基于BN和模糊評判的異型煙分揀系統故障診斷

曹婷婷 朱伏平 尹健康 宋紅文

（1.西南科技大學制造科學與工程學院 四川綿陽 621010；2.成都誠至誠商務物流有限責任公司 成都 610000）

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

1 異型煙分揀系統分析及診斷法

近年來，基于人工智能技術的診斷方法得到快速發展，如神經網絡技術［1］、故障樹圖［2］和有向圖［3］等。貝葉斯網絡作為有向圖的一種，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域的故障診斷。很多學者利用故障樹［4］、粗糙集理論［5］、主成分分析法［6］等方法與貝葉斯網絡相結合，對機器設備進行故障診斷，取得很好的效果。但從目前研究來看，大量學者將診斷問題的核心放在故障發生的概率上，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，其機械系統主要由立式分發機組、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，且各分揀設備間聯系緊密，局部設備出現故障都會導致整個分揀線停線。除此之外，由于異形煙形狀、大小不一，分揀設備較為復雜，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的設計與運用［7－9］。對物流分揀設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，運用于分揀設備的運行管理，通過對關鍵設備和設備運行的關鍵因素的分析，確定和維修設備故障，大大降低了設備停機時間。分揀設備故障是導致分揀系統效率低的主要原因。本文在前人研究的基礎上，針對分揀設備故障的不確定性，提出基于模糊評判的貝葉斯網絡診斷方法，綜合考慮故障概率、故障的排查難度、維修難度、診斷準確性和對整條線的影響程度，實現故障的有效診斷，為故障的預防與排查提供科學依據。

2 貝葉斯網絡故障診斷

針對異形煙分揀系統故障的不確定性問題，本文對某煙草物流中心一年的設備維修記錄數據進行分析，結合專家經驗建立貝葉斯網絡結構，并采用Netica軟件進行概率推理。根據數據分析結果，設置異形煙的故障特征量如表1所示，設置故障類型集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 建立貝葉斯網絡模型

貝葉斯網絡（Bayesian network，BN）是基于概率分析與圖論相結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絡構建與分析的工具主要有MSBNX、基于MATLAB的貝葉斯網絡工具箱和Netica等軟件［12］。本文采用Netica進行仿真建模，模型創建步驟如下：

（1）建立故障診斷信息視圖；

（2）根據視圖信息建立模型相關變量；

（3）創建貝葉斯網絡結構圖；

（4）通過初始數據的學習，完成各節點的概率與條件概率分布；

（5）輸入證據變量，輸出各節點后驗概率。

根據設備維修記錄數據，得出各故障特征量與故障類型的匹配關系，如圖2所示。

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

根據圖2匹配關系繪制貝葉斯網絡結構，如圖3所示。

圖3 異型煙分揀系統故障的貝葉斯網絡模型Fig.3 A Bayesian network model for the fault of profiled cigarette sorting system

對設備維修記錄數據分析得出各根節點（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 子節點Mi的條件概率Table 4 Conditional probability of child node M i

2.2 貝葉斯網絡模型推理

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

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

當異形煙分揀系統發生故障時，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，缺乏其他證據情況下，分揀設備出故障概率大小排序為：d2＞d10＞d1＞d8＞d6＞d9＞d3＞d13＞d7＞d4＞d5＞d11＞d12。維修人員可根據以上順序對故障問題進行排查和檢修。此外，在平時保養中，可重點關注發生故障概率高的設備，達到預防作用。

3 故障復雜性評判

異形煙分揀系統分揀設備多且各設備對整條線的影響程度不同，增大了故障診斷的復雜性。針對該問題，本文運用模糊綜合評判法對前文貝葉斯網絡診斷結果進行修正。

（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

專家對診斷結果進行語言評價，并劃分為5個等級模式，語言變量由專家結合故障數據給出。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重

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

（4）建立模糊評判矩陣

根據三角形隸屬度函數［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

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

以網帶松動（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 結合模糊綜合評判的貝葉斯網絡診斷

貝葉斯網絡診斷得到的結果是通過學習數據得到的，僅考慮了故障發生的概率，未考慮故障的復雜性，因此本文用模糊綜合評判法對故障復雜性評判得到的值對后驗概率進行修正，使其診斷結果更具合理性。綜合評判值表達式為：

式中：μi表示第i個故障的模糊綜合評判權重值；qi為貝葉斯網絡診斷后得到的第i個故障的后驗概率。

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

同理，得到d2，d3，…，d13的結合貝葉斯網絡和模糊綜合評判的結果如表7所示。

表7 各故障綜合評判結果Table 7 Comprehensive evaluation results of each fault

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

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

從修正前后對比可知，修正后部分排序發生了明顯變化，如切膜爆口（d3）和輥筒安裝板損壞（d8）。結合分揀系統實際運行情況證明，結合模糊評判的貝葉斯網絡診斷結果更有效經濟。因此，當異形煙半自動分揀系統發生故障時，可根據修正后可能發生故障的元件順序進行故障排查，以此降低排查難度，更好地進行故障診斷。除此之外，在平時設備保養時，應著重注意故障概率大的元件，在一定程度上防止故障的發生。

5 結論

本文將貝葉斯網絡與模糊評判法相結合用于異形煙分揀系統的故障診斷，建立了相應的診斷模型。首先，通過貝葉斯網絡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、診斷準確性和故障對整條分揀線的影響程度進行評判；最后，運用模糊綜合評判結果對后驗概率進行修正，并比較修正前后的診斷結果。結果顯示結合模糊綜合評判的貝葉斯網絡診斷方法能對故障診斷進行更全面的分析，為快速有效地排除故障提供了一定的科學依據。