[发明专利]一种基于贝叶斯网络的工业故障路径追溯方法及系统

权利要求书

1.一种基于贝叶斯网络的工业故障路径追溯方法，其特征在于，包括：

步骤1：数据预处理，剔除原始数据中的噪声数据；

步骤2：根据预处理后的数据，进行贝叶斯网络建模；

步骤3：异常值检测，拟合自回归模型，并对拟合残差作后验检验来判断数据异常；

步骤4：故障路径追溯，根据所检测出异常数据及故障属性，通过分析父节点的最大影响来求得一条最有可能的故障传播路径。

2.如权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法，其特征在于：步骤1具体包括如下步骤；

步骤1.1：剔除原始数据中的异常数据；

步骤1.2：对原始样本进行正则化，并记录全样本的均值和方差等正则化参数信息。

3.如权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法，其特征在于：步骤2具体包括如下步骤：

步骤2.1：将原始大规模样本分割成相互部分重叠的训练批样本；

步骤2.2：初始化与样本量和维度有关的惩罚项等参数，调控网络结构的稀疏度；

步骤2.3：利用稀疏贝叶斯网络(Sparse Bayesian Network，SBN)算法，依次对每一个节点进行父节点的搜索，并加入广度优先搜索方法避免生成环路。经过若干次迭代，父节点及其对应关系系数趋于稳定，获得当前数据下的有向无环图及参数。

4.如权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法，其特征在于：步骤3具体计算过程如下：

步骤3.1：用AR(AutoRegression)自回归模型拟合数据建立预测模型，将预测结果与真实值对比求得预测残差；

步骤3.2：对预测残差作基于假设的后验检验，得到数据正常或异常的标记。

5.如权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法，其特征在于：步骤4具体包括如下步骤：

步骤4.1：利用条件概率分解式：

计算异常数据中故障属性对应节点在其不同父节点组合下的后验估计值；其中，S是故障属性节点，Ω是S的所有父节点集合，是Ω的一个子集，{X^A}是集合A在异常数据X中的真实取值；

步骤4.2：利用二分法数值估计S的取值，使得最大；对P求导，得到然后利用二分法求解P′＝0的近似解x_S：计算所有μ_i，令则P′(a)和P′(b)必定异号，这意味着存在x∈(a，b)，使得P′＝0；若P′(a)＞0、P′(b)＞0，则计算如果则停止计算并输出如果则将区间缩小至继续二分查找；否则在区间中继续二分查找；重复上述步骤，直到得到满足相应近似精度的x，输出x_S＝x；

步骤4.3：将估计值与真实值对比，把最接近估计值的父节点组合作为原因；

步骤4.4：若所搜寻到的原因节点均无父节点，则将搜索到的各原因节点依路径输出；否则将搜寻到的原因节点作为新的异常节点，重复步骤4.2和4.3。

6.一种基于权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法的系统，其特征在于：包括：

数据预处理模块，其用以剔除原始数据中的噪声数据，将原始数据正则化；

贝叶斯网络学习模块，其用以增量式学习贝叶斯网络结构，及贝叶斯网络参数；

异常值检测模块，其用以拟合自回归模型，并对拟合残差作后验检验来判断数据异常；

故障路径追溯模块：其用以根据所检测出异常数据及故障属性，通过分析父节点的最大影响来求得一条最有可能的故障传播路径。