基于贝叶斯网络的设备故障诊断方法及系统技术方案

本发明专利技术公开了一种基于贝叶斯网络的设备故障诊断方法及系统。其中，所述方法可以根据输入的待诊断故障的设备的已知故障，从存储器中调取对应设备物理模型和经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出该已知故障信息下的最优的故障诊断推荐并存储该最优的故障诊断并存储该最优的故障诊断，能够实现充分考虑信息的不确定性，给出的诊断结果都是当前条件下的最优解，而不是定性值，能够根据实际的诊断结果更新数据库，保证诊断的准确性。

【技术实现步骤摘要】
基于贝叶斯网络的设备故障诊断方法及系统
本专利技术涉及设备故障诊断
，特别是涉及一种基于贝叶斯网络的设备故障诊断方法及系统。
技术介绍
目前行业内所开发和设计的设备故障诊断方案在功能上已较为完善，能够满足大多数情况下的需求。但其使用时要么忽略了信息不确定性，给出单一诊断结果；要么按照既定的程序与流程，顺序完成多次指引，不会根据实际的诊断结果更新数据库，无法保证诊断的准确性。
技术实现思路
本专利技术的目的在于提出一种基于贝叶斯网络的设备故障诊断方法及系统，能够实现充分考虑信息的不确定性，给出的诊断结果都是当前条件下的最优解，而不是定性值，能够根据实际的诊断结果更新数据库，保证诊断的准确性。根据本专利技术的一个方面，提供一种基于贝叶斯网络的设备故障诊断方法，包括：根据待诊断故障的设备，生成所述待诊断故障的设备的设备信息，所述设备信息包括设备类别、设备厂家、设备型号信息；根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集；根据所述设备物理模型和所述经进行关联规则挖掘后的训练数据集，输入所述待诊断故障的设备的已知故障；根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断并存储所述最优的故障诊断。其中，所述根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集，包括：根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，由所述设备物理模型提供基本拓扑，由所述关联规则对所述提供的基本拓扑进行修改，得到经进行关联规则挖掘后的训练数据集。其中，所述根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断并存储所述最优的故障诊断，包括：根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据所述调取出的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。其中，所述根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据所述调取出的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断，包括：根据所述输入的所述待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于所述已知故障部件的相邻部件和/或关联部件的故障，和根据所述获取的相邻部件和/或关联部件的故障信息和所述已知故障信息，更新所述故障条件概率信息，并根据所述更新后的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。其中，所述根据所述输入的所述待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于所述已知故障部件的相邻部件和/或关联部件的故障，和根据所述获取的相邻部件和/或关联部件的故障信息和所述已知故障信息，更新所述故障条件概率信息，并根据所述更新后的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断，包括：采取马尔科夫毯方式去除贝叶斯网络中不相关和/或冗余的变量，根据所述输入的所述待诊断故障的设备的已知故障和根据所述已去除不相关和/或冗余的变量后的贝叶斯网络的节点的局部结构，获取对应于所述已知故障部件的相邻部件和/或关联部件的故障，和根据所述获取的相邻部件和/或关联部件的故障信息和所述已知故障信息，更新所述故障条件概率信息，并根据所述更新后的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。其中，在所述根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断之后，还包括：检验所述给出的最优的故障诊断推荐是否符合实际情况，在检测出所述给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除所述不符合实际情况的最优的故障诊断推荐。根据本专利技术的另一个方面，提供一种基于贝叶斯网络的设备故障诊断系统，包括：生成单元、训练单元、输入单元、诊断单元；所述生成单元，用于根据待诊断故障的设备，生成所述待诊断故障的设备的设备信息，所述设备信息包括设备类别、设备厂家、设备型号信息；所述训练单元，用于根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集；所述输入单元，用于根据所述设备物理模型和所述经进行关联规则挖掘后的训练数据集，输入所述待诊断故障的设备的已知故障；所述诊断单元，用于根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断并存储所述最优的故障诊断。其中，所述训练单元，具体用于：根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，由所述设备物理模型提供基本拓扑，由所述关联规则对所述提供的基本拓扑进行修改，得到经进行关联规则挖掘后的训练数据集。其中，所述诊断单元，具体用于：根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据所述调取出的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。其中，所述基于贝叶斯网络的设备故障诊断系统，还包括：所述检验单元，用于检验所述给出的最优的故障诊断推荐是否符合实际情况，在检测出所述给出的最优的故障诊断推荐不符合实际情况，则反馈重新给出最优的故障诊断推荐和删除所述不符合实际情况的最优的故障诊断推荐。可以发现，以上方案，可以根本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯网络的设备故障诊断方法，其特征在于，包括：根据待诊断故障的设备，生成所述待诊断故障的设备的设备信息，所述设备信息包括设备类别、设备厂家、设备型号信息；根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集；根据所述设备物理模型和所述经进行关联规则挖掘后的训练数据集，输入所述待诊断故障的设备的已知故障；根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断并存储所述最优的故障诊断。

【技术特征摘要】
1.一种基于贝叶斯网络的设备故障诊断方法，其特征在于，包括：根据待诊断故障的设备，生成所述待诊断故障的设备的设备信息，所述设备信息包括设备类别、设备厂家、设备型号信息；根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集；根据所述设备物理模型和所述经进行关联规则挖掘后的训练数据集，输入所述待诊断故障的设备的已知故障；根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断并存储所述最优的故障诊断。2.如权利要求1所述的基于贝叶斯网络的设备故障诊断方法，其特征在于，所述根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，得到经进行关联规则挖掘后的训练数据集，包括：根据所述生成的设备信息，从存储器中获取对应所述生成的设备信息的基于贝叶斯网络的设备物理模型和训练数据集，并对所述训练数据集进行关联规则挖掘，由所述设备物理模型提供基本拓扑，由所述关联规则对所述提供的基本拓扑进行修改，得到经进行关联规则挖掘后的训练数据集。3.如权利要求1所述的基于贝叶斯网络的设备故障诊断方法，其特征在于，所述根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，给出所述已知故障信息下的最优的故障诊断推荐并存储所述最优的故障诊断并存储所述最优的故障诊断，包括：根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据所述调取出的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。4.如权利要求3所述的基于贝叶斯网络的设备故障诊断方法，其特征在于，所述根据所述输入的所述待诊断故障的设备的已知故障，从存储器中调取对应所述设备物理模型和所述经进行关联规则挖掘后的训练数据集的故障条件概率信息，并根据所述调取出的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断，包括：根据所述输入的所述待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于所述已知故障部件的相邻部件和/或关联部件的故障，和根据所述获取的相邻部件和/或关联部件的故障信息和所述已知故障信息，更新所述故障条件概率信息，并根据所述更新后的故障条件概率信息，计算出对应所述已知故障信息的最大似然的故障诊断信息，给出关联所述最大似然的故障诊断信息的最优的故障诊断推荐并存储所述最优的故障诊断。5.如权利要求4所述的基于贝叶斯网络的设备故障诊断方法，其特征在于，所述根据所述输入的所述待诊断故障的设备的已知故障和根据贝叶斯网络的节点的局部结构，获取对应于所述已知故障部件的相邻部件和/或关联部件的故障，和根据所述获取的相邻部件和/或关联部件的故障信息和所述已知故障信息，更新所述故障条件概率信息，并根据所述更新后的故障条件概率信息，计算出对应所述已...

【专利技术属性】
技术研发人员：陈国炎，陈颖，李俊均，
申请(专利权)人：广州供电局有限公司，
类型：发明
国别省市：广东,44