一种基于贝叶斯网络的系统测量节点优化配置方法与流程

技术特征：

1.一种基于贝叶斯网络的系统测量节点优化配置方法，其特征在于，包括以下步骤：

步骤1：建立系统的贝叶斯网络模型；

步骤2：根据贝叶斯网络模型计算故障节点和测量节点间的互信息矩阵；

步骤3：根据故障节点和测量节点间的互信息矩阵计算测点对故障节点诊断的贡献度，确定综合诊断能力指标；

步骤4：根据测点对故障节点诊断的贡献度及测点成本和测点数量限制描述优化问题；

步骤5：应用改进的离散二进制粒子群算法进行优化处理，得出测点的优化配置结果。

2.根据权利要求1所述的基于贝叶斯网络的系统测量节点优化配置方法，其特征在于：所述建立系统的贝叶斯网络模型包括以下过程：

步骤1：根据系统的结构及故障模式对系统进行故障模式与理象分析，确定贝叶斯网络的节点及贝叶斯网络的拓扑结构；

步骤2：在贝叶斯网络的拓扑结构基础上，根据极大熵方法确定节点的验前分布；

步骤3：根据历史故障数据及专家经验确定节点参数值，即节点的条件概率分布，完成贝叶斯网络模型建立。

3.根据权利要求2所述的基于贝叶斯网络的系统测量节点优化配置方法，其特征在于：所述根据极大熵方法确定节点的验前分布过程为：

H_B(a^*,b^*)＝max(H_B(a,b))

a≥0,b≥0

a/(a+b)＝p₀

其中，a为极大熵的验前分布参数；b为极大熵的验前分步参数；p为概率参数；a^*和b^*分别为参数a和b的最优值；Beta()为贝塔分布；dp为对概率参数p进行求导；H_B为极大熵符号；p₀为概率参数p的均值。

4.根据权利要求2所述的基于贝叶斯网络的系统测量节点优化配置方法，其特征在于，所述节点的条件概率分布为：

其中，π(p)为验前分布；p(D|p)为样本数据；π(p|D)为节点的条件概率分布；D为样本数据；dp为对参数p进行求导；p为概率参数。

5.根据权利要求1所述的基于贝叶斯网络的系统测量节点优化配置方法，其特征在于，所述故障节点和测量节点间的互信息矩阵为：

其中，I为故障节点和测量节点间的互信息矩阵；I_ij为故障节点i和测量节点j之间的互信息；m为故障节点的数量；n为测量节点的数量；P为故障节点的概率值；f_i＝1表示为故障节点i处于故障状态，f_i＝0表示为故障节点i处于正常状态；s_j＝1表示为配置测量节点j，s_j＝0表示为不配置测量节点j。

6.根据权利要求1所述的基于贝叶斯网络的系统测量节点优化配置方法，其特征在于，所述故障节点诊断的贡献度为：

E_sj＝(G-G_sj)/G

G＝trace(T)

T＝(I^TI)^T

其中，E_sj为故障节点诊断的贡献度；G_sj是根据测点组中去掉第j个测点后的互信息矩阵的特征值的和；G为矩阵所有特征值的和；T为诊断信息矩阵；I^TI记为矩阵T^T，T^T为m×m的满秩矩阵。

7.根据权利要求1所述的基于贝叶斯网络的系统测量节点优化配置方法，其特征在于，所述根据贡献度及测点成本和数量描述优化问题过程为：

将故障节点诊断的贡献度、测点成本和测点数量限制转化为一个目标函数：

其中，为故障节点诊断的贡献度；为测点成本； 为测点数量限制；Q是一个惩罚因子，其取值为一个充分大的正数；N为限制的测点数量；D为行向量，其元素都为1；x_i为优化问题的解，即测点配置情况；min f(x_i)为优化问题。

8.根据权利要求1所述的基于贝叶斯网络的系统测量节点优化配置方法，其特征在于，所述改进的离散二进制粒子群算法为：

步骤1：初始化粒子群，计算粒子的初始位置和初始速度；

步骤2：计算目标函数值，确定个体最优值和全体最优值，并根据粒子群算法的速度更新算法更新粒子速度值；

步骤3：根据迭代次数更新粒子的位置值，如果当前迭代次数小于预设参数，则采用具有全局搜索能力的粒子位置更新算法，否则采用具有局部搜索能力的 粒子位置更新算法。

9.根据权利要求8所述的基于贝叶斯网络的系统测量节点优化配置方法，其特征在于：所述粒子的初始位置为：

所述粒子的初始速度为：

v_id＝v_min+rand()(v_max-v_min)

粒子群算法的速度更新算法为：

v_id＝ω·v_id+c₁·rand()·(p_id-x_id)+c₂·rand()·(p_gd-x_id)

具有全局搜索能力的粒子位置更新算法为：

具有局部搜索能力的粒子位置更新算法为：

当v_id≤0时，

当v_id>0时，

其中，v_max为速度的最大限制值；v_min为速度的最小限制值；rand()是一个随机数，从区间[0,1]的统一分布中随机产生；i为粒子群的粒子数；d为粒子群的维数，表示系统的可配置测点总数；w为惯性权重，用于平衡算法全局搜索和局 部搜索能力；c₁和c₂表示加速常数，也能起到平衡算法全局搜索与局部搜索能力的作用；s(v_id)表示位置x_id取1的概率；x_id为粒子当前位置；v_id为粒子当前速度；p_id为粒子当前个体最优值；p_gd为粒子当前全体最优值；exp()为指数函数。

10.根据权利要求8所述的基于贝叶斯网络的系统测量节点优化配置方法，其特征在于，所述预设参数为：

c_ys＝r*M

其中，c_ys为预设参数；r为比例参数；M为最大迭代次数。