一步中，数据预提取任务包括以下子任务：
进入异常模式库匹配任务，然后判断历史数据中是否存在异常，如果存在异常则输出保存，其中模式库中的模式包括异常模式、频繁模式、通用模式、已有规则；
进入滑动窗口连续变量突变阈值库匹配任务，然后判断历史数据中是否存在异常，如果存在异常则输出保存，其中变量包括LKJ速度、管压、缸压、电流；
进入连续变量相关系数阈值库匹配任务，然后判断历史数据中是否存在异常，如果存在异常则输出保存，其中变量包括LKJ速度、管压、缸压、电流；
进入补充的异常规则库，判断运行文件中是否存在异常，如果存在异常则输出保存；
上述输出保存的结果与故障类别进行关联，得到异常事件条件概率表。
3.根据权利要求1所述的基于贝叶斯信念网络的LKJ故障预测诊断方法，其特征在于，有向概率图模型构建任务流中的中文分词算法包括维特比算法、利用基于信息熵的算法。
4.根据权利要求1所述的基于贝叶斯信念网络的LKJ故障预测诊断方法，其特征在于，有向概率图模型构建任务流中的故障特征词的提取是通过词频-逆文件频率算法来实现。
5.根据权利要求1所述的基于贝叶斯信念网络的LKJ故障预测诊断方法，其特征在于，有向概率图模型构建任务流的第六步中还包括：将模型结果将与实际情况进行结合，实现模型的评估，如模型评估不合格则对输入数据进行增减和优化，以重现建模，如模型评估合格则输出模型参数并保存。
6.一种基于贝叶斯信念网络的LKJ故障预测诊断系统，其特征在于，包括：
处理器；以及
存储器，所述存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，
其中，当所述一系列计算机可执行的指令被所述处理器执行时，使得所述处理器进行如权利要求1至5中任一项所述的方法。
7.一种非临时性计算机可读存储介质，其特征在于，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列可执行的指令被计算装置执行时，使得计算装置进行如权利要求1至5中任一项所述的方法。
CN201910384171.1A 2019-05-09 2019-05-09 基于贝叶斯信念网络的lkj故障预测诊断方法和系统 Active CN110334208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910384171.1A CN110334208B (zh) 2019-05-09 2019-05-09 基于贝叶斯信念网络的lkj故障预测诊断方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910384171.1A CN110334208B (zh) 2019-05-09 2019-05-09 基于贝叶斯信念网络的lkj故障预测诊断方法和系统

Publications (2)

Publication Number Publication Date
CN110334208A true CN110334208A (zh) 2019-10-15
CN110334208B CN110334208B (zh) 2023-01-20

Family

ID=68139341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910384171.1A Active CN110334208B (zh) 2019-05-09 2019-05-09 基于贝叶斯信念网络的lkj故障预测诊断方法和系统

Country Status (1)

Country Link
CN (1) CN110334208B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826237A (zh) * 2019-11-11 2020-02-21 云南电网有限责任公司电力科学研究院 基于贝叶斯信念网络的风电设备可靠性分析方法及装置
CN111738368A (zh) * 2020-08-18 2020-10-02 湖南中车时代通信信号有限公司 一种cbtc系统的故障诊断方法、装置和介质
CN112016602A (zh) * 2020-08-18 2020-12-01 广东电网有限责任公司韶关供电局 电网故障原因与状态量的关联分析方法，设备和存储介质
CN112039695A (zh) * 2020-08-19 2020-12-04 朔黄铁路发展有限责任公司肃宁分公司 基于贝叶斯推理的传输网络故障定位方法及装置
CN117061332A (zh) * 2023-10-11 2023-11-14 中国人民解放军国防科技大学 一种基于概率有向图深度学习的故障诊断方法与系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101915234A (zh) * 2010-07-16 2010-12-15 西安交通大学 一种基于贝叶斯网络的压缩机关联故障诊断方法
CN102540054A (zh) * 2012-02-16 2012-07-04 陕西科技大学 基于多模块贝叶斯网的电子电路故障诊断方法
US20120215450A1 (en) * 2011-02-23 2012-08-23 Board Of Regents, The University Of Texas System Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101915234A (zh) * 2010-07-16 2010-12-15 西安交通大学 一种基于贝叶斯网络的压缩机关联故障诊断方法
US20120215450A1 (en) * 2011-02-23 2012-08-23 Board Of Regents, The University Of Texas System Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology
CN102540054A (zh) * 2012-02-16 2012-07-04 陕西科技大学 基于多模块贝叶斯网的电子电路故障诊断方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826237A (zh) * 2019-11-11 2020-02-21 云南电网有限责任公司电力科学研究院 基于贝叶斯信念网络的风电设备可靠性分析方法及装置
CN110826237B (zh) * 2019-11-11 2024-01-23 云南电网有限责任公司电力科学研究院 基于贝叶斯信念网络的风电设备可靠性分析方法及装置
CN111738368A (zh) * 2020-08-18 2020-10-02 湖南中车时代通信信号有限公司 一种cbtc系统的故障诊断方法、装置和介质
CN112016602A (zh) * 2020-08-18 2020-12-01 广东电网有限责任公司韶关供电局 电网故障原因与状态量的关联分析方法，设备和存储介质
CN112016602B (zh) * 2020-08-18 2021-08-10 广东电网有限责任公司韶关供电局 电网故障原因与状态量的关联分析方法，设备和存储介质
CN112039695A (zh) * 2020-08-19 2020-12-04 朔黄铁路发展有限责任公司肃宁分公司 基于贝叶斯推理的传输网络故障定位方法及装置
CN117061332A (zh) * 2023-10-11 2023-11-14 中国人民解放军国防科技大学 一种基于概率有向图深度学习的故障诊断方法与系统
CN117061332B (zh) * 2023-10-11 2023-12-29 中国人民解放军国防科技大学 一种基于概率有向图深度学习的故障诊断方法与系统

Also Published As

Publication number Publication date
CN110334208B (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN110334208A (zh) 基于贝叶斯信念网络的lkj故障预测诊断方法和系统
CN111367961B (zh) 基于图卷积神经网络的时序数据事件预测方法、系统及其应用
Xu et al. Digital twin-based anomaly detection in cyber-physical systems
KR102226687B1 (ko) 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법
Roccetti et al. Is bigger always better? A controversial journey to the center of machine learning design, with uses and misuses of big data for predicting water meter failures
CN110889556A (zh) 一种企业经营风险预测方法和系统
JP2020119605A (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
KR102274389B1 (ko) 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법
Alippi et al. Model-free fault detection and isolation in large-scale cyber-physical systems
Zhang et al. Time series anomaly detection for smart grids: A survey
CN109767312B (zh) 一种信用评估模型训练、评估方法与装置
KR20230030542A (ko) 랜덤 컷 포레스트 알고리즘을 이용한 ai 기반의 설비 데이터 이상 감지 시스템과 그 방법
Luan et al. Out-of-distribution detection for deep neural networks with isolation forest and local outlier factor
EP4352661A1 (en) Automatic xai (autoxai) with evolutionary nas techniques and model discovery and refinement
Cao et al. A study of risk relevance reasoning based on a context ontology of railway accidents
CN116611556A (zh) 一种基于混合神经网络的致密气井单井产量预测方法
CN115033746A (zh) 基于扎根理论和事理图谱的船舶航行事故致因分析方法
McMillan et al. Flow forecasting for leakage burst prediction in water distribution systems using long short-term memory neural networks and Kalman filtering
Zhang et al. How to recommend appropriate developers for bug fixing?
Ali et al. Anomaly detection in public street lighting data using unsupervised clustering
Xie et al. Multi-view change point detection in dynamic networks
Mendia et al. A novel approach for the detection of anomalous energy consumption patterns in industrial cyber‐physical systems
Cui et al. Automed: automated medical risk predictive modeling on electronic health records
Brunello et al. Monitors that learn from failures: Pairing STL and genetic programming
Cummins et al. Explainable Predictive Maintenance: A Survey of Current Methods, Challenges and Opportunities

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant