基于貝葉斯網(wǎng)絡的海洋工程裝備故障診斷模型

趙金樓，成俊會，岳曉東

(1.哈爾濱工程大學 經(jīng)濟管理學院，黑龍江 哈爾濱150001;2.哈爾濱工程大學 計算機科學與技術學院，黑龍江 哈爾濱150001)

隨著“海洋強國”戰(zhàn)略的提出，海洋工程裝備(以下簡稱:海裝)等新型行業(yè)將步入高速發(fā)展期，《全國海洋經(jīng)濟發(fā)展“十二五”規(guī)劃》也提出了培育壯大海洋新興產(chǎn)業(yè)，并且將海裝制造業(yè)作為重點放在首位支持。但是作為企業(yè)生命線的產(chǎn)品質(zhì)量一直沒有得到有效控制。故障診斷作為質(zhì)量管理問題的一個重要方面，由于海裝項目的小批量性、多品種等行業(yè)特點使得傳統(tǒng)的統(tǒng)計方法無法給出有效的解決方案。

在傳統(tǒng)制造領域(如電子、機械等)故障分析中主要采用故障樹分析方法。然而故障樹分析往往適用于事件狀態(tài)為二態(tài)、故障機理明確、故障邏輯關系清晰的系統(tǒng)，因此它并不具備描述事件狀態(tài)多態(tài)和非確定故障邏輯關系系統(tǒng)的能力。不斷發(fā)展的貝葉斯網(wǎng)絡卻很好地解決了這一問題，所以說貝葉斯網(wǎng)絡在分析復雜系統(tǒng)的安全性和可靠性［1-5］等方面更加適用。

本文依據(jù)海裝特點，在已有研究的基礎上，構建了以貝葉斯網(wǎng)絡來描述系統(tǒng)故障狀態(tài)的分析模型。并以海裝項目建造過程中最廣泛使用的工藝——焊接工藝為例，構建了影響焊接質(zhì)量的因果關系圖及貝葉斯網(wǎng)絡，數(shù)值計算了影響焊接質(zhì)量的關鍵因素，證明了貝葉斯網(wǎng)絡在正向或反向故障推理方面具有強大的描述能力。

1 貝葉斯網(wǎng)絡

貝葉斯網(wǎng)絡又稱為信度網(wǎng)絡(belief networks)，是Bayes方法的擴展，是目前不確定知識表達和推理領域最有效的理論模型之一［6-9］。

貝葉斯網(wǎng)絡是一種基于網(wǎng)絡結構的有向圖(directed acyclic graph，DAG)描述，適用于表達和分析不確定性和概率性的事物，貝葉斯網(wǎng)絡模型采用一個二元組BN=〈S，P〉表示。其中S代表DAG網(wǎng)絡結構圖G=〈V，E〉，V是指一系列由節(jié)點 {v1，v2，...，vn}的集合，代表變量集合;有向邊集E代表各個變量之間的關聯(lián)關系;由于節(jié)點之間變量可以是任何問題的抽象，如部件狀態(tài)、觀測值、人員操作等。一般認為有向邊表達了一種因果關系，因而貝葉斯網(wǎng)絡也稱因果網(wǎng)。對于有向邊(vi，vj)，vi稱為vj的父節(jié)點，vj稱為vi的子節(jié)點，如果vi沒有父節(jié)點，則稱vi為根節(jié)點，如果vj沒有子節(jié)點，則稱vj為葉子節(jié)點。圖1為一個簡單的貝葉斯網(wǎng)絡。

圖1 簡單貝葉斯網(wǎng)絡Fig.1 A simple Bayesian network

P代表各節(jié)點的先驗概率及條件概率分布集合。每個節(jié)點變量都有一個概率分布值，如果是根節(jié)點，就直接賦先驗概率(可以由領域?qū)＜一驓v史數(shù)據(jù)給出)，即被稱為邊緣概率分布的根節(jié)點的概率分布值，用P(A)來表示;對于非根節(jié)點，即被稱為條件概率的節(jié)點的概率分布值，用P(Ai|ΠAi)表示，其中ΠAi表示非根節(jié)點A的所有父節(jié)點集合。由此得出，貝葉斯網(wǎng)絡不但對隨機變量之間的依賴關系和獨立性進行了描述，也用條件概率分布對所有隨機變量節(jié)點之間的關系進行了刻畫。在貝葉斯網(wǎng)絡中，定性信息主要通過網(wǎng)絡的拓撲結構表達，而定量信息主要通過節(jié)點的條件概率分布表示.綜上所述，假設貝葉斯網(wǎng)絡中的變量為X1，X2，..，Xn，則聯(lián)合概率分布就可以根據(jù)每個隨機變量的條件概率分布值進行相乘得到，即

根據(jù)所得的聯(lián)合概率分布來進行貝葉斯網(wǎng)絡的推理，從而降低分解概率模型的復雜度，而條件概率分布的求解方法如式(2)和(3)所示:

由式(2)和(3)可以得到條件概率分布:

變量間的聯(lián)合概率分布是求解所有概率問題的基礎。已知n個隨機變量所構成的聯(lián)合概率分布，可以計算任一隨機變量的邊緣概率，而利用變量獨立性條件可大大簡化計算。概率推理方法的共同之處都是首先尋找一種方式對聯(lián)合概率分布進行參數(shù)化，然后尋找局部化的計算過程以加快推理計算速度。在參數(shù)化的方式中最直接的就是貝葉斯網(wǎng)絡。在圖1所示的例子中，一共有7個隨機變量。在參數(shù)化以前表達一個聯(lián)合概率分布，需要給出27即128個參數(shù)。采用貝葉斯網(wǎng)絡的表達式以后只需給出4+2+2+4+2+2+1=17個參數(shù)，進而大大簡化了計算。貝葉斯網(wǎng)絡的表達方式為

2 海裝項目貝葉斯網(wǎng)絡分析模型構建

由上文介紹，海裝項目具有多品種小批量的制造特點，這一特點使傳統(tǒng)的統(tǒng)計分析方法面臨新的挑戰(zhàn):1)在建模時必須考慮不同品種之間的差異性，導致模型的維數(shù)增加，從而數(shù)據(jù)和計算量增大;2)受品種的小批量影響，由于樣本有限，統(tǒng)計易受偶然波動影響。為了解決以上問題，本文提出基于工藝活動的貝葉斯網(wǎng)絡法，對海裝項目的故障分析進行建模。由于貝葉斯網(wǎng)絡重視專家的經(jīng)驗和判斷，通過建立動態(tài)模型，綜合考慮客觀歷史數(shù)據(jù)、模型和主觀經(jīng)驗來對過程做出預測，從而使得在保證預測精度的前提下降低了對數(shù)據(jù)量的要求［10］。因此，貝葉斯網(wǎng)絡特別適用于小樣本的預測分析。

2.1 海裝項目影響因素分析

與一般制造項目不同，海裝建造項目是一項龐大的工程，有著自身的特殊性。文獻［11］對海裝項目的可追溯性管理進行了深入的研究，根據(jù)追溯的目的提出了基于產(chǎn)品和活動的質(zhì)量追溯方法。而故障分析是海裝項目質(zhì)量追溯中的關鍵步驟。

目前海裝項目質(zhì)量管理主要是針對材料、設備和工藝進行質(zhì)量追蹤管理。一般來說，材料和設備的質(zhì)量信息可以由供應鏈上游企業(yè)保證，海裝產(chǎn)品生產(chǎn)企業(yè)只需要進行工藝的質(zhì)量管理即可。工藝作為生產(chǎn)活動，是整個海裝平臺建造的核心:1)工藝將各種材料和設備聯(lián)接起來構成整個海裝平臺;2)工藝還反映生產(chǎn)各個環(huán)節(jié)的人力資源、環(huán)境因素、資源因素等因素的協(xié)調(diào)。對于海裝項目來說，雖然說各個產(chǎn)品平臺的差異性很大，但是對于各類產(chǎn)品建造過程中的各種工藝流程差別性較小，甚至有些具有批次特性，如同種鋼板的切割，因為切割的板材相同、人力相同等因素，所以切割指令也會保持一致。隨著行業(yè)的發(fā)展，專業(yè)化也會得到迅速發(fā)展，各個工藝的標準化也會得到實行，所以本文主要以工藝活動作為故障診斷對象進行研究。

文中采用典型的焊接工藝活動進行分析影響產(chǎn)品的故障因素。故障診斷的目的在于找出引起故障的關鍵因素，及受影響的相關產(chǎn)品或活動。船體的焊接質(zhì)量一方面取決于所用鋼材、焊材的質(zhì)量，另一方面還取決于焊接工藝過程是否符合要求，如焊縫的探傷檢驗是對焊接質(zhì)量的確認。這些與焊接質(zhì)量有關的數(shù)據(jù)，如鋼材、焊材的成分及性能數(shù)據(jù);焊接過程的電流、電壓、速度;探傷過程中出現(xiàn)的各種缺陷等數(shù)據(jù)［12］。質(zhì)量原因可以歸為:人員因素(man)、機器設備因素(machine)、材料因素(material)、方法因素(method)、測量因素(measure)和環(huán)境因素(environment)即“5M1E”［13］。識別一個故障問題的結構可由下面的結構判定:

其中，X1、X2、X3、X4、X5、X6分別代表人員因素、機器設備因素、材料因素、方法因素、測量因素和環(huán)境因素。表1給出了焊接中各個因素的具體含義。

表1 焊接各因素的具體含義及舉例Table 1 Factors affecting welding and example

2.2 貝葉斯網(wǎng)絡結構

由上文可知，影響焊接質(zhì)量的主要因素有6個方面，各影響因素之間的因果關系如圖2所示。

圖2 各因素之間因果關系圖Fig.2 The causal relationship between the factors

圖2中使用有向邊表示變量因素之間的因果關系，如環(huán)境因素對測量有影響，則在環(huán)境因素有一條邊指向測量因素。因果關系網(wǎng)絡的確定一般是根據(jù)專家意見和歷史數(shù)據(jù)結合來確定。對于含n個節(jié)點的有向圖結構來說，最多可有n(n-1)/2條有向邊，變量間的因果關系需要專家逐個確定，為了弱化專家知識的主觀性，可以采用證據(jù)理論綜合多位專家的意見。當僅憑借專家的意見無法得到理想的結果時，可以采用知識結合樣本數(shù)據(jù)的方法進行因果關系確定。

2.3 條件概率表(CPT)學習

對于建立的貝葉斯網(wǎng)絡，可以定性的描述質(zhì)量問題與各個生產(chǎn)環(huán)節(jié)影響因素的關系，但還不具備定量描述的能力。為了能夠定量描述故障診斷的能力，必須引入概率參數(shù)。

對于海裝平臺的故障分析，往往不局限于正常和非正常2個狀態(tài)，這點與故障樹不同，可見貝葉斯網(wǎng)絡比故障樹有更強的描述能力。如焊接的焊點的質(zhì)量往往在焊接前后都會有報驗，如果報驗不合格則會2次施焊甚至3次施焊，因此可以分為不合格、1次合格、2次合格、3次合格等狀態(tài)。為了便于研究，這里假設焊接的結果狀態(tài)分為1次合格、2次合格、3次合格、不合格4個等級。針對網(wǎng)絡結構圖2，根據(jù)專家意見或歷史數(shù)據(jù)確定各個節(jié)點的先驗概率。在擁有大量歷史數(shù)據(jù)的情況下，可以按照統(tǒng)計的方法確定，如人員的素質(zhì)，可以根據(jù)該人員歷史焊接的故障率作為該變量的先驗概率，否則，可以通過領域?qū)＜掖_定。

由領域?qū)＜液蜌v史數(shù)據(jù)可以獲取完整的節(jié)點概率分布和網(wǎng)絡結構，但是在實際生產(chǎn)的過程中，工藝的質(zhì)量往往受到專家意見和樣本數(shù)據(jù)中無法體現(xiàn)的不確定性因素影響，且這些因素會隨著時間的推移而發(fā)生變化，從而制約了模型對實際生產(chǎn)質(zhì)量的分析精度，因此模型需要利用生產(chǎn)車間持續(xù)產(chǎn)生的數(shù)據(jù)進行網(wǎng)絡的更新，以提高變化環(huán)境下的預測準確性。此時，將原有的條件概率視為先驗概率，對新數(shù)據(jù)進行一定的處理如使用極大似然法、EM算法訓練，然后根據(jù)貝葉斯公式即可獲得后驗概率，從而更新貝葉斯網(wǎng)絡。

3 實例分析

本節(jié)主要是通過文中建立的焊接工藝質(zhì)量的貝葉斯網(wǎng)絡模型具體的實際管件的焊接，使用軟件Hugin Expert進行計算分析。

首先確定焊接工藝的影響因素，使用頭腦風暴法所得結果如表2所示。

表2 焊接具體影響因素表Table 2 Specific factors affecting the welding

對于海裝企業(yè)，建造平臺基地一般選在港口，因此環(huán)境溫度和濕度對材料的影響較大;焊條和管材在潮濕的環(huán)境中易生銹蝕，對于嚴重受損的焊材無法用于施焊。焊工主要指焊工的焊接水平。打壓測試是管件焊接完工后的一道工序，主要是對管件焊縫的檢查，本身對焊縫的質(zhì)量不會造成影響，但是會對焊縫質(zhì)量記錄產(chǎn)生影響，從而造成一些誤判。而且打壓測試最容易受溫度影響。根據(jù)以上分析，可以得到焊接的貝葉斯網(wǎng)絡因果結構如圖3所示。

圖3 焊接的貝葉斯網(wǎng)絡因果結構Fig.3 The causal structure of Bayesian network welding

根據(jù)專家意見和歷史數(shù)據(jù)，可以給出各個因素的先驗概率和條件概率表(CPT)，如表3～6所示。

表3 根節(jié)點的先驗概率Table 3 Prior probability of root nodes

表4 焊條材質(zhì)的CPTTable 4 CPT of Electrode material

表5 管材材質(zhì)的CPTTable 5 CPT of Pipe material

表 6打壓測試的CPTTable 6 CPT of Pressure test

同理可以列出焊接質(zhì)量的CPT，由于涉及到的變量較多，限于篇幅不再列出.在Hugin中建立貝葉斯網(wǎng)絡，然后即可運行，獲取各個節(jié)點的后驗概率。如圖4所示。可見，根據(jù)專家和歷史數(shù)據(jù)，初始化數(shù)據(jù)的模型中焊接質(zhì)量不合格率在4.43%，是比較符合企業(yè)現(xiàn)狀的。

圖4 帶概率分布的貝葉斯網(wǎng)絡Fig.4 Bayesian network with probability distribution

已知所有的先驗概率和CPT時，可以對焊接的質(zhì)量進行預測。如當管材的材質(zhì)出現(xiàn)問題的情況即設置管材的材質(zhì)的狀態(tài)P(C4=NotFit)=100%，結果由圖5所示，焊縫不合格的后驗概率值由原來的4.43%變?yōu)?8.92%，可見因管材材質(zhì)導致的焊接發(fā)生質(zhì)量問題的概率顯著升高，管理者應該加強管材的管理，降低因為管材帶來的焊接不合格率。反過來，如果有證據(jù)P(C4=Fit)=1，則會通過信度立即傳播到其他節(jié)點，使得貝葉斯網(wǎng)絡認為管材的質(zhì)量問題可以先驗排除，提高其他節(jié)點的預測準確度。

圖5 管材材質(zhì)有問題的焊縫質(zhì)量預測Fig.5 The pipe material of weld quality prediction

在焊接質(zhì)量故障推理分析方面，即焊接質(zhì)量出現(xiàn)問題，可以反向推理哪個環(huán)節(jié)出現(xiàn)問題的概率最大，如圖6所示。當焊縫質(zhì)量的P(C8=NotFit)=1的時候，與焊接質(zhì)量直接相關的變量概率變化如表7所示。管材材質(zhì)的變化最大，不合適率高達41.1%，其次是焊條材質(zhì)和焊工的水平，分別為21.3%和29.61%，從概率上來看，查找故障的目的性變得更強。

圖6 焊縫故障的貝葉斯分析Fig.6 Bayesian analysis of weld failures

表7 NotFit(或No)概率變化統(tǒng)計Table 7 The probability statistics of NotFit or fit %

4 結束語

通過分析海裝項目故障引起的因素及海裝項目的小批量多品種的特點，傳統(tǒng)基于統(tǒng)計的方法難以適應質(zhì)量管理問題的需要，故提出了基于貝葉斯網(wǎng)絡的故障診斷模型，通過領域?qū)＜乙庖姾蜌v史數(shù)據(jù)相結合的分析方式，達到了故障分析的目的。最后，通過使用貝葉斯分析軟件，選取海裝項目建造工藝中最為廣泛的焊接工藝為實例進行了模型方法的演示和分析，并通過設置證據(jù)變量、信度傳播等方法觀測貝葉斯網(wǎng)絡節(jié)點變化，從而快速智能推理計算，發(fā)現(xiàn)故障。通過主觀設置，可以在無歷史數(shù)據(jù)情況下使用貝葉斯網(wǎng)絡推理，通過參數(shù)學習，不斷更新完善貝葉斯網(wǎng)絡，加強推理，這也是區(qū)別其他方法的最大優(yōu)勢。對于企業(yè)質(zhì)量管理人員來說，貝葉斯網(wǎng)絡可以彌補先前人為判定故障的主觀性等不足，通過利用更為先進的數(shù)據(jù)挖掘技術，綜合利用專家意見和歷史數(shù)據(jù)，使得質(zhì)量決策更有針對性，加速企業(yè)質(zhì)量信息化進程，提升質(zhì)量管理水平，降低質(zhì)量管理成本。下一步研究的重點就是根據(jù)本文提出的貝葉斯網(wǎng)絡分析方法，設計開發(fā)相應的海裝項目故障診斷專家系統(tǒng)。

［1］敬瑞星，盧健康，趙鵬飛，等.基于貝葉斯網(wǎng)絡的系統(tǒng)可靠性分析平臺［J］.計算機工程與應用，2013，49(4):71-76.JING Ruixing，LU Jiankang，ZHAO Pengfei，et al.System reliability analysis platform based on Bayesian networks［J］.Computer Engineering and Applications，2013，49(4):71-76.

［2］齊善明，李磊，楊歡.基于故障樹貝葉斯網(wǎng)絡的裝備故障診斷方法研究［J］.艦船電子工程，2012，32(6):112-117.QI Shanming，LI Lei，YANG Huan.Fault tree method of fault diagnosis equipment based on Bayesian networks［J］.Ship Electronic Engineering，2012，32(6):112-117.

［3］彭善國，王希武，王寅龍，等.樸素貝葉斯及其在裝備保障能力評估中的應用［J］.計算機應用與軟件，2012，29(6):222-224.PENG Shanguo，WANG Xiwu，WANG Yinlong，et al.N-ative Bayes and its application in equipment support capability assessment［J］.Computer Applications and Software，2012，29(6):222-224.

［4］周忠寶，董豆豆，周經(jīng)倫.貝葉斯網(wǎng)絡在可靠性分析中的應用［J］.系統(tǒng)工程理論與實踐，2006，26(6):95-100.ZHOU Zhongbao，DONG Doudou，ZHOU Jinglun.Application of Bayesian networks in reliability analysis［J］.Systems Engineering-Theory and Practice，2006，26(6):95-100.

［5］周忠寶，馬超群，周經(jīng)綸，等.基于動態(tài)貝葉斯網(wǎng)絡的動態(tài)故障樹分析［J］.系統(tǒng)工程理論與實踐，2008，28(2):35-42.ZHOU Zhongbao，MA Chaoqun，ZHOU Jinglun，et al.Dynamic fault tree analysis based on dynamic Bayesian networks［J］.Systems Engineering-Theory and Practice，2008，28(2):35-42.

［6］CHARNIAK E.Bayesian networks without tears［J］.AI magazine，1991，12(4):50-63.

［7］PEARL J.Graphical models for probabilistic and causal reasoning［J］.Handbook of Defeasible Reasoning and Uncertainty Management Systems，1998，1:367-389.

［8］李儉川，胡蔦慶，秦國軍，等.貝葉斯網(wǎng)絡理論及其在設備故障診斷中的應［J］.中國機械工程，2003，14(10):92-96.LI Jianchuan，HU Niaoqing，QIN Guojun，et al.Bayesian network and its applications for device fault diagnosis［J］.China Mechanical Engineering，2003，14(10):92-96.

［9］王軍，周偉達.貝葉斯網(wǎng)絡的研究與進展［J］.電子科技，1999(15):6-7.WANG Jun，ZHOU Weida，Research and development of the Bayesian networks［J］.Electronic Science and Technology，1999(15):6-7.

［10］余忠華，吳昭同.面向小批量制造過程的質(zhì)量控制方法研究［J］.機械工程學報，2001，37(8):60-64.YU Zhonghua，WU Zhaotong.Algorithm of quality control in small batch manufacturing process［J］.Chinese Journal of Mechanical Engineering，2001，37(8):60-64.

［11］李釗，單建偉.海洋工程裝備項目中產(chǎn)品與活動的可追溯管理研究［J］.科學與管理，2011(5):64-70.LI Zhao，SHAN Jianwei.Study on traceability management of products and activities in offshore equipment projects［J］.Science and Management，2011(5):64-70.

［12］宗培，邵國良，曹雷，等.船舶建造過程中焊接質(zhì)量數(shù)據(jù)的追溯［J］.船舶工程，2003，25(3):62-64.ZONG Pei，SHAO Guoliang，CAO Lei，et al .Tracing of welding quality in the process of shipbuilding［J］.Ship Engineering，2003，25(3):62-64.

［13］董曉林.“5M1E”與過程質(zhì)量分析［J］.鐵道技術監(jiān)督，2004(6):19-20.DONG Xiaolin."5M1E"process quality analysis［J］.Railway Quality Control，2004(6):19-20.