1、隨著科學技術的不斷發(fā)展，機械故障診斷技術越來越受到人們的重視。往復式壓縮機作為典型的往復式機械，其內部結構復雜且激勵源眾多，傳統(tǒng)的故障診斷技術已不能滿足工程實際的需要。貝葉斯網(wǎng)絡在處理不確定知識表達和推理方面具有獨特的優(yōu)勢，已在語音識別、圖像處理、金融分析等多個領域成功應用。因此，本文提出了基于貝葉斯網(wǎng)絡的氣閥故障診斷方法，該方法以氣閥常見故障為對象，在研究了貝葉斯網(wǎng)絡相關理論的基礎上，從不同的角度建立貝葉斯網(wǎng)絡結構學習算法，為其在故障

2、診斷中的應用提供了有力的證據(jù)。文章在最后重點構建了兩類貝葉斯分類模型，并將其成功應用于氣閥故障診斷中。本文具體工作包含以下幾個方面：
　　1.闡述了貝葉斯網(wǎng)絡的基本理論，并簡單介紹了貝葉斯網(wǎng)絡結構學習方法、參數(shù)學習方法和常見的四種貝葉斯分類器。
　　2.針對氣閥振動加速度信號，首先對原始信號進行小波閾值去噪，并通過小波包算法提取了各故障特征向量。將特征向量值與類變量值組成的樣本進行離散化處理，將此作為貝葉斯分類器的輸入。

3、r>　　3.針對氣閥常見故障，本文提出了一種BAN分類器算法。該算法首先利用遺傳算法和K2算法構造屬性節(jié)點之間的網(wǎng)絡結構，然后加入這些節(jié)點的統(tǒng)一父節(jié)點（類節(jié)點）構造出分類模型，運用貝葉斯估計算法進行參數(shù)學習以獲得各節(jié)點對應的條件概率表。根據(jù)測試樣本集，以條件屬性值作為證據(jù)，可求得測試樣本的后驗概率，最大后驗概率所對應的類標簽即作為該樣本的分類結果。
　　4.針對氣閥常見故障，本文提出了一種GBN分類器算法。該算法首先利用CI測試去