基于模糊贝叶斯网络的门座式起重机起升机构电气故障诊断的研究

薛恺淳

摘 要：为了明确门座式起重机起升机构电气故障发生的关键因素，按照相关资料文献，利用贝叶斯网络构建了拓扑结构，并结合模糊理论的相关知识，利用三角模糊数和条件概率表（CPT）得出事件的条件概率，依据贝叶斯网络推理得出故障诊断的后验概率。利用GeNIe软件的诊断推理和灵敏度分析，可以准确找出导致门座式起重机起升机构发生故障的最关键因素。将计算得到的结果与实际经验对比表明该方法对于诊断门座式起重机起升机构故障是切实可行的。

关键词：门座式起重机；贝叶斯网络；模糊理论；故障诊断

中图分类号：TH213.4 文献标志码：A 文章编号：2095-2945（2018）02-0017-02

Abstract： In order to clarify the key factors of electrical failure of hoisting mechanism of gantry crane， according to the relevant documents， the topology structure is constructed by using Bayesian network， and the relevant knowledge of fuzzy theory is combined. The conditional probability of event is obtained by using triangular fuzzy number and conditional probability table， and the posterior probability of fault diagnosis is obtained by Bayesian network reasoning. By using the diagnostic reasoning and sensitivity analysis of GeNIe software， the most critical factors that cause the hoisting mechanism of gantry crane can be found out accurately. The comparison between the calculated results and the actual experience shows that this method is feasible for diagnosing the hoisting mechanism faults of gantry cranes.

Keywords： portal crane； Bayesian Network； fuzzy theory； fault diagnosis

1 概述

隨着社会对资源的需求日益增加，工业生产的规模也越来越趋于专业化与大型化。门座式起重机电气设备中隐藏着诸多危险因素，一旦发生故障就会造成巨大的财产损失和生命威胁，所以对于门座式起重机的故障分析和排除就显得尤为重要[1]。

门座式起重机起升机构部分用来升降货物，一旦出现故障，若不能够及时诊断故障出现的地方并迅速排查，不但会给港口装卸生产带来不必要的经济损失，更严重则可能引发安全事故[2]。

贝叶斯网络是建立在不确定知识表达和推理领域最为有效的方法之一。鉴于此，钟虞全[3]提出基于贝叶斯网络的智能故障诊断方法。然而实际应用中，由于故障的复杂性、不确定性等因素，难以得出故障概率的和条件概率的精确数值。因此，本文提出利用模糊理论和贝叶斯网络相结合的模糊贝叶斯网络故障诊断方法。结合专家打分，经过解模糊后利用贝叶斯推理对故障进行诊断，最后利用GeNIe软件验证该方法的可行性。

2 模糊集理论概率分析

2.1 专家语言模糊化

本文采用Wickens的评判7级理论表达自然语言，即把事件发生概率分为很高（VH）、高（H）、较高（FH）、中等（M）、偏低（FL）、低（L）、很低（VL）7个等级[4]，采用三角和梯形相结合的模糊数形式。

为了便于计算，现将7种模糊语言所对应的模糊数形式如表1所示。

2.2 专家权重的确定

通过收集3位业内经验丰富的专家信息，对结果进行下述处理，采用加权平均法计算权重值，计算结果见表2。

3 门座式起重机贝叶斯网络的建立

3.1 故障树的建立

根据起升机构的控制要素以及电气元件的构成，总结出4大主要的电气故障，分别为制动器故障、变频器故障、电机故障、电源故障。本文以“门机起升机构电气故障”为故障树的顶事件，建立故障树模型，且所有节点均为二态性，即故障和正常（1和0）两种状态。故障树的模型如图1，2所示。

由于排版限制，本文将门机起升机构电气故障分为两幅图来表达且其中所有节点均为逻辑或关系。

3.2 先验概率的计算

在确定了3位专家信息和相关权重后，利用三角模糊数方法求解各个根节点故障的先验概率[5]。

以根节点X10为例，3位专家就“行程开关损坏”这一根节点故障运算得：

3.3 条件概率表的计算

在得到根节点的先验概率后，还需要计算贝叶斯网络的条件概率表。以“总电源接触器触点接触不良”X1和“断路器、继电器故障”X2同时发生时“主回路电压低”M2不发生为例，计算P（M2=0|X1=1，X2=1）=0.2089。

4 贝叶斯网络模型仿真与结果分析

4.1 贝叶斯网络推理

贝叶斯网络的条件概率表计算完成后，将其输入GeNIe软件进行贝叶斯网络推理，得到后验概率信息如图3所示。endprint

根据网络推理的结果来看，门机起升机构电气故障发生的概率为38%，隶属于“较低”等级。比较节点T的四个父节点，其中M8“变频器故障”发生的概率为最大，而节点M8的父节点中属M10“变频器内部直流母排‘过电压OV”出现故障的概率最大。通过贝叶斯网络推理就能给工作人员提供快速排查故障的方案。

4.2 灵敏度分析

灵敏度分析可以用来确定对后果事件发生概率贡献较大的基本事件[6]。为了找到导致门机起升机构电气故障最为突出的因素，在图3的基础之上更新顶事件T的概率，使之发生的概率P（T=1）=100%。

通过假定顶事件T必然发生，经灵敏度分析可以得到根节点X15“变频器周围温度过高过热而保护值低”的后验概率最高，对门机起升机构发生电气故障的影响最大。

接着以最为核心的中间节点M10“变频器内部直流母排‘过电压OV”作为贝叶斯网络的观测节点，即把父节点P（M10=1）=100%作为新的证据输入再次进行推理，其子节点的故障出现的概率也相应产生变化，子节点M8发生故障的概率从55%增至68%，父节点M10的灵敏度为13%。

用同样的方法将M8的另一个父节点M9也使其概率P（M9=1）=100%，得到子节点M8发生故障的概率从55%增至76%，父节点M9的灵敏度为21%。

通过对比可以发现M9的灵敏度更大，即“变频器报‘过热OH1”是影响“变频器故障”最突出的因素。

5 結束语

本文采用模糊集理论和贝叶斯网络相结合的方法，提出基于模糊贝叶斯网络的门座式起重机起升机构电气故障的诊断方法。其中利用三角模糊数与专家打分相结合的方法，根据模糊数形式进行解模糊处理，得到精确值的条件概率表。最后结合贝叶斯网络模型，进行贝叶斯网络推理和灵敏度分析，提高了贝叶斯网络处理模糊信息的能力和排查故障发生的最突出因素的能力，具有较高的实际应用价值。

参考文献：

[1]李君.港口起重机电气故障诊断与处理[M].武汉：武汉理工大学出版社，2009：70-102.

[2]刘普.基于PLC和变频器的港口门座起重机控制系统研究[D].南京理工大学，2014.

[3]钟虞全.贝叶斯网络在起重机故障诊断中的应用[D].湖南大学，2011.

[4]何友奇，蒋新华，聂明星.基于模糊贝叶斯网络的叉装车制动系统故障诊断研究[J].微型机与应用，2016，35（11）：70-73.

[5]霍春勇，董玉华，高惠临，等.管道故障树基本事件分析的德尔斐法[J].油气储运，2005，24（1）：8-11.

[6]陆莹，李启明，周志鹏.基于模糊贝叶斯网络的地铁运营安全风险预测[J].东南大学学报（自然科学版），2010，40（05）：1110-1114.endprint