基于偏差传递的多工位装配过程质量评估模型

针对多工位装配系统中尺寸偏差传递的特点,建立了一种新的装配过程质量评估模型.首先分析了多工位装配系统的偏差源,研究了多工位装配尺寸偏差传递关系,构建了偏差流传递的状态方程.然后从过程系统本身寻找影响偏差传递和累积的特征参数来评价系统的装配质量特性,通过对尺寸偏差传递模型推导引出工位系数矩阵,经过合并变换求出各工位的系数矩阵的最大特征值,再乘以偏差精度权因子来建立装配质量评估模型,进而提出用装配偏差指数来衡量装配工艺过程的优劣.最后通过实际零件的装配过程说明该模型和装配偏差指数的应用方法.     

基于迁移学习的贝叶斯网络参数学习方法

针对贝叶斯网络参数迁移过程中对源域及目标域限定条件较多等问题，在考虑源域-目标域多种信息形式的情况下，提出一种基于贝叶斯网络参数迁移学习的统一框架.该方法综合考虑了源域结构和数据量在迁移中的作用，在结构相似性的基础上，探讨了备选源域数据量对参数迁移的影响.在迁移过程中引入与目标域数据相关的平衡系数.通过平衡系数将目标域数据与迁移过程联系起来，实现平衡系数的自动调节.Asia网络验证了本文方法的准确性.     

融合专家综合知识的贝叶斯网络参数学习方法

贝叶斯网络模型是经典概率图模型,目前已经广泛应用到各个领域中.在贝叶斯网络模型的参数获取方面,以往的方法往往仅依靠数据集或者专家知识.实际情况中,数据集往往存在缺失或者存在噪声,而单一专家指定的参数存在较大的主观因素,两类方法所得参数与实际存在较大偏差.提出基于D-S证据理论的专家综合知识结合小数据集的贝叶斯网络参数学习方法,克服了依靠数据集小的情况下造成的参数不准确或依靠单一专家知识主观性较强的问题.通过实验验证,提出的方法在小数据集的情况下,所获得的贝叶斯网络参数更为准确.并将提出的方法用于公安机关刑事案件线索研判,综合专家知识与小数据集获取模型参数,研判结果能够较好地反映实际情况,证明了方法的有效性.     

一种采用贝叶斯网络的制造过程异常诊断方法

针对制造过程异常原因复杂、基于传统控制图诊断分析困难等问题,提出了一种采用贝叶斯网络的制造过程异常诊断方法。利用过程异常诊断的先验知识,结合需要诊断的异常特征,构建基于贝叶斯网络的制造过程异常诊断模型。首先提取控制图异常征兆特征,建立贝叶斯网络的异常征兆节点和异常原因节点并进行关联;然后利用先验知识确定贝叶斯网络中的先验概率,建立贝叶斯网络诊断模型;最后根据控制图异常特征,利用诊断模型推理异常发生的原因。以汽轮机转子叶轮制造为例进行了诊断,验证了采用贝叶斯网络作为制造过程诊断方法的可行性。     

机械装配偏差源及其偏差传递机理研究

分析和研究机械装配偏差源和偏差传递机理用于机械装配精度的预测,机械装备的偏差源按照装尺寸、形位精度、定位精度等影响装配功能的因素可以大致分为三类,即装配位置偏差、几何位偏差和几何形状偏差,建立偏差源的统一表达形式,分析机械装配中零件之间和零件内部的偏差传递机理以及相互作用,明确机械装配中偏差传递的偏差流类型,偏差流可通过偏差向图来进行表达,通过建立机械装配偏差有向图来表达偏差传递和装配功能之间的关系。本文就机械装配精度预测进行简单的说明,着重介绍了机械装配偏差源及其类型,并对机械装配偏差源偏差的传递机理进行了研究。     

诊断贝叶斯网络模型构建与工程应用

提出了一种基于故障树的诊断贝叶斯网络建立方法,给出了用贝叶斯网络描述故障树中事件间基本关系方法,分析了贝叶斯网络对多态逻辑、关联故障、不确定关系等问题的扩展表达能力.以某型飞机外挂接口单元为例,研究了基于故障树构建诊断贝叶斯网络的工程方法,提出了一种基于故障注入的贝叶斯网络故障诊断模型评估方法.     

用于水电厂设备的故障诊断的贝叶斯网络模型

通过分析水电厂设备故障诊断所面临的不确定性等问题以及当前常用诊断方法存在的局限性,研究基于贝叶斯网络的设备故障诊断方法,提出了适合于诊断问题的贝叶斯网络结构并阐述了基于贝叶斯网络故障诊断的团树推理算法.该方法综合考虑了多故障、故障症兆模糊以及电厂设备操作之间有依赖关系等情况.通过丰满水电仿真系统中水机调速器故障诊断的应用实例,证实了该方法在信息不确定条件下进行诊断决策的有效性和准确性.     

企业技术创新人因错误:定义、度量与诊断

在技术创新过程中,创新主体由于受众多因素影响而产生的人因错误经常会导致创新任务实际完成情况与计划产生偏差.探寻造成人因错误的关键致错因素对合理制定消错方案至关重要.本文利用贝叶斯网络构建了技术创新人因错误诊断模型;在诊断过程中,通过错误函数度量人因错误,采用贝叶斯真理血清估计模型参数;最后通过实例演示了人因错误的具体诊断过程,并基于诊断结果分析关键致错因素,为合理配置消错资源提供依据.     

信息融合与贝叶斯集成的船用中高速发动机磨损故障诊断

为了解决船用中高速发动机磨损故障诊断准确率偏低的问题,提出多源信息融合与贝叶斯网络集成的磨损故障诊断方法。利用贝叶斯参数估计算法进行多源故障征兆信息融合,通过大量发动机磨损故障实测数据,结合该领域专家知识,建构贝叶斯磨损故障诊断网络,并建立朴素贝叶斯分类器,简化融合结果,最终通过最大后验概率估计值识别磨损故障模式。经实际故障案例计算分析,验证了该诊断方法的有效性及网络模型建构的准确性。     

柔性件装配概念设计偏差分析系统架构

针对概念设计阶段装配公差设计的特点,提出了概念设计车身装配偏差分析系统(AVA),研究了装配顺序、接头类型和装配公差三者的不确定性关系及其对装配最终偏差的影响.通过该系统可以解决关键尺寸在车身装配概念设计阶段成本条件下满足质量要求的装配方案设计,并可以快速实现设计方案的生成、分析与决策.     

贝叶斯网络的建造及其在数据采掘中的应用

贝叶斯 (Bayesian)网络近年成为数据采掘引人注目的研究方向。通过剖析 Bayesian网络的结构和建造步骤 ,着重讨论用 Bayesian方法从先验信息和样本数据进行学习以确定网络的结构和概率分布的基本方法 ,分析 Bayesian网络学习的特点 ,探讨 Bayesian网络的适用性。与数据采掘的其它方法相比 ,Bayesian网络的优点是可以综合先验信息和样本信息 ,这在样本难得时特别有用 ;可以发现数据之间的因果关系 ,适合于处理不完整数据集 ,这是其它模型难以做到的。其缺点是计算开销较大 ;确定合理的先验密度比较困难 ;如何判定实际问题是否满足所要求的假设 ,没有现成的规则     

结构化EM算法在小样本贝叶斯网络学习中的应用

在贝叶斯网络学习中,合理数据集的存在可以大大降低贝叶斯网络学习对知识工程的过多依赖.但当数据集中样本数量不够大时,可能没有足够多的样本甚至不存在样本来代表变量间的某些条件独立关系,从而无法学习贝叶斯网络.将数据集修正与结构化-期望最大化算法相结合,得到一种有效的小样本上贝叶斯网络学习的方法,实验结果表明,该方法能够有效地进行小样本上贝叶斯网络学习.     

基于位置子市场划分的房价贝叶斯概率模型

针对方案属性值为Vague值且考虑专家评分可信度的多属性群决策问题,提出了一种基于Vague集模糊熵和D-S证据理论的多属性群决策分析方法。该方法充分考虑各专家给出的Vague值评价信息中所蕴含的模糊性与不确定性,借助模糊熵来获取与专家自身意见相匹配的评分可信度序列,其完全由数据驱动,弥补了传统方法对可信度主观统一设定的不足。首先,基于各专家原始决策矩阵获得各属性下的Vague集模糊熵,以构建与专家集相对应的评分可信度矩阵;其次,对经可信度调整后的各专家决策矩阵使用证据合成进行信息集结,利用Vague集记分函数并经可信度调整得到属性权重;最后,将专家群体集结信息经属性权重加权修正后算出各方案最终的Vague评价值,进而使用记分函数获得各方案综合得分,筛选出最优方案。利用证据理论在不确定信息融合方面的优势和Vague集记分函数的信息转化功能,通过证据合成和记分函数集结专家群体的评价信息,所得出的决策结果更加客观、合理,并通过一个具体算例验证了所提方法的可行性和有效性。     

一种基于小数据集的贝叶斯网络学习方法

 贝叶斯网络是用来表示不确定变量集合联合分布的图形模型,反映了变量间潜在的依赖关系.从完备数据集和不完备数据集上学习贝叶斯网络是研究的热点之一,要求有大数据集.针对实际应用中常常只能获得小样本数据,提出了基于Bootstrap抽样的网络结构学习的遗传算法,实验结果表明该方法在小数据集上学习贝叶斯网络具有一定的有效性.     

基于离散时间贝叶斯网络的动态故障树分析方法

提出了一种基于离散时间贝叶斯网络的动态故障树分析方法．首先给出优先与门、顺序相关门、备件门、功能相关门等动态逻辑门向离散时间贝叶斯网络的转化方法，在得到动态故障树对应的离散时间贝叶斯网络之后，再利用贝叶斯网络推理算法计算、诊断和预计顶事件概率、重要度等常规分析结果．对数字飞控计算机系统进行的分析表明，该方法能够保证较高的求解精度，其相对误差均保持在0．4%以内，而且易于扩展到多态和非确定性逻辑关系的情形．     

基于概率神经网络的机组状态多步预报方法

为了解决由单步预报递推运算获得的多步预报存在的预报误差的迭代累积问题,提出了相空间动力学轨道的相似多步预报概念,利用概率神经网络合理分配相似算子,构造了多步预报的概率神经网络结构．然后,以模拟振动数据比较了单步预报神经网络、多步预报神经网络和多步预报概率神经网络的预报能力,并预报了燕山石化大机组停车概率的变化趋势,实践表明该方法具有良好的多步预报能力．     

基于动态贝叶斯网络的非常规突发灾害事故情景推演

针对非常规突发灾害事故演变路径不清晰,演变过程及发展态势复杂,应急决策主体在应急救援过程中很难做出正确决策的现状,在分析非常规突发灾害事故情景演变规律的基础上,基于情景状态(S)、处置目标(T)、处置措施(M)和自身演变(E)四个要素分析了非常规突发灾害事故情景演变的路径,基于动态贝叶斯构建了非常规突发灾害事故动态情景网络,并利用联合概率公式进行相应节点变量的状态概率计算,实现了非常规突发灾害事故的关键情景推演.以大连"7·16"油库爆炸火灾事故为例,演示了非常规突发灾害事故的情景推演流程及关键技术,并对情景推演的结果进行了分析.推演结果表明:事故按输油管线爆炸→油罐爆炸起火→原油泄漏、污染海域的路径演变;其中,输油管线爆炸出现的概率为90.2%,T103罐爆炸起火出现的概率为84.1%,原油泄漏、污染海域出现的概率为80.3%,推演结果与实际灾害事故的情景发展状态基本一致,证明了该方法的合理性和可行性.     

液体火箭发动机的分层贝叶斯变分推理故障诊断方法

针对稀疏数据场景下，传统的多项式-狄利克雷模型存在一定的分类精度问题，提出一种基于变分推理的分层贝叶斯网络的参数估计方法. 通过在传统的多项式-狄利克雷模型中引入超先验，构建出的分层多项式-狄利克雷模型可用于贝叶斯网络中的条件分布估计. 对分层多项式-狄利克雷模型的先验依赖结构进行分析研究，提出一种快速准确的自组织变分推理算法. 与传统的分类模型相比，本文提出的分层多项式-狄利克雷模型在处理小数据集液体火箭发动机的故障分类中有显著的性能提高.      

基于模糊贝叶斯理论更新概率可靠性模型

贝叶斯理论是基于无损检测结果对海洋工程结构可靠性进行更新研究的有力工具。针对传统贝叶斯理论无法有效地处理海洋结构无损检测中存在的大量模糊不确定性问题 ,根据模糊集合论的基本原理 ,在海洋结构可靠性概率模型更新研究中引入了模糊贝叶斯理论和模糊综合评判方法 ,对模型不确定性和检测结果中的模糊不确定性进行了定量评估。对基于检测结果的更新可靠性模型的参数分布和模型权值进行了探讨 ,并采用模糊综合评判方法确定了模型权值的先验概率。算例结果表明 ,此方法是可行的 ,检测结果的模糊性对可靠性概率模型更新具有重要影响 ,考虑模糊不确定性可以得到更为合理的结果。对于参数的概率密度函数而言 ,考虑多个模型和只考虑一个模型可得到相同的结果 ,但参数的不确定性对模型权值的更新有一定的影响。在工程实际应用中 ,对于有关海洋工程结构经检测和维修后的可靠性更新问题 ,应该考虑模糊不确定性的影响     

在非时齐马氏决策过程中的动态贝叶斯网络研究

提出了用动态贝叶斯网络（DBN）对非时齐马氏决策系统进行建模的改进方法，使动态贝叶斯网络能被更广泛地应用于各种复杂的真实系统中．该方法的基本思路是，将扩展后的隐藏变量引入DBN的演化过程来建立假设条件所要求的马尔可夫模型，给出从不完整的样本数据集以及存在隐藏变量时来学习DBN结构的算法，进而用贝叶斯概率统计方法对后来的时间片的充分统计因子进行估计，并通过当前已存在的和估计的充分统计因子对基于时间变化的转移概率进行学习，以解决假设条件要求的转移概率的时不变性．原理性分析和仿真实验结果也验证了改进方法的有效性．