基于模糊貝葉斯網(wǎng)絡(luò)的叉裝車(chē)制動(dòng)系統(tǒng)故障診斷研究*

何友奇，蔣新華,2，聶明星,2

(1. 中南大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長(zhǎng)沙 410083； 2. 福建工程學(xué)院 信息科學(xué)與工程學(xué)院，福建 福州 350108)

?

基于模糊貝葉斯網(wǎng)絡(luò)的叉裝車(chē)制動(dòng)系統(tǒng)故障診斷研究*

何友奇1，蔣新華1,2，聶明星1,2

(1. 中南大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長(zhǎng)沙 410083； 2. 福建工程學(xué)院 信息科學(xué)與工程學(xué)院，福建 福州 350108)

為解決因缺乏實(shí)際數(shù)據(jù)而無(wú)法準(zhǔn)確計(jì)算叉裝車(chē)制動(dòng)系統(tǒng)部件的故障概率問(wèn)題，提出一種結(jié)合模糊集理論和貝葉斯網(wǎng)絡(luò)的模糊貝葉斯網(wǎng)絡(luò)故障診斷方法。該方法利用模糊數(shù)表達(dá)故障發(fā)生的可能性，將專(zhuān)家給出的節(jié)點(diǎn)故障概率主觀語(yǔ)言評(píng)判值轉(zhuǎn)換為模糊數(shù)，經(jīng)過(guò)解模糊后得到精確值，再利用貝葉斯網(wǎng)絡(luò)推理進(jìn)行故障的診斷，提高了貝葉斯網(wǎng)絡(luò)對(duì)模糊信息和不確定信息的處理能力。通過(guò)GeNIe軟件對(duì)所建立的叉裝車(chē)制動(dòng)系統(tǒng)故障診斷模型仿真分析，驗(yàn)證了該方法的有效性。

叉裝車(chē)；制動(dòng)系統(tǒng)；模糊集理論；貝葉斯網(wǎng)絡(luò)；故障診斷

引用格式：何友奇，蔣新華，聶明星. 基于模糊貝葉斯網(wǎng)絡(luò)的叉裝車(chē)制動(dòng)系統(tǒng)故障診斷研究[J].微型機(jī)與應(yīng)用，2016,35(11)：70-73.

0　引言

石材礦山叉裝車(chē)是目前石材礦山開(kāi)采中使用的重要工程機(jī)械，集機(jī)、電、儀、液及數(shù)字信息為一體，主要用于石材礦山荒料場(chǎng)石材荒料的鏟運(yùn)及堆垛。石材礦山通常環(huán)境惡劣，粉塵大，山路崎嶇，雨天泥濘路滑，一旦叉裝車(chē)的制動(dòng)系統(tǒng)在工作過(guò)程中出現(xiàn)故障，很容易發(fā)生重大事故。因此對(duì)叉裝車(chē)制動(dòng)系統(tǒng)進(jìn)行故障診斷研究具有重大意義。

叉裝車(chē)的制動(dòng)系統(tǒng)比較復(fù)雜，出現(xiàn)故障時(shí)呈現(xiàn)多層次、偶然性、不確定性、復(fù)雜性等特點(diǎn)，使得故障很難確定。在工程機(jī)械故障診斷中常用的方法有故障樹(shù)分析法和貝葉斯網(wǎng)絡(luò)等。故障樹(shù)分析法無(wú)法有效解決存在多態(tài)性和不確定性的復(fù)雜系統(tǒng)故障診斷問(wèn)題。鑒于此，唐宏賓等人提出了基于T-S模糊故障樹(shù)的設(shè)備故障診斷方法[1]，但該模型只能單向推力且運(yùn)算復(fù)雜，無(wú)法在實(shí)際中推廣。貝葉斯網(wǎng)絡(luò)是圖論和概率論相結(jié)合的產(chǎn)物，經(jīng)過(guò)幾十年的發(fā)展已成為目前不確定知識(shí)表達(dá)和推理領(lǐng)域最有效的理論模型之一，對(duì)于解決復(fù)雜系統(tǒng)不確定性因素引起的故障具有很大優(yōu)勢(shì)[2]。然而貝葉斯網(wǎng)絡(luò)在實(shí)際應(yīng)用中，由于故障的復(fù)雜性、不確定性、歷史數(shù)據(jù)的缺乏以及系統(tǒng)所處環(huán)境的變化，導(dǎo)致部件的故障概率和事件的邏輯關(guān)系難以用精確的數(shù)值表達(dá)，呈現(xiàn)模糊性[3]。因此，本文針對(duì)叉裝車(chē)制動(dòng)系統(tǒng)故障特點(diǎn)，提出一種結(jié)合模糊理論和貝葉斯網(wǎng)絡(luò)的模糊貝葉斯網(wǎng)絡(luò)診斷方法，結(jié)合專(zhuān)家語(yǔ)義評(píng)判和模糊集理論，用模糊數(shù)表達(dá)故障發(fā)生的可能性，經(jīng)過(guò)解模糊后利用貝葉斯網(wǎng)絡(luò)推理進(jìn)行故障的診斷，并通過(guò)GeNIe軟件仿真分析，驗(yàn)證了本文方法的有效性。

1　基于模糊集理論的概率分析

針對(duì)貝葉斯網(wǎng)絡(luò)中節(jié)點(diǎn)的先驗(yàn)概率和條件概率表因?yàn)闅v史數(shù)據(jù)缺乏而難以用精確數(shù)值表達(dá)這一問(wèn)題，本文結(jié)合專(zhuān)家語(yǔ)義評(píng)判和模糊集理論進(jìn)行處理。

1.1專(zhuān)家評(píng)判意見(jiàn)模糊化

在缺乏實(shí)際數(shù)據(jù)時(shí)，根據(jù)專(zhuān)家意見(jiàn)確定節(jié)點(diǎn)的先驗(yàn)概率和條件概率表是一種有效的方法。為了將專(zhuān)家的語(yǔ)言變量轉(zhuǎn)化成定量的模糊數(shù)，本文采用Wickens的評(píng)判7級(jí)理論表述專(zhuān)家的評(píng)判意見(jiàn)[4]，即把專(zhuān)家評(píng)判的事件發(fā)生的概率從高到低分為很高(VH)、高(H)、較高(FH)、中等(M)、較低(FL)、低(L)、很低(VL)7個(gè)等級(jí)，用三角(梯形)模糊數(shù)進(jìn)行模糊化處理。7個(gè)等級(jí)所對(duì)應(yīng)的隸屬度函數(shù)如圖1所示。

圖1　7個(gè)等級(jí)所對(duì)應(yīng)的隸屬度函數(shù)

為便于計(jì)算和表示，將三角(梯形)模糊數(shù)統(tǒng)一用F=(a,b,c,d)來(lái)表示，a和d分別代表下限和上限，區(qū)間[b,c]代表隸屬度為1的區(qū)域。當(dāng)b=c時(shí)，F(xiàn)為三角模糊數(shù),否則為梯形模糊數(shù)。7個(gè)等級(jí)的模糊語(yǔ)言與其對(duì)應(yīng)的模糊數(shù)形式如表1所示。

表1　模糊數(shù)形式

1.2專(zhuān)家模糊評(píng)判的合成

為了能夠更準(zhǔn)確地利用模糊數(shù)來(lái)量化事件的發(fā)生概率，有必要對(duì)多個(gè)專(zhuān)家的語(yǔ)義評(píng)判進(jìn)行合成。本文采用加權(quán)求和的模糊數(shù)合成方式來(lái)綜合多個(gè)專(zhuān)家的評(píng)判結(jié)果[5]。令wj表示第j位專(zhuān)家的權(quán)重值(j=1,2,...,l)，F(xiàn)ji表示第j位專(zhuān)家對(duì)第i個(gè)事件的語(yǔ)義評(píng)判模糊數(shù)(i=1,2,...,m)，則事件i的綜合評(píng)判可表示為：

Mi=w1F1i⊕w2F2i⊕…⊕wlFli

(1)

其中Mi即為多位專(zhuān)家對(duì)事件i的綜合評(píng)判值。根據(jù)多元擴(kuò)展原理，兩個(gè)模糊數(shù)的求和運(yùn)算如下：

A⊕B=(a1,b1,c1,d1)⊕(a2,b2,c2,d2)

=(a1+a2,b1+b2,c1+c2,d1+d2)

(2)

由上式可知，Mi是一個(gè)模糊數(shù)。

對(duì)于參與評(píng)判的l位專(zhuān)家的權(quán)重值，本文采用層次分析法來(lái)分析[6]。根據(jù)專(zhuān)家的自然屬性(如學(xué)歷、職稱(chēng)、工齡等)取n項(xiàng)因素組成準(zhǔn)則層{Bi|i=1,2,...,n}，每項(xiàng)準(zhǔn)則細(xì)分得到s個(gè)級(jí)別(如學(xué)歷可分為博士、碩士、本科、專(zhuān)科等)，構(gòu)成該準(zhǔn)則層下的子準(zhǔn)則層{Bij|i=1,2,...,n;j=1,2,...s}，由l位專(zhuān)家組成方案層{Ak|k=1,2,...,l}，采用層次分析法來(lái)計(jì)算每位專(zhuān)家的權(quán)值。

1.3解模糊方法

對(duì)于得到的專(zhuān)家針對(duì)事件i的綜合評(píng)判Mi需要進(jìn)行解模糊處理。本文采用均值面積法對(duì)模糊數(shù)進(jìn)行解模糊處理[7]，將模糊概率轉(zhuǎn)化為精確的概率值。對(duì)于模糊數(shù)F=(a,b,c,d)，其解模糊后的精確概率值為:

(3)

1.4概率的歸一化

如果一個(gè)節(jié)點(diǎn)Xi具有多態(tài)性，狀態(tài)數(shù)為n，則各個(gè)狀態(tài)的概率之和應(yīng)滿(mǎn)足和為1的條件。因此需要對(duì)節(jié)點(diǎn)各狀態(tài)的精確概率進(jìn)行歸一化處理[8]。節(jié)點(diǎn)Xi處于狀態(tài)j的精確概率為：

(4)

2　建立貝葉斯網(wǎng)絡(luò)模型

2.1故障樹(shù)建模

WSM993T18型輪式叉裝車(chē)使用的是雙管路氣頂油鉗盤(pán)式制動(dòng)系統(tǒng)，包括鉗盤(pán)式制動(dòng)器和氣液綜合式制動(dòng)傳動(dòng)機(jī)構(gòu)兩大部分，制動(dòng)傳動(dòng)機(jī)構(gòu)包括的主要部件有空氣壓縮機(jī)、儲(chǔ)氣筒、氣壓表、氣液制動(dòng)總泵(加力器)、油水分離器、雙管路氣制動(dòng)閥等。因此，制動(dòng)系統(tǒng)的故障可以分為兩部分：一部分是制動(dòng)器本身的故障，另一部分是制動(dòng)傳動(dòng)機(jī)構(gòu)故障。據(jù)相關(guān)資料統(tǒng)計(jì)，后者的故障發(fā)生頻率遠(yuǎn)遠(yuǎn)高于前者。

表2　事件列表

制動(dòng)系統(tǒng)工作過(guò)程為：發(fā)動(dòng)機(jī)帶動(dòng)空壓機(jī)排出的壓縮空氣經(jīng)油水分離器后進(jìn)入儲(chǔ)氣筒，調(diào)壓后壓力值約為0.68～0.7 MPa,儀表盤(pán)上氣壓表可顯示氣壓,從儲(chǔ)氣筒出來(lái)的氣體通過(guò)氣制動(dòng)閥的進(jìn)氣口進(jìn)入制動(dòng)腔。制動(dòng)時(shí),踩下制動(dòng)踏板,由氣制動(dòng)閥出來(lái)的兩路氣體分別與前后加力器連通,加力器排出高壓制動(dòng)液通過(guò)管路充入鉗盤(pán)制動(dòng)器的分泵，推動(dòng)活塞將制動(dòng)器的摩擦片壓緊制動(dòng)盤(pán)實(shí)施制動(dòng)；同時(shí),在通往前加力器的壓縮空氣中分出一路通往變速器切斷閥，使變速器脫擋,切斷動(dòng)力。

本文以制動(dòng)系統(tǒng)常見(jiàn)的故障“制動(dòng)不靈”為例來(lái)分析。制動(dòng)不靈的現(xiàn)象為踩下制動(dòng)踏板進(jìn)行車(chē)輛制動(dòng)時(shí)，明顯感覺(jué)制動(dòng)滯后，不能立即減速，緊急制動(dòng)時(shí)制動(dòng)距離太大。根據(jù)叉裝車(chē)制動(dòng)系統(tǒng)工作原理并結(jié)合專(zhuān)家意見(jiàn)，以“制動(dòng)不靈”為故障樹(shù)頂事件建立起如圖2所示的故障樹(shù)模型。其中各事件的代號(hào)、事件名稱(chēng)如表2所示。

圖2　叉裝車(chē)制動(dòng)不靈故障樹(shù)

2.2將故障樹(shù)模型轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)模型

將故障樹(shù)模型轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)模型，是構(gòu)建貝葉斯網(wǎng)絡(luò)簡(jiǎn)單而有效的方法。轉(zhuǎn)化時(shí)，故障樹(shù)中的底事件、中間事件和頂事件分別對(duì)應(yīng)貝葉斯網(wǎng)絡(luò)中的根節(jié)點(diǎn)、中間節(jié)點(diǎn)和葉節(jié)點(diǎn)，事件的輸入輸出關(guān)系對(duì)應(yīng)貝葉斯網(wǎng)絡(luò)中的父子節(jié)點(diǎn)的因果關(guān)系[9]。底事件的先驗(yàn)概率直接轉(zhuǎn)化為根節(jié)點(diǎn)的先驗(yàn)概率，邏輯關(guān)系用條件概率表表達(dá)。本文使用GeNIe軟件來(lái)建立貝葉斯網(wǎng)絡(luò)模型，并進(jìn)行仿真。GeNIe是匹茲堡大學(xué)決策系統(tǒng)實(shí)驗(yàn)室開(kāi)發(fā)的用于建立圖形化的決策理論模型的一個(gè)多功能、用戶(hù)友好的開(kāi)發(fā)環(huán)境。根據(jù)圖2和表2使用GeNIe軟件建立的貝葉斯網(wǎng)絡(luò)模型如圖3所示。

圖3　叉裝車(chē)制動(dòng)不靈故障的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖

2.3根節(jié)點(diǎn)的故障先驗(yàn)概率計(jì)算

因?yàn)槿狈υ敿?xì)的叉裝車(chē)制動(dòng)系統(tǒng)故障的歷史統(tǒng)計(jì)數(shù)據(jù)，因此邀請(qǐng)叉裝車(chē)廠(chǎng)家三位經(jīng)驗(yàn)豐富的專(zhuān)家對(duì)故障發(fā)生可能性作分值為1～7的7分制評(píng)判，分別對(duì)應(yīng){很低，低，較低，中等，較高，高，很高}。專(zhuān)家信息及由層級(jí)分析法所得的權(quán)重如表3所示。

表3　專(zhuān)家信息及權(quán)重表

結(jié)合三位專(zhuān)家對(duì)根節(jié)點(diǎn)故障可能性的評(píng)分，計(jì)算得到貝葉斯網(wǎng)絡(luò)根節(jié)點(diǎn)的先驗(yàn)概率，如表4所示。

表4　根節(jié)點(diǎn)先驗(yàn)概率計(jì)算

2.4條件概率表的計(jì)算

在確定了根節(jié)點(diǎn)先驗(yàn)概率后，還需計(jì)算貝葉斯網(wǎng)絡(luò)其他節(jié)點(diǎn)的條件概率表。節(jié)點(diǎn)處的條件概率表的計(jì)算方式與根節(jié)點(diǎn)相同，都是專(zhuān)家對(duì)故障概率進(jìn)行語(yǔ)義評(píng)判，再綜合專(zhuān)家評(píng)判意見(jiàn)。以中間節(jié)點(diǎn)M2的條件概率表的計(jì)算為例進(jìn)行說(shuō)明，如表5所示。其他節(jié)點(diǎn)的條件概率表的計(jì)算采用相同的方法，不再贅述。本文中的節(jié)點(diǎn)均具有正常/故障兩種狀態(tài)，分別用狀態(tài)0和狀態(tài)1表示。

表5　M2節(jié)點(diǎn)條件概率表計(jì)算

3　貝葉斯網(wǎng)絡(luò)模型的仿真與分析

貝葉斯網(wǎng)絡(luò)構(gòu)造完成后，本文采用GeNIe軟件進(jìn)行貝葉斯網(wǎng)絡(luò)模型的仿真，通過(guò)更新證據(jù)節(jié)點(diǎn)的信息來(lái)更新網(wǎng)絡(luò)其他節(jié)點(diǎn)的概率信息，進(jìn)行故障的診斷和分析。

儲(chǔ)氣筒的氣壓值由叉裝車(chē)上的氣壓表實(shí)時(shí)指示。制動(dòng)系統(tǒng)的油管直徑比較小，壓力又較高，可以在現(xiàn)場(chǎng)用外卡壓力傳感器進(jìn)行測(cè)試。因此代表制動(dòng)油壓低的節(jié)點(diǎn)M3，代表儲(chǔ)氣筒氣壓低的節(jié)點(diǎn)M5，這兩個(gè)節(jié)點(diǎn)可以作為觀測(cè)節(jié)點(diǎn)(證據(jù)節(jié)點(diǎn))。本文對(duì)以下六種情況進(jìn)行了仿真：

(1)T=1；

(2)T=1，M3=0;

(3)T=1，M3=1;

(4)T=1，M3=1，M5=0;

(5)T=1，M3=1，M5=0,X6=0;

(6)T=1，M3=1，M5=1。

仿真結(jié)果如表6所示，表中列出了六種情況下根節(jié)點(diǎn)的后驗(yàn)概率。

表6　六種情況下根節(jié)點(diǎn)的后驗(yàn)概率

在表6中，對(duì)于情況(1)，沒(méi)有證據(jù)節(jié)點(diǎn)信息僅已知T=1，即出現(xiàn)制動(dòng)不靈故障，此時(shí)節(jié)點(diǎn)X6的后驗(yàn)概率最高，為0.286，說(shuō)明X6最有可能出現(xiàn)故障，與實(shí)際相符。

對(duì)比情況(1)和(2),可知在更新證據(jù)節(jié)點(diǎn)M3=0后，M3的父節(jié)點(diǎn)的后驗(yàn)概率都大大減小，節(jié)點(diǎn)X1、X2、X3的后驗(yàn)概率均變大，與實(shí)際情況相符。此時(shí)節(jié)點(diǎn)X2的后驗(yàn)概率最大，為0.293，說(shuō)明在制動(dòng)失靈且制動(dòng)油壓正常的情況下，X2最有可能出現(xiàn)故障。

對(duì)比情況(3)和(4)可知，這兩種情況下，X6的后驗(yàn)概率均為最大，最有可能出現(xiàn)故障，在(4)中更新證據(jù)節(jié)點(diǎn)M5=0后，節(jié)點(diǎn)X4、X5、X6、X7、X8的后驗(yàn)概率都明顯變大，與實(shí)際相符。

對(duì)比情況(4)和(6)可知，在(4)中，節(jié)點(diǎn)X6的后驗(yàn)概率為最大，最有可能出現(xiàn)故障。在(6)中，當(dāng)證據(jù)信息由“M5=0”變?yōu)椤癕5=1”后，節(jié)點(diǎn)X11的后驗(yàn)概率最大，最有可能出現(xiàn)故障。此時(shí)節(jié)點(diǎn)概率X11>X10>X6，故障排查的順序應(yīng)為X11、X10、X6。

由情況(4)知，在T=1、M3=1、M5=0時(shí)，X6的后驗(yàn)概率最大，最有可能出現(xiàn)故障，應(yīng)首先排查。如果經(jīng)排查X6正常，即制動(dòng)閥膜片正常，則可以把“X6正常”作為一個(gè)新的證據(jù)信息輸入到模型里再進(jìn)行推理，即情況(5)。在(5)中，加入X6=0這一新的證據(jù)后，節(jié)點(diǎn)X4、X5、X7、X8的后驗(yàn)概率都變大，此時(shí)X5概率最大，說(shuō)明X5最有可能出現(xiàn)故障，與實(shí)際相符。

利用貝葉斯網(wǎng)絡(luò)進(jìn)行故障診斷，可以充分利用已經(jīng)確認(rèn)的故障原因節(jié)點(diǎn)的信息，以此作為新的證據(jù)進(jìn)行推理，這也是比故障樹(shù)模型更優(yōu)越的地方。

4　結(jié)論

本文將模糊集理論與貝葉斯網(wǎng)絡(luò)相結(jié)合，提出一種基于模糊貝葉斯網(wǎng)絡(luò)的叉裝車(chē)制動(dòng)系統(tǒng)故障診斷方法。該方法利用模糊數(shù)結(jié)合專(zhuān)家語(yǔ)義評(píng)判，通過(guò)專(zhuān)家的經(jīng)驗(yàn)獲得節(jié)點(diǎn)故障發(fā)生的可能性，再通過(guò)解模糊處理得到具體的故障概率值，用其構(gòu)建貝葉斯網(wǎng)絡(luò)模型中各節(jié)點(diǎn)的條件概率表，解決了因數(shù)據(jù)缺乏所引起的節(jié)點(diǎn)故障概率的不確定性問(wèn)題。

以叉裝車(chē)制動(dòng)系統(tǒng)的故障診斷為例，介紹了所提出的模糊貝葉斯網(wǎng)絡(luò)方法在故障診斷中的具體應(yīng)用，并進(jìn)行了模型仿真。分析結(jié)果表明該方法能夠結(jié)合模糊集和貝葉斯網(wǎng)絡(luò)的優(yōu)點(diǎn)，提高了貝葉斯網(wǎng)絡(luò)處理模糊信息與不確定信息的能力，在故障診斷中具有較強(qiáng)的工程實(shí)用價(jià)值。

[1] 唐宏賓,吳運(yùn)新.基于模糊故障樹(shù)混凝土泵車(chē)泵送液壓系統(tǒng)故障診斷[J].計(jì)算機(jī)應(yīng)用研究,2012,29(2):561-564.

[2] KHAKZAD N,KHAN F,AMYOTTE P.Safety analysis in process facilities:comparison of fault tree and Beyesian network approches [J].Reliability Engineering and System Safety,2011,96(8):925-932.

[3] 呂霞付,羅萍.模糊貝葉斯網(wǎng)的變壓器故障診斷[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2012,24(2):102-106.

[4] WICKENS C D.Engineering psycology and human performance [M].New York：Harper Collins Publishers Inc.,1992.

[5] 呂婷,楊濤,韓賓，等.基于模糊貝葉斯網(wǎng)絡(luò)的堆垛機(jī)系統(tǒng)可靠性分析[J].計(jì)算機(jī)應(yīng)用研究,2014,31(12):3632-3636.

[6] 張友鵬,王峰,張珊，等.基于模糊貝葉斯網(wǎng)絡(luò)的鐵路時(shí)間同步網(wǎng)可靠性分析[J].鐵道學(xué)報(bào),2015,34(9):78-80.

[7] 馬德仲,周真,于曉陽(yáng)，等.基于模糊概率的多狀態(tài)貝葉斯網(wǎng)絡(luò)可靠性分析[J].系統(tǒng)工程與電子技術(shù),2012,34(12):2607-2611.

[8] 陳東寧,姚玉成.基于模糊貝葉斯網(wǎng)絡(luò)的多態(tài)系統(tǒng)可靠性分析及在液壓系統(tǒng)中的應(yīng)用[J].機(jī)械工程學(xué)報(bào),2012,48(16):175-183.

[9] 陸瑩,李啟明,周志鵬. 基于模糊貝葉斯網(wǎng)絡(luò)的地鐵運(yùn)營(yíng)安全風(fēng)險(xiǎn)預(yù)測(cè)[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,40(5):1110-1114.

Research on fault diagnosis of forklift loader braking system based on fuzzy Beyesian network

He Youqi1,Jiang Xinhua1,2,Nie Mingxing1,2

(1.School of Information Science and Engineering,Central South University, Changsha 410083, China; 2.School of Information Science and Engineering,Fujian University of Technology, Fuzhou 350108, China)

In order to solve the problem that the diagnosis probability of the forklift loader braking system components is hardly calculated due to lack of actual data,a new diagnosis method of fuzzy Bayesian network combining fuzzy set thoery with Bayesian network is proposed in this paper.This method uses fuzzy numbers to express diagnosis probability,mapping experts’ linguistic judgments on nodes’ diagnosis probabilities into fuzzy numbers.Fuzzy numbers are de-fuzzied and precise results are obtained. Fault diagnosis is implemented with the inference of Beyesian network on the previous basic.The ability of Beyesian network to deal with fuzzy information and uncertain information is improved with this method.The fault diagnosis model of forklift loader braking system is simulated and analyzed with the software tool of GeNIe,the results show that this method is valid.

forklift loader; braking system; fuzzy set thoery; Bayesian network;fault diagnosis

福建省重大科技平臺(tái)項(xiàng)目(2014H2002)

TP24

A

10.19358/j.issn.1674- 7720.2016.11.022

2016-02-15)

何友奇(1990-),男,碩士研究生,主要研究方向:智能控制。

蔣新華(1956-),男,碩士,教授,主要研究方向:智能控制、數(shù)據(jù)挖掘、機(jī)車(chē)智能故障診斷。

聶明星(1982-),男,博士,講師,主要研究方向:計(jì)算機(jī)數(shù)控技術(shù)、大數(shù)據(jù)。