舰船科学技术  2022, Vol. 44 Issue (9): 142-145    DOI: 10.3404/j.issn.1672-7649.2022.09.029   PDF    
基于贝叶斯网络的短波发射机故障诊断研究
段安民, 徐皓, 孙卫华, 孙艳超     
武汉船舶通信研究所,湖北 武汉 430205, China
摘要: 短波发射机作为短波通信的关键组成设备,在各装备平台上具有广泛的应用,其故障诊断技术对于各装备的短波通信保障能力具有重要意义。本文以贝叶斯网络为基础,建立短波发射机贝叶斯网络故障诊断模型并对其进行分析计算,推理得出导致故障出现的各因素发生概率,以便科学、有效地对故障进行诊断定位,为快速排故、提升设备故障修复效率提供有力支撑。
关键词: 短波发射机     故障诊断     贝叶斯网络     概率推理    
Research on fault diagnosis of short-wave transmitter based on bayesian network
DUAN An-Min, Xu Hao, SUN Wei-Hua, SUN Yan-Chao     
Wuhan Marine Communication Institute, Wuhan 430205, China
Abstract: As a significant component of short-wave communication system, short-wave transmitter is widely used in various weapons and equipment. Its fault diagnosis technology is of great importance to the short-wave communication capability. Based on Bayesian network, this paper establishes a fault diagnosis model of short-wave transmitter. By analyzing the model, the occurrence probability of various factors leading to the occurrence of faults is deduced. This method is helpful for diagnosing and locating faults scientifically and effectively, and provides strong support for fast troubleshooting and repairing.
Key words: short-wave transmitter     fault diagnosis     Bayesian network     probabilistic inference    
0 引 言

从机械化向信息化是现代战争形态不可逆转的演变趋势,信息化战争对军事通信装备的稳定性、可靠性、能力底数提出了更高要求,因此通信装备故障诊断的效率与精确度也成为信息化战争战斗力的重要影响因素。短波发射机作为短波通信的关键组成设备,在各装备平台上具有广泛的应用,其故障诊断技术对于各装备平台的短波通信保障能力具有重要意义。

由于短波发射机的内部组件较多、结构较复杂,传统依靠人力的故障诊断方法已经难以满足信息化战争对于通信保障高效性的要求,因此本文以贝叶斯网络为基础,提出短波发射机的贝叶斯网络故障诊断模型,并基于该模型对常见故障进行概率诊断与量化推理,以便高效、精确地对故障原因、故障部位等关键信息进行定位,提高设备的通信保障能力。

1 贝叶斯网络 1.1 贝叶斯网络简述

贝叶斯网络1988年由Pearl提出,是基于贝叶斯公式的表现变量间相关性及其强度的图形化网络[1]。利用贝叶斯网络,可科学、高效地对不详尽、不准确的信息数据进行推理,并通过形象直观的图形网络形式将结果显示。贝叶斯网络是表达不确定性知识最有效的模型之一,被广泛应用于数据挖掘、模拟生态系统、故障诊断及预测、风险管理等各领域[2-3]

贝叶斯网络由有向无环图与概率分布表两部分组成,其中有向无环图为所研究问题相关变量的关系网络,图中节点代表变量,节点间的有向弧代表变量间的因果关系;概率分布表为变量间相关性强度量化表,代表节点间因果关系的强弱[4-6]

基于贝叶斯公式的概率推理是应用贝叶斯网络的实质,贝叶斯推理的基本公式[7-8]包括:

1) 条件概率公式: $ P(AB)=P(AB)/P(B) $ ,表示事件条件下发生事件的概率为事件和事件同时发生的概率与事件发生概率之比。

2) 全概率公式: $P(A)={\displaystyle \sum _{\textit{i}}P(A{B}_{i})}P({B}_{i})$ ,表示发生事件的概率为事件各种状态与事件A同时发生的概率之和。

3) 贝叶斯公式: $P({B}_{i}{\rm A})=P({\rm A}{B}_{i})P({B}_{i})\Big/{\displaystyle \sum _{\textit{j}}P(A{B}_{j})} P({B}_{j})$ ,由条件概率公式及全概率公式推导得到,用于已知条件概率 $ P(AB) $ 和先验概率 $ P(B) $ 时,计算后验概率 $ P(B{\rm A}) $

综上,贝叶斯网络推理即为在已知网络的结构与各节点概率分布的情况下,基于已给定的节点状态通过上述推理公式计算出全部节点或部分节点的后验概率的过程[9-10]

1.2 贝叶斯网络推理的基本步骤

基于贝叶斯网络进行推理的基本步骤[11]包括:

1) 基于所研究问题的特点,确定相关变量及其所有状态取值;

2) 基于变量之间因果关系构建贝叶斯网络结构图,通常采用的方法有2种:凭借领域专家知识及经验数据直接构建贝叶斯网络结构,此方法优点是意义明确、逻辑清晰,缺点是若前期数据不够完善则贝叶斯网络可能发生漏解;通过学习算法对大量样本数据进行结构学习从而提取贝叶斯网络结构,此方法优点是所建贝叶斯网络与样本数据拟合度高,缺点是不同网络结构学习算法泛化能力有差异,产生的贝叶斯网络的合理性可能需要进一步验证;

3) 基于先验知识确定贝叶斯网络各节点的概率数据,包括先验概率与条件概率;

4) 利用贝叶斯推理公式计算贝叶斯网络的联合概率分布。

贝叶斯推理根据给定的节点状态及方向可分为因果推理、诊断推理、支持推理等3类[12-13]。因果推理是根据事件发生的原因推理可能的结果及其概率;诊断推理是根据事件的结果推理原因及其概率;支持推理是已知部分原因和结果的概率,推理另一部分原因的概率,并分析原因之间的相互影响关系。

2 短波发射机的故障诊断推理 2.1 某型短波发射机简介

某型短波发射机由激励器、功放控制模块、功率分配模块、功率放大器、功率合并器、天线调谐器、开关电源模块等部件组成,主要工作流程为输入的音频信号通过激励器调制至既定频段的射频信号,射频信号经功率分配模块分成多路后,再经功率放大器进行放大,随后功率合并器将分路并放大的信号进行合并输出至天线调谐器,信号通过天线调谐器由配套短波天线进行辐射发送。该短波发射机的组成示意图如图1所示。

图 1 某型短波发射机组成示意图 Fig. 1 Schematic diagram of a short-wave transmitter
2.2 短波发射机的贝叶斯网络故障诊断模型构建

本文根据领域专家给出的某型短波发射机FMECA分析构建其贝叶斯网络故障诊断模型,其FMECA分析如表1所示(只摘取与建模有关内容)。

表 1 某型短波发射机FMECA分析表 Tab.1 FMECA analysis table of a short-wave transmitter

针对短波发射机“发信功能降低”故障构建贝叶斯网络故障诊断模型以作示例开展基于贝叶斯网络的短波发射机故障诊断研究。根据FMECA分析表可知功率分配模块、功率放大器功放模块、功率放大器谐波滤波器、天线调谐器控制单元、天线调谐器检测单元、天线调谐器匹配网络为贝叶斯网络根节点,节点状态可定义为正常或故障;功率放大器、天线调谐器为贝叶斯网络过程节点,节点状态可定义为正常或故障;发信功能降低为贝叶斯网络叶节点,节点状态可定义为出现或不出现。相应的贝叶斯网络故障诊断模型结构如图2所示。

图 2 贝叶斯网络故障诊断模型结构示意图 Fig. 2 Schematic diagram of Bayesian network fault diagnosis model

各节点概率统计数据基于领域专家在短波发射机故障诊断方面的经验积累、理论知识及短波发射机的试验数据、可靠性报告、履历书等得到,具体数据如表2所示。

表 2 各节点概率统计数据 Tab.2 Probability statistics of each node
2.3 短波发射机的故障诊断推理

Netica软件为广泛应用的贝叶斯网络分析工具,本文采用该软件对短波发射机贝叶斯网络故障诊断模型进行分析,从而对短波发射机发信功能降低的故障进行诊断推理。

将所建短波发射机贝叶斯网络故障诊断模型写入Netica软件,可得故障诊断分析图如图3所示。

图 3 Netica软件所建故障诊断分析图 Fig. 3 Fault diagnosis analysis diagram in Netica

基于以上故障诊断分析图可对短波发射机发信功能降低故障进行诊断推理,假设已出现发信功能降低故障,在故障诊断分析图中将C节点状态设置为YES,则可得到图4所示诊断结果。

图 4 Netica软件故障诊断结果图 Fig. 4 Fault diagnosis results in Netica

由以上结果可知,基于贝叶斯网络故障诊断模型进行诊断,导致短波发射机出现发信功能降低故障的原因按照概率排序依次为:谐波滤波器故障(A2,概率23.5%)>检测单元故障(A5,概率22.7%)>功放模块(A1,概率20.4%)>功率分配模块(A3,概率15.3%)>控制单元(A4,概率10.5%)>匹配网络(A6,概率8.12%)。根据此结果,可依据各因素的发生概率快速决策出故障排除的优先次序,极大提高故障诊断、定位及排故的效率与准确率。

3 结 语

本文基于短波发射机“发信功能降低”故障建立了短波发射机贝叶斯网络故障诊断模型,并基于所建模型对短波发射机常见故障进行原因推理与分析,得到了可能导致故障的各因素的概率排序。综上可知,采用贝叶斯网络对设备故障进行诊断能够科学、高效地对故障进行分析定位,有效支撑设备操作人员迅速做出决策并准确排除故障。

参考文献
[1]
贝叶斯网及应用[M]. 武汉: 武汉大学出版社, 2019: 25–30.
[2]
黄金超. 贝叶斯统计分析 [M]. 芜湖: 安徽师范大学出版社, 2017: 30–42.
[3]
韦来生, 张伟平, 等. 贝叶斯分析[M]. 合肥: 中国科学技术大学出版社, 2013: 10–20.
[4]
何永昌, 陈之光, 等. 基于Netica 的导弹故障诊断贝叶斯网络模型研究[J]. 航空兵器, 2020, 27(1): 89-95. DOI:10.12132/ISSN.1673-5048.2019.0027
[5]
刘春生, 王斌, 等. 基于Netica 的机载雷达侦察效能评估[J]. 现代雷达, 2017, 39(3): 8-16.
[6]
何小飞, 等. 基于贝叶斯网络和D-S证据理论的分布式电网故障诊断[J]. 电力系统自动化, 2011, 35(10): 42-47.
[7]
许丽佳, 等. 基于贝叶斯网络的复杂系统故障预测[J]. 系统工程与电子技术, 2008, 30(4): 780-784. DOI:10.3321/j.issn:1001-506X.2008.04.046
[8]
王永强律, 方成, 等. 基于粗糙集理论和贝叶斯网络的电力变压器故障诊断方法[J]. 中国电机工程学报, 2006, 26(8): 137-141. DOI:10.3321/j.issn:0258-8013.2006.08.026
[9]
王华伟, 周经伦, 等. 基于贝叶斯网络的复杂系统故障诊断[J]. 航空兵器, 2004, 10(2): 230-234.
[10]
杨晓阳. 基于贝叶斯网络的网络控制系统故障分析[D]. 大连: 大连交通大学, 2020.
[11]
俞彩虹. 基于贝叶斯网络的城轨车辆走行系统故障诊断及状态评估 [D]. 兰州: 兰州交通大学, 2020.
[12]
张亚茹. 基于贝叶斯网络的输电线路故障诊断[D]. 淮南: 安徽理工大学, 2018.
[13]
李玉兰. 基于贝叶斯网络的列控车载设备故障诊断研究[D]. 北京: 北京交通大学, 2016.