设备智能故障诊断与维修支持技术研究.pdfVIP

设备智能故障诊断与维修支持技术研究

1引言

随着电子工业和先进制造技术的发展,设备的结构越来越复杂、功能越来越强大、维修

保障难度越来越高。研究设备的智能故障诊断和维修支持技术将大大降低生产者和使用者的

设备维修保障的费用。

目前设备故障诊断与维修决策方法主要是基于故障树推理的方法,缺乏表达和推理的

灵活性,不易将维修、观测等操作纳入到模型之中。本文提出用贝哈斯网络(Bayesian

Network)模型表达设备的故障诊断与维修问题,结合基于决策理论分析方法,研究设备智能

故障诊断与维修策略的优化方法。

2贝叶斯网络

贝叶斯网络是一种基于网络结构的有向图解描述,适用于表达和分析不确定和概率性事

物,可从不完全或不确定的知识或信息中作出推理。目前贝叶斯网络在故障诊断领域已有成

功应用。

一个贝叶斯网络是一个有向无环图(DirectedAcyclicGraph,DAG),由代表变量节点及

连接这些节点有向边构成。节点代表随机变量,节点间的有向边代表了节点间的相互关系(由

父节点指向其后代节点),用条件概率进行表达关系强度,没有父节点的用先验概率进行信

息表达。节点变量可以是任何问题的抽象,如测试值、观测现象、意见征询等。

2.1贝叶斯网络的建造和概率估计

建造贝叶斯网络模型是一个复杂的任务，需要知识工程师和领域专家的参与。在实际中

可能是反复交叉进行而不断完善的。面向设备故障诊断应用的贝叶斯网络的建造所需要的信

息来自多种渠道，如设备手册、生产过程、测试过程、维修资料以及专家经验等。

为模型建造的简便起见，应首先将设备故障分为各个相互独立且完全包含的类别（各

故障类别至少应该具有可以区分的界限），然后对各个故障类别分别建造贝叶斯网络模型，

需要注意的是诊断模型只在发生故障时启动，因此无须对设备正常状态建模。通常设备故障

由一个或几个原因(通常是部件或元件的故障)造成,这些原因又可能由一个或几个更低层

次的原因造成。以下没有特别说明时,均假设变量取值为二态(Yes和No)。

建立起网络的节点之间的关系后,还需要进行概率估计。具体方法是假设在某故障原因

出现的情况下,估计该故障原因的各个子节点的条件概率Pi,注意Pi求和为1。这种局部化

概率估计的方法可以大大提高效率。

2.2操作节点

1

为诊断问题的完整,贝叶斯网络将诊断与维修过程中涉及的测试操作和修理操作引入

模型,并作为网络节点变量。测试操作通常是为了证实某故障是否存在或是否已经消除,它

会增加网络的信息来源,从而改变网络中各节点的概率信息。修理操作可以解决具体的某个

故障,采用的方式可能是修理或替换,修理操作完成后我们一般会观测设备是否已经恢复正

常。

2.3贝叶斯网络的概率推理

贝叶斯网络用变量来表示故障征兆和故障原因,则故障诊断决策可以表述为:希望通过

一些变量的信息来获得其他变量的信息(概率),这叫做概率推理。当收集到新的信息时,网络

将对所有节点概率信息进行更新。目前常用的更新算法是团树传播算法。

3故障诊断决策算法

仅仅获得节点的概率信息并不能保证诊断的步骤是最优的,因为诊断和维修要考虑的一

个重要问题是代价问题。在故障诊断过程中通常要考虑代价的因素主要有：时间T、风险R、

金钱M、其它影响I。

通常,可以将上述4个因素合并表达为代价函数:

C=αT+βR+γM+δI(1)

首先讨论单故障情况,并假设代价独立。假设网络模型中有故障原因节点Fi,Fj,其故

障概率分别为Pi,Pj，都可以通过测试操作确定故障原因是否存在的代价为Ci,cj,修理排

除故障原因的代价为ci,cj。如果故障原因无法通过测试确定,则认为以维修的代价进行观

测,故障总是存在,并以0代价修理之。则选择先排除故障Fi的条件由下式确定:

也就是说,总是选择比率Pi/Ci最高的操作。

因此,诊断与维修步骤的优化决策算法如下:

(1)收集当前信息,应用贝叶斯网络计算各个故障原因及操