[发明专利]一种基于先验概率建模的风机故障贝叶斯概率分析方法

说明书

本发明提供一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法，包括：明确轴流风机故障类型，明确故障可能对应的运行工况与征兆；根据轴流风机故障类型及其对应运行工况与征兆构建贝叶斯网络；根据真实物理经验与合理假设对风机故障的先验概率进行建模；对模型进行误差分析，保证模型的可行性。本发明能够在对轴流风机故障的先验概率进行合理建模的基础上，将故障的先验概率分为两部分的线性叠加，工况指向和历史信息，并建立先验概率与工况信息之间的直接函数关系。不同工况下，先验概率不同，使得网络先验概率更为客观，具有学习性质，同时将每次的诊断信息添加到历史数据库，更新网络先验概率，使系统智能化。

技术领域

本发明涉及故障诊断领域，尤其涉及一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法。

背景技术

过程流体机械是以流体或流体与固体的混合体为对象进行能量转换、处理的机械，是过程装备的重要组成部分。过程流体机械参与了工厂生产中的大多数环节，是一个工厂的心脏、动力和关键设备。一旦流体机械设备出现了故障，势必对整个生产造成巨大的财产损失，严重者可能会引发安全事故。按照中国制造2025的战略部署，高端装备智能制造对流体机械的性能、安全和效率等提出更高更迫切的要求。为此，如何预防和诊断过程流体机械出现的故障显得尤为必要。

近年来，基于贝叶斯网络理论的流体机械故障诊断方法取得了重大突破,但是这些方法的网络先验概率均为根据经验假设，且固定不变，使得整个网络过于主观。本方法采用对先验概率建模的方式，结合历史信息与工况原因两方面影响，构建状态取值函数和概率函数，使先验概率更为客观，且具有一定的学习性质。

附图说明

图1是轴流风机参数表；

图2是轴流风机的故障贝叶斯网络的有向无环图；

图3是腐蚀程度随时间变化曲线；

图4是紧固力下降程度随时间变化曲线。

发明内容

本发明提供一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法，将故障的先验概率分为两部分的线性叠加，工况指向和历史信息，并建立先验概率与工况信息之间的直接函数关系。不同工况下，先验概率不同，使得网络先验概率更为客观，并将每次的诊断信息添加到历史数据库，更新网络先验概率，使系统智能化。

一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法，包括：

步骤一：明确轴流风机故障类型，明确故障可能对应的运行工况与征兆；

步骤二：根据轴流风机故障类型及其对应运行工况与征兆构建贝叶斯网络；

步骤三：根据真实物理经验与合理假设对风机故障的先验概率进行建模；

步骤四：对模型进行误差分析，保证模型的可行性。

作为优选，步骤一中重点考察两类典型的轴流风机故障：转子不平衡和地脚螺栓松动。

作为优选，步骤二中的贝叶斯网络是有向无环图，分为三层节点，分别为工况层节点、故障层节点、征兆层节点。

作为优选，步骤三的具体步骤为：

步骤a.明确故障层节点的先验概率由工况因素影响与历史信息两部分构成，如果是首次先验概率建模，则历史信息为零；

步骤b.根据自身知识和经验合理建立工况层节点状态对故障先验概率的影响模型；

步骤c.使用历史信息对先验概率进行修正，确保概率的合理性。

作为进一步优选，步骤b中，将工况层节点连续化，节点状态用“程度”来描述，程度取值范围为[0,1]，程度越大表示该工况因素的情况越严重。