论文摘要
在现代机械系统的故障检测问题中，由于系统内部错综复杂的关系、信息测量手段的局限性、对系统知识的不甚了解等原因，会使得我们考察的问题本身具有较大的不确定性。贝叶斯网络作为基于概率论和图论的可视化网络模型，具有较强的自主学习能力和简洁直观的表达能力等诸多优越性，对于包含不确定性因素的复杂机械系统的相关问题研究具有很大的优势和广泛的应用前景。过贝叶斯网在具体应用中，也有很多问题需要考虑，比如样本过少，节点繁杂时，如何有效进行近似推理，贝叶斯网的节点赋值出现误差时我们怎么办，还有在应用贝叶斯网对机械进行故障检测时，需要安放许多传感器对系统进行信息读取，传感器过多可以更详尽地获取系统信息，不过过多的传感器会带有不少的“冗余信息”，并且会导致构建的网络底部节点相当多，加大网络学习成本。如何优化观察节点，提高推断效率是很有意义的工作。本文主要对贝叶斯网应用于机械故障检测中的上述关键问题进行一定研究和探讨，首先我们对实际应用中贝叶斯网的近似推理问题进行了研究，比对了两种随机模拟算法，并指出利弊，以便在应用中更好的实施。其次，观察节点的测量误差在机械系统故障检测中较为常见，但是传统的方法象小波包去噪之类几乎全部是对于连续信息的去噪处理，本文引进了Gmbs抽样方法用于对于离散化后节点的信息去噪消除测量误差，进行了相关探讨，并期望在实际应用中有断推广。最后我们考虑在系统故障检测问题中构建的贝叶斯网络观察节点的简化问题，由于实际问题中经验信息的缺乏及对系统机理的不甚了解，使得我们安放的传感器接收了过多冗余的系统信息，从而导致观察节点过多，进而导致贝叶斯网络推断成本的加大，我们以汽轮机故障检测为实例探讨了贝叶斯网应用中观测节点的优化问题，结合常用统计手段主成份分析和因子分析对含有重叠信息的贝叶斯网的底部节点进行主要故障信息的提取，在呆留原有主要观察信息的基础上，简化贝叶斯网叶节点，构造新网络进行故障诊断，降低推断成本，提高推断效率。