一种基于贝叶斯网络的工业故障路径追溯方法及系统技术方案

本发明专利技术公开一种基于贝叶斯网络的工业故障路径追溯方法及系统。所述基于贝叶斯网络的工业故障路径追溯方法包括：步骤1：数据预处理，剔除原始数据中的噪声数据；步骤2：根据预处理后的数据，进行贝叶斯网络建模；步骤3：异常值检测，拟合自回归模型，并对拟合残差作后验检验来判断数据异常；步骤4：故障路径追溯，根据所检测出异常数据及故障属性，通过分析父节点的最大影响来求得一条最有可能的故障传播路径。本发明专利技术还提供一种基于贝叶斯网络的工业故障路径追溯方法的系统。

【技术实现步骤摘要】
一种基于贝叶斯网络的工业故障路径追溯方法及系统
本专利技术属于人工智能
，具体的涉及一种基于贝叶斯网络的工业故障路径追溯方法及系统。
技术介绍
随着现代工业的快速发展，工业系统的复杂程度与日俱增。为保障这类系统日益增长的安全性及可用性需求，近年来，国内外学者陆续提出了大量故障诊断算法。作为一种将系统内在结构与外部观测值相结合的异常部件定位及异常原因分析技术，故障诊断能够帮助专业技术人员有效地进行故障排查，从而制定可行的解决方案，以避免不必要的工业损失。近年来，基于贝叶斯网络的故障诊断技术得到了国内外学者的广泛关注，不同类型的贝叶斯网络已被陆续应用于故障诊断领域中。贝叶斯网络是概率知识表达及推理能力最强大的概率图模型之一，它能够有效地处理故障诊断过程中存在的不确定性信息。如今，贝叶斯网络已在许多真实生活中的故障诊断领域得到了大量应用，特别是工业领域。然而，大多数现有的贝叶斯故障诊断技术往往旨在定位出导致故障发生的某一特定部件，而忽略了各设备属性之间固有的相互影响作用。实际上，系统中多个步骤均有可能存在异常。因此，根据观测数据实现有效的故障路径追溯是十分有必要的。
技术实现思路
针对上述现有技术的不足，本专利技术的目的在于提供一种基于贝叶斯网络的工业故障路径追溯方法及系统，在建立贝叶斯网络及检测到异常数据中的故障属性后，通过条件概率分解及二分法计算各子节点在不同父节点组合下的最大条件估计值，然后与真实值进行比较，采用自下而上的溯因法得到一条或多条最有可能导致该故障发生的路径。为达成上述目的，本专利技术采用如下技术方案：一种基于贝叶斯网络的工业故障路径追溯方法包括：步骤1：数据预处理，剔除原始数据中的噪声数据；步骤2：根据预处理后的数据，进行贝叶斯网络建模；步骤3：异常值检测，拟合自回归模型，并对拟合残差作后验检验来判断数据异常；步骤4：故障路径追溯，根据所检测出异常数据及故障属性，通过分析父节点的最大影响来求得一条最有可能的故障传播路径。优选地，步骤1具体包括如下步骤；步骤1.1：剔除原始数据中的异常数据；步骤1.2：对原始样本进行正则化，并记录全样本的均值和方差等正则化参数信息。优选地，步骤2具体包括如下步骤：步骤2.1：将原始大规模样本分割成相互部分重叠的训练批样本；步骤2.2：初始化与样本量和维度有关的惩罚项等参数，调控网络结构的稀疏度；步骤2.3：利用稀疏贝叶斯网络(SparseBayesianNetwork，SBN)算法，依次对每一个节点进行父节点的搜索，并加入广度优先搜索方法避免生成环路，经过若干次迭代，父节点及其对应关系系数趋于稳定，获得当前数据下的有向无环图及参数。优选地，步骤3具体计算过程如下：步骤3.1：用AR自回归模型拟合数据建立预测模型，将预测结果与真实值对比求得预测残差；步骤3.2：对预测残差作基于假设的后验检验，得到数据正常或异常的标记。优选地，步骤4具体包括如下步骤：步骤4.1：利用条件概率分解式：计算异常数据中故障属性对应节点在其不同父节点组合下的后验估计值；其中，S是故障属性节点，Ω是S的所有父节点集合，T是Ω的一个子集，{XA}是集合A在异常数据X中的真实取值；步骤4.2：利用二分法数值估计S的取值，使得P＝P(S|T＝{XT})最大；对P求导，得到然后利用二分法求解P′＝0的近似解xS：计算所有μi，令则P′(a)和P′(b)必定异号，这意味着存在x∈(a,b)，使得P′＝0；若P′(a)＜0、P′(b)＞0，则计算；如果则停止计算并输出如果则将区间缩小至继续二分查找；否则在区间中继续二分查找；重复上述步骤，直到得到满足相应近似精度的x，输出xS＝x；步骤4.3：将估计值与真实值对比，把最接近估计值的父节点组合作为原因；步骤4.4：若所搜寻到的原因节点均无父节点，则将搜索到的各原因节点依路径输出；否则将搜寻到的原因节点作为新的异常节点，重复步骤4.2和4.3。一种基于如上所述的一种基于贝叶斯网络的工业故障路径追溯方法的系统包括：数据预处理模块，其用以剔除原始数据中的噪声数据，将原始数据正则化；贝叶斯网络学习模块，其用以增量式学习贝叶斯网络结构，及贝叶斯网络参数；异常值检测模块，其用以拟合自回归模型，并对拟合残差作后验检验来判断数据异常；故障路径追溯模块：其用以根据所检测出异常数据及故障属性，通过分析父节点的最大影响来求得一条最有可能的故障传播路径。相较于现有技术，本专利技术提供的技术方案具有如下有益效果：所述基于父节点影响的贝叶斯网络故障路径追溯方法和系统不仅采用父节点变量真实值来计算条件概率，还利用故障变量真实值来比较确定原因节点，在更大程度上利用了数据中的先验信息。同时，由于利用了贝叶斯网络的局部马尔可夫性质，在求解联合概率时，将变量数由网络节点总数减少到了父子节点局部总数，大大降低了计算复杂度，提高了计算效率，可以快速并有效地追踪出可能存在的故障传播路径，更好地满足工业故障在线实时诊断的业务需求。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1本专利技术实施的基于贝叶斯网络的工业故障路径追溯方法流程图；图2本专利技术中所涉及贝叶斯网络范例图；图3本专利技术中实施的基于贝叶斯网络的工业故障路径追溯方法网络结构范例图；图4本专利技术中实施的基于贝叶斯网络的工业故障路径追溯方法网络参数范例图。具体实施方式为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。本专利技术的权利要求书、说明书及上述附图中，除非另有明确限定，如使用术语“第一”、“第二”或“第三”等，都是为了区别不同对象，而不是用于描述特定顺序。本专利技术的权利要求书、说明书及上述附图中，除非另有明确限定，对于方位词，如使用术语“中心”、“横向”、“纵向”、“水平”、“垂直”、“顶”、“底”、“内”、“外”、“上”、“下”、“前”、“后”、“左”、“右”、“顺时针”、“逆时针”等指示方位或位置关系乃基于附图所示的方位和位置关系，且仅是为了便于叙述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位或以特定的方位构造和操作，所以也不能理解为限制本专利技术的具体保护范围。本专利技术的权利要求书、说明书及上述附图中，除非另有明确限定，如使用术语“固接”或“固定连接”，应作广义理解，即两者之间没有位移关系和相对转动关系的任何连接方式，也就是说包括不可拆卸地固定连接、可拆卸地固定连接、连为一体以及通过其他装置或元件固定连接。本专利技术的权利要求书、说明书及上述附图中，如使用术语“包括”、“具有”以及它们的变形，意图在于“包含但不限于”。首先，需要说明的是，贝叶斯网络是指一个有向无环图，如图2所示。其中节点代表随机变量，节点间的边代表变量之间的直接依赖关系，每个节点都附有一个概率分布。具体地，如图1所示，本专利技术提供的一种基于贝叶斯网络的工业故障路径追溯方法，包括以下步骤：步骤1，数据预处理：剔除原始数据中的噪声数据，将原始数据正则化。具体包括如下步骤：步骤1.1：根据先验知识删除系统停运状态数据，并对本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯网络的工业故障路径追溯方法，其特征在于，包括：步骤1：数据预处理，剔除原始数据中的噪声数据；步骤2：根据预处理后的数据，进行贝叶斯网络建模；步骤3：异常值检测，拟合自回归模型，并对拟合残差作后验检验来判断数据异常；步骤4：故障路径追溯，根据所检测出异常数据及故障属性，通过分析父节点的最大影响来求得一条最有可能的故障传播路径。

【技术特征摘要】
1.一种基于贝叶斯网络的工业故障路径追溯方法，其特征在于，包括：步骤1：数据预处理，剔除原始数据中的噪声数据；步骤2：根据预处理后的数据，进行贝叶斯网络建模；步骤3：异常值检测，拟合自回归模型，并对拟合残差作后验检验来判断数据异常；步骤4：故障路径追溯，根据所检测出异常数据及故障属性，通过分析父节点的最大影响来求得一条最有可能的故障传播路径。2.如权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法，其特征在于：步骤1具体包括如下步骤；步骤1.1：剔除原始数据中的异常数据；步骤1.2：对原始样本进行正则化，并记录全样本的均值和方差等正则化参数信息。3.如权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法，其特征在于：步骤2具体包括如下步骤：步骤2.1：将原始大规模样本分割成相互部分重叠的训练批样本；步骤2.2：初始化与样本量和维度有关的惩罚项等参数，调控网络结构的稀疏度；步骤2.3：利用稀疏贝叶斯网络(SparseBayesianNetwork，SBN)算法，依次对每一个节点进行父节点的搜索，并加入广度优先搜索方法避免生成环路。经过若干次迭代，父节点及其对应关系系数趋于稳定，获得当前数据下的有向无环图及参数。4.如权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法，其特征在于：步骤3具体计算过程如下：步骤3.1：用AR(AutoRegression)自回归模型拟合数据建立预测模型，将预测结果与真实值对比求得预测残差；步骤3.2：对预测残差作基于假设的后验检验，得到数据正常或异常...

【专利技术属性】
技术研发人员：帅云峰，周春蕾，高阳，宋蓓，孙栓柱，张友卫，李逗，杨晨琛，李春岩，潘苗，王林，孙彬，高进，王其祥，王明，
申请(专利权)人：江苏方天电力技术有限公司，南京大学，国网江苏省电力有限公司，国家电网公司，
类型：发明
国别省市：江苏,32