丁书久 田佳

西安建筑科技大学建筑设备科学与工程学院

0 引言

冷水机组发生故障时会造成大量能耗，将故障检测与诊断（FDD）方法应用到冷水机组领域，及时发现冷水机组故障并确定故障类型，具有重要意义。

贝叶斯网络（BN）适合处理不确定性问题，且具有强大的融合能力，在 FDD 领域广泛应用。赵阳等人[1]开发了三层BN，通过专家调查和统计学确定参数。王亚兰等人[2]将离散化算法融入BN，避免了依赖专家的主观性，但会造成信息缺失。何所畏等人[3]提出了条件高斯网（CGN），实现了连续节点变量的概率推理。

CGN 方法需假设连续型节点服从高斯分布，导致方法普适性较差，F DD 准确率也下降。针对以上方法的局限性，本文在 CGN 的结构基础上，融入 KDE 估计连续型节点的条件概率分布，在实现故障检测诊断过程一体化的同时，提高了 FDD 的准确率。

1 理论方法

1.1 条件高斯网（CGN）

贝叶斯网络（BN）是基于贝叶斯公式的判别模型，由结构和参数两部分组成[4]。BN 的结构是一个有向无环图，包括节点和有向边，其中节点代表随机变量，节点之间的有向边代表变量之间的依赖关系[5]。BN 的参数包括所有根节点在所有可能状态下的先验概率和所有子节点在给定父节点状态下的条件概率表[4]。在BN 中，节点的数学意义为变量各状态的概率。有向边的数学意义为给定父节点状态下，子节点的条件概率。将BN 应用到 FDD 中时，已知各故障的先验概率和各类故障发生时各特征参数的条件概率后，通过贝叶斯公式可计算检测到各特征参数时，各故障发生的新概率，即后验概率。……