發(fā)布時(shí)間：2018-01-03 04:06

  本文關(guān)鍵詞：貝葉斯網(wǎng)絡(luò)在起重機(jī)故障診斷中的應(yīng)用　出處：《湖南大學(xué)》2011年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 起重機(jī)故障診斷 貝葉斯網(wǎng)絡(luò) CPT 概率刻度法 最大似然估計(jì) J1939

【摘要】：近年來，針對(duì)功能日益強(qiáng)大和結(jié)構(gòu)愈加復(fù)雜的大型起重機(jī)的故障診斷已成為一個(gè)重要的研究內(nèi)容。大型起重機(jī)的部件以及部件之間存在很多關(guān)聯(lián)耦合的相互關(guān)系，，不確定性因素和信息充斥其間，導(dǎo)致出現(xiàn)的故障一般都為不確定性故障。因此，解決不確定問題是目前大型起重機(jī)故障診斷的重要問題。 本文在研究了起重機(jī)故障診斷和貝葉斯網(wǎng)絡(luò)理論的基礎(chǔ)上，采用了一種用于起重機(jī)故障診斷的貝葉斯網(wǎng)絡(luò)診斷模型，并以某大型起重機(jī)已有的故障診斷系統(tǒng)為應(yīng)用對(duì)象，將貝葉斯診斷模型應(yīng)用于該系統(tǒng)中。改進(jìn)后的系統(tǒng)在保留了原有的基于規(guī)則庫的診斷方式基礎(chǔ)上,融入了基于貝葉斯網(wǎng)絡(luò)的診斷方式，使新系統(tǒng)可以進(jìn)行多種形式的診斷推理，從而達(dá)到解決起重機(jī)不確定性問題的目的。應(yīng)用于起重機(jī)故障診斷的貝葉斯網(wǎng)絡(luò)建模分為三個(gè)步驟：第一是針對(duì)起重機(jī)故障領(lǐng)域的貝葉斯網(wǎng)絡(luò)知識(shí)庫的構(gòu)建。運(yùn)用因果調(diào)查問卷以及概率刻度等方法分別獲取貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)和貝葉斯網(wǎng)絡(luò)參數(shù)，從而完成了對(duì)貝葉斯知識(shí)庫的構(gòu)建；第二是針對(duì)貝葉斯網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)。采用貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)中的最大似然估計(jì)方法對(duì)起重機(jī)貝葉斯網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí)修正；第三是模型的推理機(jī)制構(gòu)建。采用貝葉斯精確推理算法中的基于簇樹傳播的算法作為本模型的推理算法，能完成對(duì)故障的量化推理。在實(shí)現(xiàn)方面，本文對(duì)系統(tǒng)中的貝葉斯網(wǎng)絡(luò)診斷方式進(jìn)行了總體設(shè)計(jì)。在設(shè)計(jì)中以模塊為單位，對(duì)網(wǎng)絡(luò)生成模塊、推理模塊、貝葉斯知識(shí)庫管理模塊、網(wǎng)絡(luò)參數(shù)學(xué)習(xí)模塊進(jìn)行了設(shè)計(jì)，為改進(jìn)后的整個(gè)起重機(jī)診斷系統(tǒng)的軟件開發(fā)奠定了堅(jiān)實(shí)的基礎(chǔ)。 通過分析比較原系統(tǒng)和采用貝葉斯網(wǎng)絡(luò)診斷模型后的系統(tǒng)對(duì)同一故障的診斷結(jié)果，表明改進(jìn)后的系統(tǒng)解決了原系統(tǒng)面對(duì)不確定性故障時(shí)無法快速定位故障原因的問題，是對(duì)原有系統(tǒng)的一種擴(kuò)展和改進(jìn)。從而驗(yàn)證了本文構(gòu)建的故障診斷模型及算法等工作的有效性和應(yīng)用價(jià)值。
[Abstract]:In recent years. Fault diagnosis for large cranes with increasingly powerful functions and more complex structures has become an important research content. There are many interrelated coupling relations between the components of large cranes and their components. The faults caused by uncertainty are usually uncertain faults. Therefore, solving the uncertain problem is an important problem in fault diagnosis of large cranes at present. Based on the study of crane fault diagnosis and Bayesian network theory, a Bayesian network diagnosis model for crane fault diagnosis is proposed in this paper. Taking the existing fault diagnosis system of a large crane as the application object, the Bayesian diagnosis model is applied to the system. The improved system retains the original diagnosis method based on rule base. The diagnosis method based on Bayesian network is integrated, so that the new system can carry out many kinds of diagnostic reasoning. The Bayesian network model used in crane fault diagnosis is divided into three steps:. The first is the construction of Bayesian network knowledge base in the field of crane fault. The Bayesian network structure and Bayesian network parameters are obtained by using causality questionnaire and probability scale. Thus, the construction of Bayesian knowledge base is completed. The second is the learning of Bayesian network parameters. The maximum likelihood estimation method of Bayesian network parameters learning is used to modify the parameters of crane Bayesian network. The third is the reasoning mechanism of the model. Using the cluster-tree propagation algorithm in the Bayesian exact reasoning algorithm as the reasoning algorithm of this model, the quantitative reasoning of fault can be completed. In this paper, the Bayesian network diagnosis mode in the system is designed. In the design, the network generation module, the reasoning module, the Bayesian knowledge base management module are taken as the unit. The network parameter learning module is designed, which lays a solid foundation for the software development of the improved crane diagnosis system. Through the analysis and comparison of the original system and the Bayesian network diagnosis model of the system for the same fault diagnosis results. It shows that the improved system solves the problem that the original system can not locate the fault quickly when it is confronted with uncertain fault. It is an extension and improvement to the original system, thus validating the validity and application value of the fault diagnosis model and algorithm constructed in this paper.
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2011
【分類號(hào)】：TH21;TP18;TH165.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王世明 ,楊為民 ,李天石 ,賈鴻社;國外工程機(jī)械新技術(shù)新結(jié)構(gòu)和發(fā)展趨勢(shì)[J];工程機(jī)械;2004年01期

2 胡振宇,林士敏;貝葉斯網(wǎng)絡(luò)中的貝葉斯學(xué)習(xí)[J];廣西科學(xué)院學(xué)報(bào);2000年S1期

3 華斌,周建中,喻菁;貝葉斯網(wǎng)絡(luò)在水電機(jī)組故障診斷中的應(yīng)用研究[J];華北電力大學(xué)學(xué)報(bào);2004年05期

4 高云華;SAEJ1939協(xié)議在汽車電器通信系統(tǒng)中的應(yīng)用[J];河海大學(xué)常州分校學(xué)報(bào);2005年03期

5 邱浩,王道波,張煥春;控制系統(tǒng)的故障診斷方法綜述[J];航天控制;2004年02期

6 冀俊忠,劉椿年,沙志強(qiáng);貝葉斯網(wǎng)模型的學(xué)習(xí)、推理和應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2003年05期

7 邢永康;沈一棟;;信度網(wǎng)中條件概率表的學(xué)習(xí)[J];計(jì)算機(jī)科學(xué);2000年10期

8 劉啟元;張聰;沈一棟;;信度網(wǎng)推理——方法及問題(上)[J];計(jì)算機(jī)科學(xué);2001年01期

9 胡玉勝,涂序彥,崔曉瑜,程乾生;基于貝葉斯網(wǎng)絡(luò)的不確定性知識(shí)的推理方法[J];計(jì)算機(jī)集成制造系統(tǒng)-CIMS;2001年12期

10 張宏輝，唐錫寬;貝葉斯推理網(wǎng)絡(luò)在大型旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J];機(jī)械科學(xué)與技術(shù);1996年02期

相關(guān)博士學(xué)位論文 前1條

1 張曉丹;汽車發(fā)動(dòng)機(jī)故障診斷中不確定性問題的貝葉斯網(wǎng)絡(luò)解法[D];東北大學(xué);2005年

相關(guān)碩士學(xué)位論文 前4條

1 費(fèi)致根;Bayes網(wǎng)絡(luò)在故障診斷中的應(yīng)用[D];鄭州大學(xué);2004年

2 羅江華;貝葉斯網(wǎng)絡(luò)在機(jī)械故障診斷中的應(yīng)用研究[D];重慶大學(xué);2006年

3 鄭善亮;汽車發(fā)動(dòng)機(jī)故障診斷研究的理論與方法[D];重慶交通大學(xué);2009年

4 黃一樣;基于小波理論的滾動(dòng)軸承智能故障診斷方法的研究[D];中南大學(xué);2009年

本文編號(hào)：1372287