CN101915234B - 一种基于贝叶斯网络的压缩机关联故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯网络的压缩机关联故障诊断方法，所提出的基于工况操作-故障-征兆的三层贝叶斯诊断网络用简洁直观的图形方式阐述故障与其原因及征兆之间复杂的因果关系和条件关系，在有限的、不完整、不确定的信息条件下进行诊断推理，对系统故障给出完整的概率描述，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，同时充分利用特定诊断对象的先验信息和历史信息，减少进行故障诊断的试验样本量，通过建立适当的贝叶斯诊断网络和确定合理的先验概率，可以大大提高故障诊断的准确度和效率。

Description

一种基于贝叶斯网络的压缩机关联故障诊断方法

技术领域：

本发明属于机械设备故障诊断等领域，涉及不确定性知识和关联性知识的推理，具体涉及一种基于工况、操作-故障-征兆三层贝叶斯诊断网络的机械故障诊断知识的推理与表达技术。

背景技术：

随着现代工业设备和系统日益大型化和复杂化，各种机械间的联系日益密切，常常会产生设备间的关联故障。石化生产中，以大型压缩机组为中心的设备群是动设备的“心脏”，由压缩机为主机、中小型机泵为辅机构成，其运行转速高、故障危害大、主辅机状态关联程度大，一直是监测诊断技术研究的重点对象。传统的诊断方法和理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用，然而对于多过程、多故障和突发性故障以及复杂庞大的压缩机系统，传统的以设备或测点为对象的监测诊断技术难以满足其安全保障要求。在这种背景下，如何充分利用压缩机设备群间的相互联系，以指导未知故障的判断，引起了人们的极大兴趣。从本质上来说，压缩机故障诊断是一个典型的不确定性知识处理问题，即由征兆反求故障的一个逆向过程，因而如何实现机械故障诊断中不确定性知识的推理和表达就成为一个关键问题。

以往的贝叶斯网络在设备故障诊断领域的应用大多基于故障-征兆的质朴型诊断网络，这种拓扑结构忽略了特定诊断对象所关联的具体的运行环境和条件，即设备的实际运行工况，而这些面向对象的诊断知识往往对诊断结果起着决定性的影响。例如，工作介质，有的易于结垢、有的带有腐蚀性、有的进气与排气温差大等，这些工况信息在判断设备故障时就是很重要的依据。除此以外，设备发生的故障也可能与现场技术人员的操作不当有关。同时，对于设备进行过的维修操作有利于我们排除一些故障的可能性，如动平衡等。

机械故障诊断是一个不确定性的问题求解过程，为了在诊断过程中集成定性信息和定量信息，充分利用多源信息的功能，以一种更为简洁直观的方式阐述故障与其原因及征兆之间复杂的因果关系和条件关系，迫切需要一种新的诊断方法，以满足压缩机设备群的关联故障诊断的需要。

发明内容：

本发明的目的在于克服传统的以设备或测点为对象的监测诊断技术之不足，提供一种基于工况、操作-故障-征兆的三层贝叶斯网络的机械诊断知识的推理与表达技术，适应于对压缩机设备群进行关联分析诊断，通过建立适当的诊断网络和确定合理的先验概率，可以大大提高故障诊断的准确度和效率。

本发明的基本操作步骤如下：

(1)首先充分地获取有关压缩机的信息，按一定的规则对工况操作信息、故障信息、征兆信息进行组织，并确定工况操作层与故障层、故障层与征兆层节点间的因果关系，建立网络结构；

(2获取先验概率信息，按照合适的原则对数据进行量化，确定工况操作层、故障层、征兆层各个节点的条件概率；

(3)根据已有的证据信息，利用基于Monte Carlo方法的近似仿真算法，获取模拟网络状态的仿真样本，并据此样本进行推理计算，得到各潜在故障的概率。

具体操作步骤如下：

(1)按照一定的规则充分的获取有关压缩机的信息，这些信息既包括设备当前的运行状态，即其表现出来的征兆信息，还应包括其操作记录等；

(2)按一定的规则对工况操作信息、故障信息、征兆信息进行组织，并确定工况操作层与故障层、故障层与征兆层节点间的因果关系，建立基于工况操作-故障-征兆的三层贝叶斯网络结构；

(3)获取先验概率信息；

(4)先验概率信息主要来自领域专家、压缩机维护人员、测试技术人员和设备的历史统计数据四个方面，此外，还应该包括来自压缩机生产厂家以及类似设备的信息；

(5)按照一定的规则对获取到的先验概率信息进行量化，确定工况操作层、故障层、征兆层各个节点的先验概率；

(6)充分收集已有的证据信息；

(7)利用基于Monte Carlo方法的近似仿真算法，获取模拟网络状态的仿真样本，并据此样本进行推理计算，得到各潜在故障的概率。

所述的基于Monte Carlo方法的近似仿真算法：

(1)把图形化的贝叶斯诊断网络转化成数字表达；

(2)找出网络节点的拓扑顺序，依此拓扑顺序对网络节点进行顺序采样；

(3)对节点产生一个介于0和1之间的随机数；

(4)根据该节点所有父节点的采样结果，提取出该节点此次采样时的先验条件概率信息；对于根节点而言，每次采样时均是其自身的先验概率，不需要依赖其它节点的采样结果；

(5)形成一个表征[0，1]的赌轮，并根据该节点的状态数把一个赌轮分成几个部分，每个部分对应该次先验概率，判断第三步产生的随机数属于哪个部分，据此给出节点的采样结果；

(6)重复第三步到第五步，直到所有节点都采样一遍，这样就形成了一个样本；

(7)重复第三步到第六步，直到所有节点都采样了M遍，得到M个样本，称为一个样本序列Θ。这里M为样本序列长度，也即贝叶斯诊断网络总的采样次数。

(8)对样本序列Θ按列进行单独统计，就可以得到该节点的边缘概率；对相关列进行联合统计，就可以得到这些节点间的联合概率和条件概率。

本发明所提出的基于工况操作-故障-征兆的三层贝叶斯诊断网络用简洁直观的图形方式阐述故障与其原因及征兆之间复杂的因果关系和条件关系，在有限的、不完整、不确定的信息条件下进行诊断推理，对系统故障给出完整的概率描述，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，同时充分利用特定诊断对象的先验信息和历史信息，减少进行故障诊断的试验样本量，有利于快速给出诊断结论，并实现知识的积累。

附图说明：

图1为贝叶斯网络的三个构成要素示意图。

图2为基于工况、操作-故障-征兆的三层贝叶斯诊断网络结构示意图。

图3为基于Monte Carlo的随机采样算法的流程图。

图4为赌轮示意图。

图5为随机采样算法的误差分析结果图；其中5-a为节点全概率误差、5-b为节点条件概率误差、5-c为节点联合概率误差、5-d为节点联合概率误差。

图6为随机采样算法的误差分析结果图；其中6-a为节点全概率/条件概率误差、6-b为节点联合概率误差。

图7为利用贝叶斯网络建立的一个实际压缩机设备群关联诊断网络。

具体实施方式

下面结合附图对本发明的内容作进一步详细说明：

参见图1所示，贝叶斯网络是由一个结构图G和条件概率P所构成，记为B＝(G，P)。其中，结构图G是由节点V和有向弧段A组成的，用G＝(V，A)来表达，是一种有向、非循环图，也即所有的有向弧段不构成一个闭合的回路。它是贝叶斯网络的定性部分，而条件概率P则是其定量部分，是网络定量推理计算的前提。节点V代表随机变量或事件，可以是离散或连续的。离散贝叶斯网络中每个节点都存在不同的取值，称为节点的状态，常用的便是二值状态(正常和异常，或者是与否)，也有三个以上的状态。有向弧段A用于连接存在概率关系和因果关系的两个变量或事件。而条件概率P则表征了这种连接的强度。

参见图2所示，基于工况、操作-故障-征兆的贝叶斯诊断网络结构是由三层节点所构成的，第一层是工况操作节点层，用C＝{C₁，C₂，L，C_r}和O＝{O₁，O₂，L，O_t}表示，阐述了压缩机的运行工况，如介质的腐蚀性等，以及压缩机的操作记录信息，如做过平衡等；第二层是故障节点层，用F＝{F₁，F₂，L，F_m}表示，表达了诊断对象潜在的可能故障，如转子失衡、热弯曲等；第三层是征兆节点层，用S＝{S₁，S₂，L，S_n}表示，描述了用于识别压缩机故障的常用征兆，用于诊断时的证据信息，如转频(1X)振动幅值大等。

参见图3、图4所示，该算法的基本原理是：按照网络节点的拓扑顺序，通过随机数发生器产生随机数，根据节点的先验概率，形成一个赌轮，用于对网络节点的状态进行选择性赋值；当所有节点均被赋值一遍后，就得到该网络的一个采样样本；依此重复，得到长度为M的采样样本，即一个样本序列；由于随机采样时考虑了节点的先验信息，因而，得到的样本序列近似地符合网络的联合概率分布，用于仿真贝叶斯网络所有节点可能状态的组合；然后对该样本序列进行统计计算。对该样本序列的某个列单独进行统计计算，就可以得到边缘统计量，用于近似节点的全概率；而对某些列一起统计，可以得到条件统计量和联合统计量，用于近似节点的条件概率和联合概率。根据概率论的基本知识，当样本数M取很大时，这些样本序列的边缘统计量和条件统计量就可以趋近变量的真实概率和条件概率。

首先，把图形化的贝叶斯诊断网络转化成数字表达，找出网络节点的拓扑顺序，依此拓扑顺序对网络节点进行顺序采样，对节点产生一个介于0和1之间的随机数，根据该节点所有父节点的采样结果，提取出该节点此次采样时的先验条件概率信息；对于根节点而言，每次采样时均是其自身的先验概率，不需要依赖其它节点的采样结果；

然后形成一个表征[0，1]的赌轮，并根据该节点的状态数把一个赌轮分成几个部分，每个部分对应该次先验概率，判断第三步产生的随机数属于哪个部分，据此给出节点的采样结果，重复第三步到第五步，直到所有节点都采样一遍，这样就形成了一个样本，重复第三步到第六步，直到所有节点都采样了N遍，得到个N样本，称为一个样本序列这里N为样本序列长度，也即贝叶斯诊断网络总的采样次数；最后对样本序列按列进行单独统计，就可以得到该节点的边缘概率，对相关列进行联合统计，就可以得到这些节点间的联合概率和条件概率。

参见图5所示，为了验证该算法的有效性和准确性，假定图7中的所有节点都只有两个状态v_i和对于这样的两值状态，有时称为真假状态，这里分别用“1”(真)和“0”(假)代替v_i和

确定各个节点的先验概率后，共分两步进行算法的有效性分析：第一步，研究计算结果与采样次数的关系，讨论采样次数M＝1000，2000，L，10000等10种取值情况下，网络的推理结果和误差的变化趋势；第二步，研究算法的稳定性，设定采样次数恒定，M°10000，重复执行20次，讨论该算法推理结果和误差变化情况。在仿真分析时，选取不同的目标值，其仿真结果只是误差大小、变化趋势和变化情况的不同而已，并没有实质的影响。因此，这里选取由V₁和V₄节点所构成的八组概率进行仿真，它们是：

两个边缘概率：P(V₁＝1)、P(V₄＝1)；

两个条件概率：P(V₄＝1|V₁＝1)、P(V₁＝1|V₄＝1)

四个联合概率：P(V₁＝0，V₄＝0)、P(V₁＝0，V₄＝1)、P(V₁＝1，V₄＝0)和P(V₁＝1，V₄＝1)。

第一步，分别取M＝1000，2000，L，10000共10组进行分析，上述八个概率值的误差随M的变化趋势，如图5所示；第二步，采样次数M°10000时，我们执行上20次，看误差变化情况，上述八个概率值的误差变化情况如图6所示。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。

Claims (2)

1.一种基于贝叶斯网络的压缩机关联故障诊断方法，其特征在于：

(1)按照约定的权值获取压缩机当前的运行状态及其操作记录；所述约定的权值中现场人员经验的权值为0.4、专家经验的权值为0.4、累计经验的权值为0.2，总权值为1；

(2)按工况、操作-故障-征兆的三层贝叶斯网络结构对工况操作信息、故障信息、征兆信息进行组织，并确定工况操作层与故障层、故障层与征兆层节点间的因果关系，建立基于工况操作-故障-征兆的三层贝叶斯网络结构；

(3)获取先验概率信息；

(4)先验概率信息主要来自领域专家、压缩机维护人员、测试技术人员和设备的历史统计数据四个方面，此外，还包括来自压缩机生产厂家以及类似设备的信息；

(5)按照一定的规则对获取到的先验概率信息进行量化，确定工况操作层、故障层、征兆层各个节点的先验概率；

(6)充分收集已有的证据信息；

(7)利用基于Monte Carlo方法的近似仿真算法，获取模拟网络状态的仿真样本，并据此样本进行推理计算，得到各潜在故障的概率。

2.如权利要求1所述基于贝叶斯网络的压缩机关联故障诊断方法，其特征在于：

所述的基于Monte Carlo方法的近似仿真算法：

(a)把图形化的贝叶斯诊断网络转化成数字表达；

(b)找出网络节点的拓扑顺序，依此拓扑顺序对网络节点进行顺序采样；

(c)对节点产生一个介于0和1之间的随机数；

(d)根据该节点所有父节点的采样结果，提取出该节点此次采样时的先验条件概率信息；对于根节点而言，每次采样时均是其自身的先验概率，不需要依赖其它节点的采样结果；

(e)形成一个表征[0，1]的赌轮，并根据该节点的状态数把一个赌轮分成几个部分，每个部分对应该次先验概率，判断第三步产生的随机数属于哪个部分，据此给出节点的采样结果；

(f)重复第三步到第五步，直到所有节点都采样一遍，这样就形成了一个样本；

(g)重复第三步到第六步，直到所有节点都采样了M遍，得到M个样本，称为一个样本序列Θ；这里M为样本序列长度，也即贝叶斯诊断网络总的采样次数；

(h)对样本序列Θ按列进行单独统计，得到该节点的边缘概率；对相关列进行联合统计，得到这些节点间的联合概率和条件概率。

Images