艦用柴油機冷卻水系統(tǒng)貝葉斯狀態(tài)推理方法

付 堯，曾凡明，陳于濤，秦久峰

(海軍工程大學 動力工程學院，湖北 武漢430033)

1 概 述

艦船柴油機動力裝置管路系統(tǒng)的任務是保障動力系統(tǒng)的連續(xù)穩(wěn)定運行。其中柴油機冷卻水系統(tǒng)的功用是保證柴油機在最適宜的溫度狀態(tài)下工作，其管路系統(tǒng)復雜，控制閥門及元器件數(shù)量眾多，對其實施有效控制對于整個艦船動力系統(tǒng)的正常運行具有重要的意義［1］。但一方面，在管路擁擠、空間狹小的機艙部位，一般難以設置相應的傳感器進行狀態(tài)監(jiān)測;另一方面，當傳感器發(fā)生故障和數(shù)據(jù)缺失時，對系統(tǒng)的狀態(tài)監(jiān)測也會造成困難。面對這種情況，常規(guī)的監(jiān)控系統(tǒng)難以全面監(jiān)視系統(tǒng)的狀態(tài)，在數(shù)據(jù)缺失時，常用的故障樹狀態(tài)推理方法也難以發(fā)揮有效的作用［2］。因此，需要建立一個更有效的狀態(tài)推理模型，以提高監(jiān)控系統(tǒng)的自動感知能力，從而對整個冷卻水系統(tǒng)實施可靠的控制［3－5］。

貝葉斯網(wǎng)絡(Bayesian Network，BN)是一種有向無環(huán)圖(見圖1)，通過有向邊表示隨機變量間的概率的因果關系及影響程度［6－7］。貝葉斯網(wǎng)絡的構建需要確定網(wǎng)絡的拓撲結構和各個節(jié)點的條件概率分布，主要方法有依靠專家建模或者從知識庫中創(chuàng)建。基于貝葉斯方法的推理就是在給定證據(jù)節(jié)點值后，利用合適推理算法，計算出感興趣的查詢節(jié)點的概率。其核心模型是貝葉斯公式:

其中A和B 為C 的隨機事件。

圖1 貝葉斯網(wǎng)絡Fig.1 Bayesian networks

貝葉斯網(wǎng)絡模型用圖論及概率論方法來解決問題，降低了推理的復雜度，能夠處理動態(tài)不確定性問題，在解決數(shù)據(jù)不全的問題上具有很大優(yōu)勢。網(wǎng)絡結構和參數(shù)不隨時間變化的稱為靜態(tài)網(wǎng)絡，動態(tài)貝葉斯網(wǎng)絡(Dynamic Bayesian Networks，DBN)是由靜態(tài)網(wǎng)絡在時間軸上擴展而成的，其結構和參數(shù)可以隨時間而變化［8－9］。常見的貝葉斯模型計算軟件有MSBNx，Netica，BayesiaLab，BNT等。

本文將貝葉斯網(wǎng)絡模型應用于艦船柴油機冷卻水系統(tǒng)的狀態(tài)推理及故障診斷之中，在冷卻水系統(tǒng)運行機理分析的基礎上，建立靜態(tài)和動態(tài)貝葉斯網(wǎng)絡模型，采用聯(lián)結樹算法對計算工況進行狀態(tài)推理，并分析驗證貝葉斯狀態(tài)推理方法的有效性，以達到提高系統(tǒng)自動感知能力的目的。

2 冷卻水系統(tǒng)邏輯功能關系

柴油機冷卻水系統(tǒng)的主要任務是保證主機得到有效的冷卻。某型船柴油主機的冷卻水系統(tǒng)(見圖2)由海水冷卻淡水，再使用淡水作為冷卻介質(zhì)去冷卻柴油主機。柴油機機帶淡水泵完成淡水在主機——淡水冷卻器——機帶泵之間的循環(huán)，形成閉式冷卻循環(huán)進行工作。在淡水管路中裝有調(diào)溫閥自動調(diào)節(jié)主機冷卻淡水的溫度。主機冷卻水管路中設有膨脹水箱，補償?shù)軠囟扔绊懙拿浛s及系統(tǒng)的淡水消耗。箱內(nèi)的淡水由壓力柜補給。機艙設有主機淡水預熱器，在冬季淡水溫度較低時，可進行主機暖機。海水管路與淡水管路分開。

圖2 冷卻水系統(tǒng)Fig.2 Cooling water system

冷卻水系統(tǒng)很重要的2 個運行參數(shù)是溫度和壓力，能夠反映冷卻系統(tǒng)的工作狀態(tài)，艦船冷卻水系統(tǒng)的主要參數(shù)監(jiān)測儀表包括壓力表、溫度計、壓力報警器、高溫報警器，此外還有監(jiān)測膨脹水箱水位的高位報警器和過低位報警器。膨脹水箱是調(diào)節(jié)液位和壓力的關鍵部件，管路中缺少冷卻水時，會自動補充冷卻水，當系統(tǒng)壓力大時，會通過調(diào)整水位高度來釋放壓力，保障管路系統(tǒng)安全性，膨脹水箱常見的故障有高溫溢水，高位報警器報警，其原因可能是主機溫度過高，或者管路及系統(tǒng)部件發(fā)生堵塞，導致冷卻水壓力上升。當出現(xiàn)膨脹水箱水位過低，可能是系統(tǒng)部件出現(xiàn)泄漏，導致冷卻水流失。更為嚴重的情況是操作人員誤將膨脹水箱進出水管路常開閥門關閉，導致系統(tǒng)壓力迅速上升，管路及設備可能受到嚴重損壞。冷卻水中含有空氣，在冷卻水受熱時，空氣會從冷卻水中分解出來，高溫水蒸發(fā)成水蒸氣，管路中會產(chǎn)生大量氣泡，一方面導致管路壓力上升，另一方面產(chǎn)生氣阻，會對機帶泵的工作造成不利影響，還有可能發(fā)生銹蝕。超負荷是主機溫度過高最常見的原因，艦船在重載工況下，主機超負荷工作，會導致主機及冷卻水溫度上升。

經(jīng)過機理分析后得到的冷卻水系統(tǒng)邏輯功能關系如圖3所示。

3 貝葉斯網(wǎng)絡推理模型

3.1 總體思路

貝葉斯網(wǎng)絡拓撲結構可由邏輯圖轉(zhuǎn)化而得到，邏輯圖中的事件及連接邊對應貝葉斯網(wǎng)絡節(jié)點及有向邊，傳感器節(jié)點的概率通過調(diào)研由艦船維修記錄查詢得到，其余節(jié)點概率由專家經(jīng)驗獲得。本文采用聯(lián)結樹精確推理算法進行推理。聯(lián)結樹算法的基本思路是，先將BN 轉(zhuǎn)換為一種二次結構，再通過對二次結構的推理得到BN 的推理結果，其中二次結構由聯(lián)結樹及概率勢組成，聯(lián)結樹算法的流程如圖4所示。

圖3 冷卻水系統(tǒng)邏輯圖Fig.3 Cooling water system logic diagram

圖4 聯(lián)結樹算法流程Fig.4 Algorithm flow of join tree

本文首先建立冷卻水系統(tǒng)BN 模型，再建立DBN 模型進行推理，并對推理結果進行比較。

3.2 靜態(tài)BN 模型

由冷卻水系統(tǒng)邏輯功能關系得到靜態(tài)BN 模型的結構如圖5所示。

圖中節(jié)點HHA 為冷卻水高位報警器，節(jié)點LLA為冷卻水低位報警器，c1 為一致性節(jié)點，冷卻水水位過高報警器與過低報警器不可能同時報警。靜態(tài)BN 模型由代表變量的節(jié)點及有向邊構成，用節(jié)點表達隨機變量，用節(jié)點間的有向邊表示各隨機變量之間的關聯(lián)程度，用條件概率表達各隨機變量之間影響程度。可以綜合各節(jié)點不同狀態(tài)，將定性判斷與定量計算相結合，具有雙向推理功能，實時更新獲得證據(jù)的條件。

3.3 DBN 模型

DBN 模型是建立在靜態(tài)BN 模型和隱含馬爾可夫模型基礎上的圖形結構，是由初始網(wǎng)絡(B0)和轉(zhuǎn)移網(wǎng)絡(B→)構成的，滿足一階馬爾科夫假設，設Gt為t 時刻的時間片，在t+1 時間片的狀態(tài)僅與t時間片的狀態(tài)有關，而與t 以前的時間片狀態(tài)無關，即:

P(Gt+1| Gt，Gt－1…G1)=P(Gt+1| Gt)。

圖5 冷卻水系統(tǒng)的靜態(tài)BN 模型Fig.5 Bayesian network model of water system

每個時間片對應一個靜態(tài)貝葉斯網(wǎng)絡，時間片之間用動態(tài)邊連接，具有轉(zhuǎn)移概率分布。接口是時間片與動態(tài)邊處的節(jié)點集，是動態(tài)貝葉斯網(wǎng)絡傳遞信息的重要節(jié)點。DBN 模型將靜態(tài)BN 模型擴展到時間軸上，在各個時間片上獲得不同時間的信息，信息在時間片內(nèi)沿著有向邊傳播，并且將重要信息從接口沿著動態(tài)邊傳播到其他時間片，不同時間片的節(jié)點進行狀態(tài)更新，進行工作狀態(tài)推理。選取出主機溫度、出泵口壓力、低位報警器節(jié)點作為接口，建立動態(tài)邊，構成柴油機冷卻水系統(tǒng)的DBN 模型如圖6所示。

圖6 冷卻水系統(tǒng)的DBN 模型Fig.6 Dynamic Bayesian network model of central water system

4 算 例

4.1 計算工況

柴油機冷卻水系統(tǒng)運行時，有可能發(fā)生各種故障，甚至會不止一次出現(xiàn)同樣的故障現(xiàn)象。本文分析的某型冷卻水系統(tǒng)在運行時發(fā)生高溫報警，機帶泵出口壓力過高，經(jīng)查閱故障記錄，發(fā)現(xiàn)該冷卻水系統(tǒng)在上一次運行時就發(fā)生過這一現(xiàn)象，后經(jīng)故障檢查，發(fā)現(xiàn)是主機內(nèi)部發(fā)生輕微堵塞，軟管變形，導致冷卻水流動受阻，壓力上升，主機溫度過高。下面分別運用靜態(tài)BN 模型和DBN 模型進行狀態(tài)推理，判斷故障原因，與實際情況進行比較。

4.2 靜態(tài)和動態(tài)貝葉斯模型雙向推理

在貝葉斯網(wǎng)絡模型中，當觀察到任何變量節(jié)點狀態(tài)，就可以將其作為新的證據(jù)輸入到網(wǎng)絡中去，以及時地更新整個網(wǎng)絡的各個節(jié)點參數(shù)。冷卻水系統(tǒng)采用動態(tài)貝葉斯方法的優(yōu)勢就在于系統(tǒng)在不同時刻運行所觀察到的傳感器數(shù)據(jù)都可以進行推理分析，使推理結果更加客觀準確。

在計算模型中對冷卻水系統(tǒng)的故障原因進行反向狀態(tài)推理，在動態(tài)模型中輸入數(shù)據(jù)，在第t 時間片將出主機T 節(jié)點選擇高溫狀態(tài)，出泵口P 節(jié)點選擇壓力過高狀態(tài)，LLA 選擇正常狀態(tài)，其余傳感器數(shù)據(jù)丟失，未被記錄，所以其余節(jié)點狀態(tài)不改變;在第t+1 時間片將出主機T 節(jié)點選擇高溫狀態(tài)，出泵口P 節(jié)點選擇壓力過高狀態(tài)，其余傳感器全部未報警，所以其余傳感器節(jié)點全部選擇正常狀態(tài)。推理結果如圖7(DBN 推理結果)所示，發(fā)現(xiàn)主機內(nèi)部管路堵塞發(fā)生概率高達99%，超負荷發(fā)生概率30%，淡水冷卻器堵塞發(fā)生概率30%，其余節(jié)點概率相對初始概率均下降，經(jīng)查看主機油門齒桿位置，并沒有發(fā)現(xiàn)異常，說明主機沒有發(fā)生超負荷。將這項證據(jù)輸入到動態(tài)網(wǎng)中，即在t+1 時間片將超負荷節(jié)點選擇正常狀態(tài)，進行推理，主機內(nèi)部管路堵塞概率上升為99.5%，其余節(jié)點概率均有下降，因此推理出是柴油機內(nèi)部管路出現(xiàn)堵塞。而當采用靜態(tài)BN 模型推理時，推理得到柴油機內(nèi)部發(fā)生堵塞的概率為95.34%。

圖7 推理結果Fig.7 The reasoning result

此外，貝葉斯的推理具有雙向性，根據(jù)貝葉斯定理，給定任意節(jié)點先驗概率和節(jié)點的條件概率，可以迅速更新所有節(jié)點的概率。冷卻水系統(tǒng)的貝葉斯網(wǎng)絡不僅可通過傳感器報警推理冷卻系統(tǒng)的故障原因，也可通過運行狀態(tài)數(shù)據(jù)對系統(tǒng)的可能結果進行正向預測。

在計算模型中對冷卻水系統(tǒng)的可能結果狀態(tài)進行正向推理，僅更新調(diào)溫閥節(jié)點的狀態(tài)概率，在傳感器節(jié)點中，可以推理預測到進主機溫度傳感器狀態(tài)變化最大，其中溫度過高概率為88.47%，溫度過低概率為11.53%，也就是說，當調(diào)溫閥發(fā)生故障時，冷卻水溫度過高的結果概率會更大些，更容易造成主機過熱。

5 結 語

本文針對復雜動態(tài)條件下的艦用柴油機冷卻水系統(tǒng)自動狀態(tài)感知問題，建立了靜態(tài)BN和DBN 模型，采用貝葉斯狀態(tài)推理方法進行了正向和反向推理，其結果可用于故障診斷和狀態(tài)預測，計算結果表明，動態(tài)貝葉斯模型的推理結果更加準確。貝葉斯狀態(tài)推理方法在艦用柴油機冷卻水系統(tǒng)的狀態(tài)感知中具有良好的應用效果。

［1］劉富斌，田志定，向征濤．混流式中央冷卻系統(tǒng)設計探討［J］．船舶，2002，4(2):49－52．

［2］DUGAN J B，BAVUSO S J，BOYD M A．Dynamic fault tree models for fault tolerant computer systems［J］．IEEE Transactions on Reliability，1992，41(3):363－377．

［3］王華偉，周經(jīng)倫，何祖玉，等．基于貝葉斯網(wǎng)絡的復雜系統(tǒng)故障診斷［J］．計算機集成制造系統(tǒng)，2004，10(2):230－234．

［4］楊自春，陳國兵．基于貝葉斯網(wǎng)絡的船舶動力裝置戰(zhàn)場損傷分析［J］．海軍工程大學學報，2009，21(6):11－14．

［5］田質(zhì)廣，張慧芬．基于貝葉斯理論的汽輪發(fā)電機密封油系統(tǒng)故障診斷方法［J］．潤滑與密封，2006，176(4):152－156．

［6］劉志強．因果關系，貝葉斯網(wǎng)絡與認知圖［J］．自動化學報，2001，27(4):552－566．

［7］RUSSELL S，NORVIG P．Artificial intelligence:a modern Approach［M］．New Jersey:Prentice Hall Series in Artificial Intelligence，2004．

［8］肖秦琨，高曉光．基于混合動態(tài)貝葉斯網(wǎng)絡的無人機路經(jīng)規(guī)劃［J］．系統(tǒng)仿真學報，2006，18(5):1301－1306．

［9］俞奎．貝葉斯網(wǎng)絡建模及推理算法研究［D］．合肥:合肥工業(yè)大學，2007．