基于贝叶斯网络的不确定环境装备故障推理模型

基于贝叶斯网络的不确定环境装备故障推理模型

ID:38109181

大小:367.62 KB

页数:6页

时间:2019-05-25

基于贝叶斯网络的不确定环境装备故障推理模型_第1页
基于贝叶斯网络的不确定环境装备故障推理模型_第2页
基于贝叶斯网络的不确定环境装备故障推理模型_第3页
基于贝叶斯网络的不确定环境装备故障推理模型_第4页
基于贝叶斯网络的不确定环境装备故障推理模型_第5页
资源描述:

《基于贝叶斯网络的不确定环境装备故障推理模型》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、2011年8月西北工业大学学报Aug.2011第29卷第4期JournalofNorthwesternPolytechnicalUniversityVol.29No.4基于贝叶斯网络的不确定环境装备故障推理模型蔡志强,司书宾,孙树栋,王宁(西北工业大学现代设计与集成制造技术教育部重点实验室,陕西西安710072)摘要:针对不确定环境下装备故障传播及推理问题,提出了一种基于贝叶斯网络的故障推理模型,利用网络结构与概率分布有效表达装备中各部件故障状态、关联关系及传播方式。首先将模型中变量按照其对应部件在装备中所处地位及层次的差别进一步分为故障检

2、测变量、故障原因变量与故障模式变量三个子集。其次,依据维修人员在故障推理过程中的思维方式,提出了一套符合故障推理任务的模型网络结构有向边取向规则。然后,分析故障推理模型中变量条件概率分布特点,明确其在不确定性表达及参数简化中的优势。最后,建立平视显示器的故障推理模型实例,结合贝叶斯网络推理能力进行故障预测及诊断分析,验证模型的有效性。关键词:模型,装备,故障分析,拓扑结构,显示设备,概率,诊断,贝叶斯网络,故障推理模型,不确定性,平视显示器中图分类号:F273文献标识码:A文章编号:1000-2758(2011)04-0509-06随着现代

3、工业和科学技术的飞速发展以及现代障诊断过程,并研究了相应的诊断求解算法。但是,社会对装备性能的更高要求,其系统日趋庞大、功能上述模型在变量状态表达,不确定性关系描述、模型日臻完善,大型装备朝着高度自动化、集成化和大型集成、多源信息融合以及反向推理方面分别存在一[1]化的方向不断发展。但也给装备维护保障带来定的不足,不能满足不确定环境下同时进行装备故了极大的挑战。因此,急需建立基于大型装备内部障预测及诊断的需要。[6]深层关联的不确定性故障推理模型,提高模型表达贝叶斯网络(Bayesiannetwork,BN)是一种及推理的的准确性和智能性,

4、为装备维护保障提供概率图模型,主要通过网络结构表达变量及变量间有效的决策支持。的因果关系,并分别利用先验概率和条件概率对不目前,国内外学者对装备故障预测模型和诊断确定的变量状态分布和因果关系强度进行定量描[2]模型分别展开了大量的研究,Al-Garni等利用De述。对于已建立的BN模型,当输入任意变量的实HavillandDash-8飞机的实际故障数据建立了一个际分布信息时,根据变量间条件概率分布,采用贝叶人工神经网络(neuralnetwork,NN)模型来预测其斯定理进行后验概率推理,计算当前条件下其它变[3]轮胎故障率。Shalev和

5、Tiran针对传统故障树分量的后验概率分布。由于BN善于表达和分析不确析(faulttreeanalysis,FTA)表达能力不足的问题,定性事件,且具备描述多态事件和动态关系的能力,提出了基于条件的故障树分析方法,有效地推动了目前已成为分析人员与领域专家之间进行信息交流[4]大型装备可靠性与安全性的推理计算。Hou和Li的直观、高效工具[7]。Langseth等[8]分析了贝叶斯建立了一种基于支持向量机(supportvectorma-网络在可靠性分析领域的应用,并指出了贝叶斯网chine,SVM)的短期故障预测方法,并提出用进化规络方法

6、相对于传统故障树模型的优越性。Muller[5]划算法优化模型参数。韩光臣等提出一种模糊等[9]提出利用基于动态贝叶斯网络的预测模型来概率Petri网(Petrinet,PN)用于描述故障传播与故选择最优维修策略,实现了基于装备实时状态的主收稿日期:2010-10-18基金项目:航空科学基金(2009ZE53052)与陕西省科技计划(2010K8-11)资助作者简介:蔡志强(1981—),西北工业大学讲师、博士,主要从事系统可靠性建模及重要度分析优化研究。·510·西北工业大学学报第29卷[10]动维修,为工业系统运行提供支持。在国内,Ba

7、i何部件的影响,只需给出其先验概率分布。利用离散时间故障数据建立马尔可夫贝叶斯网络模1.2FIM变量类别型,并结合软件实际运行阶段进行软件可靠性预测。根据FIM中变量对应部件在实际装备中的地[11]Dong和Yang提出了一种基于动态贝叶斯网络的位及层次不同,变量集合X可进一步分为以下几个预测方法,用于估计设备的剩余有效寿命。无交叉子集:故障原因变量子集C、故障模式变量子本文在贝叶斯网络的基础上进行功能扩展,提集M、故障检测变量子集E,即X=C∪M∪E。出了一种故障推理模型(failureinferencemodel,1)故障原因变量FIM

8、)来解决不确定环境下装备故障推理问题。首故障原因变量表达了导致装备中某部件故障模先阐述了FIM的基本概念及模型组成部分,然后详式发生的原因,其信息来源主要有直接观测、可靠性细描述

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。