[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

说明书

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，包括1)将企业已有的设备故障树模型转换为满足条件独立性假设的设备故障分析贝叶斯网络结构模型；2)采用结构化调研法获取设备专家对设备故障原因之间的因果关系知识与经验，据此获取设备故障分析贝叶斯网络结构中各故障变量之间的拓展的因果值；3)根据前述所得拓展的因果值，估算贝叶斯网络结构中子变量条件概率表中的概率参数，完成设备故障分析贝叶斯网络概率参数建模；通过本发明，将企业已有的设备故障树模型拓展为故障分析能力更加全面和系统的设备故障分析贝叶斯网络模型，从而为基于贝叶斯网络的设备故障诊断技术的推广应用提供具体可操作的技术支持。

技术领域

本发明属于设备故障分析技术领域，特别涉及一种面向企业设备故障分析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。

技术背景

故障树模型通过树状结构的逻辑图以及各种逻辑符号表达主事件和底事件之间的因果图逻辑关系。企业常采用故障树模型表征与分析设备故障表现与故障原因之间的关联，进而采用故障树定性分析和定量分析技术，实现对目标设备的故障诊断、维修指导、以及安全隐患识别等。

与设备故障树模型相比，设备故障分析贝叶斯网络模型可通过正向推理、反向推理、以及混合推理，预测网络模型中某目标故障事件发生的概率以及该事件发生时其它事件发生的概率；另一方面，故障树模型的底事件描述通常仅为两个状态(“故障”和“正常”)，因此难以充分描述设备零部件所处的复杂实际状态(如正常、亚健康、失效等)，而采用离散事件状态贝叶斯网络可获取比故障树模型更加系统和全面的故障因果关系定量分析效果。

然而，贝叶斯网络模型构建包括网络结构建模和概率参数建模两部分，而新设备通常缺乏完备的可用于概率参数建模的设备故障历史数据，因此难以采用基于历史数据的故障分析贝叶斯网络模型概率参数建模；而基于专家经验的概率参数建模在网络模型变量数量较多时存在可操作性差的问题，从而限制了贝叶斯网络模型在设备故障分析中的应用。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提供一种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，融合故障树和改进贝叶斯因果图法，将企业已有的设备故障树模型拓展为设备故障分析贝叶斯网络模型，支持更加系统和全面的设备故障定量分析。

为了达到上述目的，本发明采用的技术方案是：

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，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。

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。