买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜辽宁东科电力有限公司;东北大学申请的专利一种基于贝叶斯网络的磨煤机不平衡数据故障诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119988891B 。

龙图腾网通过国家知识产权局官网在2025-06-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510466886.7，技术领域涉及：G06F18/20；该发明授权一种基于贝叶斯网络的磨煤机不平衡数据故障诊断方法是由邵毅;张涛;付钰惠;李建军;姚远;刘乐源;常玉清;郝欣;胡绍宇设计研发完成，并于2025-04-15向国家知识产权局提交的专利申请。

本一种基于贝叶斯网络的磨煤机不平衡数据故障诊断方法在说明书摘要公布了：一种基于贝叶斯网络的磨煤机不平衡数据故障诊断方法，属于火力发电给水泵组广义零样本故障诊断领域。发明针对工业场景中故障数据分布不均衡、少数类故障诊断困难及结果可解释性差的问题，通过SMOTE数据增强与Dirichlet先验平滑协同优化样本分布，构建“故障层‑属性层‑观测层”三层因果拓扑网络，结合专家知识约束与数据驱动学习，实现高精度故障分类；设计双模式诊断机制，同步支持故障节点直接推断以及属性节点间接推断，在保障故障诊断准确率的同时，提供可解释的物理级诊断指引。该方法已成功应用于燃煤机组磨煤机系统，可扩展至复杂工业设备的透明化智能运维。

本发明授权一种基于贝叶斯网络的磨煤机不平衡数据故障诊断方法在权利要求书中公布了：1.一种基于贝叶斯网络的磨煤机不平衡数据故障诊断方法，其特征在于： 步骤1：离线处理数据：对采集的数据进行预处理，清洗故障样本，增强不平衡数据，并对数据进行归一化和离散化处理； 步骤2：离线知识融合：对故障-属性映射进行建模，构建三层贝叶斯网络进行故障分类； 步骤2.1：故障-属性映射建模：通过领域知识定义各故障类别的关键异常属性；其次构造故障-属性矩阵，通过以下公式表示： ；其中，行对应故障类别，列对应属性，mij=1表示故障会引起属性的明显异常，否则为0； 步骤2.1：三层贝叶斯网络架构设计： 故障层，即顶层：由所有故障类别节点构成，表征系统有几率发生的故障模式； 故障属性层，即中间层：基于领域知识提取的故障属性节点，描述故障的典型特征； 故障变量层，即底层：包含监测变量节点，取值来源于离散化处理后的传感器数据，反映系统实时状态； 步骤3：离线模型学习：对贝叶斯网络结构和贝叶斯网络参数进行学习，通过双模式诊断策略标记故障信息，优化参数联合，得到最终模型； 3.1：贝叶斯网络结构学习： 3.1.1：构建初始骨架： 强制连接：基于专家知识固定“故障节点→故障属性节点”的有向边，对应故障-属性矩阵的逻辑依赖； 开放搜索：允许数据驱动算法探索“故障属性节点→监测变量节点”以及属性变量节点间的潜在因果关系； 3.1.2：贪婪式结构搜索：采用Hill-Climbing算法迭代执行增边、删边、反转边操作，使用BIC评分函数平衡模型精度与复杂度： ；其中logP（D∣G）为对数似然；∣θ∣为网络参数总量，N为样本数； 3.1.3：工业机理约束： 方向约束：禁止属性变量节点反向指向故障节点； 白名单：强制保留工艺逻辑确定的有向边； 黑名单：禁止物理上无关的节点间连接； 3.2：贝叶斯网络参数学习： 3.2.1：基于训练数据计算节点与其父节点的联合分布频数，生成初始CPT； 3.2.2：避免零概率问题，采用Dirichlet先验平滑，在每个取值组合中引入适度的先验平滑系数： ；其中NXi,PaXi为Xi与其父节点的联合频数，α为先验平滑系数； 3.3：双模式诊断策略： 3.3.1：故障节点直接推断：输入实时监测变量证据，计算故障节点后验概率；若最大后验概率超过设定阈值τ1，则输出对应故障类别；否则标记为“未知故障”； 3.3.2：属性节点间接推断：计算故障属性节点后验概率，二值化为异常模式；与故障-属性矩阵进行相似度匹配，即余弦相似度＞τ2，输出最匹配故障或“未知故障”； 3.4：参数联合优化： 通过网格搜索结合K折交叉验证方式进行联合优化，选取[α,τ1,τ2]最优配置，以诊断准确率与误报率加权得分F1-score为优化目标，确定最优参数组合； 3.5：模型固化与部署： 锁定最优网络结构、CPT参数及诊断阈值，导出为轻量级推理引擎；集成至磨煤机监测系统，支持每秒百次级实时推理； 步骤4：进行在线诊断。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人辽宁东科电力有限公司;东北大学，其通讯地址为：110000 辽宁省沈阳市浑南新区新果街3-1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。