0 引言

对装甲车辆复杂动力系统的健康状态评估以及可持续运维是当下装甲车辆走向智能化方向的关键。目前对复杂系统的故障进行评估的方法主要有神经网络法、模糊综合评判法、贝叶斯网络等,这些方法的应用使得故障的评估多元化,在近几年的发展过程中,得到了广泛的应用。俞彩虹[1]采用常规层次分析法(AHP)与模糊综合评判(FCE)相结合的方法,对走行系统进行了健康状态的评估;李思博[2]运用模糊贝叶斯网络对锂动力电池进行故障分析和诊断;张珈闻[3]采用层次分析法与云模型相结合的方法,对装备工程进行风险评估,提高了风险评判的相似度。

本文选用证据理论/层次分析法来确定节点初始概率,借助专家经验融入DS/AHP中,将所得的数据代入贝叶斯网络,运用所求得的复杂传动系统各个故障初始条件概率值,去评估各个故障状态的概率[4]。最后通过仿真实现对装甲车辆复杂传动系统的故障状态评估。

1 装甲车辆故障评估流程

1.1 贝叶斯网络

贝叶斯模型是常被用来对一些模糊问题进行推理计算的网络构架,常用以解决复杂装备的不确定性结果,或在并联条件之间的关系中发挥着很大的作用[5]。贝叶斯网络基本流程结构如图1所示。

使用概率表示所有形式的不确定性学习、推理都用概率规则来实现。贝叶斯定理记作

p(θ丨

(1)

式(1)中:x为观测向量;θ为未知参数向量;p(θ丨x)表示x、θ的联合分布密度;p(x)为边缘概率密度。

1.2 故障评估流程

贝叶斯网络的推理步骤如下:

步骤1 根据装甲车辆动力系统的实际故障情况推测贝叶斯网络的结构。

步骤2 依照专家经验,将装甲车辆复杂传动系统进行故障分类,定义各个节点。

步骤3 对变量进行归一化处理和云模型转换,选取最大隶属度点作为相应损毁等级对应的值。

步骤4 使用证据理论层次分析法计算贝叶斯网络中各个节点的条件概率。

步骤5 通过公式转换,求得各节点的条件概率,将各节点概率值代入到NB网络中进行条件推导,得到所对应的故障损坏概率[6]。

步骤6 循环多次步骤4、步骤5,记录每次推导结果和所用时间,重复30次以上,将所得结果经过条件概率合成公式处理,计算得出车辆损坏概率。

2 动力系统故障模型构建

2.1 构建贝叶斯网络模型

影响装甲车辆动力系统故障的关键因素是柴油机故障、电传动系统故障、蓄电池故障,其中包括柴油机启动困难、运转失稳、动力不足、功率下降、发电机电压波动、发电效率下降、扭矩下降、异常发热、异常振动、蓄电池容量衰减、输出功率衰退、异常发热。根据故障因素间关系,可以建立如图2所示装甲车辆动力系统故障贝叶斯网络模型。

2.2 确定评估指标体系

根据图2模型,可以确定评估体系。现定义柴油机故障、电传动系统故障、蓄电池故障损坏程度为很强、强、中、弱4个状态。

2.2.1 装甲车辆柴油机故障评估指标体系

1) 柴油机功率下降。

柴油机功率的选择直接决定了动力系统安全能力和节能问题,较小的柴油机功率会提高能耗,降低柴油机使用寿命。其主要是由于冷却系统渗漏;润滑系统机油压力异常、温度过高、机油变质;供油系统供油提前角变化;电气、电控系统线路故障、元器件故障等因素导致的,根据这些因素,将柴油机功率下降定义为正常、轻微下降、严重下降3个状态,状态参数为N1。

2) 柴油机启动困难。

柴油机在发动过程中由于蓄电池内部线路不通畅、油路密封不严等情况导致柴油机不能顺利点火,造成启动困难现象的产生[7],根据这些因素综合对柴油机启动困难进行分类,分为正常、稍微困难、严重困难3个状态,设置状态参数为N2。

3) 柴油机运转失稳。

柴油机工作过程中转速忽高忽低主要是调速器和喷油泵故障导致的,根据状态因素分类为正常、轻微失稳、严重失稳3种状态,设置状态参数为N3。

4) 柴油机动力不足。

柴油发动机在长期工作过程中会出现动力不足的现象,这一现象的产生主要是由柴油燃烧不完全、发动机气密性差或者喷油器故障致使发动机进油量小所导致的。根据上述因素,将柴油机动力不足定义为正常、轻微动力不足、动力严重不足3个状态,设置状态参数为N4。

2.2.2 装甲车辆电传动系统故障评估指标体系

1) 电传动系统发电电压波动。

装甲车辆的发电机输出电压不稳定主要有2个方面原因:一是发电机超负荷运行,车辆上用电器过多或者用电设备总功率过大时,会产生电压波动,导致输出电压不稳定;二是由于发电机本身故障导致输出电压波动。根据这些因素将发电机输出电压波动定义为正常、轻微波动、波动较大3种状态,设置状态参数为N5。

2) 电传动系发电效率下降。

装甲车辆发电系统效率下降会导致燃油效率下降,常见导致发电效率下降的原因有发电机传送带松动或磨损严重、发电机内部故障、负极搭铁不良、蓄电池损坏等[8],根据上述因素将发电效率下降状态定义为正常、轻微下降、严重下降3种,设置状态参数为N6。

3) 电传动系统扭矩下降。

电传动系统扭矩下降一般是因执行器损坏造成的,也有可能是电力不足,电力分配失衡导致,根据上述原因将电传动系统扭矩下降定义为正常、轻微下降、严重下降3个状态,设置状态参数为N7。

4) 电传动系统异常发热。

电传动系统中在发电机故障、储电装置损坏、电机损坏等情况下,都会导致电流传输受阻,产生大量热。除此之外,也会在高强度运作后,产生大量的热,导致系统异常发热。根据发热状态,定义为正常、轻微发热异常、严重发热异常3种状态,设置状态参数为N8。

5) 电传动系统异常振动。

电传动系统在传递动力过程中,需要经过多处轴连接,当轴向不对中时,就会产生异常振动。此外,当发动机或电机故障时,也会发生异常震动。根据系统震动状态,定义为正常、轻微振动异常、严重振动异常3种状态,设置状态参数为N9。

2.2.3 装甲车辆动力系统蓄电池故障评价指标体系

1) 蓄电池容量衰减。

蓄电池容量衰减主要由以下情况造成:电池长期充电不足或充电后长期未放电;电解液液位过低、电解液密度过高、长期小电流深度放电等。蓄电池容量的衰减影响着车辆在正常运行过程中是否能正常打火,是否满足正常供电需求等问题,根据蓄电池衰减程度,将其定义为正常、轻微衰减、严重衰减3种状态,设置状态参数为N10。

2) 蓄电池输出功率衰退。

蓄电池损坏导致输出电力不足时,输出功率也随着衰减,其可能是由于在运行过程中,电动机瞬时用电强度较高,对电池极板造成损坏;当车辆长时间在寒冷环境下停止运行,会衰减电池整体性能;在蓄电池使用环境过冷或过热时,也会加快电池极板老化,造成蓄电池输出功率衰减,根据蓄电池输出功率衰减程度,定义为正常、轻微衰减、严重衰减3种状态,设置状态参数为N11。

3) 蓄电池异常发热。

蓄电池使用时间过长导致老化,在运行过程中产生电流偏大;长时间充电不匹配,导致电池损坏;用电器损坏导致发电机过载,蓄电池输出功率偏大;电池老化导致内阻过大等情况都会导致蓄电池异常发热[8],根据其发热情况,定义为正常、轻微发热、异常发热3种状态,设置状态参数为N12。

2.3 体系变量归一化处理

在2.2中定义了不同的状态节点,现定义各状态取值为(0.1],借助专家经验进行打分,由于他们的含义各不相同,为实现各状态参数统一计算,对变量进行归一化处理。

对于状态参数越大、车辆状态越好的指标,根据以下公式计算,有

(2)

式(2)中,aij为指标变量。

对于状态参数越小、车辆状态越好的指标,根据以下公式计算,有

(3)

2.4 云模型转换

云模型转换是指将归一化处理后的数据进行云处理,将所得的各指标变量输入到设计好的云发生器中,产生对应的云图,确定各个变量的隶属度[9]。

将所构建的贝叶斯网络模型中各个节点通过正太云族进行状态表示。在值域[0,1]内,依照云族参数CU=(期望,熵,超熵)进行表示,分别为状态1(CU1)、状态2(CU2)、状态3(CU3),如图3所示。

云发生器的功能是将状态概念转换成数据呈现出来,将数据输入到云发生器,会产生对应的云图,实现对数据的转化,云发生器结构见图4。其中,Ex为期望,En为熵,He为超熵。

正向云发生器的算法是将能够表示正态云族状态的参数(期望、熵、超熵)以及变量x输入发生器;将变量x和云滴进行输出。

算法步骤为:

步骤1 生成一个正态随机数:En1=NORM(En,He2);

步骤2 计算特定值x的确定度。

(4)

正向云发生器所输出的云滴参数可以经过概率转换公式将各个点所对应的隶属度转换为条件概率。概率-隶属度转换公式为

(5)

式(5)中,ui为变量对论域Ui的隶属度。

经过发生器输出的云滴可能会产生偏离正态分布的散点,由于这些散点几乎没有参考价值并对后续结果造成的影响较大,因此不参与计算部分。在消去散点影响后经过概率合成公式,可以得到最终的条件概率值[10]。具体步骤为:

步骤1 设体系目标有W1、W2、W3、…、Wq共q个损毁等级,经过j次推理后,得到推理结果Pj为

Pj=[Pj(W1),Pj(W2),Pj(W3),…,Pj(Wq)]

(6)

步骤2 分别合成各次推理结果,得到车辆属于各个损坏程度的概率为

P=[P(W1),P(W2),P(W3),…,P(Wq)]

(7)

(8)

2.5 建立损毁等级云图

装甲车辆的损毁程度可以划分为无损坏、轻微损坏、中度损坏、重度损坏、严重损坏等5个等级,对应的装甲车辆损坏等级如表1所示。各个损坏等级对应的云模型如图5所示。

3 确定条件概率

在处理实际问题时,确定贝叶斯网络各个节点的概率主要是依照专家经验进行信息处理,将训练后的条件概率代入贝叶斯网络模型中进行计算,这种方法往往存在着很大的误差,导致计算结果偏差过大。选用证据理论/层次分析法,融合了证据理论与层次分析方法处理专家信息[11]。在先验信息不完整条件下,最大限度缩小所得数据的偏差,专家决策判断标准如表2所示。

对各节点的都定义了3种状态,选用多元条件概率确定方法,计算各节点条件概率值。

(9)

式(9)中: Θ表示贝叶斯网络模型中节点N的取值集合,如果N满足上述条件,那么N(A)为Θ上的基本信度分配函数(BPA),根据多源信息的组合规则[12],可以合成2个独立的BPA,即:

(10)

式(10)中,为证据冲突系数。它的值越大,各个状态参数之间互相影响就越大,当时,无法采用多源信息组合规则进行合成。

假设邀请n位专家为状态节点概率赋值,并对n维条件概率组合方案进行重要度判断,判断结果参照Θ。构建基于专家ei的知识矩阵,如表3所示。

根据n个专家所得到的矩阵,求取矩阵特征向量,将特征向量进行标准化处理,所得到的结果就是对应专家经验的基本分配值[13]。属性cj知识矩阵的最大特征值为为矩阵的阶数,其对应的特征向量为(x1,x2,…,xd,xd+1),则有

(11)

4 实例分析

以某混动装甲车辆为例,车辆出场时柴油发动机最大输出功率为235 kW,蓄电池容量为200 Ah,蓄电池输出电压为24 V,该装甲车辆平均第一次维修里程为1.3万km。现假设4款不同工作状况的装甲车辆,对其工作状况进行指标量化,工作参数如表4所示。

4.1 确定指标变量

拟对4辆不同工况的装甲车辆进行故障评估,结合第2节内容,依照4组专家经验,构建各状态判断矩阵,计算各个评估指标体系变量,将所得的状态参数进行归一化处理[14],归一化后的状态参数见表5。

4.2 计算条件概率

参考4位相关车辆诊断专家,根据专家决策判断表对各个状态参数进行打分,构建专家知识矩阵。依照各个专家在行业中的从业经验,假设4位专家的参考权重为p12=0.25、p22=0.35、p32=0.15与p42=0.25。以装甲车辆所达到的程度为重度损坏为例[15],借助专家经验由式(10)和式(11)联合求解出各个证据的基本概率分配,按照Dempster规则,对信度函数进行合成,可以得出时间的BPA值如表6所示。

从表6中可以看出,装甲车辆达到严重损坏程度有“很强”的概率为0.38+0.10/2=0.43;达到严重损坏程度为“强”的概率为0.26+0.10/2=0.31;达到严重损坏程度为“中”的概率为0.15+0.03/2=0.16;达到严重损坏程度为“弱”的概率为0.07+0.02/2=0.08,不确定度为0.02。进而可以求得各个子节点的基本概率赋值,从而求得对应的条件概率。

假设装甲车辆损坏度的先验概率为{0.2,0.2,0.2,0.2,0.2}。将各个节点条件概率值输入构建的贝叶斯模型中;将装甲车辆的状态参数通过云模型[16]进行云模型转换,通过概率转换公式求得条件概率,将其输入贝叶斯网络。

4.3 结果分析

将上述参数输入到贝叶斯网络模型中,得到4辆不同工作状态的装甲车辆的损坏度对应的概率,如表7所示,图6为各装甲车辆损坏概率分布图。

分析表7可知:对于对应工况的装甲车A,其达到重度损坏的概率为0.71;对于对应工况的装甲车B,其达到中度损坏的概率为0.69,对于对应工况的装甲车C,其达到轻微损坏的概率为0.64,对于对应工况的装甲车D,其达到严重损坏程度的概率为0.78。

分析上表可知,装甲车辆A和装甲车辆D的损坏程度比装甲车辆B、装甲车辆C的大。根据表4提供的装甲车辆参数我们可以知道,装甲车辆A、D运行参数明显高于装甲车辆B、C,因此可以说明本文提出的方法计算结果与所给出的数据具有一致性。装甲车辆A、D的行驶里程较大,相较于其余2辆装甲车辆更容易损坏。

如图7所示,得到不同装甲车辆损坏等级综合云图,其中装甲车A属于重度损坏,装甲车B属于中度损坏,装甲车C属于轻微损坏,装甲车D属于严重损坏。

4.4 算法有效性分析

将贝叶斯网络方法、模糊综合评判法、故障树法用于装甲车辆损坏程度分析上,将运算所得的结果与本文中所使用方法进行比较,验证方法的可行性,并将各类评估结果和本文中使用方法的算例结果进行对比分析,对比分析本文使用方法的增进之处,其结果如表8所示。

针对装甲车辆A对各个方法进行运算,分析结果可知:

1) 从表8可以看出,这5种算法得出来的结果均为重度损坏,应证了本文算法的合理性。

2) 贝叶斯网络法和故障树法推导出来的条件概率值,没有办法求得具体的装甲车辆损毁值,与本文中使用的方法相比可靠度较差。

3) 模糊综合评判法虽然求出了装甲车辆损坏值,但是所求数据中度损坏和重度损坏概率值相近,没有办法直接判断装甲车辆损坏程度,该方法准确性不如本文中所使用方法。

4) 云重心评判法最终求得到毁坏值与本文方法相近,可以说明本文方法的可靠性,但是该方法无法体现各个损坏等级的具体概率,只根据损毁判断最终状态,会导致一定的误差。

5) 本文中所使用方法的运算速度为5.8 s,相对于故障树法、贝叶斯网络法、模糊综合评判法、云重心评判法有较为明显的优势。并且本文中所提出的方法算出来的损坏概率更接近于真实情况。

5 结论

本文在贝叶斯网络的基础上,通过证据理论层次分析法确定各个节点的先验概率,推理运算各个损坏等级的概率,并引入云模型理论,建立了一套装甲车辆动力系统损坏程度的评估模型。得出以下主要结论:

1) 本文所提到的方法可以得到不同工况下装甲车辆在各个损坏等级中的概率,根据所求得到概率判断其损坏等级并求得了车辆对应的损坏值,在方法可行性和准确性上较其他方法均有增进。

2) 在运算速度上,本文方法比较其他的方法都有一定的提高,与贝叶斯网络法、模糊综合评判法、云重心评判法比较运算效率提升了115.4%、51.9%、75.0%。

3) 本文提出的方法可为后续的车辆复杂系统的动力学研究提供帮助,可运用此研究思路结合神经网络对各种复杂系统进行故障损毁程度研究,也可为剩余寿命预测,提供理论对比。除此之外,本文思路还可推广至各类复杂装备状态检测中。

参考文献:

[1]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.

YU Caihong.Fault diagnosis and status evaluation of urban rail vehicle running system based on Bayesian network[D].Lanzhou:Lanzhou Jiaotong University,2020.

[2]李思博.锂动力电池系统性能分析及故障诊断研究[D].哈尔滨:哈尔滨理工大学,2019.

LI Sibo.Research on performance analysis and fault diagnosis of lithium power battery system[D].Harbin:Harbin University of Technology,2019.

[3]张珈闻.基于AHP-云模型的装备工程研制风险评价研究[J].指挥控制与仿真,2023,45(1):15-20.

ZHANG Jiawen.Research on equipment engineering development risk assessment based on AHP-cloud model[J].Command Control and Simulation,2023,45(1):15-20.

[4]LIU N,HU M G,WANG J.Fault detection and diagnosis using Bayesian network model combining mechanism correlation analysis and process data:Application to unmonitored root cause variables type faults[J].Transactions of the Institution of Chemical Engineers.Process Safety and Environmental Protection,Part B,2022,164:15-29.

[5]JIANG Z,ZHOU J,MA Y H.Fault diagnosis for rolling bearing based on parameter transfer Bayesian network[J].Quality and reliability engineering international,2022,38(8):323-340.

[6]李杰,丁锋.基于模糊贝叶斯网络的RV减速器可靠性分析[J].内燃机与配件,2023(2):54-56.

LI Jie,DING Feng.Reliability analysis of RV reducers based on fuzzy Bayesian networks[J].Internal Combustion Engine and Accessories,2023(2):54-56.

[7]徐植,陈俊,韦航,等.基于贝叶斯网络与故障树的计量自动化终端故障诊断方法[J].广西电力,2021,44(3):1-5.

XU Zhi,CHEN Jun,WEI Hang,et al.Fault diagnosis method for metering automation terminals based on Bayesian network and fault tree[J].Guangxi Electric Power,2021,44(3):1-5.

[8]FEI Y,ZHAO J,WANG J X,et al.Design of on line car battery monitor system base on FPGA[C]//Information Engineering Research Institute,USA.Proceedings of 2013 2nd International Conference on Smart Materials and Nanotechnology in Engineering(SMNE 2013 V741).Trans Tech Publications,2013:104-107.

[9]LIU Z K,LV K L,ZHENG C,et al.A fault diagnosis method for rolling element bearings based on ICEEMDAN and Bayesian network[J].2022,36(5):2201-2212.

[10]陈晓露.复杂工业系统的分布式故障诊断方法研究[D].北京:北京化工大学,2021.

CHEN Xiaolu.Research on distributed fault diagnosis methods for complex industrial systems[D].Beijing:Beijing University of Chemical Technology,2021.

[11]CAI B P,HAO K K,WANG Z D,et al.Data-driven early fault diagnostic methodology of permanent magnet synchronous motor[J].Expert Systems with Application,2021,177(9):115000.1-115000.12.

[12]赵爱佳.基于FBNI和INFP模型的复杂装备故障诊断方法及其应用[D].南京:南京航空航天大学,2021.

ZHAO Aijia.Fault diagnosis method for complex equipment based on FBNI and INFP models and its application[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2021.

[13]SHU X,YANG H,ZHOU H G,et al.Fault diagnosis and failure analysis of motor controller by the approach of Bayesian inference[J].2021,86(1/4):52-70.

[14]梁勇,王庆江,赵贺伟.基于贝叶斯网络的武器装备故障诊断方法[J].国防制造技术,2019(3):33-37.

LIANG Yong,WANG Qingjiang,ZHAO Hewei.Fault diagnosis method for weapon equipment based on Bayesian network[J].National Defense Manufacturing Technology,2019(3):33-37.

[15]ADENUJIMI T,PRABHU V.Fusion-learning of Bayesian network models for fault diagnostics[J].Sensors (Basel),2021,17(22):7633.

[16]LIU Z,XIAO W S,CUI J G,et al.Application of an information fusion method to the incipient fault diagnosis of the drilling permanent magnet synchronous motor[J].Journal of Petroleum Science and Engineering,2022,219:111124.

Fault state evaluation of armored vehicle power system based on BN-AHP

WANG Wenshun1, CUI Junjie1, LIU Yong2, ZHANG Jiang1, XIA Tian1, WU Yibo1

(1.School of Mechanical and Electrical Engineering, North University of China, Taiyuan 030051, China;2.School of Energy and Power Engineering, North University of China, Taiyuan 030051, China)

Abstract：Whether the damage of complex traditional components of armored vehicles can be detected in time is related to the combat readiness or combat capability of the whole vehicle, and the fault state assessment of the system is crucial. In this paper, based on the Bayesian network, the cloud model theory is fused to establish the cloud Bayesian network model, which is used to evaluate the fault status of armored vehicles under four different working conditions. When obtaining the initial nodes of Bayesian network, we rely more on the experience of experts, which often leads to large error, resulting in too large deviation of conditional probability. In this paper, we use evidence theory/analytic hierarchy process to optimize the expert experience and determine the conditional probability of each node. The conditional probability value converted by the analytic hierarchy process is substituted into the Yun-Baier network model, and the probability of different damage levels can be obtained through calculation. Comparing the results of the cloud Bayesian network model with the results of other state assessment methods, the results show that the calculation method used in this paper has improved reliability and accuracy compared with other methods.

Key words：Bayesian network; analytic hierarchy process; cloud model transformation; fault state assessment; evidence theory; expert experience

本文引用格式:王文顺,崔俊杰,刘勇,等.基于BN-AHP的装甲车辆动力系统故障状态评估[J].兵器装备工程学报,2024,45(3):86-93.

Citation format:WANG Wenshun, CUI Junjie, LIU Yong, et al.Fault state evaluation of armored vehicle power system based on BN-AHP[J].Journal of Ordnance Equipment Engineering,2024,45(3):86-93.

中图分类号：TJ81

文献标识码：A

文章编号：2096-2304(2024)03-0086-08

收稿日期：2023-03-30;

修回日期：2023-04-25

基金项目：机电系统测控北京市重点实验室开放课题项目(KF20222223203);国防科技重点实验室基金项目(6142213200407);山西省研究生创新项目(2021Y577)

作者简介：王文顺(1999—),男,硕士研究生,E-mail:792988482@qq.com。

通信作者:刘勇(1980—),男,博士,副教授,硕士生导师,E-mail:20030057@nuc.edu.cn。

doi: 10.11809/bqzbgcxb2024.03.011

科学编辑 李军 博士(中国兵器科学研究院 研究员)

责任编辑 唐定国