贝叶斯网络：故障诊断方法研究

一、概述

贝叶斯网络（Bayesian Network， BN） 作为一种强有力的不确定性知识表达与推理模型， 受到了越来越多的重视。

贝叶斯网络是一种基于网络结构的有向图解描述， 是人工智能、 概率理论、 图论、 决策理论相结合的产物。

它用具有网络结构的有向图表达各个信息要素之间的关联关系及影响程度， 用节点变量表达各个信息要素， 用连接节点之间的有向边表达各个信息要素之间的关联关系， 用条件概率表表达各个信息要素之间的影响程度。

贝叶斯网络本身是一种不确定性因果关联模型， 具有强大的不确定性问题处理能力，能够有效进行多源信息表达与融合。 这些特性与故障诊断的要求具有内在的一致性，适合于表达设备故障诊断中复杂的关联关系， 适合于不确定信息条件下的知识表达和推理。

因此， 贝叶斯网络一经提出， 立即在故障诊断领域受到密切关注， 故障诊断方法作为其重要应用之一， 引起了很多学者的浓厚兴趣 。

1、“贝叶斯网络”意义

在故障诊断领域中， 存在很多不确定性问题。 尤其是航天器组件间及组件内部存在着很多关联耦合的关系， 不确定信息充斥其间。 同时， 在系统部件数目很多的情况下，由基于模型诊断方法得到的诊断解一般不唯一。 在航天这样的领域中不可能对所有诊断解都进行测试， 如何快速、 有效的区分这些诊断解， 找出故障部件具有重要意义。

因此，设备故障诊断所面临的主要问题是如何快速有效地从不确定信息中获得最终的故障原因， 从而实现快速准确的维修操作。 大多数诊断方法在处理不确定性问题时具有很大的困难， 难以满足要求。 而基于模型的诊断方法利用系统的结构和行为模型来进行推理诊断， 也同样存在上述问题。

贝叶斯网络是一种对概率关系的有向图解描述， 能够很好地解释系统的结构和行为特点， 并图形化的表达系统模型。

贝叶斯网络对于解决复杂系统不确定因素引起的故障具有很大的优势， 被认为是目前不确定知识表达和推理领域最有效的理论模型之一。

将贝叶斯网络应用于基于模型诊断的框架中， 能够很好地弥补基于模型诊断技术在处理不确定性问题时存在的不足。

贝叶斯网络应用于故障诊断时将故障征兆和故障原因作为节点， 当确定一定的故障征兆出现时， 网络根据节点之间的因果关系（条件相关） 和概率值可以推理得出各种故障原因发生的概率， 从而得到诊断结论。

与神经网络、 Petri 网等其他一些决策方法相比， 基于贝叶斯网络的故障诊断方法更加适合于复杂故障问题的表达、 不确定性问题的表达、 具有并行推理能力和全局更新能力、是一种可视化的图解模型， 这些特点在故障诊断中具有重要意义和广阔的应用前景。

2、贝叶斯网络技术国内外研究现状

基于概率推理的贝叶斯网络是贝叶斯方法的扩展， 是为解决不确定性、 不完整性问题而提出的， 对于解决复杂设备不确定性和关联性引起的故障有很大的优势， 在多个领域中获得了广泛关注。

贝叶斯网络又称为信度网（Belief Network）， 是目前不确定性知识表达和推理领域最有效的理论模型之一。 从 1988 年 Pearl 给出明确定义后， 已经成为近十几年来研究的热点。

虽然贝叶斯网络模型是近十几年才提出的， 但其产生的根源要追溯到 1763 年提出的贝叶斯理论， 贝叶斯理论是贝叶斯网络的重要理论基础之一。 20 世纪初， 遗传学家Sewall Wright 提出了有向无环图（DirectedAcyclic Graph， DAG）， 并成为经济学、 社会学和心理学界广泛采用的因果表达模型。

20 世纪中叶， 决策树被提出并用来表达决策分析问题， 然后进一步被用来解决计算机辅助决策问题， 形成了较为完整的决策分析理论。由于决策树分析方法的计算量和复杂性随着对象变量的增加呈指数增长， 20 世纪 80 年代， 作为有向无环图的另一表达方式——影响图（Influence Diagram） 成为提高决策分析效率的重要工具。 1988 年， Pearl 在总结并发展前人工作的基础上， 提出了贝叶斯网络。 20 世纪 90 年代， 有效的推理和学习算法的出现， 推动了贝叶斯网络的发展和应用，首先获得应用的是决策专家系统。

目前， 贝叶斯网络领域的研究主要有以下三个方面：

• 基于贝叶斯网络的推理