贝叶斯网络是目前不确定知识表达和推理领域最有效的理想模型,对于解决复杂不确定性因素引起的故障具有很大的优势,在数据挖掘、图像处理、工业故障诊断、机器学习等领域被广泛应用。工业故障诊断对工业生产意义重大,人工智能的发展为故障诊断提供了智能化的诊断方法,而且已有了成功的应用实例。本课题计划重点研究基于贝叶斯网络的故障诊断优化算法,并根据从冀东水泥厂收集的数据,验证算法在实际故障诊断中的可行性。具体研究内容如下:首先,本文针对蚁群算法搜索空间庞大、易陷入局部最优的缺陷,提出一种改进蚁群优化算法。该算法首先根据互信息确定初始网络,同时进行孤立节点处理,又通过改变信息素更新方式,并且加入惩罚函数,减少了算法的冗余边数,使算法更趋向于评分更优的结果。最后通过仿真实验验证算法的性能。其次,本文基于对禁忌搜索算法及相关改进算法的研究,针对禁忌搜索算法过分依赖初始解及收敛速度慢的问题,提出了一种改进禁忌搜索优化算法。首先通过计算互信息和相对熵确定初始解;然后通过加边、减边、转边产生邻域解集,通过集中性与多样性搜索策略避免陷入循环;最后根据评分函数输出最优的贝叶斯网络结构。通过仿真实验得到算法的准确率和执行时间。最后,分析回转窑的工艺参数,并根据相关系数选取相关程度较高的参数作为贝叶斯网络节点变量,将收集的水泥数据进行筛选量化,运用两种改进算法构建水泥回转窑故障诊断的贝叶斯模型结构。采用经典的最大似然估计法和变量消元法进行参数学习和诊断推理。根据数据实验结果,验证了这两种改进的贝叶斯网络结构学习算法在水泥回转窑故障诊断方面具有较高的准确率和效率。