﻿ 基于贝叶斯网络的舰船离心泵类系统声学故障诊断方法
 舰船科学技术  2022, Vol. 44 Issue (10): 93-96    DOI: 10.3404/j.issn.1672-7649.2022.10.018 PDF

1. 海军装备部重大专项装备项目管理中心，北京 100071;
2. 中国舰船研究院，北京 100101

Acoustic fault diagnosis method of ship centrifugal pump system based on Bayesian network
LI Chun-guang1, YAN Hui-dong2, ZHANG Hua-dong2, JI Fang2
1. Major Equipment Project Management Centre of Navy Equipment Department, Beijing 100071, China;
2. China Ship Research and Development Academy, Beijing 100192, China
Abstract: Aiming at the lack of acoustic fault diagnosis method in the construction stage of ship centrifugal pump system, an acoustic fault diagnosis method of ship centrifugal pump system based on Bayesian network is proposed on the basis of vibration transmission path analysis and Noisy-Max hypothesis. The undetermined parameters in Bayesian network simulation are determined through the shelf simulation test, and the effectiveness of the method is verified by five groups of randomly selected test data. The results show that the diagnosis results of this method are consistent with the actual faults, and this method has high diagnosis accuracy.
Key words: centrifugal pump     acoustic fault     fault diagnosis     Bayesian network
0 引　言

1 理论基础

 $P\left( {F|E} \right) = \frac{{P\left( {F \cap E} \right)}}{{P\left( E \right)}}，$ (1)

 $P\left( E \right) = \sum\limits_i {P\left( {E|{F_i}} \right)} P\left( {{F_i}} \right)，$ (2)

 $P\left( {{F_j}|E} \right) = \frac{{P\left( {E|{F_j}} \right)P\left( {{F_j}} \right)}}{{\sum\limits_i {P\left( {E|{F_i}} \right)} P\left( {{F_i}} \right)}}。$ (3)

 图 1 离心泵系统振动传递路径示意图 Fig. 1 Vibration path of propeller pump system
 $P\left( x \right) = {\prod _{i \in V}}P\left( {{x_i}|{x_{pa(i)}}} \right)。$ (4)

 $P\left( {{x_1}, \cdot \cdot \cdot ,{x_k}} \right) = P\left( {{x_k}|{x_1}, \cdot \cdot \cdot ,{x_{k - 1}}} \right) \cdot \cdot \cdot P\left( {{x_2}|{x_1}} \right)P\left( {{x_1}} \right)。$ (5)
2 基于贝叶斯网络的离心泵系统建造阶段声学故障诊断模型 2.1 贝叶斯网络结构

 图 2 诊断贝叶斯网络结构 Fig. 2 Construction of nodes
2.2 故障先验概率设置

2.3 证据节点条件概率设置

1）在离心泵类系统正常运行工况下获取进口支吊架、出口支吊架、进口挠性接管、出口挠性接管、机脚基座的隔振量，如表3所示。将4次测试值进行能量平均，作为基准值，在理想状态下，所观测变量E应与基准值的偏差为0，但由于误差影响，实测数据与基准值之间存在偏差，因此针对隔振量设置正常状态区间为 $\overline L \pm 3\;{\text{d}}\text{B}$

2）设置5个故障工况，获取了31组数据样本，随机选取26组试验数据作为贝叶斯网络训练样本，其余5组作为模型验证样本。对训练样本数据进行统计，将证据节点偏离频率作为条件概率，以F1故障为例，通过将进口支吊架隔振器上下刚性连接模拟声短路故障。该故障模拟试验共进行8组，其中5组试验出现E1小于基准值正常状态区间，因此PE1减小|F1）为0.625。考虑到意外事件发生的可能性，避免运算过程中出现分母为0的情况，将统计结果为0的条件概率修正为0.001。根据以上统计方法得到表4中各证据节点条件概率。

3 模型验证

 图 3 贝叶斯网络 Fig. 3 Bayesian network

4 结　语

1）通过振动传递路径分析，排除贝叶斯网络中关联度较低的有向边，优化了网络拓扑结构。

2）在故障样本有限的情况下，通过模拟试验获取样本数据，基于统计获取网络模型所需的26个条件概率。

3）通过随机选取的5组模型验证样本数据对本文提出的网络模型进行验证，结果显示该方法的诊断结果与实际故障相吻合，验证了贝叶斯网络在舰船离心泵类系统建造阶段声学故障诊断领域应用的可行性。

 [1] O'MARA D, GEAR G, MCMAHON D. Automated self-noise monitoring and acoustic fault detection[C]// UDT Korea, 2002. [2] 章林柯, 何琳, 江涌. 基于MIMO模型的潜艇声学故障预报研究[J]. 武汉理工大学学报, 2008, 32(2): 320-322+326. [3] PEARL J. Bayesian networks: A model of self-activated memory for evidential reasoning[J]. Proceeding of Cognitive Science Society, 1985, 1985. [4] CAI Z , SUN S , SI S , et al. Research of failure prediction Bayesian network model[C]// International Conference on Industrial Engineering & Engineering Management. IEEE, 2009. [5] 李前舸. 基于诊断贝叶斯网络的螺杆式冷水机组故障检测与诊断研究[D]. 上海: 上海交通大学, 2020. [6] 邹树梁, 陈树强. 基于故障树分析和贝叶斯网络方法的液压举升机构故障诊断[J]. 南华大学学报:自然科学版, 2021, 35(4): 6. [7] 张皓宇, 付锦洲, 魏曙寰. 基于贝叶斯网络的舰艇机电装备故障分析方法研究[J]. 装备制造技术, 2020(12): 5. [8] 张义忠, 张华栋, 计方, 等. 船舶典型通海电动泵管路系统建造声学故障模式初探[J], 舰船科学技术, 2021, 43(S1): 7–12. [9] 陈东超. 基于贝叶斯网络的汽轮发电机组故障诊断方法及应用研究[D]. 北京: 华北电力大学, 2018. [10] 张连文, 郭海鹏. 贝叶斯网引论[M]. 北京: 科学出版社, 2006: 41–45.