[发明专利]基于K2算法的装备故障贝叶斯网络预测方法

说明书

技术领域

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K2算法的装备故障贝叶斯网络预测方法。

背景技术

文献“Cai Z,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

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。

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：

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H，并将H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M和故障检测节点E三个子集，即H＝C∪M∪E；

步骤三、将节点集合H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＝{X₁,X₂,X₃,...,X_n}；

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；