[发明专利]一种基于贝叶斯神经网络的系统健康状态预测方法

权利要求书

1.一种基于贝叶斯神经网络的系统健康状态预测方法，其特征在于，包括：

将系统结构的各节点进行划分，得到第一整合节点和第二整合节点；划分原则根据系统特性和预测需求制定，将各节划分为数据关系明确或数据关系复杂的整合部分；

其中所述第一整合节点为节点间结构明确，相互影响关系清晰，以及与之对应的健康状态数据不存在耦合现象的数据集；所述第二整合节点为节点间相互影响关系复杂，且与之对应的健康状态数据存在重叠，耦合度高的数据集；

基于所述第一整合节点建立原始多层级系统贝叶斯网络模型，得到第一整合节点的状态分布预测结果，基于所述第二整合节点建立深度学习模型及贝叶斯网络模型，得到第二整合节点的状态分布预测结果；

将所述第一整合节点的状态分布预测结果和所述第二整合节点的状态分布预测结果进行整合，实现系统整体的健康状态预测；

其中，整合过程包括：

基于所述第一整合节点和所述第二整合节点的状态分布预测结果，得到不明确整合节点相应的状态分布，再利用贝叶斯网络参数学习和状态推断算法进行系统状态推断，流程算法包括：

输入：节点多特征融合数据；

S4.1、初始化：

a)基于系统模型，建立系统贝叶斯网络模型BN₀；

b)对不明确节点进行节点整合，形成一个虚拟节点Node_x纳入系统贝叶斯网络；

S4.2、整合节点状态分布计算：

a)建立深度学习预测模型，以X＝(x₁，...，x_m)作为输入，预测整合节点健康状态Y；其中，X＝(x₁，...，x_m)为节点多特征融合数据；

b)建立贝叶斯神经网络模型BNN，将Y作为模型输入，预测整合节点的状态分布；

S4.3、模型整合：

a)将整合节点作为新的网络节点，更新原始网络结构BN₀，得到混合系统模型BN₁；

b)在BN₁的基础上，利用训练数据进行相关贝叶斯网络参数学习得到条件概率信息；

输出：系统健康状态混合预测模型。

2.根据权利要求1所述的基于贝叶斯神经网络的系统健康状态预测方法，其特征在于，根据所述系统的内部结构、已知的健康状态监测数据、实际使用情况对系统结构的各节点进行划分。

3.根据权利要求1所述的基于贝叶斯神经网络的系统健康状态预测方法，其特征在于，所述原始多层级系统贝叶斯网络模型的构建方法包括：基于故障树分析方法构建系统的故障树模型，依据系统中事件的逻辑关系选取逻辑门，将已经确定的顶事件和引起所述顶事件发生的全部直接事件连接起来，依次逐级建造；通过事件与节点的转化关系和逻辑门与贝叶斯网络概率分布的转化关系，完成所述故障树模型向贝叶斯网络模型的转化，得到所述原始多层级系统贝叶斯网络模型。

4.根据权利要求1所述的基于贝叶斯神经网络的系统健康状态预测方法，其特征在于，对所述第二整合节点建立深度学习模型，以节点特征参数作为输入，对整合后的节点进行健康状态预测，再建立系统贝叶斯网络模型，将节点健康状态数据向状态分布进行转化，得到所述第二整合节点的状态分布预测结果。

5.根据权利要求4所述的基于贝叶斯神经网络的系统健康状态预测方法，其特征在于，所述节点健康状态数据向状态分布进行转化的过程包括：

利用变分贝叶斯推断算法学习得到节点的健康状态分布，对各个神经元的权重参数进行相应的随机采样，形成若干组模型参数，针对每一组所述模型参数，按照神经网络预测方法，前向计算模型预测结果，多次采样之后得到节点状态概率分布。

6.根据权利要求5所述的基于贝叶斯神经网络的系统健康状态预测方法，其特征在于，基于所述第一整合节点的状态分布预测结果和所述第二整合节点的状态分布预测结果，更新所述原始多层级系统贝叶斯网络模型，得到混合后的贝叶斯网络模型，进行系统状态推断。

7.根据权利要求6所述的基于贝叶斯神经网络的系统健康状态预测方法，其特征在于，基于所述混合后的贝叶斯网络模型，利用训练数据进行贝叶斯网络参数学习，得到条件概率信息，实现整个系统健康状态预测的过程。