基于贝叶斯网络的工业系统维护模型研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (9): 205-207.

基于贝叶斯网络的工业系统维护模型研究

肖乐^1,2,何欣³,韩中⁴

1.华中科技大学控制科学与工程系，武汉 430074
2.河南工业大学信息科学与工程学院，郑州 450001
3.河南大学计算中心，河南开封 475001
4.西安交通大学 CIMS研究所，西安 710049

收稿日期:2007-09-18 修回日期:2007-12-10 出版日期:2008-03-21 发布日期:2008-03-21
通讯作者: 肖乐

Research on model of industry system maintenance based on bayesian networks

XIAO Le^1,2,HE Xin³,HAN Zhong⁴

1.Department of Control Science and Engineering，Huazhong University of Science and Technology，Wuhan 430074，China
2.College of Information Science and Engineering，Henan University of Technology，Zhengzhou 450001，China
3.Computing Center，Henan University，Kaifeng，Henan 475001，China
4.CIMS Institute，Xi’an Jiaotong University，Xi’an 710049，China

Received:2007-09-18 Revised:2007-12-10 Online:2008-03-21 Published:2008-03-21
Contact: XIAO Le

摘要/Abstract

摘要： 为解决工业系统维护中的设备维护的预知性、适时性和合理性等问题，提出一种基于贝叶斯网络的工业系统维护模型。详细分析并介绍了建立系统维护模型的过程，利用贝叶斯网络解决不确定性问题的优势对问题推理、分析与定位，效果较好。通过应用示例，证明贝叶斯网络模型对工业系统维护实施，维护决策具有有效的指导作用。

关键词: 贝叶斯网络, 预维护, 故障溯源, 先验概率, 后验概率

Abstract: To solve the prevision，timing and rationality of equipment maintenance for industry system maintenance，proposes the model on industry system maintenance based on Bayesian networks.The model of system maintenance is analyzed and gives a particular description.To utilize the superiority of Bayesian networks solving uncertainty to the problem deduced，analyzed and located that is better effect.A practical example verifies that Bayesian networks model has effective direction for maintenance decision and maintenance implementation of industry system.

Key words: Bayesian networks, preventive maintenance, fault source tracing, prior probability, posterior probability

肖乐^1,2,何欣³,韩中⁴. 基于贝叶斯网络的工业系统维护模型研究[J]. 计算机工程与应用, 2008, 44(9): 205-207.

XIAO Le^1,2,HE Xin³,HAN Zhong⁴. Research on model of industry system maintenance based on bayesian networks[J]. Computer Engineering and Applications, 2008, 44(9): 205-207.

[1]	郭雪昆，秦远辉，杜亮，罗永亮，王宏安. 基于MEBN的大型舰船舰面保障作业检测[J]. 计算机工程与应用, 2021, 57(1): 242-253.
[2]	陈海洋，刘喜庆，环晓敏. 一步预测的SVDDBN缺失数据插补算法[J]. 计算机工程与应用, 2020, 56(7): 81-87.
[3]	郑伟，侯宏旭，班志杰. 贝叶斯网络查询语义扩展的专家发现方法[J]. 计算机工程与应用, 2020, 56(13): 194-198.
[4]	常振，段先华，鲁文超，彭媛. 基于多尺度的贝叶斯模型显著性检测[J]. 计算机工程与应用, 2020, 56(11): 207-213.
[5]	娄英丹，徐静林，黄丽霞，张雪英. MLLR和MAP在远场噪声混响下的语音识别研究[J]. 计算机工程与应用, 2020, 56(10): 122-126.
[6]	吕学志1，2，胡晓峰1，吴琳1，贺筱媛1. 基于贝叶斯网络的任务共同体识别[J]. 计算机工程与应用, 2019, 55(5): 251-257.
[7]	高昂，段莉，张国辉，董志明，曹洁，郭齐胜. 计算机生成兵力行为建模发展现状[J]. 计算机工程与应用, 2019, 55(19): 43-51.
[8]	严智，张鹏，谢川. 基于Jaya的贝叶斯网络结构学习算法研究[J]. 计算机工程与应用, 2019, 55(19): 173-177.
[9]	蔡青松，陈希厚. 基于评分函数的贝叶斯网络结构融合算法[J]. 计算机工程与应用, 2019, 55(11): 147-152.
[10]	郭文强，高文强，侯勇严，李然. 基于稀缺数据集下BN参数学习的目标识别[J]. 计算机工程与应用, 2018, 54(17): 122-125.
[11]	朱雪彤1，钱秀娟2，孙薇薇1，侯宪春1，陈广生3，王永利4. 面向普适健康监测的心脏病分析方法[J]. 计算机工程与应用, 2018, 54(1): 159-165.
[12]	王东1，2，陈志1，岳文静3，刘亚威1. 使用贝叶斯网络的社交网络信任驱动推荐方法[J]. 计算机工程与应用, 2017, 53(9): 146-151.
[13]	沈一超，倪世宏，张鹏. 基于贝叶斯网络的飞行动作识别方法[J]. 计算机工程与应用, 2017, 53(24): 161-167.
[14]	丁东1，付晓东1，2，岳昆3. 基于贝叶斯网络的在线商品评价质量评估[J]. 计算机工程与应用, 2017, 53(2): 21-26.
[15]	顾鑫1，2，曹丹华1，吴裕斌1，栾永昕2，王伟成3. 基于逻辑回归的多任务域快速分类学习算法[J]. 计算机工程与应用, 2017, 53(15): 47-56.