[发明专利]基于多模块贝叶斯网的电子电路故障诊断方法

摘要

本发明涉及基于多模块贝叶斯网的电子电路故障诊断方法。常用的电子电路故障诊断方法有模糊集故障字典法、神经网络法和贝叶斯网络法等，故障分辨的能力、解释性和实时性较差。本发明设置相邻两次故障诊断推理信度阈值参数，确定智能体个数；得到贝叶斯子网络结构，故障原因源映射至各BN子网，BN子网模型各节点间的信度条件概率参数采用EM算法进行学习；用重叠信号对应的节点作为网络的重叠子域形成完整的MSBN网络结构，构建成链化连接森林；各BN子网模型中输入各自的k个目标特征信号作为观测证据。本发明采用空间多源信息融合方法，提高了系统的故障诊断能力，适用于复杂、不确定性的系统，大大提高故障诊断的精度和速度。

主权项

1.基于多模块贝叶斯网的电子电路故障诊断方法，其特征在于：由以下步骤实现：步骤一：设置相邻两次故障诊断推理信度阈值参数δ^*；根据电子电路系统观测的重叠信号，确定智能体个数n；步骤二：在智能体监测范围内，根据电路系统组合原理和图模型映射转换方法，得到相应的n个贝叶斯子网络结构，m个故障原因源g_p,j映射至各BN子网，BN子网模型各节点间的信度条件概率参数采用EM算法进行学习；其中，1≤p≤m，1≤j≤n；步骤三：用重叠信号对应的节点作为网络的重叠子域，即公共节点集，形成完整的MSBN网络结构；步骤四：利用链树法将MSBN构建成链化连接森林；步骤五：各BN子网模型中，输入各自的k个目标特征信号作为观测证据；第一轮观测可随机任选k个目标特征信号数据，设置检测次数i=1；第一轮观测之后，特征数据选取上一轮全局推理后各子网中故障概率较大的门电路相关的观测信号，即按故障概率由大至小的顺序，选择k个目标特征信号；若有两个及以上的门电路推理概率相同，其特征信号可任选，作为观测证据；其中，1≤k≤q；步骤六：利用连接树算法进行信度局部推理，完成n个BN子网中的节点g_p,j的信度θ_p,j更新；其中，1≤p≤m，1≤j≤n；步骤七：基于步骤六获得的θ_p,j更新，利用信度通信算法完成MSBN网内的信度全局推理，更新MSBN中节点g_p,j故障信度θ_p,j；其中1≤p≤m，1≤j≤n；步骤八：若检测次数i=1，则设置临时故障信度变量θ_p,j*=θ_p,j，其中，1≤p≤m，1≤j≤n；并将检测次数i作加1处理，即i=i+1，然后返回步骤五；否则，按式(1)计算相邻两次故障诊断推理信度参数δ；(1)步骤九：若δ<δ^*，按式(2)计算并输出故障诊断结果，故障诊断过程停止；否则，θ_p,j*=θ_p,j，更新θ_p,j*，然后继续通过传感器系统捕获观测数据，并返回步骤五；故障原因节点的故障信度可由下式获取：(2)其中：()表示排序运算，常取从大到小的顺序排列，s=1,2,……,m；为第j个智能体的第k个目标特征数据，1≤j≤n，1≤k≤q；为第j个智能体中第个目标出现“故障”的事件，1≤≤m。