基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法技术

基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，包括1)将企业已有的设备故障树模型转换为满足条件独立性假设的设备故障分析贝叶斯网络结构模型；2)采用结构化调研法获取设备专家对设备故障原因之间的因果关系知识与经验，据此获取设备故障分析贝叶斯网络结构中各故障变量之间的拓展的因果值；3)根据前述所得拓展的因果值，估算贝叶斯网络结构中子变量条件概率表中的概率参数，完成设备故障分析贝叶斯网络概率参数建模；通过本发明专利技术，将企业已有的设备故障树模型拓展为故障分析能力更加全面和系统的设备故障分析贝叶斯网络模型，从而为基于贝叶斯网络的设备故障诊断技术的推广应用提供具体可操作的技术支持。术的推广应用提供具体可操作的技术支持。术的推广应用提供具体可操作的技术支持。

【技术实现步骤摘要】
基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法


[0001]本专利技术属于设备故障分析
，特别涉及一种面向企业设备故障分析的基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法。
技术背景
[0002]故障树模型通过树状结构的逻辑图以及各种逻辑符号表达主事件和底事件之间的因果图逻辑关系。企业常采用故障树模型表征与分析设备故障表现与故障原因之间的关联，进而采用故障树定性分析和定量分析技术，实现对目标设备的故障诊断、维修指导、以及安全隐患识别等。
[0003]与设备故障树模型相比，设备故障分析贝叶斯网络模型可通过正向推理、反向推理、以及混合推理，预测网络模型中某目标故障事件发生的概率以及该事件发生时其它事件发生的概率；另一方面，故障树模型的底事件描述通常仅为两个状态(“故障”和“正常”)，因此难以充分描述设备零部件所处的复杂实际状态(如正常、亚健康、失效等)，而采用离散事件状态贝叶斯网络可获取比故障树模型更加系统和全面的故障因果关系定量分析效果。
[0004]然而，贝叶斯网络模型构建包括网络结构建模和概率参数建模两部分，而新设备通常缺乏完备的可用于概率参数建模的设备故障历史数据，因此难以采用基于历史数据的故障分析贝叶斯网络模型概率参数建模；而基于专家经验的概率参数建模在网络模型变量数量较多时存在可操作性差的问题，从而限制了贝叶斯网络模型在设备故障分析中的应用。

技术实现思路

[0005]为了克服上述现有技术的缺陷，本专利技术的目的在于提供一种基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，融合故障树和改进贝叶斯因果图法，将企业已有的设备故障树模型拓展为设备故障分析贝叶斯网络模型，支持更加系统和全面的设备故障定量分析。
[0006]为了达到上述目的，本专利技术采用的技术方案是：
[0007]基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，具体包括以下步骤：
[0008]步骤一、基于已有的设备故障树模型，进行设备故障分析贝叶斯网络的结构建模：
[0009]将企业已有的设备故障树模型中的事件转化为故障分析贝叶斯网络模型中的变量，将故障树模型中的逻辑关系转化为各变量之间的因果关系，形成故障因果图；在此基础上，采用因果图
‑
贝叶斯网络转化规则，将故障因果图结构转化为满足条件独立性假设的贝叶斯网络结构。
[0010]所述因果图—贝叶斯网络转化规则，将因果图结构转化为满足条件独立性假设的贝叶斯网络结构具体为：
[0011]规则1.两两对比图中所有变量，补全图中未列出的变量对之间的因果关系；
[0012]规则2.检查每一个因果关系箭头的方向，以确保箭头由原因变量指向结果变量。
[0013]规则3.检查每一个因果关系箭头，删除间接因果关系，保留直接因果关系。
[0014]规则4.检查当前网络结构中是否有环路结构，如果有环路结构，判断双向影响关系箭头两端的变量哪一个的因果影响效果强，或者在确定时间段内哪一个变量的影响效果在先，根据判断结果，保留其中影响效果强、影响效果在先的变量至其被影响变量之间的因果关系箭头。
[0015]规则5.若一个子变量的父变量数量过多，找出子变量SP与其某几个父变量之间的中间变量，从而降低需要同时判断的父变量状态组合的概率参数的数量。
[0016]步骤二、基于结构化调研和语义打分的拓展因果值获取
[0017]采用结构化调研法，获取设备专家对设备故障各变量之间影响关系的结构化经验知识，在此基础上，采用语义打分对照表，将前述结构化的经验知识转化为各变量之间的拓展因果值。
[0018]所述的拓展因果值，定义如下：
[0019]CV＝[cv1,cv2,
…
cv
m
,...,cv
M
]ꢀꢀꢀ
(1)
[0020]其中，CV表示一条因果关系中，父变量对子变量的拓展的因果值；cv
m
表示父变量处于状态m时，其对子变量的影响效果的量化表征；M表示该父变量在考察范围内的可能状态数量。
[0021]所述的语义打分对照表为：
[0022][0023]步骤三、基于拓展因果值的故障分析贝叶斯网络概率参数建模
[0024]基于拓展因果值的条件概率估算方法，根据步骤二中获取的各因果变量之间的拓展因果值，估算故障分析贝叶斯网络中各子变量条件概率表中的概率参数，完成贝叶斯网络结构的概率参数建模。
[0025]所述的条件概率估算方法如下：
[0026]假设子变量c有N个父变量(p1,p2,...,p
n
,...,p
N
)；其中父变量p
n
的可能状态为[state
n1
,state
n2
,...,state
nm
,...,state
nMn
]，其中M
n
为父变量p
n
在考察范围内的可能状态数量；子变量的状态为[state
c1
,state
c2
,...,state
cm
,...,state
cMc
]，其中M
c
为子变量c的可能状态数量；子变量的条件概率表中拥有多个父变量状态组合，计算子变量c的条件概率表，可转化为估算每个PSC情况下c处于其不同可能状态的概率。
[0027]所述的估算每个PSC情况下c处于其不同可能状态的概率，具体为：
[0028]子变量处于不同状态的概率会受到其父变量处于当前状态时对子变量的影响效
果值即因果值的影响，设CV
n
＝[cv
n1
,cv
n2
,...,cv
nm
,...,cv
nMn
]是父变量p
n
对子变量c的拓展的因果值，其中cv
nmax
和cv
nmin
分别为这组拓展因果值中的最大值和最小值，设CIV
i
是子变量所有父变量的第i个状态组合PSC
i
情况下各父变量对子变量的因果值之和。那么，当CIV
i
>0时，所有父变量对子变量的影响效果为正面效果，且|CIV
i
|越大则正面影响效果越大；当CIV
i
<0时，所有父变量对子变量的影响效果为负面效果，且|CIV
i
|越大则负面影响效果越大。所有PSC情况下CIV的最大可能值，记作CIV
max
计算如下：
[0029][0030]所有PSC情况下CIV的最小可能值，记作CIV
min
计算如下：
[0031][0032]将CIV
min
至CIV
max
的值域范围划分为M
c
...

【技术保护点】

【技术特征摘要】
1.基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，其特征在于，具体包括以下步骤：步骤一、基于已有的设备故障树模型，进行设备故障分析贝叶斯网络的结构建模：将企业已有的设备故障树模型中的事件转化为故障分析贝叶斯网络模型中的变量，将故障树模型中的逻辑关系转化为各变量之间的因果关系，形成故障因果图；在此基础上，采用因果图
‑
贝叶斯网络转化规则，将故障因果图结构转化为满足条件独立性假设的贝叶斯网络结构；步骤二、基于结构化调研和语义打分的拓展因果值获取采用结构化调研法，获取设备专家对设备故障各变量之间影响关系的结构化经验知识，在此基础上，采用语义打分对照表，将前述结构化的经验知识转化为各变量之间的拓展因果值；步骤三、基于拓展因果值的故障分析贝叶斯网络概率参数建模基于拓展因果值的条件概率估算方法，根据步骤二中获取的各因果变量之间的拓展因果值，估算故障分析贝叶斯网络中各子变量条件概率表中的概率参数，完成贝叶斯网络结构的概率参数建模。2.根据权利要求1所述的基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，其特征在于，所述因果图—贝叶斯网络转化规则，将因果图结构转化为满足条件独立性假设的贝叶斯网络结构具体为：规则1.两两对比图中所有变量，补全图中未列出的变量对之间的因果关系；规则2.检查每一个因果关系箭头的方向，以确保箭头由原因变量指向结果变量；规则3.检查每一个因果关系箭头，删除间接因果关系，保留直接因果关系；规则4.检查当前网络结构中是否有环路结构，如果有环路结构，判断双向影响关系箭头两端的变量哪一个的因果影响效果强，或者在确定时间段内哪一个变量的影响效果在先，根据判断结果，保留其中影响效果强、影响效果在先的变量至其被影响变量之间的因果关系箭头；规则5.若一个子变量的父变量数量过多，找出子变量SP与其某几个父变量之间的中间变量，从而降低需要同时判断的父变量状态组合的概率参数的数量。3.根据权利要求1所述的基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，其特征在于，所述的拓展因果值，定义如下：CV＝[cv1,cv2,
…
cv
m
,...,cv
M
]
ꢀꢀꢀꢀꢀꢀꢀ
(1)其中，CV表示一条因果关系中，父变量对子变量的拓展的因果值；cv
m
表示父变量处于状态m时，其对子变量的影响效果的量化表征；M表示该父变量在考察范围内的可能状态数量。4.根据权利要求1所述的基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，其特征在于，所述的语义打分对照表为：
5.根据权利要求1所述的基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，其特征在于，所述的条件概率估算方法如下：假设子变量c有N个父变量(p1,p2,...,p
n
,...,p
N
)；其中父变量p
n
的可能状态为[state
n1
,state
n2
,...,state
nm
,...,state
nMn
]，其中M
n
为父变量p
n
在考察范围内的可能状态数量；子变量的状态为[state
c1
,state
c2
,...,state
cm
,...,state
cMc
]，其中M
c
为子变量c的可能状态数量；子变量的条件概率表中拥有多个父变量状态组合，计算子变量c的条件概率表，可转化为估算每个PSC情况下c处于其不同可能状态的概率。6.根据权利要求5所述的基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，其特征在于，所述的估算每个PSC情况下c处于其不同可能状态的概率，具体为：子变量处于不同状态的概率会受到其父变量处于当前状态时对子变量的影响效果值即因果值的影响，设CV
n
＝[cv
n1
,cv
n2
,...,cv
...

【专利技术属性】
技术研发人员：江平宇，杨茂林，郭威，李青宗，任焕荣，陈淮淳，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：