CN117114102A - 一种基于贝叶斯网络和故障树的变压器故障诊断方法 - Google Patents
一种基于贝叶斯网络和故障树的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN117114102A CN117114102A CN202311324153.7A CN202311324153A CN117114102A CN 117114102 A CN117114102 A CN 117114102A CN 202311324153 A CN202311324153 A CN 202311324153A CN 117114102 A CN117114102 A CN 117114102A
- Authority
- CN
- China
- Prior art keywords
- fault
- bayesian network
- tree
- transformer
- nodes
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000013024 troubleshooting Methods 0.000 claims abstract description 4
- 230000001364 causal effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000011990 functional testing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 9
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开一种基于贝叶斯网络和故障树的变压器故障诊断方法,其包括:构建贝叶斯网络结构,依托于针对变压器的排故资料建立由测试节点、故障节点和部件节点构成的贝叶斯网络故障诊断模型;通过Nosiy‑Or算法,得出点对间的条件概率;通过进行联合树推理,完成由证据节点确定待预测故障原因节点的发生概率的工作;本发明将知识图谱应用到变压器故障诊断领域中,融合数据驱动方法和知识驱动方法的优点,以知识图谱为媒介存储故障树,实现对变压器故障的高效诊断,并根据故障类型为检修人员提供检测方法和维修建议;建立了变电设备故障诊断的贝叶斯网络与故障树,实现了多元信息的有效融合。
Description
技术领域
本发明涉及变压器故障诊断技术,尤其涉及一种基于贝叶斯网络和故障树的变压器故障诊断方法。
背景技术
随着我国电网规模的不断扩大,电网运行的复杂程度也急剧增加,变压器作为保障电网稳定运行的关键设备,其故障诊断方法仍较为传统,偏向于依靠规则和专家经验诊断,诊断的过程缺乏解释性和直观性,且在时效性、可靠性和通用性等方面也都难以满足复杂环境下变压器故障诊断的最新要求。目前,国内外变压器故障诊断分析方法主要现状和问题总结如下:(1)基于数学模型建模的变压器故障诊断方法,变压器内部组件众多、结构复杂且部件之间关联性较强,导致部分部件的故障数据信息是不完备的、不完整的,这类部件无法使用明确的数学模型;(2)基于有监督学习方法的变压器故障诊断方法,需要大量进行信息标注的故障标签数据,并且很多算法在数据质量上有很高的要求,且某些变压器数据获取难度较高;(3)基于无监督学习的变压器故障诊断方法,此类方法能够挖掘出多维关联变量之间的非线性映射关系,并以此构建诊断精度较高的故障诊断模型。但是存在着难以解释和缺乏可扩展性等缺陷。
因此,有必要发明一种基于贝叶斯网络和故障树的变压器故障诊断方法。考虑到变压器故障诊断过程可解释性的需求和数据获取不易的实际问题,本发明使用贝叶斯网络和故障树完成变压器故障诊断分析的过程。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例,在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
因此,本发明所要解决的技术问题将知识图谱应用到变压器故障诊断领域中,融合数据驱动方法和知识驱动方法的优点,以知识图谱为媒介存储故障树,实现对变压器故障的高效诊断,并根据故障类型为检修人员提供检测方法和维修建议。
为解决上述技术问题,本发明提供如下技术方案:一种基于贝叶斯网络和故障树的变压器故障诊断方法,其特征在于:包括构建贝叶斯网络结构,依托于针对变压器的排故资料建立由测试节点、故障节点和部件节点构成的贝叶斯网络故障诊断模型;进行贝叶斯网络推理,实现基于贝叶斯网络和故障树的变压器故障诊断;分析故障树内容,得到故障节点,确定功能试验和故障之间的影响关系,建立包含测试节点和故障节点的贝叶斯网络;所述贝叶斯网络结构使用知识图谱得到的Data数据中的结构数据,经过数据处理后,得到形式的数据以构建贝叶斯网络结构;
计算条件概率表,此部分使用的是Nosiy-Or算法,算法输入为根节点的先验概率,点对间的条件概率;
完成完整贝叶斯网络的构建,将前两部生成的贝叶斯网络结构, 条件概率表合并,得到完整的贝叶斯网络;
通过进行联合树推理,完成由证据节点确定待预测故障原因节点的发生概率的工作;通过故障树向贝叶斯网络转化的原理步骤:
(1)将检索得到的故障树结构作为贝叶斯网络的基本结构;
(2)依据故障案例和专家的先验知识对贝叶斯网络的先验概率赋值;
(3)依据Nosiy-Or算法对贝叶斯网络的条件概率表赋值。
作为本发明所述基于贝叶斯网络和故障树的变压器故障诊断方法的一种优选方案,所述Nosiy-Or算法是逻辑“或”的泛化,当所有前提条件都为假时,其结果事件为假;节点事件发生用“T”表示,不发生用“F”表示。用下式表示父节点X独立影响导致子节点Y发生的概率;
采用Nosiy-Or模型计算条件概率的公式如下:
在实现Nosiy-Or算法时,首先获得所有节点,然后除去根节点,因为先验概率由参数传入,随后循环剩下的节点,计算条件概率值。
作为本发明所述基于贝叶斯网络和故障树的变压器故障诊断方法的一种优选方案,所述贝叶斯网络可以根据观察到的数据来做假设改变网络中的先验数据,并逐步影响整个网络;联合树算法将有向图转换为树,从而减少计算的难度。
作为本发明所述基于贝叶斯网络和故障树的变压器故障诊断方法的一种优选方案,所述联合树算法的步骤:(1)将有向图转换为无向图;(2)将无向图三角化;(3)将三角化的图转换为树,组成一张联通图;(4)寻找这张图的根,并寻找最大生成树,从而得到最终的结果。
作为本发明所述基于贝叶斯网络和故障树的变压器故障诊断方法的一种优选方案,还包括故障诊断推理,故障诊断推理可以得出故障现象与故障原因间的因果关系,电气设备故障树构建的贝叶斯网络的规模,能够精确推理算法的耗时及联合树算法的效率。
本发明的有益效果:提供一种故障树即故障机理的存储方法,能够将变压器的故障机理知识持久化存储;根据变压器不同故障形成不同的检索条件,并检索neo4j数据库获取不同的故障树,并以此构建贝叶斯网络;依据故障机理进行故障推理并给出故障原因;将知识图谱应用到变压器故障诊断领域中,融合数据驱动方法和知识驱动方法的优点,以知识图谱为媒介存储故障树,实现对变压器故障的高效诊断,并根据故障类型为检修人员提供检测方法和维修建议。本发明不需要大量的标注知识,依靠导则和变压器故障案例等专家知识便可以获得变压器故障机理,获得较为完整的变压器故障机理;依靠贝叶斯网络和故障树进行变压器故障分析,具有较强的可解释性,故障分析过程与因果关系明确,对于变压器的故障分析具有更好的指导作用。针对变压器许多故障诊断方法具有黑箱特性,并未考虑故障机理,而造成诊断效果不佳的问题,建立了变电设备故障诊断的贝叶斯网络与故障树,实现了多元信息的有效融合。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明提供的一种实施例基于贝叶斯网络和故障树的变压器故障诊断方法的贝叶斯网络转化为树流程图;
图2为本发明提供的一种实施例基于贝叶斯网络和故障树的变压器故障诊断方法的变压器故障诊断分析流程图;
图3为本发明提供的一种实施例基于贝叶斯网络和故障树的变压器故障诊断方法的故障诊断推理实施流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
再其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1,参照图1-2,本发明第一个实施例,该实施例提供了一种基于贝叶斯网络和故障树的变压器故障诊断方法,包括构建贝叶斯网络结构,依托于针对变压器的排故资料建立由测试节点、故障节点和部件节点构成的贝叶斯网络故障诊断模型;进行贝叶斯网络推理,实现基于贝叶斯网络和故障树的变压器故障诊断;分析故障树内容,得到故障节点,确定功能试验和故障之间的影响关系,建立包含测试节点和故障节点的贝叶斯网络;所述贝叶斯网络结构使用知识图谱得到的Data数据中的结构数据,经过数据处理后,得到形式的数据以构建贝叶斯网络结构;
计算条件概率表,此部分使用的是Nosiy-Or算法,算法输入为根节点的先验概率,点对间的条件概率;
完成完整贝叶斯网络的构建,将前两部生成的贝叶斯网络结构, 条件概率表合并,得到完整的贝叶斯网络;
通过进行联合树推理,完成由证据节点确定待预测故障原因节点的发生概率的工作;
通过故障树向贝叶斯网络转化的原理步骤:
(1)将检索得到的故障树结构作为贝叶斯网络的基本结构;
(2)依据故障案例和专家的先验知识对贝叶斯网络的先验概率赋值;
(3)依据Nosiy-Or算法对贝叶斯网络的条件概率表赋值。
具体的,本发明的第一个技术方案是:采用neo4j数据库存储变压器故障机理,变压器的故障机理知识通过对大量文献的命名实体识别,关系抽取和人工总结形成。包括变压器各种故障之间的逻辑关系以及部件之间的关系。
本发明的第二个目的是提供一种贝叶斯网络构建方法,根据变压器不同故障形成不同的检索条件,并检索neo4j数据库获取不同的故障树,并以此构建贝叶斯网络。
本发明的第二个技术方案是:
(1).通过变压器的不同故障现象形成不同的检索语句,并查询neo4j数据库,获取故障树,并将故障树数据转化为=[{(点A,点B,概率)},{(根节点,先验概率)}, {证据节点:状态},{待查询节点}]的形式。
(2).通过{(点A,点B,概率)}形成贝叶斯网络的结构,通过{(点A,点B,概率)},{(根节点,先验概率)}以及Nosiy-Or算法计算条件概率表,最终形成完整的贝叶斯网络。
(3). 计算条件概率表,此部分使用的是Nosiy-Or算法,算法输入为根节点的先验概率,点对间的条件概率,数据形式为{(点A,点B,概率)}, {(根节点,先验概率)}。此算法将完成子节点条件概率的计算。特殊情况的处理:
(1)检查证据节点是否有0或1,有则继续检查是否与目标节点重合,若重合,则将重合目标节点的概率设为0或1。
(2)检查输入是否为一颗故障树,创建无向图,将节点和边加入到无向图中,判断无向图是否连通,若连通,则为一颗故障树。若不连通,在每个极大连通子图中重新检查证据节点与目标节点,并调用贝叶斯推理。
(3)检查目标节点,若某个目标节点包含在某个故障树中,则将这个目标节点当做这个故障树推理的目标节点。
(4)检查证据节点,当某个证据节点的发生概率不为1或0时,需要添加一个虚拟节点,由发生概率不为1或0的证据节点指向此虚拟节点,节点间的条件概率设置为发生概率,虚拟节点的发生概率为1。
(5)当只有一个节点时,推理结果为{节点:100%}。
(6)在只有一个连通分量时,贝叶斯推理的结果与特殊情况1中的结果合并后返回。当有多个连通分量时,将所有连通分量的推理结果与特殊情况1中的结果合并后返回。
本发明的第三个目的是依据故障机理进行故障推理并给出故障原因。本发明的第三个技术方案:
(1)获取证据节点及其状态,以及待查询的节点。
(2)在技术方案二获取的贝叶斯网络上执行联合树推理算法,获取待查询节点的故障概率。
(3)若诊断未结束,则通过技术方案二更新故障树,重新进行联合树推理。
通过所述Nosiy-Or算法是逻辑“或”的泛化,当所有前提条件都为假时,其结果事件为假;节点事件发生用“T”表示,不发生用“F”表示。用下式表示父节点X独立影响导致子节点Y发生的概率;
采用Nosiy-Or模型计算条件概率的公式如下:
在实现Nosiy-Or算法时,首先获得所有节点,然后除去根节点,随后循环剩下的节点,计算条件概率值。对此时的每个节点而言,需要确定其父节点,然后根据父节点与子节点确定参数中的节点间概率,因为先验概率由参数传入,随后循环剩下的节点,然后便可以计算条件概率值。所述贝叶斯网络可以根据观察到的数据来做假设改变网络中的先验数据,并逐步影响整个网络;联合树算法将有向图转换为树,从而减少计算的难度。所述联合树算法的步骤:(1)将有向图转换为无向图;(2)将无向图三角化;(3)将三角化的图转换为树,组成一张联通图;(4)寻找这张图的根,并寻找最大生成树,从而得到最终的结果。联合树推理算法的基本原理:
在贝叶斯网络确定之后,可以根据观察到的数据来做一系列假设,这些假设会改变网络中的先验数据,并逐步影响整个网络,联合树算法将有向图转换为树,从而减少计算的难度。联合树算法的步骤是:
(1)将有向图转换为无向图。将每个有共同子节点的父节点连接起来,把所有的有向边改为无向边。
(2)将无向图三角化。三角化问题,是指让图中不存在超过3个点的环。如果有,则需要增加边来破除。理想的三角化问题是指,通过增加最少的边来达到三角化的目的。然而这个问题是NPC的。三角化问题的解决比较简单,指定一个节点顺序,然后查看与这个节点相连的几个节点,是否属于三角区域。如果不属于的话,那么他们之间是否存在边。如果不存在则增加边将他们连接即可。三角化的结果是否简单,取决于查看节点的顺序。
(3)将三角化的图转换为树。每个三角都代表了一个节点。两个相临的三角具有共同的边。这条边就成为两个节点之间的中间节点。如此就组成一张联通图。
(4)寻找这张图的根,并寻找最大生成树,从而得到最终的结果。对于每个evidence variable,把它放到包括这个变量的表里,然后把所有不满足这个evidence的entry全设为0。接着做一个自底向上的迭代,对于每个叶子节点,给它的父节点发送一个信息,即相关的表,父节点得到信息后就将其跟自己的表相乘,依次往上迭代,直到根节点。之后再做一个自顶向下的迭代,类似的,父节点向子节点发送信息,子节点得到信息后将其与自己的表相乘,依次往下迭代,直到所有叶子节点收到信息。如果我们需要询问一个变量对应的概率,我们就找到跟这个变量相关的完全子图,把这些table(数据库控件)加起来去除掉其它变量的干扰,然后就得到了答案。我们可以直接在表中合并其它变量对应的维度,就得到某个变量的概率了。
实施例2,参照图3,本发明第二个实施例,该实施例提供了一种基于贝叶斯网络和故障树的变压器故障诊断方法,故障诊断推理是为了得出故障现象与故障原因间的因果关系。本发明采用贝叶斯网络作为故障诊断推理的工具。电气设备故障树构建的贝叶斯网络的规模并不大,精确推理算法的耗时可以接受。在这类算法中,联合树算法的效率比较高,所以我们采用联合树算法进行贝叶斯网络的推理。
综上,所建立的贝叶斯网络由知识图谱搜索结果转化而来,综合考虑了故障逻辑关系链、故障特征等多方面知识,使诊断结果更加科学;结合故障与特征间的逻辑关系、因果影响独立模型等对贝叶斯网络参数合理赋值,减少了主观因素的影响;采用联合树算法进行诊断推理,得出设备可能发生的故障概率。配合知识图谱技术实现了对变压器故障知识的充分利用。将知识图谱应用到变压器故障诊断领域中,融合数据驱动方法和知识驱动方法的优点,以知识图谱为媒介存储故障树,实现对变压器故障的高效诊断,并根据故障类型为检修人员提供检测方法和维修建议。
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。为了提供示例性实施方案的简练描述,可以不描述实际实施方案的所有特征(即,与当前考虑的执行本发明的最佳模式不相关的那些特征,或于实现本发明不相关的那些特征)。
应理解的是,在任何实际实施方式的开发过程中,如在任何工程或设计项目中,可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的,但对于那些得益于此公开内容的普通技术人员来说,不需要过多实验,所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于贝叶斯网络和故障树的变压器故障诊断方法,其特征在于:包括构建贝叶斯网络结构,依托于针对变压器的排故资料建立由测试节点、故障节点和部件节点构成的贝叶斯网络故障诊断模型;进行贝叶斯网络推理,实现基于贝叶斯网络和故障树的变压器故障诊断;分析故障树内容,得到故障节点,确定功能试验和故障之间的影响关系,建立包含测试节点和故障节点的贝叶斯网络;所述贝叶斯网络结构使用知识图谱得到的Data数据中的结构数据,经过数据处理后,得到形式的数据以构建贝叶斯网络结构;
计算条件概率表,使用的是Nosiy-Or算法,算法输入为根节点的先验概率,点对间的条件概率;
完成完整贝叶斯网络的构建,将前两部生成的贝叶斯网络结构, 条件概率表合并,得到完整的贝叶斯网络;
通过进行联合树推理,完成由证据节点确定待预测故障原因节点的发生概率的工作;通过故障树向贝叶斯网络转化的原理步骤:
(1)将检索得到的故障树结构作为贝叶斯网络的结构;
(2)依据故障案例和专家的先验知识对贝叶斯网络的先验概率赋值;
(3)依据Nosiy-Or算法对贝叶斯网络的条件概率表赋值。
2.根据权利要去1所述基于贝叶斯网络和故障树的变压器故障诊断方法,其特征在于,所述Nosiy-Or算法是逻辑的泛化,当所有前提条件都为假时,其结果事件为假;节点事件发生用“T”表示,不发生用“F”表示;用下式表示父节点X独立影响导致子节点Y发生的概率;
;
采用Nosiy-Or模型计算条件概率的公式如下:
;
在实现Nosiy-Or算法时,首先获得所有节点,然后除去根节点,因为先验概率由参数传入,随后循环剩下的节点,计算条件概率值。
3.根据权利要去1所述基于贝叶斯网络和故障树的变压器故障诊断方法,其特征在于,所述贝叶斯网络根据观察到的数据来做改变网络中的先验数据,并逐步影响整个网络;联合树算法将有向图转换为树,从而减少计算的难度。
4.根据权利要去3所述基于贝叶斯网络和故障树的变压器故障诊断方法,其特征在于,所述联合树算法的步骤:(1)将有向图转换为无向图;(2)将无向图三角化;(3)将三角化的图转换为树,组成一张联通图;(4)寻找这张图的根,并寻找最大生成树,从而得到最终的结果。
5.根据权利要去1所述基于贝叶斯网络和故障树的变压器故障诊断方法,其特征在于,还包括故障诊断推理,所述故障诊断推理得出故障现象与故障原因间的因果关系,电气设备故障树构建的贝叶斯网络的规模,能够精确推理算法的耗时及联合树算法的效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324153.7A CN117114102A (zh) | 2023-10-13 | 2023-10-13 | 一种基于贝叶斯网络和故障树的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324153.7A CN117114102A (zh) | 2023-10-13 | 2023-10-13 | 一种基于贝叶斯网络和故障树的变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114102A true CN117114102A (zh) | 2023-11-24 |
Family
ID=88813058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311324153.7A Pending CN117114102A (zh) | 2023-10-13 | 2023-10-13 | 一种基于贝叶斯网络和故障树的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114102A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108933694A (zh) * | 2018-06-09 | 2018-12-04 | 西安电子科技大学 | 基于拨测数据的数据中心网络故障节点诊断方法及系统 |
CN111597331A (zh) * | 2019-12-29 | 2020-08-28 | 东南大学 | 一种基于贝叶斯网络的裁判文书分类方法 |
CN111598352A (zh) * | 2020-05-25 | 2020-08-28 | 哈尔滨工业大学 | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 |
CN113312411A (zh) * | 2021-06-22 | 2021-08-27 | 中国电子科技集团公司第十四研究所 | 一种基于知识图谱和规则约束的装备故障原因诊断方法 |
CN114138982A (zh) * | 2021-12-02 | 2022-03-04 | 华北电力大学(保定) | 一种用于干式变压器故障诊断的知识图谱的构建方法 |
CN114281590A (zh) * | 2021-12-28 | 2022-04-05 | 中车信息技术有限公司 | 一种故障树的自动生成方法 |
CN114443856A (zh) * | 2022-01-12 | 2022-05-06 | 北京轩宇空间科技有限公司 | 一种故障树图片的故障知识图谱自动创建方法及装置 |
CN114692875A (zh) * | 2022-04-12 | 2022-07-01 | 华北电力大学 | 一种故障诊断用gis知识图谱的构建方法 |
CN114978876A (zh) * | 2022-04-21 | 2022-08-30 | 北京航空航天大学 | 一种面向功能试验的民机通信系统贝叶斯故障诊断方法 |
CN115511119A (zh) * | 2022-09-19 | 2022-12-23 | 常州英集动力科技有限公司 | 基于知识图谱和贝叶斯的供热系统智能诊断方法及系统 |
CN115857469A (zh) * | 2022-11-30 | 2023-03-28 | 江西科骏实业有限公司 | 工业设备故障知识库构建方法、装置及故障诊断方法与系统 |
CN116049642A (zh) * | 2022-12-29 | 2023-05-02 | 南华大学 | 一种故障诊断方法、系统、电子设备及计算机存储介质 |
CN116108202A (zh) * | 2023-01-16 | 2023-05-12 | 国网上海市电力公司 | 基于关系图谱的用采系统数据攻击行为建模方法 |
CN116205341A (zh) * | 2022-12-30 | 2023-06-02 | 迈创企业管理服务股份有限公司 | 一种利用贝叶斯模型对手机备件耗用量中长期预测的方法 |
CN116738334A (zh) * | 2023-06-12 | 2023-09-12 | 中国电子科技集团公司第五十四研究所 | 一种基于dbn和topsis法的空中多目标威胁评估方法 |
-
2023
- 2023-10-13 CN CN202311324153.7A patent/CN117114102A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108933694A (zh) * | 2018-06-09 | 2018-12-04 | 西安电子科技大学 | 基于拨测数据的数据中心网络故障节点诊断方法及系统 |
CN111597331A (zh) * | 2019-12-29 | 2020-08-28 | 东南大学 | 一种基于贝叶斯网络的裁判文书分类方法 |
CN111598352A (zh) * | 2020-05-25 | 2020-08-28 | 哈尔滨工业大学 | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 |
CN113312411A (zh) * | 2021-06-22 | 2021-08-27 | 中国电子科技集团公司第十四研究所 | 一种基于知识图谱和规则约束的装备故障原因诊断方法 |
CN114138982A (zh) * | 2021-12-02 | 2022-03-04 | 华北电力大学(保定) | 一种用于干式变压器故障诊断的知识图谱的构建方法 |
CN114281590A (zh) * | 2021-12-28 | 2022-04-05 | 中车信息技术有限公司 | 一种故障树的自动生成方法 |
CN114443856A (zh) * | 2022-01-12 | 2022-05-06 | 北京轩宇空间科技有限公司 | 一种故障树图片的故障知识图谱自动创建方法及装置 |
CN114692875A (zh) * | 2022-04-12 | 2022-07-01 | 华北电力大学 | 一种故障诊断用gis知识图谱的构建方法 |
CN114978876A (zh) * | 2022-04-21 | 2022-08-30 | 北京航空航天大学 | 一种面向功能试验的民机通信系统贝叶斯故障诊断方法 |
CN115511119A (zh) * | 2022-09-19 | 2022-12-23 | 常州英集动力科技有限公司 | 基于知识图谱和贝叶斯的供热系统智能诊断方法及系统 |
CN115857469A (zh) * | 2022-11-30 | 2023-03-28 | 江西科骏实业有限公司 | 工业设备故障知识库构建方法、装置及故障诊断方法与系统 |
CN116049642A (zh) * | 2022-12-29 | 2023-05-02 | 南华大学 | 一种故障诊断方法、系统、电子设备及计算机存储介质 |
CN116205341A (zh) * | 2022-12-30 | 2023-06-02 | 迈创企业管理服务股份有限公司 | 一种利用贝叶斯模型对手机备件耗用量中长期预测的方法 |
CN116108202A (zh) * | 2023-01-16 | 2023-05-12 | 国网上海市电力公司 | 基于关系图谱的用采系统数据攻击行为建模方法 |
CN116738334A (zh) * | 2023-06-12 | 2023-09-12 | 中国电子科技集团公司第五十四研究所 | 一种基于dbn和topsis法的空中多目标威胁评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112612902A (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
CN107391542B (zh) | 一种基于文件知识图谱的开源软件社区专家推荐方法 | |
CN106651188A (zh) | 一种输变电设备多源状态评估数据处理方法及其应用 | |
CN113935562A (zh) | 一种电力设备健康状况智能评级与自动预警方法 | |
CN101093559A (zh) | 一种基于知识发现的专家系统构造方法 | |
CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
CN112487033A (zh) | 一种面向数据流及构建网络拓扑的业务可视化方法及系统 | |
CN112685570B (zh) | 一种基于多标签图的电网网架知识图谱的构建方法 | |
CN111639191A (zh) | 一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法 | |
CN103793589B (zh) | 一种高速列车故障处理方法 | |
Yun et al. | Research on intelligent fault diagnosis of power acquisition based on knowledge graph | |
CN115511119A (zh) | 基于知识图谱和贝叶斯的供热系统智能诊断方法及系统 | |
CN114138759A (zh) | 基于知识图谱推理的二次设备故障处理推送方法及系统 | |
CN107798146A (zh) | 一种基于子图近似同构的学习资源本体匹配方法 | |
CN111680205A (zh) | 一种基于事理图谱的事件演化分析方法及装置 | |
CN117114102A (zh) | 一种基于贝叶斯网络和故障树的变压器故障诊断方法 | |
CN115618007A (zh) | 基于知识图谱的监察数据分析系统 | |
CN116225752A (zh) | 基于故障模式库的微服务系统故障根因分析方法及系统 | |
Li et al. | Root cause analysis of anomalies based on graph convolutional neural network | |
CN108960401A (zh) | 一种面向Web服务计算环境的数据细胞自愈方法 | |
Lin et al. | A method of satellite network fault synthetic diagnosis based on C4. 5 algorithm and expert knowledge database | |
Patraşcu et al. | On dynamic bit-probe complexity | |
Miao et al. | Intelligent auxiliary operation and maintenance system of power communication network based on knowledge graph | |
Chen et al. | An Attribute Reduction Algorithm Based on Rough Set Theory and an Improved Genetic Algorithm. | |
CN117668259B (zh) | 基于知识图谱的内外规数据联动分析方法及装置 |
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 |