一种贝叶斯网络参数初始化方法技术

本发明专利技术属于设备故障智能诊断领域，具体涉及一种贝叶斯网络参数初始化方法。专家知识对贝叶斯网络参数只能进行大范围约束，需通过人为分析并不断计算才能得出贝叶斯网络参数，需耗费大量时间及精力。本发明专利技术包括如下三个步骤：步骤1：贝叶斯网络诊断模型的建立。步骤2：模拟故障样本库的生成。依据设备的专家知识形成诊断规则，再依据诊断规则得到模拟“征兆状态

【技术实现步骤摘要】
一种贝叶斯网络参数初始化方法


[0001]本专利技术属于设备故障智能诊断领域，具体涉及一种贝叶斯网络参数初始化方法。

技术介绍

[0002]核主泵是压水堆核电站的关键设备之一，准确、快速地诊断出主泵故障对核电站安全、高效地运行起着重要的作用。贝叶斯网络将图论和概率论相结合，有着强大的理论基础。与神经网络、支持向量机、决策树等众多的人工智能方法相比，贝叶斯网络更容易融入专家经验和领域知识，具有直观且易于理解的知识表示方法，具有强大的不确定性建模能力以及模仿人类大脑进行推理的能力。因此，基于贝叶斯网络的故障诊断方法在核电现场有一定的应用价值。
[0003]但由于核主泵样本数据积累不足，无法根据已有故障样本数据采用统计的方法计算出贝叶斯网络的参数。针对基于小数据集的贝叶斯网络参数学习问题，目前主流方法是引入专家知识来弥补样本数据量的不足。通过引入专家知识对贝叶斯网络的参数进行约束，进而学习出贝叶斯网络参数。
[0004]专家知识对贝叶斯网络参数只能进行大范围约束，需通过人为分析并不断计算才能得出贝叶斯网络参数，需耗费大量时间及精力。因此，为了能够地确定合适的初始化贝叶斯网络参数，本专利技术提出了一种基于专家知识设置初始化的贝叶斯网络参数的方法。

技术实现思路

[0005]本专利技术的目的是为了解决缺乏样本数据条件下贝叶斯网络诊断模型设置网络参数困难的问题，提出了一种基于专家知识设置初始化贝叶斯网络参数的方法。本专利技术从专家知识中获取诊断模型的先验知识，并依据迭代学习的方法对贝叶斯网络诊断模型的条件概率参数进行学习，计算出符合已有先验知识下贝叶斯网络的初始化参数。
[0006]一种贝叶斯网络参数初始化方法，包括以下三个步骤：
[0007]步骤1：建立贝叶斯网络诊断模型，确定待研究设备的故障类型和征兆类型，明确各故障相关联的征兆，并初步明确诊断模型各项参数，从而建立贝叶斯网络诊断模型；
[0008]步骤2：生成模拟故障样本库，依据设备的专家知识形成诊断规则，再依据诊断规则得到模拟“征兆状态
‑
故障后验概率”组合，生成模拟故障样本库；
[0009]步骤3：优化诊断模型条件概率，基于模拟故障样本库，建立贝叶斯网络初始化参数自学习算法，对诊断模型的条件概率参数进行优化。
[0010]所述的步骤1中所述建立贝叶斯网络诊断模型，其具体做法为：(1)根据待研究设备的相关信息，确定其故障类型和征兆类型，从而确定贝叶斯网络诊断模型的所有故障节点集F和征兆节点集S；(2)并通过对待研究设备的专家知识分析，明确贝叶斯网络诊断模型中各故障节点和征兆节点相互对应的关联关系，建立征兆节点与故障节点连接线/边集合E，从而建立贝叶斯网络诊断模型的结构；(3)结合设备的专家知识初步确定故障节点的先验概率集B和征兆节点的条件概率集C，从而完成贝叶斯网络诊断模型的建立。
[0011]所述的步骤1：建立贝叶斯网络诊断模型，根据公式1贝叶斯网络诊断模型由故障节点集F、征兆节点集S、征兆节点与故障节点连接边集合E、故障节点的先验概率集B和征兆节点的条件概率集C五大部分组成：
[0012]BN＝(F,S,E,B,C)
ꢀꢀꢀ
公式1
[0013]其中，各个符号具体含义如下所示：
[0014]BN：表示基于贝叶斯网络的故障诊断模型
[0015]F：表示诊断模型中所有故障节点集合，f
i
表示第i个故障节点，F＝{f
i
}
i＝1,
…
,M
[0016]S：表示诊断模型中所有征兆节点集合，s
j
表示第j个征兆节点，S＝{s
j
}
j＝1,
…
,N
[0017]E：表示各故障节点与关联的征兆节点的连接边集合，e
i,j
表示第i个故障节点关联第j个征兆节点，E＝{e
i，j
}
i＝1，
…
，M；j＝1，
…
，N
[0018]B：表示各个故障节点的先验概率集合，b
i
表示第i个故障节点的先验概率，B＝{b
i
}
i＝1，
…
，M
[0019]C：表示各个征兆节点的条件概率表集合，c
j
表示第j个征兆节点的条件概率表，C＝{c
j
}
j＝1，
…
，N
。
[0020]所述的步骤1中“确定先验概率集B”具体包括：结合专家知识和故障案例样本数据确定在设备运行过程中不同故障发生概率的排序大小，再依据故障发生概率排序大小设置先验概率集B。
[0021]所述的步骤2中生成模拟故障样本库，其具体做法是：基于设备的专家知识确定故障节点f
i
的关联征兆集合S
i
：
[0022]S
i
＝{s
k
}
k∈[1,N]ꢀꢀꢀ
公式2
[0023]令H(s
k
)表示征兆节点s
k
当前所属的征兆状态，H(s
k
)＝0表示征兆节点s
k
的征兆状态为未发生，H(s
k
)＝1表示征兆节点s
k
的征兆状态为发生；
[0024]当S
i
中含有x(1≤x≤N)个征兆节点时，基于贝叶斯网络原理S
i
的状态集合W如公式3所示，含有2
t
种征兆状态组合：
[0025][0026]其中，w
q
表示W中第q种征兆状态组合。
[0027]所述的步骤2中依据专家知识依次确定w
q
条件下对应的故障f
i
的所有后验概率从而建立故障f
i
的模拟样本集g
i
：
[0028][0029]其中，表示征兆状态为w
q
对应的故障f
i
发生的后验概率为
[0030]参考上述建立故障f
i
的模拟样本集g
i
的步骤，依次确定故障样本集F中所有故障的模拟样本集，从而建立模拟故障样本库G，如公式5所示
[0031]G＝{g
i
}
i＝1,
…
,M
ꢀꢀꢀ
公式5
[0032]其中，模拟故障样本库G中所有征兆状态组合集合其各个征兆状态对应的故障后验概率集合
[0033]所述的故障的后验概率分三级：1级表明该征兆状态组合条件下故障发生，其后验概率设置范围为大于等于0.8；2级该征兆状态组合条件下不确定故障是否发生，其后验概率设置范围为0.4～0.8；3级该征兆状态组合条件下故障不发生，其后验概率设置范围为小于等于0.4。
[0034]所述的故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种贝叶斯网络参数初始化方法，其特征在于：包括以下三个步骤：步骤1：建立贝叶斯网络诊断模型，确定待研究设备的故障类型和征兆类型，明确各故障相关联的征兆，并初步明确诊断模型各项参数，从而建立贝叶斯网络诊断模型；步骤2：生成模拟故障样本库，依据设备的专家知识形成诊断规则，再依据诊断规则得到模拟“征兆状态
‑
故障后验概率”组合，生成模拟故障样本库；步骤3：优化诊断模型条件概率，基于模拟故障样本库，建立贝叶斯网络初始化参数自学习算法，对诊断模型的条件概率参数进行优化。2.根据权利要求1所述的一种贝叶斯网络参数初始化方法，其特征在于：所述的步骤1中所述建立贝叶斯网络诊断模型，其具体做法为：(1)根据待研究设备的相关信息，确定其故障类型和征兆类型，从而确定贝叶斯网络诊断模型的所有故障节点集F和征兆节点集S；(2)并通过对待研究设备的专家知识分析，明确贝叶斯网络诊断模型中各故障节点和征兆节点相互对应的关联关系，建立征兆节点与故障节点连接线/边集合E，从而建立贝叶斯网络诊断模型的结构；(3)结合设备的专家知识初步确定故障节点的先验概率集B和征兆节点的条件概率集C，从而完成贝叶斯网络诊断模型的建立。3.根据权利要求1所述的一种贝叶斯网络参数初始化方法，其特征在于：所述的步骤1：建立贝叶斯网络诊断模型，根据公式1贝叶斯网络诊断模型由故障节点集F、征兆节点集S、征兆节点与故障节点连接边集合E、故障节点的先验概率集B和征兆节点的条件概率集C五大部分组成：BN＝(F,S,E,B,C)
ꢀꢀꢀꢀ
公式1其中，各个符号具体含义如下所示：BN：表示基于贝叶斯网络的故障诊断模型F：表示诊断模型中所有故障节点集合，f
i
表示第i个故障节点，F＝{f
i
}
i＝1,
…
,M
S：表示诊断模型中所有征兆节点集合，s
j
表示第j个征兆节点，S＝{s
j
}
j＝1,
…
,N
E：表示各故障节点与关联的征兆节点的连接边集合，e
i,j
表示第i个故障节点关联第j个征兆节点，E＝{e
i，j
}
i＝1，
…
，M；j＝1，
…
，N
B：表示各个故障节点的先验概率集合，b
i
表示第i个故障节点的先验概率，B＝{b
i
}
i＝1，
…
，M
C：表示各个征兆节点的条件概率表集合，c
j
表示第j个征兆节点的条件概率表，C＝{c
j
}
j＝1，
…
，N
。4.根据权利要求2所述的一种贝叶斯网络参数初始化方法，其特征在于：所述的步骤1中“确定先验概率集B”具体包括：结合专家知识和故障案例样本数据确定在设备运行过程中不同故障发生概率的排序大小，再依据故障发生概率排序大小设置先验概率集B。5.根据权利要求2所述的一种贝叶斯网络参数初始化方法，其特征在于：所述的步骤2中生成模拟故障样本库，其具体做法是：基于设备的专家知识确定故障节点f
i
的关联征兆集合S
i
：S
i
＝{s
k
}
k∈[1，N]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式2令H(s
k
)表示征兆节点s
k
当前所属的征兆状态，H(s
k
)＝0表示征兆节点s
k
的征兆状态为未发生，H(s
k
)＝1表示征兆节点s
k
的征兆状态为发生；当S
i
中含有x(1≤x≤N)个征兆节点时，基于贝叶斯网络原理S
i
的状态集合W如公式3所
示，含有2
t
种征兆状态组合：其中，w
q
表示W中第q种征兆状态组合。6.根据权利要求5所述的一种贝叶斯网络参数初始化方法，其特征在于：所述的步骤2中依据专家知识依次确定w
q
条件下对应的故障f
i
的所有后验概率从而建立故障f
i
的模拟样本集g
i
：其中，表示征兆状态为w
q
对应的故障f
i

【专利技术属性】
技术研发人员：侯修群，蒋庆磊，包彬彬，苗碧琪，施慧烈，张梦阳，李元姣，
申请(专利权)人：核动力运行研究所，
类型：发明
国别省市：