基于贝叶斯网络的农村电力网故障诊断研究

鉴于贝叶斯网络灵活的因果推理和诊断推理,运用贝叶斯网络方法研究了因保护装置和断路器误动或拒动、通信装置的故障等原因造成的不完备警报信号模式下的农村电网故障诊断新方法.该方法应用Noisy-Or、NoiSy-And节点模型和类似BP神经网络的误差反向传播算法建立了输电线路故障诊断模型,并应用公式推理得出每个元件的故障信任度,根据故障信任度确定元件有无故障.     

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。     

一种改进的电网故障诊断解析模型

电网故障过程中保护和断路器动作及告警信息的不确定性,使原有的电网故障诊断完全解析模型存在多解和误诊,因此本文通过解析保护和断路器动作以及告警信息的不确定性,构建一种电网故障诊断的改进解析模型.该模型利用保护和断路器的误动与拒动概率以及告警信息的漏报与误报概率,赋予保护和断路器不同权值,使模型更加合理.此外,通过解析故障过程中保护和断路器的动作状态,降低模型中待求变量的维数.算例仿真结果表明本文方法有效,诊断结果唯一.     

基于改进的贝叶斯分类算法的断路器故障诊断

通过监测断路器分合闸线圈电流识别断路器状态是断路器故障诊断重要方法.但是,由于断路器动作频率不高,分合闸线圈电流的数据样本较小.为了在数据样本较小的前提下对断路器进行快速准确的故障诊断,提出了一种基于改进的贝叶斯分类算法的断路器故障诊断方法.针对原始的贝叶斯算法只适用于处理离散型变量的分类问题、应用范畴较为局限的特点,利用入侵杂草优化算法合理选取标准状态,并以此为基础引入基于标准状态概率分配的连续变量离散化方法对特征量进行离散化,对原始的贝叶斯算法进行了改进.研究表明,改进的贝叶斯分类算法将贝叶斯的应用范畴扩展至连续变量的分类问题,提高了故障诊断的准确率.通过仿真分析验证改进的贝叶斯分类算法在不同训练样本数量的情况下故障诊断的准确性,并与原始的贝叶斯算法和支持向量机进行比较.仿真结果表明在训练样本数量为10的情况下,原始贝叶斯算法、支持向量机和改进贝叶斯算法的故障诊断准确率分别为45.05%、83.15%、92.25%,改进的贝叶斯算法故障诊断准确率明显高于支持向量机,说明改进的贝叶斯算法诊断效果更好;改进的贝叶斯算法故障诊断准确率明显高于原始贝叶斯算法,说明入侵杂草优化算法的优化及基于标准状态概率分配的连续变量离散化方法在提高小样本状态下故障诊断准确率方面有良好的效果;改进的贝叶斯算法故障诊断准确率最高,这表明本文所提改进贝叶斯算法能够在样本数据较小的前提下快速准确地对断路器进行故障诊断.     

一种基于动态贝叶斯模型的大型IP网络故障诊断方法

为了提高IP业务的服务质量,利用告警等症状和已有知识快速准确地定位根故障十分重要。基于贝叶斯网络的不确定推理方法是近年来广泛应用的一种故障诊断方法。目前,基于静态贝叶斯网络的故障定位只是利用当前信息进行故障诊断,无法处理时间信息;而已有基于动态贝叶斯网络的诊断算法复杂度太高,不适用于大型网络。本文针对大型IP网络,建立用于故障诊断的动态贝叶斯模型,并对基于动态贝叶斯网络的一种通用的精确算法进行改进,实验证明它能够对大型IP网络快速准确的定位故障。本文方法充分利用告警库中的历史数据和当前症状信息,对当前的系统状态进行估计,完成故障诊断。     

考虑量测错误和多源异质信息融合的变电站概率故障诊断:统一的Bayes网络模型

故障诊断对提升电网故障分析处理能力有重要意义。在变电站本地进行故障诊断可以更加充分、敏捷地利用本地的丰富信息。为适应智能电网环境下信息丰富、分布自治的趋势,提出一种基于Bayes网络的变电站故障诊断方法,考虑了保护、开关的拒误动和量测信道错误等不确定性,并综合利用顺序事件(sequence of events,SOE)、故障录波、保护闭锁等多源异质信息。使用经典的联结树(junction tree)算法进行概率推理。结果表明:与不考虑量测信道不确定性的方法相比,该方法可以更加充分利用开关SOE等信息;故障录波和闭锁等非SOE信息的引入可以有效提升诊断的准确率。     

基于贝叶斯网络的轨道车辆门故障诊断研究

轨道车辆门系统的故障诊断受到广泛关注.针对门系统在故障诊断中存在不确定性问题,提出一种基于贝叶斯网络的故障诊断流程,统计某地铁公司提供的故障数据,建立轨道车辆门故障贝叶斯网络模型,计算得出各故障的先验概率,在建立的贝叶斯模型中输入故障证据,得到各故障的后验概率.通过仿真试验证明了贝叶斯网络能很好地推理出门系统的故障所在,为车门的故障诊断和维修提供参考和建议.     

一种基于贝叶斯网络的故障预测方法

为了研究故障在复杂工程系统中的传播机制,根据关键节点的状态异常信息预测系统发生故障的概率,提出一种基于贝叶斯网络的故障预测方法.根据工程系统自身固有的网络拓扑结构,构建了多层贝叶斯网络模型,利用定性趋势分析法将时间信息融入网络节点中,使得网络具有处理时序信息的能力,便于进行故障传播机理分析和故障预测.提出了基于元器件健康度的根节点故障概率确定方法,针对完备数据集和非完备数据集,选择不同的参数学习方法确定贝叶斯网络的条件概率表,采用多树传播算法进行联合概率推理,由系统根节点运行状态推测其余节点的故障概率.算法在Quanser三自由度四旋翼直升机上进行了仿真应用,结果验证了该方法的可行性和有效性.     

判别类条件贝叶斯网络分类器的量子粒子群优化参数学习

针对贝叶斯网络分类器在处理多属性分类问题时,存在分类精度下降、算法运行时间过长等问题,提出一种判别类条件贝叶斯网络模型。该模型在类条件贝叶斯模型的基础上,将条件对数似然函数以对数形式重新参数化,并使用量子粒子群优化算法最大化目标函数。新模型采用判别参数学习方法,直接计算条件概率,对于分类问题更加高效。本研究将判别类条件贝叶斯网络模型与TAN分类器相结合,使用量子粒子群算法进行优化,用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的仿真数据进行故障诊断与分类,与传统的贝叶斯分类器相比,改进的分类器在处理分类问题时,准确率和学习效率更高。     

基于信息融合技术的电网故障诊断方法

利用采样数据间的相互关系,以电网元件相关先验概率为基础,通过D-S(Dempster-Shafer)证据理论对检测的故障信息进行融合,获取缺失数据发生的概率;同时,将概率的概念引入Petri网建模,将获取的状态概率值代人概率Petri网故障诊断模型进行故障的诊断,以解决电网故障诊断过程中的信息不完备问题.实例证明,该方法可扩充电网故障的诊断范围.保障电力系统安全运行.     

电网故障智能诊断技术研究综述

电网故障诊断技术在国内外应用已十分广泛,随着人工智能的快速发展,基于智能方法的电网故障诊断得到前所未有的发展.本文对结合专家系统、贝叶斯网络、Petri网、多源信息融合技术、人工神经网络的电网故障诊断原理及框架进行了综述.根据实际工程的应用情况,对各种智能诊断方法的长处和不足以及各自未来的发展方向进行了详细阐释.最后以智能电网建设为背景,大数据为依托,利用智能电网故障诊断技术解决所面临的实际问题,并对电网故障诊断技术的未来发展趋势进行了展望.     

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.     

多传感器多模型相互作用的数据关联方法

基于信息融合中的数据关联技术,在卡尔曼滤波基础上,结合相互作用多传感器多模型的概率数据互联算法,建立故障监测报警和现场传感器量测数据关联二者之间的关系,建立更具一般性的分布式传感器系统基础上的多传感器多模型,改进概率数据关联方法,以用于故障监测报警中相互作用的算法．并结合一个时变系统中空间位置传感器的故障诊断问题为例,运用多传感器多模型相互作用的数据关联方法进行仿真分析,研究此类故障判据的数据关联问题和数据关联算法的改进,研究表明相互作用多模型的概率数据互联改进方法不仅与有限维数的特定测量阈值相对应,而且直接针对故障模式,能够体现出动态模型的优点,可以与系统诊断知识相融合,为故障诊断的单步的、多步的、长期的预测预报提供依据．     

基于改进SVM的车辆传动系统故障诊断方法

利用车辆传动系统试验数据对车辆进行故障诊断和性能评价可以实现车辆故障预警,提高可靠性,从而提高车辆性能,但测试数据有数据量大、不平衡、维度高、噪声多的特征,使得传统数据分析算法会产生次优的分类模型.针对上述问题,提出了一种改进的不平衡数据分类支持向量机算法.该算法赋予各样本不同的权值,用马氏距离改进模糊隶属度的设计以排除变量相关性干扰,同时可以输出正常状态下的故障概率.实验结果表明,该算法能够有效提高故障诊断的准确性,概率输出模型可用于故障预警和性能分析.      

基于的贝叶斯理论的多系统定位融合算法

针对传统多系统融合定位中协作性较差,自适应性不足的问题。为了多系统定位达到更好的效果,提高多系统协同定位算法中信息融合的高效性、场景间切换的适应性,本文对传统的多系统定位融合算法进行了改进。该算法采用贝叶斯理论,多系统观测数据融合输入,建立贝叶斯概率观测模型,对多系统间定位信息直接交互,通过扩展卡尔曼滤波理论估计定位信息。在此基础上,利用各系统滤波新息和方差对场景间切换时系统概率进行实时更新,将估计结果以系统概率加权方式融合输出;仿真结果表明,在相同观测条件下,本算法与传统定位算法相比,具有更好的稳定性及自适应性。     

超贝叶斯图模型及其联结树的构建

不确定性数据模型是在复杂的环境中对不确定信息及其之间关系的一个比较准确的描述,能有效地处理复杂的实际问题,如贝叶斯网、粗糙集等传统的不确定数据模型.本文提出一种超贝叶斯模型,用来表示复杂数据间的相关性以及数据间不确定性;分析了超贝叶斯图条件独立的性质;从而给出超贝叶斯图的联结树的构建方法及算法;基于联结树进行概率化简,经过理论证明和实例仿真验证了超贝叶斯图是一种有效的不确定性模型,本文研究结果为超贝叶斯图描述和处理不确定性数据问题提供了理论依据.     

基于贝叶斯网络的列控车载设备故障诊断

针对目前高速铁路列控车载设备故障诊断过度依赖于专家经验且诊断正确率不高等问题,提出了以专家知识为基础,以贝叶斯网络为核心的故障诊断方法.首先,以CTCS3-300T型列车运行控制系统的车载设备为研究对象,建立基于专家知识的贝叶斯网络.其次,根据故障记录数据集使用K2算法进行结构学习并对学习后的贝叶斯网络结构做适当简约处理.利用极大似然估计算法进行参数学习,得到故障诊断的最优贝叶斯网络.最后,通过诊断推理,得到该故障诊断模型的诊断正确率为88.20％,验证了该贝叶斯网络模型的可行性和有效性.     

虚拟现实变电站主变压器低压侧故障诊断模型研究

传统主变压器低压侧故障诊断模型需要大量故障特征数据;且故障特征数据不相互独立,很难找到最合适的特征实现故障诊断。为此,提出一种新的虚拟现实变电站主变压器低压侧故障诊断模型。介绍了虚拟现实变电站主变压器低压侧典型故障,主要包括漏电故障和短路故障,对这两种故障进行分析,发现出现故障时电压电阻变化特征,为建立故障诊断模型提供依据。依据贝叶斯定理,利用某对象的先验概率,通过贝叶斯公式求出其后验概率,构建单层贝叶斯分类器。在此基础上,利用径向基神经网络将故障类变量看作属性变量的父节点,构建故障特征相互独立的虚拟现实变电站主变压器低压侧故障诊断模型。实验结果表明,构建模型能够准确诊断低压侧故障,具有很高的应用性。     

虚拟现实变电站主变压器低压侧故障诊断模型

传统主变压器低压侧故障诊断模型需要大量故障特征数据;且故障特征数据不相互独立,很难找到最合适的特征实现故障诊断。为此,提出一种新的虚拟现实变电站主变压器低压侧故障诊断模型。介绍了虚拟现实变电站主变压器低压侧典型故障,主要包括漏电故障和短路故障,对这两种故障进行分析,发现出现故障时电压电阻变化特征,为建立故障诊断模型提供依据。依据贝叶斯定理,利用某对象的先验概率,通过贝叶斯公式求出其后验概率,构建单层贝叶斯分类器。在此基础上,利用径向基神经网络将故障类变量看作属性变量的父节点,构建故障特征相互独立的虚拟现实变电站主变压器低压侧故障诊断模型。实验结果表明,构建模型能够准确诊断低压侧故障,具有很高的应用性。     

贝叶斯网络分类器的基于改进粒子群参数学习方法

研究了贝叶斯网络分类器的高效参数学习方法。生成方法解决联合分布的参数估计问题,而判别方法解决后验分布的参数估计问题。对判别参数学习方法的研究,首先通过建立类条件贝叶斯网络模型;在此基础上,对该模型以对数形式参数化,得到判别类条件贝叶斯网络模型;最后,通过改进粒子群算法对该模型进行最优化求解,得到各节点的概率。将贝叶斯网络分类器的判别参数学习方法与TAN分类器相结合,可用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的两次仿真数据进行故障诊断与分类,与其他方法相比,改进的分类器需要的数据量小,准确率和学习效率更高。