本文關鍵詞：貝葉斯網絡在起重機故障診斷中的應用　出處：《湖南大學》2011年碩士論文　論文類型：學位論文

  更多相關文章： 起重機故障診斷 貝葉斯網絡 CPT 概率刻度法 最大似然估計 J1939

【摘要】：近年來，針對功能日益強大和結構愈加復雜的大型起重機的故障診斷已成為一個重要的研究內容。大型起重機的部件以及部件之間存在很多關聯耦合的相互關系，，不確定性因素和信息充斥其間，導致出現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故障診斷的重要問題。 本文在研究了起重機故障診斷和貝葉斯網絡理論的基礎上，采用了一種用于起重機故障診斷的貝葉斯網絡診斷模型，并以某大型起重機已有的故障診斷系統(tǒng)為應用對象，將貝葉斯診斷模型應用于該系統(tǒng)中。改進后的系統(tǒng)在保留了原有的基于規(guī)則庫的診斷方式基礎上,融入了基于貝葉斯網絡的診斷方式，使新系統(tǒng)可以進行多種形式的診斷推理，從而達到解決起重機不確定性問題的目的。應用于起重機故障診斷的貝葉斯網絡建模分為三個步驟：第一是針對起重機故障領域的貝葉斯網絡知識庫的構建。運用因果調查問卷以及概率刻度等方法分別獲取貝葉斯網絡結構和貝葉斯網絡參數，從而完成了對貝葉斯知識庫的構建；第二是針對貝葉斯網絡參數的學習。采用貝葉斯網絡參數學習中的最大似然估計方法對起重機貝葉斯網絡的參數進行學習修正；第三是模型的推理機制構建。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，能完成對故障的量化推理。在實現方面，本文對系統(tǒng)中的貝葉斯網絡診斷方式進行了總體設計。在設計中以模塊為單位，對網絡生成模塊、推理模塊、貝葉斯知識庫管理模塊、網絡參數學習模塊進行了設計，為改進后的整個起重機診斷系統(tǒng)的軟件開發(fā)奠定了堅實的基礎。 通過分析比較原系統(tǒng)和采用貝葉斯網絡診斷模型后的系統(tǒng)對同一故障的診斷結果，表明改進后的系統(tǒng)解決了原系統(tǒng)面對不確定性故障時無法快速定位故障原因的問題，是對原有系統(tǒng)的一種擴展和改進。從而驗證了本文構建的故障診斷模型及算法等工作的有效性和應用價值。
[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.
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2011
【分類號】：TH21;TP18;TH165.3

【參考文獻】

相關期刊論文 前10條

1 王世明 ,楊為民 ,李天石 ,賈鴻社;國外工程機械新技術新結構和發(fā)展趨勢[J];工程機械;2004年01期

2 胡振宇,林士敏;貝葉斯網絡中的貝葉斯學習[J];廣西科學院學報;2000年S1期

3 華斌,周建中,喻菁;貝葉斯網絡在水電機組故障診斷中的應用研究[J];華北電力大學學報;2004年05期

4 高云華;SAEJ1939協(xié)議在汽車電器通信系統(tǒng)中的應用[J];河海大學常州分校學報;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;貝葉斯網模型的學習、推理和應用[J];計算機工程與應用;2003年05期

7 邢永康;沈一棟;;信度網中條件概率表的學習[J];計算機科學;2000年10期

8 劉啟元;張聰;沈一棟;;信度網推理——方法及問題(上)[J];計算機科學;2001年01期

9 胡玉勝,涂序彥,崔曉瑜,程乾生;基于貝葉斯網絡的不確定性知識的推理方法[J];計算機集成制造系統(tǒng)-CIMS;2001年12期

10 張宏輝，唐錫寬;貝葉斯推理網絡在大型旋轉機械故障診斷中的應用[J];機械科學與技術;1996年02期

相關博士學位論文 前1條

1 張曉丹;汽車發(fā)動機故障診斷中不確定性問題的貝葉斯網絡解法[D];東北大學;2005年

相關碩士學位論文 前4條

1 費致根;Bayes網絡在故障診斷中的應用[D];鄭州大學;2004年

2 羅江華;貝葉斯網絡在機械故障診斷中的應用研究[D];重慶大學;2006年

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

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

本文編號：1372287