[发明专利]一种基于贝叶斯推理的机泵安康知识库查找方法

权利要求书

1.一种基于贝叶斯推理的机泵安康知识库查找方法，其特征在于，包括如下步骤：

(1)以机泵安康知识库中的机泵关键部件、具体故障信息和振动信号特征作为先验知识，建立贝叶斯网络搜索模型；

(2)把设定时间长度内机泵运行过程中跟踪到的振动信号特征及具体故障信息作为训练数据样本D，进行贝叶斯网络的学习；

(3)以机泵实际运行过程中采集到的振动信号特征作为网络输入，以机泵的具体安康状况信息作为网络输出；

(4)设定贝叶斯网络的搜索次数m；

(5)利用评分函数计算贝叶斯网络的得分；

(6)建立新的数据库，用于保存每次搜索贝叶斯网络的得分；

(7)找出得分最高的贝叶斯网络，实现贝叶斯网络的结构；

(8)利用EM算法实现网络的参数学习；

(9)利用得到的贝叶斯网络，根据机泵运行过程中获取的振动信号特征的实时状态，进而推断该节点发生故障的概率。

2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述的振动信号特征是指振动数据的峭度指标、峰值指标、裕度指标、波形指标，以及一倍频、二倍频、三倍频和高倍频的相关时域和频域指标。

3.根据权利要求1所述的方法，其特征在于，步骤(1)中所述机泵关键部位是指5种易发故障的机泵部件：转子、滑动轴承、齿轮箱、地脚和叶轮；所述具体故障信息和振动信号特征用于构建机泵安康知识库，其数据来源包括：试验仿真模拟的故障结果、机泵故障监测与分析的研究文献、机泵日常运行时的巡检故障记录。

4.根据权利要求1所述的方法，其特征在于，步骤(3)中所述的机泵具体安康状况至少包括健康状况良好和机泵故障两种情况，若机泵故障，则输出具体故障内容。

5.根据权利要求1所述的方法，其特征在于，步骤(5)中所述的评分函数是指贝叶斯网络条件概率统计评分函数BCPS，具体如公式(1)所示：

其中，S为网络结构，D为数据样本，n，i，j，k为不同的自然数，q为故障父节点，r为网络节点编号，m为搜索次数，α为寻到的最优结构参数；

BCPS函数的惩罚项为其中为网络结构的复杂度，λ为惩罚系数，为贝叶斯网络的似然度；BCPS函数的分值越大，说明变量间的关联强度越大，数据和网络结构的拟合性就越好。

6.根据权利要求1所述的方法，其特征在于，步骤(8)中所述参数学习是指利用EM算法实现贝叶斯网络的参数学习，用于实现最大似然值的计算；具体包括：

对于贝叶斯网络样本数据D，计算其条件概率P(x_i，π_i|D₁，θ^(t))；给定D，其似然函数为：

其中，1为似然函数值，i，j，k为不同的自然数，x_i∈{x_i¹，x_i²，...，x_i^k，...，x_i^qi}；π_i为父节点的集合，其排列顺序为1，2，...，q_i；θ为寻得的最优参数，θ_jk为当x_i＝x_i^k且`π_i＝j是的最优参数；表示当x_i＝k且π_i＝j时数据集中的取值，得到下式：

在开始设定一个初始估计θ⁽⁰⁾，然后不断地修正；从当前的估计θ^(t)，到下一个估计θ^(t+1)，t为时间值，进行期望计算和最大化：

期望计算是计算的定D时，当前θ的似然函数期望：

l(θ|θ^(t))＝∑_l∑_xilnp(D_l，x_l|θ)p(x_l|D_l，θ^(t)) (4)

对所有θ，应满足l(θ|θ^(t+1)≥l(θ|θ^(t)))，根据公式(2)

最大化计算是通过最大化当前期望似然函数值，选择下一个估计θ^(t+1)：