基于贝叶斯推理机诊断液压油缸爬行故障研究

闻源长，郭建斌，张晓康

（1.杭州市萧山区农机水利局，浙江 杭州 31 1 2 5 1；2.河海大学能源与电气学院，江苏 南京 2 1009 8）

基于贝叶斯推理机诊断液压油缸爬行故障研究

闻源长1，郭建斌2，张晓康2

（1.杭州市萧山区农机水利局，浙江 杭州 31 1 2 5 1；2.河海大学能源与电气学院，江苏 南京 2 1009 8）

应用贝叶斯推理机的后验概率，模糊定量化液压油缸爬行故障与产生故障影响因素之间的相关性趋势。液压油缸爬行故障的诊断应用表明，贝叶斯推理机对底事件驱动后验失效概率呈现0.03% ～ 10.93%分布，有效指向故障原因按密封圈失效导致进气、导向压条过紧导致摩擦力不均等次序排列，更好地保障工程可靠运行。

液压油缸；故障诊断；贝叶斯网络；推理机

1 问题的提出

液压系统的故障诊断和维修是一项复杂的经验性工作，随着计算机技术、人工智能技术的迅速发展，专家系统在液压技术领域故障诊断中的研究与应用逐渐得到重视。挖掘、组织、利用专家经验进行有效的故障诊断，一直是国内外相关研究的重要方向。

贝叶斯推理机制是一种基于贝叶斯网络，依据一定的规则从已有的事实推出结论的机制，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。商业银行全面风险预警中利用贝叶斯推理机，测算各类诱因对商业银行全面风险的影响，以帮助银行采取措施化解风险[1]；京沪高速铁路建设项目中，运用贝叶斯网络方法研究,建立质量管理风险因素的贝叶斯推理机模型，提高了高速铁路建设的质量管理风险分析的针对性和可控性[2]；电液伺服动作器可靠性分析中，利用系统功能逻辑关系建立贝叶斯网络可靠性评估模型，可有效提高器件的可靠性[3]。

本文应用贝叶斯推理机方法，计算出系统故障概率和底事件重要度分布情况，模糊定量化液压油缸爬行故障与产生故障影响因素之间相关性趋势的后验概率，有效指向故障发生原因、部位，以及相应解决措施等。基于贝叶斯推理机的液压油缸爬行故障诊断，具有重要的工程现实意义。

2 贝叶斯推理机的基本理论

2.1 贝叶斯推理机概述

贝叶斯推理机（Bayesian Network，BN）是属于图模型范畴中一种，通过分析各种知识之间的相关性概率，提示各层数据之间的相互关系，是人工智能中处理不确定问题的有力工具。简单贝叶斯推理机模型图见图1。由图1可知，通过各层节点、有向弧段对应的条件后验概率表（CPT），从而形成故障可能性概率分析的诊断推理机，从而对故障发生原因、部位，以及相应解决措施形成有效指向。

图1 简单贝叶斯推理机模型图

2.2 贝叶斯推理机相关算法

推理机(Inference Engine)是专家系统中实现基于知识推理的部件，是基于知识的推理实现，主要包括推理和控制2个方面，依据一定的规则从已有的事实推出结论的过程。知识的运用模式称为推理方式，知识的选择称之为推理控制，核心是推理控制策略[4]。

贝叶斯推理机，推理算法按以下3种模式[5]进行：

（1）因果推理。因果推理是一种自上而下的推理，利用掌握的根节点先验概率，沿有向弧段进行正向推理，确定叶节点的发生概率。记为

（2）诊断推理。诊断推理是在已知结论的条件下，推导可能导致该结论产生的事件发生概率。该模式应用于故障诊断中，在掌握故障事实的条件下，去求解原因节点的后验概率。在图1中，分析在Fault_B发生的条件下，Symptom_1发生的可能性大小，即求解P ( S1 = T | FB = T )，得到P ( S1 = T | FB = T ) = P ( FB = T, S1 = T ) /P ( FB = T )。

（3）解释推理。解释推理囊括了以上2种模式，是对产生现象说明解释的一种推理模式，用于分析导致结论发生的事件之间相互影响程度。通常利用Kevin p.murphy开发的在Matlab上运行的FullBNT - 1.04开源包，开展贝叶斯推理机计算。

3 贝叶斯推理机对液压油缸爬行故障诊断

3.1 液压油缸故障分类

对液压油缸故障，按系统层故障和元件层故障进行分类，常见故障模式见表1。

表1 液压启闭机常见故障模式表

3.2 液压油缸故障的贝叶斯推理机

以“液压油缸系统故障”作为顶事件，按自上而下、逐层次建立系统层故障与元件层故障间的关联树[6]。在分析总结液压油缸结构特点、功能需求的基础上，以故障概率的后验概率为条件，计算出系统故障概率和底事件重要度分布，形成故障有序排查的系统故障诊断推理机（见图2）。可以明确1个故障顶事件A1，17个故障中间事件B1、B2、…、B17等，24个底事件C1、C2、…、C24，相关节点定义见表2。

表2 液压油缸爬行故障推理机节点定义表

图2 液压油缸爬行故障贝叶斯推理机模型图

3.3 液压油缸爬行故障的贝叶斯推理机诊断

依据液压油缸故障的贝叶斯推理机模型，首先，获取液压油缸爬行故障的底事件模糊失效概率[7]，以及转化各个节点的条件概率集；其次，导入这些信息到Matlab文件；然后，通过工具箱FullBNT - 1.04上完成贝叶斯推理机的推理诊断。

（1）底事件后验概率结果分析。获取液压油缸爬行故障的各底事件后验概率（见表3）。为直观掌握各个底事件的后验概率情况，建立底事件后验概率统计特性图（见图3）。

图3 底事件后验概率统计特性图

表3 底事件后验概率值表

由图3可知，在底事件中，C15、C16、C11、C13、C14等的后验概率偏大，C15（液压油缸密封圈失效）后验概率最大。因此，当液压油缸发生爬行故障时，宜首先检测C15；如果不是，则继续向下查找，直到找出故障原因为止。

（2）底事件重要度计算。底事件的重要度是指底事件（根节点）对于顶事件发生的影响程度，表现为发生概率重要度和关键性重要度[8]，按公式(1)、(2)计算确定。获取液压油缸爬行故障的各底事件概率重要度和关键性重要度后验概率（见表4 ～ 5）。为直观掌握各个底事件关键重要度情况，建立底事件关键重要度统计特性（见图4）。

式中：Iipr为底事件概率重要度；Iist为底事件关键重要度；P(T = 1 | Xi= 1)为条件概率。

表4 底事件概率重要度表

表5 底事件关键重要度表

图4 底事件关键重要度统计特性图

由图4可知，在底事件关键重要度中，C15、C16、C14、C11明显偏大，为降低液压缸爬行故障发生率，在生产、设计、安装调试过程中，提高这些底事件的可靠度，将有利于系统整体可靠性的提高。

（3）节点后验概率计算结果分析。顶事件“液压油缸爬行 — A1”，究竟来源于“油源故障引起的爬行 —B1”，还是“控制油路故障引起的爬行 — B2”或者“液压缸自身引起的爬行 — B3”，由各节点后验概率确定。各节点后验概率分别为：P(B1 = 1 | A1 = 1)= 0.167 1、P(B2 = 1 | A1 = 1) = 0.325 7、P(B3 = 1 | A1 = 1)= 0.558 0。液压油缸爬行故障，按照诱因所属的后概率可能指向，最大可能来源于液压油缸自身，其次是控制油路和油源。因此故障发生时，推理机诊断宜按B3 → B2 → B1的次序逐项排除解决，避免不必要地大卸大拆。

（4）故障贝叶斯推理机结论。应用贝叶斯推理机的后验概率，模糊定量化液压启闭机常见故障与产生故障影响因素之间的相关性趋势，明确系统指向薄弱环节，为保障系统正常运行、故障分析提供较为可靠的依据；各部件的后验概率成果，有效指向故障诊断次序，使得工程故障诊断更加高效[7]。

4 结 语

（1）贝叶斯推理机对底事件驱动后验失效概率计算，有效指向液压油缸爬行的故障诊断、故障排除次序，较好满足高效诊断的工程需要。

（2）贝叶斯推理机正向推理计算维修后的系统可靠性指标，对液压系统的可靠性设计和故障诊断具有较好的指导作用。

[1] 陆静，王捷．基于贝叶斯网络的商业银行全面风险预警系统[J]．系统工程理论与实践，2012，32(2)：225 - 235．

[2] 周国华，彭波．基于贝叶斯网络的建设项目质量管理风险因素分析 — 以京沪高速铁路建设项目为例[J]．中国软科学，2009(9)：99 - 106．

[3] 李乃鑫，陆中，周伽．电液伺服作动器可靠性评估的贝叶斯网络方法[J]．西北工业大学学报，2016，34(5)：915 - 920．

[4] 王亚南．专家系统中推理机制的研究与应用[D]．武汉：武汉理工大学，2006．

[5] 厉海涛，金光，周经伦，等．贝叶斯网络推理算法综述[J]．系统工程与电子技术，2008，30(5)：935 - 939．

[6] 陈东宁，姚成玉，王斌．贝叶斯网络在液压系统可靠性分析中的应用[J]．液压与气动，2012(7)：58 - 61．

[7] 陈东宁，姚成玉．基于模糊贝叶斯网络的多态系统可靠性分析及在液压系统中的应用[J]． 机械工程学报， 2012 (16)：175 - 183．

[8] 陈正，李华旺，常亮． 基于故障树的专家系统推理机设计[J]．计算机工程，2012，38(11)：228 - 230．250．

（责任编辑 黄 超）

Research on diagnosis of creeping fault in hydraulic cylinder based on Bayesian inference engine

WEN Yuan - chang1，GUO Jian - bin2，ZHANG Xiao - kang2
(1. The Off i ce of Agricultural Machinery And Water Conservancy，Hangzhou 311251，Zhejiang，China；2.The College of Energy and Electrical Engineering，Hohai University，Nanjing 210098，Jiangsu，China)

The application of Bayesian inference machine posterior probability，fuzzy correlating the trend between creeping fault of hydraulic cylinder and the inf l uencing factors.The diagnosis of hydraulic cylinder creeping fault shows that bottom event driven posterior failure probability of the Bayesian inference engine is between 0.03% ～ 10.93%，according to the possible fault causes seal failure caused intake、guide lead to uneven friction tight layering in order，making the security and reliability of engineering better.

hydraulic cylinder；fault diagnosis；Bayesian network；inference engine

TH137

A

1008 - 701X(2017)04 - 0033 - 04

10.13641/j.cnki.33 - 1162/tv.2017.04010

2017-02-20

水利部技术示范项目(SF - 201723)；江苏省水利科技项目(2014027)。

闻源长(1984 - )，男，工程师，硕士，主要从事水利工程的建设管理工作。E - mail：155374121@qq.com