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。     

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。     

基于贝叶斯网络模型构造的汽车故障诊断研究

为了解决汽车故障诊断中的不确定性和建模问题,提出了一种基于贝叶斯网络模型构造的故障诊断融合系统架构,设计了基于贝叶斯网络构造的故障诊断算法.这种故障诊断方法利用贝叶斯网络的学习能力和概率推理来应对故障诊断中的不确定性问题的表示和推理,它能够有效地融合领域先验知识和实时传感数据的分布特征,实现故障诊断系统的自适应,并被成功地应用于汽车故障诊断.实验结果表明,新算法为故障诊断提供了准确和可靠的决策依据.     

网页自动分类不确定性问题的贝叶斯网络解法

针对网页自动分类中存在的类边界模糊、语料不均匀等引起的分类不确定性问题,提出了贝叶斯网络自动分类融合模型和融合算法,该模型和算法基于网页上多种信息进行融合,并采用不同的与处理方法分别对多种信息进行处理,将处理后的信息输入到贝叶斯网络融合中心进行融合推理,得到最终的分类结果。同时,为了降低贝叶斯网络推理时间复杂度,提出了改进的贝叶斯网络图推理算法。实验结果表明,改进后的融合模型和融合算法能有效解决网页自动分类中的不确定性问题,并能提高网页自动分类的准确率和查全率。     

基于贝叶斯网络模型的电子装备故障诊断研究

针对电子装备故障的层次性、相关性、不确定性特点,结合贝叶斯网络在处理不确定性问题上的优点,提出了电子装备故障诊断的贝叶斯网络方法;研究了基于故障树分析和故障模式、影响、危害度信息的贝叶斯网络模型建立方法,分析了贝叶斯网络的故障预测和推理原理,确立了各底事件对故障诊断的重要度,形成了故障诊断的合理顺序,通过实例验证了上述方法的可行性和有效性;研究成果对复杂电子装备的故障诊断有借鉴意义。     

基于信息熵的液压状态监测系统故障诊断方法

为提高液压状态监测系统故障诊断的准确度,提出一种基于IGCS-K2算法的液压状态监测系统传感器故障诊断方法.通过结合信息几何理论与K2评分搜索策略优化贝叶斯网络结构的生成方法,利用运转正常的传感器数据形成贝叶斯网络模型并对传感器最新数据进行预测,通过预测值与观测值的对比判断传感器是否存在故障.实验结果表明,优化后的贝叶斯网络结构生成方法具备相应的理论支持与实践证明,结构准确率与方差优于各类传统方法,该方法可以应用于液压状态监测系统传感器故障诊断中,结果优异.     

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。     

基于粒子群优化建模的贝叶斯网络结构学习方法

贝叶斯网络(BN)在不确定性的条件下表示信息和推理论证具有良好的性能,但由于其结构搜索空间的复杂性,通常将从一个数据集合中学习贝叶斯网络的结构认为是一种NP-hard的问题。基于此,提出一种新的基于粒子群优化算法建模的贝叶斯网络结构学习方法。为了学习一个贝叶斯网络的结构,该方法先使用粒子群优化算法在排序空间中进行搜索,然后运行K2算法计算每个排序的吻合度。每个排序都会有一个网络结构与之一致,该方法会返回这个网络的计分。仿真结果表明,在不同规模的数据集中,该算法相对于其他贝叶斯网络结构学习算法对不同类型的网络都具有更好的网络稳定性。     

先验信息不确定条件下贝叶斯网结构学习方法

针对先验信息不确定条件下的贝叶斯网络学习问题,提出了一种非确定先验结构信息贝叶斯网络的结构学习方法。主要在以下几个方面开展了工作：提出了一种贝叶斯网络结构的不确定先验信息表示方法;改进了MDL测度,提出了SMDL测度,使之能在学习过程中考虑先验信息的不确定性;基于模拟退火算法,对问题进行求解。最后通过实验对算法的可行性进行了验证。     

改进的贝叶斯算法在智能变电站网络故障诊断系统中的研究

提高智能变电站网络故障诊断能力对于确保电力系统的稳定运行和供电可靠性具有重要意义,故障的分类是目前智能变电站网络故障诊断系统所面临的一个主要问题.常用分类算法存在着训练数据多样化,特征的选择标准具有不确定性,学习潜力匮乏等问题,文章在原有贝叶斯算法的基础上加入了特征的选择标准及学习过程,实验结果表明改进的贝叶斯算法在很大程度上能有效解决故障分类问题,从而提高智能变电站的网络故障诊断能力.     

基于神经网络的异步电动机故障诊断专家系统的研究

针对传统的专家系统在对异步电动机进行故障诊断时知识获取困难且无法解决新故障的问题,提出了一种基于神经网络的异步电动机故障诊断专家系统的设计方案,给出了系统结构及神经网络模型设计。仿真结果表明,该系统能够很好地结合专家系统与神经网络的优势,达到了异步电动机故障诊断的预期目标。     

基于神经网络观测器的卫星姿态控制系统陀螺故障诊断

针对基于解析模型的卫星姿态控制系统陀螺故障诊断方法存在设计复杂、参数求解困难的问题,提出一种基于神经网络观测器的陀螺故障诊断方法。由系统内的冗余关系导出故障诊断逻辑,实现对陀螺故障的检测和隔离;同时利用先验模型知识和神经网络的非线性建模特性对陀螺故障进行估计。仿真结果表明,该方法能够实现对陀螺故障的检测、隔离和估计。     

固体火箭发动机故障诊断的神经网络方法研究

固体火箭发动机地面试验系统的故障诊断过程复杂,故障征兆和故障原因之间存在着许多不确定因素,精确定位故障存在许多困难.传统的神经网络方法和模糊推理方法为解决这一类故障诊断问题提出了一些算法,然而难以提高不确定故障诊断的性能.针对这种情况,提出了一种基于模糊神经网络的故障诊断方法.该算法同时具备了模糊理论的处理不确定、不准确信息的推理能力和神经网络的自学习能力.将这种方法应用到某固体火箭发动机地面试验系统的故障诊断,仿真结果表明,该算法有效,较好地解决了固体火箭发动机地面试验系统的不确定故障诊断问题.     

基于RBF神经网络和小波包的电动机故障诊断研究

针对传统的电动机故障诊断存在很难准确提取故障时的特征信号及对故障作出准确预测的问题,提出了一种基于RBF神经网络和小波包的电动机故障诊断的方法。该方法采用小波包分析技术提取电动机典型轴承故障、转子故障和绝缘故障振动信号的特征频段能量并组成向量作为RBF神经网络的输入,用于诊断电动机的故障。实验和仿真结果表明,使用RBF神经网络对电动机故障诊断是非常有效的,对电动机早期故障的发现及维修有积极意义。     

基于卷积神经网络的飞机液压系统故障诊断

现代飞机系统的复杂度和集成度均大幅提升,使得其故障诊断存在难度高和准确率低等特点。采用一维卷积神经网络方法对军用飞机液压系统的故障诊断问题进行了研究,构建了满足多传感器数据分析要求的卷积神经网络模型。考虑到神经网络的输入来自不同的传感器数据序列,各数据序列之间的空间关系不明显,因此,即使网络输入是二维形式,而实际的卷积操作均在一维上进行。通过解决某飞机液压系统的故障诊断问题,证明将标准化后的多传感器数据序列及对应故障模式作为训练样本对卷积神经网络模型进行训练时,采用满足训练要求的网络对飞机液压系统进行故障诊断时具有较高的准确率。     

一种异步电动机故障诊断新方法

针对基于RBF神经网络的异步电动机故障诊断方法存在参数确定较困难的问题,提出了一种基于差分进化算法优化RBF神经网络的异步电动机故障诊断方法。首先采用小波变换对异步电动机运行状态信号进行消噪处理,然后采用主元分析法与小波包分析法相结合方式提取消噪后的异步电动机运行状态信号特征,最后采用差分进化算法优化后的RBF神经网络对异步电动机运行状态信号特征进行诊断。实验结果表明,与未优化的RBF神经网络相比,采用差分进化算法优化后的RBF神经网络可有效识别出异步电动机故障。     

基于直觉模糊Petri网的故障诊断

故障诊断经常受到多种不确定性和模糊性因素的影响,针对不确定性的故障诊断问题,利用直觉模糊集较好的表达不确定性信息的优势和Petri网较好的并行处理以及图形处理问题的能力,构建了直觉模糊Petri网模型。由于将直觉模糊推理转化为矩阵运算的过程中有非隶属度参数的参与,因此推理结果可提供更多的信息。根据实际故障诊断中的模糊推理问题,给出了带有权值、阈值等参数条件下新的直觉模糊推理算法。通过获取和处理故障诊断中的不确定性和模糊性的知识,该算法将故障诊断过程转化为利用直觉模糊Petri网的直觉模糊推理过程。实际燃气轮机故障诊断模型案例表明了所给直觉模糊推理算法的有效性。     

An Automated Fault Diagnosis System Using Hierarchical Reasoning and Alarm Correlation

The increasing importance of computer networks in this information age demands a high level of network availability and reliability. As we become more dependent on networks in our so-called cyber-world, network faults and downtime become very costly. Sometimes, a slight fault may cause critical disruptions or remediless damages to the network while the network manager is lost among a large amount of alarm messages. Therefore, the development of a practical and effective system for network fault diagnosis becomes an imperative and critical task. In this paper, we develop a hierarchical domain-oriented reasoning mechanism suitable for the delegated management architecture. It is based on the causality graph of a refined network fault propagation model as a result of our empirical study. An automated fault diagnosis system called Alarm Correlation View (or ACView) for isolating network faults in a multi-domain environment is proposed according to the hierarchical reasoning mechanism. This diagnosis system not only provides the process of automated alarm collection and correlation, but also serves the function of efficient fault localization and identification. Furthermore, an alarm-to-fault mapping strategy is used to enhance the fault reasoning capability for uncertain network fault propagation.     

融合模型基残差分析与数据驱动的气路故障诊断方法研究

为了提高气路故障诊断方法的可靠性,研究聚焦传感器测量噪声、个体差异和性能衰退等不确定性因素影响,导致气路故障诊断方法虚警率过高,无法实现工程应用的问题,开展了融合模型基残差分析与数据驱动的气路故障诊断方法研究;为此,构建了基于发动机模型分析偏差与卷积神经网络建模理论融合的气路故障诊断架构,在建模过程中充分考虑了传感器测量偏差、个体差异和性能衰退等不确定性因素对气路故障诊断结果的影响,据此形成了融合模型基残差分析与数据驱动的气路故障诊断方法;随后,结合多种飞行轨迹和进气条件开展数值模拟分析验证研究,对形成的气路故障诊断方法的虚警率进行了定量验证分析;结果显示,研究提出的融合模型基残差分析与数据驱动的气路故障诊断方法可在多种不确定性因素存在时,提供满意的故障诊断精度,具有工程应用的潜力。