基于改进贝叶斯神经网络的多联机故障诊断策略

摘要

针对传统神经网络模型过拟合等问题,本文提出了一种基于改进贝叶斯神经网络的多联机故障诊断策略,该策略使用LOF(local outlier factor)法剔除原始数据中的异常值,并构建了BR(Bayesian-regularization)神经网络以提高模型的泛化能力.实验通过多联机系统制冷剂充注量故障验证该策略的可行性.结果表明:较BP(back-propagation)神经网络,LOF-BR神经网络模型诊断性能增强,整体检测率提高至97％.充注过量误诊为充注不足的比率显著降低,LOF法能有效剔除多联机系统异常值.