基于Weka的港口起重机故障诊断方法

崔益娟　覃海焕　芦立华

[摘    要]针对工业4.0环境下，对港口起重机进行人工故障排除与维修需要花费大量的时间、人力及维修人员经验难以共享的问题，提出了一种基于Weka的港口起重机故障诊断方法，该方法将起重机的故障模式建模为贝叶斯网络。在故障发生时，可快速诊断故障类型、定位故障原因，有效缩短故障诊断时间、降低维修成本，实现快速维修及维修经验的传承与共享。

[关键词]故障诊断;起重机;贝叶斯网络;weka

[中图分类号]TM76 [文献标志码]A [文章编号]2095–6487（2020）05–00–03

Fault Diagnosis Method of Port Crane based on Weka

Cui Yi-juan， Qin Hai-huan， Lu Li-hua

[Abstract]In view of the problem that manual troubleshooting and maintenance of port cranes takes a lot of time， manpower and maintenance personnel experience is difficult to share in industrial 4.0 environment， a Weka based port crane fault diagnosis method is proposed.This method models the crane fault mode as Bayesian network.

[Keywords]fault diagnosis; crane; Bayesian network; weka

在工業企业中，设备管理特别是大型、重型设备的管理是生产管理中很重要的组成部分，港口起重机是一种复杂而智能化的重型装备，广泛应用于港口的货物搬运、集装箱吊装等操作中。目前世界各国的港口起重机的维护成本都相当高，故障发生时，从故障原因定位、排除到维修完成，花费时间长、成本高，而且依赖于维修人员的经验。这些经验难以共享，前者会导致设备停机时间长，影响企业生产，造成企业的巨大损失，后者会导致知识浪费与流失，起重机故障导致的重大人员伤亡事故也时有发生。因此，通过建设自动化的起重机故障诊断方法，实现起重机故障的快速诊断定位，降低起重机的维护费用，避免重大人员伤亡事故的发生，成为各企业保持持续竞争力的迫切需求。

为解决这个问题，一种方法是直接设计开发自动化的起重机故障诊断系统，如文献[1]给出了贝叶斯网络在起重机故障诊断中的应用方法及故障诊断系统的设计，文献[2]基于故障树的大吨位履带起重机的故障诊断方法和相应的故障诊断平台的设计与实现。但这些工作都没有提供故障诊断模型的可视化建模工具，且故障诊断系统的建设周期很长，在企业尚不明确起重机的故障模式及故障建模、诊断过程中可能遇到的众多问题的情况下，如针对的是起重机本身的故障还是相关设备（如AGV （Automatic Guided Vehicle，自动导引小车））的故障、是否需要为相同设备型号的不同起重机单独建立故障诊断模型、历史数据不理想等，极易导致项目效果不理想或项目建设失败。

另一种方法是，在业务整理初期选择开源工具进行故障诊断模型建模及诊断，待需求逐渐明晰后再针对企业的具体需求建设起重机故障诊断系统。在港口起重机的故障诊断过程中，上级故障症状和下级故障原因之间存在偶然性和不确定性，而贝叶斯网络（Bayesian network）对解决复杂设备不确定性和关联性引起的故障有很大的优势[3]，Weka是一种支持贝叶斯网络可视化建模和分析的功能强大的开源工具[4]。因此，本文采用Weka作为基于贝叶斯网络的故障诊断工具。

基于Weka的港口起重机故障诊断方法将起重机的故障模式建模为贝叶斯网络，可使企业专注于发现并整理起重机故障模式。在故障发生时，可快速诊断故障类型、定位故障原因，有效缩短故障诊断时间、降低维修成本，实现快速维修及维修经验的传承，提高起重机的运行的可靠性，从而避免重大人员伤亡事故的发生，减少工程被中断和设备损坏对国民经济建设造成的巨大损失。

1  基于Weka的港口起重机故障诊断方法

1.1  贝叶斯网络与Weka简述

贝叶斯网络是一种基于概率推理的数学模型，即通过一些变量信息来获取其他概率信息的过程，模型包含两部分：模型节点网络结构和节点的条件概率分布（conditional probability distribution，CPD），若变量是离散型，CPD可以采用表的形式表达，称为条件概率表CPT。CPT中对有父节点的节点用联合条件概率表示父节点的取值与子节点取值之间关系的强弱，列出父节点的每一种取值组合的条件下其子节点取每一个值的概率，对没有父节点的节点，则使用先验概率表示该节点取每一个值的概率。

基于贝叶斯网络的推理既可以用于诊断，也可以用于预测，即在给定观察节点的值的条件下，估计隐藏节点的值。若观察到贝叶斯模型的“叶”节点的值，并尝试推断导致这一结果的根节点的取值概率，称为诊断。若观察到贝叶斯模型“根”节点的值，并尝试测试其结果，称为预测。

WEKA（Waikato Environment for Knowledge Analysis，怀卡托智能分析环境）是一个著名的数据挖掘工作开源平台，集合了大量前沿的、能承担数据挖掘任务的机器学习算法和数据预处理工具，包括对数据进行预处理、分类、回归、聚类、关联规则等，为数据挖掘的整个过程提供全面的支持，包括准备输入数据、统计评估学习方案、输入数据和学习效果的可视化。并提供了可视化功能以及包管理、ARFF查看器、SQL查看器和贝叶斯网络编辑器等工具，其中，贝叶斯网络编辑器提供了贝叶斯网络建模和推理的相关功能。

1.2  基于Weka的港口起重机故障诊断步骤

基于Weka的港口起重机故障诊断包含如下步骤：

（1）建立贝叶斯网络模型：分析各起重机故障的原因、各原因发生的概率以及在各原因不同取值的联合条件下该故障发生的概率，建立每个起重机故障的贝叶斯网络模型。有两种方法：

①自动建立模型。在企业已经积累了较理想的故障诊断历史数据的情况下，可使用Weka提供的通过数据集学习贝叶斯网络结构、学习CPT的功能完成贝叶斯网络模型的建立。②手动建立模型。建模人员根据企业整理的以及从历史数据中观察到的故障模式、故障及其原因节点的概率，首先建立贝叶斯网络结构，包括新增原因节点和故障节点，添加从原因节点指向故障节点的有向边，前者为父节点，后者为子节点，父节点引发子节点故障;然后编辑每个节点的CPT，包括每个父节点取每一个值的概率，每个子节点在其各个父节点的每一种取值组合的条件下取每一个值的概率。

（2）计算并显示模型的聚簇和边缘概率：使用Weke提供的显示聚簇、显示边缘概率功能计算并显示模型的聚簇和边缘概率，该计算使用联结树算法进行计算。完成边缘概率计算的模型才可用于故障诊断。

（3）故障诊断：故障发生后，首先定位并打开相应的贝叶斯网络模型、显示边缘概率，然后将观察到的节点的取值设置为证据，如，该故障为真，则该故障节点取真值的概率为1.0，取假值的概率为0.0，设置证据之后，Weka会根据证据重新计算边缘概率，原因节点中取真值的概率最大的节点即为导致该故障最可能的原因。

1.3  港口起重机故障诊断案例

起升机构是起重机的四大机构之一，负责物品的提升、位置的转移和物品的下降及释放，使用频繁且容易出现故障导致事故，据统计，在国内外发生的起重机重大事故中，起升机构引发的事故占有很大的比例，例如辽宁铁岭钢厂钢包脱落重大安全生产事故。因此，需要及时监测起升机构零部件的故障和损坏情况，及时排除故障、更换零部件。本节选择起升机构的制动器过载故障作为案例，着重阐述如何分析制动器故障的原因及其发生概率，从而在Weka中建立该故障的贝叶斯模型并进行故障诊断的方法。因项目建设初期，企业的历史数据通常并不理想，本节采用手工建模方式。

导致起升制动器过载故障（简记为FLT01）的可能原因为起升制动器开关（简记为HBCB）打开，而导致起升制动器开关打开的可能原因包括：电机缺相（简记为R01）、推杆调整过紧（简记为R02）、热保护整定不正确（简记为R03）和热保护开关损坏（简记为R04），这些節点的可能取值都只有两种：TRUE或FALSE，根据经验及故障历史记录可知R01-R04取TRUE或FALSE的概率如表1所示。

在原因节点R01-R04取值为TRUE或FALSE的情况下，起升制动器开关HBCB打开或关闭的概率如表2所示。其中，每一列联合条件下，条件概率的加总应为1。

起升制动器过载故障FLT01的可能原因只有HBCB，其为真值或假值的概率如表3所示。

根据以上分析，可在Weka贝叶斯网络编辑器中建立FLT01的故障诊断模型，其结构如图1所示，再按照表1到表3依次编辑每个节点的CPT，即可完成建模。之后，通过编辑器的菜单项Tools|ShowMargins计算并显示模型中每个节点的边缘概率，如图2所示，可以看出通常情况下，FLT01发生的概率为0.3564。

若生产过程中，起重机发生了FLT01故障，即FLT01为TRUE，则可将如图2所示的FLT01故障诊断模型中的节点FLT01的“TRUE”值设置为证据，即可完成故障诊断，结果如图3所示。从图中可看出，最可能导致FLT01发生的原因为R04，发生概率为0.5983，其次为R02，发生概率为0.5319。故障原因诊断非常迅速，在现场排除故障后，还可将导致故障的真正原因记录下来，后续可用来优化诊断模型的CPT。

2  结语

Weka能够很好地满足迫切需要在短期内实现港口起重机故障诊断的工业企业的需求，在企业发现并整理出起重机故障模式和相应的概率之后，可快速地将其建模为贝叶斯网络，并可在一定的积累之后通过数据优化诊断模型。在故障发生时，可快速诊断故障类型、定位故障原因，有效缩短故障诊断时间和停机时间、降低维修成本，实现快速维修及维修经验的传承，提高起重机的运行的可靠性，从而避免重大人员伤亡事故的发生，减少工程被中断和设备损坏对国民经济建设造成的巨大损失，使企业保持持续的竞争力。

参考文献

[1] 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.

[2] 宋佳昊.大吨位履带起重机故障信息管理与故障诊断系统[D].上海交通大学，2014.

[3] 李海军.贝叶斯网络理论在装备故障诊断中的应用[M].国防工业出版社，2009.

[4] Alex Seewald，David Scuse.WEKA Manual for Version 3-8-1.

[5] 尚敬强，原思聪，卫东东，等.基于遗传算法的BP神经网络在塔式起重机故障诊断中的应用[J].起重运输机械，2012（4）：61-64.

[6] 阮翔.电梯起重机械故障诊断与优化设计[J].硅谷，2013（5）：124.

[7] 崔永兵.电梯起重机械故障诊断与优化设计[J].装备制造技术，2014（10）：251-252.

[8] 付芹，谷立臣.PNN在塔式起重机故障诊断中的应用[J].起重运输机械，2010（3）：92-94.

[9] 俞宏福，冯浩，殷晨波，等.基于物联网和BP神经网络的起重机故障诊断[J].建设机械技术与管理，2017（11）：51-56.

[10] 高明剑.大型港口起重机故障诊断[J].现代制造技术与装备，2017（9）：117-118.