概率论基础：条件概率、联合概率、全概率公式与贝叶斯定理

多源故障诊断的核心挑战在于：我们只能观察到设备运行时的外在表现（如振动异常、温度升高、告警代码），却无法直接窥见故障的真实原因。概率论正是连接“观测表象”与“潜在原因”的桥梁。本章将系统梳理条件概率、联合概率、全概率公式与贝叶斯定理的数学逻辑，并重点揭示它们在故障诊断中如何实现从“先验知识”到“后验判断”的推理闭环。理解这些基础概念，是后续构建多源信息融合诊断模型的前提。

2.1 核心原理：从事件关系到诊断推理

在故障诊断场景中，我们通常定义事件 A 为“某种故障原因”（如轴承磨损、齿轮断齿、转子不平衡），事件 B 为“某种观测现象”（如振动频谱中出现 1× 转频分量、温度超过阈值、油液金属颗粒浓度升高）。概率论的核心任务就是量化这些事件之间的不确定性关系。

联合概率 P(A∩B) 描述的是故障 A 与症状 B 同时出现的概率。在工程实践中，我们往往难以直接统计联合概率，因为需要大量同时标注“原因”和“症状”的历史样本。但联合概率是连接条件概率的枢纽：P(A∩B) = P(A|B)·P(B) = P(B|A)·P(A)。这个等式揭示了条件概率的乘法规则，也是贝叶斯定理推导的起点。

条件概率 P(A|B) 的含义是：在已知症状 B 出现的条件下，故障 A 发生的概率。这正是诊断决策所需要的量——当我们看到某个告警时，最关心的是“这个告警背后真正的原因是什么”。然而，直接统计 P(A|B) 往往困难，因为症状 B 可能是多种原因共同作用的结果，且样本分布不均。

全概率公式 则提供了一种“由因推果”的路径：如果我们将所有可能的故障原因 A₁, A₂, …, Aₙ 视为一个完备事件组（即它们互斥且覆盖所有可能），那么症状 B 出现的总概率可以分解为：

P(B) = Σᵢ P(Aᵢ) · P(B|Aᵢ)

这个公式的意义在于：我们不需要直接统计 P(B)，而是通过每个故障原因的先验概率 P(Aᵢ) 和在该原因下症状出现的似然 P(B|Aᵢ) 来间接计算。这在工程上非常实用，因为 P(Aᵢ) 可以从历史故障率统计中获得，P(B|Aᵢ) 可以通过故障注入实验或仿真获得。

贝叶斯定理 则是全概率公式的逆用，它实现了“由果推因”的推理：

P(Aᵢ|B) = P(Aᵢ) · P(B|Aᵢ) / P(B)

其中，P(Aᵢ) 称为先验概率（在观测到症状之前对故障可能性的估计），P(B|Aᵢ) 称为似然概率（在故障 Aᵢ 下观测到症状 B 的可能性），P(B) 是归一化常数（保证所有后验概率之和为 1），P(Aᵢ|B) 称为后验概率（观测到症状后对故障可能性的修正）。

2.2 判断方法：贝叶斯推理的操作流程

在实际的多源故障诊断系统中，应用贝叶斯定理通常遵循以下五个步骤。这些步骤构成了一个可复用的推理框架，适用于从单传感器阈值判断到多源信息融合的各类场景。

1. 定义假设空间：明确所有可能的故障原因 A₁, A₂, …, Aₙ，确保它们互斥且完备。例如，对于旋转机械，可定义：A₁=轴承外圈故障，A₂=轴承内圈故障，A₃=转子不平衡，A₄=齿轮断齿，A₅=正常状态。
2. 确定先验概率 P(Aᵢ)：基于历史维修记录、设备寿命曲线、运行工况等确定每个故障的先验概率。若无历史数据，可采用均匀分布或专家打分法。
3. 构建似然函数 P(B|Aᵢ)：这是最关键也最困难的一步。需要针对每个故障原因，建立观测症状的条件概率模型。例如，当轴承外圈故障时，振动频谱在 3× 转频处出现峰值概率为 0.7；当转子不平衡时，1× 转频峰值概率为 0.9。似然函数可以通过故障注入实验、仿真模型或历史故障样本统计获得。
4. 计算全概率 P(B)：利用全概率公式，将各故障的先验概率与对应似然相乘后求和，得到症状出现的总概率。这一步是归一化分母，确保后验概率之和为 1。
5. 更新后验概率 P(Aᵢ|B)：将先验、似然和全概率代入贝叶斯公式，得到每个故障原因在观测到症状 B 后的修正概率。选择后验概率最大的故障作为诊断结论，或输出完整的概率分布供决策者参考。

步骤	输入	输出	故障诊断中的典型数据来源
1. 定义假设空间	设备结构、历史故障模式	故障列表 A₁…Aₙ	FMEA 分析、维修工单记录
2. 确定先验	历史故障率、运行时长	P(Aᵢ)	设备管理系统 CMMS、可靠性数据库
3. 构建似然	传感器数据、故障特征	P(B|Aᵢ)	振动频谱、油液分析、温度曲线
4. 计算全概率	步骤 2 和 3 的结果	P(B)	归一化计算，无需额外数据
5. 更新后验	实时观测数据	P(Aᵢ|B)	在线监测系统实时采集

2.3 案例拆解：离心泵轴承故障的贝叶斯诊断

某化工厂一台关键离心泵配备振动监测系统，近期出现振动值升高并触发报警。设备工程师需要判断故障原因，以便制定维修策略。根据历史数据，该类型泵的故障分布为：轴承故障（A₁）占 60%，转子不平衡（A₂）占 25%，汽蚀（A₃）占 10%，正常状态（A₄）占 5%。振动分析师从频谱中发现两个关键特征：B₁=1× 转频幅值显著升高（超过 4.5mm/s），B₂=高频振动（2kHz-10kHz）能量增大。

根据故障机理和实验数据，工程师确定了似然概率：

• 当轴承故障时，出现 B₁ 的概率为 0.3，出现 B₂ 的概率为 0.8；
• 当转子不平衡时，出现 B₁ 的概率为 0.9，出现 B₂ 的概率为 0.1；
• 当汽蚀时，出现 B₁ 的概率为 0.2，出现 B₂ 的概率为 0.3；
• 正常状态下，出现 B₁ 的概率为 0.05，出现 B₂ 的概率为 0.05。

当前观测到 B₁ 和 B₂ 同时发生。我们首先计算每个故障下联合症状的似然（假设 B₁ 和 B₂ 条件独立）：

P(B₁∩B₂|A₁) = 0.3 × 0.8 = 0.24
P(B₁∩B₂|A₂) = 0.9 × 0.1 = 0.09
P(B₁∩B₂|A₃) = 0.2 × 0.3 = 0.06
P(B₁∩B₂|A₄) = 0.05 × 0.05 = 0.0025

然后计算全概率：

P(B₁∩B₂) = 0.6×0.24 + 0.25×0.09 + 0.1×0.06 + 0.05×0.0025
          = 0.144 + 0.0225 + 0.006 + 0.000125
          = 0.172625

最后计算后验概率：

P(A₁|B₁∩B₂) = 0.144 / 0.172625 ≈ 0.834
P(A₂|B₁∩B₂) = 0.0225 / 0.172625 ≈ 0.130
P(A₃|B₁∩B₂) = 0.006 / 0.172625 ≈ 0.035
P(A₄|B₁∩B₂) = 0.000125 / 0.172625 ≈ 0.001

诊断结论：轴承故障的后验概率高达 83.4%，远高于先验的 60%。工程师据此安排停机检查，拆解后发现轴承外圈确有明显剥落。这一案例展示了贝叶斯推理如何利用多源观测信息（两个频谱特征）显著提升诊断置信度。

2.4 常见误区与总结复盘

在讲授贝叶斯方法时，学员常陷入几个典型误区，这些误区在工程应用中可能导致严重误判。

误区一：将先验概率视为可有可无的“主观臆断”。实际上，先验概率是贝叶斯推理的重要组成部分，它编码了历史经验和领域知识。在数据稀疏的工业场景中，合理的先验能显著提升诊断稳定性。但需注意，当观测数据非常充分时，后验概率会逐渐“淹没”先验的影响，这符合大数定律的直觉。

误区二：混淆 P(A|B) 与 P(B|A)。这是初学者最易犯的错误。在故障诊断中，P(故障|症状) 是诊断结论，而 P(症状|故障) 是传感器模型。两者数值可能相差甚远。例如，某种症状在故障时出现概率很高（P(B|A)=0.9），但该故障本身很罕见（P(A)=0.01），则 P(A|B) 可能只有 0.08。忽略先验直接使用似然会导致“稀有故障被高估”的系统性偏差。

误区三：忽视全概率公式的完备性条件。全概率公式要求事件组 A₁…Aₙ 必须互斥且完备。如果遗漏了某个可能的故障原因，或者两个故障可能同时发生（如轴承磨损伴随转子不平衡），则计算出的 P(B) 会偏小，导致所有后验概率被高估。解决方法是引入“其他/未知故障”类别，或使用贝叶斯网络处理多故障并发场景。

误区四：将后验概率直接等同于“真实概率”。后验概率是在当前模型假设和观测数据下的最优估计，但模型本身可能存在误差（如似然函数不准确、传感器噪声未建模）。因此，工程上通常将后验概率作为决策支持而非真理，并结合风险矩阵（误判成本）制定维修策略。