Bayes網絡在故障診斷中的應用.pdf

1、目前,出于安全、高效生產的考慮,各個大型工廠基本上都對一些重要設備實施了實時監(jiān)控,由傳感器不斷地獲取機組運行狀態(tài)的各種參數(shù),并對這些參數(shù)進行有效地存儲,就形成了龐大的數(shù)據(jù)倉庫.人們關心的是從這些數(shù)據(jù)庫中我們可以發(fā)現(xiàn)什么樣的有價值的知識,這些知識以什么樣的形式表現(xiàn)出來.基于人們的這一關注,該文將貝葉斯網絡--數(shù)據(jù)挖掘的一種方法引入到故障診斷領域,以直觀的表達形式,有效地解決了數(shù)據(jù)庫中的知識發(fā)現(xiàn)問題.貝葉斯網絡以統(tǒng)計學為基礎,是數(shù)據(jù)挖掘技術

2、的一種方法.本質上貝葉斯網絡是一個有向無循環(huán)的圖表模型,直觀地表述了多個變量之間的依賴關系.它通過一個有向無循環(huán)表來描述各個節(jié)點之間的因果關系,通過一個條件概率分布表來描述各個節(jié)點之間的關系密切程度.并且,貝葉斯網絡可以有效地把先驗知識和現(xiàn)有數(shù)據(jù)結合起來,使得網絡的推理結果更加的合理.特別是在當前數(shù)據(jù)較少或者較難獲得的情況下,貝葉斯網絡的這一優(yōu)點更加明顯.結合故障診斷技術自身特點,該文組建了一個具有兩層結構的貝葉斯網絡模型,上層代表故障

3、節(jié)點,下層代表癥狀節(jié)點,且所有節(jié)點所對應的隨機變量都是二元矢量.在網絡模型結構已知的前提下,根據(jù)故障樣本數(shù)據(jù)的完整與否,我們采用不同的學習法則來有效地調整貝葉斯網絡模型的條件概率分布表,使之更符合特定機組的實際運行情況.同時一種簡化的推論法則被用來計算各個故障發(fā)生的后驗概率,這樣就可以有效地解決對故障數(shù)據(jù)的識別、分類問題.最后,利用轉子實驗臺的模擬故障數(shù)據(jù)對該網絡模型進行考核.結果表明,網絡模型的學習是有效的,其推理結果是和專家知識相一