[发明专利]基于混合贝叶斯网络的汽车故障诊断方法

说明书

本申请公开了一种基于混合贝叶斯网络的汽车故障诊断方法，该方法包括：采用基于条件熵的序列生成法与融合专家信息的K2算法相结合的混合贝叶斯网络结构学习方法，得到混合贝叶斯网络，然后利用该混合贝叶斯网络进行汽车故障诊断。在无专家知识的情况下可以得到与利用互信息排序相同的性能效果，但计算量却更加简便。在K2算法内部融入少量专家知识便可得到更好的性能效果，并能够修正可能由于样本数据缺失或输入顺序差异较大造成的偏差以学习到更好的网络结构。解决了汽车故障诊断方法中存在的计算复杂度高的问题，使汽车故障诊断更快速，诊断结果更准确。

技术领域

本发明涉及信息技术与机器学习领域，更具体地，涉及一种基于混合贝叶斯网络的汽车故障诊断方法。

背景技术

随着汽车技术的发展，汽车结构及电控部分复杂，其故障现象多样化，故障成因复杂化、随机性和模糊性，致使故障具有一定的不确定性。

贝叶斯网络是以概率论和图论为基础的一种能够表达随机变量间相互关系的因果图模型。贝叶斯网络有着坚实的理论基础，是处理不确定知识表达和推理的有效方法，能够应对汽车故障诊断中的不确定性问题的表示和推理，有效地融合领域先验知识和实时传感数据的分布特征，实现汽车故障诊断系统的自适应。

在基于贝叶斯网络实现汽车故障诊断时，首先需要建立贝叶斯网络的结构，建立贝叶斯网络的结构的方法主要分为：基于评分搜索的方法以及基于依赖分析的方法。基于评分搜索方法主要包括两部分，即评分函数和搜索算法，采用搜索算法对网络结构不断地进行搜索并通过评分函数对每一个结构进行评分，算法结束后输出评分最高的网络结构，其中最为经典的就是K2算法。K2算法以样本数据及人为给定的顺序作为输入，以空节点集开始逐次增加与父节点的连接边并计算评分，算法结束后输出网络结构。基于依赖分析的方法主要通过独立性检测判断节点间的相互关系并确定其方向。该方法随着节点数量的增加，算法的独立性检测次数会呈指数增长导致结构差异较大。

经典的K2算法存在需要人为输入确定节点顺序的限制，目前多采用基于互信息的方法生成初始网络图并搜索图形得到对应的节点序列作为K2算法的输入，然而基于互信息的方法需要生成初始结构图及判断边的方向，具有较高的算法复杂度。

发明内容

本发明的目的是提出一种基于混合贝叶斯网络的汽车故障诊断方法，以克服现有汽车故障诊断方法中存在的计算复杂度高的问题，使汽车故障诊断更快速，诊断结果更准确。

为了实现上述目的，现提出的方案如下：

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。

优选地，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；