基于貝葉斯網絡的冷鏈運輸故障分析與對策

黃 穎，錢清波

（1.江蘇科技大學張家港校區，江蘇 張家港 215600；2.中船工業現代物流研究中心,江蘇 鎮江 212003；3.雅迪科技集團有限公司，江蘇 無錫 214105）

1 引言

冷鏈運輸過程是整個冷鏈中最容易出現故障的環節。參與人員多，耗時長，外部不確定因素多等都對冷鏈過程造成了巨大的風險。因此，“斷鏈”問題主要出現在運輸環節。對這一環節進行故障風險分析，能夠有效提升冷鏈系統的可靠性，保障冷鏈的質量，降低風險損失，提升冷鏈物流的服務水平。

對于冷鏈運輸的故障識別與防范，目前主要的方法是采用故障樹（FTA）技術，針對不同的冷鏈物流故障，可以將故障狀態作為分析的目標，并尋找引致這一故障發生的各種因素，分析系統發生故障時的各種可能原因，實現問題的迅速定位，為問題的解決與預防提供可靠的決策參考。

目前，物聯網技術的快速發展，為故障因素的數據采集提供了大量智能硬件，通過全過程的監控與大量數據的分析，可以有效得到各種運輸狀態，利用故障調查表得到的各種故障因素，生成貝葉斯網絡，為后續的故障分析與決策提供可靠的決策建議，提高冷鏈物流過程中應對風險的應急能力。

2 冷鏈運輸的故障分析

在2016年，全國冷鏈市場的市場需求達到了2 200億元，比上年增長了22.3%。海量的市場需求推動了冷鏈行業的快速發展。但是與發達國家相比，我國的冷鏈化率以及冷鏈服務水平依然不高。在冷鏈運輸環節，不規范現象以及劣幣驅逐良幣現象仍然較為普遍。

在冷鏈運輸市場中，設備與溫度不達標，為降低成本，中途關掉制冷設備等不規范行為導致了冷鏈過程失控，據統計，對冷鏈產品來說，溫度每升高6攝氏度，細菌的生長速度加快一倍，貨架期縮短一半。而這樣不規范的競爭行為，在市場上利用價格優勢參與競爭，損害了消費者的利益。

因此，在冷鏈運輸過程中，需要能夠對冷鏈過程進行有效的跟蹤，對數據進行實時的采集記錄，為決策提供堅實的依據。

冷鏈運輸過程中的故障主要可以分為主觀故障和客觀故障兩個方面，根據長時間的跟蹤分析，歸納主要有如下幾個方面，具體見表1。

表1 冷鏈運輸過程中的常見故障

在可能導致冷鏈運輸過程失控的諸多因素中，有很多是可以通過技術手段或者管理手段加以解決的。在宏觀政策環境方面，2017年4月，由國務院辦公廳下發的《國務院辦公廳關于加快發展冷鏈物流保障食品安全促進消費升級的意見》，明確提出“著力構建符合我國國情的‘全鏈條、網絡化、嚴標準、可追溯、新模式、高效率’”的現代化冷鏈物流體系，滿足居民消費升級需要，促進農民增收，保障食品消費安全。”通過制修訂一批冷鏈物流強制標準，推動行業優勝劣汰，促進行業有序發展。

因此，在冷鏈運輸環節做好故障分析，提高冷鏈管理水平，提升質量是當務之急。

3 基于貝葉斯網絡的冷鏈故障分析方法

貝葉斯網絡又稱為信念網絡，是目前對不確定知識表達以及推理領域的重要模型之一。1988年由Pearl提出后，已經成為近年來的熱點，特別是在AI算法上，大量用到了貝葉斯網絡進行機器學習。在冷鏈故障分析中，利用各種渠道來源信息構建貝葉斯網絡，首先將設備故障分為各個相互獨立且完全包含的類別，然后對各個故障類別分別建造貝葉斯網絡模型。通常冷鏈故障由一個或幾個原因造成，這些原因又可能由一個或幾個更低層次的原因造成。建立起網絡的節點關系后，還需要進行概率估計。具體方法是假設在某故障原因出現的情況下，估計該故障原因各個節點的條件概率，這種局部化概率估計的方法可以大大提高效率。使用貝葉斯網絡必須知道各個狀態之間相關的概率。要得到這些參數，既需要通過各種傳感器的采樣，也需要由故障分析人員填寫風險故障分析表，記錄在故障發生時各個因素所出現的狀態條件，通過大量數據的訓練，能夠協助分析人員得出在某狀態出現時，導致故障發生的風險概率，從而提前做好相應的預防工作。

3.1 故障分析系統的組成

故障分析系統主要由以下幾個部分組成：

（1）數據庫。用于儲存冷鏈運輸過程中各控制節點所采集的數據，以及常態化的故障分析表數據信息。

（2）電子地圖。對運輸過程進行實時化監控與調度，便于實現遠程化管理。

（3）信息采集與監控系統。通過利用各種傳感器（如溫濕度、加速度、光線、超聲等）采集運輸過程中的各種狀態信息，分析各狀態參量是否處于正常值范圍，為決策提供參考。

（4）故障分析與控制系統。通過基于故障樹的貝葉斯網絡分析，在狀態參量出現異常時，能夠及時根據貝葉斯網絡對故障概率進行估計，并且提供故障應對與解決的參考意見。

3.2 故障風險分析數據采集

利用貝葉斯網絡構建故障分析模型并不困難，難點在于如何獲得各個狀態變量，并通過概率推理來獲取其他概率信息的過程。狀態變量的采集也分為硬件數據采集和人工風險登記兩方面：

（1）硬件數據采集。現有的智能硬件主要核心是傳感器技術和網絡通信技術。通過傳感器可以根據一定的時間間隔記錄狀態信息，通過網絡將信息發送至控制中心，對不同狀態量的獲取和聯合分析，能夠對運行狀態進行有效的監控，當發生異常時，可以及時進行相應的處理，使事后控制變成事前和事中控制，降低故障成本。例如，對冷藏車廂內，通過多個溫感探頭，能夠探測到在不同區域溫度的狀態與變化情況。通過出風口和回風口溫度，能夠偵測不同區域溫度的變化情況，通過設備記錄的溫度變化情況，可以對全過程進行有效監控。

（2）人工風險登記。冷鏈運輸的實際執行者是人，是與冷鏈運輸系統直接相關聯的主體。因此，通過制度化的風險登記手段，能夠對已出現的或者尚未出現的問題進行系統化的排查，并且對故障原因以及解決手段進行記錄，不斷地訓練故障分析系統，使之能夠更為準確地預知故障。常見的人工風險登記表見表2。

風險分析表的作用在于：

（1）便于企業收集故障風險發生以及其原因的一手資料，有益于今后貝葉斯風險網絡的建立。

（2）便于企業收集相關故障風險的處理方案，并通過方案耗費以及耗時的對比，了解最佳的處理方式，并應用于今后風險數據庫的建立。

3.3 基于Netica的貝葉斯網絡構建

對于貝葉斯網絡的構建，目前已經有了不少應用工具，如BayesBuider、BN Toolkit、JavaBayes等。使用Java開發的Netica軟件進行故障模型的建立，能夠快速地建立貝葉斯網絡模型，通過數據訓練快速得到故障概率信息，便于決策。

表2 風險故障分析表

4 應用案例

本文以冷鏈過程中的車輛拋錨故障為例，對其進行原因分析，來闡述貝葉斯網絡的構建以及后續推理的過程。

4.1 冷鏈車輛拋錨原因分析

車輛拋錨是冷鏈車輛運行過程中的大敵，會導致冷氣機無法正常工作，帶來冷鏈產品的質量失控。車輛拋錨的故障分析見表3。

表3 車輛拋錨故障分析

由此可以看出，導致車輛拋錨的原因很多，且關系也較復雜。圖1為車輛拋錨原因的關系圖。

4.2 貝葉斯網絡模型的建立

根據圖1的原因分析圖建立貝葉斯網絡。

（1）新建的貝葉斯網絡如圖2所示。

創建貝葉斯網絡后，要對節點進行重新定義，包括名稱、標題、離散等屬性。由于貝葉斯網絡沒有進行參數的訓練，網絡中所有節點的概率柵為灰色不可用。

圖1 車輛拋錨原因關系圖

（2）網絡數據的訓練。貝葉斯網絡的訓練分為兩種方式，第一種是通過軟件節點的Table窗口進行直接設置，如圖3所示。

第二種則是通過調用樣本數據表，根據實際數據進行訓練。在學習之前，需要先明確各節點的名稱以及主題：A:車輛拋錨；B：變速箱損壞；C：車架故障；D：燃油泵損壞；E：未定期保養；F：保養不仔細；B1：變速箱打齒；B2：長期空檔滑行；C1：停車姿勢不正確；D1：線路燒壞；D11：油位長期過低。由圖2可知，每一個節點都是Nature型變量，其可分為兩種不同的狀態：Yes（有此狀況）和No（未有此情況）。現實中，對于數據的來源可以通過以下方式：歷史數據的讀取以及利用風險故障分析表來對當下風險發生的原因以及表現進行記錄，合并之后進行整理。

圖2 貝葉斯網絡的創建

圖3 貝葉斯網絡參數直接設置方式

通過采集各節點的狀態數據，用其對構建的貝葉斯網絡進行訓練。模擬樣本數據如圖4所示。

經過樣本數據訓練后，貝葉斯網絡如圖5所示。

4.3 利用貝葉斯網絡進行風險推理

貝葉斯網絡的風險推理是通過更改網絡中不同節點的具體情況，推理出風險發生的原因或者可能產生的后果，在與原貝葉斯網絡以及顯示掌握的信息的對比，對未知因素進行預測。

貝葉斯網絡的預測主要有三種方式：

（1）Reason分析（診斷分析）：該分析方式主要用于對風險故障發生后的原因倒查，并可結合風險預案數據庫，完成對故障風險的最優化處理（最低耗時以及最低耗費）。假設，在貝葉斯網絡圖中，車輛拋錨已成事實，而要分析推理車輛拋錨的可能原因，則改變網絡圖中車輛拋錨（A）節點的狀態Yes的概率為100，No的概率為0，再通過Netica的auto update功能，得知改變后各節點的概率的改變，如圖6所示。

圖4 模擬樣本數據

圖5 數據訓練之后的貝葉斯網絡

通過圖5與圖6的對比，發現變速箱損壞、車架故障、燃油泵損害、未定期保養、保養不仔細的概率都有所上升。其中變速箱損壞的概率上升了10.4%，車架故障損害的概率上升了2%，燃油泵損害的概率上升了2.3%，未定期保養的概率上升了3.3%，保養不仔細的概率上升了1.3%。所以，可以推測出該車輛拋錨的原因大概率為變速箱的損壞。

（2）Result分析（原因結果分析）：該分析方式主要是針對已存在的狀況（個人操作失誤、管理失誤以及機械故障），對可能發生的風險以及風險發生的概率進行預估，對于可導致風險發生的大概率事件，通過優化管理、制度規范等達到預防的效果。假設，在貝葉斯網絡中，車主未定期保養，我們要推測的車輛拋錨的概率，則在貝葉斯網絡中改變未定期保養（節點E）節點的狀態Yes的概率為100，No的概率為0，再利用Netica軟件的auto update功能，得知各節點狀態的變化，如圖7所示。

圖7與圖5對比，車輛拋錨的概率上升了5%，這說明車輛未定期保養會造成車輛拋錨的概率上升。

（3）綜合推理：綜合推理是結合診斷推理和因果推理的綜合推理方式，是在已經知曉風險和已經知曉某故障時，推斷另外故障發生出現的可能性。該分析方式主要是針對某些復雜風險，并通過已掌握的實際情況（已知某狀況或者失誤存在或不存在），進行復雜故障的原因排查。

通過Netica軟件實現風險的原因分析，需要大量現實數據的支撐。而冷鏈的儲運在不同地區各種風險發生的概率都有所不同，所以本文僅提供冷鏈儲運風險發生原因的貝葉斯網絡的構建，對于參數的訓練，則要結合各地區的冷鏈風險發生現狀以及過往的相關數據進行設立。

圖6 車輛拋錨原因分析

圖7 未定期保養結果分析

4.4 冷鏈運輸過程故障貝葉斯網絡模型

冷鏈運輸過程故障主要是車輛和制冷系統的相關故障，其中制冷系統相關的故障包括：

（1）車廂溫度下降緩慢。主要原因包括：冷庫的門未關閉嚴實、制冷設備的功效過低、制冷設備中缺少冷媒或者冷媒不足、制冷設備凝霜較重。

（2）制冷設備不啟動：冷庫斷電或者線路損壞、制冷設備發生故障、溫度控制器故障。

（3）壓縮機運行過程中突然停止：電機過熱、管道堵塞、繼電器斷電、電壓過低、冷負載過大。

（4）壓縮機不能停止：控制系統失靈、壓縮機氣閥泄漏。

車輛故障包括：

（1）車輛無法啟動：油箱沒油或燃油油位過低、電瓶沒電、噴油器損壞、進氣系統故障。

（2）車輛拋錨：如上述實例。

（3）車輛剎車不靈：剎車系統保養不當、司機操作不當（高速狀態頻繁剎車、剎車油不足、制動片老化、剎車線斷裂）、嚴重超載。

（4）車輛高速行駛發生車輛震動：胎壓不均、輪胎定位以及軸距不準。

（5）車輛轉向不足或過度轉向。

根據上述原因分析，可通過Netica軟件建立相應的貝葉斯網絡，以便進行風險故障的原因分析。建立的貝葉斯網絡如圖8所示。

圖8 冷藏車風險的貝葉斯網絡

4.5 應急預案數據庫的建立

應急預案數據庫主要是在發生風險后，在知曉大致原因的情況下，通過調用數據庫中預存的風險處理方案，為操作人員提供最為正確的處理方式。其主要操作方式如下：

（1）根據各風險發生原因，編寫解決方案（如車輛爆胎解決方案、壓縮機故障解決方案等）并錄入到數據庫之中。

（2）根據實際發生的風險，通過Netica軟件分析得出風險發生原因。

（3）根據原因調用應急預案數據庫中的應急預案。

（4）根據采集來的車、庫內外溫濕度來推測計算在冷藏品安全受到威脅前，大概的風險處理時間。

（5）將應急預案以及處理時間發送給發生風險的終端，由實際操作人員根據實際情況選擇最優的處理方案。

5 結論

冷鏈運輸是物流領域中快速成長的具有較高附加值的領域，其中的風險問題需要通過科學的手段進行分析與預判，降低故障出現概率，并且借助于大量數據的采集，訓練人工智能技術，為科學決策提供更為有力的參考，提升冷鏈的應急管理水平。