| 标题 | 贝叶斯网络和模糊评判结合的滚动轴承故障诊断 |
| 范文 | 马德仲 任锁 刘凯辛 李明 周真 摘要：针对大型复杂系统在诊断的过程中，由于现有方法主要通过一系列方法来提高诊断的效果，而缺乏考虑诊断过程中的检测难度、检测速度和检测经济性等因素。提出了贝叶斯网络诊断与多因素模糊综合评判相结合进行故障诊断的方法，在诊断的过程中不仅考虑故障概率，而且结合检测方法难易程度、检测速度、检测的准确性和经济性等方面，得到诊断的优化方法。通过对齿轮箱滚动轴承故障进行诊断的实例，可以明显看出该方法在综合诊断过程中的优势。研究成果可以作为对大型复杂系统进行故障诊断的优化方法，从而科学指导维修方案。 关键词： 贝叶斯网络；模糊综合评判；诊断优化 DOI：10.15938/j.jhust.2018.05.019 中图分类号： X9287 文献标志码： A 文章编号： 1007-2683（2018）05-0113-06 Fault Diagnosis of Rolling Bearing Based on Bayesian Network and Fuzzy Evaluation MA Dezhong，REN Suo，LIU Kaixin，LI Ming，ZHOU Zhen （School of Measurementcontrol Technology and Communications Engineering， Harbin University of Science and Technology， The Higher Educational Key Laboratory for Measuring and Control Technology and Instrumentations of Heilongjiang Province， Harbin 150080， China） Abstract：In the process of diagnosing large and complex system， the existing methods mainly improve the diagnosis effect by a series of methods， but lack the consideration of the difficulty of detection， the detection speed and the detection economyIn this paper， Bayesian network diagnosis and multifactor fuzzy comprehensive evaluation are combined to diagnose the fault In the process of diagnosis， not only the probability of failure is considered， but also the difficulty of detection， the speed of detection， the accuracy and economy of detection， and the optimization method is obtainedThe advantages of this method in the comprehensive diagnosis process can be clearly seen by the example of diagnosing the fault of gearbox bearingThe research results can be used as an optimization method for fault diagnosis of large and complex systems， so as to guide the maintenance plan scientifically Keywords：bayesian network； fuzzy comprehensive evaluation； diagnostic optimization 0引言 隨着生产力的快速发展，越来越多的大型设备投入使用，运行系统由简单变得越来越复杂化，同时系统故障也越来越多样化和复杂化，因此需要对复杂系统的故障和危险进行有效的诊断，减少故障时间[1]。近年来，基于图论的许多诊断方法得到了学术界和工业界的快速发展，如键合图、信号流图、故障树和有向图等[2-5]。贝叶斯网络是由一系列变量和有向边组成的有向无环图，对于处理不确定性的概率知识表达和推理具有巨大作用[6]，并且已被广泛应用于各种领域的故障诊断。韩璞等[7]提出贝叶斯网络和主成分分析法相结合，通过对主成分分析方法提取故障特征的讨论，建立贝叶斯网络故障诊断模型，实例表明，该方法模型简洁、易于推理，提高了汽轮机故障诊断的效率。由于故障具有多层次性、耦合性和随机性，以及故障信息不完整性等特点，仝兆景等[8]基于贝叶斯网络和振动频谱分析相结合，根据专家经验将故障源和故障现象数值化，并运用改进的优化分簇算法构建模型，实验表明该方法对不确定信息的推理和估计具有较好的诊断效果。张歆炀等[9]提出基于故障树和键合图理论构建贝叶斯网络模型，该方法可以对异常元件准确定位并能提供元件对系统的影响程度，从而制定合理的检查和维护计划。 从目前对诊断技术的研究来看，大多数学者将诊断问题的核心集中于诊断的准确性上，但是我们也应该考虑诊断的经济性问题。杨承刚等[10]在对汽轮机进行诊断时采取故障树转换二元决策图方法，并通过定性分析、定量分析和监控技术，得到发生概率的大小，从而进行排序诊断。卿黎等[11]在此方法的基础上提出故障树方法和FMECA相结合对锅炉承压部件失效模式进行分析，不再单从概率大小进行排序，而结合考虑承压部件的材料性能、焊接工艺及设备复杂工况进行研究，从而得到综合危害度等级，然后进行排序诊断。由于目前的大型系统越来越复杂化和不确定性问题突出，而贝叶斯网络技术是解决不确定性问题的最优选择，表现形式以有向无环图方式，使得复杂问题更加清晰直观，因此，本文在前人的基础上进一步改进，将贝叶斯网络诊断技术结合模糊综合评判方法，综合考虑故障概率、诊断方法难易、检测速度和准确性等，实现故障诊断的优化。 1贝叶斯网络故障诊断 贝叶斯网络是基于概率分析、数理统计和图论相结合，用于解决不确定性和不完整性问题而提出的一种人工智能方法[12-14]。贝叶斯网络是一个有向无环图，网络图中的节点代表随机变量，且每个节点变量是相互独立的、有条件的，节点之间的有向边代表着两者之间的因果关系，图中的每个节点都有其概率分布，根节点附有先验概率，非根节点附有条件概率分布。图1为贝叶斯网络模型的一个简单示意图。 利用贝叶斯网络进行推理，就是根据网络图的结构，计算条件频率分布。在图1的贝叶斯网络示意图中，把各变量所附的概率分布相乘得到联合概率分布，即 利用贝叶斯网络进行故障诊断主要包括3个方面：第一，建立贝叶斯网络诊断模型；第二，确定模型的先验概率和条件概率；第三，对模型进行诊断推理。 贝叶斯网络诊断模型的建立主要是确定模型中的节点，以及节点之间的相互因果关系。模型的建立主要依靠资料收集、查找文献和专家意见。资料收集是根据系统在实际运行过程中的日常检查维护资料，以及发生过故障的历史资料；查找文献是根据科研人员对系统的研究，以及研究所运用的方法，如事件树、事故树[15]等，根据这些方法确定贝叶斯网络的节点及因果关系；专家意见法主要采用因果关系调查问卷，文[16]有具体的阐述，此方法是根据专家在该领域的知识和经验填写问卷，然后由知识工程师建立专家系统的知识库，最后根据规则知识库构建贝叶斯网络。 模型的先验概率获得，对于存在历史数据的节点，采取依据历史数据的方法，根据历史数据中近些年来根节点发生故障的次数，计算其故障发生频率，即为根节点发生故障概率；对于历史数据残缺或没有历史数据的根节点，采取专家经验的方法，主要根据专家经验给出，将专家的语言变量进行模糊化处理，得到精确概率[17]。条件概率的得到是由节点的逻辑关系，如事故树的逻辑门一样，由概率表的形式给出，对于具体的系统应该具体分析。 模型的诊断推理，在给定网络模型结构、根节点先验概率和节点之间的条件概率后，制定故障证据，在给定网络模型结构、根节点先验概率和节点之间的条件概率后，制定故障证据，然后进行推理，可以得到对应于此状态下的根节点发生概率qi。 2模糊综合评判 模糊综合评判是对各个元部件的检测方法难易程度、检测速度、检测的准确性和检测的经济性等的评估。 21建立因素集 针对评估对象的影响因素建立各个因素的集合，用U表示，即U=（u1，u2，u3，u4），u1～u4分别为检测方法难易程度、检测速度、检测的准确性和检测的经济性。 22建立评价集 根据某个系统的实际运行情况，获得系统在运行过程中的故障信息，对诊断结果进行语言评价，并划分为5个等级模式，建立集合，语言变量由领域专家结合故障影响给出，评价集用V表示，V={v1，v2，v3，v4，v5}，v1～v5分别表示很低、低、中等、高、很高5个等级。打分标准由表1所示： 将语言变量用隶属函数表示，隶属函数包括三角形分布、正态分布、梯形分布和LR型分布等，参照三角形分布的[18]优势，处理问题容易方便，故采用三角形分布来处理评价集的语言变量。 23建立单因素评判矩阵 对每个因素进行打分，分值按百分制计算，得到的分数代入三角形分布中，归一化处理后，得到每个因素的影响矩阵。三角形分布如图2所示： 24建立因素权重集 因素权重集是某一因素对系统发生故障的影响程度的集合，因素的权数由层次分析法获得，层次分析法能有效减少专家主观因素的影响。 层次分析法是将因素进行两两比较，同等重要为1，稍微重要为3，明显重要为5，强烈重要为7，绝对重要为9。经归一化处理，得到相应权重集Ai。第i个元部件的因素权重集表达式为： Ai=A1iA2iA3iA4i 25建立模糊综合评判 模糊综合评判的确定是根据因素权重集和因素评判矩阵共同决定，其表达式为： Bi=Ai·Ri=b1ib2ib3ib4ib5i 3结合模糊评判的BN诊断 模糊评判的贝叶斯网络诊断方法是贝叶斯网络对后验概率的诊断结果再结合各个元部件的检测方法难易程度、检测速度、检测的准确性和检测的经济性的模糊评判，建立的诊断方法。该方法不仅具有贝叶斯网络处理不确定性问题的优势，而且结合了多因素影响的综合评判，使得利用贝叶斯网络故障诊断更具科学性、合理性。 针对贝叶斯网络对系统故障的诊断得到各元部件发生概率的精确值qi，结合各因素的模糊综合评判，得到诊断效果的综合值，从而确定维修的先后顺序。结合概率的综合评判Di表达式为： Di=di·qi=（∑5n=1n·bni）·qi（1） 式中：di为第i个部件的模糊综合评判权重值； qi为通过贝叶斯网络诊断得到的第i个部件后验概率； n为危害度等级，n=1，2，3，4，5； bni為第i个部件第n等级的模糊评判。 因此可以得到结合概率的模糊综合危害度，并确定维修顺序，优化维修模型。 4滚动轴承故障诊断与分析 下面以风电机组齿轮箱的滚动轴承为例，滚动轴承作为齿轮箱的关键部件，承载着载荷和传递力矩；由于风电机组运行环境极其恶劣，因此滚动轴承也极易发生故障、造成巨大的经济损失，因此，对滚动轴承进行故障诊断意义重大。 41建立模型 滚动轴承故障主要有轴承过热，轴承疲劳损伤和轴承配合间隙过大等原因。通过历史数据和专家经验得到滚动轴承的贝叶斯网络诊断模型如图3所示： 5结论 通过案例可以发现，利用贝叶斯网络对滚动轴承进行诊断时，得到油过少（X2）是滚动轴承发生故障的主要原因，需要最先进行解决；而贝叶斯网络诊断结合模糊综合评判，当考虑了检测方法难易程度、检测速度、检测的准确性和检测的经济性等问题时，传感器故障（X3）是滚动轴承发生故障的主要原因。通过两种方法对比，可以明确，结合模糊综合评判的贝叶斯网络诊断方法能对诊断进行全面的分析，寻求最优化诊断方法，更符合实际过程中对于诊断的要求，使诊断更有效、更具经济性。但是目前国内外对于贝叶斯网络诊断技术和因素的模糊综合评判相结合方面研究较少，需要我们在此方面做进一步研究。本文所提方法将诊断技术进行完善，完成诊断的优化，同时也可作为对大型复杂诊断过程中的参考，推广性强。 参 考 文 献： [1]LIU Y J， MENG Q H， ZENG M， et al Fault Diagnosis Method Based on Probability Extended SDG and Fault Index[C]// World Congress on Intelligent Control and Automation 2016：2868-2873 [2]GHOSHAL S K， SAMANTARAY A K Bond Graph Modelbased Fault Diagnosis[J]. Bond Graph Modelling of Engineering Systems， 2011：227-265 [3]HE W， WANG Y， XING K， et al ErrorRate Estimation Based on MultiSignal Flow Graph Model and Accelerated Radiation Tests[J]. Plos One， 2016， 11（9）：e0161378 [4]BALAKRISHNAN N Fault Tree Analysis for Medical Applications[J]. Dependability in Medicine & Neurology， 2015：83-112 [5]MOUSAZADEH S， COHEN I Embedding and Function Extension on Directed Graph[J]. Signal Processing， 2015， 111（C）：137-149 [6]LIU Z， LIU Y， SHAN H， et al A Fault Diagnosis Methodology for Gear Pump Based on EEMD and Bayesian Network[J]. Plos One， 2015， 10（5）：e0125703 [7]韓璞， 张德利， 韩晓娟，等 基于主成分分析法与贝叶斯网络的汽轮机故障诊断方法[J]. 热能动力工程， 2008， 23（3）：244-247 [8]仝兆景， 石秀华， 王文斌，等 基于优化分簇贝叶斯网的转子振动故障诊断[J]. 振动、测试与诊断， 2014， 34（2）：237-241 [9]张歆炀， 帕孜来·马合木提，等 基于故障树与键合图的贝叶斯网络故障诊断[J]. 电测与仪表， 2016， 53（2）：21-26 [10]杨承刚， 朝格图胡日都， 李茂林，等 汽轮机故障树诊断方法研究及应用[J]. 装备制造技术， 2014（11）：50-54 [11]卿黎， 张胜跃， 张宇栋，等 电站锅炉承压部件失效模式分析[J]. 安全与环境学报， 2016（4）：17-22 [12]沈琳， 于劲松， 唐荻音，等 图模型与学习算法结合的贝叶斯网络自动建模[J]. 北京航空航天大学学报， 2016， 42（7）：1486-1493 [13]邱小平， 刘亚龙， 马丽娜，等 基于贝叶斯网络的车辆换道模型[J]. 交通运输系统工程与信息， 2015， 15（5）：67-73 [14]蔡朝晖， 张健沛， 杨静 基于贝叶斯网络的路网位置匿名区域估计[J]. 吉林大学学报（工）， 2014， 44（2）：454-458 [15]任岩， 毕亚雄， 王德宽，等 风电机组传动链的故障树智能诊断技术[J]. 排灌机械工程学报， 2016（4）：328-331 [16]HU XX，WANG H，WANG S，etcUsing Experts Knowledge to Build Bayesian Networks[C]. Harbin 2007 International Conference on Computational Intelligence and Security Workshops，2007：220-223 [17]马德仲， 周真， 于晓洋，等 基于模糊概率的多状态贝叶斯网络可靠性分析[J]. 系统工程与电子技术， 2012， 34（12）：2607-2611 [18]张华杰 三角形隶属度函数模糊神经在肺癌诊断中的应用（英文）[J]. 生物技术世界， 2013（4）：69-70 [19]张金彪 基于贝叶斯网络的风力发电机齿轮箱故障分析[D]. 哈尔滨：哈尔滨理工大学， 2012 [20]孙凯帆， 阚树林， 曹召锋，等 基于模糊FMECA的液压系统可靠性分析[J]. 液压气动与密封， 2014， 34（5）：26-29 （编辑：王萍） |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。