基于k2算法的装备故障贝叶斯网络预测方法
【专利摘要】本发明公开了一种基于K2算法的装备故障贝叶斯网络预测方法，用于解决现有装备故障贝叶斯网络预测方法搜索效率低的技术问题。技术方案是采用基于K2搜索算法的FPBN网络结构学习算法构建能够真实反映故障数据集内各变量关联关系的FPBN网络结构，从而建立FPBN模型。最终，基于建立的故障预测模型，利用参数学习算法预测装备的实际运行状态。该方法以K2搜索算法为基础，将故障知识、专家经验和故障数据进行有效融合，解决了装备预测过程中系统向FPBN转化建模困难的问题。另外，FPBN-K2算法计算过程全部采用确定性搜索算法，无需进行多次重复搜索，降低了搜索空间并减少了评分函数计算次数，提高了FPBN网络结构学习算法的搜索效率。
【专利说明】基于K2算法的装备故障贝叶斯网络预测方法
【技术领域】
[0001] 本发明涉及一种装备故障贝叶斯网络预测方法，特别涉及一种基于Κ2算法的装 备故障贝叶斯网络预测方法。
【背景技术】
[0002] 文献"Cai Ζ，Sun S，Si S，et al. Research of failure prediction Bayesian network model[C]//Industrial Engineering and Engineering Management, 2009. IE&EM，09. 16th International Conference on. IEEE, 2009:2021-2025." 公开了一种故障 预测贝叶斯网络方法（failure prediction Bayesian network, FPBN)。该方法首先定义了 一种故障预测贝叶斯网络模型（failure prediction Bayesian network, FPBN)，然后对于 所要预测的故障系统按照FPBN的定义一一进行转化，最后利用FPBN计算出该系统处于各 个故障模式的概率从而进行故障预测。该方法将故障检测信息引入故障预测过程，并通过 机载变流器故障预测案例验证了该方法的有效性。但是，由于系统内各部件相互关联、相互 影响，形成错综复杂的故障因果关系，所以系统向FPBN转化建模的过程比较困难以至于该 方法应用受限。另外对于从数据中学习 FPBN网络结构，由于FPBN在模型定义阶段提出了 一些假设和约束，通用算法不能完全利用这些特点，限制了 FPBN网络结构学习算法的搜索 效率。
【发明内容】
[0003] 为了克服现有装备故障贝叶斯网络预测方法搜索效率低的不足，本发明提供一种 基于K2算法的装备故障贝叶斯网络预测方法。该方法采用基于K2搜索算法的FPBN网络 结构学习算法构建能够真实反映故障数据集内各变量关联关系的FPBN网络结构，从而建 立FPBN模型。最终，基于建立的故障预测模型，利用参数学习算法预测装备的实际运行状 态。该方法以K2搜索算法为基础，将故障知识、专家经验和故障数据进行有效融合，可以解 决装备预测过程中系统向FPBN转化建模困难的问题。另外，FPBN-K2算法计算过程全部采 用确定性搜索算法，无需进行多次重复搜索，降低了搜索空间并减少了评分函数计算次数， 提高了 FPBN网络结构学习算法的搜索效率。
[0004] 本发明解决其技术问题所采用的技术方案：一种基于K2算法的装备故障贝叶斯 网络预测方法，其特点是包括以下步骤：
[0005] 步骤一、确定需要预测的目标故障模式，在装备故障数据库中搜索对应的故障记 录，形成关于该故障模式的故障数据集；
[0006] 步骤二、初始化FPBN节点集合H，并将Η中所有节点按FPBN的定义分为故障原因 节点C、故障模式节点Μ和故障检测节点E三个子集，即H = CUMUE;
[0007] 步骤三、将节点集合Η中所有节点按故障原因、故障模式和故障检测子集顺序重 新排序，形成备选节点集合X = {Xu Χ2, &，...，XJ ;
[0008] 步骤四、采用贝叶斯信息准则评分函数作为网络结构评价标准，如式（1)所示；
[0009]
【权利要求】
1. 一种基于K2算法的装备故障贝叶斯网络预测方法，其特征在于包括以下步骤： 步骤一、确定需要预测的目标故障模式，在装备故障数据库中搜索对应的故障记录，形 成关于该故障模式的故障数据集； 步骤二、初始化FPBN节点集合Η，并将Η中所有节点按FPBN的定义分为故障原因节点 C、故障模式节点Μ和故障检测节点Ε三个子集，即H = CUMUE; 步骤三、将节点集合Η中所有节点按故障原因、故障模式和故障检测子集顺序重新排 序，形成备选节点集合
步骤四、采用贝叶斯信息准则评分函数作为网络结构评价标准，如式（1)所示；
式中，η表示ΒΝ中节点数量；qi表示第i个节点的父节点的可行取值组合；ri表示第i 个节点的取值类别数量;miA表示所有记录中，第i个节点为第k种取值且其父节点集合为 第j种取值组合的记录数;mu表示所有记录中，第i个节点的父节点集合为第j种取值组 合的记录数；m表示整个数据集记录数； 步骤五、在备选节点集合X= {XDXDX^.MXi}中选取排序最后的一个节点Xi，并从X 中移除，其可行父节点集合n (W根据式（2)确定；
针对Xi，在可行父节点集合π (Xi)a*遍历选取每一个节点，分别计算该节点加入Xi的 父节点集合后的模型评分其计算根据式（3);
步骤六、找出可行父节点集合
中使得
最大的节点，其评分记为
若
大于原有的模型评分
初始值为-…，则将该节点从可行父节点集合 π (W移入\的真实父节点集合π (\)，更新
转入步骤五，在新的n (W 中继续搜寻Xi的其他父节点；否则，则表示已经找到
，停止为\搜寻更多的父节 点，转入步骤七； 步骤七、判断X中是否还有备选节点，若有，转向步骤五，继续寻找下一个节点的评分 函数最大值对应的父节点集合；若无，则表示已经找到评分函数最大值及其对应的父节点 集合，转向步骤八； 步骤八、将所有节点的父节点集合进行组合，得到对应的最优FPBN网络结构； 步骤九、基于故障数据集，利用参数学习算法，计算FPBN中所有节点的先验概率和条 件概率分布参数； 对于一个由η个变量X = {\，X2,. . .，XJ组成的贝叶斯网络，需要计算的网络参数集 合为
；根据最大 似然估计方法原理，基于现有故障数据集和已构建的贝叶斯网络结构，给出贝叶斯网络中 每个参数的最大似然估计，如式（4)所示；即当的取值为
时，P(?|S，D)的值 达到最大，其直观含义如式（5)所示；
步骤十、最后以故障检测现象实时信息e为驱动，利用FPBN模型的推理能力和条件概 率分布，计算装备故障模式的后验概率分布P (M = 0 | E = e)，从而达到故障预测的目的。
【文档编号】G06Q10/04GK104217251SQ201410392853
【公开日】2014年12月17日 申请日期:2014年8月12日 优先权日:2014年8月12日
【发明者】蔡志强, 司伟涛, 司书宾, 张帅, 李淑敏, 王宁 申请人:西北工业大学