基于贝叶斯网络的风力发电机故障诊断方法

贝叶斯网络是概率统计学的重要分支,具有强大的不确定性问题处理能力,适用于复杂系统的故障诊断。风力发电机系统维护成本较高,为减少维修成本,需要进行准确的故障定位;文章对基于贝叶斯网络的故障诊断方法进行了研究,介绍了贝叶斯网络故障诊断模型的建立过程,并着重介绍了诊断算法推导和计算过程;利用历史故障统计数据建立了风力发电机系统贝叶斯网络Matlab模型,主要包括网络结构有向无环图和条件概率分布参数等内容;最后,模拟了两种故障,分别采用贝叶斯网络方法和相关性矩阵方法进行故障诊断,通过对两种方法诊断结果的比较,前者具有更好的故障分辨率,可有力支持复杂系统的维护保障、降低维修成本。     

贝叶斯网络在汽轮机故障诊断中的应用

针对在汽轮发电机组振动故障诊断中的不确定性问题，提出了应用贝叶斯网络对其进行推理和诊断。本文介绍了贝叶斯网络的建模方法与推理机制，并通过专家系统的建模过程与诊断实例，证明了应用贝叶斯网络对汽轮发电机组进行故障诊断所具有的独特优点。     

基于信息融合的诊断贝叶斯网络研究

针对设备故障诊断技术中存在的固有不确定性问题,通过分析传统故障树模型存在的局限性以及传统贝叶斯网络建造困难的特性,提出了一种融合于故障树和传统贝叶斯网络的新方法--诊断贝叶斯网络,并阐述了故障树和贝叶斯网络的故障诊断策略优化方法的基本思想和具体算法.通过比较分析,综合考虑了故障树和贝叶斯网络在诊断推理和模型表达方面的特点及仿真结果,提出的新方法可以使二者优势充分发挥,在故障诊断领域中具有实际的应用价值.     

基于故障树的贝叶斯网络建造方法与故障诊断应用

文章首先指出应用贝叶斯网络模型进行设备故障诊断具有的优势,提出了由常用的故障树模型建造贝叶斯网络的方法。然后详细比较了故障树与贝叶斯网络在诊断推理和模型表达方面的特点,并以实例进行说明。     

基于随机变分推理贝叶斯神经网络的发电机轴承故障诊断

近年来,许多基于深度学习的方法被用于故障诊断领域,并且取得了良好的效果,但是发电机故障样本数据难以获取,在数据量较少的情况下,基于深度学习的方法存在过拟合现象,导致模型泛化能力差、诊断精度不高.为了解决这一问题,提出一种基于随机变分推理贝叶斯神经网络的故障诊断方法.该方法以贝叶斯推理与随机变分推理为基础,可以根据少量数据得到较为可靠的模型,获得网络各层参数的概率分布,有效解决过拟合的问题.采用证据下限(evidence lower bound, ELBO)派生类函数TraceGraph ELBO进行随机变分推理,解决派生类函数Trace ELBO诊断精度较低的问题.将所提方法应用于发电机轴承的故障诊断,并与其他方法对比,结果表明,所提方法在故障样本数据量较少的情况下具有较高的诊断性能.     

对一种贝叶斯网络学习算法的改进及试验分析

贝叶斯网络是上世纪80年代发展起来的一种概率图形模型,它提供了不确定性环境下的知识表示、推理、学习手段,可以完成决策、诊断、预测、分类等任务,已广泛应用于数据挖掘、语音识别、工业控制、经济预测、医疗诊断等诸多领域。然而由于贝叶斯网络的推理和贝叶斯网络的学习问题都是NP难的,其实际应用受到很大限制。贝叶斯网络推理是利用它进行决策、诊断、分类、预测等应用的基础,其本质任务是计算边缘概率分布。当网络比较复杂时,推理将变得不可行。多模块的贝叶斯网络(MSBN)从简化模型本身出发,对贝叶斯网络进行了扩展。我们则提出了一种用于MSBN中的近似推理算法,这些都大大拓宽了贝叶斯网络的应用领域。     

一类贝叶斯网络的线性推理

贝叶斯网络提供了表示变量集之间概率依赖性的一个自然有效的方法,而且其推理方法是主观贝叶斯方法的一个扩展,具有坚实的概率理论基础,因此,许多人工智能的研究者都采用贝叶斯网络作为一种知识表示的方法,将其应用到各种问题领域。如:故事理解、规划、电路错误检测和医学诊断等等。但是,贝叶斯网络已遭受到一些人工智能研究者的批评,因为它们需要大量的数值概率值使不确定关系量化,     

基于贝叶斯网络技术的软件缺陷预测与故障诊断

如何进一步地提高软件的可靠性和质量是我们十分关注的问题,而前期软件缺陷和后期软件故障的诊断都是控制质量的关键手段,由此我们提出了基于贝叶斯的神经网络。基于对贝叶斯网络和神经网络理论的分析,发现贝叶斯网络和神经网络各自的优点与不足,利用贝叶斯具有前向推理的优势进行故障诊断,利用神经网络学习算法能够处理更复杂网络结构的优势来积累专家知识,最后提出了贝叶斯网络与概率神经网络相结合的模型,该模型可以更好地兼顾软件缺陷与故障诊断两个方面。     

因果关系,贝叶斯网络与认知图

因果关系在预测和推理中具有重要的作用.贝叶斯网络已被用于构建诊断和决策系 统.近年来模糊认知图得到了重视.模糊认知图为结构性知识与因果推理提供了又一个理论 框架.本文简单介绍贝叶斯网络与认知图及其推理方法在智能系统中的应用.     

基于变精度粗糙集与量子贝叶斯网络的变压器故障诊断研究

及时准确的变压器故障诊断对电力部门正常运转而言意义重大。针对粗糙集与贝叶斯网络模型在变压器故障诊断中出现受噪声数据影响大、存在完全搜索NP困难等问题,提出基于变精度粗糙集与量子贝叶斯网络的变压器故障诊断模型。通过Grover量子搜索算法快速搜索变压器故障、征兆类型等目标数据,运用层次分析法删减对诊断故障影响较小的指标,并分析确定变精度粗糙集的错误分类率β,获得最小故障决策表,从而构建贝叶斯网络故障推理模型,实现对变压器故障的诊断研究。实例分析表明,与粗糙集、量子贝叶斯网络等模型相比,该模型更适合变压器故障的诊断且诊断精确。     

贝叶斯网络结构在线学习算法研究及应用

现代大型机电设备的日趋复杂化和自动化导致设备故障现象和机理之间具有很大的不确定性,因此对故障诊断技术提出了更高的要求。针对汽车发动机的工作原理及其故障知识结构特征,基于贝叶斯网络理论,以机器学习中的增量学习为基础提出和研究了在线式贝叶斯网络结构学习方法,并利用该方法对汽车发动机故障结构网络进行在线学习。最后通过实验分析验证了在线式贝叶斯网络故障诊断方法比起传统的贝叶斯网络方法以及专家系统方法,该方法在汽车发动机故障诊断结果中具有更高的准确性和可靠性。     

水下机器人软件可靠性及故障诊断方法研究

针对于智能水下机器人在软件系统故障诊断过程中广泛存在的不确定性和复杂关联性,采用改进的软件FMEA方法,对AUV智能规划决策控制系统进行了可靠性分析和研究,在总结了AUV主要软件故障模式的基础上,提出了一种基于FMEA的三层贝叶斯网络诊断模型。通过贝叶斯网络的推理机制,分别对单一故障和复合故障进行了推理实验。实验结果表明,采用上述方法能有效地提高水下机器人系统软件可靠性以及故障诊断能力。     

基于贝叶斯网络的学生模型在测试系统的应用研究

在网络课程及虚拟课堂中,在线测试是一个重要组成部分。本文对贝叶斯网络及其概率推理进行了简述,提出了基于贝叶斯网络的学生模型,并将其应用于自适应在线测试系统中。该系统不仅能够因人施测,而且具有预测能力,同时还可以排除学生猜对试题答案的非真实能力。     

COMPARISON OF TWO TYPES OF EVENT BAYESIAN NETWORKS: A CASE STUDY

Temporal Nodes Bayesian Networks (TNBNs) and Networks of Probabilistic Events in Discrete Time (NPEDTs) are two different types of Event Bayesian Networks (EBNs). Both are based on the representation of uncertain events, alternatively to Dynamic Bayesian Networks, which deal with real-world dynamic properties. In a previous work, Arroyo-Figueroa and Sucar applied TNBNs to the diagnosis and prediction of the temporal faults that may occur in the steam generator of a fossil power plant. We present an NPEDT for the same domain, along with a comparative evaluation of the two networks. We examine different methods suggested in the literature for the evaluation of Bayesian networks, analyze their limitations when applied to this temporal domain, and suggest a new evaluation method appropriate for EBNs. In general, the results show that, in this domain, NPEDTs perform better than TNBNs, possibly due to finer time granularity used in the NPEDT.     

Intelligent automation systems for predictive maintenance: A case study

A case study is presented, where a predictive maintenance solution for non-critical machinery (such as elevators and machine tools) was sought. Both cases are different. There is no experience in elevator monitoring and diagnosis, and modeling has been performed using Neural Networks. On the other hand, machine tools were monitored through vibration systems where some experience exists. In this case, Bayesian Networks are the paradigm of choice as it was also recommended to include some ‘adaptation’ mechanism for the knowledge modeled in the network. The final system also includes a sensor processing unit and a remote maintenance module system that provides an automated remote condition monitoring system, for both applications. Results indicate the feasibility of partial solutions in monitoring and diagnosis, though future enhancements are needed to compose a complete solution. This paper explains the characteristics of the Bayesian Network solution finally developed for high-speed machine tools, evaluate their strengths and weaknesses, and indicate the future enhancements.     

基于粒子群优化算法的Bayesian网络结构学习

近年来,Bayesian网络已经成为人工智能领域的研究热点.为了更广泛的应用Bayesian网络,本文采用粒子群优化搜索算法,通过对粒子群算法中各个算子的确定,从训练数据样本中学习到Bayesian网络结构,并用测试数据样本测试学习结果与训练数据的匹配程度,试验结果表明,该算法能有效地学习到Bayesian网络结构.     

On the use of Bayesian Networks to develop behaviours for mobile robots

Bayesian Networks are models which capture uncertainties in terms of probabilities that can be used to perform reasoning under uncertainty. This paper presents an attempt to use Bayesian Networks as a learning technique to manage task execution in mobile robotics. To learn the Bayesian Network structure from data, the K2 structural learning algorithm is used, combined with three different net evaluation metrics. The experiment led to a new hybrid multiclassifying system resulting from the combination of 1-NN with the Bayesian Network, that allows one to use the power of the Bayesian Network while avoiding the computational burden of the reasoning mechanism — the so-called evidence propagation process. As an application example we present an approach of the presented paradigm to implement a door-crossing behaviour in a mobile robot using only sonar readings, in an environment with smooth walls and doors. Both the performance of the learning mechanism and the experiments run in the real robot-environment system show that Bayesian Networks are valuable learning mechanisms, able to deal with the uncertainty and variability inherent to such systems.     

Distributed Bayesian diagnosis for modular assembly systems—A case study

The growing interest in modular and distributed approaches for the design and control of intelligent manufacturing systems gives rise to new challenges. One of the major challenges that have not yet been well addressed is monitoring and diagnosis in distributed manufacturing systems. In this paper we propose the use of a multi-agent Bayesian framework known as Multiply Sectioned Bayesian Networks (MSBNs) as the basis for multi-agent distributed diagnosis in modular assembly systems. We use a close-to-industry case study to demonstrate how MSBNs can be used to build component-based Bayesian sub-models, how to verify the resultant models, and how to compile the multi-agent models into runtime structures to allow consistent multi-agent belief update and inference.     

基于GATS贝叶斯网络结构学习的航班延误模型

对遗传算法（GA）贝叶斯网络（BN）结构学习和禁忌搜索算法（TS）进行分析,提出遗传禁忌搜索贝叶斯网络结构学习算法GATS_BNSL。把禁忌搜索思想引入到遗传算法BN结构学习由父代种群产生后代种群的演化过程中,以禁忌搜索交叉和禁忌搜索变异改进传统的遗传算子,对比实验分析表明了GATS_BNSL的学习优势。应用此方法,基于真实数据,建立了大型枢纽机场航班离港延误模型。该模型切实反映了导致航班延误的多因素之间的因果关系,而且建模时间少,学习正确率高。