论文研究-具有自学习功能的贝叶斯融合故障诊断方法.pdf

大型设备自身的复杂性、设备的个体差异及工作环境的影响，使设备的故障知识呈现一定的独特性，获取故障知识变得更为困难，针对上述问题，设计了一种能自动更新故障知识的故障诊断方法。该方法采用贝叶斯技术，融合专家的经验知识与设备自身的独特性故障知识，利用故障决策树对单层次和多层次的设备故障进行诊断；最后,给出一个实例证实此方法在实际工程中的简洁性与有效性。该方法已运用于某大型装备的故障诊断中，取得了良好效果。
1766· 计算机应用研究 第27卷 首先给出多层次故障诊断的树型结构,然后说明如何利用决策信度最大,进而搜索A1的下一层节点,比较A1和A12两个底故 树进行推理,实现故障诊断。 障原因的置信度,得到基于父节点A1的故障排序为A1>A2 3.1多层次故障的决策树 进而,通过搜索整个决策树,最后给出故障排序为A1>A12> 简单地说,多层次故障的故障现象与故障原因构成一个A>1>A2° 树,以故障现象为树的顶节点,以故障原因为树的中间节点,以 0. 基本故障原因为树的底节点。这里举例说明:设故障A为顶节 点,引起A故障的三个故障原因用节点A1、A2、A3表示,而引起 06404 )0.2 A1故障的两个基本故障原因用底节点A1、A表示;而引起A3图1以顶故障A建立的对型结构图2给出置信度的决策树 故障的两个基本故障原因用底节点A31、A2表示,从而可以建 4结束语 立如1所示的树型结构。 3.2故障表的建立及故障知识的更新 本文针对大型设备故障诊断的特点,设计了一种基丁贝叶 斯融合技术的,具有白学习能力的故障诊断方法。该方法能够 依据3.1节中所建立的树型结构,利用决簧树所蕴涵的逻利用设备的现场故蹄信息,融合专家的先验知识和设备独特性 辑关系建立故障规则表,从而完成故障知识学习前的准备,具的故障知识,实现故障知识的自学习。该方法并不局限于小子 体可参见表2的格式。故障规则表会随设备的使用而不断更样故障情况下设备故障诊断,利用现场故障信息,采用方法中 新。在设备的使用期间,不断有新的故障案例加入,故障表也的贝叶斯融合技术也可对基于规则的诊断知识进行不断的修 不断地丰富 正。同时,该方法能对多层次的故障进行诊断,且易于工程实 在录入故障案例后,利用贝叶斯融合方法太动态更新故障现。该方法已成功运用于某大型装备的故障诊断中,取得了良 置信度,从而实现故障知识的史新。这种故障知识包常了以前好效果,为进一步研究存在非确定性逻辑关系及共因故障情形 故障专家的知识,而且也融合进了设备自身的特性。具体的做下的故障诊断方法奠定了基础。 法是:在增加故障案例时,根据树的逻辑联系,对故障原因和故参考文献 障现象进行自行统计。例如,新的故障案例为:发生故障A,A[1]冯静,刘琦,周经伦,等、小子样复杂系统保守可靠性增长楼型 的故障由A1造成,而A1的故障是由A1造成。此时可增加故 [J].中国空间科学技术,2004,24(2):59-63 障表中A、A1、A1相应的次数,然后利用贝叶斯融合方法去更新2]刘琦,周经伦,冯静,等小子烊复杂系统可靠性增长试验讦定的 置信度。利用这种方法,即使对于小子样的故障样本,也可以 Bayes方法[C]/ Proc of Icrms.北京:华夏出版社,2004:269- 不断获取新的故障知识,从而实现对样本最大程度的利用 273 [3 KAVURI S N, VEN KAT'ASUBRAMANIAN V Neural network decom 3.3故障诊断的推理及结果呈现 position strategies for large scale fault diagnosis[ J]. International 牧障推理的主要思想是:出现故障现象后,根据相应故障 Journal of Control, 1994, 59(3): 767-792. 原因的置信度进行推理,依据各故障原因置信度的大小,给出4 RENGASWAMY R. BRAMANIAN V. A fast training neural network 个故障排除建议。出于决策树有多个层次,从而形成多个路 puters and Chemical Engineering 2000, 24(2-7): 431-437 径。在图2中,列出两条路径如(A,A1,A1)、(A,43,4x),而各[51KUw, STORER R H, GEORGAKIS O. Disturbance detection and iso 个路径对顶节点所对应故障的贡献不同,所以在进行推理时, lation by dynamic principal component analysis J Chemometrics 需制定一个推理的准则 and Intelligent Laboratory Systems, 1995, 30(1): 179-196 本文制定的准则是:从顶节点开始,以下一级置信度最大[6]陈文伟决筑支持系统及其开发[M].北京;清华大学出版社, 的节点作为下一层搜索的顶点,直至搜索至底节点;最后根据 1994 [7 PETER C B. Bayesian model selection and prediction with empirical 底节点置信度大小进行排序,得出故障诊断的排序。 applications[ I]. Journal of Econometrics, 1995. 69(1): 289-33 现举例说明,图2中给出了各个节点的置信度。具体的搜[8]张金槐,唐雪梅,Be方法[M].长沙:国防科技大学出版社, 索过程是:从A开始向下一层搜索,由丁在下一层节点A1的置 1990. 上接第1742页) tive camera to observe people[ C ]//Proc of the 2nd ACM Intemation 参考文献 al Workshop on Video Surveillance and Sensor Networks. 2004: 39 I 1 YANG Qiang. Activity recognition: linking low-level sensors to high 45 level intelligence_C.]// Proc of the2 I st International Joint Conference[6]康波视频监控业务管理子系统的软件设计[D].北京:中国科学 cn Artificial Intelligence. 2009: 20-25 院软件所,20U8 [21 YIN Jie, YANG Qiang SHEN Dou, et al. Activity recognition via user [7 KANSAL A, KAISER W, POTTIE G, et ai. Virtual high-resolution for trace segmentation[J]. ACM Trans on Sensor Network, 2008, 4 sensor networks[C]//Proc of the 4th International Conference on Em (4):1-34 bedded Networked Sensor Systems. 2006: 43-56 [3 TSUKAMOTO, UEDA K Design of wireless sensor network for multi-[8 CHRISTOPHER R, WREN U, MURAT ERDEM, el al. Functional point surveillance of a moving target based on the relationship between calibration for pan-tilt-zoom cameras in hybrid sensor networks J I tracking probability and sensor density[ C//Proc of the 6th Const ACM Multimedia Systems Journal, 2006, 12(3): 255-268 cations and Networking Conference 2009 [9 QURESHI F Z, TERZOPOULOS D. Surveillance in virtual reality 4 COSTELLO C J, WANG I J Surveillance camera coordination through system design and multi-camera control[ C]//Proc of IEEE Confer- distributed scheduling C//Proc of the 44th IEEE Conference on D ence cn Computer Vision and Pattern Recognition. 2007: 1-8 cision and Control, and the European Control Conference 2005 [10任雍.基于人脸检测的自动摄像跟踪系统开发研究[D].北京:中 [5 COSTELLO C J, DIEHL C P, BANERJEE A, et al. Scheduling an ac 国科学院软件所,2008