基于贝叶斯网络的超速离心机故障诊断专家系统研究*

韩延喆，刘波峰，张 俊，向 阳，卓思成

（1.湖南大学电气与信息工程学院，湖南 长沙 410082;2.长沙易达仪器有限公司湖南长沙 410082）

0 引言

离心机是一种在工业生产中应用非常广泛的高速旋转机械，超速离心机是转速大于30000r/min的高性能离心机。实际使用时，转子在封闭的环境下高速旋转，经历这样的高负荷运行，长时间后即会出现转子不平衡、不对中和转轴磨损等一系列机械故障，并由此引发异常振动，使其故障率增高，影响生产和操作人员的安全性［1］。目前，国内对于离心机的故障诊断主要采用人工感官和简单仪表诊断，存在诊断效果差、耗时长、准确性低等问题。因此，研究一种超速离心机专用的故障诊断专家系统是十分必要的，可以有针对性的对超速离心机运行过程中出现的各种故障进行及时的诊断。

专家系统是一个智能计算机程序系统，能够利用人类专家的知识和解决问题的方法来处理该领域问题。专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。专家系统一般由知识库、推理机、知识获取机构、解释机制、综合数据库和人机界面组成［2］。专家系统常用的推理方法有基于规则的推理方法、基于人工神经网络的推理方法、基于模糊理论的推理方法与基于贝叶斯网络的推理方法等。其中基于贝叶斯网络的推理方法具有对知识库的依赖性小、知识表达简单、容易处理不确定性数据等特点［3］，所以，本文选择该方法作为超速离心机故障诊断专家系统的推理方法。

1 系统组成

超速离心机故障诊断专家系统原理如图1所示，主要由以下几个部分组成:

1）知识库:包含以规则形式编码的解决问题的领域专家知识。知识表示方法有很多种，包括产生式、语义网、框架、逻辑等方法。产生式知识表示方法是在专家系统中用得最多的一种知识表示方法。用产生式方法表示知识，由于各产生式规则之间是独立的模块，这对系统的修改、扩充特别有利。另外，产生式知识表示与人们很多思维习性十分吻合。

2）推理机:以知识库中的已有知识为根据，推理出结论。采用贝叶斯网络推理方法进行正向推理。

图1 超速离心机故障诊断专家系统原理图Fig 1 Principle diagram of ultracentrifuge’s fault diagnosis expert system

3）综合数据库:用来存储初始数据、实时数据以及计算过程中产生的数据。

4）解释机制:解释机制是指专家系统对用户所需求的概念和系统的行为像领域专家一样做出通俗易懂的解释，同时领域专家可通过解释系统了解系统的运行状况。

5）知识获取:为用户建立的一个知识自动输入方法，以代替知识工程师去编码知识。

6）人机界面:用户和专家系统软件界面之间的通信交互机构。

本系统采用Windows XP作为软件开发平台，数据库系统采用SQL Server 2000数据库软件开发，采用VC++为软件开发语言。

2 贝叶斯网络

贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。贝叶斯网络是基于概率推理的数学模型，所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程，基于概率推理的贝叶斯网络是为了解决不确定性和不完整性问题而提出的，它对于解决复杂设备不确定性和关联性引起的故障有很大的优势，在多个领域中获得广泛应用。

设A为故障征兆，Bi（i=1，2，…，n）为导致A产生的n种互不相容且完备的故障集，由贝叶斯公式可知

其中，P（Bi）为先验概率，P（Bi︱A）为后验概率［4］。贝叶斯网络就是要依靠先验概率和节点的条件概率来计算后验概率，从而得出在某故障征兆发生的情况下，引起该征兆的各种故障原因的概率。

3 贝叶斯网络的建立和推理方法

超速离心机故障包括转子故障、电机故障、控制电路故障及机械故障等。其中有关转子方面的故障占全部故障总数的70%。

所以，本文以转子故障为例建造贝叶斯网络，并说明推理方法。

贝叶斯网络是一个有向无环图，由节点和有向弧组成，其中节点代表论域中的变量，有向弧代表变量之间的关系。一个贝叶斯网络可以反映出变量之间的定性信息，也可以反映出定量信息。定性信息由有向弧来反映，定量信息由变量之间的关系强度来表示，它由节点与其父节点之间的条件概率来表示［5］。

贝叶斯网络的建造是一个复杂的任务，需要知识工程师和领域专家的参与。在实际应用中可能是反复交叉进行且不断完善的。超速离心机故障诊断应用的贝叶斯网络的构建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。一般地，构建贝叶斯网络结构的过程包括2个步骤，首先利用先验知识构建先验贝叶斯网络;之后结合已有数据并进行计算，得到后验贝叶斯网络［5］。

图2为离心机转子系统故障的贝叶斯网络模型，表1为离心机转子系统故障的贝叶斯网络表。图2列举出的转子的各种故障全部来源于领域专家的经验，以及离心机生产技术手册和说明书等，这些故障并不是转子系统的全部故障症兆，仅仅为常见故障，具有代表性，是为了说明贝叶斯网络推理方法。根据专家经验和现场工人的实际统计，根节点Ri的概率和各子节点Sj的条件概率都可给出如下，这需要领域专家和相关工作人员在大量数据和实验中总结出来［6］。

根据式（1）可以计算出在各征兆发生时，由哪个故障原因引起的概率，例如

其中

图2 超速离心机转子系统故障的贝叶斯网络模型Fig 2 Bayesian network model of ultracentrifuge’s rotor system

表1 超速离心机转子系统故障贝叶斯网络表Tab 1 Bayesian network table of ultracentrifuge’s rotor system

所以，带入公式计算出P（R2|S2）=43.5%。其他概率也可同理计算出，如表2。

表2 超速离心机转子系统故障原因概率表Tab 2 Fault reason probability table of ultracentrifuge’s rotor system

由表2可知，当S1故障征兆发生时，由R1引起的可能性为62.3%，R2，R3与S1无关，其他与之同理。这就得出了需要的故障诊断结果。

4 结果验证与仿真

某离心机生产工厂对1000台出厂的离心机做运行状况测试发现:有42台离心机在运行过程中出现1倍频幅值过大的故障，经过检测，其中8台离心机的故障为转子弯曲，概率约为19.1%;15台离心机故障为转子不对中，概率约为35.7%;19台离心机故障为转子不平衡，概率约为45.2%，计算出的数据和实际统计出来的数据误差很小。

故障仿真是通过MSBNx（用于贝叶斯网络的创建、评价和评估）软件来实现。在MSBNx上构建转子的贝叶斯网络模型，并输入父节点的先验概率和中间节点的条件概率，最后得出后验概率，如图3为当发生故障1倍频幅值过大时，输入父节点转子弯曲R1，转子不对中R2，转子不平衡R3的概率和节点S4的条件概率，经过软件计算得出结果。

图3 1倍频幅值过大的MSBNx仿真图Fig 3 MSBNx simulation of over large 1 times frequency amplitude

5 结论

贝叶斯网络的推理过程符合专家的思维方式，它不但提供给专家一个表达知识和经验的方法，而且可利用这些知识进行定量计算。贝叶斯网络在离心机故障诊断中的应用有以下优势:

1）贝叶斯网络可用简洁直观的图形描述故障与征兆间复杂的因果关系。

2）贝叶斯网络具有很强的不确定性推理能力，可定量计算出故障发生的概率，给出概率解释。

本文通过实际验证和仿真结果表明本研究的正确性和有效性，并可依据此结果进行检修，避免了大量繁琐和无用的工作，节省了时间与资源，同时提高了设备的可靠性和安全性。

［1］杨 建，徐 平，周保堂，等.离心机机械故障诊断专家系统设计及其应用［J］.机械科学与技术，1998，17（1）:132 －134.

［2］Giarratano J，Riley G.专家系统原理与编程［M］.印鉴.北京:机械工业出版社，2006.

［3］曾慧芳，朱慧明，李素芳.基于MH算法的贝叶斯分位自回归模型［J］.湖南大学学报自然科学版，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］徐斌刚，屈梁生，陶肖明.转子故障贝叶斯诊断网络的研究［J］.机械工程学报，2004，40（1）:66 －72.