黄海舟，纪 峰，袁小阳，朱 均

（1.西安交通大学 现代设计及转子轴承系统教育部重点实验室，西安 710049；2.湖北省电力试验研究院，武汉 430077）

研究设备运行状态在诊断信息中的反映是设备故障诊断的主要任务。然而，绝大多数设备故障诊断问题具有不确定性。因为，故障和征兆之间不完全存在一一对应关系，即一种故障可能表现出多种征兆，而一种征兆可能对应着多种故障，这就给设备故障诊断增加了难度。设备故障诊断方法可分为统计模式识别方法和结构模式识别方法两个大类，贝叶斯网络（Bayesian Network）诊断方法兼顾了这两类方法的优点。贝叶斯网络提供了一种不确定性推理的网络结构，最早由Pearl J提出并用于人工智能系统［1］。随后在设备诊断［2-3］、加工控制［4-5］和风险投资等领域得到广泛应用。以往采用贝叶斯网络诊断设备故障，主要利用振动的频域信息而其他重要信息流失，提出具有实质性应用价值的诊断网络也不多。本文针对汽轮机组轴承工频振动的诊断难点，提出了质朴型贝叶斯诊断网络，以最少的推理层面，融合振动的频谱、相位、趋势和运行工况条件等信息，实现对单一故障和复合故障的正确推理。诊断网络结构和条件概率赋值凝聚了大量现场经验和统计数据。

1 贝叶斯网络原理及推理计算

图1 简单贝叶斯网络Fig.1 A simple Bayesian network

贝叶斯网络推理计算，一般按照以下步骤进行：①根据领域专家知识或经验统计，给出各个假设（结论）的先验概率和条件概率；……