基于贝叶斯网络的自动装弹机维修决策

王国辉，焦庆龙，赵 波

（装甲兵工程学院，北京 100072）

基于贝叶斯网络的自动装弹机维修决策

王国辉，焦庆龙，赵 波

（装甲兵工程学院，北京 100072）

在分析贝叶斯网络的结构和特点的基础上，以自动装弹机的部件输弹机为例，构建了输弹机不旋转故障模式的贝叶斯网络模型，并对网络模型进行训练和学习，在计算网络模型相关参数的基础上进行维修决策分析，梳理出排除输弹机不旋转故障的一般性方法，为研究自动装弹机的维修决策提供参考。

自动装弹机，贝叶斯网络，维修决策

0 引言

自动装弹机作为复杂的机电一体化武器部件，是装甲车辆武器系统的重要组成部分之一，自动装弹机的应用对于提高装甲车辆的机动性和射速具有重要意义，与此同时在国内外不同类型的装甲车辆中普遍存在自动装弹机故障率高、可靠性差的问题，且自动装弹机出现故障后一般难于查找故障原因和排除故障，因此，较大程度上限制了自动装弹机效能的发挥。

国内学者针对这一问题，分别采用不同的故障诊断方法开展自动装弹机的故障诊断研究［1-8］，如粗糙集理论、模糊专家系统、模糊故障树理论等。综合以上方法的应用过程来看，上述方法对于开展自动装弹机的故障诊断研究效果明显，且具有一定的实际应用价值，但上述方法应在已得出结论的基础上对自动装弹机的维修策略进行系统地分析和梳理，对于总结排除自动装弹机常见故障的通用方法具有重要意义。

鉴于以上问题，笔者尝试采用贝叶斯网络理论对自动装弹机的维修策略进行分析和研究。

1 输弹机典型故障的贝叶斯网络建模

贝叶斯网络的基本理论是在概率论（包括先验概率、后验概率、条件概率和联合概率等）的基础上建立的，在贝叶斯网络中对所有事件的不确定性和推理都通过概率的形式来表达和实现，进而通过概率来解释不同事件的可信程度，为事件的推理提供依据［9］。

一个完整的贝叶斯网络模型通常由两部分组成：

（1）一个表示事件间因果关系的有向无环图S；

（2）与每个事件相对应的条件概率表P。

输弹机作为自动装弹机的组成部件之一，主要用于存储和输送炮弹。已知导致输弹机不旋转的故障因素有以下几种：①开关和按钮故障；②电机故障；③电磁铁故障；④行程开关故障；⑤继电器故障。

建立输弹机不旋转故障模式的贝叶斯网络模型，如图1所示。

图1 输弹机不旋转贝叶斯网络模型

2 网络模型训练和学习

在建立输弹机不旋转贝叶斯网络模型的基础上，在专家的指导下分别建立图1中各网络节点的条件概率。以节点E为例，如表1所示（F=Fault，表示事件为假；T=True，表示事件为真）。

表1 节点E条件概率表

其他节点的条件概率表本文不再一一列举，以节点C和节点E为例，对这两个节点的网络进行训练，分别取网络训练样本数量为100和200，训练结果如图2和图3所示。

图2 节点C网络训练曲线

图3 节点E网络训练曲线

由图2和图3的训练结果可以看出，样本数量为200的数据曲线要比样本数量为100的数据曲线更加趋近于原始数据曲线，表明在样本数量充足的情况下获取到的事件的先验概率能够反映各事件间的因果关系。

对于网络模型的学习，本文采用基于约束的贝叶斯网络学习算法，即如果子节点与父节点之间有明确的隶属关系，则将该子节点与父节点之间的数值结果定为-1，否则定为0。输弹机不旋转贝叶斯网络模型的学习结果如图4所示。

图4 输弹机不旋转贝叶斯网络学习曲线

在图4的学习结果中可以看到144个节点中共有11个节点的取值结果为-1，分别为：

网络学习结果符合图1中所建立的模型，且该网络模型不存在隐含节点（即a（，）=-2），因此，可以开展下一步的参数计算和分析。

3 维修决策分析

设备维修决策是指设备的故障模式与最佳维修操作方案的推理过程［10］。采用贝叶斯网络对设备的维修决策进行分析，是指依据网络模型中各个概率信息节点和贝叶斯概率公式逐步进行计算和分析，根据当前步的计算结果判断网络模型的下一步走向，进而得出影响当前故障模式的最主要因素，并在此过程中进行维修方案的比较，选取最佳的维修方案。

分别对输弹机不旋转贝叶斯网络模型中节点E子网络和节点L子网络的边缘概率分布和联合概率分布进行计算。

3.1 节点E子网络计算及其分析

节点E子网络边缘概率分布计算结果如图5所示。

图5 节点E子网络边缘概率分布直方图

由图5看出在解锁电磁铁发生故障的情况下，DT2-K1发生故障的概率约为58%，继电器J9发生故障的概率约为62%，XS-DT1自身发生故障的概率约为27%，计算结果表明继电器J9故障在解锁电磁铁XS-DT1发生故障的影响因素中所占比重较大，因此，在解锁电磁铁发生故障时，可优先对继电器J9进行故障排查。

节点E子网络联合概率分布计算结果如图6所示。

图6 节点E子网络联合概率分布曲线

由图6可以看出曲线的最高点为节点组合（I= K=J=E=1），表明当解锁电磁铁XS-DT1自身故障、继电器J9故障和触点DT2-K1故障皆不发生时，解锁电磁铁XS-DT1故障不发生的机率比较大。

图6中曲线的最低点为节点组合（I=J=K=2，E=1），表明当解锁电磁铁XS-DT1自身故障、继电器J9故障和触点DT2-K1故障同时发生时，解锁电磁铁XS-DT1故障不发生的可能性非常小，上述两证据符合客观事实。

3.2 节点L子网络计算及其分析

节点L子网络边缘概率分布计算结果如图7所示。

图7 节点L子网络边缘概率分布直方图

由图7可以看出当节点L=2时，节点C为真的概率约为58%，节点D为真的概率约为18%，节点E为真的概率约为69%，节点F为真的概率约为30%。即在输弹机不旋转故障发生的情况下，继电器J11未闭合的故障概率约为58%，输弹机电机ZD1的故障概率约为18%，XS-DT1发生故障的概率约为69%，装弹按钮的故障概率约为30%。可以看出解锁电磁铁XS-DT1在输弹机不旋转故障的影响因素中所占比重较大，在输弹机不旋转故障发生时，可优先对解锁电磁铁进行故障排查，如果解锁电磁铁XS-DT1没有故障，可排查继电器J11。

节点L子网络联合概率分布计算结果如图8所示。

图8 节点L子网络联合概率分布曲线

由图8可以看出曲线的最高点为节点组合（C=2，D=2，E=F=L=1），表明当继电器J11故障和电机ZD1故障同时发生时，输弹机不旋转故障不发生的机率比较大，图中曲线最低点为节点组合（C=2，D=2，E=2，F=2，L=1），表明当继电器J11未闭合故障、输弹机电机ZD1故障、解锁电磁铁XS-DT1故障和装弹按钮故障同时发生时，输弹机不旋转故障不发生的机率非常小，这一证据符合客观事实。

图8中节点组合（E=2，F=2，L=1）的概率值普遍较小，表明当解锁电磁铁XS-DT1故障和装弹按钮故障同时发生时，输弹机不旋转故障不发生的可能性非常小，即二者的组合在输弹机不旋转故障的影响因素中所占比重较小，因此，在输弹机不旋转故障发生时，可优先考虑继电器J11和输弹机电机ZD1的组合事件是否发生故障。

图9 提升机常见故障列表

图10 维修决策系统界面示意图

综合3.1节和3.2节的计算结果分析得出结论：在输弹机不旋转故障的影响因素中解锁电磁铁XS-DT1故障所占比重较大，而在解锁电磁铁XS-DT1故障的影响因素中继电器J9故障所占比重比较大，因此，在输弹机不旋转故障发生时，可优先检查继电器J9是否故障。

利用贝叶斯网络分别对自动装弹机其他各部件的常见故障进行建模、计算和分析，通过Lab-VIEW软件建立基于贝叶斯网络的自动装弹机维修决策系统，如图9和图10所示。

4 结论

采用贝叶斯网络的方法开展自动装弹机的维修决策研究，从该方法的应用效果来看，该方法更加侧重于分析自动装弹机故障模式中各影响因素的比重及其相互关系，即该方法采用了由果索因的逆向推理机制，在综合分析各种影响因素的基础上提高了故障诊断效率，给出了确切的维修策略分析结果，对于提高自动装弹机的科学化维修决策水平具有重要意义。

［1］王丹，姚竹亭，王立.粗糙集属性约简在自动装填系统故障诊断方面的应用［J］.电子技术，2010，9（9）：10-14.

［2］李向荣，彭锐枫，王国辉，等.基于Petri网的自动装弹机故障诊断推理［J］.四川兵工学报，2011，32（11）：17-20.

［3］王国辉，王威.基于故障Petri网的自动装弹机故障诊断研究［J］.火炮发射与控制学报，2004（4）：55-58.

［4］王国辉，孙正民，刘罕杰.基于模糊故障树理论的旋转输弹机故障诊断研究［J］.计算机测量与控制，2009，17（6）：1146-1148.

［5］张振山，李培富，黄晶晶，等.模糊Petri网在坦克自动装弹机故障检测中的应用［J］.四川兵工学报，2011，32（9）：7-9.

［6］汪名杰，杨玲.基于模糊理论的装甲车辆自动装弹机故障树分析［J］.兵工自动化，2010，29（5）：81-82.

［7］王国辉，王威，张振山，等.装甲车辆自动装弹机故障诊断研究［J］.火炮发射与控制学报，2003（2）：44-47.

［8］张振山，赵俊严，赵富全.坦克自动装弹机故障诊断技术［J］.火炮发射与控制学报，2006（增刊）：50-52.

［9］李海军，马登武，刘霄，等.贝叶斯网络理论在装备故障诊断中的应用［M］.北京：国防工业出版社，2009.

［10］李淑智，冯永保，于军.基于贝叶斯网络的机械设备智能维修决策研究［J］.第二炮兵工程学院学报，2008，22（3）：73-76.

Research on Maintenance Decision for Auto-loader Based on Bayesian Network

WANG Guo-hui，JIAO Qing-long，ZHAO Bo
（Armored Force Engineering,Beijing 100072，China）

On the basis of analyzing the structure and characteristics of Bayesian Network,taking revolving ramming device of auto-loader as an example，in revolving ramming device in is constructed，the network model is trained and learned,the maintenance decision is analyzed on the basis of the related parameters is computed,it provides evidence for summarizing general methods of eliminating the breakdown function of non rotate mode of revolving ramming device，it provides a reference for research of making maintenance decision for auto-loader.

auto-loader，Bayesian network，maintenance decision

TJ303+

A

1002-0640（2015）03-0155-04

2014-01-17

2014-03-25

王国辉（1966－ ），男，河北赵县人，教授。研究方向：武器系统结构及其维修保障。