專利名稱：一種基于貝葉斯網(wǎng)絡(luò)的壓縮機關(guān)聯(lián)故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明屬于機械設(shè)備故障診斷等領(lǐng)域，涉及不確定性知識和關(guān)聯(lián)性知識的推理， 具體涉及一種基于工況、操作-故障-征兆三層貝葉斯診斷網(wǎng)絡(luò)的機械故障診斷知識的推 理與表達技術(shù)。
背景技術(shù)：
隨著現(xiàn)代工業(yè)設(shè)備和系統(tǒng)日益大型化和復(fù)雜化，各種機械間的聯(lián)系日益密切，常 常會產(chǎn)生設(shè)備間的關(guān)聯(lián)故障。石化生產(chǎn)中，以大型壓縮機組為中心的設(shè)備群是動設(shè)備的“心 臟”，由壓縮機為主機、中小型機泵為輔機構(gòu)成，其運行轉(zhuǎn)速高、故障危害大、主輔機狀態(tài)關(guān) 聯(lián)程度大，一直是監(jiān)測診斷技術(shù)研究的重點對象。傳統(tǒng)的診斷方法和理論對單過程、單故障 和漸發(fā)性故障的簡單系統(tǒng)可以發(fā)揮較好的作用，然而對于多過程、多故障和突發(fā)性故障以 及復(fù)雜龐大的壓縮機系統(tǒng)，傳統(tǒng)的以設(shè)備或測點為對象的監(jiān)測診斷技術(shù)難以滿足其安全保 障要求。在這種背景下，如何充分利用壓縮機設(shè)備群間的相互聯(lián)系，以指導(dǎo)未知故障的判 斷，引起了人們的極大興趣。從本質(zhì)上來說，壓縮機故障診斷是一個典型的不確定性知識處 理問題，即由征兆反求故障的一個逆向過程，因而如何實現(xiàn)機械故障診斷中不確定性知識 的推理和表達就成為一個關(guān)鍵問題。以往的貝葉斯網(wǎng)絡(luò)在設(shè)備故障診斷領(lǐng)域的應(yīng)用大多基于故障-征兆的質(zhì)樸型診 斷網(wǎng)絡(luò)，這種拓撲結(jié)構(gòu)忽略了特定診斷對象所關(guān)聯(lián)的具體的運行環(huán)境和條件，即設(shè)備的實 際運行工況，而這些面向?qū)ο蟮脑\斷知識往往對診斷結(jié)果起著決定性的影響。例如，工作介 質(zhì)，有的易于結(jié)垢、有的帶有腐蝕性、有的進氣與排氣溫差大等，這些工況信息在判斷設(shè)備 故障時就是很重要的依據(jù)。除此以外，設(shè)備發(fā)生的故障也可能與現(xiàn)場技術(shù)人員的操作不當 有關(guān)。同時，對于設(shè)備進行過的維修操作有利于我們排除一些故障的可能性，如動平衡等。機械故障診斷是一個不確定性的問題求解過程，為了在診斷過程中集成定性信息 和定量信息，充分利用多源信息的功能，以一種更為簡潔直觀的方式闡述故障與其原因及 征兆之間復(fù)雜的因果關(guān)系和條件關(guān)系，迫切需要一種新的診斷方法，以滿足壓縮機設(shè)備群 的關(guān)聯(lián)故障診斷的需要。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服傳統(tǒng)的以設(shè)備或測點為對象的監(jiān)測診斷技術(shù)之不足，提供 一種基于工況、操作_故障_征兆的三層貝葉斯網(wǎng)絡(luò)的機械診斷知識的推理與表達技術(shù)， 適應(yīng)于對壓縮機設(shè)備群進行關(guān)聯(lián)分析診斷，通過建立適當?shù)脑\斷網(wǎng)絡(luò)和確定合理的先驗概 率，可以大大提高故障診斷的準確度和效率。本發(fā)明的基本操作步驟如下(1)首先充分地獲取有關(guān)壓縮機的信息，按一定的規(guī)則對工況操作信息、故障信 息、征兆信息進行組織，并確定工況操作層與故障層、故障層與征兆層節(jié)點間的因果關(guān)系， 建立網(wǎng)絡(luò)結(jié)構(gòu)；
(2獲取先驗概率信息，按照合適的原則對數(shù)據(jù)進行量化，確定工況操作層、故障 層、征兆層各個節(jié)點的條件概率；(3)根據(jù)已有的證據(jù)信息，利用基于Monte Carlo方法的近似仿真算法，獲取模擬 網(wǎng)絡(luò)狀態(tài)的仿真樣本，并據(jù)此樣本進行推理計算，得到各潛在故障的概率。具體操作步驟如下(1)按照一定的規(guī)則充分的獲取有關(guān)壓縮機的信息，這些信息既包括設(shè)備當前的 運行狀態(tài)，即其表現(xiàn)出來的征兆信息，還應(yīng)包括其操作記錄等；(2)按一定的規(guī)則對工況操作信息、故障信息、征兆信息進行組織，并確定工況操 作層與故障層、故障層與征兆層節(jié)點間的因果關(guān)系，建立基于工況操作-故障-征兆的三層 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)；(3)獲取先驗概率信息；(4)先驗概率信息主要來自領(lǐng)域?qū)＜?、壓縮機維護人員、測試技術(shù)人員和設(shè)備的歷 史統(tǒng)計數(shù)據(jù)四個方面，此外，還應(yīng)該包括來自壓縮機生產(chǎn)廠家以及類似設(shè)備的信息；(5)按照一定的規(guī)則對獲取到的先驗概率信息進行量化，確定工況操作層、故障 層、征兆層各個節(jié)點的先驗概率；(6)充分收集已有的證據(jù)信息；(7)利用基于Monte Carlo方法的近似仿真算法，獲取模擬網(wǎng)絡(luò)狀態(tài)的仿真樣本， 并據(jù)此樣本進行推理計算，得到各潛在故障的概率。所述的基于Monte Carlo方法的近似仿真算法(1)把圖形化的貝葉斯診斷網(wǎng)絡(luò)轉(zhuǎn)化成數(shù)字表達；(2)找出網(wǎng)絡(luò)節(jié)點的拓撲順序，依此拓撲順序?qū)W(wǎng)絡(luò)節(jié)點進行順序采樣；(3)對節(jié)點產(chǎn)生一個介于O和1之間的隨機數(shù)；(4)根據(jù)該節(jié)點所有父節(jié)點的采樣結(jié)果，提取出該節(jié)點此次采樣時的先驗條件概 率信息；對于根節(jié)點而言，每次采樣時均是其自身的先驗概率，不需要依賴其它節(jié)點的采樣
結(jié)果；(5)形成一個表征
的賭輪，并根據(jù)該節(jié)點的狀態(tài)數(shù)把一個賭輪分成幾個部 分，每個部分對應(yīng)該次先驗概率，判斷第三步產(chǎn)生的隨機數(shù)屬于哪個部分，據(jù)此給出節(jié)點的 采樣結(jié)果；(6)重復(fù)第三步到第五步，直到所有節(jié)點都采樣一遍，這樣就形成了一個樣本；(7)重復(fù)第三步到第六步，直到所有節(jié)點都采樣了 M遍，得到M個樣本，稱為一個樣 本序列Θ。這里M為樣本序列長度，也即貝葉斯診斷網(wǎng)絡(luò)總的采樣次數(shù)。(8)對樣本序列Θ按列進行單獨統(tǒng)計，就可以得到該節(jié)點的邊緣概率；對相關(guān)列 進行聯(lián)合統(tǒng)計，就可以得到這些節(jié)點間的聯(lián)合概率和條件概率。本發(fā)明所提出的基于工況操作-故障-征兆的三層貝葉斯診斷網(wǎng)絡(luò)用簡潔直觀的 圖形方式闡述故障與其原因及征兆之間復(fù)雜的因果關(guān)系和條件關(guān)系，在有限的、不完整、不 確定的信息條件下進行診斷推理，對系統(tǒng)故障給出完整的概率描述，能集成定性信息和定 量信息，具有充分利用多源信息的功能，同時充分利用特定診斷對象的先驗信息和歷史信 息，減少進行故障診斷的試驗樣本量，有利于快速給出診斷結(jié)論，并實現(xiàn)知識的積累。


圖1為貝葉斯網(wǎng)絡(luò)的三個構(gòu)成要素示意圖。圖2為基于工況、操作_故障_征兆的三層貝葉斯診斷網(wǎng)絡(luò)結(jié)構(gòu)示意圖。圖3為基于Monte Carlo的隨機采樣算法的流程圖。圖4為賭輪示意圖。圖5為隨機采樣算法的誤差分析結(jié)果圖；其中5-a為節(jié)點全概率誤差、5_b為節(jié)點 條件概率誤差、5-c為節(jié)點聯(lián)合概率誤差、5-d為節(jié)點聯(lián)合概率誤差。圖6為隨機采樣算法的誤差分析結(jié)果圖；其中6_a為節(jié)點全概率/條件概率誤差、 6-b為節(jié)點聯(lián)合概率誤差。圖7為利用貝葉斯網(wǎng)絡(luò)建立的一個實際壓縮機設(shè)備群關(guān)聯(lián)診斷網(wǎng)絡(luò)。
具體實施例方式下面結(jié)合附圖對本發(fā)明的內(nèi)容作進一步詳細說明參見圖1所示，貝葉斯網(wǎng)絡(luò)是由一個結(jié)構(gòu)圖G和條件概率P所構(gòu)成，記為B = (G， P)。其中，結(jié)構(gòu)圖G是由節(jié)點V和有向弧段A組成的，用G= (V，A)來表達，是一種有向、非 循環(huán)圖，也即所有的有向弧段不構(gòu)成一個閉合的回路。它是貝葉斯網(wǎng)絡(luò)的定性部分，而條件 概率P則是其定量部分，是網(wǎng)絡(luò)定量推理計算的前提。節(jié)點V代表隨機變量或事件，可以是 離散或連續(xù)的。離散貝葉斯網(wǎng)絡(luò)中每個節(jié)點都存在不同的取值，稱為節(jié)點的狀態(tài)，常用的便 是二值狀態(tài)(正常和異常，或者是與否)，也有三個以上的狀態(tài)。有向弧段A用于連接存在 概率關(guān)系和因果關(guān)系的兩個變量或事件。而條件概率P則表征了這種連接的強度。參見圖2所示，基于工況、操作-故障-征兆的貝葉斯診斷網(wǎng)絡(luò)結(jié)構(gòu)是由三層節(jié)點 所構(gòu)成的，第一層是工況操作節(jié)點層，用C= IC1, C2，L，CJ和0= {0i;02,L,0t}表示，闡述 了壓縮機的運行工況，如介質(zhì)的腐蝕性等，以及壓縮機的操作記錄信息，如做過平衡等；第 二層是故障節(jié)點層，用F= (FijF2jLjFJ表示，表達了診斷對象潛在的可能故障，如轉(zhuǎn)子失 衡、熱彎曲等；第三層是征兆節(jié)點層，用S = (S1, S2, L，SJ表示，描述了用于識別壓縮機故 障的常用征兆，用于診斷時的證據(jù)信息，如轉(zhuǎn)頻(IX)振動幅值大等。參見圖3、圖4所示，該算法的基本原理是按照網(wǎng)絡(luò)節(jié)點的拓撲順序，通過隨機 數(shù)發(fā)生器產(chǎn)生隨機數(shù)，根據(jù)節(jié)點的先驗概率，形成一個賭輪，用于對網(wǎng)絡(luò)節(jié)點的狀態(tài)進行選 擇性賦值；當所有節(jié)點均被賦值一遍后，就得到該網(wǎng)絡(luò)的一個采樣樣本；依此重復(fù)，得到長 度為M的采樣樣本，即一個樣本序列；由于隨機采樣時考慮了節(jié)點的先驗信息，因而，得到 的樣本序列近似地符合網(wǎng)絡(luò)的聯(lián)合概率分布，用于仿真貝葉斯網(wǎng)絡(luò)所有節(jié)點可能狀態(tài)的組 合；然后對該樣本序列進行統(tǒng)計計算。對該樣本序列的某個列單獨進行統(tǒng)計計算，就可以得 到邊緣統(tǒng)計量，用于近似節(jié)點的全概率；而對某些列一起統(tǒng)計，可以得到條件統(tǒng)計量和聯(lián)合 統(tǒng)計量，用于近似節(jié)點的條件概率和聯(lián)合概率。根據(jù)概率論的基本知識，當樣本數(shù)M取很大 時，這些樣本序列的邊緣統(tǒng)計量和條件統(tǒng)計量就可以趨近變量的真實概率和條件概率。首先，把圖形化的貝葉斯診斷網(wǎng)絡(luò)轉(zhuǎn)化成數(shù)字表達，找出網(wǎng)絡(luò)節(jié)點的拓撲順序，依 此拓撲順序?qū)W(wǎng)絡(luò)節(jié)點進行順序采樣，對節(jié)點產(chǎn)生一個介于0和1之間的隨機數(shù)，根據(jù)該節(jié) 點所有父節(jié)點的采樣結(jié)果，提取出該節(jié)點此次采樣時的先驗條件概率信息；對于根節(jié)點而 言，每次采樣時均是其自身的先驗概率，不需要依賴其它節(jié)點的采樣結(jié)果；
5
然后形成一個表征
的賭輪，并根據(jù)該節(jié)點的狀態(tài)數(shù)把一個賭輪分成幾個部 分，每個部分對應(yīng)該次先驗概率，判斷第三步產(chǎn)生的隨機數(shù)屬于哪個部分，據(jù)此給出節(jié)點的 采樣結(jié)果，重復(fù)第三步到第五步，直到所有節(jié)點都采樣一遍，這樣就形成了一個樣本，重復(fù) 第三步到第六步，直到所有節(jié)點都采樣了 N遍，得到個N樣本，稱為一個樣本序列這里N為 樣本序列長度，也即貝葉斯診斷網(wǎng)絡(luò)總的采樣次數(shù)；最后對樣本序列按列進行單獨統(tǒng)計，就 可以得到該節(jié)點的邊緣概率，對相關(guān)列進行聯(lián)合統(tǒng)計，就可以得到這些節(jié)點間的聯(lián)合概率 和條件概率。參見圖5所示，為了驗證該算法的有效性和準確性，假定圖7中的所有節(jié)點都 只有兩個狀態(tài)Vi和巧G= Ι,Κ ,5)。對于這樣的兩值狀態(tài)，有時稱為真假狀態(tài)，這里分別用 “1”(真)和“0”(假)代替Vi和巧(/= Ι,Κ, 5)。確定各個節(jié)點的先驗概率后，共分兩步進 行算法的有效性分析第一步，研究計算結(jié)果與采樣次數(shù)的關(guān)系，討論采樣次數(shù)M = 1000， 2000，L，10000等10種取值情況下，網(wǎng)絡(luò)的推理結(jié)果和誤差的變化趨勢；第二步，研究算法 的穩(wěn)定性，設(shè)定采樣次數(shù)恒定，Μ° 10000，重復(fù)執(zhí)行20次，討論該算法推理結(jié)果和誤差變化 情況。在仿真分析時，選取不同的目標值，其仿真結(jié)果只是誤差大小、變化趨勢和變化情況 的不同而已，并沒有實質(zhì)的影響。因此，這里選取由V1和V4節(jié)點所構(gòu)成的八組概率進行仿 真，它們是兩個邊緣概率:P(V1 = 1)、P (V4 = 1)；兩個條件概率:P(V4 = 11V1 = 1)、P (V1 = 11V4 = 1)四個聯(lián)合概率=P(V1 = 0，V4 = 0)、P (V1 = 0，V4 = 1)、P (V1 = 1，V4 = 0)和 P (V1 =1，V4 = 1)。第一步，分別取M = 1000，2000，L，10000共10組進行分析，上述八個概率值的誤 差隨M的變化趨勢，如圖5所示；第二步，采樣次數(shù)Μ° 10000時，我們執(zhí)行上20次，看誤差 變化情況，上述八個概率值的誤差變化情況如圖6所示。以上內(nèi)容是結(jié)合具體的優(yōu)選實施方式對本發(fā)明所作的進一步詳細說明，不能認定 本發(fā)明的具體實施方式
僅限于此，對于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫 離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單的推演或替換，都應(yīng)當視為屬于本發(fā)明由所 提交的權(quán)利要求書確定專利保護范圍。
權(quán)利要求
一種基于貝葉斯網(wǎng)絡(luò)的壓縮機關(guān)聯(lián)故障診斷方法，其特征在于(1)按照約定的權(quán)值獲取壓縮機當前的運行狀態(tài)及其操作記錄；所述約定的權(quán)值中現(xiàn)場人員經(jīng)驗的權(quán)值為0.4、專家經(jīng)驗的權(quán)值為0.4、累計經(jīng)驗的權(quán)值為0.2，總權(quán)值為1；(2)按工況、操作 故障 征兆的三層貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)對工況操作信息、故障信息、征兆信息進行組織，并確定工況操作層與故障層、故障層與征兆層節(jié)點間的因果關(guān)系，建立基于工況操作 故障 征兆的三層貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)；(3)獲取先驗概率信息；(4)先驗概率信息主要來自領(lǐng)域?qū)＜?、壓縮機維護人員、測試技術(shù)人員和設(shè)備的歷史統(tǒng)計數(shù)據(jù)四個方面，此外，還應(yīng)該包括來自壓縮機生產(chǎn)廠家以及類似設(shè)備的信息；(5)按照一定的規(guī)則對獲取到的先驗概率信息進行量化，確定工況操作層、故障層、征兆層各個節(jié)點的先驗概率；(6)充分收集已有的證據(jù)信息；(7)利用基于Monte Carlo方法的近似仿真算法，獲取模擬網(wǎng)絡(luò)狀態(tài)的仿真樣本，并據(jù)此樣本進行推理計算，得到各潛在故障的概率。
2.如權(quán)利要求1所述基于貝葉斯網(wǎng)絡(luò)的壓縮機關(guān)聯(lián)故障診斷方法，其特征在于 所述的基于Monte Carlo方法的近似仿真算法(a)把圖形化的貝葉斯診斷網(wǎng)絡(luò)轉(zhuǎn)化成數(shù)字表達；(b)找出網(wǎng)絡(luò)節(jié)點的拓撲順序，依此拓撲順序?qū)W(wǎng)絡(luò)節(jié)點進行順序采樣；(c)對節(jié)點產(chǎn)生一個介于O和1之間的隨機數(shù)；(d)根據(jù)該節(jié)點所有父節(jié)點的采樣結(jié)果，提取出該節(jié)點此次采樣時的先驗條件概率信 息；對于根節(jié)點而言，每次采樣時均是其自身的先驗概率，不需要依賴其它節(jié)點的采樣結(jié) 果；(e)形成一個表征W，l]的賭輪，并根據(jù)該節(jié)點的狀態(tài)數(shù)把一個賭輪分成幾個部分，每 個部分對應(yīng)該次先驗概率，判斷第三步產(chǎn)生的隨機數(shù)屬于哪個部分，據(jù)此給出節(jié)點的采樣結(jié)果；(f)重復(fù)第三步到第五步，直到所有節(jié)點都采樣一遍，這樣就形成了一個樣本；(g)重復(fù)第三步到第六步，直到所有節(jié)點都采樣了M遍，得到M個樣本，稱為一個樣本序 列Θ ；這里M為樣本序列長度，也即貝葉斯診斷網(wǎng)絡(luò)總的采樣次數(shù)；(h)對樣本序列Θ按列進行單獨統(tǒng)計，得到該節(jié)點的邊緣概率；對相關(guān)列進行聯(lián)合統(tǒng) 計，得到這些節(jié)點間的聯(lián)合概率和條件概率。
全文摘要
本發(fā)明公開了一種基于貝葉斯網(wǎng)絡(luò)的壓縮機關(guān)聯(lián)故障診斷方法，所提出的基于工況操作-故障-征兆的三層貝葉斯診斷網(wǎng)絡(luò)用簡潔直觀的圖形方式闡述故障與其原因及征兆之間復(fù)雜的因果關(guān)系和條件關(guān)系，在有限的、不完整、不確定的信息條件下進行診斷推理，對系統(tǒng)故障給出完整的概率描述，能集成定性信息和定量信息，具有充分利用多源信息的功能，同時充分利用特定診斷對象的先驗信息和歷史信息，減少進行故障診斷的試驗樣本量，通過建立適當?shù)呢惾~斯診斷網(wǎng)絡(luò)和確定合理的先驗概率，可以大大提高故障診斷的準確度和效率。
文檔編號F04B51/00GK101915234SQ20101022887
公開日2010年12月15日 申請日期2010年7月16日 優(yōu)先權(quán)日2010年7月16日
發(fā)明者孫峰, 張西寧, 溫廣瑞, 胡兆勇, 臧廷朋 申請人:西安交通大學(xué)