基于时效性分析的动态贝叶斯网络故障诊断方法

第59卷第2期

大连理工大学学报

JournalofDalianUniversitfTechnoloyogy

Vol.59,No.2Mar.2019

()文章编号:1000-8608201902-0201-10

基于时效性分析的动态贝叶斯网络故障诊断方法

(大连海事大学轮机工程学院,辽宁大连 116026)

王承远*, 徐久军, 严志军

摘要:针对柴油机多源信息故障诊断中,由传感器采集的不确定性信息造成的融合误差问

题,从多源传感器信息时效性角度,提出一种基于信息时效性机会窗口的动态贝叶斯网络故障诊断方法.首先,根据多源传感器不确定性信息的变化规律建立信息时效性机会窗口,计算得到目标状态偏离信息;其次,利用目标状态偏离信息动态调节贝叶斯网络观测节点信息效用,降低不确定性信息对融合误差的影响.引入该方法后R6105AZLD柴油机台架试验表明,故障诊断灵敏度增强,故障后验概率的对比差距提高到35%.

关键词:动态贝叶斯网络;柴油机;机会窗口;目标状态偏离信息中图分类号:TP391

文献标识码:A

:/doi10.7511dllxb201902013g

]献[针对电力故障系统中告警信号因时间偏差5引起的不确定性信息,利用模糊隶属度分析不确定性信息的决定因素,过滤掉决定因素不完备的针对生产调度中由制造时间因素引起的不确定性信息,通过建立时间因素标准差值函数,获取生-产调度中时间不确定性因素的定量化信息,减少了生产调度中的不确定性.

本文提出一种基于时效性分析的动态贝叶斯信息,提高了变电站故障诊断的准确率.文献[6]

0 引 言

信息的不确定性存在于多个学科领域,它是信息内部的一种本质性数据表现形式.根据不确定性信息的产生来源,可以将其划分为主观人为产生和客观被动产生两种类型,其中主观人为产生的不确定性信息主要是为了保护数据信息的隐私性,人为对数据进行模糊处理而产生

[1]

动产生的不确定性信息指受到客观存在的条件影响或者外界干扰,被动产生的不确定性信息.当信息受到内部条件缺失和外部外延边界不清晰加之观测者自身对事物认知的局限性,导致通过媒介获取的信息无法真实地反映源信息的本质面貌,即缺失了信息本来的内容,形成了客观被动的

2-4]

不确定性信息[.

;客观被

网络故障诊断方法.对不同传感器的采集时间、响应效率、运行工况等随时间发生变化的规律进行总结和归纳,形成基于当前设备特征的时效性表达方法,获取在非稳定状态下测量信息的偏离情况.根据偏离信息动态调节贝叶斯网络同级属性节点的先验概率,提高动态贝叶斯网络中时间片

7-8]

,的依赖关系[减少不确定性信息对动态贝叶斯

的影响时,将会表现出随机、模糊、不完整等现象,

多源传感器信息属于客观被动类型信息,在

柴油机故障诊断中,多源传感器信息可以用于对某一时刻故障目标状态进行观测或估计,大部分的测量或估计信息随时间动态变换,因此信息所反映的状态与实际状态总存在一定的差异,产生了不确定性信息.目前解决的途径主要是通过建立相关数学模型对不确定性信息进行处理,如文

网络的影响,提高网络诊断准确率.

1 故障诊断中的不确定性信息影响

由传感器信息时效性引起的不确定性信息普遍存在于各应用领域,是影响柴油机故障诊断和

]9

信息融合准确性的主要原因之一[不确定性信.

息和信息效用随着时间的变化而变化,即时间是

收稿日期:2018-08-18; 修回日期:2019-01-21.

:););基金项目国家自然科学基金资助项目(辽宁省教育厅基金资助项目(高校基本科研业务费专项资金资51509029L2015065

)助项目(3132015032.),:作者简介:王承远*(男,博士生,1983-E-mailwwcclove@163.com.yy

202

大连理工大学学报

第59卷

数据信息可信度和不确定性的变量,而可信度和不确定性又是此消彼长的关系.在柴油机故障诊断过程中,约有10%的诊断失败是由运行状态变

10]化或波动造成的不确定性信息引起的[在故障.

()高响应效率参数引起的时效性问题,如问1

题1中的齿杆位置Y此时原运行状态刚刚发生'2.改变,高响应效率参数的变化时间超前运行状态变化时间,使多源故障信息向量处于非稳定状态,基于时效性的不确定性信息增多,信息融合误差高.()低响应效率参数引起的时效性问题,如问2

题2中具有延时性的冷却水出口温度Y此时柴'4.油机即将进入新的运行状态,低响应效率参数滞后于新的运行状态,使多源传感器故障信息向量整体处于非稳定状态,基于时效性的不确定性信信息融合过程中,融合系统往往会因为使用了大量不确定性信息而做出错误的决策,而基于时效性的不确定性信息正是造成决策误差的罪魁祸首之一.器信息融合后进行诊断.多源传感器信息包括:转

例1

设柴油机燃油系统故障通过多源传感

/、、速Y齿杆位置Y排气温度Y'rmin)'mm)'1(2(3

((℃故障后某一时段采集的MP)a、)冷、曲轴箱却水出窜口气温量度Y'5Y'4(6条故障数据(

m/℃h))、.进分别记录发生气压力Y'3

5

,如表1所示.

表Tab.1 Info1rm 多源传感器采集的信息

ationcollectedbym

ulti-sourcesensors序号(·Y'1

Y'2/Y'3/℃Y'4/℃Y'5

MP/a

(Y'6

1r12mi/n

-1)mm6m3·-1)2313017..23

4412600h

/1.4175712.258620.020.92615

1886052121..19

527620.631258

65659

0.01871845

0.0.03059663

2.2.9.67582

根据柴油机故障诊断专家知识推理,燃油系统故障在高速重载时的典型运行状态参数为(S=

时典型参数为1800 11.5 S6=00(12 7000 06.0.55 425.00 )

,65中速中载 0.0油机处于中速中载到高速重载的转换过程.0).

通过分析表1中5条采集数据可知,当前柴3问题1

首条记录中,根据柴油机典型.运行

状态参数确定柴油机为中速中载状态.柴油机运行到第和中速中载相似2条记录采集时刻时,由于数据整体状态,系统判定当前状态仍然为中速中载,但转速Y'1、齿杆位置Y'2的数据偏高,诊断系统会认为在当前运行状态下,燃油系统出现轻微故障,即相对故障概率偏大问题2

第态参数确定柴油3条记录中,.

根据柴油机运行状

机为高速重载状态'1、齿杆位置Y'2的数据达到高速重载参数水平.此时转速

,

而温度参数Y'3、Y'4因为响应效率原因而相对滞后,导致诊断系统会认为在当前运行状态下,燃油系统出现轻微故障,即相对故障概率偏大因此在柴油机运行状态变化的过程中.,总结

归纳为以下两种情况:

息增多,信息融合误差高综上所述,在柴油机运行状态发生变化时.

,多

源传感器故障信息参数具有不同的响应效率,导致故障观测信息处于非稳定状态,产生了基于时效性的不确定性信息,严重影响了故障诊断的准确性.

针对以上问题和影响,考虑到柴油机前一时

刻的故障状态对后一时刻的故障状态产生影响并不是绝对的,但在推理过程中却起到重要的参考作用,因此采用基于隐含变量离散动态网络推理的动态贝叶斯网络多源传感器故障信息设置为观测变量.将柴油机故障设置为隐含变量,,根据时间序列原理动态获取不同时刻故障间关联信息,提

高故障诊断的准确率[11

]作为观测变量的多源传感器故障信息,当柴油机运行状态变化时.

,通过引入基于时效性的机会窗口模型,计算运行状态偏离信息,降低诊断系统因时效性引起的不确定性.

基于时效性分析的机会窗口

设T1为多源传感器故障信息首次采集的时刻,该传感器采集的信息可信度随着采样时间的增加而提高,不确定性逐渐减少.设在时刻T2息不确定性明显减少,信息价值上升到可为使用,信者所满意接受的水平,则认为信息不确定性消失,数据达到稳定,[T1逐渐稳定的时间区域,T.2柴油机在运行状态变为]构成了多源传感器信S息1时开始进行多源信息融合诊断,设状态S1的初始

时刻为T3,运行状态S1达到稳定之前存在一个时间上界T4现误报的故障.根据诊断系统在运行状态变化时出数据统计,[T状态的时间区域[12]

.

3,T4]

构成了非稳定时效性分析可理解为在传感器信息响应特性和非稳定状态的时间区域下,传感器信息的效用值如何随时间发生变化的规律分析,变化的规律

12Y 第2期

王承远等:基于时效性分析的动态贝叶斯网络故障诊断方法

203

用时间信息价值曲线来表示.-若当前设备运行状态处于非稳定状态且传感器采集时刻Γ处在T2之后,则该理想情况下的传感器信息效用值为D0,表示传感器信息值与实际值之间无差异,不包括不确定性信息.多源传感器故障信息在时刻T2的信息价值是最高的.假设传感器信息具有下面的两种时间变化特性Ⅰ和针对运行状态变化有两种不同的响应效率:Ⅱ,

Ⅰ类信息价值从信息采集时刻T1开始经过

一段时间后逐渐上升,当到稳定时刻T2,信息价值最高.

故障诊断中采集时刻和t表示传感器采集时刻Γ(

诊断时刻重合).多源传感器采集的故障数据②T3因此故障信息中包含了T4之后才到达时刻T2,一定量的不确定性信息,信息价值低于①.稳定时刻T2,信息中含有不确定性,传感器信息效用值D为

()图1中,传感器采集时刻Γ还未达到信息b

0;

D=

()2)/()-(t-TT12-T1)(;D01-eT3≤t{

t态,多源信息融合在多源传感器信息稳定之后进①T4>T2>T3,柴油机系统处于非稳定状行诊断,传感器采集时刻为Γ价值,机会窗口的时间区域为,[获得了可靠的信息T2信息的时效性分析如图1(a

)所示.,T4].(a

)稳定状态下的机会窗口(图b

)含不确定性信息的机会窗口时效性分析的机会窗口

Fig.1 Opp1or tunitywindowfortimelinessanaly

sis图传感器采集时刻1(a

)中机会窗口提供了足够的融合时间Γ在稳定点T,2之后开始,信息价值较高,时效性分析输出的传感器信息效用值D为 D=

{

DD-t0-T1

;

T2≤t<0式中:指数变量中的(1-e

(

)/(T2-T1

)(T);T32

(1

)2渐稳定所需的时间,如冷却水温稳定所需的时间

-T1)表示传感器信息逐(T2-T1)

较长,响应效率低,即具有一定延迟性;根据图的机会窗口分析,对比例数据信息,如水温1、排气温度皆属于时间变化特性

1中故障

Ⅰ属于,

而转速Ⅱ类信息价值、齿杆位置变化速度显著,响应效率高,迅速升高Ⅱ类信息价值从传感器采集时刻.

T1开始后,并在很短的时间内达到较高值,当到稳定时刻T2后,信息价值始终缓慢增加由于传感器采集信息迅速达到稳定时刻.T2柴油机非稳定状态对故障诊断影响较小,融合质

,

量稳定.传感器信息效用值 D=ìïï

í0;D为

tT30)/()3≤tⅠ、Ⅱ两种情况为主要参考指标3 动态贝叶斯网络

3.1 引入机会窗口的动态贝叶斯网络动态贝叶斯网络(n斯网络结构与时间序列原理有效结合etwork,DBN)是以概率论为d原yn理am,ic将Bay

esian,静形成能够态贝叶处理时效性信息的随机诊断模型.它在处理时序数据、表达多层知识方面有着深厚的理论支持和

较强的优势[13-15

]入动态贝叶斯网络的时间片中.

本文将机会窗口的信息价值引,将多源传感器故障信息中基于时效性的不确定性信息以目标状态偏离信息的方式表现,通过节点调节减少网络观测变量中的不确定性信息一个动态贝叶斯网络是一个根据毗邻时间间

.

隔把不同变量联系起来的贝叶斯网络,可以定义为(B0,B→)

,即包含两个以上时间片的贝叶斯网204

大连理工大学学报

第59卷

B→表示有两个以上时间片的有向无环结构DAG转移网络,具体的动态贝叶斯网络示意图如图2所示.

16-18]络[其中B即初始网络,.0表示先验分布网络,

叶斯网络还是动态贝叶斯网络,推理的依据均是贝叶斯公式:

(x)x)p(yP(x|=()=pyy)

pyx)y∑p(

x()4

其中x为DAG有向无环结构中的目标节点,y为多源传感器故障信息节点.

叶斯网络在时序空间中延伸.动态贝叶斯网络的

()先验分布网络Ba0

)将式(扩展到动态贝叶斯网络中,使静态贝4

本质与静态贝叶斯网络一致,应用静态贝叶斯网

()转移网络B→b

络的条件性,设网络具有n个目标节点,m个多源传感器故障信息节点,即观测节点,形成离散静态贝叶斯网络,其诊断的基本计算公式为…,…, P(xxx|=1,2,n1,2,yyym)

jja

Fi.2 DnamicBaesiannetworkdiaramgyyg

图2 动态贝叶斯网络示意图

、个变量在初始时刻0、tt+1时刻的观测变量取值,其中i=1,将机会窗口的信息效用与贝2,3.叶斯网络节点的预测变量相结合,代入图2中得到图3.

、]、图2中Yi[分别表示第i0]Yi[tYi[t+1]

)为观测节点Yj在其父节点pa(|Yj)Yj)a(p(ypj下的条件概率.分母中的

)的所有组合状态.式(中的分母为观测变量组合5

图3 信息机会窗口过滤的动态贝叶斯网络

oortunitindowppyw

]19

状态和目标变量组合状态的联合分布总和[.

,,…,xx1x2n()5

…,…,式中:i=1,2,n;2,m;xi为目标节点j=1,

)为Xi取值;x|Xia(i)yp(pj为观测节点Yj取值;

目标节点X下的条件概率;Xi在其父节点pa(i)

,,…,xx1x2nj)p()Y)X)y|p(∑∏p(∏x|p(

ja

)p()Y)X)y|p(∏p(∏x|p(

jiia

ijiiai∑

表示隐藏节点

将动态贝叶斯网络看作网络节点、故障层次

Fi.3 DnamicBaesiannetworkfilteredbinformationgyyy

较多且时效性影响较大的静态贝叶斯网络.在各个时间片下的静态贝叶斯网络中,观测节点不仅包括设备故障数据信息,还包括信息在Ti时刻所具有的目标状态偏离信息.将前一个时间片的故;生的制约条件,其网络诊断过程见式(考虑到6)贝叶斯网络条件性假设及传感器观测信息的))时效性影响,式(变为式(67.

障诊断结果作为下一个时间片中n个目标节点发

])为基于机会窗口的传感器信息效用,即动dtn[

态贝叶斯网络中的目标状态偏离信息.将节点中多源传感器故障信息与基于时效性分析的目标状态偏离信息相结合,减少融合网络的不确定性.

从贝叶斯网络整体结构分析,无论是静态贝

如图3所示,D=(dt] dt] … 1[2[

…,…,…,…,…,…,P(xxxxxx|=11,12,1n,T1,T2,Tn11,12,1m,T1,T2,Tm)yyyyyy…,…,…,…,…,…,xxxxxx11,12,1n,T1,T2,Tn,11,12,1m,T1,T2,Tm)p(yyyyyy()6

…,…,…,…,…,…,xxxxxx11,12,1n,T1,T2,Tn,11,12,1m,T1,T2,Tm)p(yyyyyy∑

,,…,,…,,,…,xxxx11x121nT1xT2Tn…,…,…,…,…,…, P(xxxxxx|=11,12,1n,T1,T2,Tn11,12,1m,T1,T2,Tm)yyyyyy…,…,…,i=1,2,T;2,m;k=1,2,nj=1,

,,…,,…,,,…,,xxxx11x121nT1xT2Tnij∑

y∏p(

,ijij)p()p(YiX|pa(ik|a(ik)ipj)j=dj)∏x∏Di,ik,ij,ik,ij;

)p()p(YiXia(ik|a(ik)iyppj|j)j=dj)∏p(∏x∏Di()7

第2期

王承远等:基于时效性分析的动态贝叶斯网络故障诊断方法

Tab.2 Sensortesandsinalsourcesypg

序号1234567噪声

各缸排气温度总排气温度冷却水出口温度进气压力滑油污染度曲柄箱废气压力测量名称

范围30~150dB0~700℃0~700℃0~100℃0~1400~1MPa

3/0~200mh

205

式中:第1个下标xik为节点Xik的一个状态取值,为观测变量Yi为YiDda(iipp(j)j的父节点;j=j)

观测节点在所属时间片下所包含的目标状态偏离

表示第i个时间片,第2个下标表示该时间片内第k个目标节点;iiyj为观测变量Yj的取值;

表2 传感器类型及信号来源

传感器噪音传感器热电偶热电偶热电偶压力传感器电磁式传感器流量传感器点pa(下的条件概率.Yij)3.2 本文诊断网络的融合步骤)信息;为节点Xx|XXika(ik)ik在父节点ik)p(ppa(

)下的条件概率;为节点Yi|Yiia(p(ypjj)j在父节

基于时效性分析的动态贝叶斯网络故障诊断

方法具体步骤如下:步骤1输入多源传感器故障观测数据、专家知识步骤.

2获取观测数据采集时间,结合专家知识建立机会窗口模型,绘制时效性分析曲线步骤3

结合时效性分析曲线,根据式(1).

(~

用值3

)计算当前时间片下观测数据的传感器信息效D.

步骤4

将传感器信息效用值作为网络节点

的目标状态偏离信息,结合目标节点信息、状态转移信息和观测信息代入式(故障诊断结果7),得到不同时间片的步骤5

.

结合式(断结果作为条件概率,7

代入动态贝叶斯网络的时),依次将前一时刻故障诊间序列关系中,计算各个时间片下的故障发生概率.

步骤6

输出各个时间片下的故障诊断结果.

应用试验及结果分析

.1 柴油机诊断网络模型及参数设定

为了验证本文方法,以台架作为设备测试平台R进61行05仿AZ真LD柴油机和测试R工况下6105A,Z功率范围为LD柴油机为直喷式结构,

在台架实际.

13.5~135kW,转速为800~统、0润滑系统0r/min

,、组冷却系统成部分包、固定件系统和运动件系

括燃油系统、进排气系统.试验通过减小柴油机第2、3缸供油量来模拟供油系统异常引起的燃油系统故障传感器信息构成观测向量节点.

,主要包括噪

声Y1、各缸排气温度进气压力Y2、总排气温度Y不均匀度Y齿杆位Y3出口温度Y、冷却水4、置5、滑油污染度、各YY6箱废气压力Y缸、曲做柄7、8、转速Y9功具体情况如表10、总进气温度Y11、

冷却水进口温度12,

2所示.8齿杆位置00~10mm位移传感器电磁式传感器19

转速

各缸做功不均匀度10总进气温度0压力传感器0~~130%

00r/min热电偶112冷却水进口温度

0~~610000℃℃

热电偶

图载过程中4为柴油机运行工况从中速中载到高速重

,单个时间片下的静态贝叶斯网络结构其中目标节点的隐藏类型分为润滑系统故障6个状态:燃油系.统故障、进排气系统故障、、冷却系统故障、固定件系统故障和运动件系统故障通过专家知识和故障统计建立基于时效性分

.

析的动态贝叶斯网络(X.目标类型X的先验概率为

于非稳定状态过程.23))=.柴油机运行状态变化过程中(0.21 0.19 0.14 0.1,4 0观测变量处.09

,根据机会窗口模型的时效性分析原理,为减少多源传感器采集中的不确定性信息,低响应效率参数应该按时间变化特性;高响应效率参数选择特性所示Ⅱ类型,主要传Ⅰ类型分析感器参数的时效性曲线如图到时效性分析函数:

5.结合式(1)得D=

{

Dn+D0β0(1-e-(

t;

-T1

)/(T2-T1

));TT2≤t<3式中设信息最优质量;D(0在目标状态无偏离时为

8

2

)β为参数响应补偿因子,

由专家知识获取;{1,2,3}为采集次数;n∈T1和T2由专家知识获取.诊断时刻t的初始时刻设为信息首次采集时刻

T1,

在运行1障诊断时刻≈T3.

根据状态柴变油化机初实始际时运刻行进状行态信变息化采时集间,,即故t定为运行状态变化后20s时刻,

并每隔次,即10s获取一次传感器观测信息,

共获取时间片个数为3B2→以冷却水出口温度3,Y状态转移为(B0,B1→,

4为例,通过专家知得到)

.识.128Y,T4在高速重载过程中的T2为1分别取20、30和40s,代入式52s(8)

,β为

后得P044Y221T0206

大连理工大学学报

第59卷

(),)并根据式(依次计算其他0.45 0.69 0.928传感器信息效用值.通过图5的时效性曲线对D到基于(的传感器信息效用值D=B0,B1B2→,→)

微调,得到观测信息的目标状态偏离信息如表3所示.同时根据专家知识获取目标类型状态转移概率如表4所示.

Fi.4 StaticBaesiannetworksbasedonsinletimeslicegyg

图4 单个时间片下的静态贝叶斯网络

()噪声a

()各缸排气温度b

()总排气温度c

()冷却水出口温度d

()进气压力e

()滑油污染度f

()曲柄箱废气压力g

Fi.5 Timelinesscurveofmainsensorparametersg

图5 主要传感器参数的时效性曲线

()总进气温度h

()冷却水进口温度i

第2期

王承远等:基于时效性分析的动态贝叶斯网络故障诊断方法

)生的概率(见表5.

207

据图4确定,表示在当前观测信息下P(Y|Xi)

目标节点与观测节点之间的条件概率关系根

(,高、中、低、异常和正常)目标节点各类型故障发

Tab.3 Observationalinformationdeviationoftaretstateg

时间片

0

B1B→2B→

表3 观测信息目标状态偏离

dY1

0.650.811.00

Y2

0.680.921.00

Y3

0.530.720.93

Y4

0.470.660.

Y5

0.610.1.00

Y6

0.0.880.98

Y7

0.720.931.00

Y8

1.001.001.00

Y9

1.001.001.00

Y10

0.941.001.00

Y11

0.560.730.91

Y12

0.480.650.71

Tab.4 Probabilitfstatetransitionoftaretteyogyp

时间片

0

B1B→2B→

表4 目标类型状态转移概率

/%PX1

55.385.1-

X2

52.091.5-

X3

61.590.0-

X4

65.082.5-

X5

60.285.0-

X6

71.590.0-

XX1X2X3X4X5X6XX1X2X3X4X5X6

P(Y1=H|Xi)

83.779.122.681.038.319.6

Tab.5 Conditionalrobabilitnderobservationalinformationpyu

P(Y2=U|Xi)

73.582.175.867.242.847.1

表5 观测信息下的条件概率

P(Y3=L|Xi)

47.413.349.751.848.246.5

P(Y4=L|Xi)

58.180.235.98.437.329.6

P(Y5=H|Xi)

26.813.190.686.281.38.7

P(Y6=H|Xi)

36.172.8680.753.662.8

%

P(Y7=H|Xi)

74.666.247.521.650.953.8

P(Y8=H|Xi)

.546.139.220.321.924.8

P(Y9=L|Xi)

91.248.523.819.521.552.3

P(Y1|X0=Ui)

93.068.530.728.347.251.1

P(Y1|X1=Li)

41.87.785.056.981.374.9

P(Y1|X2=Li)

30.342.845.117.356.358.5

4.2 仿真试验结果及分析

2

络原理,将表3中针对B0、B1→和B→的目标状态

根据图3中基于时效性分析的动态贝叶斯网

表6 基于机会窗口的动态贝叶斯网络诊断结果

Tab.6 DnamicBaesiannetworkdianosisresultsyyg

basedonoortunitindowppyw

X2

12.111.28.5

/%P偏离信息分别与3组时间片下对应的多源传感器故障观测信息相乘,通过调节网络节点减少不确定性信息的影响.将调节后的观测信息、表4~5,中数据代入式(得到故障诊断结果如表6所7)示.

时间片

0

B1B→2B→

X1

22.024.141.2

X3X4X5

14.519.622.3

X6

15.313.29.5

10.76.1

9.326.821.212.4

208

大连理工大学学报

初次故障诊断是在中速中载切换到高速重载

第59卷

后2由表6可知,由于水温等传感器信0s时刻,息处于非稳定状态,时间片1下的诊断结果具有动态贝叶斯网络在第1次状态转移9%~27%;多源传感器信息时效性逐渐稳定,但仍包B1→后,

含一定不确定性信息,如图6中时间片2节点分布在10%~25%.

较大的不确定性,如图6中时间片1节点分布在

发生概率对比差距聚集在5%~1如图7所2%,示,各时间片下的节点分布过度重合.由于时间片之间的推理依赖关系受到不确定性信息影响,导致诊断结果出现误差.

图6 基于机会窗口的动态贝叶斯网络诊断结

果变化趋势

Fig.6 rTerseunltdsbsofasdeydonanomicBppoaryteusinaitnnyw

etinwdoorkdwiag

nosis在第定,动态贝叶斯网络在前两个时间片的基础上2次状态转移B2→后,

观测信息趋于稳,得到如图6中的时间片状态偏离信息调节贝叶斯网络节点3节点分布范围,准确得到目.通过目标标故障为燃油系统X5%1以上,

与其他故障差距明显,后验发生概率对比差距在

在同等工况下,利用未引入时效性分.析的动

态贝叶斯网络进行故障诊断,诊断结果如表7所示.

表7ab 未考虑时效性的动态贝叶斯网络诊断结果

T.7 DwyitnhaomuitcBcoanysiedseiarinnnget

tiwmoerlikdnesisag

nosisresults时间片

P/XXX%1

2

3X4X5

X6

B0B1129.11→B217.8158.221111518→

118..73

260..23

9..22

22.11..44

13.4.5.15

211.6.3.43

由表入时效性分析的动态贝叶斯网络诊断结果可能性7可知,受到非稳定观测信息影响,未引

范围为(X1,X2,X4)

,各个时间片下故障的后验图7 未考虑机会窗口的动态贝叶斯网络诊断结

果变化趋势

Fig.7 rTerseunltdswsofdithoyuntacmoincsiBdaeyriensgiaonppneotrtwuonriktydw

iaig

nndooswis将本文方法和未考虑时效性的动态贝叶斯方法进行比较,如图8所示.

图8 与未考虑时效性的动态贝叶斯方法对比分析

Fig.8 Cmoetmhpoadwratiivtehoauntalcyosnissitdoderinygnat

immicBelinaey

sessian由图可知,未考虑时效性的动态贝叶斯方

法受到传感器参数不确定性信息影响8,在初始时

间片B0和时间片B1→时均产生诊断误差,导致时间片B2→下X2和X4的诊断结果概率均在以上.而本文方法能够降低动态贝叶斯网络节点20%中的不确定性信息影响,诊断结果X1为断灵敏度高且准确.

42%,诊 结 语

本文提出了一种基于时效性分析的动态贝叶

35 第2期

王承远等:基于时效性分析的动态贝叶斯网络故障诊断方法

209

斯网络故障诊断方法.通过专家知识和传感器信息时效性统计,获取传感器信息随运行状态和时间的变化规律,建立了机会窗口模型,减少了动态贝叶斯网络观测节点中的不确定性信息,解决了由于柴油机运行状态变化引起的非稳定状态对诊断准确性影响的问题.

试验表明,本文方法减少了柴油机运行状态

ontemoraluncertaintfsubstationfaultpyo():)2012,4081-9.(inChinese

],dianosis[J.PowerSstemProtectionandControlgy

波,原进凯,石国新,等.生产调度中时间不确

[]吴6

():22388-90.

]定性及其控制策略[J.湖北工业大学学报,2007,,YUANJ,,WUBoinkaiSHIGuoxinetal.Time

变化带来的不确定性信息,目标故障诊断概率提高到4利用动态贝叶斯网络时间序列关系,2%.schedulinJ].JournalofHubeiUniversitfg[yo,():)Technolo,22(gy

uncertaintnditscontrolstratenproductionyagyi

加强时间片之间的依赖关系,故障后验概率对比差距提高到35%,

增强了故障诊断灵敏度.参考文献:

[1

]王国胤,张清华,马希骜,等.知识不确定性问题的粒计算模型[J].软件学报,2011,22(4):67aWAl.NGGraGnuuloayrin,coZmHAputiNnGgQminog

dhelusa,foMArkXnio'6wa-lo69,4et.edge6u7n6c-e6rtainty[

J].JournalofSoftware,2011,22(4):[2

]侯9)智4,.(陈

inC倩hi,n陈

ese

进及其处理方法综述[.制造过程中的不确定信息

46(5):121-126.

J].机床与液压,2018,

uHncOeUrtaiZnhi,infoCrHmaEtiNonaQinan,ditsCpHrEocNessJiinng.Rmeetvhioedwsionf

Hmy

adnruafualcitcusr,in2g0p

roces(s[):J].MachineTool)&[3

]闫英战,方晓18,46,马

5健,1等21-126.(inChinese示和推理研究[.不确定知识的可拓表

,54.

J].计算机与现代化2010(8):52-

kRYneAoseNarcYhing

oznhaen,xtenFicAsNrGerXeisaeo,p

ntatMAionJian,etal.ofuncertainModwelrendizgaetioann,dreas(on)i:ng[J].Compute)rand[4

]胡文彬,张宏2,0李千目108识应用模型的研究[.52不确定模式集成中领域知

-54.(inChinese

计算机工程与应用,46(32):10-12,2J]3.

.2010,

sdHUcohmeamiWanenikbntnieon,wrlaeZtidHAoneN[aGJ]lH.icoCanotig,gpp

monLIQutmerEodiealinmninu.neeuSrintncuedrtyaionfApp

licationsg,010,46(32p)0-1g2,23.ga(nid[5

]C佘hinese

)2:1n维,郭金叶,李江林,等间不确定性问题研究[J].变电站故障诊断的时

2012,40(8):1-9.

.电力系统保护与控制,

SHEWei,GUOJinye,LIJiang

lin,etal.Research[7

]高晓光,陈海洋200,7史建国3.变结构动态贝叶斯网络的88-90.inChinese机制研究[1G4A44O.

J].自动化学报,2011,37(12):1435-

SdSiytunndicayXiaoguang,am,icBo

nCHENHaiyang,ay

tehseianmneecthwaonrisksm[Jof].stArcuStcatHuIJre-ivaanrig

aubole.[8

]姚宏亮,2张一鸣011,37(,李12):俊照14,3等5-1.4动44态.(贝inC叶hiAnuetsoe

m)atica斯网络的灵敏性分析研究[发展,51(3):536-547.

J].计算机研究与2014,

eYtaAlO.RHeosnegalricahong,nsZeHAnsitNivGityYiming

,analysisfLIJunzhao,ordy

namicBRaeyseeasiracnhannedDtwoervkels[op

mJ]ent.,2J0o1u4rn,a5l1(o3f):C5o36m-p5u4t7er(inChinese

).[9

]林嘉宜,彭宏,谢嘉孟,等及时态运算的扩展[.不确定时态信息表示

计算机科学,32(L8):161-163.

J].2005,

,tUInNcerJtiaayiPENGHong,XIEJiameng,etal.Shceieenxcetei,nnt2si0oe0nm5sp,oo3fr2tale(8minf)p:oo1rr6a1lma-1ot6pi3eornr.at(ieiop

nCnre[shJe]nine.tasCtie

oonand)mputer[10

]王小晟,吴顺祥的比较研究[.对几种处理不确定性信息的理论41(12):51-55.

J].计算机工程与应用,2005,sWAtudNyGofXiasoosmheeng,theWUSorieshudenaxliianngg.w

Acithomup

nacrearttiavieinAnfpop

rlimcaattiioonn[s,20J]05,.41C(omp)u:terEngineering)and[11]YBANG

mHAoTTACHARYAPeng

1251-55.AdriverLfI.(Guosh,aN

inChinetiguerecoYsg

iennig

tizoi,n1B8a0y

deelbasedo(rnki[nJfor.mInaftioornmaftiuosinSonciaenncdesdy

2n0a1m0ic,[12

]卢代军1si0ann,,S夏学知Ie)t:1w9o],4,2张-19子54鹤.

,等.目标信息的时效性分析[J].火力与指挥控制,2007,32(1):38-41.

210

大连理工大学学报

,X,Z,eLUDaiunIAXuezhiHANGZihetal.j,:Control&CommandControl2007,32(1)38-41.]Timelinessanalsisoftaretinformation[J.Fireyg()inChinese

第59卷

ThecontrolledthermodnamicinteralforBaesianygy

[]赵鲁炎,马13

157-162.

]():集风险分析[J.中全科学学报,20177

峻.利用动态贝叶斯网络实现人群聚[]F17RIEDMANN,GEIGERD,GOLDSZMIDTM.

Baesiannetworkclassifiersy,(/):Learnin1997,2923131-163.g

[J].Machine

634-5.

,2():AmericanStatisticalAssociation016,111514

modelevidenceevaluation[J].Journalofthe

[]J14ENSEN

,():)ScienceJournal20177157-162.(inChineseNetworks[M].

F

V.Introduction

to

bnamicBaesiannetwork[J].ChinaSafetydyyy

Baesiany

,MAJZHAOLuanun.Riskanalsisofstamedeyyp[]S18UANDISA,ENOKIDAS,EJIMAT.Facepose

estimationfromvideoseuenceusinnamicqgdy//2Baesiannetwork[C]008IEEEWorkshonypo,WMVMotionandVideoComutinC.Washintongpg

峰,徐文立.基于多层动态贝叶斯网络

,DC:IEEEComuterSociet2008:4544053.py

[]HUAN,L,Y,e15GShuaiIJinEJieintal.Agpg

Baesiannetworkidentificationfromy

,Berlin1996.

:SHeidelberriner-Verlagpgg

[]杜友田,陈19

sarsestructurelearninlorithmforGaussianpgag]dimensionaldata[J.IEEETransactionsonPattern1328-1342.

]的人的行为多尺度分析及识别方法[J.自动化学():报,2009,353225-232.

hih-g

,2:AnalsisandMachineIntellience013,35(6)yg

humanactivitulti-scaleanalsisandreconitionymyg,:ActaAutomaticaSinica2009,35(3)225-232.(in

,,DUYoutianCHENFenXUWenli.Aroachtogpp

]basedonmulti-laerdnamicBaesiannetwork[J.yyy)Chinese

[]OA,16TESCJPAPAMARKOUT,GIROLAMIM.

FaultdianosismethodofdnamicBaesiannetworkgyy

basedontimelinessanalsisy

*

,,WANG Chenuan XU Jiuun YAN Zhiungyjj

(M,,arineEnineerinolleeDalianMaritimeUniversitDalian116026,China)ggCgy

,sensorsinfaultdianosisofdieseleninewithmulti-sourceinformationafaultdianosismethodofgggdnamicBaesiannetworkbasedoninformationtimelinessoortunitindowispresentedfromtheyyppyw,ointofmulti-sourcesensorinformationtimeliness.Firstltheinformationtimelinessoortunitpyppywindowisestablishedaccordinothechaneruleofuncertaininformationcollectedbulti-sourcegtgym

:AbstractInordertosolvetheproblemoffusionerrorcausedbncertaininformationcollectedbyuy

,,sensorandthedeviationinformationoftaretstateiscalculated.Secondltheinformationutilitfgyyostatetoreducetheinfluenceofuncertaininformationonfusionerror.TheresultsofR6105AZLDdifferenceoffaultposteriorprobabilitisincreasedto35%aftertheintroductionofthemethod.y

taretstateg

Baesiannetworkobservationnodesisdnamicalldustedbsineviationinformationoftaretyyyajyugdg

dieseleninebenchtestshowthatthesensitivitffaultdianosisisincreasedandthecontrastgyog:;KeordsdnamicBaesiannetwork;dieselenineoortunitindow;deviationinformationofyygppywyw