基于贝叶斯网络的磨损量预测方法与流程

本发明属于机械领域，特别是涉及基于计算机智能算法来预测工件在不同工况下的磨损量的预测方法。

背景技术：

关于磨损，国内外学者都做了大量的研究，提出了各种理论。磨损形式主要有磨料磨损，粘着磨损，冲蚀磨损，表面疲劳磨损，腐蚀磨损等。对磨损量的预测，目前所采用的办法通常为试验法、计算法和数理统计法。

对磨损量有影响的因素很多，有相对速度，载荷，温度，硬度等因素。但是即使在相同工况对同种材料试样进行实验，得到磨损量的数据都不一定一样。因而现有的预测方法都不能较为准确的实现对不同工况下磨损量和对应该磨损量下的对应概率的预测。

技术实现要素：

本发明为解决上述问题，提出了一种基于贝叶斯网络的磨损量预测方法，该方法使用的贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络。贝叶斯网络对于解决不确定性和关联性引起的问题有很大的优势。

一种基于贝叶斯网络的磨损量预测方法，利用不同工况下的相对速度、载荷、温度、硬度参数对工件的磨损量和对应概率进行预测，其特征在于，包括以下步骤：

步骤一，通过实验获取不同工况下的参数数据；

步骤二，数据分析与学习，对步骤一获得的参数数据进行分析建模，该步骤包括结构学习和参数学习，

结构学习用来完成贝叶斯网络的构建，

参数学习用来在得到的贝叶斯网络，根据参数数据的集合来更新贝叶斯网络中每个节点的参数；

步骤三，贝叶斯网络推理预测，根据步骤二得到的贝叶斯网络，输入一组(相对速度，载荷，温度，硬度)数据即可以在步骤二中的贝叶斯网络中推导出对应该组数据的节点的第五个参数磨损量以及对应该磨损量下的对应概率。

本发明提供的基于贝叶斯网络的磨损量预测方法，还可以具有这样的特征：其中，结构学习通过结构学习算法来实现。

本发明提供的基于贝叶斯网络的磨损量预测方法，还可以具有这样的特征：其中，结构学习算法包括K2算法、K3算法。

本发明提供的基于贝叶斯网络的磨损量预测方法，还可以具有这样的特征：其中，节点的参数包括预测因子和预测结果，预测因子包括相对速度、载荷、温度以及硬度，预测结果包括磨损量以及对应该磨损量下的对应概率。

本发明提供的基于贝叶斯网络的磨损量预测方法，还可以具有这样的特征：其中，所述相对速度为转速V，将转速V均分为4份：V1代表0<V<V m/s，V2代表V m/s<V<F m/s，V3代表F m/s<V<T m/s，V4代表T m/s<V<fm/s；所述载荷为载荷F，将载荷F均分为4份：F1代表0<F<e N，F2代表e N<F<g N，F3代表g N<F<hN，F4代表hN<F<i N；所述温度为实验温度T，将实验温度T均分为3份：T1代表0<T<j℃，T2代表j℃<T<k℃，T3代表k℃<T<l℃，其中，V、F、T、f、e、g、h、i、j、k、l的数值根据对应的所述转速V，对应的所述载荷F，对应的所述实验温度T进行均衡划分的。

本发明提供的基于贝叶斯网络的磨损量预测方法，还可以具有这样的特征：其中，所述磨损量为摩损百分比f，将摩损百分比f均分为3份：f1代表0<f<m％，f2代表m％<f<n％，f3代表n％<f<p％，其中，m、n、p的数值根据对应的所述摩损百分比f进行均衡划分的，且0<m<n<p<100。

本发明提供的基于贝叶斯网络的磨损量预测方法，还可以具有这样的特征：对步骤一中的参数数据进行统计分析得到不同相对速度、不同载荷、不同温度下的磨损量的对应概率：V1F1T1工况下，出现f1的概率为q％，f2的概率为r％，f3的概率为0；V2F1T1工况下，出现f1的概率为s％，f2的概率为t％，f3的概率为0。

发明作用与效果

根据本发明所提供的基于贝叶斯网络的磨损量预测方法，由于本预测方法使用的贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络-贝叶斯网络，对于解决不确定性和关联性引起的问题有很大的优势。

附图说明

图1为本发明的基于贝叶斯网络的磨损量预测方法中的各节点的概率关系示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例对本发明的基于贝叶斯网络的磨损量预测方法的原理步骤使用效果作具体阐述。

实施例

基于贝叶斯网络的磨损量预测方法，利用不同工况下的相对速度、载荷、温度、硬度参数对工件的磨损量和对应概率进行预测，其特征在于，包括以下步骤：

步骤一，通过实验获取不同工况下的参数数据。这些参数数据包括相对速度，载荷，温度，硬度以及磨损量和对应该磨损量下出现的对应概率。

步骤二，数据分析与学习，对步骤一获得的参数数据进行分析建模，该步骤包括结构学习和参数学习。

结构学习用来完成贝叶斯网络的构建，结构学习即网络的构建可以通过相关领域专家的分析也可通过一些结构学习算法如K2算法，K3算法等进行确定。

参数学习用来在得到的贝叶斯网络，根据参数数据的集合来更新贝叶斯网络中每个节点的参数，其中，节点的参数包括预测因子和预测因子，预测因子包括相对速度、载荷、温度以及硬度，预测因子包括磨损量以及对应该磨损量下的对应概率。

然后根据数据来更新每个节点在其父节点下的条件概率，例如表面硬度为一个节点，它的父节点为温度，根据数据可以得到在一定温度下，表面硬度可能出现的值及它们出现的概率。

步骤三，贝叶斯网络推理预测，根据步骤二得到的贝叶斯网络，输入一组(相对速度，载荷，温度，硬度)数据即可以在步骤二中的贝叶斯网络中推导出对应该组数据的节点的第五个参数磨损量以及对应该磨损量下的对应概率。

其中，相对速度为转速V，将转速V即4m/s，则均分为1，2，3，4四个区段4份：

V1代表0<V<1m/s，

V2代表1m/s<V<2m/s，

V3代表2m/s<V<3m/s，

V4代表3m/s<V<4m/s；

载荷为载荷F，将载荷F即40N则均分为10，20，30，40四个区段4份：

F1代表0<F<10N，

F2代表10N<F<20N，

F3代表20N<F<30N，

F4代表30N<F<40N；

温度为实验温度T，将实验温度T即30℃则均分为10，20，30三个区段3份：

T1代表0<T<10℃，

T2代表10℃<T<20℃，

T3代表20℃<T<30℃。

磨损量为摩损百分比f，将摩损百分比f即30％则均分为10％，20％，30％三个区段3份：

f1代表0<f<10％，

f2代表10％<f<20％，

f3代表20％<f<30％。

对步骤一中的参数数据进行统计分析得到不同相对速度、不同载荷、不同温度下的磨损量的对应概率：

V1F1T1工况下，出现f1的概率为80％，f2的概率为20％，f3的概率为0；

V2F1T1工况下，出现f1的概率为70％，f2的概率为30％，f3的概率为0。

图1为本发明的基于贝叶斯网络的磨损量预测方法中的各节点的概率关系示意图。

如图1所示，上一步中已经获得贝叶斯网络的结构和各节点之间的概率关系，那么在已知转速，载荷和温度的状态后，我们可以逐步推出表面温度，磨损量可能的值及它们出现的对应概率。

当输入对应的(相对速度，载荷，温度，硬度)节点时，就可以根据上述情况得到对应的磨损量fn以及该磨损量fn下的对应概率。

实施例的作用和有益效果

根据本实施例所提供的基于贝叶斯网络的磨损量预测方法，由于本预测方法使用的贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络。贝叶斯网络对于解决不确定性和关联性引起的问题有很大的优势。