一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法技术

本发明专利技术提供一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法，包括：明确轴流风机故障类型，明确故障可能对应的运行工况与征兆；根据轴流风机故障类型及其对应运行工况与征兆构建贝叶斯网络；根据真实物理经验与合理假设对风机故障的先验概率进行建模；对模型进行误差分析，保证模型的可行性。本发明专利技术能够在对轴流风机故障的先验概率进行合理建模的基础上，将故障的先验概率分为两部分的线性叠加，工况指向和历史信息，并建立先验概率与工况信息之间的直接函数关系。不同工况下，先验概率不同，使得网络先验概率更为客观，具有学习性质，同时将每次的诊断信息添加到历史数据库，更新网络先验概率，使系统智能化。

【技术实现步骤摘要】
一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法
本专利技术涉及故障诊断领域，尤其涉及一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法。
技术介绍
过程流体机械是以流体或流体与固体的混合体为对象进行能量转换、处理的机械，是过程装备的重要组成部分。过程流体机械参与了工厂生产中的大多数环节，是一个工厂的心脏、动力和关键设备。一旦流体机械设备出现了故障，势必对整个生产造成巨大的财产损失，严重者可能会引发安全事故。按照中国制造2025的战略部署，高端装备智能制造对流体机械的性能、安全和效率等提出更高更迫切的要求。为此，如何预防和诊断过程流体机械出现的故障显得尤为必要。近年来，基于贝叶斯网络理论的流体机械故障诊断方法取得了重大突破,但是这些方法的网络先验概率均为根据经验假设，且固定不变，使得整个网络过于主观。本方法采用对先验概率建模的方式，结合历史信息与工况原因两方面影响，构建状态取值函数和概率函数，使先验概率更为客观，且具有一定的学习性质。附图说明图1是轴流风机参数表；图2是轴流风机的故障贝叶斯网络的有向无环图；图3是腐蚀程度随时间变化曲线；图4是紧固力下降程度随时间变化曲线。
技术实现思路
本专利技术提供一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法，将故障的先验概率分为两部分的线性叠加，工况指向和历史信息，并建立先验概率与工况信息之间的直接函数关系。不同工况下，先验概率不同，使得网络先验概率更为客观，并将每次的诊断信息添加到历史数据库，更新网络先验概率，使系统智能化。一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法，包括：步骤一：明确轴流风机故障类型，明确故障可能对应的运行工况与征兆；步骤二：根据轴流风机故障类型及其对应运行工况与征兆构建贝叶斯网络；步骤三：根据真实物理经验与合理假设对风机故障的先验概率进行建模；步骤四：对模型进行误差分析，保证模型的可行性。作为优选，步骤一中重点考察两类典型的轴流风机故障：转子不平衡和地脚螺栓松动。作为优选，步骤二中的贝叶斯网络是有向无环图，分为三层节点，分别为工况层节点、故障层节点、征兆层节点。作为优选，步骤三的具体步骤为：步骤a.明确故障层节点的先验概率由工况因素影响与历史信息两部分构成，如果是首次先验概率建模，则历史信息为零；步骤b.根据自身知识和经验合理建立工况层节点状态对故障先验概率的影响模型；步骤c.使用历史信息对先验概率进行修正，确保概率的合理性。作为进一步优选，步骤b中，将工况层节点连续化，节点状态用“程度”来描述，程度取值范围为[0,1]，程度越大表示该工况因素的情况越严重。作为进一步优选，步骤b中，工况层对故障节点先验概率的影响由程度决定，概率值和程度满足一定的函数关系。作为进一步优选，步骤c中，上一次求解的故障后验概率作为本次求解的历史信息。作为优选，步骤四中，先验概率由工况影响与历史信息的线性组合构成，通过权值系数调节缩小误差。本专利技术提供了一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法，相比传统方法和目前其他方法的优点是，本专利技术的先验概率是自适应估计的，从风机设备运行工况和历史经验信息出发，使得通过先验概率建模得到的设备故障先验概率更具有客观性，并具有学习性质。除此之外，本专利技术的可移植性好、朴素贝叶斯网络先验概率模型更为智能化，可普遍适用于各种轴流风机的故障先验概率建模。具体实施方式为了更为具体地描述本专利技术，下面结合附图及具体实例应用方式对本专利技术的技术方案进行详细说明。实例：一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法在实验室小型轴流风机故障先验概率建模的应用。S01，如图1所示，是本专利技术的六叶轴流式风机参数表。对其可能发生的故障类型及具体故障可能对应的工况与征兆进行分析，这里重点考察转子不平衡和地脚螺栓松动这两类典型的轴流风机故障，与其对应的工况层因素有积垢、转子加工或安装误差、机组启停不当、介质腐蚀、外在载荷冲击、紧固力下降，相关征兆层表现为高倍频幅值大、水平垂直相位差为90度、机身振动、工频成分明显、幅值随转速变化敏感、频率升高时基频优势加大、松动强烈时出现半频成分和水平、垂直相位差为0度或180度；S02，如图2所示，构建轴流风机故障的贝叶斯网络，第一层节点为工况层，第二层节点为故障层，第三层节点为征兆层。对工况层建立状态模型，值得注意的是，为了更贴近实际，这里引入“程度”这一概念来描述工况层的节点状态，对于工况层的六个节点，除转子加工或安装误差(b)、机组启停不当(c)之外，均视为连续节点。定义“程度”为节点的自变量，作为一种工况的衡量。程度的取值范围为[0,1]，取0表示程度为无，可视为事件不发生，比如一台崭新的风机，没有积垢，则积垢的程度a＝0。取1表示程度为最大，例如一台已被腐蚀损坏的风机，其腐蚀已经达到足够严重，此时程度d＝1，程度大于1均视为1，因为继续增大无实际意义。节点的程度直接影响到故障的先验概率，且程度越大，故障发生的概率越大。程度如何求解，可以联系其内在的连续潜变量，建立函数关系；S03，考虑积垢这一节点：根据经验可知，积垢与时间t(天)呈递增关系，且积垢程度越大，积垢速度相应减慢，采用幂函数描述这种关系。又根据风机的使用环境，视风机在无任何处理的情况下，使用期达两年时(方便起见，取720天)积垢程度最大，即a＝1，故而其程度随时间的表达式为：S04，考虑转子加工或安装误差这一节点：该节点和风机出厂状态有关，当风机给定时，误差即给定，本实验所用风机出厂状态良好，误差为0，即程度b＝0。S05，考虑机组启停不当这一节点：该工况影响转子不平衡主要是启停不当次数，当次数越多时，发生转子不平衡的概率越大，不妨设启停不当次数达到10次时，该事件程度为1，则程度与启停不当次数成线性关系：当启停不当次数等于或超过10次时，该工况对转子不平衡的影响达到最大。S06，考虑介质腐蚀这一节点：由于风机运行过程可能会有油滴或者腐蚀性气体渗入，故需考虑介质腐蚀的影响。腐蚀程度d与腐蚀速率和时间有关，使用环境不同，腐蚀速率时刻变化，方便起见，认为速率恒定，保持为平均腐蚀速率，则程度d刻画为时间t的单值函数。根据经验，设风机在无任何处理情况下，使用四年时达到腐蚀程度最大，且腐蚀过程前面慢、中间快、后面慢，可用半周期正弦曲线描述，如图3，根据三角函数知识，易知：由图3可知，风机在使用开始时和四年左右时，腐蚀较慢，在中间阶段腐蚀快。S07，考虑外在载荷冲击这一节点：载荷冲击的程度与启停不当类似，取决于冲击次数，不妨认为风机受到冲击20000次时，冲击累积影响最大，即冲击程度e＝1。假设外在载荷以周期脉冲的形式冲击，周期为一小时，则一天冲击24次，容易计算得到，当冲击834天时，程度最大，程度的表达式为：S08，考虑紧固力下降这一节点：根据实际经验，随着使用时间的增长，螺栓连接的紧固力会逐渐下降，且螺栓越来越松时，下降越来越严重，因此该工况的程度f随时间增加而增加，增加的速率不断增大，此处用指数函数描述。认为没有任何处理的情况下，使用两年时螺栓松动程度达到最大f＝1：如图4所示，为本专利技术的程度曲线。S09，对故障层节点的先验概率进行函数建模。对于转子不平衡，有两种状态，发生(IB)和不发生对于地脚螺栓松动，有三种状态，强本文档来自技高网...

【技术保护点】
1.一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法，包括以下步骤：步骤一：明确轴流风机故障类型，明确故障可能对应的运行工况与征兆；步骤二：根据轴流风机故障类型及其对应运行工况与征兆构建贝叶斯网络；步骤三：根据真实物理经验与合理假设对风机故障的先验概率进行建模；步骤四：对模型进行误差分析，保证模型的可行性。

【技术特征摘要】
1.一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法，包括以下步骤：步骤一：明确轴流风机故障类型，明确故障可能对应的运行工况与征兆；步骤二：根据轴流风机故障类型及其对应运行工况与征兆构建贝叶斯网络；步骤三：根据真实物理经验与合理假设对风机故障的先验概率进行建模；步骤四：对模型进行误差分析，保证模型的可行性。2.根据权利要求1所述的基于先验概率建模的轴流风机故障贝叶斯概率分析方法，其特征在于，所述步骤一中重点考察转子不平衡和地脚螺栓松动这二类轴流风机故障。3.根据权利要求1所述的基于先验概率建模的轴流风机故障贝叶斯概率分析方法，其特征在于，步骤二中的贝叶斯网络是有向无环图，分为三层节点，分别为工况层节点、故障层节点、征兆层节点。4.根据权利要求1所述的基于先验概率建模的轴流风机故障贝叶斯概率分析方法，其特征在于，步骤三的具体步骤为：步骤a.明确故障层节点的先验概率由工况因素影响与历史信息两部分构成，如果是首次先验概率建模...

【专利技术属性】
技术研发人员：初宁，张安格，吴大转，邵准远，徐建锋，
申请(专利权)人：浙江上风高科专风实业有限公司，
类型：发明
国别省市：浙江,33