[發(fā)明專利]一種基于貝葉斯網(wǎng)絡(luò)的工業(yè)故障路徑追溯方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201811009968.5
• 申請日: 2018-08-31
• 公開（公告）號: CN109298704A
• 公開（公告）日: 2019-02-01
• 發(fā)明（設(shè)計）人: 帥云峰;周春蕾;高陽;宋蓓;孫栓柱;張友衛(wèi);李逗;楊晨琛;李春巖;潘苗;王林;孫彬;高進;王其祥;王明
• 申請（專利權(quán)）人: 江蘇方天電力技術(shù)有限公司;南京大學;國網(wǎng)江蘇省電力有限公司;國家電網(wǎng)公司
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 戴朝榮

1.一種基于貝葉斯網(wǎng)絡(luò)的工業(yè)故障路徑追溯方法，其特征在于，包括：

步驟1：數(shù)據(jù)預處理，剔除原始數(shù)據(jù)中的噪聲數(shù)據(jù)；

步驟2：根據(jù)預處理后的數(shù)據(jù)，進行貝葉斯網(wǎng)絡(luò)建模；

步驟3：異常值檢測，擬合自回歸模型，并對擬合殘差作后驗檢驗來判斷數(shù)據(jù)異常；

步驟4：故障路徑追溯，根據(jù)所檢測出異常數(shù)據(jù)及故障屬性，通過分析父節(jié)點的最大影響來求得一條最有可能的故障傳播路徑。

2.如權(quán)利要求1所述的一種基于貝葉斯網(wǎng)絡(luò)的工業(yè)故障路徑追溯方法，其特征在于：步驟1具體包括如下步驟；

步驟1.1：剔除原始數(shù)據(jù)中的異常數(shù)據(jù)；

步驟1.2：對原始樣本進行正則化，并記錄全樣本的均值和方差等正則化參數(shù)信息。

3.如權(quán)利要求1所述的一種基于貝葉斯網(wǎng)絡(luò)的工業(yè)故障路徑追溯方法，其特征在于：步驟2具體包括如下步驟：

步驟2.1：將原始大規(guī)模樣本分割成相互部分重疊的訓練批樣本；

步驟2.2：初始化與樣本量和維度有關(guān)的懲罰項等參數(shù)，調(diào)控網(wǎng)絡(luò)結(jié)構(gòu)的稀疏度；

步驟2.3：利用稀疏貝葉斯網(wǎng)絡(luò)(Sparse Bayesian Network，SBN)算法，依次對每一個節(jié)點進行父節(jié)點的搜索，并加入廣度優(yōu)先搜索方法避免生成環(huán)路。經(jīng)過若干次迭代，父節(jié)點及其對應(yīng)關(guān)系系數(shù)趨于穩(wěn)定，獲得當前數(shù)據(jù)下的有向無環(huán)圖及參數(shù)。

4.如權(quán)利要求1所述的一種基于貝葉斯網(wǎng)絡(luò)的工業(yè)故障路徑追溯方法，其特征在于：步驟3具體計算過程如下：

步驟3.1：用AR(AutoRegression)自回歸模型擬合數(shù)據(jù)建立預測模型，將預測結(jié)果與真實值對比求得預測殘差；

步驟3.2：對預測殘差作基于假設(shè)的后驗檢驗，得到數(shù)據(jù)正常或異常的標記。

5.如權(quán)利要求1所述的一種基于貝葉斯網(wǎng)絡(luò)的工業(yè)故障路徑追溯方法，其特征在于：步驟4具體包括如下步驟：

步驟4.1：利用條件概率分解式：

計算異常數(shù)據(jù)中故障屬性對應(yīng)節(jié)點在其不同父節(jié)點組合下的后驗估計值；其中，S是故障屬性節(jié)點，Ω是S的所有父節(jié)點集合，是Ω的一個子集，{X^A}是集合A在異常數(shù)據(jù)X中的真實取值；

步驟4.2：利用二分法數(shù)值估計S的取值，使得最大；對P求導，得到然后利用二分法求解P′＝0的近似解x_S：計算所有μ_i，令則P′(a)和P′(b)必定異號，這意味著存在x∈(a，b)，使得P′＝0；若P′(a)＞0、P′(b)＞0，則計算如果則停止計算并輸出如果則將區(qū)間縮小至繼續(xù)二分查找；否則在區(qū)間中繼續(xù)二分查找；重復上述步驟，直到得到滿足相應(yīng)近似精度的x，輸出x_S＝x；

步驟4.3：將估計值與真實值對比，把最接近估計值的父節(jié)點組合作為原因；

步驟4.4：若所搜尋到的原因節(jié)點均無父節(jié)點，則將搜索到的各原因節(jié)點依路徑輸出；否則將搜尋到的原因節(jié)點作為新的異常節(jié)點，重復步驟4.2和4.3。

6.一種基于權(quán)利要求1所述的一種基于貝葉斯網(wǎng)絡(luò)的工業(yè)故障路徑追溯方法的系統(tǒng)，其特征在于：包括：

數(shù)據(jù)預處理模塊，其用以剔除原始數(shù)據(jù)中的噪聲數(shù)據(jù)，將原始數(shù)據(jù)正則化；

貝葉斯網(wǎng)絡(luò)學習模塊，其用以增量式學習貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，及貝葉斯網(wǎng)絡(luò)參數(shù)；

異常值檢測模塊，其用以擬合自回歸模型，并對擬合殘差作后驗檢驗來判斷數(shù)據(jù)異常；

故障路徑追溯模塊：其用以根據(jù)所檢測出異常數(shù)據(jù)及故障屬性，通過分析父節(jié)點的最大影響來求得一條最有可能的故障傳播路徑。