bayes网络在故障诊断中的应用

《bayes网络在故障诊断中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、郑州大学硕士学位论文Bayes网络在故障诊断中的应用姓名：费致根申请学位级别：硕士专业：机械设计及理论指导教师：黄士涛20040505摘要Vn638982目前，出于安全、高效生产的考虑，各个大型[厂基本上都对一些重要设备实施了实时监控，由传感器不断地获取机组运行状态的各种参数，并对这些参数进行有效地存储，就形成了庞大的数据仓库。人们关心的是从这些数据库中我们可以发现什么样的有价值的知识，这些知识以什么样的形式表现出来。基于人们的这一关注，本文将贝叶斯网络一一数据挖掘的一种方法引入到故障诊断领域，以直观的表达形式，有效地解决了数据库中的知识发现问题。贝叶斯网络以统计学为基础，是数据挖掘技术的一种

2、方法。本质上贝叶斯网络是一个有向无循环的图表模型，直观地表述了多个变量之间的依赖关系。它通过一个有向无循环表来描述各个节点之间的因果关系，通过一个条件概率分布表来描述各个节点之间的关系密切程度。并且，贝叶斯网络可以有效地把先验知识和现有数据结合起来，使得网络的推理结果更加的合理。特别是在当前数据较少或者较难获得的情况下，贝叶斯网络的这一优点更加明显。结合故障诊断技术自身特点，本文组建了一个具有两层结构的贝叶斯网络模型，上层代表故障节点，下层代表症状节点，且所有节点所对应的随机变量都是二元矢量。在网络模型结构已知的前提下，根据故障样本数据的完整与否，我们采用不同的学习法则来有效地调整贝叶斯网络模

3、型的条件概率分布表，使之更符合特定机组的实际运行情况。同时一种简化的推论法则被用来计算各个故障发生的后验概率，这样就可以有效地解决对故障数据的识别、分类问题。最后，利用转子实验台的模拟故障数据对该网络模型进行考核。结果表明，网络模型的学习是有效的，其推理结果是和专家知识相一致的。之所以采用贝叶斯网络来进行故障诊断，是因为贝叶斯网络用于故障诊断有其突出的优势。第一，贝叶斯网络方法有坚实的理论基础：第二，贝叶斯网络有成熟的概率推理算法；第三，贝叶斯网络更适合于表达设备故障诊断问题；第四，贝叶斯网络具有很强的学习能力。在wINDOWS2000开发平台上，结合开发工具Matlab6．1，采用模块化的程

4、序设计方法，对该数据挖掘方法进行了软件实现。关键词：故障诊断；数据挖掘；贝叶斯网络；分类AbstractAtpresent，forthepurposeofsafetyandhighefficiency，therealityoftheinstallationofreal-timemonitoringsystemtosignificantequipmenthascomeintobeinginmanysizeableenterprises．allofiUformationaboutthemachineareobtainedbythesensorsandstoredeffectivelvIthenla

5、rge-scaledatabasesanddatawarehousescomeintobeing。WhatweeoucernliesinwhatValuablewecanfindfromthesedatawarehousesandhowtopresenttheknowledge．Consideringourconcerns，thebayesnetwork，whichisonemethodofdatamining．isintroducedtothefaultdiagnosisfields．Theproblemhowtofindknowledgefromthedatabasesissolved．O

6、nthebaseofstatistics，thebayesnetworkisamethodofdatamining．Inessencethebayesnetworkisadirectedacyclicgraphpresentingdirectlythereliancerelationsamongmanyvariables．Itdepictsthecauseandeffectrelatinnsbyadirectedacyclicgraphandthechummyrelationsbyaconditionalprobabilitydistributiontableamongallnodes．Mor

7、eover'wecanincorporatethepriorknowledgeintocurrentdataeffectivelyandgetamorereasonableresulLEspeciallywhenthecurrentdataarescarceorhardtoobtain．theadvantageofthebayesnetworkisevident．Accordingtothepro