[发明专利]基于K2算法的装备故障贝叶斯网络预测方法

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。

主权项

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、初始化故障预测贝叶斯网络节点集合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,...,Xn}；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；VXBIC=Σi=1n(Σj=1qiΣk=1rimijklogmijkmij-qi(ri-1)2logm)=Σi=1nVXiBIC---(1)]]>式中，n表示贝叶斯网络中节点数量；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；mijk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；mij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＝{X1,X2,X3,...,Xi}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π(Xi)a根据式(2)确定；π(Xi)a=C-Xi,Xi∈CC,Xi∈MC∪JM,Xi∈E---(2)]]>针对Xi，在可行父节点集合π(Xi)a中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)；VXiBIC=Σj=1qiΣk=1rimijklogmijkmij-qi(ri-1)2logm---(3)]]>步骤六、找出可行父节点集合π(Xi)a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(Xi)a移入Xi的真实父节点集合π(Xi)，更新转入步骤五，在新的π(Xi)a中继续搜寻Xi的其他父节点；否则，则表示已经找到停止为Xi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，得到对应的最优故障预测贝叶斯网络结构；步骤九、基于故障数据集，利用参数学习算法，计算故障预测贝叶斯网络中所有节点的先验概率和条件概率分布参数；对于一个由n个变量X＝{X1,X2,...,Xn}组成的贝叶斯网络，需要计算的网络参数集合为Θ＝{θijk＝P(Xi＝k|π(Xi)＝j),1≤i≤n,1≤j≤qi,1≤k≤ri}；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θijk的最大似然估计，如式(4)所示；即当θijk的取值为时，P(Θ|S,D)的值达到最大，其直观含义如式(5)所示；θijk*=mijkΣk=1rimijk,Σk=1rimijk>01ri,else---(4)]]>步骤十、最后以故障检测现象实时信息e为驱动，利用故障预测贝叶斯网络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。