何友奇1,，蔣新華1,2,，聶明星1,2
(1. 中南大學 信息科學與工程學院，湖南 長沙 410083,； 2. 福建工程學院 信息科學與工程學院,，福建 福州 350108)
摘要：為解決因缺乏實際數(shù)據(jù)而無法準確計算叉裝車制動系統(tǒng)部件的故障概率問題，提出一種結合模糊集理論和貝葉斯網(wǎng)絡的模糊貝葉斯網(wǎng)絡故障診斷方法,。該方法利用模糊數(shù)表達故障發(fā)生的可能性,，將專家給出的節(jié)點故障概率主觀語言評判值轉換為模糊數(shù)，經(jīng)過解模糊后得到精確值,，再利用貝葉斯網(wǎng)絡推理進行故障的診斷,，提高了貝葉斯網(wǎng)絡對模糊信息和不確定信息的處理能力。通過GeNIe軟件對所建立的叉裝車制動系統(tǒng)故障診斷模型仿真分析,，驗證了該方法的有效性,。
關鍵詞：叉裝車,；制動系統(tǒng)；模糊集理論,；貝葉斯網(wǎng)絡,；故障診斷
0引言
石材礦山叉裝車是目前石材礦山開采中使用的重要工程機械，集機,、電,、儀、液及數(shù)字信息為一體,，主要用于石材礦山荒料場石材荒料的鏟運及堆垛,。石材礦山通常環(huán)境惡劣，粉塵大,，山路崎嶇，雨天泥濘路滑,，一旦叉裝車的制動系統(tǒng)在工作過程中出現(xiàn)故障,，很容易發(fā)生重大事故。因此對叉裝車制動系統(tǒng)進行故障診斷研究具有重大意義,。
叉裝車的制動系統(tǒng)比較復雜,，出現(xiàn)故障時呈現(xiàn)多層次、偶然性,、不確定性,、復雜性等特點，使得故障很難確定,。在工程機械故障診斷中常用的方法有故障樹分析法和貝葉斯網(wǎng)絡等,。故障樹分析法無法有效解決存在多態(tài)性和不確定性的復雜系統(tǒng)故障診斷問題。鑒于此,，唐宏賓等人提出了基于TS模糊故障樹的設備故障診斷方法［1］,，但該模型只能單向推力且運算復雜，無法在實際中推廣,。貝葉斯網(wǎng)絡是圖論和概率論相結合的產(chǎn)物,，經(jīng)過幾十年的發(fā)展已成為目前不確定知識表達和推理領域最有效的理論模型之一，對于解決復雜系統(tǒng)不確定性因素引起的故障具有很大優(yōu)勢［2］,。然而貝葉斯網(wǎng)絡在實際應用中,，由于故障的復雜性、不確定性,、歷史數(shù)據(jù)的缺乏以及系統(tǒng)所處環(huán)境的變化,，導致部件的故障概率和事件的邏輯關系難以用精確的數(shù)值表達，呈現(xiàn)模糊性［3］,。因此,，本文針對叉裝車制動系統(tǒng)故障特點,，提出一種結合模糊理論和貝葉斯網(wǎng)絡的模糊貝葉斯網(wǎng)絡診斷方法，結合專家語義評判和模糊集理論,，用模糊數(shù)表達故障發(fā)生的可能性,，經(jīng)過解模糊后利用貝葉斯網(wǎng)絡推理進行故障的診斷，并通過GeNIe軟件仿真分析,，驗證了本文方法的有效性,。
1基于模糊集理論的概率分析
針對貝葉斯網(wǎng)絡中節(jié)點的先驗概率和條件概率表因為歷史數(shù)據(jù)缺乏而難以用精確數(shù)值表達這一問題，本文結合專家語義評判和模糊集理論進行處理,。
1.1專家評判意見模糊化
在缺乏實際數(shù)據(jù)時,，根據(jù)專家意見確定節(jié)點的先驗概率和條件概率表是一種有效的方法。為了將專家的語言變量轉化成定量的模糊數(shù),，本文采用Wickens的評判7級理論表述專家的評判意見［4］,，即把專家評判的事件發(fā)生的概率從高到低分為很高(VH)、高(H),、較高(FH),、中等(M)、較低(FL),、低(L),、很低(VL)7個等級，用三角(梯形)模糊數(shù)進行模糊化處理,。7個等級所對應的隸屬度函數(shù)如圖1所示,。
為便于計算和表示，將三角(梯形)模糊數(shù)統(tǒng)一用F=(a,b,c,d)來表示,，a和d分別代表下限和上限,，區(qū)間［b,c］代表隸屬度為1的區(qū)域。當b=c時,，F(xiàn)為三角模糊數(shù),否則為梯形模糊數(shù),。7個等級的模糊語言與其對應的模糊數(shù)形式如表1所示。
1.2專家模糊評判的合成
為了能夠更準確地利用模糊數(shù)來量化事件的發(fā)生概率,，有必要對多個專家的語義評判進行合成,。本文采用加權求和的模糊數(shù)合成方式來綜合多個專家的評判結果［5］。令wj表示第j位專家的權重值(j=1,2,...,l),，F(xiàn)ji表示第j位專家對第i個事件的語義評判模糊數(shù)(i=1,2,...,m),，則事件i的綜合評判可表示為：
Mi=w1F1i⊕w2F2i⊕…⊕wlFli(1)
其中Mi即為多位專家對事件i的綜合評判值。根據(jù)多元擴展原理,，兩個模糊數(shù)的求和運算如下：
A⊕B=(a1,b1,c1,d1)⊕(a2,b2,c2,d2)
=(a1+a2,b1+b2,c1+c2,d1+d2)(2)
由上式可知,，Mi是一個模糊數(shù)。
對于參與評判的l位專家的權重值，本文采用層次分析法來分析［6］,。根據(jù)專家的自然屬性(如學歷,、職稱、工齡等)取n項因素組成準則層{Bi|i=1,2,...,n},，每項準則細分得到s個級別(如學歷可分為博士,、碩士、本科,、?？频?，構成該準則層下的子準則層{Bij|i=1,2,...,n;j=1,2,...s},，由l位專家組成方案層{Ak|k=1,2,...,l},，采用層次分析法來計算每位專家的權值。
1.3解模糊方法
對于得到的專家針對事件i的綜合評判Mi需要進行解模糊處理,。本文采用均值面積法對模糊數(shù)進行解模糊處理［7］,，將模糊概率轉化為精確的概率值。對于模糊數(shù)F=(a,b,c,d),，其解模糊后的精確概率值為:
P=(a+b+c+d)/4(3)
1.4概率的歸一化
如果一個節(jié)點Xi具有多態(tài)性,，狀態(tài)數(shù)為n，則各個狀態(tài)的概率之和應滿足和為1的條件,。因此需要對節(jié)點各狀態(tài)的精確概率進行歸一化處理［8］。節(jié)點Xi處于狀態(tài)j的精確概率為：
2建立貝葉斯網(wǎng)絡模型
2.1故障樹建模
WSM993T18型輪式叉裝車使用的是雙管路氣頂油鉗盤式制動系統(tǒng),，包括鉗盤式制動器和氣液綜合式制動傳動機構兩大部分,，制動傳動機構包括的主要部件有空氣壓縮機、儲氣筒,、氣壓表,、氣液制動總泵(加力器)、油水分離器,、雙管路氣制動閥等,。因此，制動系統(tǒng)的故障可以分為兩部分：一部分是制動器本身的故障,，另一部分是制動傳動機構故障,。據(jù)相關資料統(tǒng)計，后者的故障發(fā)生頻率遠遠高于前者,。
表2事件列表代號事件名稱T叉裝車制動不靈M1摩擦片與制動盤間摩擦系數(shù)小M2摩擦片故障M3制動油壓低M4制動閥輸出氣壓低M5儲氣筒氣壓低X1摩擦片有油污X2磨損過甚X3表面硬化X4管路漏油X5油管路阻塞X6制動閥膜片破裂X7通氣孔阻塞X8制動踏板自由行程太大X9管路漏氣X10放污開關松動X11油水分離器濾芯阻塞X12空氣壓縮機工作無力制動系統(tǒng)工作過程為：發(fā)動機帶動空壓機排出的壓縮空氣經(jīng)油水分離器后進入儲氣筒,，調(diào)壓后壓力值約為0.68～0.7 MPa,儀表盤上氣壓表可顯示氣壓,從儲氣筒出來的氣體通過氣制動閥的進氣口進入制動腔。制動時,踩下制動踏板,由氣制動閥出來的兩路氣體分別與前后加力器連通,加力器排出高壓制動液通過管路充入鉗盤制動器的分泵,，推動活塞將制動器的摩擦片壓緊制動盤實施制動,；同時,在通往前加力器的壓縮空氣中分出一路通往變速器切斷閥，使變速器脫擋,切斷動力。
本文以制動系統(tǒng)常見的故障“制動不靈”為例來分析,。制動不靈的現(xiàn)象為踩下制動踏板進行車輛制動時,，明顯感覺制動滯后，不能立即減速,，緊急制動時制動距離太大,。根據(jù)叉裝車制動系統(tǒng)工作原理并結合專家意見，以“制動不靈”為故障樹頂事件建立起如圖2所示的故障樹模型,。其中各事件的代號,、事件名稱如表2所示。
2.2將故障樹模型轉化為貝葉斯網(wǎng)絡模型
將故障樹模型轉化為貝葉斯網(wǎng)絡模型,，是構建貝葉斯網(wǎng)絡簡單而有效的方法,。轉化時，故障樹中的底事件,、中間事件和頂事件分別對應貝葉斯網(wǎng)絡中的根節(jié)點,、中間節(jié)點和葉節(jié)點，事件的輸入輸出關系對應貝葉斯網(wǎng)絡中的父子節(jié)點的因果關系［9］,。底事件的先驗概率直接轉化為根節(jié)點的先驗概率,，邏輯關系用條件概率表表達。本文使用GeNIe軟件來建立貝葉斯網(wǎng)絡模型,，并進行仿真,。GeNIe是匹茲堡大學決策系統(tǒng)實驗室開發(fā)的用于建立圖形化的決策理論模型的一個多功能、用戶友好的開發(fā)環(huán)境,。根據(jù)圖2和表2使用GeNIe軟件建立的貝葉斯網(wǎng)絡模型如圖3所示,。
2.3根節(jié)點的故障先驗概率計算
因為缺乏詳細的叉裝車制動系統(tǒng)故障的歷史統(tǒng)計數(shù)據(jù)，因此邀請叉裝車廠家三位經(jīng)驗豐富的專家對故障發(fā)生可能性作分值為1~7的7分制評判,，分別對應{很低,，低，較低,，中等,，較高，高,，很高},。專家信息及由層級分析法所得的權重如表3所示。
結合三位專家對根節(jié)點故障可能性的評分,，計算得到貝葉斯網(wǎng)絡根節(jié)點的先驗概率,，如表4所示。
2.4條件概率表的計算
在確定了根節(jié)點先驗概率后,，還需計算貝葉斯網(wǎng)絡其他節(jié)點的條件概率表,。節(jié)點處的條件概率表的計算方式與根節(jié)點相同，都是專家對故障概率進行語義評判，再綜合專家評判意見,。以中間節(jié)點M2的條件概率表的計算為例進行說明,，如表5所示。其他節(jié)點的條件概率表的計算采用相同的方法,，不再贅述,。本文中的節(jié)點均具有正常/故障兩種狀態(tài)，分別用狀態(tài)0和狀態(tài)1表示,。
3貝葉斯網(wǎng)絡模型的仿真與分析
貝葉斯網(wǎng)絡構造完成后,，本文采用GeNIe軟件進行貝葉斯網(wǎng)絡模型的仿真，通過更新證據(jù)節(jié)點的信息來更新網(wǎng)絡其他節(jié)點的概率信息,，進行故障的診斷和分析,。
儲氣筒的氣壓值由叉裝車上的氣壓表實時指示。制動系統(tǒng)的油管直徑比較小,，壓力又較高,，可以在現(xiàn)場用外卡壓力傳感器進行測試。因此代表制動油壓低的節(jié)點M3,，代表儲氣筒氣壓低的節(jié)點M5,，這兩個節(jié)點可以作為觀測節(jié)點(證據(jù)節(jié)點)。本文對以下六種情況進行了仿真：
(1)T=1,；
(2)T=1,，M3=0;
(3)T=1，M3=1;
(4)T=1,，M3=1,，M5=0;
(5)T=1，M3=1,，M5=0,X6=0;
(6)T=1，M3=1,，M5=1,。
仿真結果如表6所示，表中列出了六種情況下根節(jié)點的后驗概率,。
在表6中,，對于情況(1)，沒有證據(jù)節(jié)點信息僅已知T=1,，即出現(xiàn)制動不靈故障,，此時節(jié)點X6的后驗概率最高，為0.286,，說明X6最有可能出現(xiàn)故障,，與實際相符。
對比情況(1)和(2),可知在更新證據(jù)節(jié)點M3=0后，M3的父節(jié)點的后驗概率都大大減小,，節(jié)點X1,、X2、X3的后驗概率均變大,，與實際情況相符,。此時節(jié)點X2的后驗概率最大，為0.293,，說明在制動失靈且制動油壓正常的情況下,，X2最有可能出現(xiàn)故障。
對比情況(3)和(4)可知,，這兩種情況下,，X6的后驗概率均為最大，最有可能出現(xiàn)故障,，在(4)中更新證據(jù)節(jié)點M5=0后,，節(jié)點X4、X5,、X6,、X7、X8的后驗概率都明顯變大,，與實際相符,。
對比情況(4)和(6)可知，在(4)中,，節(jié)點X6的后驗概率為最大,，最有可能出現(xiàn)故障。在(6)中,，當證據(jù)信息由“M5=0”變?yōu)椤癕5=1”后,，節(jié)點X11的后驗概率最大，最有可能出現(xiàn)故障,。此時節(jié)點概率X11>X10>X6,，故障排查的順序應為X11、X10,、X6,。
由情況(4)知，在T=1,、M3=1,、M5=0時，X6的后驗概率最大,，最有可能出現(xiàn)故障,，應首先排查,。如果經(jīng)排查X6正常，即制動閥膜片正常,，則可以把“X6正?！弊鳛橐粋€新的證據(jù)信息輸入到模型里再進行推理，即情況(5),。在(5)中,，加入X6=0這一新的證據(jù)后，節(jié)點X4,、X5,、X7、X8的后驗概率都變大,，此時X5概率最大,，說明X5最有可能出現(xiàn)故障，與實際相符,。
利用貝葉斯網(wǎng)絡進行故障診斷,，可以充分利用已經(jīng)確認的故障原因節(jié)點的信息，以此作為新的證據(jù)進行推理,，這也是比故障樹模型更優(yōu)越的地方,。
4結論
本文將模糊集理論與貝葉斯網(wǎng)絡相結合，提出一種基于模糊貝葉斯網(wǎng)絡的叉裝車制動系統(tǒng)故障診斷方法,。該方法利用模糊數(shù)結合專家語義評判,，通過專家的經(jīng)驗獲得節(jié)點故障發(fā)生的可能性，再通過解模糊處理得到具體的故障概率值,，用其構建貝葉斯網(wǎng)絡模型中各節(jié)點的條件概率表,，解決了因數(shù)據(jù)缺乏所引起的節(jié)點故障概率的不確定性問題。
以叉裝車制動系統(tǒng)的故障診斷為例,，介紹了所提出的模糊貝葉斯網(wǎng)絡方法在故障診斷中的具體應用,，并進行了模型仿真。分析結果表明該方法能夠結合模糊集和貝葉斯網(wǎng)絡的優(yōu)點,，提高了貝葉斯網(wǎng)絡處理模糊信息與不確定信息的能力,，在故障診斷中具有較強的工程實用價值。
參考文獻
?。?］ 唐宏賓,吳運新.基于模糊故障樹混凝土泵車泵送液壓系統(tǒng)故障診斷［J］.計算機應用研究,2012,29(2):561564.
［2］ KHAKZAD N,KHAN F,AMYOTTE P.Safety analysis in process facilities:comparison of fault tree and Beyesian network approches ［J］.Reliability Engineering and System Safety,2011,96(8):925932.
?。?］ 呂霞付,羅萍.模糊貝葉斯網(wǎng)的變壓器故障診斷［J］.電力系統(tǒng)及其自動化學報,2012,24(2):102106.
?。?］ WICKENS C D.Engineering psycology and human performance ［M］.New York：Harper Collins Publishers Inc.,1992.
［5］ 呂婷,楊濤,韓賓,，等.基于模糊貝葉斯網(wǎng)絡的堆垛機系統(tǒng)可靠性分析［J］.計算機應用研究,2014,31(12):36323636.
?。?］ 張友鵬,王峰,張珊,，等.基于模糊貝葉斯網(wǎng)絡的鐵路時間同步網(wǎng)可靠性分析［J］.鐵道學報,2015,34(9):7880.
［7］ 馬德仲,周真,于曉陽,，等.基于模糊概率的多狀態(tài)貝葉斯網(wǎng)絡可靠性分析［J］.系統(tǒng)工程與電子技術,2012,34(12):26072611.
?。?］ 陳東寧,姚玉成.基于模糊貝葉斯網(wǎng)絡的多態(tài)系統(tǒng)可靠性分析及在液壓系統(tǒng)中的應用［J］.機械工程學報,2012,48(16):175183.
［9］ 陸瑩,李啟明,周志鵬. 基于模糊貝葉斯網(wǎng)絡的地鐵運營安全風險預測［J］.東南大學學報(自然科學版),2010,40(5):11101114.