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.     

贝叶斯网络在故障诊断中的应用

贝叶斯网络适用于表达和分析不确定性和概率性的事物,由于具有能够对不完全、不精确或不确定的知识或信息作出有效的推理等特性,而成为目前不确定知识表达和推理领域最有效的模型之一。     

基于贝叶斯网络分类器的船舶柴油机冷却系统故障诊断

针对船舶柴油机冷却系统故障诊断中信息和知识具有随机性和不确定性的特点,提出基于贝叶斯网络分类器的船舶柴油机冷却系统故障诊断的NB贝叶斯网络故障诊断模型和TAN故障诊断模型。研究结果表明:这2种故障诊断模型均可通过不断积累完善训练样本,自动修正网络结构参数和概率分布参数,提高诊断效果;采用这2种故障诊断模型,正判率在80.57%以上。     

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.     

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。     

基于粗糙集理论和贝叶斯网络的断路器故障诊断方法

为了快速准确地诊断出断路器的故障原因,笔者提出了一种断路器的故障诊断方法。该方法以粗糙集理论为基础,建立故障征兆属性集和故障诊断决策表,并通过约简决策表形成最小故障诊断规则。基于最小故障诊断规则建立贝叶斯网络模型,利用贝叶斯网络实现断路器故障诊断的快速概率推断。经真空断路器故障的实例分析表明,该方法是可行有效的。     

基于AHP的贝叶斯网络故障诊断方法研究

针对基于专家知识的故障诊断方法依赖经验的局限,提出一种基于层次分析法（AHP）的贝叶斯网络化工过程故障诊断方法。通过基于关联函数的AHP得到所有变量的权值,对22个变量节点的权值进行排序并将该排序作为K2算法的学习输入建立贝叶斯网络模型,同时结合复杂网络分析指标进行化工过程的故障诊断。通过TE过程故障诊断实例证明本文方法不仅避免了K2算法专家知识的主观因素影响,同时能很好地进行故障定位,找到故障源。     

基于贝叶斯分类的分布式网络故障诊断模型

该文提出了一个基于Agent的分布式网络故障诊断系统模型框架，该模型对贝叶斯分类理论进行了推广。模型将先验知识和观察数据结合起来，从而大大改进了系统的诊断性能。模型采用一定的状态检查和验证策略，保证了Agent的自身安全和通信安全。Agent之间各自独立，相互协作，合作完成诊断任务。该模型与特定的系统应用环境无关。因此，该文提供了一个通用的网络故障诊断系统框架。     

基于改进贝叶斯网络和Hausdorff距离的电网故障诊断

针对解决复杂故障情况下依靠单一开关量信息诊断可靠性差的问题,提出了一种基于改进贝叶斯网络和Hausdorff距离的多源信息融合的电网故障诊断方法.结合关联规则建立元件的贝叶斯网络模型,完成从保护装置动作的开关量信息到元件静态故障度的转化;在此基础上引入Hausdorff距离算法将元件两端的电流暂态幅值差异转化为暂态故障...     

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.     

基于互信息-主成分分析-贝叶斯网络的化工过程故障诊断方法

为了解决复杂工业过程中存在变量众多、特征提取困难等问题,提出一种基于互信息(mutual information, MI)、主成分分析(principal component analysis, PCA)和贝叶斯网络(Bayesian network, BN)相结合的诊断方法。利用互信息与PCA在故障特征信息提取的优势,并结合BN在建模中强大的学习能力,建立互信息-主成分分析-贝叶斯网络(mutual information-PCA-Bayesian network, MPBN)故障诊断模型,最后根据联合树推理算法完成推理实验,并在田纳西-伊斯曼(Tennessee Eastman, TE)过程进行仿真验证。实验结果表明,该方法有效提高了化工过程诊断的准确效率和稳定性,尤其可在传感器存在证据缺失等不确定性环境因素情况下,依然具有一定的故障诊断效果。     

贝叶斯网络发展及其应用综述

贝叶斯网络（BN）是一种用于描述变量间不确定性因果关系的图形网络模型,用于不确定性系统建模和推理,处理涉及到预测智能推理、诊断、决策风险及可靠性分析的问题. 本文首先对贝叶斯网络做了一个简略的介绍,随后综述了贝叶斯网络近30 年的发展及功能扩展,对其在工程技术领域的应用包括故障诊断及可靠性分析等方面做了一个回顾,最后对BN现有的不足和未来的研究趋势做了总结和展望.      

基于知识图谱与模糊贝叶斯推理的航空发动机故障诊断

针对航空发动机结构功能复杂,存在贝叶斯网络构建难、节点条件概率难以获得精确值的问题,提出基于知识图谱与模糊贝叶斯网络的故障推理诊断方法。首先,以历史故障数据为依据,构建航空发动机故障知识图谱;其次,提出“知识图谱-贝叶斯网络”的映射方法,用于快速构建贝叶斯网络;然后,引入模糊集合论,解决工程实际中概率参数的不确定性问题;最后,以航空发动机滑油系统故障进行实例验证,结果表明所提方法既能提高贝叶斯网络的构建效率,又能实现故障诊断的不确定性推理,可用于诊断策略优化和设备可靠性提升,具有较强的工程应用价值。     

基于多分片贝叶斯网络的多Agent系统模型表示

多Agent系统模型表示是系统实现推理、学习、自组织和Agent间通信的基础。由于多Agent系统结点较多的特性, 一般用单个贝叶斯网络作为模型表示是不现实的。本文提出用多分片的贝叶斯网络作为多Agent系统的表示语言,并详细讨论了将多分片贝叶斯网络转化为具有良好推理计算特性的联合树扩展形式的连接联合森林的具体过程。     

基于小数据集贝叶斯网络建模的偏差源诊断方法

针对装配过程尺寸偏差的小样本检测条件,提出了基于条件独立性检验的结构学习算法,结合柔性装配偏差关系模型,推导了贝叶斯网络子节点的先验条件概率,将小数据集与先验概率融合并获得贝叶斯网络参数,实现了装配偏差影响因素的贝叶斯网络建模,并用于某车型侧围装配过程的偏差源诊断.结果表明,所提出的偏差源诊断方法具有较高的准确性.     

贝叶斯网络中的贝叶斯学习

从机器学习的角度研究贝叶斯方法及其学习机制,着重讨论了具有完整数据,不完整数据集,及在结构不确定时贝叶斯网络进行学习的方法,表明贝叶斯网络在数据采掘中是一个有力的工具。文中给出一个基于贝叶斯网络的学习的实例。     

基于贝叶斯网络的中医辨证系统

将贝叶斯网络运用于中医辨证系统的研究,以更加量化中医辨证诊断系统.通过将中医体系中的916个证候,51项证素及其构成的1700条证名构成中医辨证贝叶斯网络的节点集,初步建立起中医辨证数据库并通过网络学习,形成中医辨证贝叶斯网络结构及概率表.利用建立的贝叶斯网络中医辨证系统,进行数据计量分析、推理验证证候—证素—证名间的关系,其结果与中医专家经验有很高的吻合性,尽管其仍未能全面反映中医辨证的思维能力.所以贝叶斯网络是对中医辨证进行信息挖掘处理的一种较好方法,可应用于中医人工智能辨证系统的建立.     

基于时效性分析的动态贝叶斯网络故障诊断方法

针对柴油机多源信息故障诊断中,由传感器采集的不确定性信息造成的融合误差问题,从多源传感器信息时效性角度,提出一种基于信息时效性机会窗口的动态贝叶斯网络故障诊断方法.首先,根据多源传感器不确定性信息的变化规律建立信息时效性机会窗口,计算得到目标状态偏离信息;其次,利用目标状态偏离信息动态调节贝叶斯网络观测节点信息效用,降低不确定性信息对融合误差的影响.R6105AZLD柴油机台架试验表明,引入该方法后故障诊断灵敏度增强,故障后验概率的对比差距提高到35%.     

基于增量式贝叶斯分类器的故障诊断研究

本文针对贝叶斯分类器精度不高,需要大量样本集学习,尤其是当获得大量的带有类别标注的样本代价较高时的缺点,探讨了一种基于增量式贝叶斯分类器的故障诊断方法,使用该模型不断积累完善样本,自动修正网络结构参数和概率分布参数,从而达到诊断效果的高效性。也把该模型运用到变压器的故障诊断中,通过大量的实例证明,该模型运用的算法在现实工作中有实质的可行性和操作性。     

用于预测的贝叶斯网络

通过示例给出了贝叶斯网络的构造方法，概括了贝叶斯网络的特点及贝叶斯网络学习的内容与过程，同时给出了离散型贝叶斯网络的预测公式。贝叶斯网络学习主要有三个基本环节，其一是确定变量集和变量域；其二是确定贝叶斯网络结构；其三是确定局部概率分布。贝叶斯网络是描述变量之间定性与定量依赖关系的图形模式，是进行数据联合分析与预测的有力工具。