基于Weka的港口起重機(jī)故障診斷方法

崔益娟　覃海煥　蘆立華

[摘 ? ?要]針對(duì)工業(yè)4.0環(huán)境下，對(duì)港口起重機(jī)進(jìn)行人工故障排除與維修需要花費(fèi)大量的時(shí)間、人力及維修人員經(jīng)驗(yàn)難以共享的問題，提出了一種基于Weka的港口起重機(jī)故障診斷方法，該方法將起重機(jī)的故障模式建模為貝葉斯網(wǎng)絡(luò)。在故障發(fā)生時(shí)，可快速診斷故障類型、定位故障原因，有效縮短故障診斷時(shí)間、降低維修成本，實(shí)現(xiàn)快速維修及維修經(jīng)驗(yàn)的傳承與共享。

[關(guān)鍵詞]故障診斷;起重機(jī);貝葉斯網(wǎng)絡(luò);weka

[中圖分類號(hào)]TM76 [文獻(xiàn)標(biāo)志碼]A [文章編號(hào)]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(yè)企業(yè)中，設(shè)備管理特別是大型、重型設(shè)備的管理是生產(chǎn)管理中很重要的組成部分，港口起重機(jī)是一種復(fù)雜而智能化的重型裝備，廣泛應(yīng)用于港口的貨物搬運(yùn)、集裝箱吊裝等操作中。目前世界各國(guó)的港口起重機(jī)的維護(hù)成本都相當(dāng)高，故障發(fā)生時(shí)，從故障原因定位、排除到維修完成，花費(fèi)時(shí)間長(zhǎng)、成本高，而且依賴于維修人員的經(jīng)驗(yàn)。這些經(jīng)驗(yàn)難以共享，前者會(huì)導(dǎo)致設(shè)備停機(jī)時(shí)間長(zhǎng)，影響企業(yè)生產(chǎn)，造成企業(yè)的巨大損失，后者會(huì)導(dǎo)致知識(shí)浪費(fèi)與流失，起重機(jī)故障導(dǎo)致的重大人員傷亡事故也時(shí)有發(fā)生。因此，通過建設(shè)自動(dòng)化的起重機(jī)故障診斷方法，實(shí)現(xiàn)起重機(jī)故障的快速診斷定位，降低起重機(jī)的維護(hù)費(fèi)用，避免重大人員傷亡事故的發(fā)生，成為各企業(yè)保持持續(xù)競(jìng)爭(zhēng)力的迫切需求。

為解決這個(gè)問題，一種方法是直接設(shè)計(jì)開發(fā)自動(dòng)化的起重機(jī)故障診斷系統(tǒng)，如文獻(xiàn)[1]給出了貝葉斯網(wǎng)絡(luò)在起重機(jī)故障診斷中的應(yīng)用方法及故障診斷系統(tǒng)的設(shè)計(jì)，文獻(xiàn)[2]基于故障樹的大噸位履帶起重機(jī)的故障診斷方法和相應(yīng)的故障診斷平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)。但這些工作都沒有提供故障診斷模型的可視化建模工具，且故障診斷系統(tǒng)的建設(shè)周期很長(zhǎng)，在企業(yè)尚不明確起重機(jī)的故障模式及故障建模、診斷過程中可能遇到的眾多問題的情況下，如針對(duì)的是起重機(jī)本身的故障還是相關(guān)設(shè)備（如AGV （Automatic Guided Vehicle，自動(dòng)導(dǎo)引小車））的故障、是否需要為相同設(shè)備型號(hào)的不同起重機(jī)單獨(dú)建立故障診斷模型、歷史數(shù)據(jù)不理想等，極易導(dǎo)致項(xiàng)目效果不理想或項(xiàng)目建設(shè)失敗。

另一種方法是，在業(yè)務(wù)整理初期選擇開源工具進(jìn)行故障診斷模型建模及診斷，待需求逐漸明晰后再針對(duì)企業(yè)的具體需求建設(shè)起重機(jī)故障診斷系統(tǒng)。在港口起重機(jī)的故障診斷過程中，上級(jí)故障癥狀和下級(jí)故障原因之間存在偶然性和不確定性，而貝葉斯網(wǎng)絡(luò)（Bayesian network）對(duì)解決復(fù)雜設(shè)備不確定性和關(guān)聯(lián)性引起的故障有很大的優(yōu)勢(shì)[3]，Weka是一種支持貝葉斯網(wǎng)絡(luò)可視化建模和分析的功能強(qiáng)大的開源工具[4]。因此，本文采用Weka作為基于貝葉斯網(wǎng)絡(luò)的故障診斷工具。

基于Weka的港口起重機(jī)故障診斷方法將起重機(jī)的故障模式建模為貝葉斯網(wǎng)絡(luò)，可使企業(yè)專注于發(fā)現(xiàn)并整理起重機(jī)故障模式。在故障發(fā)生時(shí)，可快速診斷故障類型、定位故障原因，有效縮短故障診斷時(shí)間、降低維修成本，實(shí)現(xiàn)快速維修及維修經(jīng)驗(yàn)的傳承，提高起重機(jī)的運(yùn)行的可靠性，從而避免重大人員傷亡事故的發(fā)生，減少工程被中斷和設(shè)備損壞對(duì)國(guó)民經(jīng)濟(jì)建設(shè)造成的巨大損失。

1 ?基于Weka的港口起重機(jī)故障診斷方法

1.1 ?貝葉斯網(wǎng)絡(luò)與Weka簡(jiǎn)述

貝葉斯網(wǎng)絡(luò)是一種基于概率推理的數(shù)學(xué)模型，即通過一些變量信息來獲取其他概率信息的過程，模型包含兩部分：模型節(jié)點(diǎn)網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)的條件概率分布（conditional probability distribution，CPD），若變量是離散型，CPD可以采用表的形式表達(dá)，稱為條件概率表CPT。CPT中對(duì)有父節(jié)點(diǎn)的節(jié)點(diǎn)用聯(lián)合條件概率表示父節(jié)點(diǎn)的取值與子節(jié)點(diǎn)取值之間關(guān)系的強(qiáng)弱，列出父節(jié)點(diǎn)的每一種取值組合的條件下其子節(jié)點(diǎn)取每一個(gè)值的概率，對(duì)沒有父節(jié)點(diǎn)的節(jié)點(diǎn)，則使用先驗(yàn)概率表示該節(jié)點(diǎn)取每一個(gè)值的概率。

基于貝葉斯網(wǎng)絡(luò)的推理既可以用于診斷，也可以用于預(yù)測(cè)，即在給定觀察節(jié)點(diǎn)的值的條件下，估計(jì)隱藏節(jié)點(diǎn)的值。若觀察到貝葉斯模型的“葉”節(jié)點(diǎn)的值，并嘗試推斷導(dǎo)致這一結(jié)果的根節(jié)點(diǎn)的取值概率，稱為診斷。若觀察到貝葉斯模型“根”節(jié)點(diǎn)的值，并嘗試測(cè)試其結(jié)果，稱為預(yù)測(cè)。

WEKA（Waikato Environment for Knowledge Analysis，懷卡托智能分析環(huán)境）是一個(gè)著名的數(shù)據(jù)挖掘工作開源平臺(tái)，集合了大量前沿的、能承擔(dān)數(shù)據(jù)挖掘任務(wù)的機(jī)器學(xué)習(xí)算法和數(shù)據(jù)預(yù)處理工具，包括對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、分類、回歸、聚類、關(guān)聯(lián)規(guī)則等，為數(shù)據(jù)挖掘的整個(gè)過程提供全面的支持，包括準(zhǔn)備輸入數(shù)據(jù)、統(tǒng)計(jì)評(píng)估學(xué)習(xí)方案、輸入數(shù)據(jù)和學(xué)習(xí)效果的可視化。并提供了可視化功能以及包管理、ARFF查看器、SQL查看器和貝葉斯網(wǎng)絡(luò)編輯器等工具，其中，貝葉斯網(wǎng)絡(luò)編輯器提供了貝葉斯網(wǎng)絡(luò)建模和推理的相關(guān)功能。

1.2 ?基于Weka的港口起重機(jī)故障診斷步驟

基于Weka的港口起重機(jī)故障診斷包含如下步驟：

（1）建立貝葉斯網(wǎng)絡(luò)模型：分析各起重機(jī)故障的原因、各原因發(fā)生的概率以及在各原因不同取值的聯(lián)合條件下該故障發(fā)生的概率，建立每個(gè)起重機(jī)故障的貝葉斯網(wǎng)絡(luò)模型。有兩種方法：

①自動(dòng)建立模型。在企業(yè)已經(jīng)積累了較理想的故障診斷歷史數(shù)據(jù)的情況下，可使用Weka提供的通過數(shù)據(jù)集學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)CPT的功能完成貝葉斯網(wǎng)絡(luò)模型的建立。②手動(dòng)建立模型。建模人員根據(jù)企業(yè)整理的以及從歷史數(shù)據(jù)中觀察到的故障模式、故障及其原因節(jié)點(diǎn)的概率，首先建立貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，包括新增原因節(jié)點(diǎn)和故障節(jié)點(diǎn)，添加從原因節(jié)點(diǎn)指向故障節(jié)點(diǎn)的有向邊，前者為父節(jié)點(diǎn)，后者為子節(jié)點(diǎn)，父節(jié)點(diǎn)引發(fā)子節(jié)點(diǎn)故障;然后編輯每個(gè)節(jié)點(diǎn)的CPT，包括每個(gè)父節(jié)點(diǎn)取每一個(gè)值的概率，每個(gè)子節(jié)點(diǎn)在其各個(gè)父節(jié)點(diǎn)的每一種取值組合的條件下取每一個(gè)值的概率。

（2）計(jì)算并顯示模型的聚簇和邊緣概率：使用Weke提供的顯示聚簇、顯示邊緣概率功能計(jì)算并顯示模型的聚簇和邊緣概率，該計(jì)算使用聯(lián)結(jié)樹算法進(jìn)行計(jì)算。完成邊緣概率計(jì)算的模型才可用于故障診斷。

（3）故障診斷：故障發(fā)生后，首先定位并打開相應(yīng)的貝葉斯網(wǎng)絡(luò)模型、顯示邊緣概率，然后將觀察到的節(jié)點(diǎn)的取值設(shè)置為證據(jù)，如，該故障為真，則該故障節(jié)點(diǎn)取真值的概率為1.0，取假值的概率為0.0，設(shè)置證據(jù)之后，Weka會(huì)根據(jù)證據(jù)重新計(jì)算邊緣概率，原因節(jié)點(diǎn)中取真值的概率最大的節(jié)點(diǎn)即為導(dǎo)致該故障最可能的原因。

1.3 ?港口起重機(jī)故障診斷案例

起升機(jī)構(gòu)是起重機(jī)的四大機(jī)構(gòu)之一，負(fù)責(zé)物品的提升、位置的轉(zhuǎn)移和物品的下降及釋放，使用頻繁且容易出現(xiàn)故障導(dǎo)致事故，據(jù)統(tǒng)計(jì)，在國(guó)內(nèi)外發(fā)生的起重機(jī)重大事故中，起升機(jī)構(gòu)引發(fā)的事故占有很大的比例，例如遼寧鐵嶺鋼廠鋼包脫落重大安全生產(chǎn)事故。因此，需要及時(shí)監(jiān)測(cè)起升機(jī)構(gòu)零部件的故障和損壞情況，及時(shí)排除故障、更換零部件。本節(jié)選擇起升機(jī)構(gòu)的制動(dòng)器過載故障作為案例，著重闡述如何分析制動(dòng)器故障的原因及其發(fā)生概率，從而在Weka中建立該故障的貝葉斯模型并進(jìn)行故障診斷的方法。因項(xiàng)目建設(shè)初期，企業(yè)的歷史數(shù)據(jù)通常并不理想，本節(jié)采用手工建模方式。

導(dǎo)致起升制動(dòng)器過載故障（簡(jiǎn)記為FLT01）的可能原因?yàn)槠鹕苿?dòng)器開關(guān)（簡(jiǎn)記為HBCB）打開，而導(dǎo)致起升制動(dòng)器開關(guān)打開的可能原因包括：電機(jī)缺相（簡(jiǎn)記為R01）、推桿調(diào)整過緊（簡(jiǎn)記為R02）、熱保護(hù)整定不正確（簡(jiǎn)記為R03）和熱保護(hù)開關(guān)損壞（簡(jiǎn)記為R04），這些節(jié)點(diǎn)的可能取值都只有兩種：TRUE或FALSE，根據(jù)經(jīng)驗(yàn)及故障歷史記錄可知R01-R04取TRUE或FALSE的概率如表1所示。

在原因節(jié)點(diǎn)R01-R04取值為TRUE或FALSE的情況下，起升制動(dòng)器開關(guān)HBCB打開或關(guān)閉的概率如表2所示。其中，每一列聯(lián)合條件下，條件概率的加總應(yīng)為1。

起升制動(dòng)器過載故障FLT01的可能原因只有HBCB，其為真值或假值的概率如表3所示。

根據(jù)以上分析，可在Weka貝葉斯網(wǎng)絡(luò)編輯器中建立FLT01的故障診斷模型，其結(jié)構(gòu)如圖1所示，再按照表1到表3依次編輯每個(gè)節(jié)點(diǎn)的CPT，即可完成建模。之后，通過編輯器的菜單項(xiàng)Tools|ShowMargins計(jì)算并顯示模型中每個(gè)節(jié)點(diǎn)的邊緣概率，如圖2所示，可以看出通常情況下，F(xiàn)LT01發(fā)生的概率為0.3564。

若生產(chǎn)過程中，起重機(jī)發(fā)生了FLT01故障，即FLT01為TRUE，則可將如圖2所示的FLT01故障診斷模型中的節(jié)點(diǎn)FLT01的“TRUE”值設(shè)置為證據(jù)，即可完成故障診斷，結(jié)果如圖3所示。從圖中可看出，最可能導(dǎo)致FLT01發(fā)生的原因?yàn)镽04，發(fā)生概率為0.5983，其次為R02，發(fā)生概率為0.5319。故障原因診斷非常迅速，在現(xiàn)場(chǎng)排除故障后，還可將導(dǎo)致故障的真正原因記錄下來，后續(xù)可用來優(yōu)化診斷模型的CPT。

2 ?結(jié)語

Weka能夠很好地滿足迫切需要在短期內(nèi)實(shí)現(xiàn)港口起重機(jī)故障診斷的工業(yè)企業(yè)的需求，在企業(yè)發(fā)現(xiàn)并整理出起重機(jī)故障模式和相應(yīng)的概率之后，可快速地將其建模為貝葉斯網(wǎng)絡(luò)，并可在一定的積累之后通過數(shù)據(jù)優(yōu)化診斷模型。在故障發(fā)生時(shí)，可快速診斷故障類型、定位故障原因，有效縮短故障診斷時(shí)間和停機(jī)時(shí)間、降低維修成本，實(shí)現(xiàn)快速維修及維修經(jīng)驗(yàn)的傳承，提高起重機(jī)的運(yùn)行的可靠性，從而避免重大人員傷亡事故的發(fā)生，減少工程被中斷和設(shè)備損壞對(duì)國(guó)民經(jīng)濟(jì)建設(shè)造成的巨大損失，使企業(yè)保持持續(xù)的競(jìng)爭(zhēng)力。

參考文獻(xiàn)

[1] 鐘虞全.貝葉斯網(wǎng)絡(luò)在起重機(jī)故障診斷中的應(yīng)用[D].湖南大學(xué)，2011.

[2] 宋佳昊.大噸位履帶起重機(jī)故障信息管理與故障診斷系統(tǒng)[D].上海交通大學(xué)，2014.

[3] 李海軍.貝葉斯網(wǎng)絡(luò)理論在裝備故障診斷中的應(yīng)用[M].國(guó)防工業(yè)出版社，2009.

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

[5] 尚敬強(qiáng)，原思聰，衛(wèi)東東，等.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在塔式起重機(jī)故障診斷中的應(yīng)用[J].起重運(yùn)輸機(jī)械，2012（4）：61-64.

[6] 阮翔.電梯起重機(jī)械故障診斷與優(yōu)化設(shè)計(jì)[J].硅谷，2013（5）：124.

[7] 崔永兵.電梯起重機(jī)械故障診斷與優(yōu)化設(shè)計(jì)[J].裝備制造技術(shù)，2014（10）：251-252.

[8] 付芹，谷立臣.PNN在塔式起重機(jī)故障診斷中的應(yīng)用[J].起重運(yùn)輸機(jī)械，2010（3）：92-94.

[9] 俞宏福，馮浩，殷晨波，等.基于物聯(lián)網(wǎng)和BP神經(jīng)網(wǎng)絡(luò)的起重機(jī)故障診斷[J].建設(shè)機(jī)械技術(shù)與管理，2017（11）：51-56.

[10] 高明劍.大型港口起重機(jī)故障診斷[J].現(xiàn)代制造技術(shù)與裝備，2017（9）：117-118.