[发明专利]基于贝叶斯信念网络的LKJ故障预测诊断方法和系统

摘要

本发明公开了一种基于贝叶斯信念网络的LKJ故障预测诊断方法和系统，为LKJ在设备故障预测诊断领域的应用大大的提高了预测诊断效率和可靠性，能够帮助检修人员更快地找到潜在隐患，及时采取相应措施，避免大型故障的产生。其技术方案为：在故障诊断时，首先利用异常点识别的方法，找到相应的异常节点，然后带入异常故障关联网络，经过网络计算出对应的故障和发生的概率。再次带入故障分词关联网络，经过网络计算出对应的分词表征和发生的概率，从而实现故障预测诊断，基于模型建立的系统能及时发现问题、处理问题、规避风险，使列车运行过程中的安全性与稳定性得到有效保障。

主权项

1.一种基于贝叶斯信念网络的LKJ故障预测诊断方法，其特征在于，包括有向概率图模型构建任务流和有向概率图模型应用任务流两方面的处理，其中：有向概率图模型构建任务流的运行步骤为：第一步，开启有向概率图模型构建任务，将历史运行文件数据传入数据预提取任务中，通过数据预提取任务得到异常事件条件概率表；第二步，将历史故障反馈单数据传入中文分词算法流程，获取故障分词结果；第三步，基于故障分词结果提取故障特征词；第四步，将故障特征词与已有故障类别进行关联，形成故障特征词条件概率表；第五步，对第一步的结果进行判断，如是模型构建任务，则与第四步形成的故障特征词条件概率表进行结合，进行包括数据的规则、格式整合在内的数据预处理过程，如是模型应用任务，则进行模型应用任务流中的运行步骤；第六步：将第五步的数据预处理的结果带入贝叶斯信念网络有向概率图模型中，实现有向概率图的结构学习和参数学习，输出模型参数，至此完成有向概率图模型构建任务的定时调度；有向概率图模型应用任务流的运行步骤为：第一步，开启有向概率图模型应用任务，利用运行文件数据传入数据预提取任务中，通过数据预提取任务得到异常事件条件概率表；第二步，对第一步的结果进行判断，如是模型应用任务，进一步判断是否存在模型结果参数，如不存在则中途退出；如存在则在模型应用组件中识别相应的异常节点，进行相关节点推断，输出指向节点及指向节点的概率值，将指向的节点及其概率作为故障诊断结果进行保存并输出，至此完成有向概率图模型应用任务的定时调度。