基于贝叶斯网络的冷链运输故障分析与对策

黄 颖，钱清波

（1.江苏科技大学张家港校区，江苏 张家港 215600；2.中船工业现代物流研究中心,江苏 镇江 212003；3.雅迪科技集团有限公司，江苏 无锡 214105）

1 引言

冷链运输过程是整个冷链中最容易出现故障的环节。参与人员多，耗时长，外部不确定因素多等都对冷链过程造成了巨大的风险。因此，“断链”问题主要出现在运输环节。对这一环节进行故障风险分析，能够有效提升冷链系统的可靠性，保障冷链的质量，降低风险损失，提升冷链物流的服务水平。

对于冷链运输的故障识别与防范，目前主要的方法是采用故障树（FTA）技术，针对不同的冷链物流故障，可以将故障状态作为分析的目标，并寻找引致这一故障发生的各种因素，分析系统发生故障时的各种可能原因，实现问题的迅速定位，为问题的解决与预防提供可靠的决策参考。

目前，物联网技术的快速发展，为故障因素的数据采集提供了大量智能硬件，通过全过程的监控与大量数据的分析，可以有效得到各种运输状态，利用故障调查表得到的各种故障因素，生成贝叶斯网络，为后续的故障分析与决策提供可靠的决策建议，提高冷链物流过程中应对风险的应急能力。

2 冷链运输的故障分析

在2016年，全国冷链市场的市场需求达到了2 200亿元，比上年增长了22.3%。海量的市场需求推动了冷链行业的快速发展。但是与发达国家相比，我国的冷链化率以及冷链服务水平依然不高。在冷链运输环节，不规范现象以及劣币驱逐良币现象仍然较为普遍。

在冷链运输市场中，设备与温度不达标，为降低成本，中途关掉制冷设备等不规范行为导致了冷链过程失控，据统计，对冷链产品来说，温度每升高6摄氏度，细菌的生长速度加快一倍，货架期缩短一半。而这样不规范的竞争行为，在市场上利用价格优势参与竞争，损害了消费者的利益。

因此，在冷链运输过程中，需要能够对冷链过程进行有效的跟踪，对数据进行实时的采集记录，为决策提供坚实的依据。

冷链运输过程中的故障主要可以分为主观故障和客观故障两个方面，根据长时间的跟踪分析，归纳主要有如下几个方面，具体见表1。

表1 冷链运输过程中的常见故障

在可能导致冷链运输过程失控的诸多因素中，有很多是可以通过技术手段或者管理手段加以解决的。在宏观政策环境方面，2017年4月，由国务院办公厅下发的《国务院办公厅关于加快发展冷链物流保障食品安全促进消费升级的意见》，明确提出“着力构建符合我国国情的‘全链条、网络化、严标准、可追溯、新模式、高效率’”的现代化冷链物流体系，满足居民消费升级需要，促进农民增收，保障食品消费安全。”通过制修订一批冷链物流强制标准，推动行业优胜劣汰，促进行业有序发展。

因此，在冷链运输环节做好故障分析，提高冷链管理水平，提升质量是当务之急。

3 基于贝叶斯网络的冷链故障分析方法

贝叶斯网络又称为信念网络，是目前对不确定知识表达以及推理领域的重要模型之一。1988年由Pearl提出后，已经成为近年来的热点，特别是在AI算法上，大量用到了贝叶斯网络进行机器学习。在冷链故障分析中，利用各种渠道来源信息构建贝叶斯网络，首先将设备故障分为各个相互独立且完全包含的类别，然后对各个故障类别分别建造贝叶斯网络模型。通常冷链故障由一个或几个原因造成，这些原因又可能由一个或几个更低层次的原因造成。建立起网络的节点关系后，还需要进行概率估计。具体方法是假设在某故障原因出现的情况下，估计该故障原因各个节点的条件概率，这种局部化概率估计的方法可以大大提高效率。使用贝叶斯网络必须知道各个状态之间相关的概率。要得到这些参数，既需要通过各种传感器的采样，也需要由故障分析人员填写风险故障分析表，记录在故障发生时各个因素所出现的状态条件，通过大量数据的训练，能够协助分析人员得出在某状态出现时，导致故障发生的风险概率，从而提前做好相应的预防工作。

3.1 故障分析系统的组成

故障分析系统主要由以下几个部分组成：

（1）数据库。用于储存冷链运输过程中各控制节点所采集的数据，以及常态化的故障分析表数据信息。

（2）电子地图。对运输过程进行实时化监控与调度，便于实现远程化管理。

（3）信息采集与监控系统。通过利用各种传感器（如温湿度、加速度、光线、超声等）采集运输过程中的各种状态信息，分析各状态参量是否处于正常值范围，为决策提供参考。

（4）故障分析与控制系统。通过基于故障树的贝叶斯网络分析，在状态参量出现异常时，能够及时根据贝叶斯网络对故障概率进行估计，并且提供故障应对与解决的参考意见。

3.2 故障风险分析数据采集

利用贝叶斯网络构建故障分析模型并不困难，难点在于如何获得各个状态变量，并通过概率推理来获取其他概率信息的过程。状态变量的采集也分为硬件数据采集和人工风险登记两方面：

（1）硬件数据采集。现有的智能硬件主要核心是传感器技术和网络通信技术。通过传感器可以根据一定的时间间隔记录状态信息，通过网络将信息发送至控制中心，对不同状态量的获取和联合分析，能够对运行状态进行有效的监控，当发生异常时，可以及时进行相应的处理，使事后控制变成事前和事中控制，降低故障成本。例如，对冷藏车厢内，通过多个温感探头，能够探测到在不同区域温度的状态与变化情况。通过出风口和回风口温度，能够侦测不同区域温度的变化情况，通过设备记录的温度变化情况，可以对全过程进行有效监控。

（2）人工风险登记。冷链运输的实际执行者是人，是与冷链运输系统直接相关联的主体。因此，通过制度化的风险登记手段，能够对已出现的或者尚未出现的问题进行系统化的排查，并且对故障原因以及解决手段进行记录，不断地训练故障分析系统，使之能够更为准确地预知故障。常见的人工风险登记表见表2。

风险分析表的作用在于：

（1）便于企业收集故障风险发生以及其原因的一手资料，有益于今后贝叶斯风险网络的建立。

（2）便于企业收集相关故障风险的处理方案，并通过方案耗费以及耗时的对比，了解最佳的处理方式，并应用于今后风险数据库的建立。

3.3 基于Netica的贝叶斯网络构建

对于贝叶斯网络的构建，目前已经有了不少应用工具，如BayesBuider、BN Toolkit、JavaBayes等。使用Java开发的Netica软件进行故障模型的建立，能够快速地建立贝叶斯网络模型，通过数据训练快速得到故障概率信息，便于决策。

表2 风险故障分析表

4 应用案例

本文以冷链过程中的车辆抛锚故障为例，对其进行原因分析，来阐述贝叶斯网络的构建以及后续推理的过程。

4.1 冷链车辆抛锚原因分析

车辆抛锚是冷链车辆运行过程中的大敌，会导致冷气机无法正常工作，带来冷链产品的质量失控。车辆抛锚的故障分析见表3。

表3 车辆抛锚故障分析

由此可以看出，导致车辆抛锚的原因很多，且关系也较复杂。图1为车辆抛锚原因的关系图。

4.2 贝叶斯网络模型的建立

根据图1的原因分析图建立贝叶斯网络。

（1）新建的贝叶斯网络如图2所示。

创建贝叶斯网络后，要对节点进行重新定义，包括名称、标题、离散等属性。由于贝叶斯网络没有进行参数的训练，网络中所有节点的概率栅为灰色不可用。

图1 车辆抛锚原因关系图

（2）网络数据的训练。贝叶斯网络的训练分为两种方式，第一种是通过软件节点的Table窗口进行直接设置，如图3所示。

第二种则是通过调用样本数据表，根据实际数据进行训练。在学习之前，需要先明确各节点的名称以及主题：A:车辆抛锚；B：变速箱损坏；C：车架故障；D：燃油泵损坏；E：未定期保养；F：保养不仔细；B1：变速箱打齿；B2：长期空档滑行；C1：停车姿势不正确；D1：线路烧坏；D11：油位长期过低。由图2可知，每一个节点都是Nature型变量，其可分为两种不同的状态：Yes（有此状况）和No（未有此情况）。现实中，对于数据的来源可以通过以下方式：历史数据的读取以及利用风险故障分析表来对当下风险发生的原因以及表现进行记录，合并之后进行整理。

图2 贝叶斯网络的创建

图3 贝叶斯网络参数直接设置方式

通过采集各节点的状态数据，用其对构建的贝叶斯网络进行训练。模拟样本数据如图4所示。

经过样本数据训练后，贝叶斯网络如图5所示。

4.3 利用贝叶斯网络进行风险推理

贝叶斯网络的风险推理是通过更改网络中不同节点的具体情况，推理出风险发生的原因或者可能产生的后果，在与原贝叶斯网络以及显示掌握的信息的对比，对未知因素进行预测。

贝叶斯网络的预测主要有三种方式：

（1）Reason分析（诊断分析）：该分析方式主要用于对风险故障发生后的原因倒查，并可结合风险预案数据库，完成对故障风险的最优化处理（最低耗时以及最低耗费）。假设，在贝叶斯网络图中，车辆抛锚已成事实，而要分析推理车辆抛锚的可能原因，则改变网络图中车辆抛锚（A）节点的状态Yes的概率为100，No的概率为0，再通过Netica的auto update功能，得知改变后各节点的概率的改变，如图6所示。

图4 模拟样本数据

图5 数据训练之后的贝叶斯网络

通过图5与图6的对比，发现变速箱损坏、车架故障、燃油泵损害、未定期保养、保养不仔细的概率都有所上升。其中变速箱损坏的概率上升了10.4%，车架故障损害的概率上升了2%，燃油泵损害的概率上升了2.3%，未定期保养的概率上升了3.3%，保养不仔细的概率上升了1.3%。所以，可以推测出该车辆抛锚的原因大概率为变速箱的损坏。

（2）Result分析（原因结果分析）：该分析方式主要是针对已存在的状况（个人操作失误、管理失误以及机械故障），对可能发生的风险以及风险发生的概率进行预估，对于可导致风险发生的大概率事件，通过优化管理、制度规范等达到预防的效果。假设，在贝叶斯网络中，车主未定期保养，我们要推测的车辆抛锚的概率，则在贝叶斯网络中改变未定期保养（节点E）节点的状态Yes的概率为100，No的概率为0，再利用Netica软件的auto update功能，得知各节点状态的变化，如图7所示。

图7与图5对比，车辆抛锚的概率上升了5%，这说明车辆未定期保养会造成车辆抛锚的概率上升。

（3）综合推理：综合推理是结合诊断推理和因果推理的综合推理方式，是在已经知晓风险和已经知晓某故障时，推断另外故障发生出现的可能性。该分析方式主要是针对某些复杂风险，并通过已掌握的实际情况（已知某状况或者失误存在或不存在），进行复杂故障的原因排查。

通过Netica软件实现风险的原因分析，需要大量现实数据的支撑。而冷链的储运在不同地区各种风险发生的概率都有所不同，所以本文仅提供冷链储运风险发生原因的贝叶斯网络的构建，对于参数的训练，则要结合各地区的冷链风险发生现状以及过往的相关数据进行设立。

图6 车辆抛锚原因分析

图7 未定期保养结果分析

4.4 冷链运输过程故障贝叶斯网络模型

冷链运输过程故障主要是车辆和制冷系统的相关故障，其中制冷系统相关的故障包括：

（1）车厢温度下降缓慢。主要原因包括：冷库的门未关闭严实、制冷设备的功效过低、制冷设备中缺少冷媒或者冷媒不足、制冷设备凝霜较重。

（2）制冷设备不启动：冷库断电或者线路损坏、制冷设备发生故障、温度控制器故障。

（3）压缩机运行过程中突然停止：电机过热、管道堵塞、继电器断电、电压过低、冷负载过大。

（4）压缩机不能停止：控制系统失灵、压缩机气阀泄漏。

车辆故障包括：

（1）车辆无法启动：油箱没油或燃油油位过低、电瓶没电、喷油器损坏、进气系统故障。

（2）车辆抛锚：如上述实例。

（3）车辆刹车不灵：刹车系统保养不当、司机操作不当（高速状态频繁刹车、刹车油不足、制动片老化、刹车线断裂）、严重超载。

（4）车辆高速行驶发生车辆震动：胎压不均、轮胎定位以及轴距不准。

（5）车辆转向不足或过度转向。

根据上述原因分析，可通过Netica软件建立相应的贝叶斯网络，以便进行风险故障的原因分析。建立的贝叶斯网络如图8所示。

图8 冷藏车风险的贝叶斯网络

4.5 应急预案数据库的建立

应急预案数据库主要是在发生风险后，在知晓大致原因的情况下，通过调用数据库中预存的风险处理方案，为操作人员提供最为正确的处理方式。其主要操作方式如下：

（1）根据各风险发生原因，编写解决方案（如车辆爆胎解决方案、压缩机故障解决方案等）并录入到数据库之中。

（2）根据实际发生的风险，通过Netica软件分析得出风险发生原因。

（3）根据原因调用应急预案数据库中的应急预案。

（4）根据采集来的车、库内外温湿度来推测计算在冷藏品安全受到威胁前，大概的风险处理时间。

（5）将应急预案以及处理时间发送给发生风险的终端，由实际操作人员根据实际情况选择最优的处理方案。

5 结论

冷链运输是物流领域中快速成长的具有较高附加值的领域，其中的风险问题需要通过科学的手段进行分析与预判，降低故障出现概率，并且借助于大量数据的采集，训练人工智能技术，为科学决策提供更为有力的参考，提升冷链的应急管理水平。