PDF《具有自学习功能的贝叶斯融合故障诊断方法》

收稿日期: 2009唱09唱02;

修回日期: 2009唱11唱11 基金项目: 国家杰出青年科学基金资助项目(70825006);

国家自然科学基金资助项目 (70901024) 作者简介:周忠宝(1977唱),男,山东齐河人,副教授,博士,主要研究方向为可靠性工程、系统优化、金融工程与风险管理( Z.

B. Ihou@163. com);

马超群(1963唱),男,湖南汨罗人,教授,博导,主要研究方向为管理系统工程、金融工程与风险管理;

董豆豆(1976唱),男,河南焦作人,工程师, 博士,主要研究方向为系统安全风险监控;

周经伦(1955唱),男,湖南湘潭人,教授,博导,主要研究方向为系统工程理论与方法. 具有 自学 习功 能的 贝叶 斯融 合故 障诊 断方 法倡周忠宝

1 , 马超群

1 , 董豆豆

2 , 周经伦

2 (1. 湖南大学 工商管理学院, 长沙 410082;

2. 国防科学技术大学 信息系统与管理学院, 长沙 410073) 摘要: 大型设备自身的复杂性、设备的个体差异及工作环境的影响,使设备的故障知识呈现一定的独特性,获 取故障知识变得更为困难,针对上述问题,设计了一种能自动更新故障知识的故障诊断方法. 该方法采用贝叶 斯技术,融合专家的经验知识与设备自身的独特性故障知识,利用故障决策树对单层次和多层次的设备故障进 行诊断;

最后,给出一个实例证实此方法在实际工程中的简洁性与有效性. 该方法已运用于某大型装备的故障 诊断中,取得了良好效果. 关键词: 贝叶斯融合;

故障诊断;

决策树;

自学习;

多层次故障 中图分类号: TP18 文献标志码: A 文章编号: 1001唱3695(2010)05唱1764唱03 doi:10.

3969 / j. issn. 1001唱3695. 2010. 05.

045 Auto唱study diagnosis method based on Bayesian fusion ZHOU Zhong唱bao

1 , MA Chao唱qun

1 , DONG Dou唱dou

2 , ZHOU Jing唱lun

2 (1. School of Business Administration, Hunan University, Changsha 410082, China;

2. School of Information System &

Management, National University of Defense Technology, Changsha 410073, China) Abstract: It is difficult for experts to obtain fault knowledge for large equipment because of its complexity, speciality and dif唱ferent working environment.In order to overcome this difficulty, this paper designed a kind of diagnosis method based on Bayesian fusion theory, which could update fault knowledge automatically through fusing experts'

knowledge and equipment special fault knowledge.Then how to apply it to the diagnosis process of single and multiple layer failure modes for complex large equipment was showed. At last,validated the conciseness and efficiency of this new diagnosis method in real engineering works by an example. Key words: Bayesian fusion;

fault diagnosis;

decision tree;

auto唱study;

multilayer fault mode

0 引言 由于设备的复杂性、设备的个体差异性以及设备使用环境 的不同,即使同型设备的故障知识也呈现出不同;

而且,费用和 安全的限制也使人们不能对大型设备进行多次试验,设备的故 障样本表现为小子样特点 [1,2] . 因此,在进行故障诊断方法的 设计和选取时,需要考虑故障样本为小子样的特点,跟踪大型 设备使用时的故障情况,不断去更新和修正故障知识. 当前,许多技术可用来进行设备故障诊断,其中,采用较多 的是神经网络技术 [3,4] . 利用神经网络技术时,需要大量的故 障样本,且必须准确获取故障的征兆参数 [5] ,但是,大型设备的 许多组件都是模块化设计或电子产品,难以监测状态,所以,对 于一些特定的、初期使用的大型设备,采用神经网络技术进行故 障诊断还存在着一定的局限. 在文献[6]中,专家系统采用了 规则推理的方法进行故障诊断,而规则的置信度通常由专家初 始设定,不能根据设备的实际特性去动态更新故障知识,因此, 对于系统的动态变化,推理所用的规则也需要不断动态更新. 研究在小子样故障样本情况下的故障诊断方法具有重要 的意义. 贝叶斯技术 [7] 能有效处理小子样问题,将该技术用 到故障诊断上,可以融合设备的先验故障知识和现场的故障信 息,进而去动态修正设备的故障知识. 基于这种思想,本文针 对大型设备故障诊断的实际特点,为获取设备本身或使用环境 造成的、独特的故障知识,设计了一种基于贝叶斯融合技术的, 具有自学习功能的故障诊断方法. 这种方法结合了故障诊断 专家的先验知识,由当前不断得到的故障诊断案例去修正故障 知识,使故障知识不断向精确逼近. 但这种方法并不局限于小 子样故障情况下设备故障诊断,利用现场故障信息,采用方法 中的贝叶斯融合技术也可对基于规则的诊断知识进行不断的 修正.

1 单层故障诊断问题的描述 单层故障是指故障现象与对应的故障原因之间只有一个 层次的故障. 目前,许多大型设备都有相应的故障手册,它包 含了关于故障的知识及处理故障的预案,而且,都按照单层故 障的方式进行描述. 故障手册的格式通常如表

1 所示. 显然,在表

1 中所描述的单层故障知识只是关于故障情况 的简单罗列,而不包含设备故障本身特征所导致的差异性故障 知识,也不包含环境因素对设备影响所形成的故障知识. 第27 卷第

5 期2010 年5月计算机应用研究Application Research of Computers Vol.

27 No.

5 May

2010 表1设备故障手册中故障知识的表示方式 故障名称 故障原因 故障预案 1)故障原因 A1 故障 A 2)故障原因 A2 处理办法 3)故障原因 A3 … … … 由于手册中的知识过于笼统和粗糙,采用这种故障知识手 册对故障设备并不能进行高效快速的诊断. 对于单层次的故 障,可以利用故障手册建立设备的故障规则表,从而实现对单 层次故障的描述. 故障规则表比故障手册包含更丰富的知识, 下面对单层次故障规则表的建立进行说明. 首先,将设备故障手册中的故障知识表示成如表

2 所示的 格式. 在表

2 中,有几个关键的属性,即置信度、故障原因次数、 故障次数. 其中:置信度由故障专家根据经验给出;

故障原因次 数的含义为当某故障(如故障 A)出现时,相应故障原因出现的 次数;

故障次数的含义为某种故障(如故障 A)出现的总次数. 表2根据故障手册所建立的故障规则表 故障名称 故障原因 故障预案 置信度 故障原因次数 故障次数 故障 A 故障原因 A1 处理办法 B1 0.

33 0

0 故障 A 故障原因 A2 处理办法 B2 0.

33 0

0 故障 A 故障原因 A3 处理办法 B3 0.

33 0

0 设备运行一段时间后,表2所示的故障规则表可更新为表

3 所示的故障规则表. 表3设备运行一段时间经过更新后的故障规则表 故障名称 故障原因 故障预案 置信度 故障原因次数 故障次数 故障 A 故障原因 A1 处理办法 B1 0.

33 6

10 故障 A 故障原因 A2 处理办法 B2 0.

33 2

10 故障 A 故障原因 A3 处理办法 B3 0.

33 2

10

2 具有自学习功能的贝叶斯融合故障诊断方法 为了利用故障案例所蕴涵的知识对已有的故障知识进行 更新,本文设计了一种具有自学习功能的贝叶斯融合故障诊断 方法,可以在以前专家的经验知识之上融合当前出现的故障案 例知识,从而实现故障知识的更新. 首先给出贝叶斯融合方法的推导过程. 设故障模式 A 所 对应的故障原因有 n 种,记为 A1 ,A2 ,…,An . 在投入运行之前, 根据专家知识判断各种故障原因的先验概率,由此构造离散型 随机变量 Y,其分布律为 P(Y = Ai ) =θi ;

i = 1,…,n (1) 式(1)表示:当故障模式 A 出现时,其故障原因为 Ai 的先验概 率为 θi ,记θ=(θ1 ,…,θn ). 显然有钞 n i =

1 θi = 1. 设θi 的验前分布为 Beta 分布(值得注意的是,对于验前分 布的不同假设将会得出不同的估计),即π(θi ) =Be(θi ;

ai ,bi ) = Γ (ai + bi ) Γ (ai )Γ (bi ) θa i -

1 (1 -θi ) b i -

1 当0 A12 . 进而,通过搜索整个决策树,最后给出故障排序为 A11 >

A12 >

A2 >

A31 >

A32 .

4 结束语 本文针对大型设备故障诊断的特点,设计了一种基于贝叶 斯融合技术的,具有自学习能力的故障诊断方法. 该方法能够 利用设备的现场故障信息,融合专家的先验知识和设备独特性 的故障知识,实现故障知识的自学习. 该方法并不局限于小子 样故障情况下设备故障诊断,利用现场故障信息,采用方法中 的贝叶斯融合技术也可对基于规则的诊断知识进行不断的修 正. 同时,该方法能对多层次的故障进行诊断,且易于工程实 现. 该方法已成功运用于某大型装备的故障诊断中,取得了良 好效果,为进一步研究存在非确定性逻辑关系及共因故障情形 下的故障诊断方法奠定了基础. 参考文献: [1] 冯静,刘琦,周经伦,等. 小子样复杂系统保守可靠性增长模型 [J]. 中国空间科学技术,2004,24(2):59唱63. [2] 刘琦,周经伦,冯静,等. 小子样复杂系统可靠性增长试验评定的 Bayes 方法[ C] / / Proc of ICRMS. 北京: 华夏出版社,2004:269唱273. [3] KAVURI S N,VENKATASUBRAMANIAN V. Neural network decom唱position strategies for large scale fault diagnosis [ J]. International Journal of Control,1994,59(3):767唱792. [4] RENGASWAMY R,BRAMANIAN V. A fast training neural network and its updation for incipient fault detection and diagnosis[J]. Com唱puters and Chemical Engineering,2000,24(2唱7): 43l唱437. [5] KU W,STORER R H,GEORGAKIS C. Disturbance detection and iso唱lation by dynamic principal component analysis[ J]. Chemometrics and Intelligent Laboratory Systems,1995,30(1):179唱196. [6] 陈文伟. 决策支持系统及其开发[ M]. 北京:清华大学出版社, 1994. [7] PETER C B. Bayesian model selection and prediction with empirical applications[J]. Journal of Econometrics,1995,69(1):289唱331. [8] 张金槐,唐雪梅. Bayes 方法[ M]. 长沙:国防科技大学出版社, 1990. (上接第

1742 页) 参考文献: [1] YANG Qiang. Activity recognition: linking low唱level sensors to high唱level intelligence[C] / / Proc of the 21st International Joint Conference on Artificial Intelligence. 2009:20唱25. [2] YIN Jie,YANG Qiang,SHEN Dou,et al. Activity recognition via user trace segmentation[ J]. ACM Trans on Sensor Network,2008,4 (4):1唱34. [3] TSUKAMOTO,UEDA K. Design of wireless sensor network for multi唱point surveillance of a moving target based on the relationship between tracking probability and sensor density[C] / / Proc of the 6th Consum唱er Communications and Networking Conference. 2009. [4] COSTELLO C J,WANG I J. Surveillance camera coordination through distributed scheduling[C] / / Proc of the 44th IEEE Conference on De唱cision and Control, and the European Control Conference. 2005. [5] COSTELLO C J,DIEHL C P,BANERJEE A,et al. Scheduling an ac唱tive camera to observe people[C] / / Proc of the 2nd ACM Internation唱al Workshop on Video Surveillance and Sensor Networks. 2004:39唱45. [6] 康波. 视频监控业务管理子系统的软件设计[D]. 北京:中国科学 院软件所,2008. [7] KANSAL A,KAISER W,POTTIE G,et al. Virtual high唱resolution for sensor networks[C] / / Proc of the 4th International Conference on Em唱bedded Networked Sensor Systems. 2006:43唱56. [8 ] CHRISTOPHER R, WREN U, MURAT ERDEM, et al. Functional calibration for pan唱tilt唱zoom cameras in hybrid sensor networks[ J]. ACM Multimedia Systems Journal,2006,12(3):255唱268. [9] QURESHI F Z, TERZOPOULOS D. Surveillance in virtual reality: system design and multi唱camera control[ C] / / Proc of IEEE Confer唱ence on Computer Vision and Pattern Recognition. 2007:1唱8. [10] 任雍. 基于人........