基于貝葉斯網(wǎng)絡(luò)的智能空調(diào)故障診斷系統(tǒng)

鄒瑞潔

（陜西 西安 710000）

隨著人們生活水平的不斷提升，空調(diào)的應(yīng)用也越來越普遍，但隨之而來的是各種各樣的空調(diào)故障問題，如果人為地去將空調(diào)拆開，一個一個部分地去檢查問題，這樣不僅會浪費大量的時間，而且會有零件損傷的危險。貝葉斯網(wǎng)絡(luò)在各類行業(yè)里都得到了廣泛的應(yīng)用，例如貝葉斯網(wǎng)絡(luò)在航空發(fā)動機燃泵故障的診斷中就顯示出了一定的優(yōu)勢。周巧蓮將貝葉斯網(wǎng)絡(luò)應(yīng)用在驅(qū)動電機的故障診斷中，很好地為地鐵車門故障維修提供支持和參考。梁瀟、王海峰等人將基于貝葉斯網(wǎng)絡(luò)的智能診斷方法應(yīng)用在列控車載設(shè)備上，有效的提升了列控車載設(shè)備故障診斷的效率，使診斷結(jié)果更為準確和全面。因此基于貝葉斯網(wǎng)絡(luò)的故障診斷方法用于解決復雜系統(tǒng)的故障診斷有很大的優(yōu)勢。本文就利用貝葉斯網(wǎng)絡(luò)來解決有關(guān)空調(diào)故障的不確定性事件，為空調(diào)故障診斷提供了一種省時省力的智能診斷系統(tǒng)，提升了空調(diào)系統(tǒng)故障診斷的效率和精度。

1 貝葉斯網(wǎng)絡(luò)概述

貝葉斯網(wǎng)絡(luò)又稱信念網(wǎng)絡(luò)，是一種概率網(wǎng)絡(luò)，也是一種基于貝葉斯方法的圖形化網(wǎng)絡(luò)，其網(wǎng)絡(luò)拓撲結(jié)構(gòu)是一個有向無環(huán)圖。在貝葉斯網(wǎng)絡(luò)的有向無環(huán)圖中，每個節(jié)點表示一個變量，有因果關(guān)系或非條件獨立的變量之間用帶箭頭的弧線連在一起。箭頭的來源節(jié)點是“因”，箭頭指向的節(jié)點是“果”，用條件概率表示這兩個節(jié)點之間的相互影響程度。由于其圖形化的結(jié)構(gòu)，貝葉斯網(wǎng)絡(luò)在處理不確定性問題方面具有獨特的優(yōu)勢，同時，該結(jié)構(gòu)還可以有效地進行多源信息表達與融合，能夠幫助我們在生活中減少不必要的損失，是處理不確定性信息的重要工具。我們可以將其運用到各種各樣的事件中，小到家庭用具的故障檢測，大到國家武器的檢測，是可以減少耗時和人力的絕佳方法。

貝葉斯網(wǎng)絡(luò)的構(gòu)造主要分為以下兩步：

（1）咨詢領(lǐng)域?qū)＜遥x好隨機變量，并確定其相互之間的拓撲關(guān)系，形成有向無環(huán)圖。

（2）通過已有的數(shù)據(jù)，進行貝葉斯網(wǎng)絡(luò)的訓練，獲得有向無環(huán)圖中各節(jié)點的先驗概率值，以及節(jié)點與節(jié)點之間的條件概率值。

2 基于貝葉斯網(wǎng)絡(luò)的故障診斷方法

基于貝葉斯網(wǎng)絡(luò)模型解決實際問題的過程稱為基于貝葉斯網(wǎng)絡(luò)的推理，在基于貝葉斯網(wǎng)絡(luò)的推理中，主要有因果推理和診斷推理，其中診斷推理是一種自下而上的推理，目的是在已知某結(jié)果時，找出最有可能產(chǎn)生該結(jié)果的原因。

在貝葉斯網(wǎng)絡(luò)中，沒有任何導入箭頭的節(jié)點叫做根節(jié)點，箭頭指向的節(jié)點叫做子節(jié)點，箭頭來源的節(jié)點叫做父節(jié)點。基于貝葉斯網(wǎng)絡(luò)的故障診斷推理是通過貝葉斯網(wǎng)絡(luò)的逆向推理功能，即已知某節(jié)點結(jié)果，來推斷各級父節(jié)點的后驗概率，直到獲得各根節(jié)點的后驗概率，然后通過比較其概率大小來判斷故障最有可能發(fā)生的原因。

在貝葉斯網(wǎng)絡(luò)拓撲結(jié)構(gòu)中，對于根節(jié)點要確定先驗概率；對于每個子節(jié)點要確定其在父節(jié)點不同狀態(tài)下的條件概率值。變量集U = ( x1, x2,...,xn)中的每個元素對應(yīng)貝葉斯網(wǎng)絡(luò)中的每一個節(jié)點，則聯(lián)合概率密度P( x1, x2,...,xn)為：

式中，πi為Xi父節(jié)點的集合。

Xi的邊緣概率為：

基于貝葉斯網(wǎng)絡(luò)的故障診斷方法主要是根據(jù)實驗結(jié)果進行統(tǒng)計推導，假設(shè)已取得觀測結(jié)果e，則有：

通過此公式可以計算各父節(jié)點的后驗概率，再通過比較各父節(jié)點后驗概率的大小，即可找到故障發(fā)生最有可能的原因。

3 智能空調(diào)故障診斷系統(tǒng)

隨著技術(shù)的不斷發(fā)展，空調(diào)器所集成的功能越來越多，系統(tǒng)也越來越復雜。由于空調(diào)器各系統(tǒng)之間是彼此聯(lián)系、相互影響的，故障現(xiàn)象和故障原因之間并不是一一對應(yīng)的關(guān)系。傳統(tǒng)的故障診斷過多的依賴維修師傅的經(jīng)驗，但即使經(jīng)驗豐富的人員有時也難免漏掉可能的故障點。

智能空調(diào)故障診斷系統(tǒng)，首先基于空調(diào)器維修領(lǐng)域?qū)＜业慕?jīng)驗建立空調(diào)故障的貝葉斯網(wǎng)絡(luò)，然后維修人員通過獲得的空調(diào)故障表現(xiàn)，進行診斷推理，得出可能導致該故障現(xiàn)象各個因素的后驗概率，從概率最大的因素開始進行排查。這樣不僅能降低空調(diào)器維修對維修人員經(jīng)驗的要求，還可以使得維修排查的順序最優(yōu)，節(jié)約排查時間，提高診斷精度。

由于空調(diào)系統(tǒng)過于復雜，本文通過一個簡化的例子來進行智能空調(diào)故障診斷系統(tǒng)的驗證。

空調(diào)器制冷的速度與空調(diào)濾網(wǎng)的積塵和出風口風量的大小有關(guān)，而濾網(wǎng)的積塵對出風口的風量也有影響，但風量不僅受濾網(wǎng)積塵的影響，還受風機葉輪是否打滑影響。據(jù)此，建立了貝葉斯網(wǎng)絡(luò)，并通過大量的維修數(shù)據(jù)，得到各節(jié)點的先驗概率。然后通過咨詢富有經(jīng)驗的維修師傅，再通過查閱資料獲得大量的維修數(shù)據(jù)，得到各節(jié)點的先驗概率和各節(jié)點間的條件概率分布，這樣就可以完成空調(diào)系統(tǒng)故障診斷的貝葉斯網(wǎng)絡(luò)模型的建模。空調(diào)系統(tǒng)貝葉斯網(wǎng)絡(luò)簡圖如圖1所示。

圖1 空調(diào)系統(tǒng)貝葉斯網(wǎng)絡(luò)簡圖

當發(fā)現(xiàn)空調(diào)器制冷速度慢時，診斷的過程為：

（1）在貝葉斯網(wǎng)絡(luò)圖中找到空調(diào)器制冷速度的節(jié)點D；

（2）修改空調(diào)器制冷速度節(jié)點D的狀態(tài)概率分布，即 P（D=F）=1；

（3）根據(jù)貝葉斯網(wǎng)絡(luò)圖，通過貝葉斯推理算法，得到圖中各節(jié)點對應(yīng)隨機變量的后驗概率；

（4）比較各節(jié)點對應(yīng)隨機變量的后驗概率，對后驗概率最大的節(jié)點所對應(yīng)的變量進行檢查。

根據(jù)圖1中所建立的空調(diào)系統(tǒng)貝葉斯網(wǎng)絡(luò)模型，可求得空調(diào)器制冷速度慢是由于濾網(wǎng)積塵過多導致的概率

同理可得，空調(diào)器制冷速度慢是由于風機葉輪打滑導致的概率P( B = F | D = F)為 29．41%。

由此可以看出空調(diào)器制冷速度慢是由于濾網(wǎng)積塵過多導致的概率較大，需要先對空調(diào)濾網(wǎng)的積塵進行檢查。

4 結(jié)語

隨著現(xiàn)代生活水平的不斷提高，空調(diào)器已被廣泛使用，但由于空調(diào)器系統(tǒng)較為復雜，故障現(xiàn)象與產(chǎn)生故障的原因并不是一一對應(yīng)的。因此，為降低空調(diào)系統(tǒng)故障排查與維護對于維修人員經(jīng)驗的依賴程度，提高空調(diào)系統(tǒng)故障排查的效率和診斷的準確度，本文基于貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，采用貝葉斯公式進行推斷，為空調(diào)故障提供了一種省時省力的智能診斷系統(tǒng)。通過實例驗證，該方法有效地提升了空調(diào)系統(tǒng)故障診斷的效率和精度。