Resumen

Con el fin de resolver el problema de los datos de fallo cero y el fallo dinmico en el sistema de gasificacin, se propone una red bayesiana dinmica (DBN) combinada con simulaciones Monte Carlo para analizar la fiabilidad del sistema de vlvula de cubo de esclusa del gasificador. Sobre la base del estudio de la estructura del sistema de vlvula de cubo de esclusa del gasificador, se construye el modelo de fiabilidad del sistema basado en la DBN y se realiza el aprendizaje de la estructura. La simulacin Monte Carlo se utiliza para la prueba de finalizacin temporizada en la estimacin bayesiana, que resuelve eficazmente el problema de los datos de fallo cero y realiza el aprendizaje de parmetros. Mediante el algoritmo Metropolis-Hastings (M-Hs), la distribucin a priori del nodo dinmico se muestrea aleatoriamente para obtener la distribucin objetivo, lo que hace que la inferencia predictiva de fiabilidad para la DBN del sistema de vlvula de cubo de esclusa del gasificador sea ms rpida y precisa. La prediccin de fiabilidad obtenida es una curva que vara con el tiempo. Los resultados muestran que el nodo del interruptor frecuente de la vlvula de la DBN del sistema de vlvula de cubo de esclusa del gasificador se identifica como el eslabn dbil mediante la potente inferencia inversa para DBN, al que hay que prestar ms atencin. Este mtodo puede mejorar eficazmente el nivel de mantenimiento del sistema de vlvula de cubo de esclusa del gasificador y puede reducir eficazmente la posibilidad de accidentes.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Sistema de gasificación; Red bayesiana dinámica; Simulaciones Monte Carlo; Modelo de fiabilidad; Aprendizaje de estructuras; Algoritmo Metropolis-Hastings
• Keywords:Gasification system; Dynamic Bayesian network; Monte Carlo simulations; Reliability model; Structure learning; Metropolis-Hastings algorithm