基于Auto MPG数据集的贝叶斯网络分类器建模及性能分析

基于实现实例集分类任务的朴素贝叶斯网络分类器、增强朴素贝叶斯网络分类器、树形朴素贝叶斯网络分类器、无监督贝叶斯网络分类器和条件贝叶斯网络分类器的建模方法,利用从UCI数据库中选取的Auto MPG数据集对5类贝叶斯网络分类器的分类效果进行实验比较,根据实验结果分析该5类贝叶斯分类器的性能和特征,验证模型的有效性。     

基于Auto MPG数据集的贝叶斯网络分类器建模及性能分析

基于实现实例集分类任务的朴素贝叶斯网络分类器、增强朴素贝叶斯网络分类器、树形朴素贝叶斯网络分类器、无监督贝叶斯网络分类器和条件贝叶斯网络分类器的建模方法,利用从UCI数据库中选取的Auto MPG数据集对5类贝叶斯网络分类器的分类效果进行实验比较,根据实验结果分析该5类贝叶斯分类器的性能和特征,验证模型的有效性。     

基于FMECA知识的故障诊断贝叶斯网络建模研究

为了构建具有较完备知识的贝叶斯网络诊断模型,提出了一种基于FMECA知识的故障诊断贝叶斯网络建模方法,该方法根据产品FMECA分析所得故障模式、故障原因、故障影响之间的因果关系构建贝叶斯网络拓扑结构,通过历史数据确定网络各节点的先验概率和条件概率分布,进而利用建立的贝叶斯网络进行故障诊断推理决策,最后通过某型飞机平视显示器的故障诊断贝叶斯网络建模及诊断实例,验证了方法的正确性及可行性。     

基于FMECA知识的故障诊断贝叶斯网络建模研究

为了构建具有较完备知识的贝叶斯网络诊断模型,提出了一种基于FMECA知识的故障诊断贝叶斯网络建模方法,该方法根据产品FMECA分析所得故障模式、故障原因、故障影响之间的因果关系构建贝叶斯网络拓扑结构,通过历史数据确定网络各节点的先验概率和条件概率分布,进而利用建立的贝叶斯网络进行故障诊断推理决策,最后通过某型飞机平视显示器的故障诊断贝叶斯网络建模及诊断实例,验证了方法的正确性及可行性。     

融合电控柴油机传感器数据的贝叶斯综合故障诊断网络研究

针对电控柴油机故障源多样性和不确定性的问题,对故障现象、状态数据提取及处理、贝叶斯故障诊断网络、故障源的先验概率获取、故障源的确定等方面进行了研究,在故障现象出现的情况下对如何有效确定故障源进行了分析和归纳,构建了融合传感器数据的电控柴油机贝叶斯网络综合故障诊断模型,提出了使用传感器数据技术检测电控柴油机工作状态,并结合经验法等估算出各类故障源的先验概率。通过运用贝叶斯网络技术推断查找到故障源的方法,并以丰田1KZ电控柴油发动机为实验对象,使用Hugin Expert工具对该诊断网络进行了推理验证。研究结果表明,该诊断网络充分发挥了传感器数据诊断技术的实时性和贝叶斯网络技术的判断决策能力,有效提高了电控柴油机故障诊断的正确率和实效性。     

基于T-S故障树和贝叶斯网络的模糊可靠性评估方法

针对贝叶斯网络方法存在的贝叶斯网络模型和节点条件概率表难以构造、根节点故障率和故障概率数据难以精确获取等不足,以及T-S故障树分析方法存在的计算复杂、不能进行反向推理等不足,提出基于T-S故障树和贝叶斯网络的模糊可靠性评估方法:利用T-S故障树构造贝叶斯网络模型、T-S门规则构造节点条件概率表;用模糊数描述节点的多种故障状态,模糊子集描述节点各故障状态下的故障率、故障概率;结合贝叶斯网络推理给出在仅知根节点故障状态条件下,叶节点各故障状态的发生概率、根节点状态重要度;以及已知根节点各故障状态的故障率、故障概率模糊子集条件下,叶节点各故障状态的故障率、故障概率模糊子集,以及根节点模糊重要度、后验概率。通过与文献[5]的T-S故障树分析方法、文献[10]的贝叶斯网络方法对比,验证所提方法的可行性。对巷道运输车液压系统进行模糊可靠性评估,计算根节点状态重要度等可靠性指标,为提高系统可靠性和进行故障诊断提供依据。     

基于自动机器学习的不平衡故障诊断方法

为了提升故障诊断模型在数据不平衡场景下的性能,提出一种基于贝叶斯优化的自动不平衡故障诊断方法.首先,构建了一种分层多模型的参数空间,探索重采样和分类器的算法组合选择和超参数优化;然后,使用基于树形结构Parzen估计器(TPE)的贝叶斯优化器进行模型的训练与优化,得到参数空间中最优的算法组合和超参数配置;最后使用最优配置模型在测试集上进行结果评估.将所提方法应用于UCI(university of California Irvine)不平衡标准数据集和滚动轴承数据集.实验通过设置多个不平衡比,对优化后的模型分类效果进行检验,并与传统的随机搜索方法进行对比.结果表明,所提方法更好地提升了模型在不平衡故障数据上的分类能力,且优化过程更加高效.     

贝叶斯网络数据细化的柴油发电机故障诊断

针对传统故障诊断方法在不确定问题诊断方面的不足,提出了基于贝叶斯网络的数据细化的柴油发电机故障诊断法。对柴油发电机转子的某些特定故障,结合专家知识确定转子特定状态下故障与振动频率、幅值及相关描述的依存关系,将获取的观测数据细化处理,利用结构学习,构建了基于贝叶斯网络的柴油发电机故障诊断模型,通过参数学习确定各节点的条件概率。实验结果表明,在已知信息具有模糊性和不完备性时,基于贝叶斯网络数据细化的故障诊断技术可明显提高诊断正确率。     

基于故障分析模型的贝叶斯网络构建及应用

为快速、准确地构建具有较完备知识的贝叶斯网络诊断模型,提出了基于故障模式、影响(及危害性)分析知识模型的贝叶斯网络自动构建方法.在该方法中,借助影响(及危害性)知识模型中的产品结构层次关系,将产品各层零部件的故障模式加以关联,形成贝叶斯网络结构;并以影响(及危害性)知识模型中的概率知识为依据,确定贝叶斯网络中节点的先验概率和条件概率.以列车自动门为应用对象,实现贝叶斯网络诊断模型的自动构建,并开发了相应的诊断系统,解决了列车自动门的诊断系统开发、应用跟不上维护的难题.最后,通过列车自动门的故障诊断实例,证明了所构建的贝叶斯网络的有效性.     

面向数字孪生的构架裂纹扩展寿命预测建模分析方法

高速列车转向架构架裂纹扩展寿命预测对列车的可靠性和运行安全性具有重要意义。为实现基于数字孪生的构架裂纹扩展寿命预测,提出一种数据和模型融合驱动的构架裂纹扩展寿命预测建模方法。首先,基于数字孪生五维模型建立构架数字孪生模型框架;然后,构建构架裂纹扩展有限元仿真模型得出应力强度因子,并基于Paris公式构建构架裂纹扩展寿命机理模型;进而采用仿真模型和机理模型相结合的方法得出构架裂纹扩展寿命数据集;最后,基于构架裂纹扩展寿命数据集采用Kriging代理模型建立构架裂纹扩展寿命预测模型。研究结果表明该预测模型具有较高的精度和效率,能够有效支持孪生物理数据驱动的构架裂纹扩展寿命预测。     

大数据样本与半监督环境下基于生成对抗网络的故障诊断

在大故障样本条件下,提出一种基于生成对抗网络模型的故障诊断方法研究.构建生成对抗网络模型,保证模型判别器输出数据的总体分布与原始故障集趋同,并基于空间测量工具对梯度函数进行优化,降低损失;采用故障集图像转换方式实现对原始信号的降维处理,利用判别器的神经网络结构训练输入数据,并提取出机械故障数据集中的故障特征点.实验结果表明,提出方法具有良好的分类诊断性能,故障诊断精度能够达到９９．４５％.     

基于贝叶斯网的制造工艺质量建模方法

针对多品种小批量制造模式下,工艺质量建模面临的模型维度高、数据稀疏的问题,提出了基于贝叶斯网的工艺质量建模方法.该方法以工艺机理知识为基础构建贝叶斯网结构,在构建时采用删除法保证结构的完备性与简洁性.设计实验获得均衡分布的实验数据,并通过实验数据的学习获得条件概率表.在应用中,模型利用生产线的数据更新条件概率表,来体现生产过程中不确定性因素的影响.以印刷线路板微小孔钻孔工艺为例进行了建模方法的应用与对比,结果验证了该方法对多品种小批量制造工艺的质量建模具有适用性,并且能够获得更高的模型精度.     

煤矿刮板输送机故障分析与诊断

通过人工推导,得到了采煤压缩机的故障树.利用故障树与贝叶斯网络的映射关系,将故障树转化为贝叶斯网络,通过贝叶斯网络、故障树和故障发生率,得出刮板输送机的可靠性.根据已计算出的信度和可靠性的计算方法,得到各种情况下的故障概率,从而帮助维修人员快速找出故障原因.     

条件贝叶斯网络分类器及其在产品故障率等级分类中的应用

针对传统贝叶斯网络分类器模型的不足,提出了一种基于条件贝叶斯网络的分类器模型。通过分析贝叶斯网络模型给定目标变量时各特征变量间的条件独立关系,充分利用其关联关系,为解决分类问题提供了一条有效途径。在此基础上,提出了基于条件贝叶斯网络分类器模型的建模方法用于指导实际模型建立和应用。实例分析结果表明,条件贝叶斯网络与其他的贝叶斯网络分类器及传统的决策树C4.5分类器相比,在提高分类器分类精度的同时降低了网络模型结构复杂度。     

浅谈基于贝叶斯网络的泵故障诊断方法

针对发电厂水泵系统结构复杂，诊断过程中不确定因素众多的特点，提出了基于贝叶斯网络的水泵故障诊断方法。依据发电厂水泵故障机理，建立水泵贝叶斯网络结构；在定量参数方面，引入leaky Noisy-or模型，简化参数设置，从而克服水泵故障样本数量少导致贝叶斯网络参数设置困难的问题。最后，通过实例验证了基于贝叶斯网络的发电厂水泵故障诊断方法的有效性。     

基于贝叶斯网络的电梯振动故障诊断及维修方案决策

电梯异常振动由于故障原因复杂难以快速诊断排除,现通过构建贝叶斯网络基础结构,并用实际设备测量和实验数据进行贝叶斯网络学习,最终利用电梯振动贝叶斯网络进行故障模拟、故障诊断和维修方案决策,进一步提出了电梯异常振动故障智能化解决方案。     

故障贝叶斯网络及其在液压缸爬行诊断中的应用

利用故障树分析能明确表达逻辑关系和贝叶斯网络解决不确定性问题能力强的优点,通过转化算法建立两者之间的联系,研究了一种基于二状态故障贝叶斯网络模型,采用分层处理思想,进而计算出模型中任意结点的概率。液压缸爬行诊断分析实例证明了应用故障贝叶斯网络的实用性和有效性。     

基于神经网络的去噪模型在轴承故障诊断中的应用

针对轴承微弱故障稀疏振动信号的特征提取,提出了基于模型数据协同链接框架的端到端深度网络稀疏去噪(DNSD)策略。建立了全局可微稀疏模型,引入深度神经网络学习超参数,基于轴承内圈故障机理建立了多模式数据集模拟故障信号,通过DNSD对数据集以去噪自编码器的形式进行训练,重建损失并更新网络和稀疏理论的参数,通过轴承内圈故障的仿真和试验验证了DNSD模型在轴承微弱故障特征提取方面的优越性和鲁棒性。     

基于贝叶斯网络的车身制造偏差诊断

车身结构的复杂性及知识表达的不精确性,使得车身故障症状与故障原因之间的映射表现为随机和不确定。针对这些特点,在大量车身测量数据和历史诊断案例的基础上,将贝叶斯网络引入到车身偏差故障诊断中去。对贝叶斯网络的参数学习进行了探讨,结合实例统计和相关性分析建立了车身偏差诊断的贝叶斯网络模型。最后用以某车型的偏差诊断案例对该方法进行了验证,结果表明该方珐在工程实际中有一定的指导性。     

基于贝叶斯网的PCB微小孔钻孔质量建模研究

利用贝叶斯网对印刷线路板(PCB)微小孔钻孔工艺的孔壁粗糙度进行建模.首先通过鱼骨图对钻孔质量的影响因素进行整理和筛选,确定可用于建模的因素;然后采用灰色关联法对各因素与孔壁粗糙度的关系进行分析,并以此为依据精简次要因素和建立贝叶斯网模型结构;最后在实验数据和生产线采样数据的基础上对模型的条件概率表进行学习与进化.经过检验,模型在进化过程中精度能不断提高,并且当数据量较少的情况下,贝叶斯网能够获得比线性回归及BP神经网络模型更高的精度.