CN115081647A

CN115081647A - 基于贝叶斯网络模型的工业智能仪表故障预诊断方法

Info

Publication number: CN115081647A
Application number: CN202210552859.8A
Authority: CN
Inventors: 王强; 柳青; 吴锦豪; 周海婷; 周娟; 陈家焱; 朱凯; 吴琳琳
Original assignee: China Jiliang University
Current assignee: China Jiliang University
Priority date: 2022-05-19
Filing date: 2022-05-19
Publication date: 2022-09-20

Abstract

本发明提供了一种基于贝叶斯网络模型的工业智能仪表故障预诊断方法，用于工业智能仪表的故障预测，包括：读取所述工业智能仪表的历史运行监测数据，获取智能工业仪表的故障机理模型；根据故障机理模型搭建工业智能仪表的贝叶斯网络模型，设定贝叶斯网络模型中的节点参数阈值；评估所述工业智能仪表中故障机理模型的先验概率，并对贝叶斯诊断网络模型进行修正；输入工业智能仪表在线监测数据至贝叶斯网络模型中，获取工业智能仪表的诊断故障类型和诊断故障概率；根据诊断故障类型和诊断故障概率确定工业智能仪表的损伤状态。本发明的预诊断能够提高故障仪表的检修运维效率，降低企业仪表运维的人力成本和时间成本，预测诊断结果的准确性高。

Description

基于贝叶斯网络模型的工业智能仪表故障预诊断方法

技术领域

本发明属于设备故障诊断技术领域，尤其涉及基于贝叶斯网络模型的工业智能仪表故障预诊断方法。

背景技术

在实际应用过程中，仪表故障会使系统控制不准确，甚至造成系统停机，工厂作业环境下发生的紧急停机，将会造成巨大的经济损失，因此，如何根据仪表的监测数据尽早判断出仪表可能会发生或者已经发生故障，实现对工业仪表进行基于状态的预防性维护和维修，最大限度地降低仪表故障对整个系统的影响，是工业仪表检修和运维的一个关键问题。

随着工业智能仪表技术的不断发展，现代的智能仪表已经具备了工程现场的数据采集功能和通讯功能，物联网技术使仪表故障的在线监测和远程判断成为可能，智能仪表一般可以通过物联网采集即时运行参数数据，供故障诊断使用。

发明内容

为解决现有技术中存在的上述问题，本申请提出了一种能够对工业智能仪表状态及可能发生的故障进行准确预测诊断的基于贝叶斯网络模型的工业智能仪表故障预诊断方法。

基于上述发明目的，本申请提供了一种基于贝叶斯网络模型的工业智能仪表故障预诊断方法，用于工业智能仪表的故障预测，方法包括：

读取所述工业智能仪表的历史运行监测数据，根据所述智能工业仪表类型对应的故障类型建立所述智能工业仪表的的故障机理模型；

根据故障机理模型搭建工业智能仪表的贝叶斯网络模型，设定贝叶斯网络模型中的节点参数阈值；

评估工业智能仪表中故障机理模型的先验概率，并对贝叶斯诊断网络模型进行修正；

输入工业智能仪表在线监测数据至贝叶斯网络模型中，获取工业智能仪表的诊断故障类型和诊断故障概率；

根据诊断故障类型和诊断故障概率确定工业智能仪表的损伤状态。

进一步的，智能工业仪表的故障机理模型获取方法包括：

读取作为诊断预测对象的工业智能仪表的种类和型号；

收集与工业智能仪表的种类和型号匹配的故障类型；

在工业智能仪表的故障类型中选择与使用可靠性以及运行环境相关联的故障类型作为工业智能仪表故障预测的主要故障类型。

进一步的，工业智能仪表的故障类型收集方法包括：

从仪表用途、仪表功能单元/部件、仪表工作模式、使用场景下规范、时间约束、环境应力、工作应力7个方面充分识别和收集工业智能仪表的故障类型。

进一步的，工业智能仪表的故障类型收集方法还包括：

从仪表失效程度、仪表失效原因、仪表失效危害、仪表失效可预测性这四个方面对工业智能仪表的故障类型进行分类。

进一步的，贝叶斯网络模型搭建方法包括：

定义每个不同故障类型为一个故障模式节点Y，且与故障类型相关的若干故障因素节点x₁，x₂…x_n；

则故障模式节点与故障因素的条件概率对应关系为：

其中，x_i为贝叶斯网络模型中的故障因素节点，Y为贝叶斯网络模型中的故障模式节点。

进一步的，贝叶斯网络模型中的节点参数阈值的设定方法包括：参考专家经验设定监测数据参数上、下限阈值，通过上、下限阈值将参数数值范围划分为过低、正常、过高三个区域。

进一步的，评估工业智能仪表中故障机理模型的先验概率并对贝叶斯诊断网络模型进行修正的方法包括：

根据工业智能仪表的历史运行监测数据计算工业智能仪表具体故障的先验概率；

对历史运行监测数据进行数据清洗和归一化处理，将历史运行监测数据中的每项监测参数归一化至[0,1]；

根据先验概率和历史运行监测数据自行学习网络节点间的概率性因果推理关系，对贝叶斯诊断网络模型结构和概率参数进行修正。

进一步的，工业智能仪表的损伤状态的判断方法包括：

设定第一故障诊断阈值和第二故障诊断阈值；若诊断故障概率大于第一故障诊断阈值时，诊断预测结果认为该故障极有可能发生或已经发生，对故障节点进行报警；若诊断故障概率小于第一故障诊断阈值大于第二故障诊断阈值时，则对故障节点进行预警。

进一步的，第一故障诊断阈值设为80％，第二故障诊断阈值设为60％。

进一步的，故障机理模型为Noisy-MAX模型。

与现有技术相比，本申请根据工业智能仪表的历史监测数据建立的贝叶斯网络模型，将待诊断仪表的实时监测数据输入构建的贝叶斯网络模型中，根据条件概率分布进行推理诊断即可得到故障类型诊断预测结果，能够用于作业环境现场辅助诊断和云端远程故障诊断预测，提高故障仪表的检修运维效率，降低企业仪表运维的人力成本和时间成本，预测诊断结果的准确性高。

附图说明

图1是本申请实施例的基于贝叶斯网络模型的工业智能仪表故障预诊断方法的流程图；

图2是本申请实施例中的贝叶斯网络模型搭建流程示意图。

具体实施方式

为了使阅读者能够更好的理解本方法之设计宗旨，特提供下述具体实施例，以使得阅读者能够形象的理解本方法所涉及到结构、结构组成、作用原理和技术效果。但应当注意，下述各实施例并非是对本方法技术方案的限定，本领域技术人员在对各实施例进行分析和理解的同时，可结合现有知识对本方法提供的技术方案做一系列变形与等效替换，该变形与等效替换而得的新的技术方案亦被本方法囊括在内。

贝叶斯网络模型，又称有向无环图模型，是一种概率图模型。它是一种模拟人类推理过程中因果关系的不确定性处理模型，其网络拓扑结构是一个有向无环图(DAG)，它通过构造有向无环图，能够有效融合和表达多源信息，并能在有限信息和不确定知识条件下进行学习和概率推理，适用于表达设备故障因素间错综复杂的因果关系。

如图1所示，一种基于贝叶斯网络模型的工业智能仪表故障预诊断方法，用于工业智能仪表的故障预测，方法包括：

作为一种实现方式，智能工业仪表的故障机理模型获取方法包括：读取作为诊断预测对象的工业智能仪表的种类和型号；收集与工业智能仪表的种类和型号匹配的故障类型；在工业智能仪表的故障类型中选择与使用可靠性以及运行环境相关联的故障类型作为工业智能仪表故障预测的主要故障类型。与使用可靠性以及运行环境相关联的故障类型是可预测的故障类型，而一些与运行环境及运行可靠性不相关的故障类型是不可预测的突发故障，因此在建立故障机理模型时应当筛选出可预测的故障而排除不可预测的突发故障。

作为一种实现方式，工业智能仪表的故障类型收集方法包括：从仪表用途、仪表功能单元/部件、仪表工作模式、使用场景下规范、时间约束、环境应力、工作应力7个方面充分识别和收集工业智能仪表的故障类型。还可以从仪表失效程度、仪表失效原因、仪表失效危害、仪表失效可预测性方面对工业智能仪表的故障类型进行分类：

(1)按仪表失效程度分为：仪表的特定功能已完全丧失；仪表虽然可以工作，但部分功能已丧失；可能潜在地使仪表功能退化。

(2)按仪表失效原因分为：产品缺陷导致，发生在投入使用的初期；由于系统中的其他因素引发；正常使用中产生。

(3)按仪表失效危害分为：严重影响仪表的正常使用，需更换部件/仪表；明显影响仪表的正常使用，需更换部件/仪表；轻微影响仪表的正常使用，可通过维护消除/减轻。

(4)仪表失效可预测性分为：可预测；完全突发，不可预测。

通过上述分类方法获得工业智能仪表失效仪故障类型，从中选择对工业智能仪表运行影响较大、可通过历史运行监测数据获得的工业智能仪表故障类型作为工业智能仪表的主要故障类型。

作为一种实现方式，工业智能仪表的故障类型收集方法还包括：从仪表失效程度、仪表失效原因、仪表失效危害、仪表失效可预测性这四个方面对工业智能仪表的故障类型进行分类。上述分类方法获得所述工业智能仪表失效仪故障类型，从中选择对所述工业智能仪表运行影响较大、可通过所述运行监测数据参数诊断预测的所述工业智能仪表故障类型作为所述工业智能仪表的主要故障类型。

作为一种是实现方式，贝叶斯网络模型搭建方法包括：

定义每个不同故障类型为一个故障模式节点Y，且与故障类型相关的若干故障因素节点,x₂…x_n；

使用Noisy-Max模型时的条件概率计算如公式(1)和公式(2)所示：

其中，x_i为贝叶斯网络模型中的故障因素节点，Y为贝叶斯网络模型中的故障模式节点。贝叶斯网络，又称信念网络，它能通过构造有向无环图，能够有效融合和表达多源信息，并能在有限信息和不确定知识条件下进行学习和概率推理，适用于表达设备故障因素间错综复杂的因果关系。

如图2所示，构建的工业智能仪表贝叶斯网络模型，由监测数据节点、模块参数节点、故障类型节点三类节点组成，三类节点间通过仪表结构组成和故障机理建立有向边连接，形成网状拓扑结构；贝叶斯网络诊断模型包含三层，第一层为监测数据层，此层为工业智能仪表在线监测数据参数，每种监测数据参数为一节点，此层每节点x_i包含3个状态，分别是“高于阈值范围”、“属于阈值范围(正常范围)”和“低于阈值范围”；第二层为失效特征层，包含若干个仪表模块参数节点，每个节点xi包含3个状态，分别是“过高”、“正常”和“过低”；第三层为失效模式层，包含若干故障模式，每个故障模式为一个子节点Y，包含两个状态，分别是“发生”和“不发生”两种状态。

作为一种实现方式，贝叶斯网络模型中的节点参数阈值的设定方法包括：参考专家经验设定监测数据参数上、下限阈值，通过上、下限阈值将参数数值范围划分为过低、正常、过高三个区域。

作为一种实现方式，评估工业智能仪表中故障机理模型的先验概率并对贝叶斯诊断网络模型进行修正的方法包括：对历史运行监测数据进行数据清洗和归一化处理，将历史运行监测数据中的每项监测参数归一化至[0,1]；根据工业智能仪表的历史运行监测数据计算工业智能仪表具体故障的先验概率；根据先验概率和历史运行监测数据自行学习网络节点间的概率性因果推理关系，对贝叶斯诊断网络模型结构和概率参数进行修正。对贝叶斯网络模型结构和概率参数的修方法包括：在获得先验概率之后，结合专家经验，对贝叶斯网络模型的网络结构做一些调整，增加由于历史监测数据样本量不足而造成的当前仪表历史监测数据中未发现的故障因素，同时，结合专家经验对贝叶斯网络模型中的概率参数的调整，调整因历史监测数据样本量不足而造成的相关故障因素对发生相应故障的影响的概率参数不准确的问题。

作为一种实现方式，为恰当地评价工业智能仪表故障发生的先验概率，从以下方面的信息综合估计工业智能仪表具体故障的发生概率：

(1)具体使用场景下的专家经验；

(2)寿命试验数据；

(3)产品历史故障数据库；

(4)相似产品或者部件的故障数据；

作为一种实现方式，对历史监测数据进行数据清洗是指对历史监测数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提高数据一致性；对历史监测数据进行归一化处理的目的就是使得预处理的数据被限定在一定的范围内(比如[0,1])，从而消除奇异样本数据导致的不良影响，原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价，对监测数据参数进行归一化处理包数据归一化处理的方法包括公式(3)和公式(4)：

正向参数归一化方程为：

反向参数归一化方程为：

其中，x_i，min为参数x_i在样本数据中的最小值，x_i，max为监测/观测参数x_i在样本数据中的最大值；以此将每个监测/观测参数进行归一化至[0,1]。

作为一种实现方式，工业智能仪表的损伤状态的判断方法包括：设定第一故障诊断阈值和第二故障诊断阈值，第一故障诊断阈值设为80％，第二故障诊断阈值设为60％，故障机理模型为Noisy-MAX模型；若诊断故障概率大于第一故障诊断阈值时，诊断预测结果认为该故障极有可能发生或已经发生，对故障节点进行报警；若诊断故障概率小于第一故障诊断阈值大于第二故障诊断阈值时，则对故障节点进行预警。在基于Noisy-max的贝叶斯网络模型中，每个节点都有多种状态变量，并且将状态变量进行规律排列，不同于常规贝叶斯网络推理过程即需要建立一个完备贝叶斯网络模型并设置所有的状态参数，各层网络节点相互独立，每个仪表模块参数节点都可以独立的反映出一定的仪表故障发生可能性，即上一网络节点的状态都可作为下网络节点状态的推理依据，可以有效地减少需要设定的参数量，降低工作量。

综上，本申请根据工业智能仪表的历史监测数据建立的贝叶斯网络模型，将待诊断仪表的实时监测数据输入构建的贝叶斯网络模型中，根据条件概率分布进行推理诊断即可得到故障类型诊断预测结果，能够用于作业环境现场辅助诊断和云端远程故障诊断预测，提高故障仪表的检修运维效率，降低企业仪表运维的人力成本和时间成本，预测诊断结果的准确性高。

应当理解的是，对于本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。具体实施方案所对应的附图以为辅助理解的形式存在，能够方便阅读者通过理解具体形象化的下位概念以充分理解本方法所涉及的技术理念之抽象化的上位概念。在对本方法的整体理解和与其他除本方法所提供的技术方案之外的技术方案进行比对时，不应当以附图之表象作为唯一参考依据，还应在理解了本方法理念之后，依照附图或不依照附图做出的一系列变形、等效替换、特征元素之糅合、非必要技术特征元素之删减重组、现有技术中常见的非必要技术特征元素之合理增加重组等，均应理解为被囊括在本方法的精神之内。

Claims

1.一种基于贝叶斯网络模型的工业智能仪表故障预诊断方法，用于工业智能仪表的故障预测，其特征在于，所述方法包括：

根据所述故障机理模型搭建所述工业智能仪表的贝叶斯网络模型，设定所述贝叶斯网络模型中的节点参数阈值；

评估所述工业智能仪表中故障机理模型的先验概率，并对所述贝叶斯诊断网络模型进行修正；

输入所述工业智能仪表在线监测数据至贝叶斯网络模型中，获取所述工业智能仪表的诊断故障类型和诊断故障概率；

根据所述诊断故障类型和诊断故障概率确定所述工业智能仪表的损伤状态。

2.根据权利要求1所述的基于贝叶斯网络模型的工业智能仪表故障预诊断方法，其特征在于，所述智能工业仪表的故障机理模型获取方法包括：

读取作为诊断预测对象的所述工业智能仪表的种类和型号；

收集与所述工业智能仪表的种类和型号匹配的故障类型；

在所述工业智能仪表的故障类型中选择与使用可靠性以及运行环境相关联的故障类型作为所述工业智能仪表故障预测的主要故障类型。

3.根据权利要求2所述的基于贝叶斯网络模型的工业智能仪表故障预诊断方法，其特征在于，所述工业智能仪表的故障类型收集方法包括：

从仪表用途、仪表功能单元/部件、仪表工作模式、使用场景下规范、时间约束、环境应力、工作应力7个方面充分识别和收集所述工业智能仪表的故障类型。

4.根据权利要求3所述的基于贝叶斯网络模型的工业智能仪表故障预诊断方法，其特征在于，所述工业智能仪表的故障类型收集方法还包括：

从仪表失效程度、仪表失效原因、仪表失效危害、仪表失效可预测性这四个方面对所述工业智能仪表的故障类型进行分类。

5.根据权利要求1所述的基于贝叶斯网络模型的工业智能仪表故障预诊断方法，其特征在于，所述贝叶斯网络模型搭建方法包括：

定义每个不同故障类型为一个故障模式节点Y，且与所述故障类型相关的若干故障因素节点x₁,x₂…x_n；

则所述故障模式节点与所述故障因素的条件概率对应关系为：

6.根据权利要求5所述的基于贝叶斯网络模型的工业智能仪表故障预诊断方法，其特征在于，所述贝叶斯网络模型中的节点参数阈值的设定方法包括：参考专家经验设定监测数据参数上、下限阈值，通过所述上、下限阈值将参数数值范围划分为过低、正常、过高三个区域。

7.根据权利要求1所述的基于贝叶斯网络模型的工业智能仪表故障预诊断方法，其特征在于，评估所述工业智能仪表中故障机理模型的先验概率并对所述贝叶斯诊断网络模型进行修正的方法包括：

对所述历史运行监测数据进行数据清洗和归一化处理，将所述历史运行监测数据中的每项监测参数归一化至[0,1]；

根据所述工业智能仪表的历史运行监测数据计算所述工业智能仪表具体故障的先验概率；

根据所述先验概率和所述历史运行监测数据自行学习网络节点间的概率性因果推理关系，对所述贝叶斯诊断网络模型结构和概率参数进行修正。

8.根据权利要求1所述的基于贝叶斯网络模型的工业智能仪表故障预诊断方法，其特征在于，所述工业智能仪表的损伤状态的判断方法包括：

设定第一故障诊断阈值和第二故障诊断阈值；若所述诊断故障概率大于第一故障诊断阈值时，诊断预测结果认为该故障极有可能发生或已经发生，对所述故障节点进行报警；若所述诊断故障概率小于第一故障诊断阈值大于第二故障诊断阈值时，则对所述故障节点进行预警。

9.根据权利要求8所述的基于贝叶斯网络模型的工业智能仪表故障预诊断方法，其特征在于，第一故障诊断阈值设为80％，第二故障诊断阈值设为60％。

10.根据权利要求1所述的基于贝叶斯网络模型的工业智能仪表故障预诊断方法，其特征在于，所述故障机理模型为Noisy-MAX模型。