《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 嵌入式技術(shù) > 設(shè)計應(yīng)用 > 基于模糊貝葉斯網(wǎng)絡(luò)的叉裝車制動系統(tǒng)故障診斷研究
基于模糊貝葉斯網(wǎng)絡(luò)的叉裝車制動系統(tǒng)故障診斷研究
2016年微型機與應(yīng)用11期
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(jié)合模糊集理論和貝葉斯網(wǎng)絡(luò)的模糊貝葉斯網(wǎng)絡(luò)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(zhuǎn)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(luò)推理進行故障的診斷,提高了貝葉斯網(wǎng)絡(luò)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。
Abstract:
Key words :

  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(jié)合模糊集理論貝葉斯網(wǎng)絡(luò)的模糊貝葉斯網(wǎng)絡(luò)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(zhuǎn)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(luò)推理進行故障的診斷,提高了貝葉斯網(wǎng)絡(luò)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(guān)鍵詞:叉裝車;制動系統(tǒng);模糊集理論;貝葉斯網(wǎng)絡(luò);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(fù)雜,出現(xiàn)故障時呈現(xiàn)多層次、偶然性、不確定性、復(fù)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(luò)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(fù)雜系統(tǒng)故障診斷問題。鑒于此,唐宏賓等人提出了基于TS模糊故障樹的設(shè)備故障診斷方法[1],但該模型只能單向推力且運算復(fù)雜,無法在實際中推廣。貝葉斯網(wǎng)絡(luò)是圖論和概率論相結(jié)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(lǐng)域最有效的理論模型之一,對于解決復(fù)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(luò)在實際應(yīng)用中,由于故障的復(fù)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(dǎo)致部件的故障概率和事件的邏輯關(guān)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(jié)合模糊理論和貝葉斯網(wǎng)絡(luò)的模糊貝葉斯網(wǎng)絡(luò)診斷方法,結(jié)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(luò)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(luò)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(jié)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(zhuǎn)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(yīng)的隸屬度函數(shù)如圖1所示。

 

001.jpg

  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(yīng)的模糊數(shù)形式如表1所示。

004.jpg

        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(quán)求和的模糊數(shù)合成方式來綜合多個專家的評判結(jié)果[5]。令wj表示第j位專家的權(quán)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(quán)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(gòu)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(quán)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(zhuǎn)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(yīng)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:

  {YESU{SR[%0Q34Z[7KB`LDC.png

2建立貝葉斯網(wǎng)絡(luò)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(gòu)兩大部分,制動傳動機構(gòu)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(gòu)故障。據(jù)相關(guān)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(guān)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(jié)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(zhuǎn)化為貝葉斯網(wǎng)絡(luò)模型

  將故障樹模型轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)模型,是構(gòu)建貝葉斯網(wǎng)絡(luò)簡單而有效的方法。轉(zhuǎn)化時,故障樹中的底事件、中間事件和頂事件分別對應(yīng)貝葉斯網(wǎng)絡(luò)中的根節(jié)點、中間節(jié)點和葉節(jié)點,事件的輸入輸出關(guān)系對應(yīng)貝葉斯網(wǎng)絡(luò)中的父子節(jié)點的因果關(guān)系[9]。底事件的先驗概率直接轉(zhuǎn)化為根節(jié)點的先驗概率,邏輯關(guān)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(luò)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(luò)模型如圖3所示。

  

003.jpg

  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(yīng){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(quán)重如表3所示。 

006.jpg

  結(jié)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(luò)根節(jié)點的先驗概率,如表4所示。

007.jpg

  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(luò)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。

008.jpg

  3貝葉斯網(wǎng)絡(luò)模型的仿真與分析

  貝葉斯網(wǎng)絡(luò)構(gòu)造完成后,本文采用GeNIe軟件進行貝葉斯網(wǎng)絡(luò)模型的仿真,通過更新證據(jù)節(jié)點的信息來更新網(wǎng)絡(luò)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(jié)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。

009.jpg

  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(yīng)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(yīng)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(luò)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(jié)論

  本文將模糊集理論與貝葉斯網(wǎng)絡(luò)相結(jié)合,提出一種基于模糊貝葉斯網(wǎng)絡(luò)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(jié)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(gòu)建貝葉斯網(wǎng)絡(luò)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(luò)方法在故障診斷中的具體應(yīng)用,并進行了模型仿真。分析結(jié)果表明該方法能夠結(jié)合模糊集和貝葉斯網(wǎng)絡(luò)的優(yōu)點,提高了貝葉斯網(wǎng)絡(luò)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(yīng)用研究,2012,29(2):561564.

  [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):925932.

 ?。?] 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):102106.

  [4] WICKENS C D.Engineering psycology and human performance [M].New York:Harper Collins Publishers Inc.,1992.

 ?。?] 呂婷,楊濤,韓賓,等.基于模糊貝葉斯網(wǎng)絡(luò)的堆垛機系統(tǒng)可靠性分析[J].計算機應(yīng)用研究,2014,31(12):36323636.

 ?。?] 張友鵬,王峰,張珊,等.基于模糊貝葉斯網(wǎng)絡(luò)的鐵路時間同步網(wǎng)可靠性分析[J].鐵道學報,2015,34(9):7880.

 ?。?] 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(luò)可靠性分析[J].系統(tǒng)工程與電子技術(shù),2012,34(12):26072611.

 ?。?] 陳東寧,姚玉成.基于模糊貝葉斯網(wǎng)絡(luò)的多態(tài)系統(tǒng)可靠性分析及在液壓系統(tǒng)中的應(yīng)用[J].機械工程學報,2012,48(16):175183.

 ?。?] 陸瑩,李啟明,周志鵬. 基于模糊貝葉斯網(wǎng)絡(luò)的地鐵運營安全風險預(yù)測[J].東南大學學報(自然科學版),2010,40(5):11101114.


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。