论文部分内容阅读
目前,出于安全、高效生产的考虑,各个大型工厂基本上都对一些重要设备实施了实时监控,由传感器不断地获取机组运行状态的各种参数,并对这些参数进行有效地存储,就形成了庞大的数据仓库。人们关心的是从这些数据库中我们可以发现什么样的有价值的知识,这些知识以什么样的形式表现出来。基于人们的这一关注,本文将贝叶斯网络——数据挖掘的一种方法引入到故障诊断领域,以直观的表达形式,有效地解决了数据库中的知识发现问题。 贝叶斯网络以统计学为基础,是数据挖掘技术的一种方法。本质上贝叶斯网络是一个有向无循环的图表模型,直观地表述了多个变量之间的依赖关系。它通过一个有向无循环表来描述各个节点之间的因果关系,通过一个条件概率分布表来描述各个节点之间的关系密切程度。并且,贝叶斯网络可以有效地把先验知识和现有数据结合起来,使得网络的推理结果更加的合理。特别是在当前数据较少或者较难获得的情况下,贝叶斯网络的这一优点更加明显。 结合故障诊断技术自身特点,本文组建了一个具有两层结构的贝叶斯网络模型,上层代表故障节点,下层代表症状节点,且所有节点所对应的随机变量都是二元矢量。在网络模型结构已知的前提下,根据故障样本数据的完整与否,我们采用不同的学习法则来有效地调整贝叶斯网络模型的条件概率分布表,使之更符合特定机组的实际运行情况。同时一种简化的推论法则被用来计算各个故障发生的后验概率,这样就可以有效地解决对故障数据的识别、分类问题。最后,利用转子实验台的模拟故障数据对该网络模型进行考核。结果表明,网络模型的学习是有效的,其推理结果是和专家知识相一致的。 之所以采用贝叶斯网络来进行故障诊断,是因为贝叶斯网络用于故障诊断有其突出的优势。第一,贝叶斯网络方法有坚实的理论基础;第二,贝叶斯网络有成熟的概率推理算法:第三,贝叶斯网络更适合于表达设备故障诊断问题;第四,贝叶斯网络具有很强的学习能力。 在WINDOWS2000开发平台上,结合开发工具Matlab6.1,采用模块化的程序设计方法,对该数据挖掘方法进行了软件实现。