[发明专利]基于混合贝叶斯网络的汽车故障诊断方法

权利要求书

1.一种基于混合贝叶斯网络的汽车故障诊断方法，其特征在于，包括以下步骤：

收集群专家提供的汽车故障诊断问题中所有节点间关系的信息，采用D-S证据理论对获取的节点关系进行融合，对融合结果进行决策并将决策后的有效信息转化为邻接矩阵；

依据得到的邻接矩阵作为先验结构，将先验结构与K2算法相结合，通过先验结构限定K2算法的搜索空间；

在汽车故障数据中计算各个节点的熵函数并排序得到节点序列；

将所述节点序列输入到融合先验结构的K2算法中进行贝叶斯网络结构学习，得到混合贝叶斯网络结构；

基于所述混合贝叶斯网络结构进行汽车故障诊断，得到汽车故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述收集群专家提供的汽车故障诊断问题中所有节点间关系的信息，采用D-S证据理论对获取的节点关系进行融合，包括：

在收集专家知识的过程中，对于任意两个节点(i,j)间存在三种因果关系，包括：i→j表示由专家确定存在i指向j的有向边，j→i表示由专家确定存在j指向i的有向边，i≠j说明节点间不存在指向关系；

收集完全部专家知识，得到所有专家的信度分配表；

应用D-S融合规则进行对所述信度分配表进行融合，得到最终的融合结果；

其中，若已知m₁和m₂的两个基本概率分配，D-S融合规则如下：

其中，m(A)为融合结果，A，B，C分别表示汽车故障诊断问题中的命题或假设；Φ表示空集，K代表冲突系数，当K＝0时，说明m₁和m₂之间没有冲突。

3.根据权利要求2所述的方法，其特征在于，所述对融合结果进行决策，包括：

在得到最终的融合结果m(A_h)，1≤h≤4后，根据预先设置的阈值θ，决策是否存在对应的有向边，决策方式如下：

若m(A₁)＞θ，则确定i→j；

若m(A₂)＞θ，则确定j→i；

若m(A₃)＞θ，则确定i≠j；

若m(A₄)＞θ或m(A_h)均小于θ，则认为对该两节点间关系无法确定，后续则按无专家信息处理。

4.根据权利要求1至3所述的方法，其特征在于，所述在汽车故障数据中计算各个节点的熵函数并排序得到节点序列，包括：

分别计算所述汽车故障数据中各个节点的信息熵并排序，选择第一节点为起始节点；

计算在已选择的节点已知的条件下其余节点的条件熵并排序，选择一个节点作为第N顺序节点；

重复执行上述条件熵的计算，直至得到最后顺序点，每次条件熵的计算中所述已选择的节点包括本次计算之前选择的节点，其中N为大于1小于节点总数的正整数；

根据所述起始节点和各个顺序节点，得到节点序列。

5.根据权利要求1所述的方法，其特征在于，在进行贝叶斯网络结构学习时，以贝叶斯信息度量BIC评分作为评分函数。

6.根据权利要求1所述的方法，其特征在于，所述将所述节点序列输入到融合先验结构的K2算法中进行贝叶斯网络结构学习，包括：

对搜索过程中得到的非法结构进行修正处理，所述非法结构为不符合无环图的属性的结构。

7.根据权利要求6所述的方法，其特征在于，所述修正包括：

若矩阵中两个节点之间存在双向弧，则随机选择两者之一置0；

若矩阵中存在封闭环路结构，在环路中随机选择删除边或反转边，以满足贝叶斯网络为有向无环图的要求。