基于贝叶斯网络的故障智能诊断方法研究

论文摘要

在故障诊断领域,不确定性问题占多数,主要是由诊断对象的复杂性、测试手段的局限性、知识的不精确等原因导致的。特别是汽轮发电机组这样大型复杂的机电设备,其构件之间以及构件内部都存在很多错综复杂、关联耦合的相互关系,不确定因素和不确定信息充斥其间,其故障可能是多故障、关联故障等多种复杂形式。因此,解决不确定性问题是目前汽轮发电机组故障诊断中的首要问题。常用的解决不确定性问题的方法包括贝叶斯方法、粗糙集理论、证据理论等,经Agre G等多位专家的分析研究,发现基于贝叶斯理论的贝叶斯网络是目前解决不确定性问题的最有效的方法。本文研究了贝叶斯网络的最新发展,包括贝叶斯网络的表示、学习和推理。就贝叶斯网络推理进行了深入研究,提出了贝叶斯网络的简化推理算法。为克服简化推理算法占用内存的问题,提出了应用深度优先分支定界法以很小的时间代价换取较大内存空间,解决了简化算法的内存分配问题,具有很强的实用价值。以汽轮发电机组故障诊断中的不确定性问题为研究背景,系统地回顾了故障诊断的常用方法,阐述了汽轮发电机组常见的异常振动并对振动信号的频域特征进行了分析。提出了用于解决不确定性问题的故障诊断网络模型,并对模型的知识表达、建造方法进行了深入研究。提出了基于主成分分析方法与贝叶斯网络的汽轮发电机组故障诊断方法,采用主成分分析方法对易于提取的故障特征进行处理,从而获得初步的故障模式倾向,然后将获得的故障模式倾向作为贝叶斯网络模型的故障征兆节点,进一步进行诊断分析。该方法既避免了单独使用主成分分析法指标体系确定难的问题,又可以通过贝叶斯网络模型更好的把各种特征结合起来进行诊断分析,从而提高了诊断结果的可靠性。基于智能互补融合的思想将粗糙集理论与贝叶斯网络有机结合在一起,提出了一种汽轮发电机组故障诊断的新方法。利用粗糙集理论的知识约简技术对专家知识和故障特征进行压缩,去除冗余信息,获得最小诊断规则。同时利用贝叶斯网络来发现节点间的潜在关系,建立汽轮发电机组故障诊断的贝叶斯网络模型,在保证诊断结果准确率的基础上,缩减了冗余信息,从而提高了诊断效率。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景及意义
• 1.2 本课题的国内外研究现状
• 1.2.1 国外故障诊断技术发展
• 1.2.2 国内故障诊断技术的发展
• 1.3 故障诊断常用的方法
• 1.3.1 基于离散事件的方法
• 1.3.2 基于信号处理的方法
• 1.3.3 基于解析模型的方法
• 1.3.4 基于知识的方法
• 1.4 基于贝叶斯网络的故障诊断方法
• 1.4.1 贝叶斯网络的发展与研究现状
• 1.4.2 贝叶斯网络应用于故障诊断的优势
• 1.5 本文完成的主要工作
• 第二章 贝叶斯网络的表示、学习和推理
• 2.1 引言
• 2.2 贝叶斯网络的表示
• 2.2.1 贝叶斯网络的条件独立假设与d-分离
• 2.2.2 单连通和多连通贝叶斯网络
• 2.3 贝叶斯网络的参数学习
• 2.4 贝叶斯网络的结构学习
• 2.4.1 基于评分的贝叶斯网络结构学习
• 2.4.2 基于条件独立性测试的贝叶斯网络结构学习
• 2.5 贝叶斯网络推理
• 2.5.1 贝叶斯网络的精确推理算法
• 2.5.2 贝叶斯网络的近似推理算法
• 2.5.3 贝叶斯网络推理程序框架
• 2.6 小结
• 第三章 贝叶斯网络的简化推理算法
• 3.1 引言
• 3.2 贝叶斯网络中的独立关系
• 3.2.1 条件独立关系
• 3.2.2 上下文独立关系
• 3.2.3 因果影响独立关系
• 3.3 贝叶斯网络结构简化方法
• 3.3.1 应用条件独立关系简化
• 3.3.2 剪切无关节点方法
• 3.3.3 预计算方法
• 3.3.4 剪切无关节点方法与预计算方法的分析与比较
• 3.4 实例分析
• 3.5 贝叶斯网络概率推理中的空间优化方法
• 3.5.1 递归调节算法（RC 算法）
• 3.5.2 内存分配问题
• 3.5.3 时间—空间曲线
• 3.6 小结
• 第四章 贝叶斯网络在汽轮机故障诊断中的应用
• 4.1 引言
• 4.2 汽轮机常见异常振动概述
• 4.3 振动信号的频域特征分析
• 4.3.1 转子不平衡的频谱征兆
• 4.3.2 转子动静碰摩的故障频谱征兆
• 4.3.3 不对中故障的频谱征兆
• 4.3.4 轴承松动故障的频谱征兆
• 4.3.5 油膜涡动与油膜振荡故障的频谱征兆
• 4.4 基于贝叶斯网络知识表示
• 4.5 基于贝叶斯网络的诊断模型的建立
• 4.6 专家系统中的推理机制
• 4.7 实例分析
• 4.8 小结
• 第五章 基于主成分分析法与贝叶斯网络的汽轮机故障诊断方法
• 5.1 引言
• 5.2 主成分分析法
• 5.2.1 主成分分析算法
• 5.2.2 主成分的特性
• 5.2.3 主成分的贡献率
• 5.3 仿真研究
• 5.3.1 基于模式识别技术的汽轮机故障诊断
• 5.3.2 主成分分析用于汽轮机故障样本特征提取
• 5.4 基于主成分分析方法和贝叶斯网络的汽轮机故障诊断
• 5.4.1 诊断模型的建立
• 5.4.2 诊断结果分析比较
• 5.5 小结
• 第六章 基于粗糙集理论与贝叶斯网络的汽轮机故障诊断方法
• 6.1 引言
• 6.2 粗糙集理论简介
• 6.3 基于粗糙集理论的知识约简
• 6.3.1 一般知识约简
• 6.3.2 相对知识约简
• 6.3.3 决策表化简
• 6.4 基于粗糙集理论的汽轮机诊断规则提取
• 6.5 基于粗糙集理论和贝叶斯网络的汽轮机故障诊断模型的建立
• 6.6 小结
• 第七章 结论与展望
• 7.1 论文的主要工作和创新点
• 7.2 本课题进一步的研究设想
• 参考文献
• 致谢
• 个人简历、在学期间参加的科研工作及学术论文发表