基于貝葉斯網絡的故障智能診斷方法研究.pdf

1、在故障診斷領域，不確定性問題占多數(shù)，主要是由診斷對象的復雜性、測試手段的局限性、知識的不精確等原因導致的。特別是汽輪發(fā)電機組這樣大型復雜的機電設備，其構件之間以及構件內部都存在很多錯綜復雜、關聯(lián)耦合的相互關系，不確定因素和不確定信息充斥其間，其故障可能是多故障、關聯(lián)故障等多種復雜形式。因此，解決不確定性問題是目前汽輪發(fā)電機組故障診斷中的首要問題。 常用的解決不確定性問題的方法包括貝葉斯方法、粗糙集理論、證據(jù)理論等，經AgreG等

2、多位專家的分析研究，發(fā)現(xiàn)基于貝葉斯理論的貝葉斯網絡是目前解決不確定性問題的最有效的方法。 本文研究了貝葉斯網絡的最新發(fā)展，包括貝葉斯網絡的表示、學習和推理。就貝葉斯網絡推理進行了深入研究，提出了貝葉斯網絡的簡化推理算法。為克服簡化推理算法占用內存的問題，提出了應用深度優(yōu)先分支定界法以很小的時間代價換取較大內存空間，解決了簡化算法的內存分配問題，具有很強的實用價值。 以汽輪發(fā)電機組故障診斷中的不確定性問題為研究背景，系統(tǒng)地

3、回顧了故障診斷的常用方法，闡述了汽輪發(fā)電機組常見的異常振動并對振動信號的頻域特征進行了分析。提出了用于解決不確定性問題的故障診斷網絡模型，并對模型的知識表達、建造方法進行了深入研究。 提出了基于主成分分析方法與貝葉斯網絡的汽輪發(fā)電機組故障診斷方法，采用主成分分析方法對易于提取的故障特征進行處理，從而獲得初步的故障模式傾向，然后將獲得的故障模式傾向作為貝葉斯網絡模型的故障征兆節(jié)點，進一步進行診斷分析。該方法既避免了單獨使用主成分分

4、析法指標體系確定難的問題，又可以通過貝葉斯網絡模型更好的把各種特征結合起來進行診斷分析，從而提高了診斷結果的可靠性。 基于智能互補融合的思想將粗糙集理論與貝葉斯網絡有機結合在一起，提出了一種汽輪發(fā)電機組故障診斷的新方法。利用粗糙集理論的知識約簡技術對專家知識和故障特征進行壓縮，去除冗余信息，獲得最小診斷規(guī)則。同時利用貝葉斯網絡來發(fā)現(xiàn)節(jié)點間的潛在關系，建立汽輪發(fā)電機組故障診斷的貝葉斯網絡模型，在保證診斷結果準確率的基礎上，縮減了冗