一种基于贝叶斯推理的机泵安康知识库查找方法与流程

本发明涉及机泵监测和故障诊断技术，特别涉及一种基于贝叶斯推理的机泵安康知识库查找方法，属于智能控制领域。

背景技术：

风机、水泵、压缩机、汽轮机等机泵设备是石油、化工、冶金、钢铁和电力等现代企业的关键生产设备。随着智能化的发展，该类设备不断向高速、重型、高效和智能化发展，同时对设备的状态监测和故障诊断系统提出了更高的要求。机泵运行状态好坏直接影响着企业生产的效率，发生严重故障时甚至会造成安全问题。所以，对机泵设备的安康监测显得尤为重要。

现有监测技术主要是针对机泵建立运行参数数据库，通过监测设备运行数据和将监测数据与运行数据库之间相互匹配查询，确认监测设备的运行状态。但是，这样的监测技术需要大量的人力去进行专业的数据分析和查询，且没有预测功能，精确度不高。

技术实现要素：

本发明要解决的技术问题是，克服现有技术中的不足，提供一种基于贝叶斯推理的机泵安康知识库查找方法。

为解决技术问题，本发明的解决方案是：

提供一种基于贝叶斯推理的机泵安康知识库查找方法，包括如下步骤：

(1)以机泵安康知识库中的机泵关键部件、具体故障信息和振动信号特征作为先验知识，建立贝叶斯网络搜索模型；

(2)把设定时间长度内机泵运行过程中跟踪到的振动信号特征及具体故障信息作为训练数据样本d，进行贝叶斯网络的学习；

(3)以机泵实际运行过程中采集到的振动信号特征作为网络输入，以机泵的具体安康状况信息作为网络输出；

(4)设定贝叶斯网络的搜索次数m；

(5)利用评分函数计算贝叶斯网络的得分；

(6)建立新的数据库，用于保存每次搜索贝叶斯网络的得分；

(7)找出得分最高的贝叶斯网络，实现贝叶斯网络的结构；

(8)利用em算法实现网络的参数学习；

(9)利用得到的贝叶斯网络，根据机泵运行过程中获取的振动信号特征的实时状态，进而推断该节点发生故障的概率。

本发明中，步骤(1)中所述的振动信号特征是指振动数据的峭度指标、峰值指标、裕度指标、波形指标，以及一倍频、二倍频、三倍频和高倍频的相关时域和频域指标。

本发明中，步骤(1)中所述机泵关键部位是指5种易发故障的机泵部件：转子、滑动轴承、齿轮箱、地脚和叶轮；所述具体故障信息和振动信号特征用于构建机泵安康知识库，其数据来源包括：试验仿真模拟的故障结果、机泵故障监测与分析的研究文献、机泵日常运行时的巡检故障记录。

本发明中，步骤(3)中所述的机泵具体安康状况至少包括健康状况良好和机泵故障两种情况，若机泵故障，则输出具体故障内容。

本发明中，步骤(5)中所述的评分函数是指贝叶斯网络条件概率统计评分函数bcps，具体如公式(1)所示：

n，i，j，k∈n

其中，s为网络结构，d为数据样本，n，i，j，k为不同的自然数，q为故障父节点，r为网络节点编号，m为搜索次数，α为寻到的最优结构参数；

bcps函数的惩罚项为其中为网络结构的复杂度，λ为惩罚系数，为贝叶斯网络的似然度；bcps函数的分值越大，说明变量间的关联强度越大，数据和网络结构的拟合性就越好。

本发明中，步骤(8)中所述参数学习是指利用em算法实现贝叶斯网络的参数学习，用于实现最大似然值的计算；具体包括：

对于贝叶斯网络样本数据d，计算其条件概率p(xi，πi|dl，θ(t))；给定d，其似然函数为：

i，j，k∈n

其中，1为似然函数值，i，j，k为不同的自然数，xi∈{xi¹xi²，...，xi^k，...，xi^q1}；πi为父节点的集合，其排列顺序为1，2，...，qi；θ为寻得的最优参数，θjk为当xi＝xi^k且、πi＝j是的最优参数；表示当xi＝k且πi＝j时数据集中的取值，得到下式：

在开始设定一个初始估计θ⁽⁰⁾，然后不断地修正；从当前的估计θ^(t)，到下一个估计θ^(t+1)，t为时间值，进行期望计算和最大化：

期望计算是计算的定d时，当前θ的似然函数期望：

对所有θ，应满足l(θ|θ^(t+1)≥l(θ|θ^(t)))，根据公式(2)

最大化计算是通过最大化当前期望似然函数值，选择下一个估计θ^(t+1)：

与现有技术相比，本发明具有以下技术效果：

1、本发明以机泵安康知识库作为贝叶斯网络的先验知识，并利用em算法对网络进行参数学习结合改进的bcps评分函数，可以针对某些数据训练时可以有效调节惩罚项，防止过分拟合，能有效地确定贝叶斯网络的拓扑结构，通过先验知识，得到贝叶斯网络模型各节点处的条件概率密度，从而得到机泵运行过程中的安康状态和故障种类。

2、本发明将贝叶斯网络与机泵安康知识库相结合，能很好地分析和诊断机泵运行过程中的安康程度和故障诊断，从而能及时发现电梯故障的早期征兆，能够避免和减少重大生产事故的发生，有效延长机泵运行寿命，降低维修费用，实现机泵全生命周期的安全与高效。

附图说明

图1为本发明的实施例流程图。

图2为机泵安康状态诊断的关键部位及故障特征示意图。

图3为用于实现本发明的机泵安康维保系统的原理示意图。

具体实施方式

为了使本发明的目的和技术方案以及优点更加清楚明白，结合附图作进一步详细说明。应当理解，此处所描述的具体实施例仅拥有解释本发明，并不用与限定本发明。

首先需要说明的是，本发明的实现会涉及信号检测技术，系计算机技术在工业生产领域的应用。在本发明的具体应用过程中，可能涉及到软件功能模块的应用。申请人认为，如在仔细阅读申请文件、准确理解本发明的实现原理和发明目的以后，在结合现有公知技术的情况下，本领域技术人员完全可以运用其掌握的软件编程技能实现本发明。凡本发明申请文件提及的均属此范畴，申请人不再一一列举。

机泵安康知识库是一个大型知识库，可以由多个组件构成。例如：(1)将各品类运转设备不同型号的产品部件在不同使用状态下的振动烈度数据和频谱特征进行汇总、归类，即能构建成为运转设备部件振动数据组件；(2)以标准(如iso2372振动标准)规定的整体振动速度烈度等级范围构建振动烈度数据组件；(3)以标准(如jb/t5294-91温度标准)规定的运行温度等级范围构建温度数据组件；(4)以历史大数据覆盖的故障记录，以及整合海量运转设备故障实例组成知识库组件；该组件能够涵盖大部分运转设备可能出现的故障及其检测方法，分为机械类故障、电气类故障、安装不规范、保养不到位、产品元件故障、使用不当故障等几大类。机泵安康知识库的组建方式可以本领域惯用技术手段实现，本发明不再赘述。将整理后的机泵安康知识库作为数据库模块可用于本发明的查找。

如附图1所示，本发明提供的基于贝叶斯推理的机泵安康知识库查找方法，包括以下步骤：

s1：以机泵安康知识库中的机泵故障关键部件以及具体故障和振动信号特征作为先验知识，建立贝叶斯网络搜索模型；其中，先验概率主要来源于先行建立的机泵安康知识库，其数据来源可以包括试验仿真模拟的故障结果、机泵故障监测与分析的相关研究文献、以及工人在机泵运行过程中巡检出的故障记录等。

s2：把设定时间长度(例如一段较长期时间)内机泵运行过程中跟踪到的振动信号特征及其具体故障信息作为训练数据样本d，进行贝叶斯网络的学习；图2中展示了机泵安康状态诊断的关键部位及故障特征示意图，包括机泵的5个关键部件，转子、滑动轴承、齿轮箱、地脚和叶轮，以及用于贝叶斯网络训练的相应故障特征；

s3：将机泵实际运行过程中采集到的振动信号特征作为网络输入，以机泵的具体安康状况信息作为网络输出；机泵具体安康状况至少包括健康状况良好和机泵故障两种情况(也可以分多个等级)，若机泵故障，则输出具体故障内容。

s4：设定网络的搜索的次数m；

s5：利用评分函数计算贝叶斯网络的得分；

本发明使用评分函数bcps，具体如公式(1)所示：

n，i，j，k∈n

其中，s为网络结构，d为数据样本，n，i，j，k为不同的自然数，q为故障父节点，r为网络节点编号，m为搜索次数，α为寻到的最优结构参数。bcps函数的惩罚项为其中为网络结构的复杂度，λ为惩罚系数，为贝叶斯网络的似然度；bcps函数的分值越大，说明变量间的关联强度越大，数据和网络结构的拟合性就越好。

s6：建立新的数据库，用于保存每次搜索贝叶斯网络的得分；

s7：找出得分最高的贝叶斯网络，实现贝叶斯网络的结构；

s8：利用em算法实现网络的参数学习；

本发明利用em算法实现贝叶斯网络的参数学习，用于实现最大似然值的计算；具体包括：

对于贝叶斯网络样本数据d，计算其条件概率p(xi，πi|dl，θ(t))；给定d，其似然函数为：

i，j，k∈n

其中，1为似然函数值，xi∈{xi¹，xi²，...，xi^k，...，xi^qi}；πi为父节点的集合，其排列顺序为1，2，...，qi；θ为寻得的最优参数；表示当xi＝k且πi＝j时数据集中的取值，得到下式：

在开始设定一个初始估计θ⁽⁰⁾，然后不断地修正；从当前的估计θ^(t)，到下一个估计θ^(t+1)，t为时间值，进行期望计算和最大化：

期望计算是计算的定d时，当前θ的似然函数期望：

对所有θ，应满足1(θ|θ^(t+1)≥l(θ|θ^(t)))，根据公式(2)

最大化计算是通过最大化当前期望似然函数值，选择下一个估计θ^(t+1)：

s8：利用得到的贝叶斯网络，根据机泵运行过程中获取的振动信号特征的实时状态，进而推断该节点发生故障的概率；最后通过先验知识，得到贝叶斯网络模型各节点处的条件概率密度，从而得到机泵运行过程中的安康状态和故障种类。

作为示例，以下对利用本发明所述查找方法的机泵安康维保系统进行描述。

机泵安康维保系统如图3所示，包括用于显示监控结果的上位机、安装在机泵上的振动温度传感器，以及nb-iot无线基站、数据存储服务器和数据分析服务器；rola无线基站与数据存储服务器之间通过无线通信方式连接，数据存储服务器、数据分析服务器和上位机之间通过信号线连接；

振动温度传感器包括用于封装的外壳，外壳中内置了三轴向振动传感模块、温度监测模块、滤波模块、数据处理模块、无线通讯模块和电池模块，三轴向振动传感模块通过信号线依次连接滤波模块和数据处理模块，温度监测模块和无线通讯模块分别通过信号线连接数据处理模块，电池模块用于为各元器件供电。

振动传感器一共有2个，分别安装在机泵的滑动轴承端和基座端。

振动传感器可采用一体封装的外壳(如304不锈钢外壳)，安装简单、使用方便、结构紧凑，体积小巧。其基于无线数字信号传输方式消除了长电缆传输带来的噪声干扰，所用滤波器符合iso10816振动量级标准，具备抗混叠的功能。本发明振动温度传感器中，三轴向振动传感模块用于实现运转设备三轴向(x轴、y轴、z轴)加速度信号的实时监测，可选用美国teconnectivity生产的meas7131a-0050三轴振动加速度芯片。温度传感器的温度信号与振动信号分析结合，进一步充分保障了诊断分析的准确性和可靠性。

nb-iot无线基站，用于实现振动传感器与数据存储服务器之间的数据传输；通过nb-iot无线通讯方式进行机泵的振动状态和温度数据的采集、存储和分析，是一种低功耗长距离的广域网通讯方式，拥有超高的数据接收灵敏度和超强的信噪比，用于振动传感器和是视频摄像头的通讯，保障了数据的安全可靠的传输，同时也增加了振动传感器的使用寿命。

数据存储服务器安装在机泵控制中心，接收由振动传感器采集的数据，进行存储，为机泵的故障分析和诊断提供数据基础，也可以随时调出历史数据供查看。该系统还包括安装于数据存储服务器的远程登录服务端软件模块，能够通过互联网连接移动通信设备终端。

数据分析服务器也可安装在机泵控制中心，其中内置分析诊断算法软件模块和机泵安康知识库模块。通过对振动传感器采集的大量数据进行数据感知，再对机泵中各部件的振动频率和机泵振动烈度进行评估分析，与机泵安康知识库中各类常见故障分类进行分析与对比，从而对机泵进行健康分析和安全诊断，实现机泵全方位智能监测和管理以及对机泵健康状况的可视化输出。

机泵安康知识库是一个大型知识库，可以由多个组件构成。例如：(1)将各品类机泵不同型号的产品部件在不同使用状态下的振动频率数据进行汇总、归类，即能构建成为机泵部件振动频率数据组件；(2)将机泵的振动烈度等级范围构建成为振动烈度数据组件；(3)根据数据存储服务器中历史大数据所对应出现过的故障的记录，以及整合大量机泵故障实例所组成的知识库组件；该组件能够涵盖大部分机泵可能出现的故障及其检测方法，分为机械类故障、电气类故障、安装不规范、保养不到位、产品元件故障、使用不当故障等几大类。用于构建机泵安康知识库的数据包括初始振动频率数据及故障特征，主要来源于：试验仿真模拟的故障结果、机泵故障监测与分析的研究文献、机泵日常运行时的巡检故障记录，等等。

上位机可以安装在建筑总控制室内。上位机中内置可视化输出软件模块，用于接收数据分析服务器传送的计算结果，并在分析和处理后实时显示，根据预设故障条件发出实时预警和报警。

基于该系统的机泵安康维保监测方法，包括以下步骤：

(1)振动温度传感器利用其三轴向振动传感模块获取来自机泵的振动频率与加速度检测信号；经滤波器消除杂波后，由数据处理模块将检测信号转换为可传输的数据格式，并经无线物联网模块和nb-iot无线基站传送至数据存储服务器，由其收集数据并进行存储；

(2)数据分析服务器中内置分析诊断算法软件模块和机泵安康知识库模块；分析诊断算法软件模块提取数据存储服务器存储的数据并进行计算，获取机泵中各部件的振动频率和整体振动速度数据；在与机泵安康知识库进行分析与对比后，获得健康分析和安全诊断结果；

(3)所述上位机中内置可视化输出软件模块，在接收数据分析服务器传送的计算结果后对其结果进行分析和处理并实时显示，同时根据预设故障条件发出实时预警和报警。

所述步骤(2)中的分析与比对包括下述内容：

(2.1)针对机泵中各部件振动频率的分析与比对

组成机泵的各部件因其材质和形状的差异性，有着相互区别的固定振动频率范围；在振动频率检测结果中显示会为不同的频谱特征，犹如不同人类个体之间的声纹区别。通过在组装前对机泵各部件(例如基座、转子、滑动轴承、齿轮箱、叶轮等部件)振动频率的测量，可以获得相应数据；将各品类机泵不同型号产品的部件在不同使用状态下的振动频率数据进行汇总、归类，即能构建成为机泵安康知识库的一个重要组件；在该知识库中，可以根据不同使用状态定性为不同的故障等级。

分析诊断算法软件模块提取数据后，获取机泵的综合振动频率数据；然后根据当前机泵产品型号与机泵安康知识库的数据，对综合振动频率数据进行解析、查询与匹配，提取出机泵中各部件的振动频率数据；再将各部件的振动频率数据与机泵安康知识库进行比对和分析，获得各部件对应的故障等级；由于数据提取、解析、查询、比对、匹配、分析等具体实现过程均为本领域技术人员熟练掌握，有很多成熟技术手段可以利用，本发明不再赘述。

(2.2)针对机泵整体振动速度的分析与比对

机泵的整体振动情况可以从侧面反映其组成部件发生故障的可能性。因此，可以用机泵整体振动速度烈度作为机泵故障判断依据，机泵整体振动速度烈度的数据可作为组件模块一并汇总于机泵安康知识库中。

分析诊断算法软件模块提取数据后，对振动传感器直接测量的振动加速度值，通过小波变换进行数据预处理，然后通过积分计算得到振动速度有效值；通过与汇总于机泵安康知识库中的机泵振动烈度等级范围进行比较，获得机泵整体振动速度的故障等级。

例如，对振动加速度信号a(t)进行积分运算得到振动速度值v(t)，如公式(1)：

其中，t为数据采集的时间；

再根据振动速度值v(t)求得振动速度有效值vrms，如公式(2)：

其中，t为振动周期。

由于数据提取、解析、查询、比对、匹配、分析，以及小波变换、积分计算等具体实现过程均为本领域技术人员熟练掌握，有很多成熟技术手段可以利用，本发明不再赘述。

例如，本发明根据机泵振动速度有效值的不同，将机泵振动烈度分为a、b、c、d四个不同的等级范围，a区表示机泵运行状况良好，无任何故障问题；b区表示机泵运行中有微振动，是机泵运行过程中的允许值，不需要进行维修，但需要继续观察；c区表示机泵运行中有明显的振动，建议通过机泵安康知识库进行查询故障原因的分析，进行对应的维修；d区表示机泵运行中有剧烈的振动，须立即停止机泵的运行，进行紧急维修。

基于上述机泵安康维保系统，本发明还可以进一步利用移动互联网的技术实现更多功能，例如：(1)维保人员使用移动通信设备终端，通过互联网连接远程登录服务端软件模块，根据权限查看机泵历史维保记录，填写当前维保记录，并存入服务器；或者，(2)机泵操作人员使用移动通信设备终端，通过互联网连接远程登录服务端软件模块，根据权限查看机泵历史维保记录，上传故障申报。

本发明所述基于贝叶斯推理的机泵安康知识库查找方法，始终贯穿于步骤(2)中的分析与比对过程中。例如，在进行分析与比对之前，通过贝叶斯网络的参数学习和评分，确认得分最高的贝叶斯网络作为分析与比对所用的贝叶斯网络；然后在分析和比对过程中，利用得到的贝叶斯网络，根据机泵运行过程中获取的振动信号判断节点的实时状态，进而推断该节点发生故障的概率，将分析结果推送给上位机。