申请/专利权人：兰州理工大学

申请日：2024-01-08

公开（公告）日：2024-06-25

公开（公告）号：CN117874643B

主分类号：G06F18/2415

分类号：G06F18/2415;G06F18/2113;G06F18/213;G06F18/214;G06N5/04;G06N20/20;G01M13/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了基于小数据集的转子故障贝叶斯网络诊断方法，包括：获取转子故障数据并进行预处理，得到多个不同的子训练数据集；通过K2算法并基于多个子训练数据集和改进的BDe评分函数，得到多个不同的贝叶斯网络结构；将多个贝叶斯网络结构转换为对应的多个网络矩阵；基于多个网络矩阵并通过集成策略函数得到最优结构的得分矩阵；基于得分矩阵得到最优贝叶斯网络结构；基于极大似然估计学习最优贝叶斯网络结构中的变量参数，得到网络结构最优参数；基于最优参数和最优贝叶斯网络结构对待检测数据进行诊断，得到故障诊断结果。解决了小数据集下最优贝叶斯网络结构学习困难的问题，进而提高了贝叶斯网络的诊断精度。

主权项：1.基于小数据集的转子故障贝叶斯网络诊断方法，其特征在于，包括：获取转子故障数据并进行预处理，得到多个不同的子训练数据集；通过K2算法并基于多个所述子训练数据集和改进的BDe评分函数，得到多个不同的贝叶斯网络结构；所述改进的BDe评分函数具体为： 其中，SCOREBDe*表示改进的BDe评分函数，n表示变量个数，qi表示变量父节点取值组合个数，αijk表示网络模型内部参数的超参数，mijk表示数据中符合变量Xi＝k、其父节点πXi＝j的样本个数，Xi表示变量节点，k表示变量节点对应状态的取值，Γ表示伽马函数，ri表示变量节点可取得的状态数量总数，JC表示专家经验所对应变量的联合概率分布，NC表示包含特定子结构的网络个数，N表示等价样本大小，d表示网络结构节点和边的数量，j表示父节点一组固定的取值，αij*表示网络模型内部超参数的总合，mij*表示符合变量状态取值样本个数总和；将多个所述贝叶斯网络结构转换为对应的多个网络矩阵；基于所述多个网络矩阵并通过集成策略函数得到最优结构的得分矩阵；所述集成策略函数具体为： 其中，Q表示节点之间边的分数，u表示采样次数，Nki表示结构学习利用第i份子训练数据集获得结构的边数,Nnode表示数据集的节点数，Mki表示利用第i份子训练数据集所得到的贝叶斯网络的结构矩阵，S表示不同子训练数据集样本数据量，⊙表示哈达玛积；基于所述得分矩阵得到最优贝叶斯网络结构；得到最优贝叶斯网络结构，具体过程为：基于所述得分矩阵，获取所述贝叶斯网络结构中任意两个节点之间边的连接强度；基于设定阈值判断所述连接强度；若所述连接强度大于设定阈值，则连接强度设置为1，任意两个节点之间有边连接；若所述连接强度小于等于设定阈值，则连接强度设置为0，任意两个节点之间没有边连接；基于所述连接强度的数值设置，得到最优结构矩阵；基于所述最优结构矩阵还原得到合并后的最优贝叶斯网络结构；基于极大似然估计学习所述最优贝叶斯网络结构中的变量参数，得到网络结构最优参数；基于所述最优参数和所述最优贝叶斯网络结构对待检测数据进行诊断，得到故障诊断结果。

全文数据：

权利要求：

百度查询： 兰州理工大学 基于小数据集的转子故障贝叶斯网络诊断方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD