基于贝叶斯网络的智能空调故障诊断系统

邹瑞洁

（陕西 西安 710000）

随着人们生活水平的不断提升，空调的应用也越来越普遍，但随之而来的是各种各样的空调故障问题，如果人为地去将空调拆开，一个一个部分地去检查问题，这样不仅会浪费大量的时间，而且会有零件损伤的危险。贝叶斯网络在各类行业里都得到了广泛的应用，例如贝叶斯网络在航空发动机燃泵故障的诊断中就显示出了一定的优势。周巧莲将贝叶斯网络应用在驱动电机的故障诊断中，很好地为地铁车门故障维修提供支持和参考。梁潇、王海峰等人将基于贝叶斯网络的智能诊断方法应用在列控车载设备上，有效的提升了列控车载设备故障诊断的效率，使诊断结果更为准确和全面。因此基于贝叶斯网络的故障诊断方法用于解决复杂系统的故障诊断有很大的优势。本文就利用贝叶斯网络来解决有关空调故障的不确定性事件，为空调故障诊断提供了一种省时省力的智能诊断系统，提升了空调系统故障诊断的效率和精度。

1 贝叶斯网络概述

贝叶斯网络又称信念网络，是一种概率网络，也是一种基于贝叶斯方法的图形化网络，其网络拓扑结构是一个有向无环图。在贝叶斯网络的有向无环图中，每个节点表示一个变量，有因果关系或非条件独立的变量之间用带箭头的弧线连在一起。箭头的来源节点是“因”，箭头指向的节点是“果”，用条件概率表示这两个节点之间的相互影响程度。由于其图形化的结构，贝叶斯网络在处理不确定性问题方面具有独特的优势，同时，该结构还可以有效地进行多源信息表达与融合，能够帮助我们在生活中减少不必要的损失，是处理不确定性信息的重要工具。我们可以将其运用到各种各样的事件中，小到家庭用具的故障检测，大到国家武器的检测，是可以减少耗时和人力的绝佳方法。

贝叶斯网络的构造主要分为以下两步：

（1）咨询领域专家，选好随机变量，并确定其相互之间的拓扑关系，形成有向无环图。

（2）通过已有的数据，进行贝叶斯网络的训练，获得有向无环图中各节点的先验概率值，以及节点与节点之间的条件概率值。

2 基于贝叶斯网络的故障诊断方法

基于贝叶斯网络模型解决实际问题的过程称为基于贝叶斯网络的推理，在基于贝叶斯网络的推理中，主要有因果推理和诊断推理，其中诊断推理是一种自下而上的推理，目的是在已知某结果时，找出最有可能产生该结果的原因。

在贝叶斯网络中，没有任何导入箭头的节点叫做根节点，箭头指向的节点叫做子节点，箭头来源的节点叫做父节点。基于贝叶斯网络的故障诊断推理是通过贝叶斯网络的逆向推理功能，即已知某节点结果，来推断各级父节点的后验概率，直到获得各根节点的后验概率，然后通过比较其概率大小来判断故障最有可能发生的原因。

在贝叶斯网络拓扑结构中，对于根节点要确定先验概率；对于每个子节点要确定其在父节点不同状态下的条件概率值。变量集U = ( x1, x2,...,xn)中的每个元素对应贝叶斯网络中的每一个节点，则联合概率密度P( x1, x2,...,xn)为：

式中，πi为Xi父节点的集合。

Xi的边缘概率为：

基于贝叶斯网络的故障诊断方法主要是根据实验结果进行统计推导，假设已取得观测结果e，则有：

通过此公式可以计算各父节点的后验概率，再通过比较各父节点后验概率的大小，即可找到故障发生最有可能的原因。

3 智能空调故障诊断系统

随着技术的不断发展，空调器所集成的功能越来越多，系统也越来越复杂。由于空调器各系统之间是彼此联系、相互影响的，故障现象和故障原因之间并不是一一对应的关系。传统的故障诊断过多的依赖维修师傅的经验，但即使经验丰富的人员有时也难免漏掉可能的故障点。

智能空调故障诊断系统，首先基于空调器维修领域专家的经验建立空调故障的贝叶斯网络，然后维修人员通过获得的空调故障表现，进行诊断推理，得出可能导致该故障现象各个因素的后验概率，从概率最大的因素开始进行排查。这样不仅能降低空调器维修对维修人员经验的要求，还可以使得维修排查的顺序最优，节约排查时间，提高诊断精度。

由于空调系统过于复杂，本文通过一个简化的例子来进行智能空调故障诊断系统的验证。

空调器制冷的速度与空调滤网的积尘和出风口风量的大小有关，而滤网的积尘对出风口的风量也有影响，但风量不仅受滤网积尘的影响，还受风机叶轮是否打滑影响。据此，建立了贝叶斯网络，并通过大量的维修数据，得到各节点的先验概率。然后通过咨询富有经验的维修师傅，再通过查阅资料获得大量的维修数据，得到各节点的先验概率和各节点间的条件概率分布，这样就可以完成空调系统故障诊断的贝叶斯网络模型的建模。空调系统贝叶斯网络简图如图1所示。

图1 空调系统贝叶斯网络简图

当发现空调器制冷速度慢时，诊断的过程为：

（1）在贝叶斯网络图中找到空调器制冷速度的节点D；

（2）修改空调器制冷速度节点D的状态概率分布，即 P（D=F）=1；

（3）根据贝叶斯网络图，通过贝叶斯推理算法，得到图中各节点对应随机变量的后验概率；

（4）比较各节点对应随机变量的后验概率，对后验概率最大的节点所对应的变量进行检查。

根据图1中所建立的空调系统贝叶斯网络模型，可求得空调器制冷速度慢是由于滤网积尘过多导致的概率

同理可得，空调器制冷速度慢是由于风机叶轮打滑导致的概率P( B = F | D = F)为 29．41%。

由此可以看出空调器制冷速度慢是由于滤网积尘过多导致的概率较大，需要先对空调滤网的积尘进行检查。

4 结语

随着现代生活水平的不断提高，空调器已被广泛使用，但由于空调器系统较为复杂，故障现象与产生故障的原因并不是一一对应的。因此，为降低空调系统故障排查与维护对于维修人员经验的依赖程度，提高空调系统故障排查的效率和诊断的准确度，本文基于贝叶斯网络结构，采用贝叶斯公式进行推断，为空调故障提供了一种省时省力的智能诊断系统。通过实例验证，该方法有效地提升了空调系统故障诊断的效率和精度。