基于贝叶斯网络的机械设备故障诊断方法研究
郭日红， 董忠文， 谢国锋
(66440部队， 河北 石家庄 050001)
建立了一种基于贝叶斯网络的机械设备故障诊断模型，引入评分函数和蚁群算法对模型进行了优化，在模型建立过程中引入知识进行自我学习，减少了因检测对象造成的不确定信息，提高了机械设备故障检测的可信度，最后通过实例进行了验证。
科学技术的高速发展与不断更新变化，推动着现代工业科技化水平不断提高。机械设备作为工业生产的基本设施，不断向智能化、自动化、精密化、高速化、复杂化发展。这些特点决定了机械设备故障诊断越来越复杂，并且由于机械设备生产工作环境的不同、检测设备和检测技术的差异、人员操作水平的差异、预防措施和方法的差异等等因素，造成机械设备故障产生的不确定性［1-2］。因此，发展并应用先进的机械设备状态监测与诊断技术，采用科学的诊断方法，对机械设备故障进行诊断显得尤为重要。本文通过运用贝叶斯网络与蚁群优化算法相结合的方法,对复杂机械设备因不确定性因素引起的故障进行诊断。
1贝叶斯网络基本理论
贝叶斯网络又称有向无环图模型（directed acyclic graphical model）是一种概率图型模型，由有向无环图中的节点设定一组随机变量{X1，X2，.…,Xn}，用连接节点之间的有向边代表节点间的相互关系。其中用节点表示的随机变量是故障状态集。连接两个节点之间的有向边，表示两个随机变量具有因果关系或者表示非条件独立。变量的取值对应证据和假设，变量之间的依赖影响程度用条件概率来表示。基于概率推理的贝叶斯网络是为了解决不确定性和不完整性问题而提出的，它对于解决复杂设备不确定性和关联性引起的故障有很大的优势。针对机械设备结构的复杂性以及故障产生原因的不确定性，把诊断对象及其运行环境的不确定性因素用网络节点表示，把故障与故障征兆之间的对应关系用节点之间的有向边表示，结合领域专家知识，运用评分函数，采用蚁群优化算法构造机械设备故障诊断贝叶斯网络模型［3-4］。
设G=(X,E)表示一个有向无环图，X表示图中所有节点的集合；E表示有向边集；Xi为图中第i个节点表示的随机变量，则节点X的联合概率分布可表示为：
P(X)=P(X1,X2,…,Xi)=∏〖DD(〗I〖〗i=1〖DD)〗P［Xi｜Pa(Xi)］
(1)
式中：Pa(Xi)是节点Xi的因，称为Xi的父节点，Xi为子节点。Pa(Xi)表示为贝叶斯网络有向无环图中Xi的父节点集合，因此Xi独立于除Pa(Xi)之外的所有其余节点。
设机械故障贝叶斯网络JBN=(I,E,P)，其中I为表示故障状态的网络节点集合；E为父节点与子节点之间有向边集，有向边反映了父节点和子节点之间的因果依赖关系；P为网络中任一个节点条件概率分布的参数集合。对于节点Xi，Pa(Xi)为其父节点，则在已知Pa(Xi)的条件下，节点Xi的条件概率为P(Xi)=P［Xi|Pa(Xi)］。
2蚁群优化算法
蚁群优化算法(ant colony optimization，ACO)是通过模拟自然界中蚂蚁集体寻找食物源到蚁巢......
作者简介：郭日红（1982—），男，山西怀仁人，66440部队助理工程师，硕士，主要研究方向为机械维修、导弹测试、雷达原理。
（文章来源《机械设计与制造工程》杂志如需详细资料请联系江苏机械门户网客服QQ:2980918915,电话025-83726289）
更多关注，请扫码
| 
最新图文
