[发明专利]一种基于贝叶斯网络的压缩机气阀故障诊断方法

摘要

本发明涉及一种基于贝叶斯网络的压缩机气阀故障诊断方法，利用混合方式进行贝叶斯结构学习，并将贝叶斯网络模型应用于气阀故障诊断中。具体方法步骤如下：1、获取振动信号样本，对信号进行预处理；2、提取故障特征向量，对特征向量离散化处理；3、属性变量和类变量作为贝叶斯网络节点，利用条件独立性测试寻找每个节点的候选父节点集；4、利用贪心算法依次确定每个节点的父节点，构建贝叶斯网络模型；5、通过对贝叶斯网络参数的学习，计算类节点的最大后验概率。本发明利用低阶条件独立(CI)测试有效地限制了候选父节点的个数，避免了不必要的结构评分，通过压缩机气阀故障诊断的应用实例，验证了该方法在信息不确定条件下是有效的。

主权项

1.一种基于贝叶斯网络的压缩机气阀故障诊断方法，其特征在于，包括以下步骤：A、对不同故障状态和正常状态的压缩机气阀振动信号进行采样，获取振动信号数据；对气阀振动信号进行三层小波分解，对各层的高频系数进行软阈值量化处理后，进行一维信号的小波重构，实现振动信号的去噪处理；B、利用小波包算法对去噪后的样本数据进行分解，对第三层所有频带进行重构，提取各频带能量并作归一化处理作为特征向量，特征向量中的元素对应样本的条件属性值；C、利用等宽区间法将特征向量进行离散化处理，定义“很小”、“小”、“大”、“很大”四种类型；D、将属性变量和类变量分别作为贝叶斯模型的节点，分别用①、②、③、④、⑤、⑥、⑦、⑧、⑨表示；选择目标节点变量，其余节点组成该节点的初始候选父节点集合，通过低阶CI测试，去除与目标变量独立的变量，更新候选父节点集；重复上述过程，更新每个节点的候选父节点集；E、比较每个节点的BIC得分，利用贪心算法依次确定每个节点的父节点，并更新其余节点的候选父节点，构建贝叶斯网络模型；F、利用联合树推理算法，以条件属性值作为待诊断观测证据，求得各故障类型的后验概率，最大后验概率所对应的类标签即作为该样本的分类标签。