贝叶斯网络在机械故障诊断中的应用研究

《贝叶斯网络在机械故障诊断中的应用研究》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、重庆大学硕士学位论文摘要摘要随着机械设备的自动化、智能化、大型化、集成化、复杂化程度不断提高。在设备运行状态检测的基础上展开设备故障诊断就显得尤为必要，利用诊断结论采取相应的对策，可以提高设备运行的可靠性，保证设备的完好性。针对以信息处理技术为手段的现代设备诊断技术，对多故障同时发生和各种故障之间可能存在的相互联系及影响难以分析的不足，本文对贝叶斯网络在机械故障诊断中的应用进行了研究。贝叶斯网络是目前不确定性知识表达和推理领域最有效的理论模型之一，适用于不确定性和概率推理的知识表达和推理。它是一种基于网络结构的有向图解描述，

2、能进行双向并行推理，并能综合先验信息和样本信息，使得推理结果更为准确可信。因此，贝叶斯网络在故障诊断领域中的应用具有重要意义。本文以旋转机械常见振动故障为对象，首先对旋转机械常见振动故障特征进行了论述。然后阐述了贝叶斯网络基本理论，对贝叶斯网络基于联合树的精确推理方法进行了论述，探讨了贝叶斯网络的学习算法。在之前理论研究的基础上，针对机械故障特有的表现形式建立了基于贝叶斯网络的机械故障诊断模型。该模型是一个两层结构的贝叶斯网络模型，该模型具有以下特点：（1）贝叶斯网络模型能够自然的融入机械故障诊断中的不确定性知识，对各种因素

3、不确定度的结合有着见识的概率论基础，使诊断结论更加全面和准确；（2）图形化的知识表达方式更加清晰，具有良好的可解性；（3）推理机制与知识表达完全分开，知识库更便于扩充和完善；（4）可以进行多种形式的诊断推理，能有效的进行复合故障诊断；（5）可以提供量化的故障诊断结论，给出诊断建议；利用该模型本文采用DecisionSystemsLaboratory,UniversityofPittsburgh所开发的贝叶斯网络推理平台GeNIe对一些设备的实测数据进行了故障诊断分析，验证了该模型的有效性。最后对推理诊断系统做出了总体设计。关

4、键词：贝叶斯网络，故障诊断，概率推理，不确定性推理I重庆大学硕士学位论文AbstractABSTRACTWiththeimprovementofmechanicalonautomatic,intelligence,largescale,integrationandcomplication,itistheveryturntostartoutdiagnoseofmechanicalfailure,whichisbasedonthecheck-upoffunctionconditionofmachine.Tocarryoutsom

5、erelativeoffunctionaswellaswecanensurethereliabilityofmodernmachinediagnosebymeansofinformationprocess,thepotentialcombinationofmanyfailuresthathappenatthesametime,aswellastheshortcomingsofunanalysable,theauthorwillfocusmoreontheBayesianNetwork.TheBayesianNetworkis

6、oneofthemostefficienttheoreticallymodelonuncertainthingsexpressionandinferencefield.Ifcanbeusedtotheexpressionaswellasinferenceofuncertaintyandprobability.Asaexist-waydiagramdescriptionbasedonnetconstruction,itcanstarttwo-wayinferenceaswellassynthesizepre-testedand

7、sampleinformation.Theresultseemsconceivableofwefollowthat.Sincethat,BayesianNetworkhasadeepimpactonmechanicalfailurefield.Withthetargetofsomecommonvibrationfailureinrotarymachine,theauthorgivesadepictionofsomefeaturesfirstly.ThenelaboratesthebasictheoryonBayesianNe

8、twork,theaccuratereferenceapproachesbasedonjunctiontree,andsomelearningmethods.Wesetupsomemechanicalfailuremodels.Featuresasfollow:(1)BayesianNet