复杂装备故障推理贝叶斯网络模型研究

现代复杂装备规模日渐扩大，各组成部分间关联关系日趋紧密，其庞大性和复杂性为装备故障推理建模带来了巨大挑战。本项目主要研究基于贝叶斯网络的故障推理模型描述方法、建模方法及集成方法。针对复杂装备故障推理过程需求，结合贝叶斯网络模型优势，建立故障推理贝叶斯网络模型组成部分和推理过程描述方法，扩展推理模型的推理范围；对装备历史运行数据进行清理，抽取故障推理模型特征，建立基于搜索算法和参数估计的推理模型建模算法，并利用实例分析方法对建模算法有效性进行验证，减轻故障推理模型建模任务量，发现故障变量潜在因果关系，提升推理模型的推理精度；借鉴产品模块化设计方法，提出装备故障推理模型模块化算法，建立故障推理集成模型，并基于集成模型概率传播路径简化方法建立集成模型推理算法，降低故障推理模型变量规模，减少参与推理变量数量，提高故障推理模型的推理效率。研究成果将为解决复杂装备故障推理问题提供创新方法。

现代复杂装备规模日渐扩大，各组成部分间关联关系日趋紧密，其庞大性和复杂性为装备故障推理建模带来了巨大挑战。针对复杂装备故障推理需求，本项目结合贝叶斯网络模型优势完成了基于贝叶斯网络的故障推理模型描述方法、建模方法及集成方法等研究内容。.1.提出一种基于有向无圈图和概率分布的故障推理贝叶斯网络模型（failure inference Bayesian network, FIBN）。模型中节点集合被划分为故障原因节点子集、故障模式节点子集和故障检测节点子集，节点间有向边的方向按照因果关系确定，节点状态及节点关联关系采用先验概率分布和条件概率分布表达。同时，阐述了模型精确推理算法和近似推理算法，并建立模型应用模式及模型扩展模式，形成一套系统化的复杂装备故障推理方法；.2. 对装备历史运行数据进行清理，针对基于故障数据对FIBN进行网络结构及参数学习问题，提出了基于局部最优网络结构和根节点模式的疫苗提取方法，建立了基于免疫算法的BN-IA网络结构搜索算法，并验证了采用免疫疫苗的优势。基于FIBN模型各子集间有向边方向的特点，建立了FIBN-SUB学习算法，通过仿真对算法的有效性和效率进行了验证。在已知故障原因节点序列的前提下，提出了基于K2算法的FIBN-K2网络结构确定性搜索算法用于FIBN建模。.3. 借鉴产品模块化设计方法，将模块化思想引入复杂装备FIBN建模过程，在对复杂装备进行功能分解的基础上，研究FIBN模块化表示方法、FIBN约束修正方法、FIBN模块化处理方法、FIBN模块分级集成方法，提出一种复杂装备FIBN模块化集成方法。定义了FIBN集成模型高级节点模式和超级节点模式，提出了适用于复杂装备的FIBN集成模型多模式混合推理算法，提高了集成模型的推理效率。.4. 以机载平视显示器（head up display, HUD）故障推理为例，在对HUD进行结构功能分解的基础上，采用上述建模方法，分别建立HUD各组成部分FIBN模型，通过FIBN模块化集成方法构建平视显示器FIBN集成模型，并结合实际维修任务说明了FIBN集成模型应用过程，对FIBN建模方法进行了验证。.最终，本项目在国际期刊及学术会议上发表学术论文14篇（其中SCI索引8篇），申请国家发明专利5项，出境参加国际会议3次，邀请国际知名学者访问3次，培养博士研究生2名、硕士研究生5名。