文献综述（或调研报告）
贝叶斯网络又称信度网络，是Bayes方法的扩展，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。从1988年提出后，已经成为近几年来研究的热点.。作为一种基于概率的不确定性推理方法，贝叶斯网络在处理不确定信息的智能化系统中已得到了重要的应用，已成功地用于医疗诊断、统计决策、专家系统、学习预测等领域。这些成功的应用，充分体现了贝叶斯网络技术是一种强有力的不确定性推理方法。
为了获得相应系统的贝叶斯网络需要进行贝叶斯网络学习。贝叶斯网络学习是通过分析数据获得贝叶斯网的过程，这个过程可以分为结构学习与参数学习两种情况。其中参数学习是在贝叶斯网络结构已知的情况下，确定相关参数，是属于定量过程；而结构学习则需要同时确定网络结构和相关参数，是定量过程与定性过程的结合。因此，贝叶斯网络学习的核心是贝叶斯网络结构学习。然而，以往的贝叶斯网络是依据专家领域知识搭建的，具有一定的不足和局限性。所以利用数据自动搭建成为构建贝叶斯网络的重点。
二十世纪九十年代出现很多利用数据自动搭建贝叶斯网络的算法。而这些算法大致可以分为两类：一类是打分搜索的学习法，其中常见的有K2算法，爬山法SEM算法等；另一类是基于条件独立性测试的学习方法，其中常见的算法包含Polytree表示概率网的方法，从完全图删除边的方法。
而贝叶斯网络在故障诊断领域中被视为一种诊断决策推理模型，根据不同的应用目的可以分为三类：基于故障分类的诊断决策模型，基于诊断决策的诊断决策模型和基于故障预测的诊断决策模型。不少科学家据此创建了很多基于贝叶斯的故障诊断模型。仝兆景教授团队构建了特定工况下柴油机故障诊断贝叶斯网络模型，结合专家知识系统和故障样本对贝叶斯网络进行优化，结果证明该方法的可考靠率达到了98%以上。韩延喆教授团队根据贝叶斯网络理论建立了一种差速离心机的故障诊断专家系统，该系统利用贝叶斯网络推断可能发生的故障，进而提高设备的可靠性与安全性。李鸿光教授通过收集的轴裂纹故障数据，以实例集为训练样本，利用仿真软件建立贝叶斯分类器，再通过分类器对故障数据进行分类，得到最佳的贝叶斯故障诊断模型。
由于单独使用贝叶斯网络对机械系统进行诊断具有一定的不确定性。因此，因年来研究者大多将多种算法与贝叶斯网络结合在一起混合使用。例如，最近比较常用的便是利用故障树和贝叶斯网络结合对机械系统故障进行诊断。姚成玉教授便根据T-S故障树和贝叶斯网络的模糊可靠性评估方法，将T-S故障树，贝叶斯网络以及模糊集合理论结合在一起，拓展了T-S故障树与贝叶斯网络的可靠性评估的适用范围。而秦大力教授则是提出了一种将本体语义表示与贝叶斯网络结合的故障概率推理模型。从异构多源的维护诊断信息和非结构化的专家经验知识出发，建议语义知识模型并加以拓展。此模型将本体语义描述的精确性与贝叶斯网络的概率推理能力结合在一起，实现了诊断领域知识的形式化描述与共享，又可以在一定程度上消除贝叶斯网络推理的不确定性。
尽管贝叶斯网络以其坚实的概率论基础以及有效性被认为是目前最有效不确定性推理方法之一，但是由于其复杂的结构是np问题中一道难题。目前而言为了处理贝叶斯网络np难问题，已经提出不少近似推理的方法。而近似推理法大致分为两类，一类是随机模拟的方法又称Monte Carlo方法。即对贝叶斯网络进行随机采样，然后根据采样的样本通过频率计算获得变量的概率值；另一类是基于搜索的方法，即在整个状态空间搜索对于计算结果影响较大的状态，目前常见的有Poole提出的“conflicts”搜索方法，Santos提出的“Deterministic Approximation”搜索方法等等。
目前有很多简化贝叶斯网络的方法，但是不同的方法在针对不同电厂数据所得到的可靠性也大不相同。因此，一方面理论技术应该继续深入，探索能更好解决贝叶斯网络NP难问题，以优化贝叶斯网络模型；另一方面，还应密切结合大量的现场故障数据，使研究结果更接近实际情况。总结风机故障的各种情况，为现场决策和处理提供指导，并为发展为有用的在线智能诊断系统提供理论依据。
参考文献：
[1] 王达梦,马志勇,柳亦兵,滕伟.小故障样本条件下的风电机组分层贝叶斯可靠性模型[J/OL].中国电力:1-10[2020-01-10]
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
