CN113780566A - 一种贝叶斯网络参数初始化方法 - Google Patents
一种贝叶斯网络参数初始化方法 Download PDFInfo
- Publication number
- CN113780566A CN113780566A CN202110694900.0A CN202110694900A CN113780566A CN 113780566 A CN113780566 A CN 113780566A CN 202110694900 A CN202110694900 A CN 202110694900A CN 113780566 A CN113780566 A CN 113780566A
- Authority
- CN
- China
- Prior art keywords
- fault
- bayesian network
- symptom
- node
- conditional probability
- 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
- 238000011423 initialization method Methods 0.000 title claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 208000024891 symptom Diseases 0.000 claims description 133
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 239000010687 lubricating oil Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明属于设备故障智能诊断领域,具体涉及一种贝叶斯网络参数初始化方法。专家知识对贝叶斯网络参数只能进行大范围约束,需通过人为分析并不断计算才能得出贝叶斯网络参数,需耗费大量时间及精力。本发明包括如下三个步骤:步骤1:贝叶斯网络诊断模型的建立。步骤2:模拟故障样本库的生成。依据设备的专家知识形成诊断规则,再依据诊断规则得到模拟“征兆状态‑故障后验概率”组合,生成模拟故障样本库。步骤3:诊断模型条件概率的优化。本发明从专家知识中获取诊断模型的先验知识,并依据迭代学习的方法对贝叶斯网络诊断模型的条件概率参数进行学习,计算出符合已有先验知识下贝叶斯网络的初始化参数。
Description
技术领域
本发明属于设备故障智能诊断领域,具体涉及一种贝叶斯网络参数初始化方法。
背景技术
核主泵是压水堆核电站的关键设备之一,准确、快速地诊断出主泵故障对核电站安全、高效地运行起着重要的作用。贝叶斯网络将图论和概率论相结合,有着强大的理论基础。与神经网络、支持向量机、决策树等众多的人工智能方法相比,贝叶斯网络更容易融入专家经验和领域知识,具有直观且易于理解的知识表示方法,具有强大的不确定性建模能力以及模仿人类大脑进行推理的能力。因此,基于贝叶斯网络的故障诊断方法在核电现场有一定的应用价值。
但由于核主泵样本数据积累不足,无法根据已有故障样本数据采用统计的方法计算出贝叶斯网络的参数。针对基于小数据集的贝叶斯网络参数学习问题,目前主流方法是引入专家知识来弥补样本数据量的不足。通过引入专家知识对贝叶斯网络的参数进行约束,进而学习出贝叶斯网络参数。
专家知识对贝叶斯网络参数只能进行大范围约束,需通过人为分析并不断计算才能得出贝叶斯网络参数,需耗费大量时间及精力。因此,为了能够地确定合适的初始化贝叶斯网络参数,本发明提出了一种基于专家知识设置初始化的贝叶斯网络参数的方法。
发明内容
本发明的目的是为了解决缺乏样本数据条件下贝叶斯网络诊断模型设置网络参数困难的问题,提出了一种基于专家知识设置初始化贝叶斯网络参数的方法。本发明从专家知识中获取诊断模型的先验知识,并依据迭代学习的方法对贝叶斯网络诊断模型的条件概率参数进行学习,计算出符合已有先验知识下贝叶斯网络的初始化参数。
一种贝叶斯网络参数初始化方法,包括以下三个步骤:
步骤1:建立贝叶斯网络诊断模型,确定待研究设备的故障类型和征兆类型,明确各故障相关联的征兆,并初步明确诊断模型各项参数,从而建立贝叶斯网络诊断模型;
步骤2:生成模拟故障样本库,依据设备的专家知识形成诊断规则,再依据诊断规则得到模拟“征兆状态-故障后验概率”组合,生成模拟故障样本库;
步骤3:优化诊断模型条件概率,基于模拟故障样本库,建立贝叶斯网络初始化参数自学习算法,对诊断模型的条件概率参数进行优化。
所述的步骤1中所述建立贝叶斯网络诊断模型,其具体做法为:(1)根据待研究设备的相关信息,确定其故障类型和征兆类型,从而确定贝叶斯网络诊断模型的所有故障节点集F和征兆节点集S;(2)并通过对待研究设备的专家知识分析,明确贝叶斯网络诊断模型中各故障节点和征兆节点相互对应的关联关系,建立征兆节点与故障节点连接线/边集合E,从而建立贝叶斯网络诊断模型的结构;(3)结合设备的专家知识初步确定故障节点的先验概率集B和征兆节点的条件概率集C,从而完成贝叶斯网络诊断模型的建立。
所述的步骤1:建立贝叶斯网络诊断模型,根据公式1贝叶斯网络诊断模型由故障节点集F、征兆节点集S、征兆节点与故障节点连接边集合E、故障节点的先验概率集B和征兆节点的条件概率集C五大部分组成:
BN=(F,S,E,B,C) 公式1
其中,各个符号具体含义如下所示:
BN:表示基于贝叶斯网络的故障诊断模型
F:表示诊断模型中所有故障节点集合,fi表示第i个故障节点,F={fi}i=1,…,M
S:表示诊断模型中所有征兆节点集合,sj表示第j个征兆节点,S={sj}j=1,…,N
E:表示各故障节点与关联的征兆节点的连接边集合,ei,j表示第i个故障节点关联第j个征兆节点,E={ei,j}i=1,…,M;j=1,…,N
B:表示各个故障节点的先验概率集合,bi表示第i个故障节点的先验概率,B={bi}i=1,…,M
C:表示各个征兆节点的条件概率表集合,cj表示第j个征兆节点的条件概率表,C={cj}j=1,…,N。
所述的步骤1中“确定先验概率集B”具体包括:结合专家知识和故障案例样本数据确定在设备运行过程中不同故障发生概率的排序大小,再依据故障发生概率排序大小设置先验概率集B。
所述的步骤2中生成模拟故障样本库,其具体做法是:基于设备的专家知识确定故障节点fi的关联征兆集合Si:
Si={sk}k∈[1,N] 公式2
令H(sk)表示征兆节点sk当前所属的征兆状态,H(sk)=0表示征兆节点sk的征兆状态为未发生,H(sk)=1表示征兆节点sk的征兆状态为发生;
当Si中含有x(1≤x≤N)个征兆节点时,基于贝叶斯网络原理Si的状态集合W如公式3所示,含有2t种征兆状态组合:
其中,wq表示W中第q种征兆状态组合。
参考上述建立故障fi的模拟样本集gi的步骤,依次确定故障样本集F中所有故障的模拟样本集,从而建立模拟故障样本库G,如公式5所示
G={gi}i=1,…,M 公式5
所述的故障的后验概率分三级:1级表明该征兆状态组合条件下故障发生,其后验概率设置范围为大于等于0.8;2级该征兆状态组合条件下不确定故障是否发生,其后验概率设置范围为0.4~0.8;3级该征兆状态组合条件下故障不发生,其后验概率设置范围为小于等于0.4。
所述的故障fi设置后验概率时,先确定各种关联征兆状态组合情况下故障fi的后验概率属于几级,再结合故障的先验知识确定故障节点集F中各个故障后验概率的排序大小,确定各个故障的后验概率数值。
所述的步骤3诊断模型条件概率的优化,其具体方法流程是:首先,生成贝叶斯网络诊断模型的条件概率表候选集合L(C);再依据条件概率优化算法确定L(C)中最优的贝叶斯网络诊断模型的条件概率表集合C。
所述的生成条件概率表候选集合L(C)的具体做法为:当征兆节点sj关联t个故障节点时,依据贝叶斯网络原理,征兆节点sj的条件概率表cj需要确定2t个条件概率αk,即条件概率表cj如公式6所示:
令生成条件概率αk的间隔精度为δ,迭代生成cj中每个条件概率αk的候选数值集合L(αk),如公式7所示:
基于αk的候选数值集合L(αk)确定cj的候选集合L(cj)如公式8所示:
基于每个征兆节点条件概率表cj的候选集合L(cj),得出贝叶斯网络诊断模型的条件概率候选集L(C),如公式9所示:
其中,βn表示L(C)中第n种贝叶斯网络诊断模型的条件概率表集合C。
所述的步骤3中条件概率优化流程步骤为:
(1)选择L(C)中一种条件概率集合βn输入到贝叶斯网络诊断模型中,组成贝叶斯网络诊断模型BNn=(F,S,E,B,C=βn);
(2)把故障模拟样本库中所有征兆状态组合L(W)依次输入到贝叶斯网络诊断模型BNn中,计算实际的故障后验概率集合L(Pan),如公式10所示
(3)计算实际的故障后验概率集合L(Pan)与G中预测的故障后验概率集合L(PF)之间的误差ern;其中,误差ern的计算方法是将L(Pan)和L(PF)中各个征兆状态对应的后验概率求差并平方,再除以各个后验概率集合中故障后验概率的总个数
(4)记录误差ern并保存在列表L(ern)中;
附图说明
图1为一种基于专家知识的贝叶斯网络参数优化方法的条件概率优化方法流程图;
图2为一种基于专家知识的贝叶斯网络参数优化方法实施例中的诊断模型示例图。
具体实施方式
为更清晰理解本发明,以下以某核电厂的主泵轴承故障案例并结合附图对本发明做进一步的说明。
本发明专利是一种基于专家知识的贝叶斯网络的参数初始化方法,流程如附图1所示,包括以下三个步骤:
步骤1:贝叶斯网络诊断模型的建立。确定待研究设备的故障类型和征兆类型,明确各故障相关联的征兆,并初步明确诊断模型各项参数,从而建立贝叶斯网络诊断模型。
步骤2:模拟故障样本库的生成。依据设备的专家知识形成诊断规则,再依据诊断规则得到模拟“征兆状态-故障后验概率”组合,生成模拟故障样本库。
步骤3:诊断模型条件概率的优化。基于模拟故障样本库,建立贝叶斯网络初始化参数自学习算法对诊断模型的条件概率参数进行优化。
其中,步骤1中“贝叶斯网络诊断模型”,其具体内容可由公式(1)进行表示,贝叶斯网络诊断模型由故障节点集F、征兆节点集S、征兆节点与故障节点连接边集合E、故障节点的先验概率集B和征兆节点的条件概率集C五大部分组成。
BN=(F,S,E,B,C)公式(1)
其中,各个符号具体含义如下所示:
BN:表示基于贝叶斯网络的故障诊断模型。
F:表示诊断模型中所有故障节点集合,fi表示第i个故障节点,F={fi}i=1,…,M。
S:表示诊断模型中所有征兆节点集合,sj表示第j个征兆节点,S={sj}j=1,…,N。
E:表示各故障节点与关联的征兆节点的连接边集合,ei,j表示第i个故障节点关联第j个征兆节点,E={ei,j}i=1,…,M;j=1,…,N。
B:表示各个故障节点的先验概率集合,bi表示第i个故障节点的先验概率,B={bi}i=1,…,M。
C:表示各个征兆节点的条件概率表集合,cj表示第j个征兆节点的条件概率表,C={cj}j=1,…,N。
其中,步骤1中所述“贝叶斯网络诊断模型的建立”,其具体做法为:根据待研究设备的相关信息,确定其故障类型和征兆类型,从而确定贝叶斯网络诊断模型的所有故障节点集F和征兆节点集S。并通过对待研究设备的专家知识分析,明确贝叶斯网络诊断模型中各故障节点和征兆节点相互对应的关联关系,建立征兆节点与故障节点连接线/边集合E,从而建立贝叶斯网络诊断模型的结构。再结合设备的专家知识初步确定故障节点的先验概率集B和征兆节点的条件概率集C,从而完成贝叶斯网络诊断模型的建立。
其中,步骤1中“确定先验概率集B”的具体做法是:结合专家知识和故障案例样本数据确定在设备运行过程中不同故障发生概率的排序大小,再依据故障发生概率排序大小设置先验概率集B。
其中,步骤2中“模拟故障样本库的生成”,其具体做法是:基于设备的专家知识确定故障节点fi的关联征兆集合Si:
Si={sk}k∈[1,N] 公式(2)
令H(sk)表示征兆节点sk当前所属的征兆状态,H(sk)=0表示征兆节点sk的征兆状态为未发生,H(sk)=1表示征兆节点sk的征兆状态为发生。
当Si中含有x(1≤x≤N)个征兆节点时,基于贝叶斯网络原理Si的状态集合W如公式(2)所示,含有2t种征兆状态组合。
参考上述建立故障fi的模拟样本集gi的步骤,依次确定故障样本集F中所有故障的模拟样本集,从而建立模拟故障样本库G,如公式(5)所示。
G={gi}i=1,…,M 公式(5)
其中,为方便模拟故障库建立,不妨将故障的后验概率分三级:1级表明该征兆状态组合条件下故障发生,其后验概率设置范围为大于等于0.8;2级该征兆状态组合条件下不确定故障是否发生,其后验概率设置范围为0.4~0.8;3级该征兆状态组合条件下故障不发生,其后验概率设置范围为小于等于0.4。在设置故障fi的后验概率时先确定各种关联征兆状态组合情况下故障fi的后验概率属于几级,再结合故障的先验知识确定故障节点集F中各个故障后验概率的排序大小,确定各个故障的后验概率数值。
其中,步骤3中“诊断模型条件概率的优化”,其具体方法流程是:首先,生成贝叶斯网络诊断模型的条件概率表候选集合L(C);再依据条件概率优化算法确定L(C)中最优的贝叶斯网络诊断模型的条件概率表集合C。
其中,步骤3中“生成条件概率表候选集合L(C)”的具体做法为:当征兆节点sj关联t个故障节点时,依据贝叶斯网络原理,征兆节点sj的条件概率表cj需要确定2t个条件概率αk,即条件概率表cj如公式(6)所示。
令生成条件概率αk的间隔精度为δ,迭代生成cj中每个条件概率αk的候选数值集合L(αk),如公式(7)所示。
基于αk的候选数值集合L(αk)可以确定cj的候选集合L(cj)如公式(8)所示。
基于每个征兆节点条件概率表cj的候选集合L(cj),可以得出贝叶斯网络诊断模型的条件概率候选集L(C),如公式(9)所示。
其中,βn表示L(C)中第n种贝叶斯网络诊断模型的条件概率表集合C。
其中,步骤3中条件概率优化的流程如附图1所示,其流程步骤为:
(1)选择L(C)中一种条件概率集合βn输入到贝叶斯网络诊断模型中,组成贝叶斯网络诊断模型BNn=(F,S,E,B,C=βn)。
(2)把故障模拟样本库中所有征兆状态组合L(W)依次输入到贝叶斯网络诊断模型BNn中,计算实际的故障后验概率集合L(Pan),如公式(10)所示。
(3)计算实际的故障后验概率集合L(Pan)与G中预测的故障后验概率集合L(PF)之间的误差ern。
其中,误差ern的计算方法是将L(Pan)和L(PF)中各个征兆状态对应的后验概率求差并平方,再除以各个后验概率集合中故障后验概率的总个数。
(4)记录误差ern并保存在列表L(ern)中。
(5)重复上述四个步骤,计算出条件下对应的所有误差,筛选出列表L(ern)中最小值erm,并依据最小误差erm的下标m,从条件概率表候选集L(C)中选中对应条件概率集合βm,得到贝叶斯网络诊断模型的最优化参数。
具体实施例如下:
计算贝叶斯网络初始化参数的方法的具体实施步骤总共包括以下三步:
步骤1:建立贝叶斯网络诊断模型
基于主泵的专家知识可知,当主泵电机上导轴承故障,其轴承温度超过报警阈值,且对电机轴振动进行频谱分析,可以观测出轴承碰摩特征频率,即振动波形存在“削顶”现象,电机轴振动1、2、3、4倍频突增。同理,当主泵主推力轴承故障时,存在“电机轴振动存在轴承碰摩特征”和“主推力轴承温度超阈值”征兆。因此,建立附图2所示的贝叶斯网络诊断模型。
基于上述主泵轴承诊断规则,建立如公式(1)所示的贝叶斯网络诊断模型。其中,故障节点集F={f1,f2},征兆节点集S={s1,s2,s3},征兆节点与故障节点连接边集合E={e1,1,e1,2,e2,2,e2,3}。各个故障节点代号和征兆节点代号的具体含义如表1所示。其中,各个征兆节点的征兆状态均为二变量,以0和1分别表示该征兆未发生和发生。
表1 各代号具体含义
由于主泵轴承故障发生次数较少,缺乏故障案例,不妨将发生次数较少的电机上导轴承故障的先验概率设置为0.1。对于主推力轴承故障,其发生次数相对较多,且由于其受主泵轴向力影响,与一回路参数相关,发生可能性较大,可将其先验概率设置0.15。因此,故障发生的先验概率集合B={0.1,0.15}。
步骤2:建立模拟样本库
由步骤1中故障节点与征兆节点的关联关系可知故障节点f1的关联征兆集合S1={s1,s2}。其中,征兆节点s1和s2的状态变量均为二变量。因此,关联征兆集合S1的征兆状态集合W={(0,0),(0,1),(1,0),(1,1)}。
征兆“轴承温度超阈值”的可能原因有2个:①润滑油温度过高,润滑油润滑轴承时导致轴承温度超阈值;②轴承体损坏,磨损发热,导致轴承温度超阈值。并且当一个轴承出现磨损故障时,征兆s2发生。因此当征兆s1和s2同时发生,表明故障f1发生。仅其中一个征兆发生,不能确定故障f1发生。若两个征兆均未发生,表明故障f1不发生。
基于以上诊断规则并结合后验概率等级设置,确定各征兆状态下对应的故障f1发生的后验概率。例如,当征兆节点s1和s2的征兆状态均为1时,基于故障f1的诊断规则将其发生的后验概率设置为0.90,即v4=((1,1),0.90)。
同理可得v1=((0,0),0.02),v2=((0,1),0.05),v3=((1,0),0.90)。
因此,故障f1的模拟样本集g1的具体内容如表2所示。
表2 电机上导轴承故障模拟样本库g1
参考建立模拟样本集g1的步骤,确定故障f2的模拟样本集g2,其具体内容见表3。
表3 主推力轴承故障模拟样本库g2
依据g1和g2确定整个贝叶斯网络诊断模型的模拟故障样本库G,其具体内容如表4所示。
其中,模拟故障样本库G中所有征兆状态组合集合
L(W)={(0,0,0),(0,0,1),(0,1,0),(0,1,1),(1,0,0),(1,0,1),(1,1,0),(1,1,1)},
各个征兆状态对应的各个故障发生的后验概率集合
L(PF)={(0.02,0.02),(0.02,0.6),(0.05,0.1),(0.05,0.9),(0.48,0.02),(0.48,0.6),(0.9,0.1),(0.9,0.9)
表4 诊断模型的模拟故障样本库G
步骤3:诊断模型的条件概率优化。
首先,生成诊断模型的条件概率表候选集。由于征兆节点s1关联1个故障节点,依据贝叶斯网络原理,征兆节点s1的条件概率表c1如表5所示,其中需要确定2个条件概率α1和α2,即c1={α1,α2}。
表5 征兆s1的条件概率表c1
表5中H(f1)=0表示故障f1未发生,H(f1)=1表示故障f1发生。P(H(s1)=0|H(f1))表示对应故障状态下征兆s1不发生的条件概率,P(H(s1)=1|H(f1))表示对应故障状态下征兆s1发生的条件概率。
由于条件概率α1和α2的取值范围均属于L(αk),根据公式(8)可得c1的候选集合L(c1)={(0,0),(0.1,0),…,(1,0.99),(1,1)}。同理可求得条件概率表c2和c3的候选集合L(c2)和L(c3)。
通过对L(c1)、L(c2)和L(c3)中各种条件概率进行组合,得出整个诊断模型的条件概率候选集L(C)={[(0,0),(0,0,0,0),(0,0)],…}={βn}n=1,2,…。
基于诊断模型的条件概率候选集L(C),学习贝叶斯网络诊断模型最优条件概率的方法包含以下四个步骤。
(1)当βn=[(0.03,0.92),(0.05,0.8,0.8,0.9),(0.03,0.92)]时,根据公式(9)可推导出各征兆节点的条件概率表,其具体内容为:c1=(0.03,0.92),c2=(0.05,0.8,0.8,0.9),c3=(0.03,0.92)。将条件概率表c1、c2和c3输入贝叶斯网络中,形成贝叶斯网络诊断模型BNn=(F,S,E,B,C=βn)
表6 贝叶斯网络诊断模型BNn计算结果
(3)计算实际的故障后验概率集合L(Pan)与G中预测的故障后验概率集合L(PF)之间的误差erz。依据公式(11)计算表4和表6中相同征兆状态下故障f1和故障f2发生的后验概率之差的平方和,从而得出误差erz。
(4)参照前面三个步骤,计算出当βn为条件概率候选集L(C)中其余元素时对应的误差ern。依据所有误差结果可知,误差erz=0.004为所有误差中最小值。因此,该诊断模型的条件概率表的最优值为βz=[(0.03,0.92),(0.05,0.8,0.8,0.9),(0.03,0.92)]时对应的c1、c2和c3。
Claims (11)
1.一种贝叶斯网络参数初始化方法,其特征在于:包括以下三个步骤:
步骤1:建立贝叶斯网络诊断模型,确定待研究设备的故障类型和征兆类型,明确各故障相关联的征兆,并初步明确诊断模型各项参数,从而建立贝叶斯网络诊断模型;
步骤2:生成模拟故障样本库,依据设备的专家知识形成诊断规则,再依据诊断规则得到模拟“征兆状态-故障后验概率”组合,生成模拟故障样本库;
步骤3:优化诊断模型条件概率,基于模拟故障样本库,建立贝叶斯网络初始化参数自学习算法,对诊断模型的条件概率参数进行优化。
2.根据权利要求1所述的一种贝叶斯网络参数初始化方法,其特征在于:所述的步骤1中所述建立贝叶斯网络诊断模型,其具体做法为:(1)根据待研究设备的相关信息,确定其故障类型和征兆类型,从而确定贝叶斯网络诊断模型的所有故障节点集F和征兆节点集S;(2)并通过对待研究设备的专家知识分析,明确贝叶斯网络诊断模型中各故障节点和征兆节点相互对应的关联关系,建立征兆节点与故障节点连接线/边集合E,从而建立贝叶斯网络诊断模型的结构;(3)结合设备的专家知识初步确定故障节点的先验概率集B和征兆节点的条件概率集C,从而完成贝叶斯网络诊断模型的建立。
3.根据权利要求1所述的一种贝叶斯网络参数初始化方法,其特征在于:所述的步骤1:建立贝叶斯网络诊断模型,根据公式1贝叶斯网络诊断模型由故障节点集F、征兆节点集S、征兆节点与故障节点连接边集合E、故障节点的先验概率集B和征兆节点的条件概率集C五大部分组成:
BN=(F,S,E,B,C) 公式1
其中,各个符号具体含义如下所示:
BN:表示基于贝叶斯网络的故障诊断模型
F:表示诊断模型中所有故障节点集合,fi表示第i个故障节点,F={fi}i=1,…,M
S:表示诊断模型中所有征兆节点集合,sj表示第j个征兆节点,S={sj}j=1,…,N
E:表示各故障节点与关联的征兆节点的连接边集合,ei,j表示第i个故障节点关联第j个征兆节点,E={ei,j}i=1,…,M;j=1,…,N
B:表示各个故障节点的先验概率集合,bi表示第i个故障节点的先验概率,B={bi}i=1,…,M
C:表示各个征兆节点的条件概率表集合,cj表示第j个征兆节点的条件概率表,C={cj}j=1,…,N。
4.根据权利要求2所述的一种贝叶斯网络参数初始化方法,其特征在于:所述的步骤1中“确定先验概率集B”具体包括:结合专家知识和故障案例样本数据确定在设备运行过程中不同故障发生概率的排序大小,再依据故障发生概率排序大小设置先验概率集B。
7.根据权利要求6所述的一种贝叶斯网络参数初始化方法,其特征在于:所述的故障的后验概率分三级:1级表明该征兆状态组合条件下故障发生,其后验概率设置范围为大于等于0.8;2级该征兆状态组合条件下不确定故障是否发生,其后验概率设置范围为0.4~0.8;3级该征兆状态组合条件下故障不发生,其后验概率设置范围为小于等于0.4。
8.根据权利要求7所述的一种贝叶斯网络参数初始化方法,其特征在于:所述的故障fi设置后验概率时,先确定各种关联征兆状态组合情况下故障fi的后验概率属于几级,再结合故障的先验知识确定故障节点集F中各个故障后验概率的排序大小,确定各个故障的后验概率数值。
9.根据权利要求7所述的一种贝叶斯网络参数初始化方法,其特征在于:所述的步骤3诊断模型条件概率的优化,其具体方法流程是:首先,生成贝叶斯网络诊断模型的条件概率表候选集合L(C);再依据条件概率优化算法确定L(C)中最优的贝叶斯网络诊断模型的条件概率表集合C。
10.根据权利要求9所述的一种贝叶斯网络参数初始化方法,其特征在于:所述的生成条件概率表候选集合L(C)的具体做法为:当征兆节点sj关联t个故障节点时,依据贝叶斯网络原理,征兆节点sj的条件概率表cj需要确定2t个条件概率αk,即条件概率表cj如公式6所示:
令生成条件概率αk的间隔精度为δ,迭代生成cj中每个条件概率αk的候选数值集合L(αk),如公式7所示:
基于αk的候选数值集合L(αk)确定cj的候选集合L(cj)如公式8所示:
基于每个征兆节点条件概率表cj的候选集合L(cj),得出贝叶斯网络诊断模型的条件概率候选集L(C),如公式9所示:
其中,βn表示L(C)中第n种贝叶斯网络诊断模型的条件概率表集合C。
11.根据权利要求9所述的一种贝叶斯网络参数初始化方法,其特征在于:所述的步骤3中条件概率优化流程步骤为:
(1)选择L(C)中一种条件概率集合βn输入到贝叶斯网络诊断模型中,组成贝叶斯网络诊断模型BNn=(F,S,E,B,C=βn);
(2)把故障模拟样本库中所有征兆状态组合L(W)依次输入到贝叶斯网络诊断模型BNn中,计算实际的故障后验概率集合L(Pan),如公式10所示
(3)计算实际的故障后验概率集合L(Pan)与G中预测的故障后验概率集合L(PF)之间的误差ern;其中,误差ern的计算方法是将L(Pan)和L(PF)中各个征兆状态对应的后验概率求差并平方,再除以各个后验概率集合中故障后验概率的总个数
(4)记录误差ern并保存在列表L(ern)中;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694900.0A CN113780566A (zh) | 2021-06-23 | 2021-06-23 | 一种贝叶斯网络参数初始化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694900.0A CN113780566A (zh) | 2021-06-23 | 2021-06-23 | 一种贝叶斯网络参数初始化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780566A true CN113780566A (zh) | 2021-12-10 |
Family
ID=78835831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110694900.0A Pending CN113780566A (zh) | 2021-06-23 | 2021-06-23 | 一种贝叶斯网络参数初始化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780566A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008293199A (ja) * | 2007-05-23 | 2008-12-04 | Toshiba Corp | ベイジアンネットワーク情報処理装置およびベイジアンネットワーク情報処理プログラム |
EP2172880A1 (en) * | 2008-10-03 | 2010-04-07 | BAE Systems PLC | Assisting with updating a model for diagnosing failures in a system |
CN109829468A (zh) * | 2018-04-16 | 2019-05-31 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
CN110675849A (zh) * | 2019-09-11 | 2020-01-10 | 东北大学 | 基于贝叶斯网络生成Bossa Nova风格音乐节奏的方法 |
CN110795260A (zh) * | 2019-09-10 | 2020-02-14 | 武汉攀升鼎承科技有限公司 | 一种智能客户关怀系统 |
CN110909763A (zh) * | 2019-10-16 | 2020-03-24 | 中国石化青岛液化天然气有限责任公司 | 基于故障知识库和贝叶斯网络的设备故障诊断方法 |
CN111664083A (zh) * | 2020-05-29 | 2020-09-15 | 中核武汉核电运行技术股份有限公司 | 一种基于贝叶斯网络的核电主泵故障诊断方法 |
-
2021
- 2021-06-23 CN CN202110694900.0A patent/CN113780566A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008293199A (ja) * | 2007-05-23 | 2008-12-04 | Toshiba Corp | ベイジアンネットワーク情報処理装置およびベイジアンネットワーク情報処理プログラム |
EP2172880A1 (en) * | 2008-10-03 | 2010-04-07 | BAE Systems PLC | Assisting with updating a model for diagnosing failures in a system |
CN109829468A (zh) * | 2018-04-16 | 2019-05-31 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
CN110795260A (zh) * | 2019-09-10 | 2020-02-14 | 武汉攀升鼎承科技有限公司 | 一种智能客户关怀系统 |
CN110675849A (zh) * | 2019-09-11 | 2020-01-10 | 东北大学 | 基于贝叶斯网络生成Bossa Nova风格音乐节奏的方法 |
CN110909763A (zh) * | 2019-10-16 | 2020-03-24 | 中国石化青岛液化天然气有限责任公司 | 基于故障知识库和贝叶斯网络的设备故障诊断方法 |
CN111664083A (zh) * | 2020-05-29 | 2020-09-15 | 中核武汉核电运行技术股份有限公司 | 一种基于贝叶斯网络的核电主泵故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
吴立增, 朱永利, 苑津莎: "基于贝叶斯网络分类器的变压器综合故障诊断方法", 电工技术学报, no. 04 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Buragohain et al. | A novel approach for ANFIS modelling based on full factorial design | |
Zhao et al. | Remaining useful life prediction of aircraft engine based on degradation pattern learning | |
Aydin et al. | Using LSTM networks to predict engine condition on large scale data processing framework | |
Huang et al. | Bayesian reliability analysis for fuzzy lifetime data | |
Benardos et al. | Optimizing feedforward artificial neural network architecture | |
Li et al. | Data-driven bearing fault identification using improved hidden Markov model and self-organizing map | |
Di Maio et al. | Ensemble-approaches for clustering health status of oil sand pumps | |
Wang et al. | A hybrid optimization-based recurrent neural network for real-time data prediction | |
Diwaker et al. | Prediction of software reliability using bio inspired soft computing techniques | |
Tang et al. | A deep belief network-based fault detection method for nonlinear processes | |
Lechevalier et al. | A neural network meta-model and its application for manufacturing | |
Verma et al. | Gas turbine diagnostics using a soft computing approach | |
CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
Metenidis et al. | A novel genetic programming approach to nonlinear system modelling: application to the DAMADICS benchmark problem | |
Liu et al. | Multiple sensors based prognostics with prediction interval optimization via echo state Gaussian process | |
Słowik et al. | Multipopulation nature-inspired algorithm (MNIA) for the designing of interpretable fuzzy systems | |
Oliveira et al. | Applying particle swarm optimization algorithm for tuning a neuro-fuzzy inference system for sensor monitoring | |
Mao et al. | Comparative study on prediction of fuel cell performance using machine learning approaches | |
Samhouri et al. | An intelligent machine condition monitoring system using time-based analysis: neuro-fuzzy versus neural network | |
Brito et al. | Subjective machines: Probabilistic risk assessment based on deep learning of soft information | |
Bo et al. | A DNN-based reliability evaluation method for multi-state series-parallel systems considering semi-Markov process | |
Shiri et al. | Using long-term condition monitoring data with non-Gaussian noise for online diagnostics | |
CN113780566A (zh) | 一种贝叶斯网络参数初始化方法 | |
Jeng et al. | General type-2 fuzzy neural network with hybrid learning for function approximation | |
Pattnaik et al. | A survey on machine learning techniques used for software quality prediction |
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 |