[发明专利]基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法

权利要求书

1.基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，其特征在于，具体包括以下步骤：

步骤一、基于已有的设备故障树模型，进行设备故障分析贝叶斯网络的结构建模：

将企业已有的设备故障树模型中的事件转化为故障分析贝叶斯网络模型中的变量，将故障树模型中的逻辑关系转化为各变量之间的因果关系，形成故障因果图；在此基础上，采用因果图-贝叶斯网络转化规则，将故障因果图结构转化为满足条件独立性假设的贝叶斯网络结构；

步骤二、基于结构化调研和语义打分的拓展因果值获取

采用结构化调研法，获取设备专家对设备故障各变量之间影响关系的结构化经验知识，在此基础上，采用语义打分对照表，将前述结构化的经验知识转化为各变量之间的拓展因果值；

步骤三、基于拓展因果值的故障分析贝叶斯网络概率参数建模

基于拓展因果值的条件概率估算方法，根据步骤二中获取的各因果变量之间的拓展因果值，估算故障分析贝叶斯网络中各子变量条件概率表中的概率参数，完成贝叶斯网络结构的概率参数建模。

2.根据权利要求1所述的基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，其特征在于，所述因果图—贝叶斯网络转化规则，将因果图结构转化为满足条件独立性假设的贝叶斯网络结构具体为：

规则1.两两对比图中所有变量，补全图中未列出的变量对之间的因果关系；

规则2.检查每一个因果关系箭头的方向，以确保箭头由原因变量指向结果变量；

规则3.检查每一个因果关系箭头，删除间接因果关系，保留直接因果关系；

规则4.检查当前网络结构中是否有环路结构，如果有环路结构，判断双向影响关系箭头两端的变量哪一个的因果影响效果强，或者在确定时间段内哪一个变量的影响效果在先，根据判断结果，保留其中影响效果强、影响效果在先的变量至其被影响变量之间的因果关系箭头；

规则5.若一个子变量的父变量数量过多，找出子变量SP与其某几个父变量之间的中间变量，从而降低需要同时判断的父变量状态组合的概率参数的数量。

3.根据权利要求1所述的基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，其特征在于，所述的拓展因果值，定义如下：

CV＝[cv¹,cv²,…cv^m,...,cv^M] (1)

其中，CV表示一条因果关系中，父变量对子变量的拓展的因果值；cv^m表示父变量处于状态m时，其对子变量的影响效果的量化表征；M表示该父变量在考察范围内的可能状态数量。

4.根据权利要求1所述的基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，其特征在于，所述的语义打分对照表为：

5.根据权利要求1所述的基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，其特征在于，所述的条件概率估算方法如下：

假设子变量c有N个父变量(p₁,p₂,...,p_n,...,p_N)；其中父变量p_n的可能状态为[state_n¹,state_n²,...,state_n^m,...,state_n^Mn]，其中M_n为父变量p_n在考察范围内的可能状态数量；子变量的状态为[state_c¹,state_c²,...,state_c^m,...,state_c^Mc]，其中M_c为子变量c的可能状态数量；子变量的条件概率表中拥有多个父变量状态组合，计算子变量c的条件概率表，可转化为估算每个PSC情况下c处于其不同可能状态的概率。

6.根据权利要求5所述的基于贝叶斯因果图法的设备故障分析贝叶斯网络构建方法，其特征在于，所述的估算每个PSC情况下c处于其不同可能状态的概率，具体为：

子变量处于不同状态的概率会受到其父变量处于当前状态时对子变量的影响效果值即因果值的影响，设CV_n＝[cv_n¹,cv_n²,...,cv_n^m,...,cv_n^Mn]是父变量p_n对子变量c的拓展的因果值，其中cv_n^max和cv_n^min分别为这组拓展因果值中的最大值和最小值，设CIVⁱ是子变量所有父变量的第i个状态组合PSCⁱ情况下各父变量对子变量的因果值之和；那么，当CIVⁱ0时，所有父变量对子变量的影响效果为正面效果，且|CIVⁱ|越大则正面影响效果越大；当CIVⁱ0时，所有父变量对子变量的影响效果为负面效果，且|CIVⁱ|越大则负面影响效果越大；所有PSC情况下CIV的最大可能值，记作CIV^max计算如下：

所有PSC情况下CIV的最小可能值，记作CIV^min计算如下：

将CIV^min至CIV^max的值域范围划分为M_c个等宽区间，从左到右每个区间依次对应子变量的一个可能的状态，即[state_c¹,state_c²,...,state_c^m,...,state_c^Mc]，各区间的中值记作C^m，当子变量的父变量在PSCⁱ时，根据此时的CIVⁱ估算子变量处于其各可能状态的后验概率的估算公式如下：

对任意一个子变量状态m，m∈(1,2,...,M_c):

如果CIVⁱC^Mc(C^Mc为子变量第M_c个状态对应区间的中值)，则

P(子变量＝state_c^Mc)＝100％ (4)

或者如果CIVⁱC¹，则

P(子变量＝state_c¹)＝100％ (5)

或者如果D^m＝0，则

P(自变量＝state_c^m)＝70％ (6)

其中，P(子变量＝state_c^m)表征当前PSCⁱ情况下子变量处于state_c^m的概率，P(子变量＝state_cⁿ)表征子变量处于其它状态时的概率；

其它情况下，

P(子变量＝state_c^m)＝(1/D_m)/(1/D₁+1/D₂+...+1/D_m...+1/D_Mc) (8)

上述计算公式中，D^m表征CIVⁱ与C^m之间的差值，C^m与D^m的计算公式如下：

C^m＝CIV^min+(2m-1)×0.5×(CIV^max-CIV^min)/M_c (9)

D^m＝│CIVⁱ-C^m│ (10)。