CN110334395A - 基于jade的初始化em算法的卫星动量轮故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种基于JADE算法来初始化EM算法实现对卫星动量轮的故障诊断方法及系统，本发明通过JADE来确定初始时各网络节点参数值，从而提高节点概率值精度的同时通过减少EM迭代次数来降低EM算法的执行时间，进行卫星动量轮的故障诊断时速度快。

Description

基于JADE的初始化EM算法的卫星动量轮故障诊断方法及系统

技术领域

本发明专利属于贝叶斯网络在卫星动量轮故障诊断模型建立中的研究方法，属于航天器健康管理，计算机技术等领域，更具体的说，本发明涉及一种基于JADE的初始化EM算法的卫星动量轮故障诊断方法及系统。

背景技术

动量轮是卫星姿态控制系统的关键部件，传统的卫星动量轮故障诊断技术如观测器法、专家系统法等无法更好的解决卫星动量轮故障中存在的不确定性。贝叶斯网作为一种概率网络，在不确定性问题的推理上有着明显的优势，贝叶斯网络参数学习所学出来的参数会影响最终推理结果的准确性。

贝叶斯网络是一种描述变量之间不确定关系的图形化表示，由结构模型和条件概率分布集两部分构成：网络结构模型是一个有向无环图(DAG，Directed Acyclic Graph)，图中的节点表示随机变量，图中的有向边表示变量间的依赖关系。两个变量间的依赖程度则是由附在每个节点上的概率分布来描述的。条件概率分布集或称条件概率表，是每个节点关联的局部概率分布的集合。贝叶斯网络最初作为一种处理专家系统中不确定性的工具而被提出。近年来，它越来越多地被用于数据分析，以揭示和刻画数据中所蕴含的规律。贝叶斯网络学习指的是通过数据分析而获得贝叶斯网的过程，它包括参数学习和结构学习两种情况。其中参数学习是指已知网络结构，确定网络参数的问题。

近年来，被广泛使用的贝叶斯网络参数学习算法主要有最大似然估计法(MLE)、贝叶斯估计法和期望最大化法(EM)等。EM算法适用于不完整样本数据的条件，MLE和贝叶斯估计法适用于完整样本数据的条件。MLE将贝叶斯网络的参数θ视为自变量，用关于参数θ的似然函数作为优化目标，用MLE进行参数学习的过程为寻优过程。在样本量充足的情况下，MLE能很好地解决网络结构已知的贝叶斯网络参数学习问题，而在样本量很少的情况下，MLE的参数学习精度低。但是，通常现实世界中存在大量的不完整数据集，获取完整的样本数据非常困难或者代价十分昂贵，如医疗诊断系统中的病例数据、金融操作风险管理系统中的案例数据、空战态势评估系统中的空战数据、航空发动机故障诊断系统中的发动机故障数据等。在这种情况下，一般采用EM算法进行参数估计。但传统的EM算法对初始值比较敏感，因此如何选取初始值成为降低传统EM算法时间复杂度的一个重要问题。

发明内容

本发明要解决的技术问题在于，传统的EM算法对初始值比较敏感，因此如何选取初始值成为提高传统EM算法精度和降低该算法执行时间的一个重要问题，因此而提出了一种基于JADE算法来初始化EM算法实现对卫星动量轮的故障诊断方法及系统。

根据本发明的其中一方面，本本发明解决其技术问题所采用基于JADE的初始化EM算法的动量轮故障诊断方法，包括以下步骤：

(1)根据实际采集的动量轮故障数据，建立动量轮故障的贝叶斯网络模型；

(2)基于步骤(1)所建立的贝叶斯网络模型，基于JADE的初始化EM算法获得模型中各网络节点的参数；

(3)基于步骤(2)所获得的带有节点参数的模型以及获得的证据信息，采用贝叶斯网络推理算法，对可能引发动量轮发生故障的各种原因进行概率计算；其中，证据信息指的是在应用时对某个节点或者多个节点添加状态信息来推理对其它节点状态的影响；

(4)通过对比步骤(3)计算出的概率，找出其中后验概率最大的节点，作为最终的诊断结果。

进一步地，在本发明的基于JADE的初始化EM算法的动量轮故障诊断方法中，所述步骤(2)中基于JADE的初始化EM算法包括以下步骤：

(2-1)输入步骤(1)所建立的贝叶斯网络模型；

(2-2)将贝叶斯网络模型的每个节点看成一个个体，节点个数为M，种群规模为N，获取第G代的个体种群：

X_G＝[x_1,G,x_2,G,......x_N,G]；

其中，x_i,G＝[x_i1,G,x_i2,G,......x_iM,G]表示第G代种群中第i个个体，x_i1,G也就是存放第G代贝叶斯网络节点中第i个个体的第1个节点的条件概率分布表；

(2-3)更新每个个体的交叉率CR_i和缩放因子F_i，JADE在迭代过程中为每个个体i都产生服从高斯分布的交叉率CR_i和服从柯西分布的缩放因子F_i，在迭代过程中记录成功参与差分变异的个体的CR_i和F_i，最后取其均值，按照公式产生新CR_i的和F_i，并进行演化；

(2-4)进行变异、交叉及选择操作，其中，JADE中的适应值函数用贝叶斯网络模型中的似然函数代替；

(2-5)若达到终止条件，继续步骤(2—6)，否则更新高斯分布均值CR_i与柯西分布均值F_i，并返回至步骤(2-3)；

(2-6)利用前面步骤(2-1)～(2-5)产生较优的各节点的初始概率值，进行EM迭代，若收敛，则得到最终各节点准确的概率值作为所述各网络节点的参数，否则，则继续进行EM迭代获取所述各网络节点的参数。

进一步地，在本发明的基于JADE的初始化EM算法的动量轮故障诊断方法中，步骤(2-4)中具体采取突变策略DE/current-to-pbest/1进行变异、二项式交叉和贪婪思想选择。

进一步地，在本发明的基于JADE的初始化EM算法的动量轮故障诊断方法中，步骤(2-4)中利用前面步骤(2-1)～(2-5)产生较优的各节点的初始概率值，进行EM迭代具体为：

(2-7)将通过JADE算法学习得出的全局最优初始概率值θ0作为EM开始迭代的初始值。

(2-8)设已经进行t次迭代了，得到θ^t，第t+1次迭代由以下两步组成：

(a)基于θ^t对数据进行修补，使之完整；

(b)基于修补后的完整数据计算θ的最大似然估计，得θ^t+1；

(2-9)根据t+1次迭代计算出此次迭代的似然函数值L(θ^t+1|D)，其中，θ^t+1指的是t+1次迭代步骤(2-8)学习得出的概率值，D指的是实际采集的动量轮故障数据；

(2-10)若t+1次迭代收敛到所给定的阈值或达到最大的迭代次数，则得到最终各节点准确的概率值。否则，继续执行步骤(2-8)～(2-9)。

根据本发明的另一方面，本发明为解决其技术问题，还提供了一种基于JADE的初始化EM算法的动量轮故障诊断系统，包括以下模块：

模型建立模块，用于根据实际采集的动量轮故障数据，建立动量轮故障的贝叶斯网络模型；

节点参数获取模块，用于基于步骤模型建立模块所建立的贝叶斯网络模型，基于JADE的初始化EM算法获得模型中各网络节点的参数；

概率计算模块，用于基于节点参数获取模块所获得的带有节点参数的模型以及获得的证据信息，采用贝叶斯网络推理算法，对可能引发动量轮发生故障的各种原因进行概率计算；其中，证据信息指的是在应用时对某个节点或者多个节点添加状态信息来推理对其它节点状态的影响。

结果确定模块，用于通过对比步骤概率计算模块计算出的概率，找出其中后验概率最大的节点，作为最终的诊断结果。

进一步地，在本发明的基于JADE的初始化EM算法的动量轮故障诊断系统中，节点参数获取模块中基于JADE的初始化EM算法采用如下子模块实现：

数据输入子模块，用于输入模型建立模块所建立的贝叶斯网络模型；

种群获取子模块，用于将将贝叶斯网络模型的每个节点看成一个个体，节点个数为M，种群规模为N，获取第G代的个体种群：

X_G＝[x_1,G,x_2,G,......x_N,G]；

其中，x_i,G＝[x_i1,G,x_i2,G,......x_iM,G]表示第G代种群中第i个个体，x_i1,G也就是存放第G代贝叶斯网络节点中第i个个体的第1个节点的条件概率分布表；

参数更新子模块，用于更新每个个体的交叉率CR_i和缩放因子F_i，JADE在迭代过程中为每个个体i都产生服从高斯分布的交叉率CR_i和服从柯西分布的缩放因子F_i，在迭代过程中记录成功参与差分变异的个体的CR_i和F_i，最后取其均值，按照公式产生新CR_i的和F_i，并进行演化；

个体操作子模块，用于进行变异、交叉及选择操作，其中，JADE中的适应值函数用贝叶斯网络模型中的似然函数代替；

迭代判断子模块，用于若达到终止条件，继续EM迭代子模块，否则更新高斯分布均值CR_i与柯西分布均值F_i，并返回至参数更新模块；

EM迭代子模块，用于利用前面数据输入子模块～迭代判断子模块产生较优的各节点的初始概率值，进行EM迭代，若收敛，则得到最终各节点准确的概率值作为所述各网络节点的参数，否则，则继续进行EM迭代获取所述各网络节点的参数。

进一步地，在本发明的基于JADE的初始化EM算法的动量轮故障诊断系统中，个体操作子模块中具体采取突变策略DE/current-to-pbest/1进行变异、二项式交叉和贪婪思想选择。

进一步地，在本发明的基于JADE的初始化EM算法的动量轮故障诊断系统中，个体操作子模块中利用前面数据输入子模块～迭代判断子模块产生较优的各节点的初始概率值，进行EM迭代具体为：

初始值输入子模块：将通过JADE算法学习得出的全局最优初始概率值θ⁰作为EM开始迭代的初始值。

迭代子模块：设已经进行t次迭代了，得到θ^t，第t+1次迭代由以下两步组成：

(a)基于θ^t对数据进行修补，使之完整；

(b)基于修补后的完整数据计算θ的最大似然估计，得θ^t+1；

似然函数更新子模块：根据t+1次迭代计算出此次迭代的似然函数值L(θ^t+1|D)，其中，θ^t+1指的是t+1次迭代子模块学习得出的概率值，D指的是实际采集的动量轮故障数据。

EM迭代判断子模块：若t+1次迭代收敛到所给定的阈值或达到最大的迭代次数，则得到最终各节点准确的概率值。否则，继续执行迭代子模块～似然函数更新子模块。

实施本发明的基于JADE算法来初始化EM算法实现对卫星动量轮的故障诊断方法及系统，具有以下有益效果：本发明通过JADE来确定初始时各网络节点参数值，从而减少EM迭代次数来降低EM算法的执行时间，进行卫星动量轮的故障诊断时速度快。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是基于JADE的初始化EM算法的流程图；

图2是分层次建立的动量轮贝叶斯网络结构图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

1、EM算法简介

EM算法是Arthur Dempster于1977年提出的求参数极大似然估计的一种方法，它可以从非完整数据集中对参数进行最大似然估计，是一种非常简单实用的学习方法。这种方法可以广泛地应用于处理缺损数据、截尾数据、带有噪声等所谓不完全数据。

EM算法经过两个步骤交替进行计算：

第一步：计算期望(E)，利用对隐藏变量的现有估计值，计算其最大似然函数的值；

第二步：最大化(M)，最大化在E步上求得的最大似然值来计算参数值。

M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行，逐步改进模型的参数，直至似然函数收敛。

总体来说，EM的算法流程如下：

初始化分布参数

重复直到收敛：

估计未知参数的期望值，给出当前的参数估计

重新估计分布参数，以使得数据的似然性最大，给出未知变量的期望估计。

2、JADE算法简介

对于DE算法而言，随着迭代次数的增加，个体间的差异会逐渐降低，收敛速度也会随之下降，这会使得DE算法容易陷入局部最优和早熟收敛。所以很多研究者在原始经典的DE算法上寻求各种改进来提高DE算法的寻优能力、收敛速度、克服早熟收敛等。

DE算法主要涉及种群规模NP、缩放因子F、交叉概率CR这三个控制参数。原始的经典DE算法通常都是根据经验来选取一组固定的参数大小：NP∈[5D，10D]；F通常取0.5；CR∈[0，1]，通常取0.3，一般可以保证较高的寻优成功率和较快的收敛速度。而现在有很多基于控制参数改进的DE变体算法，大体可以分为适应性DE(如：JDE，JADE，SHADE等)和自适应DE(如：SPDE，DESAP，SELSDE等)。两者的共同点是，控制参数在迭代过程都会变化；不同点是，自适应DE的控制参数与种群中的个体有关且在迭代过程中会经过类似突变、交叉等操作来达到自适应的目的。而JADE相对于DE的改进主要有三点：a)用到的变异策略是Current-to-pbest；b)归档种群与不归档；c)适应性参数调整CR和F。在求解精度与收敛速度上更有，具有更好的搜索性能。

3、基于JADE的初始化EM算法在卫星动量轮故障诊断模型中的应用

EM算法作为一种数据添加算法，在近几十年得到迅速的发展，主要源于当前科学研究以及各方面实际应用中数据量越来越大的情况下，经常存在数据缺失或者不可用的问题，这时候直接处理数据比较困难，而数据添加有很多种，常用的有神经网络拟合、添补法、卡尔曼滤波法等等，但是EM算法之所以能迅速普及主要源于它算法简单，稳定上升的步骤能非常可靠地找到“最优的收敛值”。随着理论的发展，EM算法已经不单单用在处理缺失数据的问题，运用这种思想，它能所处理的问题更加广泛。有时候缺失数据并非是真的缺少了，而是为了简化问题而采取的策略，这时EM算法被称为数据添加技术，所添加的数据通常被称为“潜在数据”，复杂的问题通过引入恰当的潜在数据，能有效地解决我们的问题。

但是EM算法同样存在一些缺点：

其一，EM会收敛到局部极值，但不保证收敛到全局最优。

其二，对初始值敏感：EM算法需要初始化参数θ，而参数θ的选择直接影响收敛效率以及能否得到全局最优解。

其三，在某些情况下，要获得EM算法的中E步的期望显式是非常困难或者不可能的。

基于缺点二，本发明提出一种基于JADE的初始化EM算法，通过JADE算法来确定初始时各网络节点参数值，从而提高节点概率值精度的同时通过减少EM迭代次数来降低EM算法的执行时间。

本发明提出的基于JADE的初始化EM算法的动量轮故障诊断参数学习方法，包括以下步骤：

(1)结合实际采集的动量轮故障数据建立动量轮故障的贝叶斯网络模型；动量轮故障数据中每个样本包括各节点变量的状态信息。

(2)基于步骤(1)所建立的模型，基于JADE的初始化EM算法获得模型中各网络节点的参数。

(3)基于步骤(2)所获得的带有节点参数的模型以及获得的证据信息，采用贝叶斯网络推理算法，对可能引发动量轮发生故障的各种原因进行概率计算。其中，证据信息指的是在应用时对某个节点或者多个节点添加状态信息来推理对其它节点状态的影响。

(4)通过对比步骤(3)计算出的概率，找出其中后验概率最大的节点，作为最终的诊断结果。

步骤(2)基于JADE的初始化EM算法流程如图1所示，算法包括以下步骤：

(2—1)步骤(1)所建立的动量轮故障模型；

(2—2)将贝叶斯网每个节点看成一个个体，节点个数M，种群规模为N，第G代的个体种群可以表示为

X_G＝[x_1,G,x_2,G,......x_N,G]

其中，x_i,G＝[x_i1,G,x_i2,G,......x_iM,G]表示第G代种群中第i个个体，x_i1,G也就是存放第G代贝叶斯网络节点中第i个个体的第1个节点的条件概率分布表；

(2—3)更新每个个体的交叉率CR_i和缩放因子F_i。JADE在迭代过程中为每个个体i都产生服从高斯分布的交叉率CR_i和服从柯西分布的缩放因子F_i，在迭代过程中记录成功参与差分变异的个体的CR_i和F_i，最后取其均值，按照公式产生新CR_i的和F_i，并进行演化。

(2—4)变异、交叉及选择。随机从当前种群最好的前100p％个个体中选择一个，记为如p＝0.1时，100p％则表示最好的前10％个体，采取突变策略DE/current-to-pbest/1进行变异、二项式交叉和贪婪思想选择。

JADE中的适应值函数用贝叶斯网中的似然函数代替，代表每代个体与缺损数据的结合紧密程度，结合越紧密，代表个体值越优，学习出来的各节点的概率越准确；反之，亦然。

(2—5)若达到终止条件，继续步骤(2—6)，否则更新高斯分布均值CR_i与柯西分布均值F_i，并返回至步骤(2—3)。

(2—6)利用前面步骤(2—1)～(2—5)产生较优的各节点的初始概率值，进行EM迭代具体为：

(2—7)将通过JADE算法学习得出的全局最优初始概率值θ0作为EM开始迭代的初始值。

(2—8)设已经进行t次迭代了，得到θ^t，第t+1次迭代由以下两步组成：

(a)基于θ^t对数据进行修补，使之完整；

(b)基于修补后的完整数据计算θ的最大似然估计，得θ^t+1。

(2—9)根据t+1次迭代计算出此次迭代的似然函数值L(θ^t+1|D)，其中，θ^t+1指的是t+1次迭代步骤(2—8)学习得出的概率值，D指的是实际采集的动量轮故障数据。

(2—10)若t+1次迭代收敛到所给定的阈值或达到最大的迭代次数，则得到最终各节点准确的概率值。否则，继续执行步骤(2—8)～(2—9)。

本发明的系统与方法完全对应，关于本发明的系统，具体可参照上述关于方法的说明。

下面对本发明提出的算法进行实验验证，实验包括以下步骤：

(1)根据动量轮物理结构和故障模式，将分层次建立的动量轮故障模型作为实验对比标准；

(2)在(1)中建立的模型和不同数据量、数据缺损率条件下，利用参数学习的最大似然估计算法(MSL)、EM算法和JADE-EM算法学习出贝叶斯网络各节点概率值；

(3)将上述三种参数学习算法学习出的各节点概率值与标准概率值进行对比。

具体流程如下：

(1)实验网络结构说明

通过动量轮FMEA，获取动量轮本身的故障模式，即动量轮停转、控制精度不足、功耗过大；然后获取其余组件的故障模式，通过逻辑分析，获得各零部件与组件之间的故障关系。根据实验步骤(1)建立的动量轮故障标准模型如下图2所示。

表1给出了模型中每个节点对应的标识符以及各节点的取值情况。其中，X节点代表动量轮是否发生故障，A、B、C三个节点分别代表动量轮的三种常见故障模式，D～I等六个节点代表了动量轮四个组件的故障模式，J～U等十二个节点则代表了可能导致动量轮发生故障的原因，即动量轮中各零部件的故障模式。

表1网络模型节点说明

(2)实验数据量与数据缺损率

数据量：500、1000、5000、10000

数据缺损率：10％、30％、50％

(3)实验评判标准

参数学习的结果与真实数据的学习结果存在一定的误差，但是我们认为在一定的偏差范围内是正常的，随着数据样本的增加，这种偏差会逐渐缩小并趋近真实值。实验主要是对学习结果的正确率进行比较分析：

a)统计通过参数学习算法学习的每个节点各个状态的概率值与该节点标准概率值相比，两者误差在±0.05之内，说明该节点在此状态下的概率值学习正确。

b)利用如下公式计算算法学习的准确度，结果越大，代表算法学习准确度越高。

m％：正确率

A：学习正确的参数个数

B：所有参数个数

(4)实验结果

表2实验结果对比

根据表2实验结果可知，在相同数据量和相同缺失率的情况下，JADE-EM算法的正确率与EM算法相比有所提高，并且执行时间也大幅度减少。所以，与随机估计初始值的EM算法相比，用JADE算法来估计初始值提高了节点概率值精度的同时降低了动量轮故障诊断模型参数学习EM算法的执行时间。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种基于JADE的初始化EM算法的动量轮故障诊断方法，其特征在于，包括以下步骤：

(1)根据实际采集的动量轮故障数据，建立动量轮故障的贝叶斯网络模型；

(2)基于步骤(1)所建立的贝叶斯网络模型，基于JADE的初始化EM算法获得模型中各网络节点的参数；

(3)基于步骤(2)所获得的带有节点参数的模型以及获得的证据信息，采用贝叶斯网络推理算法，对可能引发动量轮发生故障的各种原因进行概率计算；其中，证据信息指的是在应用时对某个节点或者多个节点添加状态信息来推理对其它节点状态的影响；

(4)通过对比步骤(3)计算出的概率，找出其中后验概率最大的节点，作为最终的诊断结果。

2.根据权利要求1所述的基于JADE的初始化EM算法的动量轮故障诊断方法，其特征在于，所述步骤(2)中基于JADE的初始化EM算法包括以下步骤：

(2-1)输入步骤(1)所建立的贝叶斯网络模型；

(2-2)将贝叶斯网络模型的每个节点看成一个个体，节点个数为M，种群规模为N，获取第G代的个体种群：

X_G＝[x_1,G,x_2,G,......x_N,G]；

其中，x_i,G＝[x_i1,G,x_i2,G,......x_iM,G]表示第G代种群中第i个个体，x_i1,G也就是存放第G代贝叶斯网络节点中第i个个体的第1个节点的条件概率分布表；

(2-3)更新每个个体的交叉率CR_i和缩放因子F_i，JADE在迭代过程中为每个个体i都产生服从高斯分布的交叉率CR_i和服从柯西分布的缩放因子F_i，在迭代过程中记录成功参与差分变异的个体的CR_i和F_i，最后取其均值，按照公式产生新CR_i的和F_i，并进行演化；

(2-4)进行变异、交叉及选择操作，其中，JADE中的适应值函数用贝叶斯网络模型中的似然函数代替；

(2-5)若达到终止条件，继续步骤(2-6)，否则更新高斯分布均值CR_i与柯西分布均值F_i，并返回至步骤(2-3)；

(2-6)利用前面步骤(2-1)～(2-5)产生较优的各节点的初始概率值，进行EM迭代，若收敛，则得到最终各节点准确的概率值作为所述各网络节点的参数，否则，则继续进行EM迭代获取所述各网络节点的参数。

3.根据权利要求2所述的基于JADE的初始化EM算法的动量轮故障诊断方法，其特征在于，步骤(2-4)中具体采取突变策略DE/current-to-pbest/1进行变异、二项式交叉和贪婪思想选择。

4.根据权利要求2所述的基于JADE的初始化EM算法的动量轮故障诊断方法，其特征在于，步骤(2-4)中利用前面步骤(2-1)～(2-5)产生较优的各节点的初始概率值，进行EM迭代具体为：

(2-7)将通过JADE算法学习得出的全局最优初始概率值θ⁰作为EM开始迭代的初始值。

(2-8)设已经进行t次迭代了，得到θ^t，第t+1次迭代由以下两步组成：

(a)基于θ^t对数据进行修补，使之完整；

(b)基于修补后的完整数据计算θ的最大似然估计，得θ^t+1；

(2-9)根据t+1次迭代计算出此次迭代的似然函数值L(θ^t+1|D)，其中，θ^t+1指的是t+1次迭代步骤(2-8)学习得出的概率值，D指的是实际采集的动量轮故障数据；

(2-10)若t+1次迭代收敛到所给定的阈值或达到最大的迭代次数，则得到最终各节点准确的概率值。否则，继续执行步骤(2-8)～(2-9)。

5.一种基于JADE的初始化EM算法的动量轮故障诊断系统，其特征在于，包括以下模块：

模型建立模块，用于根据实际采集的动量轮故障数据，建立动量轮故障的贝叶斯网络模型；

节点参数获取模块，用于基于步骤模型建立模块所建立的贝叶斯网络模型，基于JADE的初始化EM算法获得模型中各网络节点的参数；

概率计算模块，用于基于节点参数获取模块所获得的带有节点参数的模型以及获得的证据信息，采用贝叶斯网络推理算法，对可能引发动量轮发生故障的各种原因进行概率计算；其中，证据信息指的是在应用时对某个节点或者多个节点添加状态信息来推理对其它节点状态的影响；

结果确定模块，用于通过对比步骤概率计算模块计算出的概率，找出其中后验概率最大的节点，作为最终的诊断结果。

6.根据权利要求5所述的基于JADE的初始化EM算法的动量轮故障诊断系统，其特征在于，节点参数获取模块中基于JADE的初始化EM算法采用如下子模块实现：

数据输入子模块，用于输入模型建立模块所建立的贝叶斯网络模型；

种群获取子模块，用于将将贝叶斯网络模型的每个节点看成一个个体，节点个数为M，种群规模为N，获取第G代的个体种群：

X_G＝[x_1,G,x_2,G,......x_N,G]；

其中，x_i,G＝[x_i1,G,x_i2,G,......x_iM,G]表示第G代种群中第i个个体，x_i1,G也就是存放第G代贝叶斯网络节点中第i个个体的第1个节点的条件概率分布表；

参数更新子模块，用于更新每个个体的交叉率CR_i和缩放因子F_i，JADE在迭代过程中为每个个体i都产生服从高斯分布的交叉率CR_i和服从柯西分布的缩放因子F_i，在迭代过程中记录成功参与差分变异的个体的CR_i和F_i，最后取其均值，按照公式产生新CR_i的和F_i，并进行演化；

个体操作子模块，用于进行变异、交叉及选择操作，其中，JADE中的适应值函数用贝叶斯网络模型中的似然函数代替；

迭代判断子模块，用于若达到终止条件，继续EM迭代子模块，否则更新高斯分布均值CR_i与柯西分布均值F_i，并返回至参数更新模块；

EM迭代子模块，用于利用前面数据输入子模块～迭代判断子模块产生较优的各节点的初始概率值，进行EM迭代，若收敛，则得到最终各节点准确的概率值作为所述各网络节点的参数，否则，则继续进行EM迭代获取所述各网络节点的参数。

7.根据权利要求6所述的基于JADE的初始化EM算法的动量轮故障诊断系统，其特征在于，个体操作子模块中具体采取突变策略DE/current-to-pbest/1进行变异、二项式交叉和贪婪思想选择。

8.根据权利要求6所述的基于JADE的初始化EM算法的动量轮故障诊断系统，其特征在于，个体操作子模块中利用前面数据输入子模块～迭代判断子模块产生较优的各节点的初始概率值，进行EM迭代具体为：

初始值输入子模块：将通过JADE算法学习得出的全局最优初始概率值θ⁰作为EM开始迭代的初始值。

迭代子模块：设已经进行t次迭代了，得到θ^t，第t+1次迭代由以下两步组成：

(a)基于θ^t对数据进行修补，使之完整；

(b)基于修补后的完整数据计算θ的最大似然估计，得θ^t+1；

似然函数更新子模块：根据t+1次迭代计算出此次迭代的似然函数值L(θ^t+1|D)，其中，θ^t+1指的是t+1次迭代迭代子模块学习得出的概率值，D指的是实际采集的动量轮故障数据；

EM迭代判断子模块：若t+1次迭代收敛到所给定的阈值或达到最大的迭代次数，则得到最终各节点准确的概率值。否则，继续执行迭代子模块～似然函数更新子模块。