本發(fā)明屬于故障診斷領(lǐng)域，具體涉及一種基于貝葉斯網(wǎng)絡(luò)的橋式起重機(jī)故障診斷方法。

背景技術(shù)：

大型橋式起重機(jī)是國家重點監(jiān)管的特種設(shè)備之一，隨著我國現(xiàn)代化建設(shè)事業(yè)發(fā)展和改革的深入，工業(yè)生產(chǎn)規(guī)模不斷擴(kuò)大，生產(chǎn)應(yīng)用中對橋式起重機(jī)正常運行提出了更高的要求。據(jù)生產(chǎn)統(tǒng)計，因起重機(jī)發(fā)生故障導(dǎo)致生產(chǎn)中斷的時間占總生產(chǎn)停止時間的15％，因此有必要建立一套行之有效的橋式起重機(jī)故障診斷系統(tǒng)，提高故障及時修復(fù)率，保證企業(yè)生產(chǎn)進(jìn)度。

故障診斷系統(tǒng)的核心在于如何快速定位已發(fā)故障的第一故障點及根據(jù)診斷結(jié)果進(jìn)行預(yù)防性維修。而貝葉斯網(wǎng)絡(luò)是目前不確定性知識表達(dá)和推理領(lǐng)域最有效的理論模型之一，能夠?qū)崿F(xiàn)雙向推理，綜合先驗信息和樣本信息，因此非常適合在故障診斷領(lǐng)域中應(yīng)用。近年來，有學(xué)者將貝葉斯網(wǎng)絡(luò)應(yīng)用到橋式起重機(jī)金屬結(jié)構(gòu)安全評估領(lǐng)域，取得了一定的成果。然而，在現(xiàn)有的研究中，對橋式起重機(jī)的故障事件解耦不夠充分，沒有搭建較為全面的橋式起重機(jī)故障診斷貝葉斯網(wǎng)絡(luò)，故障診斷模型形式較為固定，沒有結(jié)合故障底事件的實際狀態(tài)，使得診斷模型存在適用性差、診斷結(jié)果不夠準(zhǔn)確等問題。發(fā)明一種基于健全貝葉斯故障診斷網(wǎng)絡(luò)，結(jié)合橋式起重機(jī)的實際性能參數(shù)，能夠?qū)崿F(xiàn)快速、準(zhǔn)確地對已發(fā)故障第一故障點定位及故障表現(xiàn)預(yù)測的橋式起重機(jī)故障診斷方法具有重要意義。目前，應(yīng)用在電力線路、航天系統(tǒng)等故障診斷中成效良好。

將貝葉斯網(wǎng)絡(luò)應(yīng)用于起重機(jī)的尚未發(fā)現(xiàn)。經(jīng)對現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，公開文件“基于故障樹和雙向聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)的橋式起重機(jī)故障診斷方法”(自動化與信息工程，2014)針對橋式起重機(jī)的故障診斷系統(tǒng),提出一種基于故障樹(FTA)和雙向聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)(BAM)相結(jié)合的故障診斷方法，其不足之處是：該方法對起重機(jī)故障樹模型做了較大簡化，雙向神經(jīng)網(wǎng)絡(luò)模式在處理故障耦合級聯(lián)時達(dá)到網(wǎng)絡(luò)共振的耗時較長，診斷效率較低，且推理過程沒有依據(jù)橋式起重機(jī)實際性能狀態(tài)。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種基于貝葉斯網(wǎng)絡(luò)的橋式起重機(jī)故障診斷方法，首先將橋式起重機(jī)故障模型進(jìn)行分解，按照故障指標(biāo)體系搭建故障樹模型，然后結(jié)合貝葉斯拓?fù)渚W(wǎng)絡(luò)和貝葉斯診斷算法提出一種故障診斷方法，最后將此故障診斷模型用實例驗證檢驗效果。

本發(fā)明的目的通過以下技術(shù)方案實現(xiàn)：

本發(fā)明具體如下：

步驟一、將橋式起重機(jī)進(jìn)行模塊分解，將已發(fā)故障事件歸類，按照獨立層次主元法劃分故障層次和故障主元，得到橋式起重機(jī)的故障樹模型，建立橋式起重機(jī)故障事件貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；將存在因果關(guān)系的故障節(jié)點用有向線段相連，若某一故障節(jié)點是造成另一故障節(jié)點的原因，則稱此故障節(jié)點是另一故障節(jié)點的父節(jié)點。在貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，不存在父節(jié)點的故障節(jié)點稱為根節(jié)點，其余節(jié)點稱為葉節(jié)點。根節(jié)點的先驗概率、葉節(jié)點的條件概率均用歷史故障診斷樣本的統(tǒng)計概率賦值；

步驟二、將貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的節(jié)點劃分為模塊狀態(tài)層、故障推理層和故障底事件層。

步驟三、采集模塊狀態(tài)層的輸出信號，根據(jù)橋式起重機(jī)各模塊是否正常運行選擇故障診斷模式，具體是指利用傳感器和PLC讀取橋式起重機(jī)貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中模塊狀態(tài)層的狀態(tài)信息，當(dāng)模塊狀態(tài)層的信號顯示正常時，代表橋式起重機(jī)仍可繼續(xù)工作，此時故障診斷系統(tǒng)進(jìn)入故障表現(xiàn)預(yù)測模式；當(dāng)模塊狀態(tài)層某個模塊傳遞的信號不正常時，則代表橋式起重機(jī)此模塊運行故障，此時故障診斷系統(tǒng)進(jìn)入已發(fā)故障的第一故障點定位模式。

步驟四、利用數(shù)據(jù)采集卡檢測故障底事件的實際性能參數(shù)，用s表示檢測得到的性能參數(shù)，s′表示發(fā)生故障的臨界指標(biāo)，歸一化處理后得到故障底事件的當(dāng)前先驗故障概率e_i；

步驟五、橋式起重機(jī)的貝葉斯算法診斷：故障診斷模式進(jìn)入橋式起重機(jī)故障表現(xiàn)預(yù)測模式時，將故障底事件的故障概率e_i作為貝葉斯網(wǎng)絡(luò)的推理證據(jù)輸入算法模型，利用公式(1)計算故障推理層各節(jié)點此刻性能狀態(tài)為故障F時的概率，將得到的故障推理層各節(jié)點性能狀態(tài)為故障F時的概率作為e_i的輸入，再次利用公式(1)便可對橋式起重機(jī)整機(jī)的性能狀態(tài)作出診斷；

其中，X_ij為故障底事件層節(jié)點、X_i為故障推理層節(jié)點，i、j均為大于1的整數(shù)；故障概率P最大的模塊即為預(yù)測發(fā)生故障的模塊；利用公式(2)可將橋式起重機(jī)整機(jī)的故障概率P轉(zhuǎn)化為實際性能狀態(tài)A：

其中，Nor代表正常，At代表注意，Da代表危險。

故障診斷模式進(jìn)入橋式起重機(jī)已發(fā)故障的第一故障點定位模式時，利用貝葉斯后驗概率算法，即公式(3)計算各故障底事件因發(fā)生故障的概率P_i：

將定位的故障底事件排查后作為證據(jù)，即故障概率e_i＝0，輸入繼續(xù)推理，直到排查到故障點。

所述橋式起重機(jī)故障事件貝葉斯網(wǎng)絡(luò)所有的根節(jié)點構(gòu)成故障底事件層，包括制動瓦襯、主彈簧、行程制動電磁鐵、液壓推動器、電磁鐵磁拉力、制動器杠桿傳動系統(tǒng)、制動螺桿、制動瓦襯、電磁鐵線圈、制動器電路、制動力矩、限位器、小車車輪、小車車架、小車同一位置主梁高度差、小車軌道焊縫處斷裂、小車起動情況、小車軌道潔凈度、小車車輪、小車主動輪軸磨損、主梁上拱度、主梁盤彎度、主梁腹板波浪變形度、端梁變形度、減速器底座螺栓松緊度、減速器傳動軸與電機(jī)軸同心度、減速器構(gòu)件剛度、減速器通氣孔、減速器排氣孔、固定螺栓松緊度、鋼絲繩、制動器與墊片間隙、主彈簧彈性、制動帶與制動輪表面潔凈度、山形鉤變形、液壓推桿松閘器自由度、抱閘松緊度、極限開關(guān)、控制線路、大車齒輪箱漏油、電動機(jī)負(fù)載、電動機(jī)電壓、機(jī)械傳動系統(tǒng)、減速器傳動軸與電機(jī)軸同心度、電動機(jī)軸承、電動機(jī)轉(zhuǎn)子、控制器回轉(zhuǎn)、控制器觸頭、交流接觸器線圈、熔斷器、過電流繼電器和限位器。

所述橋式起重機(jī)故障事件貝葉斯網(wǎng)絡(luò)的葉節(jié)點分為故障推理層和模塊狀態(tài)層，故障推理層包括制動器剎車、制動器開合、小車車輪平面、小車運行狀態(tài)、減速器振動、減速器油封、吊鉤、卷筒、電動機(jī)運轉(zhuǎn)發(fā)熱和電動機(jī)振動；模塊狀態(tài)層包括制動器、小車、金屬結(jié)構(gòu)、減速器、升吊設(shè)備、電氣設(shè)備、電氣線路、起重機(jī)狀態(tài)、機(jī)械結(jié)構(gòu)和電氣系統(tǒng)。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：本發(fā)明在利用貝葉斯診斷算法前，對橋式起重機(jī)的故障事件充分解耦，搭建較全面的貝葉斯網(wǎng)絡(luò)故障診斷模型，結(jié)合模塊狀態(tài)信號層的狀態(tài)參數(shù)，判斷故障發(fā)生模塊，并利用診斷模型快速診斷第一故障點，在排查過程中不斷更新故障底事件的故障概率，直至故障定位；此外，在實施故障狀態(tài)預(yù)測前，通過數(shù)據(jù)采集卡采集故障底事件的性能參數(shù)，更新故障底事件層的先驗概率，使診斷模型能夠準(zhǔn)確得診斷出故障表現(xiàn)預(yù)測，給出最可能發(fā)生故障的模塊。因此，本發(fā)明實現(xiàn)了貝葉斯網(wǎng)絡(luò)雙向推理的功能在橋式起重機(jī)故障診斷中的應(yīng)用，具有較強(qiáng)的現(xiàn)實指導(dǎo)意義。

附圖說明

圖1為本發(fā)明的故障診斷流程圖；

圖2為大型通用橋式起重機(jī)故障事件貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的實施例作詳細(xì)說明：本實施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實施，給出了詳細(xì)的實施方式，但本發(fā)明的保護(hù)范圍不限于以下的實施例。

如圖1所示，一種基于貝葉斯網(wǎng)絡(luò)的橋式起重機(jī)故障診斷方法，首先將橋式起重機(jī)進(jìn)行模塊分解，將已發(fā)故障事件歸類，按照獨立層次主元法劃分故障層次和故障主元，得到橋式起重機(jī)的故障樹模型，建立橋式起重機(jī)故障事件貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)；其次，將貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)中的節(jié)點進(jìn)行分類，得到模塊狀態(tài)層、故障推理層和故障底事件層；再次，采集模塊狀態(tài)層的輸出信號，根據(jù)橋式起重機(jī)各模塊是否正常運行選擇故障診斷模式；接著，根據(jù)獲取的故障底事件實際狀態(tài)的性能參數(shù)，轉(zhuǎn)化為當(dāng)前故障概率，通過重置故障底事件層的先驗概率，使診斷模型更符合實際情況；最后，利用貝葉斯網(wǎng)絡(luò)算法進(jìn)行故障診斷實現(xiàn)故障表現(xiàn)預(yù)測或第一故障點定位。具體如下：

1、橋式起重機(jī)基于貝葉斯網(wǎng)絡(luò)的診斷模型建立。將橋式起重機(jī)進(jìn)行模塊分解，將已發(fā)故障事件歸類，按照獨立層次主元法劃分故障層次和故障主元，得到橋式起重機(jī)的故障樹模型，利用故障樹轉(zhuǎn)化法(FTC)得到貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，從而得到故障底事件層節(jié)點X_ij、故障推理層節(jié)點X_i和模塊狀態(tài)層節(jié)點X，其中，i、j均為大于1的整數(shù)。進(jìn)一步，節(jié)點的概率信息包括根節(jié)點的先驗概率P_x和葉節(jié)點的條件概率P_t，可由歷史故障診斷樣本計算：令W(X_ij)表示橋式起重機(jī)故障樣本中故障底事件層所有節(jié)點造成故障的總例數(shù)，Y(F,X_ij)表示故障樣本中故障底事件層節(jié)點X_ij處于F狀態(tài)的總例數(shù)；同時，令π(Y(F,X_ij)，θ(F,X_i))表示故障樣本中節(jié)點X_ij狀態(tài)為F且節(jié)點X_i狀態(tài)為F的故障例數(shù)，θ(F,X_i)表示處于F狀態(tài)的節(jié)點X_i的故障例數(shù)。則節(jié)點X_ij的先驗概率P_x可由公式(1)計算得到，節(jié)點X_i的條件概率P_t可由公式(2)計算得到。

其中，T狀態(tài)表示正常，F(xiàn)狀態(tài)表示故障。

2、如圖2所示，將貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的節(jié)點進(jìn)行分類，具體方法為：所有的根節(jié)點構(gòu)成故障底事件層，包括制動瓦襯A11、主彈簧A12、行程制動電磁鐵A13、液壓推動器A14、電磁鐵磁拉力A21、制動器杠桿傳動系統(tǒng)A22、制動螺桿A23、制動瓦襯A24、電磁鐵線圈A25、制動器電路A3、制動力矩A4、限位器A5、小車車輪B11、小車車架B12、小車同一位置主梁高度差B13、小車軌道焊縫處斷裂B14、小車起動情況B2、小車軌道潔凈度B31、小車車輪B32、小車主動輪軸磨損B33、主梁上拱度C1、主梁盤彎度C2、主梁腹板波浪變形度C3、端梁變形度C4、減速器底座螺栓松緊度D11、減速器傳動軸與電機(jī)軸同心度D12、減速器構(gòu)件剛度D13、減速器通氣孔D21、減速器排氣孔D22、固定螺栓松緊度D23、鋼絲繩E1、制動器與墊片間隙E21、主彈簧彈性E22、制動帶與制動輪表面潔凈度E23、山形鉤變形E24、液壓推桿松閘器自由度E25、抱閘松緊度E31、極限開關(guān)E32、控制線路E33、大車齒輪箱漏油F、電動機(jī)負(fù)載G11、電動機(jī)電壓G12、機(jī)械傳動系統(tǒng)G13、減速器傳動軸與電機(jī)軸同心度G21、電動機(jī)軸承G22、電動機(jī)轉(zhuǎn)子G23、控制器回轉(zhuǎn)G3、控制器觸頭G4、交流接觸器線圈G5、熔斷器H1、過電流繼電器H2和限位器H3。

橋式起重機(jī)故障事件貝葉斯網(wǎng)絡(luò)的葉節(jié)點可分為故障推理層和模塊狀態(tài)層，故障推理層包括制動器剎車A1、制動器開合A2、小車車輪平面B1、小車運行狀態(tài)B3、減速器振動D1、減速器油封D2、吊鉤E2、卷筒E3、電動機(jī)運轉(zhuǎn)發(fā)熱G1和電動機(jī)振動G2；模塊狀態(tài)層包括制動器A、小車B、金屬結(jié)構(gòu)C、減速器D、升吊設(shè)備E、電氣設(shè)備G、電氣線路H、起重機(jī)狀態(tài)W、機(jī)械結(jié)構(gòu)S和電氣系統(tǒng)O。

3、采集模塊狀態(tài)層的輸出信號，根據(jù)橋式起重機(jī)各模塊是否正常運行選擇故障診斷模式，具體是指利用傳感器和PLC讀取橋式起重機(jī)貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中模塊狀態(tài)層的狀態(tài)信息，當(dāng)模塊狀態(tài)層的信號顯示正常時，代表橋式起重機(jī)仍可繼續(xù)工作，此時故障診斷系統(tǒng)進(jìn)入故障表現(xiàn)預(yù)測模式；當(dāng)模塊狀態(tài)層某個模塊傳遞的信號不正常時，則代表橋式起重機(jī)此模塊運行故障，此時故障診斷系統(tǒng)進(jìn)入已發(fā)故障的第一故障點定位模式。

4、橋式起重機(jī)實際工作狀態(tài)信息獲取：利用數(shù)據(jù)采集卡檢測當(dāng)前故障底事件層的實際性能參數(shù)，并將其轉(zhuǎn)化為當(dāng)前先驗故障概率e_i。用s表示檢測得到的性能參數(shù)，s′表示發(fā)生故障的臨界指標(biāo)，利用公式(3)歸一化處理后得到故障底事件的當(dāng)前先驗故障概率e_i；

5、貝葉斯網(wǎng)絡(luò)診斷模型自適應(yīng)修正：當(dāng)故障診斷模式為故障表現(xiàn)預(yù)測時，根據(jù)橋式起重機(jī)故障底事件的實際性能參數(shù)，將公式(3)處理得到的當(dāng)前先驗故障概率e_i作為證據(jù)輸入貝葉斯網(wǎng)絡(luò)；當(dāng)故障診斷模式為已發(fā)故障的第一故障點定位模式時，將排查到的故障底事件的故障概率進(jìn)行二元取值，即當(dāng)故障診斷模型推理出最可能的第一故障點經(jīng)排查后為正常時，將其故障概率置0，故障模型會進(jìn)行自適應(yīng)修正，再次推理最可能的第一故障點，直到診斷出第一故障點。

6、橋式起重機(jī)的貝葉斯算法診斷：故障診斷模式進(jìn)入橋式起重機(jī)故障表現(xiàn)預(yù)測模式時，將故障底事件的故障概率e_i作為貝葉斯網(wǎng)絡(luò)的推理證據(jù)輸入算法模型，利用公式(4)計算故障推理層各節(jié)點此刻性能狀態(tài)為F(故障)時的概率，將得到的故障推理層各節(jié)點性能狀態(tài)為F(故障)時的概率作為e_i的輸入，再次利用公式(4)便可對橋式起重機(jī)整機(jī)的性能狀態(tài)作出診斷；

其中故障概率P最大的模塊即為預(yù)測發(fā)生故障的模塊；利用公式(5)可將橋式起重機(jī)整機(jī)的故障概率P轉(zhuǎn)化為實際性能狀態(tài)A：

故障診斷模式進(jìn)入橋式起重機(jī)已發(fā)故障的第一故障點定位模式時，利用貝葉斯后驗概率算法，即公式(6)計算各故障底事件因發(fā)生故障的概率P_i：

將定位的故障底事件排查后作為證據(jù)，即故障概率e_i＝0，輸入繼續(xù)推理，直到排查到故障點。