基于小数据集贝叶斯网络建模的偏差源诊断方法

上海交通大学学报（自然版） ›› 2012, Vol. 46 ›› Issue (05): 701-705.

基于小数据集贝叶斯网络建模的偏差源诊断方法

刘银华，金隼

（上海交通大学上海市数字化汽车车身工程重点实验室，上海 200240）

收稿日期:2011-09-15 出版日期:2012-05-28 发布日期:2012-05-28
基金资助:
国家自然科学基金项目(51175340), 机械系统与振动国家重点实验室开放基金课题资助(MSVMS201006)

Bayesian Networks Modeling Based on Small Samples for VariationSource Diagnosis

LIU Yin-Hua, JIN Sun

（Shanghai Key Laboratory of Digital Autobody Engineering, Shanghai Jiaotong University, Shanghai 200240, China）

Received:2011-09-15 Online:2012-05-28 Published:2012-05-28

摘要/Abstract

摘要： 针对装配过程尺寸偏差的小样本检测条件,提出了基于条件独立性检验的结构学习算法，结合柔性装配偏差关系模型，推导了贝叶斯网络子节点的先验条件概率，将小数据集与先验概率融合并获得贝叶斯网络参数，实现了装配偏差影响因素的贝叶斯网络建模，并用于某车型侧围装配过程的偏差源诊断.结果表明,所提出的偏差源诊断方法具有较高的准确性.

关键词: 装配偏差, 贝叶斯网络, 故障诊断

Abstract: Based on the small samples collected in the assembly process, a new approach based on Bayesian networks was proposed for the variationsource diagnsosis. The conditional independence testing algorithm was proposed to obtain the structure of Bayesian networks. After the prior conditonal probabilities are calculated based on the mapping of the variation simulation model, posterior conditonal probabilities are updated by incorporating the small sample data. The results of the body side case show the method is effective and acurate for fixture fault diangosis.

Key words: assembly variation, Bayesian networks, fault diagnosis

中图分类号:

TH 161

刘银华, 金隼. 基于小数据集贝叶斯网络建模的偏差源诊断方法[J]. 上海交通大学学报（自然版）, 2012, 46(05): 701-705.

LIU Yin-Hua, JIN Sun. Bayesian Networks Modeling Based on Small Samples for VariationSource Diagnosis[J]. Journal of Shanghai Jiaotong University, 2012, 46(05): 701-705.

参考文献

［1］胡敏, 来新民, 林忠钦. 主成分分析方法在轿车装配尺寸偏差中的应用研究［J］. 中国机械工程, 2002, 13(6): 461464.

HU Min, LAI Xinmin, LIN Zhongqin. Application of principal component method in car assembly variation analysis ［J］. China Mechanical Engineering, 2002, 13(6): 461464.

［2］Liu Y, Hu S J. Assembly fixture fault diagnosis using designated component analysis ［J］. Journal of Manufacturing Science and Engineering, 2005, 127(2): 358368.

［3］Li J, Jin J, Shi J. Causationbased T2 decomposition for multivariate process monitoring and diagnosis ［J］. Journal of Quality Technology, 2008, 40(1): 4658.

［4］Yu Kuigang, Jin Sun, Lai Xinmin. Fixture variation diagnosis of compliant assembly using sensitivity matrix ［J］. Journal of Shanghai Jiaotong University, 2009, 14(6): 707712.

［5］田兆青, 来新民, 林忠钦. 多工位薄板装配偏差流传递的状态空间模型［J］. 机械工程学报, 2007, 43(2): 202209.

TIAN Zhaoqing, LAI Xinmin, LIN Zhongqing. State space model of variations stream propagation in multistation assembly processes of sheet metal ［J］. Chinese Journal of Mechanical Engineering, 2007, 43(2): 202209.

［6］应杨箭, 苗瑞, 赵言正, 等. 多工位制造系统尺寸偏差线性化建模与控制［J］. 上海交通大学学报, 2010, 44(4): 517522.

YING Yangjian, MIAO Rui, ZHAO Yanzheng, et al. Linear modeling and control of dimensional variation in multistation manufacturing system ［J］. Journal of Shanghai Jiaotong University, 2010, 44(4): 517522.

［7］Huang Y, McMurran R, Dhadyalla G. Probability based vehicle fault diagnosis: Bayesian network method ［J］. Journal of Intelligent Manufacturing, 2008, 19 (3): 301311.

［8］LIU Yinhua, JIN Sun. Bayesian network approach for dimensional variation diagnosis in assembly process ［C］// International Workshop on Intelligent Systems and Applications. Wuhan: IEEE Press, 2009:10601064.

［9］Liu Y, Jin S, Lin Z, et al. Optimal sensor placement for fixture fault diagnosis using Bayesian network ［J］. Assembly Automation, 2011, 31 (2): 176181.

［10］王双成, 刘喜华. 用于操作风险分析的小样本贝叶斯网络结构学习［J］. 系统管理学报, 2008, 17 (4): 448454.

WANG Shuangcheng, LIU Xihua. Learning Bayesian networks structure from small data set in operational risk analysis ［J］. Journal of System and Management, 2008, 17 (4): 448454.

编辑推荐

Metrics

阅读次数

全文

463

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	463

来源	本网站	其他网站

次数	25	438
比例	5%	95%

摘要

3293

最新录用	在线预览	正式出版

0	0	3292

来源	本网站	其他网站

次数	230	3063
比例	7%	93%

[1]	林张鹏, 余海东, 袁可. 基于高阶复合曲面单元的非均匀大薄板装配偏差计算模型[J]. 上海交通大学学报, 2022, 56(5): 584-593.
[2]	许勇, 蔡云泽, 宋林. 基于数据驱动的核电设备状态评估研究综述[J]. 上海交通大学学报, 2022, 56(3): 267-278.
[3]	刘秀丽, 徐小力. 基于特征金字塔卷积循环神经网络的故障诊断方法[J]. 上海交通大学学报, 2022, 56(2): 182-190.
[4]	马航宇, 周笛, 卫宇杰, 吴伟, 潘尔顺. 变工况下基于自适应深度置信网络的轴承智能故障诊断[J]. 上海交通大学学报, 2022, 56(10): 1368-1377.
[5]	陈舞, 王浩, 张国华, 王成汤, 钟国强. 基于T-S模糊故障树和贝叶斯网络的隧道坍塌易发性评价[J]. 上海交通大学学报, 2020, 54(8): 820-830.
[6]	胡晓强，仲训昱，张霄力，彭侠夫，何荧. 基于支持向量机辅助的四轴陀螺两级故障诊断方法[J]. 上海交通大学学报, 2020, 54(11): 1151-1156.
[7]	姚利民，张道刘，侯秀娟，刘涛，李志敏. 考虑焊接变形的装配偏差分析在动力集中型动车组中的应用[J]. 上海交通大学学报（自然版）, 2019, 53(3): 260-268.
[8]	逯程1，徐廷学1，王虹2. 基于属性粒化聚类与回声状态网络的末制导雷达故障诊断[J]. 上海交通大学学报（自然版）, 2018, 52(9): 1112-1119.
[9]	贾雷，董炜，孙新亚，吉吟东，陈华. 基于节点电压增量方程的含容差轨道电路软故障诊断[J]. 上海交通大学学报（自然版）, 2017, 51(6): 679-685.
[10]	邱路1，叶银忠2. 基于多Agent系统的动态网络系统拓扑结构故障诊断方法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 902-906.
[11]	王秀青1，侯增广2，曾慧3，吕锋1，潘世英1. 基于多传感器信息融合的机器人故障诊断[J]. 上海交通大学学报（自然版）, 2015, 49(06): 793-798.
[12]	杨旭1，彭开香1，罗浩2，KRUEGER Minjia2,宗大桥1，DING Steven X2. 基于EEMD和SVM的冷轧机垂直振动相关故障的诊断[J]. 上海交通大学学报（自然版）, 2015, 49(06): 751-756.
[13]	李元1，吴杰1，王国柱2. k近邻补值方法在工业过程故障诊断中的应用[J]. 上海交通大学学报（自然版）, 2015, 49(06): 830-836.
[14]	李雄杰1,2，周东华2. 混杂系统故障诊断的粒子滤波器方法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 849-854.
[15]	徐兵1,2，朱亚橙2，苏俊2，范秋敏2. 基于特征Petri网建模的冷水机组故障诊断系统[J]. 上海交通大学学报（自然版）, 2015, 49(06): 923-928.