随着工业企业信息化的应用,以及科学技术的发展,工业设备越来越多,结构也越来越复杂。在工业生产过程中,很难避免故障的发生,故障如果突然发生,不仅仅造成经济损失,还会造成伤亡,所以故障诊断技术显得尤为重要。然而,当故障信息不完整或者不确定时,故障诊断的难度将会大大提高,甚至会错失维修的最佳时机。目前,针对于这种状况,基于数据驱动的故障诊断技术迅速发展。其中,贝叶斯网络应用于故障诊断中是近几年的研究热点,模糊多准则决策方法应用于故障诊断中则是一个新的研究课题。因此,本文将从贝叶斯网络和模糊多准则决策方法两方面进行变压器故障的研究。具体内容如下:(1)对故障诊断的方法进行研究,包括故障诊断技术的发展状况和未来研究方向。主要介绍了贝叶斯网络的理论知识和在故障诊断中的应用现状。同时,阐述了模糊理论的相关内容,并对模糊多准则决策的故障诊断方法进行了深入的研究。(2)由于传统变压器故障诊断方法中三比值判断法的故障诊断方法准确率低和存在漏码的问题,本文利用模糊多准则决策方法,提出了一种基于TOPSIS-灰色关联度分析的故障诊断方法。利用TOPSIS方法分别对每一种故障类型样本进行处理,以便获得相对标准的故障数据类型。通过灰色关联度方法确定待测样本的故障类型。实验结果表明,本文的方法能进一步提高故障诊断的准确率。(3)为了解决朴素贝叶斯网络存在条件独立性假设的问题,本文利用不同条件属性与类属性之间的相互关联程度来提高分类的性能,提出了一种改进的属性加权朴素贝叶斯网络分类算法。为了确保权重的可靠性,利用层次分析法和熵权法结合的组合权重对朴素贝叶斯网络进行加权,并将改进的算法应用在变压器的故障诊断中,验证其可行性。(4)由于变压器故障样本具有冗余性、不确定性和模糊性,为了使训练样本能更好的被贝叶斯网络充分地学习和提高故障诊断的准确率,本文结合贝叶斯网络和模糊多准则决策方法,提出一种贝叶斯网络的TOPSIS和灰色关联度的故障诊断方法。根据模糊理论进行故障样本的处理,再用贝叶斯网络进行故障诊断,进而能够快速、准确地确定变压器的故障类型,使变压器能安全、稳定的运行。