基于分布式貝葉斯網絡的多故障診斷方法研究

郭文強+彭程+張寶嶸+夏令君+佘金龍

摘 要： 針對復雜系統存在的不確定性、多故障以及傳統貝葉斯網絡診斷實時性差等問題，提出一種基于分布式貝葉斯網絡的故障診斷方法。該故障診斷方法將大型、復雜系統故障診斷模型抽象為貝葉斯網絡模型，并將其分解為若干貝葉斯網絡子系統，基于消息傳播機制完成多個子系統局部推理以及子系統間重疊子域緊湊的消息傳播，實現分布式貝葉斯網絡的故障推理與診斷。實驗結果表明，該故障診斷方法可在復雜、不確定性系統中完成單故障和多故障推理、診斷任務，與傳統貝葉斯網絡故障診斷方法相比，該方法在推理速度上的優勢尤為突出，具有廣泛的應用前景。

關鍵詞： 貝葉斯網絡； 分布式推理； 多故障診斷； 復雜系統

中圖分類號： TN711?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2017）01?0119?06

Abstract： Since the complex system has the uncertain and multi?fault problems， and the traditional Bayesian network diagnosis has poor real?time performance， a fault diagnosis approach based on distributed Bayesian network is proposed. The large?scale and complex system fault diagnosis model is abstracted as the Bayesian network model with the fault diagnosis method. The Bayesian network model is decomposed into several Bayesian network subsystems. The information propagation mechanism is used to accomplish the partial inference of the multiply subsystems and compact information propagation of the overlap subdomain among subsystems， and realize the inference and diagnosis of the distributed Bayesian network fault. The experimental results demonstrate that the fault diagnosis method can accomplish the single fault and multi?fault diagnosis inference and diagnosis task in the complex and uncertain system. In comparison with the traditional Bayesian network fault diagnosis method， the method has the prominent advantage of fast inference speed and extensive application prospects.

Keywords： Bayesian network； distributed inference； multi?fault diagnosis； complex system

0 引 言

隨著高新技術在大型復雜系統中的廣泛應用，一方面極大地改善了系統的性能，使系統功能越來越強大；另一方面，由于技術和結構的復雜化，不確定因素及不確定信息充斥其間，系統的故障概率也大幅提高，并且由單故障轉向多故障并發。為保證系統正常運行，必須采取有效的故障診斷方法，對系統進行實時觀測，準確、及時地檢測與排除故障。

近幾年來，多故障診斷問題得到了國內外學者的關注[1?4]。文獻[5]提出基于分布式神經網絡的多故障診斷方法，需要系統中有足夠的可觀測節點才能進行相應的故障識別。文獻[6?7]提出有向圖模型的模糊多故障診斷算法，只考慮系統的結構模型，未充分考慮測試過程中的不確定性因素，因此在工程應用中受限。文獻[8]提出基于GSA的多故障診斷方法適用于小規模系統，但對于大規模復雜系統診斷存在精度低且實時性差的問題。

在不確定理論研究領域的研究中有機結合了圖論和概率論的貝葉斯網絡（Bayesian Network，BN）適合解決不確定性和不完備信息問題，是目前一種有效的故障診斷方法。文獻[9]將故障樹轉化為集中推理的BN對系統進行故障診斷，能夠降低故障樹故障概率推理復雜度，簡化運算，但該集中處理的BN故障診斷方法實時故障推理能力較低。

本文基于BN架構，提出一種將傳統集中式推理BN分解為分布式BN進行表征與推理的方法進行故障診斷。該方法將大型、復雜系統分解為若干子系統，利用單BN分布式自主進行推理，隨后利用重疊子域緊湊的消息傳播，實現多BN協同故障診斷推理，有效地避免了傳統BN診斷方法需要將所有觀測變量值送給集中處理器計算推理的缺點，有效地提高了系統的實時性，并具有較好的多故障診斷能力。

1 問題描述

BN中節點表示故障中的事件，節點可以取不同的值，邊表示節點之間的依賴關系，而這種依賴關系是通過節點的條件概率來表達不確定性的因果關系以及不確定性的信息問題。然而，傳統BN模型并不能充分滿足復雜系統故障診斷的要求，分布式BN不僅有效避免了傳統BN的部分缺點，而且能夠提高系統實時推理和診斷的能力。

借助已有的故障診斷知識庫邏輯關系，可方便地將問題域轉化為BN結構和參數模型來表征[10]?？捎^測事件對應BN模型中的證據節點，待診斷事件對應BN中待查詢節點，故障診斷問題就轉化為BN模型的求解問題，利用成熟的推理算法，便可實現對復雜系統的故障信度的推理、計算，實現診斷任務。

圖1為分布式BN示意圖。其中，分布式BN整體等同于傳統集中推理構架下的BN，即一個集中BN可分解為多個矩形框表示的子網（圖1中分別為和），每個矩形框重疊部分為子網的重疊子域，且重疊子域的任一節點僅有一個子網包含其全部父節點。

故障診斷問題可以通過貝葉斯網絡（V，G，P）描述。在分布式BN中，是第個子域里的變量集。是一個有向無環圖，每個子圖的節點用表示。在中，是一個節點，中的是全部父節點。令每個的勢，僅有一個包含的子圖對其賦值為；而其他包含的勢均賦予均勻分布。是聯合概率分布，其中是中相關節點的勢函數之積。每個稱為的一個子網。

2 分布式BN推理

分布式BN推理可以分為兩個階段：各子網對應的連接樹內局部推理和連接樹間全局推理。其中局部推理是分布式貝葉斯網絡推理的基礎，可采用連接樹算法完成。

2.1 局部推理算法

貝葉斯網絡的推理是貝葉斯網絡研究的重要內容，研究人員提出了多種精確和近似推理算法，其中連接樹算法是目前計算速度最快、應用最廣的貝葉斯網絡精確推理算法之一。

利用貝葉斯網絡進行正確推理，若要借助無向圖模型，需將相應貝葉斯網絡概率分布轉化為無向圖模型的勢函數。無向圖推理從數學角度都必須滿足兩個一致性：局部一致性和全局一致性[11?13]。

（1） 局部一致性

（2） 全局一致性

連接樹中新證據可通過這種方式進行消息傳播，最終再次達到連接樹內全局一致性。

2.2 全局推理算法

類似傳統BN連接樹推理算法，分布式BN在每個子網局部推理，通過子網內部的消息傳遞達到局部一致性；各子網之間通過子網的消息通信達到分布式BN的全局一致性。

設為個子圖其中連通后得到連通圖，其中是子域里的變量集；是子域里的有向邊集。將組織成為一棵連接樹該樹的每個節點由構成，和之間的連接用接口表示。稱為的超樹，每個稱為一個超節點，每個接口稱為一個超鏈。

一個鏈化連接森林（Linked Junction Forest，LJF）是一個四元組每一個是一個有向無環圖的弦化圖，且有一個超樹與對應；的連接樹為是鏈樹集合，其中是在中超鏈的集合，而每個是連接樹中的一個超鏈。

圖2是圖1分布式BN對應的超樹。圖3為圖1對應的LJF，其中：的子圖對應的連接樹分別為為與的鏈樹；為與的鏈樹；和共同構成鏈化連接森林。

分布式BN子網通信是通過共享變量的消息傳播實現的。類似普通BN的連接樹推理中的收集證據和發散證據消息傳遞，多貝葉斯網絡通信沿著超樹進行兩輪信息傳播：信度收集（CollectBelief算法）和信度發布（DistributeBelief算法）。

2.2.1 UpdateBelief算法

UpdateBelief算法：此算法是在超樹中進行的。BN通信時進行的信度收集和信度發布算法都會調用此算法。

（3） 在中利用連接樹算法進行局部信度更新。

2.2.2 CollectBelief算法

CollectBelief算法：令局部相關JT為如有鄰接子網分別為和。當的一個子網向調用CollectBelief時：

若：除外無其他鄰子網時，在執行匯集觀測和分發觀測操作后返回；

否則，對每個，向調用CollectBelief。當返回向調用UpdateBelief。

2.2.3 DistributeBelief算法

DistributeBelief算法：令局部相關JT為如有鄰接子網分別為和。當的一個鄰接子網向調用DistributeBelief時：

若：除外無其他鄰接智能體時，在執行UpdateBelief后返回；

否則，對每個，向調用DistributeBelief。

雖然BN子網僅擁有整個系統的部分知識，但利用重疊的子域信息更新，進行了子網間的消息傳播，從而實現了子網信息的相互補充。因此，分布式BN局部和全局推理可以確保信度的更新，按照貝葉斯概率理論的精確推理予以實現，從而為復雜系統中任意節點（可觀測節點和不可觀測節點）的概率查詢提供支持。

3 應用實例

為驗證基于分布式貝葉斯網絡故障診斷方法的正確性和有效性，本文以某型號慣導系統進行了單故障和多故障情況下的推理、診斷實驗，實驗結果在4臺PC機上同時采用多智能體協同推理軟件WebWeaverIV完成，4臺PC機分別編號為1#，2#，3#，4#機，配置如下：AMD 2.1 GHz 雙核CPU，6 GB內存。假定故障診斷BN模型中各節點工作狀態分兩種：正常和異常，可分別用邏輯1，0表示。

3.1 故障系統分布式BN建模

某型號慣導系統故障診斷中的不確定性具體體現在：系統中某些信號始終不可觀測；每個電路器件都存在故障的可能性。

慣導系統加電后，部分事件節點如表1，表2所示。該故障系統的貝葉斯網絡如圖4所示。其中，網絡中可觀測節點用白底圈表示，隱節點用灰底圈表示。

故障系統貝葉斯網絡模型已經建成，現在需要合理分解該網絡。選擇可觀測的節點并且該節點的父節點必須在同一子網作為重疊的節點，按照重疊節點數盡可能少的原則利用分布式貝葉斯網絡可將圖4所示的系統分為4個智能體子系統和一個通信子系統負責全局公共節點集合間的通信，如圖5所示。而對應子系統如圖4中矩形虛線框所示，分別在1#機～4#機完成建模表征和推理，亦由1#機實現，圖4兩個矩形虛線框的重疊部分為共享變量。

3.2 單陀螺故障診斷

陀螺本體出現故障的幾率較小，但無法用常規檢測手段在線檢測其狀態，設其故障概率為即0.000 3。令陀螺本體出現故障，陀螺本體工作正?！，F根據有限觀測和自主推理以及子網間通信和全局推理斷測隱節點“陀螺損壞”事件的狀態。

子網的觀測點有其中如圖6所示。子網的觀測節點有其中如圖7所示。利用分布式貝葉斯網絡在證據輸入前的先驗概率和證據輸入后的子網絡協同推理結果如表3所示。限于篇幅，由于中節點不包括陀螺和陀螺全局推理圖表不再贅述。

由表3知，經分布式BN局部推理和通信后全局推理，由先驗概率的0.3‰升至14.782 692‰，陀螺本體出現故障的幾率增加了49.275 64倍。而由先驗概率的0.3‰下降至0.003‰，出現故障的幾率為原來的1%。因此，可初步判定陀螺本體出現故障，而陀螺本體工作正常。

3.3 多故障診斷

兩個陀螺同時發生故障的概率很低，但仍然有可能發生。因此，針對捷聯慣導多故障問題用分布式BN方法進行仿真。

子網的觀測點有其中如圖4所示。子網的觀測節點有其中子網利用分布式BN在證據輸入前的先驗概率和證據輸入后的多智能體自主推理以及通信后推理結果如表4所示。由表4知，經多智能體自主推理和通信后推理，由先驗概率的0.3‰升至14.782 69‰，陀螺本體出現故障的幾率增加了49.275 64倍。由表4知由先驗概率的0.3‰升至10.002 628‰，出現故障的幾率升至了33.345 09倍。因此，可初步判定陀螺本體、陀螺本體均出現故障。

3.4 實時性分析

設分布式BN的連接樹參數如下：為子網總數；為子網連接樹最大的簇數；為子網連接樹最大簇的序數；為分布式BN連接樹中最大鏈的個數；為變量最大取值的個數。

在超樹中的每條邊進行信度通信，信度更新被CollectBelief和DistributeBelief各調用兩次，一棵有個超節點的超樹有條邊，UpdateBelief調用次。

UpdateBelief中更新個局部鏈的勢，計算復雜度為匯集觀測和分發觀測算法復雜度為所以，CommunicateBelief算法總復雜度為在故障診斷領域，分布式BN中子網共享變量往往相對子網中變量個數規模較少。因此（局部連接樹最大的簇數遠遠大于鏈樹中最大鏈的個數）此時超樹中CommunicateBelief算法的復雜度[14]可簡化為。

傳統BN采用連接樹算法時空復雜度[15]為，其中為連接樹中最大節點簇的大小，為最大變量空間的大小。

根據圖8所示，對于本次實例，用分布式BN時其推理時空復雜度而用傳統BN時為4個子網變量集合的并集，因此的推理算法的時空復雜度為顯然，分布式BN推理復雜度遠遠低于傳統BN推理復雜度，具有明顯的實時性優勢。

4 結 語

為解決復雜系統故障診斷中的不確定性和多故障等問題，提出一種基于分布式BN的故障診斷方法。該方法將故障診斷問題轉化為分布式的故障診斷子BN模型，利用子BN局部推理算法以及子網絡間重疊子域緊湊的消息傳播，實現分布式BN故障全局推理計算完成診斷任務。實驗結果表明，分布式BN故障診斷能完成復雜、不確定系統的故障診斷問題，對單故障和多故障的診斷均有效，尤其與傳統的BN診斷方法相比，具有明顯的實時性優勢。基于分布式BN的故障診斷方法能夠有效地解決多故障診斷的模型表征和推理計算問題，為解決復雜、不確定系統的故障診斷提供了一種具有廣泛前景的新方法。

參考文獻

[1] 方甲永，肖明清，王學奇，等.測試不可靠條件下多故障診斷方法[J].北京航空航天大學學報，2011，37（4）：433?438.

[2] CHEN F F， TANG B P， SONG T， et al. Multi?fault diagnosis study on roller bearing based on multi?kernel support vector machine with chaotic particle swarm optimization [J]. Measurement， 2014， 47（1）： 576?590.

[3] 劉磊，龍兵，劉震.兩種多故障診斷算法的性能比較研究[J].電子測量與儀器學報，2011，25（1）：75?80.

[4] CAI B P， LIU Y H， FAN Q， et al. Multi?source information fusion based fault diagnosis of ground?source heat pump using Bayesian network [J]. Applied energy， 2014， 114（2）： 1?9.

[5] 趙文俊，黃家成，孫艷玉，等.基于多級BP神經網絡的無線電羅盤多故障診斷研究[J].計算機測量與控制，2015，23（6）：1871?1874.

[6] ZHANG B D， FANG C E， ZHANG H X， et al. A method of diagnosing steam turbogenerator set′s vibration multi?fault based on multi?layer fuzzy model [C]// Proceedings of 2006 IMACS Multiconference on Computational Engineering in Systems Applications. [S.l.]： IEEE， 2006： 1731?1735.

[7] 連可，黃建國，龍兵，等.一種基于有向圖模型的模糊多故障診斷算法[J].系統工程與電子技術，2008，30（3）：568?571.

[8] 周偉，景博，黃以鋒，等.基于GSA的機載復雜系統動態多故障診斷方法研究[J].儀器儀表學報，2014（3）：607?613.

[9] 段榮行，董德存，趙時旻.采用動態故障樹分析診斷系統故障的信息融合法[J].同濟大學學報（自然科學版），2012，39（11）：1699?1704.

[10] 李儉川，胡蔦慶，秦國軍，等.基于貝葉斯網絡的故障診斷策略優化方法[J].控制與決策，2003，18（5）：568?572.

[11] 郭文強，高曉光，侯勇嚴.復雜系統的圖模型多智能體協同故障診斷[J].計算機應用，2010，30（11）：2906?2909.

[12] XIANG Y， SMITH J， KROES J. Multiagent Bayesian forecas?ting of structural time?invariant dynamic systems graphical models [J]. International journal of approximate reasoning， 2011， 52（7）： 960?977.

[13] 趙建喆，李凱.一種改進的多模塊貝葉斯網絡局部推理算法[J].東北大學學報（自然科學版），2015（9）：1251?1255.

[14] XIANG Y. Probabilistic reasoning in multiagent systems： a graphical models approach [M]. New York： Cambridge University Press， 2002.

[15] 田鳳占，張宏偉，陸玉昌，等.多模塊貝葉斯網絡中推理的簡化[J].計算機研究與發展，2003，40（8）：1231?1237.