电力系统故障预测方法研究

许奇歆 王荣杰,2 周海峰,2

（1.集美大学轮机工程学院 2.福建省船舶与海洋工程重点实验室)

电力系统故障预测方法研究

许奇歆1王荣杰1,2周海峰1,2

（1.集美大学轮机工程学院 2.福建省船舶与海洋工程重点实验室)

本文针对电力系统及其设备的特点，探讨了故障预测技术发展对现代电力系统及其设备的安全、稳定、高效和可靠的运行的重要性，详细论述和比较了故障预测技术的各种方法，并对它们的优劣势、应用场合和应用状况分析和总结。

电力系统；故障预测；模型；数据；概率统计

0 引言

随着现代电力系统不断地向大型化、智能化的方向迅速发展，现代电力系统的系统元件和系统结构日趋多样化、复杂化，系统的故障或失效的潜在可能性不断攀升。而目前的电力系统故障领域的研究主要集中在监视当前系统运行状态，诊断系统是否出现故障以及故障定位；无法防止故障的发生，很难保障现代电力系统及其设备的安全、稳定、高效和可靠的运行。

故障预测技术是比故障诊断技术更为高级的维护保障方式，是一门刚刚兴起的边沿学科。它涉及了机械、材料、控制通信、电力电子、通信以及计算机技术和人工智能等多种学科的综合。电力系统故障预测是在对电力系统故障演化机理深入研究的基础上，以当前系统或元件的运行状态为起点，利用系统或设备的运行参数、实验数据等信息，结合其系统或设备结构特征、运行参数和历史运行记录统计，在系统或设备还处于可保证的正常运行临界范畴内，依据一些异常特征参数来对系统或设备将来一段时间内有可能发生的故障进行分析和预测；并及时向用户提出警告，以便及时进行检修，有效预防故障的发生，保障现代电力系统的安全、稳定、高效和可靠的运行。

目前，国内外电力系统领域故障预测的研究主要在于电气设备，如变压器[1-4]、断路器[5-6]、发电机[7-9]、电动机[10-11]等主要设备的故障预测。采用在线监测手段，结合设备的历史运行及故障数据样本、当前运行状态数据和设备数学模型，从而来预测设备未来一段时间所处状态，提前发现可能的故障。而在整个电力系统[12]或输电系统[13]等子系统的研究中，由于系统从设备到子系统、从一次系统到二次系统从功能上呈现分布式结构或者网络式结构，结构中的故障信息之间存在或强或弱的关联性、交互祸合作用且现有的故障预测方法对单一设备的故障预测时，当监测数据不足时预测结果不可信，使得对系统故障的直接预测难度大，准确性低，导致目前主要研究在对故障后有可能引起的连锁故障进行预测分析。

1 电力系统故障预测技术

对于电力系统故障预测并没有明确的概念，其预测技术与其他系统的故障预测技术没有很大区别。目前，电力系统故障预测技术大致可分为三类：基于模型的故障预测技术方法、基于数据驱动的故障预测技术方法、基于统计可靠性的故障预测技术方法。

1.1 基于模型的故障预测技术

基于模型的故障预测技术正常要求用于描述系统（或设备）及其故障的物理模型的专门解析数学模型是已知的。这类技术是通过把握被预测系统（或设备和组件）的状态模型的演化过程的技术方法，用来系统（或设备和组件）故障状态预测或用于评估设备和组件的剩余寿命及损伤程度。通常基于模型的故障预测技术的预测精确度与所采用模型的参数精确度直接相关，即可以通过不断加深对系统或设备的故障演化机理的研究，来不断修正和调整模型及其参数以提高其预测精确度。因为基于模型的故障预测技术具有所需样本量少，解析计算量小和便于掌握，且可以究其系统的内在性质和实现动态实时性，使得故障预测精度高等优点，使其越来越多地应用到电力系统故障预测研究中。但是，要建立精确数学模型对于复杂动态电力系统来说，通常是难以实现的。因此，在现代电力系统在实际运用中，由于基于模型故障的预测技术的模型难以精确建立，使得其运用范围受到限制，目前在电力系统故障方面的应用主要用于变压器故障、电机、保护元件等设备及简单系统的故障预测。

1.1.1 灰色预测技术

灰色预测技术是一种能够在贫信息、有部分信息未知、缺乏经验知识的情况下，以灰色模型为基础进行预测的技术。灰色预测模型是1985年由我国邓聚龙教授提出，灰色预测模型的核心是灰色模型。灰色模型是依据系统的状态一般变化规律，经过数据序列的函数变换的较光滑序列，再建立灰色模型的灰色微分方程，求解白化微分方程，得时间响应函数，进而离散化的时间响应序列，最后还原时间响应序列，得预测值。它的建模的一般步骤为：①选择系统运行与故障的监测特征数据序列并进行预处理；②建立GM（1，1）模型或改进模型；③校验模型精确度，对于没有达到精确度检要求的模型，可以运用残差补尝或删除前面部分数据的措施，来提高模型的精确度；④利用合格的模型来预测特征量变化趋势[14]。该模型对于数据序呈指数增长的故障短期预测的预测效果好，它可预测系统退化状态，但很难估计剩余寿命。

灰色模型包含GM（1，1）模型、灰色Verhulst模型和MGM（1，m）模型。其中在电力系统故障预测中最常用的模型是GM（1，1）模型。文献[15]综合概率论、灰色系统理论和模糊数学，应用已知概率分布规律的元件寿命样本或测试数据，用关联的方式对分布规律未知的可靠性数列进行预测，完成了未知规律的小子样系统的开发。灰色预测具备少样本、少数据建模的优势，适用于具有历史数据少、贫信息特征的电力系统或电力设备的故障预测。文献[16] 中，针对在试验变压器时间上具备非等间隔的特征，提出了一种改进的变压器非等间隔灰色预测方法。其主要理念是通过应用Lagrange插值法改造背景值来构建等间隔数列对原有模型进行改进，假定了灰模型累加生成数列，并修改了GM（1，1）模型的累减还原方法，取得了较好效果。文献[17]中，从电气绝缘的实际情况出发提出将原始数据序列先根据它自身规律先构造成一个新序列， 再代入GM（1，1）模型，实验证实这样能有效地提高预测精度 。而在实际运用中，由于应用GM（1，1）模型仅对一个特征行为考虑或对几个特征行为进行独立，而缺少对各特征行为的全面考虑的缺点，从而为了实现对系统多个特征参数的跟踪，得到了运用多个GM（1，1）模型都难以达到的精确度，则需要运用多变量灰预测模型MGM（1，m）模型。但在电力系统中这几个参数存在一定的联系来反应系统运行状态，而它们之间联系的程度由于原始数据的准确性，往往难以把握。

1.1.2 基于滤波器的预测技术

基于滤波器的预测技术对系统或设备模型的精确度要求很高。当模型精确度高时，通过对滤波器输出值与实际输出值的残差的对比，实时调整滤波器的参数，进而可以有效对系统或设备目前的状态进行评估，同时，也能够预测系统或设备在未来一段时间所处状态。但是如果模型精确度低，滤波器估计值的误差将有可能变得很大，使得预测结果错误率高。基于滤波器的预测技术主要包括卡尔曼滤波器和粒子滤波器这两种。

卡尔曼滤波器是一种最佳线性估计器，它的基础理念是经过对含有噪声的观测信号的处理，从而获得被观测系统或设备状态估计信息的统计数据。卡尔曼滤波器以线性、无偏、最小方差为准则递推值，通过对系统状态估计误差的极小化，得到递推估计的一组方程，同时能得到系统的预测方程。但卡尔曼滤波器算法不能直接用于处理非线性、非高斯的系统，而实际的系统不可能是纯线性的，都存在一定的非线性，甚至强非线性。进而提出了一种先对非线性系统进行局部线性化，再利用卡尔曼滤波器算法进行滤波与估算的扩展卡尔曼滤波器算法来对非线性系统进行预测。但扩展卡尔曼滤波是一种能解决非线性估计问题的线性方法，当系统可观测较差和状态空间模型的非线性程度较高时都会导致扩展卡尔曼滤波器算法的收敛精度差及收敛时间长；且在非线性粒系统的应用存在模型不确定性的鲁棒性差的问题，并且在系统处于稳定时，对突变状态的跟踪能力也将消失。随后提出了一种以扩展卡尔曼滤波器算法为基础的强跟踪滤波器算法。其通过加入渐消因子，可以根据滤波效果动态地调整增益矩阵，以保持准确的跟踪系统状态能力，也具有较强模型不确定性的鲁棒性。

粒子滤波器是基于非参数化的蒙特卡罗模拟方法的贝叶斯滤波算法，是能够有效解决非线性、非高斯噪声问题的算法。粒子滤波器方法是对其使用状态中的每一个粒子（即是近似于实际状态的概率函数的样本点）给予一个权值，由足够多的不同权值的粒子形成的离散分布能够形成逼近的连续分布，进而对于给定的系统进行估计。粒子滤波器算法的实现步骤：①初始化；②采样；③权重更新；④重采样；⑤输出状态估计。粒子滤波器方法在故障预测应用中适用于任意的非线性、非高斯噪声系统的滤波问题是其最突出的优点，但其具有的粒子退化和对突变状态的跟踪能力不足的主要缺陷。

在解决非线性、非高斯问题方面，粒子滤波与卡尔曼滤波方法相比，具备更突出的优点，己成为非线性系统故障预测的最主要研究方法之一。文献[18]中，考虑包含正常、退化、不可靠事件的动态系统，利用修正的交互多模型粒子滤波器估计动态系统的状态，初步预测隐含时—变故障，并利用Holt滤波预测故障，但其假设了不可靠部件故障行为服从Markov性，系统故障服从线性过程，使该方法具有局限性。文献[19]针对粒子滤波算法存在粒子医乏现象，提出一种基于权值优选粒子滤波器的故障预测方法，采用权值优选粒子滤波器预计系统未来一段时间的运行状况分布情况，并通过对系统故障概率的计算， 来实现对系统的故障预测。文献[20]针对预测模型存在未知渐变参数的状况，提出了一种基于高斯混合模型粒子滤波器的故障预测方法。且该方法输出系统剩余寿命状态分布与原本输出值为固定值的故障预测方法相比，更能有效消除各种不定因素对故障预测的影响，更切合现实状况。文献[21]介绍在移动智能机器人领域，应用粒子滤波器对机器人进行故障诊断与预测。

1.2 基于数据驱动的故障预测技术

基于数据的故障预测技术是根据一定的输入、实际输出、预计输出和状态参数之间的关系，从许许多多的历史数据样中进行学习的输出和实际输出之间的映射关系，再以此在内部建立非线性、非透明及非针对特定对象的模型，最后以传感器或测试的特征数据为输入，求得实际输出结果，从而实现故障预测。对象系统的数学模型和专家经验是否已知对其影响不大，进而避免了基于模型故障预测技术的数学模型难以精确建立的困扰，是目前较为实用且运用广泛的故障预测技术。但是，基于数据的故障预测技术需要较为完整且准确的历史数据样本，而实际应用中复杂的电力系统或电力设备的历史数据样本往往不完整且存在不准确性，从而影响其预测的精准性。

1.2.1 基于神经网络的故障预测技术

神经网络是多个神经元连接而成，用于模拟人脑行为的网络系统，具备模拟连续非线性函数的功能；而且可以通过对样本的学习来掌握系统规律，获得适合的参数来映射任意复杂的非线性关系，具备极强的非线性逼近能力，无需对监测数据作模型假设，因此广泛地在故障预测领域中进行应用。文献[22]中利用人工神经网络对机械泵的剩余寿命进行预测。文献[23]中利用神经网络模型对复杂液压系统进行故障识别和预测，实现对液压系统的监控和管理。文献[24]中以数据采集与监控（SCADA）系统所监测的特征参数和设备的历史故障数据作为系统故障预测的数据来源，采用BP神经网络对动态数据和静态数据进行建模，从而对系统进行故障预测。但是神经网络训练时需要有足够多的历史数据样本才能得到精确的权值和阈值，且神经网络存在难以保证算法收敛性、快速性和实时性以及网络结构难以确定等不足。为了弥补神经网络不足，将神经网络与灰色理论、模糊集、小波变换等技术结合起来，为非线性系统故障预测提供了新的途径。文献[25]则提出了一种利用自回归滑动平均模型、神经网络和模糊逻辑的融合预测方法，并在锂离子电池的剩余使用寿命预测中进行运用。文献[26]提出一种基于粗糙神经网络的航空电子设备故障预测方法，采用粗糙集理论改进神经元结构，以粗糙变量为神经元的输入，每个神经元的上近似元和下近似元分别代表粗糙集的上下近似，以交叉连接方式构造粗糙神经网络，用以实际设备特征参数的跟踪预测。研究结果表明，粗糙神经网络可以较准确地预测故障发生的时间。文献[27]提出的一种基于利用灰色关联改进BP神经网络的船舶供电系统故障诊断方法，这种方法利用灰色关联分析方法和灰色关联度的计算方法有效地消除隐层神经元数，从而优化BP神经网络的结构，确定隐含层神经元数。不仅能保证学习神经网络的性能，而且可以有效地解决隐层神经元数目引起的冗余问题。

1.2.2 基于支持向量机的故障预测技术

支持向量机是一种基于样本的机器学习方法，通过学习，它选择一些典型的类型已知样本作为范例样本，对未知样本的识别是通过和范例样本相比较并综合的结果。其适用于小样本学习，具有较强的模型泛化能力和非线性处理能力，可较好地解决高维问题与局部极值问题。在故障预测的研究中，和神经网络相比较，支持向量机具有参数选择简单、建模方便、模型泛化能力强、受到输入数据维度的影响小和样本训练快且不易陷入局部极小值等优点。正是由于这些优势，使其在状态识别评估和故障预测中得到广泛的应用。文献[28]将支持向量机SVM和神经网ANN在电力系统暂态稳定评估中进行了全方位的比较，在基于巴西的”Priba” 200机2484总线大规模系统的仿真研究中，从适应能力、训练时间、分类准确率等方面的比较中，支持向量机同样表现出了比神经网络更杰出的预测结果。文献[29]提出一种基于支持向量机回归的电力变压器油中溶解气体体积分数的预测方法，并采用网格交叉验证法寻求最优的参数组合，取得了较好的预测效果。文献[30]提出了应用支持向量回归技术对多个特征参数进行并行预测，并对各类特征及其各预测步骤的剩余使用寿命预测结果进行趋势分析，再经过置信区间预计来预测最终结果。

1.3 基于概率统计的故障预测技术

基于概率统计的故障预测技术是通过对过去故障历史数据进行统计并建立故障概率密度函数，而进行故障预测并给出置信区间对精确度判断。它适用于无法也没必要确定完整的动态模型的系统或无法给定输入和输出之间映射关系的系统故障预测问题。

1.3.1 基于马尔科夫链、隐马尔科夫链的故障预测技术

马尔科夫过程是一种较遍及的随机过程。此过程揭示了系统或设备从一种状态转移到另一种状态，随时间变化所作的状态转移，且状态转移具有概率性质。该过程是“无记忆性”，也称马尔科夫性，即过去的运行状况对将来的运行状况的预测是无影响的，因此可仅凭借当前系统的运行状况，对系统将来的运行状态进行预测。基于马尔科夫链的故障预测的关键在于有足够的历史数据或实验数据统计来得出准确的系统状态转移矩阵。文献[31]根据电力系统连锁故障中存在着上下级故障间固有的关联，提出的基于马尔可夫链的连锁故障预测模型，以连锁故障过程中潮流转移引起的状态转移概率、保护/断路器误动概率及由系统硬件失效引发的线路状态转移概率为依据，能够有效地对系统连锁故障的发展趋势进行预测，并计算下一级线路故障概率，再进行更下一级预测，最后得出具有时间先后顺序的连锁事故路径。文献[32]提出一种基于马尔可夫链的蒙特卡洛的电力系统的可靠性评估的方法，并在大型电力系统可靠性评估中对其进行应用与研究。文献[33]论证在有足够多的样本数条件下，得出准确的马尔科夫状态转移矩阵，可以根据电力系统当前运行状况迅速地预测出电力系统将来的运行状况趋势。

隐马尔科夫链是由马尔科夫链演变而来的，并被广泛应用于设备状态监测和故障诊断与预测中。与马尔科夫链不同的是，隐马尔科夫链是一种基于概率统计的双重随机过程：一个随机过程是具有有限状态的马尔科夫链，描述状态的转移；另一个随机过程描述每个状态和观察值之间的统计对应关系。它具有很强的物理解释性，且它的学习能力和分类敏感性是远远优于其他一些模式识别方法的。例如，隐马尔科夫链与神经网络比较[34]，不仅分类识别能力要优于神经网络，而且需要的样本数也是较小的。文献[35]提出了三种基于隐马尔可夫模型的识别算法，并运用该算法通过对机械系统故障前期征兆进行揭示与识别，从而得到故障预测结果。文献[36]利用小波包变换对故障信号进行预处理，提取能量作为特征信号，再利用隐马尔科夫模型进行建模和模式识别，从而实现对液压系统的故障预测。文献[37]提出了一种利用两条马尔科夫链耦合的隐马尔可夫模型故障预测方法，与单一通道的隐马尔可夫模型故障预测方法。运用该方法对模拟电路系统的各退化状态识别和故障预测的精准率更高。

1.3.2 基于贝叶斯网络的故障预测技术

贝叶斯网络是由Pearl于1988年基于总结前辈的研究而提出的，是一种基于概率分析、决策分析和图论的不确定性知识表达和推理模型。在故障预测领域中贝叶斯网络运用形式主要有两种：一种是诊断型的贝叶斯网络结构[38]，首先把系统状态分为两种节点：故障征兆节点和状态节点，根据故障征兆节点来推测状态节点的故障概率，但系统元件节点间的相互关系并不在两层元件节点的网络拓扑结构中进行充分体现[39]。文献[40]，利用专家知识结合信号建立诊断型贝叶斯网络结构，并运用应用于电源系统进行故障预测。另一类是动态决策网的特殊贝叶斯网络结构，根据动态决策网的特殊贝叶斯网络结构和对时序数据分析来推断故障概率[41]，但由于其十分复杂的网络结构，所以结构构建时需要对系统网络拓扑结构进行深入的研究。文献[42]利用动态贝叶斯网络结构对设备剩余寿命进行了有效的预测。

2 结束语

电力系统故障预测技术能够有效地预防电力系统的故障发生，比起故障发生后的故障诊断处理技术，其能够及时提醒用户进行检修，保障现代电力系统的安全、稳定、高效和可靠运行。但由于电力系统故障预测技术刚刚兴起，还不成熟，且电力系统的结构又十分庞大及复杂，使得其大多还停留在理论与仿真阶段，能实际有效地运用还较少。但随着电力系统故障预测技术的快速发展，相信在不久将来，故障预测技术在实际电力系统中将普遍存在。本文概述了基于模型、数据和概率统计的三大类故障预测技术和其一些主要预测技术。在概述中将它们进行明确分类，但它们各有各自的优缺点，且目前对故障预测技术的很多研究更倾向于组合技术，相互取长补短，得到更优的预测技术。

[1] 费胜巍，孙宇.融合粗糙集与灰色理论的电力变压器故障预测[J].中国电机工程学报，2008，28(16):154-160．

[2] 陈丽，粟然.用于变压器故障预测的决策树一蒙特卡洛方法[J].华北电力大学学报，2006(2):1-4．

[3] Mohamed Ahamed Abdel Wahab．Artificial neural network-based prediction technique for transformer oil breakdown voltage[J].Electric Power Systems Research，2004，71(1):73-84．

[4] Mokhnache L，Boubakeur A，Nait Said N.Application of neural networks paradigms in the diagnosis and thermal aging prediction of transformer oil[C]．Proceedings of 14th International Conference on Dielectric Liquids，Graz，Austria，2002．

[5] 郑丽，杨涛，郑丹.故障树分析法在油断路器故障预测中的应用[J]．沈阳农业大学学报，2005，36(3)：376-378.

[6] 张敏，丁跃浇.基于振动分析结合人工免疫算法的高压断路器故障诊断预测系统研究[J]．机电一体化，2014(6)：16-50．

[7] Henderson D S，Lothian K，Priest J．PC monitoring and fault prediction for small hydroelectric plants．The First IEE/IMechE International Conference on Power Station Maintenance-Profitability Through Reliability，1998，Vol.l：28-31.

[8] 程宝清，韩凤琴，桂中华．基于小波的灰色预测理论在水电机组故障预测中的应用.电网技术，2005，29 (13) :40-44.

[9] Young J C, Min S P,Chong N C. Prediction of drill failure using features extraction in time and frequency domain of feed motor current. International Journal of Machine Tools&Manufacture，2008，48(1):29-39.

[10] Pond F, Cristaldi L, Faifer M, et al. Innovative approach to early fault detection for induction motors. IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives, 2007, 1(6): 283-288.

[11] 康健，左宪章，吴彩华，等.基于神经网络的柴油发动机故障预测研究[J]．机算机测量与控制，2006(8)：987一989.

[12] 吴文可，文福拴，薛禹胜，等.基于马尔可夫链的电力系统连锁故障预测[J].电力系统自动化，2013，37(5):29-37.

[13] 邓慧琼.电网连锁故障预测分析方法及其应用研究[C].北京:华北电力大学，2007.

[14]黄大荣，黄丽芬.灰色系统理论在故障预测中的应用现状及其发展趋势[J].火炮发射与控制学报，2009(3)：88-92.

[15] 陈举华，赵建国，郭毅之.电力系统可靠性研究的灰关联和模糊贴近度分析方法[J].中国电机工程学报，2002,22(1): 59-63.

[16] 王晶，刘建新.基于灰色新预测模式的变压器故障预测[J].华北电力大学学报，2007， 34 (1 ): 10-14.

[17] 孙才新，毕为民.灰色预测参数模型新模式及其在电气绝缘故障预测中的应用[J].控制理论与应用，2003，20(5)：797一801.

[18] Xu Z,Ji Y D, Zhou D H. Real-time reliability prediction for dynamic systems with both deteriorating and unreliable components[J]. Science in China Series F-Information Sciences， 2009， 52(11): 2234-2246.

[19] 张琪等.基于权值选优粒子滤波器的故障预测算法[J].系统工程与电子技术，2009(1): 221-224.

[20] 张磊，李行善，于劲松，等.一种基于高斯混合模型粒子滤波的故障预测方法[J]航空学报，2009， 30(2):319-324.

[21] 柳玉甜.未知环境中移动机器人故障诊断技术的研究[D].杭州:浙江大学，2007.

[22] TIAN Z.An artificial neural network method for remaining useful life prediction of equipment subject to condition monitoring [J].Journal of IntelligentManufacturing,2009,23 (2):227.

[23] GUO K，CHEN Q，TAN Z，LI Y.Fault Diagnosis of Complicated Hydraulic System Using Neural Network[J]. Machine Tool&Hydraulics, 2006，10(2)：60-70.

[24] 何勇枢，陈 赣.基于 BP神经网络模型的故障预测分析[J].微计算机信息，2006，22(6):29-34.

[25] KOZLOWAKI J. Electrochemical cell prognostics online impedance measurements and model-base fusion techniques [C]. 2003 IEEE Aerospace Conference,Big Sky, Montana ,USA ,2003:3257-3270.

[26] 文莹，肖明清，胡雷刚，等.基于粗糙神经网络的航空电子设备故障预测研究[J].计算机测量与控制，2010，18(4):807-809.

[27] ZHOU Weiping, SUN Dongliang, WANG Jialin . Fault Diagnosis Of Ship Power Supply System Based on grey correlation improved BP neural network[J].2015 IEEE. Transaction on Power Electronics, 2015, 6(5): 1202-1208.

[28] L. S. Moulin, A. P. Aloes da Silva, M. A. El-Sharkawi, and R. J. Marks II.Support Vector Machines for Transient Stability Analysis of Large-Scale Power Systems[J].IEEE Transactions on Power Systems，2004.19(2)：818-825.

[29]Zhu Y, Zhao W, Zhai X, et al. A fault prediction approach for power transformer based on support vector machinet[C]. 2007 International Conference on Wavelet Analysis and Pattern Recognition，ICWAPR'07, 2008：1457-1461.

[30] 习武兵，林健，熊晓燕.基于支持向量回归的多参数设备故障预测方法[J].振动、测试与诊断，2012，32(5)：791-795.

[31] 吴文可，文福拴，薛禹胜，等.基于马尔可夫链的电力系统连锁故障预测[J].电力系统自动化,2013,37 (5) :29-37.

[32] 石文辉，别朝红，工锡凡.人型电力系统可靠性评估中的马尔可夫链蒙特卡洛方法[J].中国电机工程学报，2008，28(4)：9-15.

[33] 王勇，韩学山，丁颖，等.基于-马尔科夫链的电力系统运行可靠性快速评估[J].电网技术，2013， 37(2): 405-410.

[34] Hatzipantelis E,Murray A, Penman J. Comparing hidden Markov models with artificial neural network architecture for condition monitoring applications[J]. IEEE Transactions on Biomedical Engineering, 1995,57(9)：2188-2196.

[35]WANG W Q, GOLNARAGHI M, F. Ismail. Prognosis of machine health condition using neuro-fuzzy systems[J]. Mechanical Systems and Signal Processing,2004(18)：813-831.

[36] 卓东风，原媛小波包变换和隐马尔科夫模型（HMM）在液压系统故障预测中的应用[J].山西大学学报(自然科学版)，2013，36(3)：357-362.

[37] Ramoni M , Sebastiani P .Learning Bayesian networks from in-complete data[R] .K Mi-T R-43 , Knowledge Median Institute ,T he Open Uni versity , 1997 .

[38] 陆宁云，何克磊，姜斌等.一种基于贝叶斯网络的故障预测方法[J].东南大学学报(自然科学版),2012(42):87-92.

[39]Niedermayer Daryle.An introduction to bayesian networks and their contemporary applications[J]. Studies in Computational Intelligence,2008(156):117-130.

[40] 许丽佳，王厚军，龙兵.基于贝叶斯网络的复杂系统故障预测[J].系统工程与电子技术，2008，30(4):780-784.

[41] Friedman N .The Bayesian structural EM algorithm[C] //Proceedings of Fourteenth Conference on Uncertainty in Artificial Intelligence (UAI'98).San Francisco，CA，Morgan Kaufmann，1998：571-578.

[42] 杨志波，董明.动态贝叶斯网络在设备剩余寿命预测中的应用研究[J].计算机集成制造系统，2007(9)：1811-1815.

2016-08-15）