基于BN和模糊評判的異型煙分揀系統(tǒng)故障診斷

曹婷婷 朱伏平 尹健康 宋紅文

（1.西南科技大學(xué)制造科學(xué)與工程學(xué)院 四川綿陽 621010；2.成都誠至誠商務(wù)物流有限責(zé)任公司 成都 610000）

在煙草專賣系統(tǒng)里，卷煙分揀中心是煙草物流系統(tǒng)中的重要一環(huán)。分揀設(shè)備作為異型煙分揀系統(tǒng)的重要組成部分，是保障分揀系統(tǒng)正常運行的關(guān)鍵因素。異型煙半自動卷煙分揀系統(tǒng)自動化和連續(xù)性程度高，對分揀設(shè)備運行的可靠性提出了更高的要求。分揀設(shè)備故障的發(fā)生將嚴(yán)重影響分揀的正常運行。對設(shè)備發(fā)生故障后進(jìn)行快速排查和處理，迅速恢復(fù)生產(chǎn)，是保障整個分揀系統(tǒng)運行效率的重要因素。因此，異型煙分揀設(shè)備故障診斷技術(shù)的提高對煙草配送物流中心的運營效果具有重要意義。

1 異型煙分揀系統(tǒng)分析及診斷法

近年來，基于人工智能技術(shù)的診斷方法得到快速發(fā)展，如神經(jīng)網(wǎng)絡(luò)技術(shù)［1］、故障樹圖［2］和有向圖［3］等。貝葉斯網(wǎng)絡(luò)作為有向圖的一種，是處理不確定性問題最有效的方法，已被廣泛運用于各個領(lǐng)域的故障診斷。很多學(xué)者利用故障樹［4］、粗糙集理論［5］、主成分分析法［6］等方法與貝葉斯網(wǎng)絡(luò)相結(jié)合，對機器設(shè)備進(jìn)行故障診斷，取得很好的效果。但從目前研究來看，大量學(xué)者將診斷問題的核心放在故障發(fā)生的概率上，忽略了其它因素的影響，例如故障排查難度等。

異型煙半自動分揀系統(tǒng)采用人工填煙、自動分揀、自動打碼、人工碼垛、自動塑封的方式，其機械系統(tǒng)主要由立式分發(fā)機組、皮帶輸送機、輥道輸送機、激光打碼機、塑封裹膜機組成。分揀流程如圖1所示。

圖1 異形煙分揀流程Fig.1 Profiled cigarette sorting process

整個分揀過程自動化程度高，以機器為主，人員為輔，且各分揀設(shè)備間聯(lián)系緊密，局部設(shè)備出現(xiàn)故障都會導(dǎo)致整個分揀線停線。除此之外，由于異形煙形狀、大小不一，分揀設(shè)備較為復(fù)雜，性能要求較高。

目前，對異型煙分揀的研究主要集中在分揀系統(tǒng)的設(shè)計與運用［7－9］。對物流分揀設(shè)備的運行管理和故障診斷，宋紅文等［10］基于專家知識庫建立要因模型，運用于分揀設(shè)備的運行管理，通過對關(guān)鍵設(shè)備和設(shè)備運行的關(guān)鍵因素的分析，確定和維修設(shè)備故障，大大降低了設(shè)備停機時間。分揀設(shè)備故障是導(dǎo)致分揀系統(tǒng)效率低的主要原因。本文在前人研究的基礎(chǔ)上，針對分揀設(shè)備故障的不確定性，提出基于模糊評判的貝葉斯網(wǎng)絡(luò)診斷方法，綜合考慮故障概率、故障的排查難度、維修難度、診斷準(zhǔn)確性和對整條線的影響程度，實現(xiàn)故障的有效診斷，為故障的預(yù)防與排查提供科學(xué)依據(jù)。

2 貝葉斯網(wǎng)絡(luò)故障診斷

針對異形煙分揀系統(tǒng)故障的不確定性問題，本文對某煙草物流中心一年的設(shè)備維修記錄數(shù)據(jù)進(jìn)行分析，結(jié)合專家經(jīng)驗建立貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，并采用Netica軟件進(jìn)行概率推理。根據(jù)數(shù)據(jù)分析結(jié)果，設(shè)置異形煙的故障特征量如表1所示，設(shè)置故障類型集dj如表2所示。

表1 異形煙故障特征量Table 1 Characteristic quantity of profiled cigarette fault

表2 異形煙故障類型Table 2 Types of profiled cigarette fault

2.1 建立貝葉斯網(wǎng)絡(luò)模型

貝葉斯網(wǎng)絡(luò)（Bayesian network，BN）是基于概率分析與圖論相結(jié)合的用于解決不完整和不確定性問題的一種人工智能算法［11］。目前運用于貝葉斯網(wǎng)絡(luò)構(gòu)建與分析的工具主要有MSBNX、基于MATLAB的貝葉斯網(wǎng)絡(luò)工具箱和Netica等軟件［12］。本文采用Netica進(jìn)行仿真建模，模型創(chuàng)建步驟如下：

（1）建立故障診斷信息視圖；

（2）根據(jù)視圖信息建立模型相關(guān)變量；

（3）創(chuàng)建貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖；

（4）通過初始數(shù)據(jù)的學(xué)習(xí)，完成各節(jié)點的概率與條件概率分布；

（5）輸入證據(jù)變量，輸出各節(jié)點后驗概率。

根據(jù)設(shè)備維修記錄數(shù)據(jù)，得出各故障特征量與故障類型的匹配關(guān)系，如圖2所示。

圖2 故障特征量與故障類型的匹配關(guān)系Fig.2 Matching relationship fault characteristic quantity and fault type

根據(jù)圖2匹配關(guān)系繪制貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。

圖3 異型煙分揀系統(tǒng)故障的貝葉斯網(wǎng)絡(luò)模型Fig.3 A Bayesian network model for the fault of profiled cigarette sorting system

對設(shè)備維修記錄數(shù)據(jù)分析得出各根節(jié)點（故障類型）的后驗概率如表3所示，條件概率P（Mi｜dj）如表4所示。

表3 先驗概率值表Table 3 Table of prior probability values

表4 子節(jié)點Mi的條件概率Table 4 Conditional probability of child node M i

2.2 貝葉斯網(wǎng)絡(luò)模型推理

根據(jù)已獲取的先驗概率和條件概率在Netica中建立模型。模型中各節(jié)點變量均是離散變量，節(jié)點狀態(tài)取“1”表示故障出現(xiàn)，取“0”表示故障不出現(xiàn)。每個節(jié)點包含其對應(yīng)的狀態(tài)，每個狀態(tài)的置信度對應(yīng)相應(yīng)的數(shù)值和指示條長度，如圖4所示。

圖4 證據(jù)變量為異型煙分揀系統(tǒng)故障時的后驗概率Fig.4 Posterior probability when the evidence variable is the failure of profiled cigarette

當(dāng)異形煙分揀系統(tǒng)發(fā)生故障時，塑封裹膜機、立式分揀機、輥道輸送機、皮帶輸送機發(fā)生故障的概率分別為47.00%，15.00%，36.10%，2.04%。各具體故障原因的概率如表5所示。

表5 根節(jié)點后驗概率Table 5 Root posterior probability

通過Netica軟件推理可知，缺乏其他證據(jù)情況下，分揀設(shè)備出故障概率大小排序為：d2＞d10＞d1＞d8＞d6＞d9＞d3＞d13＞d7＞d4＞d5＞d11＞d12。維修人員可根據(jù)以上順序?qū)收蠁栴}進(jìn)行排查和檢修。此外，在平時保養(yǎng)中，可重點關(guān)注發(fā)生故障概率高的設(shè)備，達(dá)到預(yù)防作用。

3 故障復(fù)雜性評判

異形煙分揀系統(tǒng)分揀設(shè)備多且各設(shè)備對整條線的影響程度不同，增大了故障診斷的復(fù)雜性。針對該問題，本文運用模糊綜合評判法對前文貝葉斯網(wǎng)絡(luò)診斷結(jié)果進(jìn)行修正。

（1）建立評價因素集

建立影響被評價對象的因素集F＝｛f1，f2，f3，f4｝，f1，f2，f3，f4分別表示故障的排查難度、維修難度、診斷準(zhǔn)確性和故障對整條分揀線的影響程度。

（2）確定評價等級

專家對診斷結(jié)果進(jìn)行語言評價，并劃分為5個等級模式，語言變量由專家結(jié)合故障數(shù)據(jù)給出。評價集E＝｛e1，e2，e3，e4，e5｝，e1，e2，e3，e4，e5分別表示很小、小、中等、大、很大5個等級，因素等級水平劃分如表6所示。

表6 因素等級劃分Table 6 Factor grading classification

（3）AHP法確定評價因素的權(quán)重

根據(jù)文獻(xiàn)［13－14］方法，以網(wǎng)帶松動（d1）為例確定權(quán)重向量如下：W1＝（0.13，0.24，0.17，0.46）；同理獲得M1，M2，M3，M4和d2，d3，…，d13的權(quán)重向量。

（4）建立模糊評判矩陣

根據(jù)三角形隸屬度函數(shù)［15］得到單因素評價集Ri＝（ri1，ri2，…，rin），以各因素評價集的隸屬度為行組成模糊評判矩陣

（5）確定模糊綜合評判值

根據(jù)綜合權(quán)重集和評判矩陣對評測對象的影響得到模糊綜合評判，其表達(dá)式為：Bi＝WF·Ri＝（b1b2…bm）；模糊綜合評判值：μ＝∑5m＝1m·bm

以網(wǎng)帶松動（d1）為例，｛X1｝＝｛15，50，55，60｝為專家針對f1，f2，f3，f4打分后的平均值，通過計算得到d1的模糊評判矩陣R1為：

以網(wǎng)帶松動（d1）為例，模糊綜合評判為：

模糊綜合評判值：μ1＝3.045。

d2，d3，…，d13的模糊綜合評價值算法與d1相同。

4 結(jié)合模糊綜合評判的貝葉斯網(wǎng)絡(luò)診斷

貝葉斯網(wǎng)絡(luò)診斷得到的結(jié)果是通過學(xué)習(xí)數(shù)據(jù)得到的，僅考慮了故障發(fā)生的概率，未考慮故障的復(fù)雜性，因此本文用模糊綜合評判法對故障復(fù)雜性評判得到的值對后驗概率進(jìn)行修正，使其診斷結(jié)果更具合理性。綜合評判值表達(dá)式為：

式中：μi表示第i個故障的模糊綜合評判權(quán)重值；qi為貝葉斯網(wǎng)絡(luò)診斷后得到的第i個故障的后驗概率。

以網(wǎng)帶松動（d1）為例，通過貝葉斯網(wǎng)絡(luò)診斷方法得出d1的后驗概率q1＝0.169，d1的模糊綜合評判值μ1＝3.045，根據(jù)式（1）得出綜合評判：

同理，得到d2，d3，…，d13的結(jié)合貝葉斯網(wǎng)絡(luò)和模糊綜合評判的結(jié)果如表7所示。

表7 各故障綜合評判結(jié)果Table 7 Comprehensive evaluation results of each fault

從后驗概率、故障的排查難度、維修難度、診斷準(zhǔn)確性和故障對整條線的影響程度多方面綜合考慮，得出當(dāng)異型煙分揀系統(tǒng)出現(xiàn)故障時，各故障出現(xiàn)的可能性大小排序為：d2＞d3＞d1＞d10＞d7＞d8＞d6＞d9＞d13＞d5＞d4＞d11＞d12。對貝葉斯網(wǎng)絡(luò)診斷結(jié)果及修正后的診斷結(jié)果進(jìn)行對比如表8所示。

表8 修正前后診斷結(jié)果對比表Table 8 Comparison table of diagnostic results before and after revision

從修正前后對比可知，修正后部分排序發(fā)生了明顯變化，如切膜爆口（d3）和輥筒安裝板損壞（d8）。結(jié)合分揀系統(tǒng)實際運行情況證明，結(jié)合模糊評判的貝葉斯網(wǎng)絡(luò)診斷結(jié)果更有效經(jīng)濟。因此，當(dāng)異形煙半自動分揀系統(tǒng)發(fā)生故障時，可根據(jù)修正后可能發(fā)生故障的元件順序進(jìn)行故障排查，以此降低排查難度，更好地進(jìn)行故障診斷。除此之外，在平時設(shè)備保養(yǎng)時，應(yīng)著重注意故障概率大的元件，在一定程度上防止故障的發(fā)生。

5 結(jié)論

本文將貝葉斯網(wǎng)絡(luò)與模糊評判法相結(jié)合用于異形煙分揀系統(tǒng)的故障診斷，建立了相應(yīng)的診斷模型。首先，通過貝葉斯網(wǎng)絡(luò)診斷獲得各故障的后驗概率；其次，用模糊評判法對故障的排查難度、維修難度、診斷準(zhǔn)確性和故障對整條分揀線的影響程度進(jìn)行評判；最后，運用模糊綜合評判結(jié)果對后驗概率進(jìn)行修正，并比較修正前后的診斷結(jié)果。結(jié)果顯示結(jié)合模糊綜合評判的貝葉斯網(wǎng)絡(luò)診斷方法能對故障診斷進(jìn)行更全面的分析，為快速有效地排除故障提供了一定的科學(xué)依據(jù)。