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.     

基于贝叶斯网络的轴裂纹故障诊断模型

介绍了基于贝叶斯网络的建模方法,并讨论各种贝叶斯网络建模方法的优缺点.以故障模拟器作为研究对象,通过对轴裂纹故障数据的采集、整理,采用4种不同的贝叶斯网络建模方法分别对数据集合的训练集建立模型;最后通过测试集对各模型精度进行验证,从而得出轴裂纹故障诊断的最优模型.     

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。     

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。     

基于贝叶斯网络的电子设备故障诊断技术研究

针对电子设备故障诊断的难点,通过分析贝叶斯网络的特点,设计了一种基于贝叶斯网络的故障诊断系统。首先介绍了故障及故障诊断的相关概念;然后在理解贝叶斯网络的基础上分析其优点,研究了贝叶斯的推理;进而研究贝叶斯故障诊断的关键技术;最后介绍了基于贝叶斯网络故障诊断系统的整体框架。     

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。     

油液监测诊断系统的知识发现方法研究

针对实现主动维修的油液监测故障诊断技术中存在的不确定性问题以及知识获取和故障源挖掘的问题,将知识发现方法引入油液监测和故障诊断技术,采用粗糙集和决策树、贝叶斯网络相结合的算法,与联机分析有机结合,构建了基于油液监测的智能维护系统。通过ADO使用Visual C++操作SQL Server数据库构建知识发现与维修决策算法应用于系统的知识发现模型,列举了模型的应用实例并作了相应的分析。     

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Petri网的测试⁃故障诊断一体化模型研究

现有测试性模型对复杂装备进行分层建模时，不仅需要每层装备的故障模式、影响和危害性分析（failure mode， effects and criticality analysis，简称FMECA），还需要确定各故障模式之间的联系，增加了实际工作量和建模难度，与实际故障诊断脱节。为解决上述问题，提出一种基于Petri网的建模方法，将测试性模型与故障诊断模型相结合。首先，采用广义随机Petri网建立装备系统级的测试性模型，采用模糊Petri网（fuzzy Petri net， 简称FPN）建立子系统的故障诊断模型，完成系统到子系统的传递；其次，根据FMECA信息对故障统计数据进行处理，通过神经网络对参数进行调整学习和优化；然后，采用正向推理实现故障的准确预测，逆向推理结合最小割集完成故障定位；最后，以涡扇发动机风扇部件模型为例进行建模分析，并通过故障树和统计数据验证了模型的正确性和有效性。     

基于贝叶斯网络和灰关联法的多态液压系统故障诊断

提出基于贝叶斯网络和灰关联法并综合考虑根节点后验概率和故障诊断处理成本的故障诊断方法。考虑根节点故障状态的多态属性,利用贝叶斯网络推理求得根节点后验概率,利用模糊子集描述故障诊断处理成本,通过灰关联法建立故障诊断决策矩阵,计算故障诊断决策方案的灰关联度,进而确定故障决策方案的搜索序列以得出系统故障原因。通过液压系统实例,分别求解出半故障状态和故障状态下的故障诊断序列,同时也验证该方法的可信度和可行性。     

基于优化分簇贝叶斯网的转子振动故障诊断

针对柴油发动机的充电发电机结构及振动的复杂性导致其转子振动故障具有多层次性、耦合性和随机性,以及故障信息不完整性等特点,提出了一种基于振动频谱分析和贝叶斯网络的转子振动故障诊断方法。该方法将故障源和故障现象根据专家经验数值化表示并离散化,运用改进的优化分簇算法,构建特定振动故障类型的贝叶斯诊断网络,利用贝叶斯网络推理算法诊断出故障概率分布,并利用具体的故障证据、设定值对该方法进行验证。仿真及实验结果表明,该方法能在故障信息不完整情况下,依据不完整证据信息更新各网络节点的概率状态,实现对不确定信息的推理和估计,得到较好的诊断结果,提高了转子振动故障的诊断准确度。     

贝叶斯网络理论及其在设备故障诊断中的应用

在分析机电设备故障诊断技术中广泛存在的不确定性和复杂关联关系的基础上，指出目前的故障诊断方法在处理不确定性和关联性问题时存在的局限性，提出了应用基于概率理论和图论的贝叶斯网络作为设备故障诊断模型具有很好前景的观点。阐述了贝叶斯网络的提出与发展、模型数学描述及研究现状，讨论了贝叶斯网络在故障诊断领域应用的可能方式及其应用情况。指出贝叶斯网络技术在故障诊断领域中的应用将进一步得到推广，提出了将贝叶斯网络广泛应用到故障诊断领域中需要解决的关键技术。     

基于本体的机械故障诊断贝叶斯网络

针对机械设备维护与故障诊断过程中的不确定性,提出了一种将本体语义表示与贝叶斯网络相结合的故障概率推理模型。从异构多源的维护诊断信息和非结构化的专家经验知识出发,建立语义知识模型并进行概率扩展。利用贝叶斯分类器实现异常工况识别,给出了基于最大可能解释(MPE)的故障概率推理算法,从而根据运行工况、故障征兆和证据信息推理获得故障诊断解释。将本体语义描述的精确性和贝叶斯网络的概率推理能力相结合,既实现了诊断领域知识的形式化描述与共享,又能在一定程度上消除诊断过程的不确定性。某凉水塔风机转子典型故障诊断实例表明,该模型具有较好的故障识别效果。     

基于本体的机械故障诊断贝叶斯网络

针对机械设备维护与故障诊断过程中的不确定性,提出了一种将本体语义表示与贝叶斯网络相结合的故障概率推理模型。从异构多源的维护诊断信息和非结构化的专家经验知识出发,建立语义知识模型并进行概率扩展。利用贝叶斯分类器实现异常工况识别,给出了基于最大可能解释(MPE)的故障概率推理算法,从而根据运行工况、故障征兆和证据信息推理获得故障诊断解释。将本体语义描述的精确性和贝叶斯网络的概率推理能力相结合,既实现了诊断领域知识的形式化描述与共享,又能在一定程度上消除诊断过程的不确定性。某凉水塔风机转子典型故障诊断实例表明,该模型具有较好的故障识别效果。     

基于贝叶斯网络的武器装备故障诊断方法

对武器装备故障进行快速、有效的诊断和处理,是提高其战备完好率及作战效能的重要方法之一。文中针对武器装备故障的不确定性特点,结合贝叶斯网络处理不确性问题的推理模型,提出了一种使用贝叶斯推理来进行武器装备故障诊断的方法,并通过实例验证了上述方法的可行性与有效性,这对以后处理类似的武器装备故障诊断问题具有借鉴意义。     

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。     

采用布谷鸟算法的贝叶斯网络在异步机故障诊断中的应用

针对传统异步电机故障诊断方法中故障特征频率容易被基频淹没、抗干扰能力差、误判率高的问题,建立了基于定子电流信号Hilbert边际谱特征的贝叶斯网络电机故障诊断模型。将异步电机定子电流进行了希尔伯特-黄变换,提取出了Hilbert边际谱特征。在贝叶斯网络诊断模型的构建过程中,采用新型元启发式布谷鸟搜索算法学习各节点间的依赖关系,采用Levy飞行机制优化搜索路径从而提高了搜索效率,并在布谷鸟搜索算法中引入了竞争机制,提高了贝叶斯网络结构学习效果。以异步电机转子断条故障为例验证了诊断模型的有效性。研究结果表明,该故障诊断模型十分有效,诊断准确率高。     

基于多传感器信息融合的贝叶斯网络故障诊断方法研究及应用

针对齿轮泵信号具有复杂性和模糊性的特点,提出了一种基于多传感器信息融合的贝叶斯网络故障诊断方法。分析了齿轮泵振动和压力信号特点,以此为基础提取了振动信号的能量特征、分形特征和压力信号的高频压力脉动3种特征属性,构建了多故障贝叶斯网络对特征进行融合,设计了贝叶斯分类器,通过最大后验概率准则识别故障类型。两次融合结果表明:多传感器信息完备了特征空间,提高了诊断正确率,能够有效实现齿轮泵多种故障的诊断,具有较好的应用价值。     

多源信息融合及其在齿轮泵故障诊断中的应用

针对齿轮泵故障信息的不确定性和模糊性,提出了一种多源信息融合的贝叶斯网络故障诊断方法。在探讨齿轮泵故障机理的基础上提取振动、流量和压力信号作为故障特征,构造故障贝叶斯网络,建立贝叶斯分类器进行多特征信息融合,利用最大后验概率准则判别故障类型。融合结果表明,该方法能够有效实现齿轮泵多种故障的诊断,具有广阔的应用前景。