一种基于贝叶斯置信网络的故障预测系统及方法技术方案

本发明专利技术提供一种基于贝叶斯置信网络的故障预测系统及方法，所述方法括：根据系统结构及内部联系建立基于贝叶斯置信网络的系统数学模型，模型包括系统层级互联结构以及条件概率组成的参数；根据根节点元器件故障率，通过贝叶斯置信网络推理引擎，计算系统故障率分析薄弱环节；再根据可靠性相关公式，预测该系统的平均故障前时间。本发明专利技术提供的基于贝叶斯置信网络的故障预测系统及方法，针对不确定性高内部互联关系复杂的系统能够更加准确、快捷地对系统进行可靠性分析，寻找系统薄弱环节，计算系统故障率并进行寿命预测，因此具有较好的工程应用价值。

【技术实现步骤摘要】
一种基于贝叶斯置信网络的故障预测系统及方法
本专利技术涉及一种基于贝叶斯置信网络的故障预测系统及方法，属于故障诊断与预测

技术介绍
故障诊断和预测的方法众多，但是，故障诊断与预测方法的确定和选择涉及诸多的因素，如失效的类型、失效模式的形式、失效的判据、处理数据的方法、以及对变量不确定性的考虑等等，这对于故障诊断和预测在实际当中的应用带来巨大的难题。贝叶斯置信网络作为一种基于统计学的建模分析方法具有许多优点。它用数学模型采用概率的形式定量地描述了变量之间的因果关系及相关程度。而且贝叶斯置信网络的推理是双向的，既可以自底向上又可以从顶向下，其灵活多变的特性使得它既可以完成故障诊断又可以进行故障预测。另外贝叶斯方法还有一大优势就在于它坚实的数学理论基础，有着严格的数学推导过程，推理方法较为成熟，具有较强的可信度。基于贝叶斯置信网络的故障预测是在系统使用前或尚未出现故障的某时刻下，利用系统历史数据和专家经验构建贝叶斯置信网络，用数学网络描述系统部件之间的相互关系，将信息数据输入网络进行联合推理来预测系统的故障率，由原因和现象推理结果。将贝叶斯置信网络与可靠性相关知识结合，由网络计算系统的故障率，再由可靠性相关公式对故障率进行相关计算得到平均故障前时间，完成故障诊断及预测。
技术实现思路
针对现有技术存在的问题，本专利技术提供一种基于贝叶斯置信网络的故障预测系统及方法。其中，该系统可以分为三个主要部分：贝叶斯置信网络建模、贝叶斯置信网络推理及故障预测；该基于贝叶斯置信网络的故障预测系统框架如图1所示。贝叶斯置信网络建模：贝叶斯置信网络建模分为两个部分：结构构建和参数构建。结构构建主要包括系统的节点以及节点之间的连接关系，可以由系统结构直接构建。将系统中的部件(输入)作为贝叶斯置信网络的根节点，由部件组成的分系统、系统的子系统作为贝叶斯置信网络的中间节点，系统(输出)作为贝叶斯置信网络的叶节点(最终节点)。在系统结构复杂难以直接构建贝叶斯置信网络时，可以结合故障树或进行结构学习来辅助构建贝叶斯置信网络。故障树是一种用树状表示单元件逻辑连接因果关系的图，可以方便明了的描述系统，与故障树相比，贝叶斯置信网络可以处理更多的数据及更复杂的逻辑关系，如底事件状态随时间的连续变化信息在故障树方法中是呈指数级别递增的，无法运算。另外故障树之间的逻辑门只能表达单元间的确定逻辑关系，而贝叶斯置信网络的条件概率既可以表达确定的逻辑关系，又可以表达不确定的逻辑关系，体现系统中任意节点之间的关系，更加灵活，实用性更强，运算能力更强大。故障树具体是：将故障树中的底事件作为贝叶斯置信网络中的根节点，将故障树中的中间事件作为贝叶斯置信网络中的中间节点，将故障树中的顶事件作为贝叶斯置信网络中的叶节点(最终节点)。当网络内部节点关系不明确时可以采取结构学习的方法确定连接关系，根据历史数据使用结构学习算法构建贝叶斯置信网络。参数构建包括网络中根节点的先验概率和网络中的条件概率。在本专利技术中，针对的是具有故障、正常的二态系统，且关注于其故障率，因此根节点的先验概率就是系统输入点的故障率，该故障率可以由失效物理模型获得，给定工作环境得到故障率函数。条件概率可以由专家经验获得也可以根据系统的历史数据进行参数学习。通过条件概率，贝叶斯置信网络能够更精确地反映出相同层级、不同层级单元之间的连接关系，由底层单元的状态决定上层单元的状态，其预测结果充分考虑了底层单元的变化和系统内部的关联条件。因此条件概率直接影响到了预测结果的准确度以及可信度。贝叶斯置信网络推理：贝叶斯置信网络有许多种推理方法，分别对应于不同类型、不同特点的数据集。其中，消息传播法和连接树法是最为基础也是运用最为广泛的方法。消息传播法仅适用于单连通网络，而连接树方法可以计算多连通网络。本专利技术采用的是连接树方法，是一种精确推理方法。根据已经构建好的贝叶斯置信网络结构、根节点的先验概率和条件概率，通过连接树方法可以求得系统中每个节点(包括输入、输出、子系统)的故障率。若在实际情况中，系统工作状态下监测得到某节点的状态，则可以将其作为证据信息输入贝叶斯置信网络，进行信息更新，可以得到更为精确的结果。故障率往往是一个随时间变化的函数，因此可以将时间离散化，设定多个时间节点，分别进行推理得到不同时刻各节点的故障率，为后面的故障预测工作做准备。故障预测：由于贝叶斯置信网络具有非常强大的处理概率问题的能力，因此本文所提出的故障预测均以故障率为基础进行。通过构建好的贝叶斯置信网络，能够根据其输入节点的故障率来推测其他任意节点的故障率。故障预测中分两个部分，一是在静态下通过当前时刻的数据定位系统的薄弱环节；二是在动态下根据未来不同时刻各节点的故障率构建故障率函数来进行故障预测。在静态下，可以运用贝叶斯置信网络结合证据信息对系统故障进行分析，根据故障阈值定位薄弱环节，预测系统未来的状态，并依据此指导改进设计。在动态下，可以根据输入节点的故障率函数得到不同时刻根节点的故障率，通过贝叶斯置信网络的推理进而得到系统不同时刻的故障率。取若干时间节点的值后对系统的故障率变化进行拟合，得到系统与时间相关的故障率函数，再运用可靠性的知识得到系统的平均故障前时间(MeanTimeToFailure,MTTF)，完成故障预测。相关公式如下：式中R(t)为随时间变化的可靠度函数，t为时间，e为自然常数，MTTF为平均故障前时间，单位是小时。根据上述一种基于贝叶斯置信网络的故障预测系统，本专利技术还包括故障预测方法，以保证本专利技术能够正常实施，具体步骤如下：步骤1，根据系统结构构建贝叶斯置信网络结构，在构建过程中可以运用故障树和结构学习进行辅助构建；步骤2，在贝叶斯置信网络的结构构建完成后进行参数构建，参数构建主要指底层根节点的先验概率和贝叶斯置信网络中各节点之间的条件概率，先验概率可以由失效物理模型得到，条件概率可以根据历史数据进行学习或者根据专家经验构建；步骤3，在贝叶斯置信网络构建完成后展开贝叶斯推理，推理模型选择连接树方法，通过当前时刻的证据信息可以得到该时刻下每个节点所处状态的概率；步骤4，根据贝叶斯推理的结果对比网络中各节点的故障率，定位系统的薄弱环节，针对薄弱环节可以展开检修维护或改进设计；步骤5，根据根节点的故障率函数计算未来时刻各节点的故障率，拟合为系统的故障率函数；步骤6，根据拟合得到的故障率函数，结合可靠性公式，计算系统的可靠度函数以及平均故障时间MTTF。通过以上步骤我们可以通过贝叶斯置信网络得到系统的故障率函数、可靠度函数、平均故障时间MTTF，完成故障预测。本专利技术的优点及有益效果在于：本专利技术提供的基于贝叶斯置信网络的故障预测系统及方法，针对不确定性强、结构复杂的系统能够更加简便、快捷地计算出系统的MTTF，完成故障预测，具有较好的工程应用价值。附图说明图1是本专利技术中所提出的基于贝叶斯置信网络的故障预测系统的结构框图。图2是本专利技术实施例演示中所用到的某车辆主动悬挂系统结构示意图。图3是本专利技术中所提出的基于贝叶斯置信网络的故障预测方法的详细流程。图4是贝叶斯置信网络推理引擎中连接树方法的步骤。图5是连接树方法中三角图的构建过程示意图。图5(a)是原始图。图5(b)是由原始图得到的端正图。图5(c)是由端正图得本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯置信网络的故障预测系统，其特征在于：该系统分为三个部分：贝叶斯置信网络建模、贝叶斯置信网络推理及故障预测；其中，贝叶斯置信网络建模：贝叶斯置信网络建模分为两个部分：结构构建和参数构建；结构构建包括系统的节点以及节点之间的连接关系，由系统结构直接构建；将系统中的部件作为贝叶斯置信网络的根节点，由部件组成的分系统、系统的子系统作为贝叶斯置信网络的中间节点，系统作为贝叶斯置信网络的叶节点；当网络内部节点关系不明确时采取结构学习的方法确定连接关系，根据历史数据使用结构学习算法构建贝叶斯置信网络；参数构建包括网络中根节点的先验概率和网络中的条件概率；系统是具有故障、正常的二态系统，且关注于其故障率，因此根节点的先验概率就是系统输入点的故障率，该故障率由失效物理模型获得，给定工作环境得到故障率函数；条件概率由专家经验获得或者根据系统的历史数据进行参数学习；通过条件概率，贝叶斯置信网络能够更精确地反映出相同层级、不同层级单元之间的连接关系，由底层单元的状态决定上层单元的状态，预测结果充分考虑了底层单元的变化和系统内部的关联条件；因此条件概率直接影响到了预测结果的准确度以及可信度；贝叶斯置信网络推理：根据已经构建好的贝叶斯置信网络结构、根节点的先验概率和条件概率，通过连接树方法求得系统中每个节点的故障率；在实际情况中，系统工作状态下监测得到某节点的状态，则将其作为证据信息输入贝叶斯置信网络，进行信息更新，得到更为精确的结果；故障率是一个随时间变化的函数，因此将时间离散化，设定多个时间节点，分别进行推理得到不同时刻各节点的故障率，为后面的故障预测工作做准备；故障预测：故障预测中分为两个部分，一是在静态下通过当前时刻的数据定位系统的薄弱环节；二是在动态下根据未来不同时刻各节点的故障率构建故障率函数来进行故障预测；在静态下，运用贝叶斯置信网络结合证据信息对系统故障进行分析，根据故障阈值定位薄弱环节，预测系统未来的状态，并依据此指导改进设计；在动态下，根据输入节点的故障率函数得到不同时刻根节点的故障率，通过贝叶斯置信网络的推理进而得到系统不同时刻的故障率；取若干时间节点的值后对系统的故障率变化进行拟合，得到系统与时间相关的故障率函数，再运用可靠性的知识得到系统的平均故障前时间Mean Time To Failure,MTTF，完成故障预测；相关公式如下：...

【技术特征摘要】
1.一种基于贝叶斯置信网络的故障预测系统，其特征在于：该系统分为三个部分：贝叶斯置信网络建模、贝叶斯置信网络推理及故障预测；其中，贝叶斯置信网络建模：贝叶斯置信网络建模分为两个部分：结构构建和参数构建；结构构建包括系统的节点以及节点之间的连接关系，由系统结构直接构建；将系统中的部件作为贝叶斯置信网络的根节点，由部件组成的分系统、系统的子系统作为贝叶斯置信网络的中间节点，系统作为贝叶斯置信网络的叶节点；当网络内部节点关系不明确时采取结构学习的方法确定连接关系，根据历史数据使用结构学习算法构建贝叶斯置信网络；参数构建包括网络中根节点的先验概率和网络中的条件概率；系统是具有故障、正常的二态系统，且关注于其故障率，因此根节点的先验概率就是系统输入点的故障率，该故障率由失效物理模型获得，给定工作环境得到故障率函数；条件概率由专家经验获得或者根据系统的历史数据进行参数学习；通过条件概率，贝叶斯置信网络能够更精确地反映出相同层级、不同层级单元之间的连接关系，由底层单元的状态决定上层单元的状态，预测结果充分考虑了底层单元的变化和系统内部的关联条件；因此条件概率直接影响到了预测结果的准确度以及可信度；贝叶斯置信网络推理：根据已经构建好的贝叶斯置信网络结构、根节点的先验概率和条件概率，通过连接树方法求得系统中每个节点的故障率；在实际情况中，系统工作状态下监测得到某节点的状态，则将其作为证据信息输入贝叶斯置信网络，进行信息更新，得到更为精确的结果；故障率是一个随时间变化的函数，因此将时间离散化，设定多个时间节点，分别进行推理得到不同时刻各节点的故障率，为后面的故障预测工作做准备；故障预测：故障预测中分为两个部分，一是在静态下通过当前时刻的数据定位系统的薄弱环节；二是在动态下根据未来不同时刻各节点的故障率构建故障率函数来进行故障预测；在静态下，运用贝叶斯置信网络结合证据信息对系统故障进行分析，根据故障阈值定位薄弱环节，预测系统未来的状态，并依据此指导改进设计；在动态下，根据输入节点的故障率函数得到不同时刻根节点的故障率，通过贝叶斯置信网络的推理进而得到系统不同时刻的故障率；取若干时间节点的值后对系统的故障率变化进行拟合，得到系统与时间相关的故障率函数，再运用可靠性的知识得到系统的平均故障前时间MeanTimeToFailure,MTTF，完成故障预测；相关公式如下：式中R(t)为随时间变化的可靠度函数，t为时间，e为自然常数，MTTF为平均故障前时间，单位是小时。2.根据权利要求1所述的一种基于贝叶斯置信网络的故障预测系统，其特征在于：所述连接树方法是将原模型按照一定的规则转化为连接树模型，然后用消息传播法进行计算，其步骤如下：步骤1：构建贝叶斯置信网络结构对应的端正图；步骤2：将步骤1中所得的端正图进行三角化，得到三角图；步骤3：创建连接树；步骤4：给连接树中的簇分配参数；步骤5：使用消息传...

【专利技术属性】
技术研发人员：胡薇薇，司田煜，孙宇锋，赵广燕，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11