韓延喆，劉波峰，張 俊，向 陽，卓思成

（1.湖南大學電氣與信息工程學院，湖南 長沙 410082;2.長沙易達儀器有限公司湖南長沙 410082）

0 引言

離心機是一種在工業(yè)生產中應用非常廣泛的高速旋轉機械，超速離心機是轉速大于30000r/min的高性能離心機。實際使用時，轉子在封閉的環(huán)境下高速旋轉，經歷這樣的高負荷運行，長時間后即會出現轉子不平衡、不對中和轉軸磨損等一系列機械故障，并由此引發(fā)異常振動，使其故障率增高，影響生產和操作人員的安全性［1］。目前，國內對于離心機的故障診斷主要采用人工感官和簡單儀表診斷，存在診斷效果差、耗時長、準確性低等問題。因此，研究一種超速離心機專用的故障診斷專家系統(tǒng)是十分必要的，可以有針對性的對超速離心機運行過程中出現的各種故障進行及時的診斷。

專家系統(tǒng)是一個智能計算機程序系統(tǒng)，能夠利用人類專家的知識和解決問題的方法來處理該領域問題。專家系統(tǒng)是一個具有大量的專門知識與經驗的程序系統(tǒng)，它應用人工智能技術和計算機技術，根據某領域一個或多個專家提供的知識和經驗，進行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復雜問題。專家系統(tǒng)一般由知識庫、推理機、知識獲取機構、解釋機制、綜合數據庫和人機界面組成［2］。專家系統(tǒng)常用的推理方法有基于規(guī)則的推理方法、基于人工神經網絡的推理方法、基于模糊理論的推理方法與基于貝葉斯網絡的推理方法等。其中基于貝葉斯網絡的推理方法具有對知識庫的依賴性小、知識表達簡單、容易處理不確定性數據等特點［3］，所以，本文選擇該方法作為超速離心機故障診斷專家系統(tǒng)的推理方法。

1 系統(tǒng)組成

超速離心機故障診斷專家系統(tǒng)原理如圖1所示，主要由以下幾個部分組成:

1）知識庫:包含以規(guī)則形式編碼的解決問題的領域專家知識。知識表示方法有很多種，包括產生式、語義網、框架、邏輯等方法。產生式知識表示方法是在專家系統(tǒng)中用得最多的一種知識表示方法。用產生式方法表示知識，由于各產生式規(guī)則之間是獨立的模塊，這對系統(tǒng)的修改、擴充特別有利。另外，產生式知識表示與人們很多思維習性十分吻合。

2）推理機:以知識庫中的已有知識為根據，推理出結論。采用貝葉斯網絡推理方法進行正向推理。

圖1 超速離心機故障診斷專家系統(tǒng)原理圖Fig 1 Principle diagram of ultracentrifuge’s fault diagnosis expert system

3）綜合數據庫:用來存儲初始數據、實時數據以及計算過程中產生的數據。

4）解釋機制:解釋機制是指專家系統(tǒng)對用戶所需求的概念和系統(tǒng)的行為像領域專家一樣做出通俗易懂的解釋，同時領域專家可通過解釋系統(tǒng)了解系統(tǒng)的運行狀況。

5）知識獲取:為用戶建立的一個知識自動輸入方法，以代替知識工程師去編碼知識。

6）人機界面:用戶和專家系統(tǒng)軟件界面之間的通信交互機構。

本系統(tǒng)采用Windows XP作為軟件開發(fā)平臺，數據庫系統(tǒng)采用SQL Server 2000數據庫軟件開發(fā)，采用VC++為軟件開發(fā)語言。

2 貝葉斯網絡

貝葉斯網絡是一種概率網絡，它是基于概率推理的圖形化網絡，而貝葉斯公式則是這個概率網絡的基礎。貝葉斯網絡是基于概率推理的數學模型，所謂概率推理就是通過一些變量的信息來獲取其他的概率信息的過程，基于概率推理的貝葉斯網絡是為了解決不確定性和不完整性問題而提出的，它對于解決復雜設備不確定性和關聯性引起的故障有很大的優(yōu)勢，在多個領域中獲得廣泛應用。

設A為故障征兆，Bi（i=1，2，…，n）為導致A產生的n種互不相容且完備的故障集，由貝葉斯公式可知

其中，P（Bi）為先驗概率，P（Bi︱A）為后驗概率［4］。貝葉斯網絡就是要依靠先驗概率和節(jié)點的條件概率來計算后驗概率，從而得出在某故障征兆發(fā)生的情況下，引起該征兆的各種故障原因的概率。

3 貝葉斯網絡的建立和推理方法

超速離心機故障包括轉子故障、電機故障、控制電路故障及機械故障等。其中有關轉子方面的故障占全部故障總數的70%。

所以，本文以轉子故障為例建造貝葉斯網絡，并說明推理方法。

貝葉斯網絡是一個有向無環(huán)圖，由節(jié)點和有向弧組成，其中節(jié)點代表論域中的變量，有向弧代表變量之間的關系。一個貝葉斯網絡可以反映出變量之間的定性信息，也可以反映出定量信息。定性信息由有向弧來反映，定量信息由變量之間的關系強度來表示，它由節(jié)點與其父節(jié)點之間的條件概率來表示［5］。

貝葉斯網絡的建造是一個復雜的任務，需要知識工程師和領域專家的參與。在實際應用中可能是反復交叉進行且不斷完善的。超速離心機故障診斷應用的貝葉斯網絡的構建所需要的信息來自多種渠道，如，設備手冊、生產過程、測試過程、維修資料以及專家經驗等。一般地，構建貝葉斯網絡結構的過程包括2個步驟，首先利用先驗知識構建先驗貝葉斯網絡;之后結合已有數據并進行計算，得到后驗貝葉斯網絡［5］。

圖2為離心機轉子系統(tǒng)故障的貝葉斯網絡模型，表1為離心機轉子系統(tǒng)故障的貝葉斯網絡表。圖2列舉出的轉子的各種故障全部來源于領域專家的經驗，以及離心機生產技術手冊和說明書等，這些故障并不是轉子系統(tǒng)的全部故障癥兆，僅僅為常見故障，具有代表性，是為了說明貝葉斯網絡推理方法。根據專家經驗和現場工人的實際統(tǒng)計，根節(jié)點Ri的概率和各子節(jié)點Sj的條件概率都可給出如下，這需要領域專家和相關工作人員在大量數據和實驗中總結出來［6］。

根據式（1）可以計算出在各征兆發(fā)生時，由哪個故障原因引起的概率，例如

其中

圖2 超速離心機轉子系統(tǒng)故障的貝葉斯網絡模型Fig 2 Bayesian network model of ultracentrifuge’s rotor system

表1 超速離心機轉子系統(tǒng)故障貝葉斯網絡表Tab 1 Bayesian network table of ultracentrifuge’s rotor system

所以，帶入公式計算出P（R2|S2）=43.5%。其他概率也可同理計算出，如表2。

表2 超速離心機轉子系統(tǒng)故障原因概率表Tab 2 Fault reason probability table of ultracentrifuge’s rotor system

由表2可知，當S1故障征兆發(fā)生時，由R1引起的可能性為62.3%，R2，R3與S1無關，其他與之同理。這就得出了需要的故障診斷結果。

4 結果驗證與仿真

某離心機生產工廠對1000臺出廠的離心機做運行狀況測試發(fā)現:有42臺離心機在運行過程中出現1倍頻幅值過大的故障，經過檢測，其中8臺離心機的故障為轉子彎曲，概率約為19.1%;15臺離心機故障為轉子不對中，概率約為35.7%;19臺離心機故障為轉子不平衡，概率約為45.2%，計算出的數據和實際統(tǒng)計出來的數據誤差很小。

故障仿真是通過MSBNx（用于貝葉斯網絡的創(chuàng)建、評價和評估）軟件來實現。在MSBNx上構建轉子的貝葉斯網絡模型，并輸入父節(jié)點的先驗概率和中間節(jié)點的條件概率，最后得出后驗概率，如圖3為當發(fā)生故障1倍頻幅值過大時，輸入父節(jié)點轉子彎曲R1，轉子不對中R2，轉子不平衡R3的概率和節(jié)點S4的條件概率，經過軟件計算得出結果。

圖3 1倍頻幅值過大的MSBNx仿真圖Fig 3 MSBNx simulation of over large 1 times frequency amplitude

5 結論

貝葉斯網絡的推理過程符合專家的思維方式，它不但提供給專家一個表達知識和經驗的方法，而且可利用這些知識進行定量計算。貝葉斯網絡在離心機故障診斷中的應用有以下優(yōu)勢:

1）貝葉斯網絡可用簡潔直觀的圖形描述故障與征兆間復雜的因果關系。

2）貝葉斯網絡具有很強的不確定性推理能力，可定量計算出故障發(fā)生的概率，給出概率解釋。

本文通過實際驗證和仿真結果表明本研究的正確性和有效性，并可依據此結果進行檢修，避免了大量繁瑣和無用的工作，節(jié)省了時間與資源，同時提高了設備的可靠性和安全性。

［1］楊 建，徐 平，周保堂，等.離心機機械故障診斷專家系統(tǒng)設計及其應用［J］.機械科學與技術，1998，17（1）:132 －134.

［2］Giarratano J，Riley G.專家系統(tǒng)原理與編程［M］.印鑒.北京:機械工業(yè)出版社，2006.

［3］曾慧芳，朱慧明，李素芳.基于MH算法的貝葉斯分位自回歸模型［J］.湖南大學學報自然科學版，2010，37（2）:88 －92.

［4］Han Ting，Li Bo，Xu Limei.A universal fault diagnostic expert system based on bayesian network［C］//2008 International Conference on Computer Science and Software Engineering，2008:260－263.

［5］Bottone S，Lee D，O’Sullivan M.Failure prediction and diagnosis for satellite monitoring systems using Bayesian networks［C］//Military Communications Conference，2008:1 －7.

［6］徐斌剛，屈梁生，陶肖明.轉子故障貝葉斯診斷網絡的研究［J］.機械工程學報，2004，40（1）:66 －72.