CN110909763A - 基于故障知识库和贝叶斯网络的设备故障诊断方法 - Google Patents
基于故障知识库和贝叶斯网络的设备故障诊断方法 Download PDFInfo
- Publication number
- CN110909763A CN110909763A CN201910981587.1A CN201910981587A CN110909763A CN 110909763 A CN110909763 A CN 110909763A CN 201910981587 A CN201910981587 A CN 201910981587A CN 110909763 A CN110909763 A CN 110909763A
- Authority
- CN
- China
- Prior art keywords
- fault
- bayesian network
- knowledge base
- probability
- mode
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
- G06N5/047—Pattern matching networks; Rete networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于故障知识库和贝叶斯网络的设备故障诊断方法，包括以下步骤：通过收集专家经验对BOG压缩机的故障模式进行故障识别，依据故障识别的结果建立BOG压缩机的故障知识库；依据故障知识库中的故障表现建立故障模式与故障表现之间互相推理的贝叶斯网络模型；依据所建立的贝叶斯网络模型，对设备的在线参数进行推理分析，得到设备每种故障模式的可能发生的概率并输出显示，对故障概率超过指定阈值的故障模式给出相应的报警信号。
Description
技术领域
本发明属于设备故障诊断技术领域，具体涉及一种基于故障知识库和贝叶斯的设备故障诊断方法。
背景技术
近年来，天然气行业在我国快速发展，而液化天然气(Liquefied Natural Gas，LNG)作为一种清洁、高效的优质能源，在优化能源消费结构，控制大气污染物排放，改善生态环境等方面有着重要作用，因此LNG也成为能化领域中需求增速最高的子行业之一。BOG(Boil-Off Gas，蒸发气)压缩机是LNG接收站动设备的典型代表，其运行状态的好坏直接关系着接收站的生产活动能否正常进行，因此，采取高效的方法对压缩机进行健康状态评估与健康管理，使得压缩机工作效率最大化，是增大LNG接收站的运行效益的重要手段。
目前，包括BOG压缩机在内的LNG接收站关键设备一般采用定期检修策略，这种方法不能及时有效地发现故障，并且通常会发生过度检修的情况，不仅浪费了人力财力，更是缩短了设备的运行周期，降低设备的使用寿命。
另外的，也可采用基于经验和故障机理的方法来进行设备健康状态评估和诊断。但对于运行年限不长，历史数据和设备出现的故障次数均较为有限，需要大量数据支持的数据驱动算法的应用在短期内将受到比较大的限制。
发明内容
鉴于以上存在的技术问题，本发明用于提供一种基于故障知识库和贝叶斯的设备故障诊断方法。
为解决上述技术问题，本发明采用如下的技术方案：
一种基于故障知识库和贝叶斯网络的设备故障诊断方法，包括以下步骤：
通过收集专家经验对BOG压缩机的故障模式进行故障识别，依据故障识别的结果建立BOG压缩机的故障知识库；
依据故障知识库中的故障表现建立故障模式与故障表现之间互相推理的贝叶斯网络模型；
依据所建立的贝叶斯网络模型，对设备的在线参数进行推理分析，得到设备每种故障模式的可能发生的概率并输出显示，对故障概率超过指定阈值的故障模式给出相应的报警信号。
优选地，每一条故障知识包含故障部件、故障模式、故障表现参数以及故障机理。
优选地，由故障知识库共整理得到故障模式和故障表现参数，作为建立贝叶斯网络的故障节点。
优选地，贝叶斯网络模型的架构建立流程包括：
初始化网络的节点；
依据故障知识条，将故障模式节点与故障表现参数节点之间建立联系；
依据以上算法流程，建立压缩机的“故障——征兆”贝叶斯网络模型的基本架构；
计算各故障模式下的故障表现参数的联合概率，为计算联合概率分布，将故障模式和故障表现参数进行离散化处理；
依据专家经验将参数的具体表现转化为概率分布输入贝叶斯网络结构中。
优选地，依据所建立的贝叶斯网络模型，对设备的在线参数进行推理分析包括在线监测数据模糊处理。
优选地，所述在线监测数据模糊处理包括将各个故障的表现参数模糊处理后输入到贝叶斯网络中，处理流程包括：
统计压缩机正常运行历史数据中各个参数的均值和方差；
假设各个故障表现参数服从正态分布，将其标准化；
标准化后参数的数值区间与参数分布区间相对应。
采用本发明具有如下的有益效果：该设备诊断方法针对设备故障数据不足的情况下，结合专家经验所形成的故障知识库和贝叶斯网络的概率诊断方法，通过以下流程建立针对设备各故障类别和参数表现的贝叶斯网络，随着故障知识库的更新，模型可以自动化的学习到更多专家经验，完成自动更新并输出故障诊断结果。
附图说明
图1为本发明实施例的基于故障知识库和贝叶斯网络的设备故障诊断方法的流程图；
图2为本发明实施例的基于故障知识库和贝叶斯网络的设备故障诊断方法中压缩机故障诊断的贝叶斯网络结构图；
图3为本发明实施例的基于故障知识库和贝叶斯网络的设备故障诊断方法的应用实例中压缩机A部分参数的监测数据示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1所示为本发明实施例的基于故障知识库和贝叶斯网络的设备故障诊断方法的步骤流程图，包括以下步骤：
通过收集专家经验对BOG压缩机的故障模式进行故障识别，依据故障识别的结果建立BOG压缩机的故障知识库；
依据故障知识库中的故障表现建立故障模式与故障表现之间互相推理的贝叶斯网络模型；
依据所建立的贝叶斯网络模型，对设备的在线参数进行推理分析，得到设备每种故障模式的可能发生的概率并输出显示，对故障概率超过指定阈值的故障模式给出相应的报警信号。
(1)建立故障知识库
由专家经验和文献调研整理得到的BOG压缩机的主要故障模式及表现为主建立故障知识库，每一条故障知识包含了故障部件、故障模式、故障参数表现以及故障机理。由故障知识库共整理得到17个故障模式(见表1)和10个故障表现参数(见表2)，作为建立贝叶斯网络的27个故障节点。
表1故障模式节点对照表
| 故障模式 | 故障模式节点 |
| 一级吸气阀泄漏 | F1 |
| 一级排气阀泄漏 | F2 |
| 二级吸气阀泄漏 | F3 |
| 二级排气阀泄漏 | F4 |
| 一级吸气阀堵塞 | F5 |
| 一级排气阀堵塞 | F6 |
| 二级吸气阀堵塞 | F7 |
| 二级排气阀堵塞 | F8 |
| 过滤器堵塞 | F9 |
| 一级气缸活塞环漏气 | F10 |
| 一级气缸活塞杆跳动 | F11 |
| 二级气缸活塞环漏气 | F12 |
| 二级气缸活塞杆跳动 | F13 |
| 润滑油系统泄漏 | F14 |
| 润滑油过滤器堵塞 | F15 |
| 轴承过热 | F16 |
| 曲轴断裂 | F17 |
表2故障表现参数节点对照表
(2)建立贝叶斯网络结构
由整理得到的故障知识库和故障节点对照表，建立了基于专家经验的贝叶斯网络结构图如图2所示。其中F1-F11为故障模式节点，代表了现有故障知识库中的17中故障模式，S1-S1-代表故障表现参数节点，代表了现有故障知识库中的10中故障表现参数。基于故障知识条的贝叶斯网络架构建立流程如下：
初始化网络的节点，即17个故障模式节点和10个故障表现参数节点；
依据故障知识条，将故障模式节点与故障表现参数节点之间建立联系。比如故障知识条中第一条，一级吸气阀泄漏会导致一级吸气温度上升、一级吸气压力上升、二级排气压力下降。F1代表“一级吸气阀泄露”，S1代表“一级吸气温度”，S2代表“一级吸气压力”，S5代表“二级排气压力”，由F1连接S1，S2，S5的三条有向边即表示故障模式F1会导致故障参数表现S1，S2，S5有显著变化。
依据以上算法流程，可以建立压缩机的“故障——征兆”贝叶斯网络模型的基本架构。随后需要依据专家经验将参数的具体表现转化为概率分布输入贝叶斯网络结构中，即计算各故障模式下的故障表现参数的联合概率P(X|Yi,i＝1,2,…)分布作为网络图中有向边的权值，其中X代表故障表现参数，Y代表各种故障模式。
为计算联合概率分布，作为贝叶斯网络结构中故障模式节点和表现参数节点之间的边权值，需要将故障模式和故障表现参数都进行离散化处理。每个故障模式的取值有两种，分别为0代表正常运行状态，1代表故障状态。故障表现参数的一般取值有5钟，分别为0～4，代表参数过小、偏小、正常、偏大和过大五种分布；振动参数的取值有两种，分别为0代表正常状态，1代表异常振动状态。
对贝叶斯网络模型的边权值的计算方法如下，边权值即故障节点和参数表现节点之间的联合条件概率表：
设置故障模式的先验概率。依据专家经验和文献调研总结，对每个故障模式的先验概率设置为P(Y＝0)＝0.95，P(Y＝1)＝0.05。代表发生故障的概率为0.05，在得到参数的具体取值后会重新计算每个故障的后验概率作为故障概率。
计算单一故障模式对故障表现参数的条件概率分布。假设故障表现参数各个状态均服从正态分布，故障条件下其分布的均值会向变化趋势偏移，以此得到故障模式下故障参数的五种条件概率分布如表3。
表3单一故障模式故障表现参数的概率分布
计算不同故障模式组合下的故障表现参数的联合条件概率分布。对故障参数Xi，由网络中查找会导致Xi变化的故障集合{Yi,i＝1,2,…}，对Yi的所有故障模式组合计算Xi的条件概率分布。根据已有的知识库，我们假设各故障模式之间是相互独立的，联合分布的计算可依据独立性假设，对不同故障模式下故障表现参数的分布进行叠加。
检查网络结构和权值的合理性，检查网络中是否存在环路，检查权值设置是否合理。
通过以上流程可以建立基于专家经验的压缩机贝叶斯网络模型，之后即可将在线监测数据输入到模型中进行故障诊断，通过推理计算得到各个故障的发生概率。
(3)在线监测数据模糊处理
将各个故障的表现参数模糊处理后输入到贝叶斯网络中，处理流程如下：
统计压缩机正常运行历史数据中各个参数的均值和方差；
假设各个故障表现参数服从正态分布，将其标准化；
标准化后参数的数值区间与参数分布区间相对应。
经过模糊处理后的故障表现参数(见表4)即可输入到贝叶斯网络模型中，计算得到各个故障模式的发生概率。
表4压缩机数据模糊对照表
| 标准化后取值区间 | (-∞,-4) | (-4,-2) | (-2,2) | (2,4) | (4,+∞) |
| 参数模糊取值 | 0 | 1 | 2 | 3 | 4 |
(4)算法应用验证
由于实际应用场景中，验证的LNG接收站BOG压缩机尚未出现故障工况，对贝叶斯网络进行验证时，分别验证了以下工况下模型的表型情况：标准正常工况，模拟故障工况，实际运行工况。
(4.1)标准正常工况验证
首先对标准正常运行工况进行了验证，输入的模糊参数为[2,2,2,2,2,2,2,2,2,2]，代表各个故障参数均处在正常范围。由贝叶斯网络输出的故障概率表如5表，可以看到各个故障模式发生概率都非常小，认为模型对正常运行工况推理合理。
表5贝叶斯网络验证结果——标准正常工况
(4.2)模拟故障工况验证
模拟故障工况是根据故障知识库，模拟某一种故障模式进行参数模糊输入，由贝叶斯网络进行推理计算出各类故障模式的故障概率，与预期结果进行对照验证。分别对一级吸气阀泄露故障、
首先模拟的工况为一级吸气阀泄露故障，设置故障参数的模糊输入为[4,4,2,2,4,2,2,2,2,2]，得到的贝叶斯网络输出的故障概率表如表6所示。从输出结果可以看到，一级吸气阀泄露的故障概率为0.92，可以确定判断为发生了该故障，二级排气阀堵塞和二级排气阀泄露的概率为0.479，认为有一定概率发生该故障，这种推理的结果是由于一级吸气阀泄露的故障表现与二级排气阀堵塞、泄露的故障表现有一定的相似之处，故推理此种参数组合下也有一定概率处于这两个故障模式下。其他故障概率均处于极小概率值，认为不可能发生。综上，所建立的压缩机的贝叶斯网络模型对一级吸气阀泄露故障推理合理。
表6贝叶斯网络验证结果——模拟故障工况(一级吸气阀泄露)
随后验证了过滤器堵塞故障，设置模型模糊输入为[0,0,0,0,0,4,2,2,2,2]，经过贝叶斯网络推理出的故障概率如表7所示。从输出结果可以看到，模型诊断为过滤器堵塞故障的概率为0.999，可以确定发生了过滤去堵塞故障。对其他故障模式的故障概率计算值结果都极小，认为基本没有伴随故障模式发生。综上，所建立的压缩机的贝叶斯网络对过滤器堵塞故障推理合理。
表7贝叶斯网络验证结果——模拟故障工况(过滤器堵塞)
| 故障模式 | 故障概率 |
| 二级吸气阀堵塞 | 0.051404 |
| 二级气缸活塞杆跳动 | 0.001257 |
| 二级排气阀堵塞 | 0.014893 |
| 二级排气阀泄漏 | 0.014893 |
| 曲轴断裂 | 0.001182 |
| 一级气缸活塞环漏气 | 0.050574 |
| 一级吸气阀堵塞 | 0.052214 |
| 润滑油过滤器堵塞 | 3.24E-05 |
| 一级排气阀泄漏 | 0.007855 |
| 润滑油系统泄漏 | 7.65E-07 |
| 轴承过热 | 3.24E-05 |
| 二级气缸活塞环漏气 | 0.050574 |
| 二级吸气阀泄漏 | 0.02653 |
| 过滤器堵塞 | 0.999998 |
| 一级排气阀堵塞 | 0.007855 |
| 一级气缸活塞杆跳动 | 0.001257 |
| 一级吸气阀泄漏 | 0.02594 |
(4.3)实际工况验证
在完成对标准正常工况和模拟故障工况进行验证后，可以确定所建立的贝叶斯网络对极端的情况有很好的推理效果，最后要对压缩机的实际运行情况进行验证。由于LNG接收站的压缩机尚未出现过故障，故取一段压缩机正常运行的数据进行验证分析，以C01-A为例，所取时间为2018年10月6日12:00到2018年10月9日12:00，该时间段压缩机的各运行参数如图3所示。
可以看到该时间段压缩机的各项运行参数变化范围较大，可以更好地验证贝叶斯网络的模型的适用性。将各故障表现参数进行模糊化后，作为贝叶斯网络的输入参数进行推理计算，得到了该时间段内各个时间点的故障概率。
对各个故障模式的故障概率表现分为两类分析：第一个阶段为数据变化稳定时(10月7日0点附近)，第二个阶段为数据波动范围较大时(10月9日0点附近)。根据数据的不同变化情况，观察模型的输出结果，与预期进行对比验证。
数据变化稳定时，故障表现参数经模糊输入基本全部为[2,2,2,2,2,2,2,2,2,2]，少数情况为[2,2,2,2,2,2,2,2,3,2]，此时为轴承温度偏高，经过贝叶斯网络模型计算得到的故障概率为表8。可以看到各个故障模式发生概率都非常小，认为模型对正常运行工况推理合理。
数据波动范围较大时，出现的典型两种情况的输入为[3,2,3,3,2,2,2,3,2,2]和[3,2,2,2,2,2,1,0,2,1]，分别代表两种情况：(a)第一级吸气温度偏高、级间温度偏高、第二级排气温度偏高、润滑油压力偏高，(b)第一级吸气温度偏高、润滑油温度偏低、润滑油压力过低、振动幅值偏小。针对这两种情况，对所建立的贝叶斯网络进行模型验证。
表8贝叶斯网络验证结果——实际工况(数据稳定情况)
对(a)情况将故障表现参数模糊化后输入贝叶斯网络模型，得到的各故障模式的概率如表9。可以看到各个故障模式发生概率都非常小，认为模型对正常运行工况推理合理。
表9贝叶斯网络验证结果——实际工况(数据波动情况a)
| 故障模式 | 故障概率 |
| 二级吸气阀堵塞 | 0.000626 |
| 二级气缸活塞杆跳动 | 5.82E-05 |
| 二级排气阀堵塞 | 0.003857 |
| 二级排气阀泄漏 | 3.86E-03 |
| 曲轴断裂 | 0.001182 |
| 一级气缸活塞环漏气 | 2.34E-03 |
| 一级吸气阀堵塞 | 2.28E-04 |
| 润滑油过滤器堵塞 | 2.95E-05 |
| 一级排气阀泄漏 | 0.00696 |
| 润滑油系统泄漏 | 1.91E-06 |
| 轴承过热 | 2.95E-05 |
| 二级气缸活塞环漏气 | 0.002341 |
| 二级吸气阀泄漏 | 0.003943 |
| 过滤器堵塞 | 1.38E-08 |
| 一级排气阀堵塞 | 0.00696 |
| 一级气缸活塞杆跳动 | 5.82E-05 |
| 一级吸气阀泄漏 | 0.000113 |
对(b)情况将故障表现参数模糊化后输入贝叶斯网络模型，得到的各故障模式的概率如表10。可以看到各个故障模式发生概率都非常小，认为模型对正常运行工况推理合理。
通过三种不同工况的验证，充分说明了本发明实施例所设计算法可以及时有效地给出压缩机不同故障模式所对应的概率，以便工作人员可以采取更加合理的方案对压缩机进行检修，降低人力与财力的损失，延长设备的使用寿命。
通过本发明实施例实现基于故障知识库和贝叶斯网络的设备故障诊断方法，贝叶斯网络的建立只依靠专家经验整理得到的故障知识库，只要专家经验更新，按流程就可以完成模型的自动更新。该设备诊断方法针对设备故障数据不足的情况下，结合专家经验所形成的故障知识库和贝叶斯网络的概率诊断方法，通过以下流程建立针对设备各故障类别和参数表现的贝叶斯网络，随着故障知识库的更新，模型可以自动化的学习到更多专家经验，完成自动更新并输出故障诊断结果。
表10贝叶斯网络验证结果——实际工况(数据波动情况b)
| 故障模式 | 故障概率 |
| 二级吸气阀堵塞 | 3.30E-05 |
| 二级气缸活塞杆跳动 | 0.000157 |
| 二级排气阀堵塞 | 3.30E-05 |
| 二级排气阀泄漏 | 3.30E-05 |
| 曲轴断裂 | 0.003892 |
| 一级气缸活塞环漏气 | 1.26E-03 |
| 一级吸气阀堵塞 | 9.05E-07 |
| 润滑油过滤器堵塞 | 0.002847 |
| 一级排气阀泄漏 | 9.05E-07 |
| 润滑油系统泄漏 | 0.055426 |
| 轴承过热 | 0.002847 |
| 二级气缸活塞环漏气 | 0.001263 |
| 二级吸气阀泄漏 | 2.99E-05 |
| 过滤器堵塞 | 5.61E-11 |
| 一级排气阀堵塞 | 9.05E-07 |
| 一级气缸活塞杆跳动 | 0.000157 |
| 一级吸气阀泄漏 | 6.12E-05 |
应当理解，本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例，本领域普通技术人员应当理解，在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下，可以做出各种形式和细节的改变。
Claims (6)
1.一种基于故障知识库和贝叶斯网络的设备故障诊断方法，其特征在于，包括以下步骤：
通过收集专家经验对BOG压缩机的故障模式进行故障识别，依据故障识别的结果建立BOG压缩机的故障知识库；
依据故障知识库中的故障表现建立故障模式与故障表现之间互相推理的贝叶斯网络模型；
依据所建立的贝叶斯网络模型，对设备的在线参数进行推理分析，得到设备每种故障模式的可能发生的概率并输出显示，对故障概率超过指定阈值的故障模式给出相应的报警信号。
2.如权利要求1所述的基于故障知识库和贝叶斯网络的设备故障诊断方法，其特征在于，每一条故障知识包含故障部件、故障模式、故障表现参数以及故障机理。
3.如权利要求2所述的基于故障知识库和贝叶斯网络的设备故障诊断方法，其特征在于，由故障知识库共整理得到故障模式和故障表现参数，作为建立贝叶斯网络的故障节点。
4.如权利要求1至3任一所述的基于故障知识库和贝叶斯网络的设备故障诊断方法，其特征在于，贝叶斯网络模型的架构建立流程包括：
初始化网络的节点；
依据故障知识条，将故障模式节点与故障表现参数节点之间建立联系；
依据以上算法流程，建立压缩机的“故障——征兆”贝叶斯网络模型的基本架构；
计算各故障模式下的故障表现参数的联合概率，为计算联合概率分布，将故障模式和故障表现参数进行离散化处理；
依据专家经验将参数的具体表现转化为概率分布输入贝叶斯网络结构中。
5.如权利要求1所述的基于故障知识库和贝叶斯网络的设备故障诊断方法，其特征在于，依据所建立的贝叶斯网络模型，对设备的在线参数进行推理分析包括在线监测数据模糊处理。
6.如权利要求5所述的基于故障知识库和贝叶斯网络的设备故障诊断方法，其特征在于，所述在线监测数据模糊处理包括将各个故障的表现参数模糊处理后输入到贝叶斯网络中，处理流程包括：
统计压缩机正常运行历史数据中各个参数的均值和方差；
假设各个故障表现参数服从正态分布，将其标准化；
标准化后参数的数值区间与参数分布区间相对应。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910981587.1A CN110909763A (zh) | 2019-10-16 | 2019-10-16 | 基于故障知识库和贝叶斯网络的设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910981587.1A CN110909763A (zh) | 2019-10-16 | 2019-10-16 | 基于故障知识库和贝叶斯网络的设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110909763A true CN110909763A (zh) | 2020-03-24 |
Family
ID=69815586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910981587.1A Pending CN110909763A (zh) | 2019-10-16 | 2019-10-16 | 基于故障知识库和贝叶斯网络的设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909763A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780566A (zh) * | 2021-06-23 | 2021-12-10 | 核动力运行研究所 | 一种贝叶斯网络参数初始化方法 |
| CN116415662A (zh) * | 2023-06-12 | 2023-07-11 | 四川云申至诚科技有限公司 | 一种基于知识发现的工厂专家系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867105A (zh) * | 2012-06-29 | 2013-01-09 | 常州大学 | 一种城市天然气管道失效多因素多态概率分析方法及其应用 |
| CN105547717A (zh) * | 2015-12-04 | 2016-05-04 | 哈尔滨工程大学 | 基于贝叶斯网络的柴油机润滑系统故障诊断方法 |
| CN106555788A (zh) * | 2016-11-11 | 2017-04-05 | 河北工业大学 | 基于模糊处理的深度学习在液压装备故障诊断中的应用 |
| CN110245856A (zh) * | 2019-06-06 | 2019-09-17 | 中山大学 | 一种基于贝叶斯网络的lng安全风险评估系统 |
-
2019
- 2019-10-16 CN CN201910981587.1A patent/CN110909763A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867105A (zh) * | 2012-06-29 | 2013-01-09 | 常州大学 | 一种城市天然气管道失效多因素多态概率分析方法及其应用 |
| CN105547717A (zh) * | 2015-12-04 | 2016-05-04 | 哈尔滨工程大学 | 基于贝叶斯网络的柴油机润滑系统故障诊断方法 |
| CN106555788A (zh) * | 2016-11-11 | 2017-04-05 | 河北工业大学 | 基于模糊处理的深度学习在液压装备故障诊断中的应用 |
| CN110245856A (zh) * | 2019-06-06 | 2019-09-17 | 中山大学 | 一种基于贝叶斯网络的lng安全风险评估系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780566A (zh) * | 2021-06-23 | 2021-12-10 | 核动力运行研究所 | 一种贝叶斯网络参数初始化方法 |
| CN116415662A (zh) * | 2023-06-12 | 2023-07-11 | 四川云申至诚科技有限公司 | 一种基于知识发现的工厂专家系统 |
| CN116415662B (zh) * | 2023-06-12 | 2023-08-11 | 四川云申至诚科技有限公司 | 一种基于知识发现的工厂专家系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
| CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
| Amari et al. | Cost-effective condition-based maintenance using Markov decision processes | |
| CN102262690B (zh) | 一种混合故障预警模型的建模方法及建模系统 | |
| US10294869B2 (en) | System and method to enhance corrosion turbine monitoring | |
| CN108491860B (zh) | 页岩气压裂装备全生命周期实时可靠性动态评估方法及装置 | |
| CN107730117B (zh) | 一种基于异质数据综合分析的电缆检修预警方法及系统 | |
| CN109740930A (zh) | 维修策略制定及可靠度评估方法、终端和计算机存储介质 | |
| CN110909763A (zh) | 基于故障知识库和贝叶斯网络的设备故障诊断方法 | |
| CN115827411B (zh) | 一种用于自动化设备的在线监测及运维评估系统和方法 | |
| CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
| CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 | |
| CN116842811B (zh) | 基于数字孪生的车间产线能耗分析方法、装置及存储介质 | |
| CN113254249A (zh) | 冷站故障分析方法、装置、及存储介质 | |
| CN112379325A (zh) | 一种用于智能电表的故障诊断方法及系统 | |
| CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
| CN110956268A (zh) | 基于大数据的压缩机故障诊断方法 | |
| JPS62276470A (ja) | 機器・部品の寿命管理装置 | |
| CN107220712B (zh) | 一种基于马尔科夫过程的换流阀状态监测和检修决策的方法及系统 | |
| CN118244709A (zh) | 关联故障设备及影响因素获取方法、装置及异常处理系统 | |
| CN117952598A (zh) | 一种基于故障率近似的能源系统安全性评估分析方法及装置 | |
| CN111144639A (zh) | 一种基于alln算法的地铁设备故障预测方法及系统 | |
| US20170357223A1 (en) | System and method to enhance turbine monitoring with environmental information | |
| CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
| Kenyon et al. | Development of an intelligent system for detection of exhaust gas temperature anomalies in gas turbines |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211115 Address after: 266400 floors 21-23, building 1, excellence Financial Plaza, 197 Shuangzhu Road, Huangdao District, Qingdao, Shandong Province Applicant after: SINOPEC QINGDAO LIQUEFACTION NATURAL GAS Co.,Ltd. Applicant after: TSINGHUA University Address before: 266400 floors 21-23, building 1, excellence Financial Plaza, 197 Shuangzhu Road, Huangdao District, Qingdao, Shandong Province Applicant before: SINOPEC QINGDAO LIQUEFACTION NATURAL GAS Co.,Ltd. Applicant before: TSINGHUA University Applicant before: Shanghai Xiangtong Petrochemical Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220708 Address after: 100020 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Applicant after: CHINA PETROLEUM & CHEMICAL Corp. Applicant after: Tsinghua University Address before: 266400 floors 21-23, building 1, excellence Financial Plaza, 197 Shuangzhu Road, Huangdao District, Qingdao, Shandong Province Applicant before: SINOPEC QINGDAO LIQUEFACTION NATURAL GAS Co.,Ltd. Applicant before: Tsinghua University |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |