基于bn與模糊評判的異型煙分揀系統(tǒng)故障診斷

基于bn與模糊評判的異型煙分揀系統(tǒng)故障診斷

在特殊的香煙草銷售系統(tǒng)中，香煙煙草商的配送中心是香煙草物流系統(tǒng)的重要組成部分。分揀設備作為異型煙分揀系統(tǒng)的重要組成部分，是保障分揀系統(tǒng)正常運行的關鍵因素。異型煙半自動卷煙分揀系統(tǒng)自動化和連續(xù)性程度高，對分揀設備運行的可靠性提出了更高的要求。分揀設備故障的發(fā)生將嚴重影響分揀的正常運行。對設備發(fā)生故障后進行快速排查和處理，迅速恢復生產，是保障整個分揀系統(tǒng)運行效率的重要因素。因此，異型煙分揀設備故障診斷技術的提高對煙草配送物流中心的運營效果具有重要意義。1工碼垛、自動塑封方式近年來，基于人工智能技術的診斷方法得到快速發(fā)展，如神經網絡技術異型煙半自動分揀系統(tǒng)采用人工填煙、自動分揀、自動打碼、人工碼垛、自動塑封的方式，其機械系統(tǒng)主要由立式分發(fā)機組、皮帶輸送機、輥道輸送機、激光打碼機、塑封裹膜機組成。分揀流程如圖1所示。整個分揀過程自動化程度高，以機器為主，人員為輔，且各分揀設備間聯系緊密，局部設備出現故障都會導致整個分揀線停線。除此之外，由于異形煙形狀、大小不一，分揀設備較為復雜，性能要求較高。目前，對異型煙分揀的研究主要集中在分揀系統(tǒng)的設計與運用2貝葉斯網絡的建立針對異形煙分揀系統(tǒng)故障的不確定性問題，本文對某煙草物流中心一年的設備維修記錄數據進行分析，結合專家經驗建立貝葉斯網絡結構，并采用Netica軟件進行概率推理。根據數據分析結果，設置異形煙的故障特征量如表1所示，設置故障類型集d2.1建立故障診斷模型貝葉斯網絡(Bayesiannetwork,BN)是基于概率分析與圖論相結合的用于解決不完整和不確定性問題的一種人工智能算法(1)建立故障診斷信息視圖;(2)根據視圖信息建立模型相關變量;(3)創(chuàng)建貝葉斯網絡結構圖;(4)通過初始數據的學習，完成各節(jié)點的概率與條件概率分布;(5)輸入證據變量，輸出各節(jié)點后驗概率。根據設備維修記錄數據，得出各故障特征量與故障類型的匹配關系，如圖2所示。根據圖2匹配關系繪制貝葉斯網絡結構，如圖3所示。對設備維修記錄數據分析得出各根節(jié)點(故障類型)的后驗概率如表3所示，條件概率P(M2.2故障原因描述根據已獲取的先驗概率和條件概率在Netica中建立模型。模型中各節(jié)點變量均是離散變量，節(jié)點狀態(tài)取“1”表示故障出現，取“0”表示故障不出現。每個節(jié)點包含其對應的狀態(tài)，每個狀態(tài)的置信度對應相應的數值和指示條長度，如圖4所示。當異形煙分揀系統(tǒng)發(fā)生故障時，塑封裹膜機、立式分揀機、輥道輸送機、皮帶輸送機發(fā)生故障的概率分別為47.00%,15.00%,36.10%,2.04%。各具體故障原因的概率如表5所示。通過Netica軟件推理可知，缺乏其他證據情況下，分揀設備出故障概率大小排序為:d3網絡診斷結果的網絡評價異形煙分揀系統(tǒng)分揀設備多且各設備對整條線的影響程度不同，增大了故障診斷的復雜性。針對該問題，本文運用模糊綜合評判法對前文貝葉斯網絡診斷結果進行修正。(1)建立評價因素集建立影響被評價對象的因素集F={f(2)確定評價等級專家對診斷結果進行語言評價，并劃分為5個等級模式，語言變量由專家結合故障數據給出。評價集E={e根據文獻(4)建立模糊評判矩陣根據三角形隸屬度函數(5)確定模糊綜合評判值根據綜合權重集和評判矩陣對評測對象的影響得到模糊綜合評判，其表達式為:B以網帶松動(d以網帶松動(d模糊綜合評判值:μd4修正故障復雜性評判貝葉斯網絡診斷得到的結果是通過學習數據得到的，僅考慮了故障發(fā)生的概率，未考慮故障的復雜性，因此本文用模糊綜合評判法對故障復雜性評判得到的值對后驗概率進行修正，使其診斷結果更具合理性。綜合評判值表達式為:式中:μ以網帶松動(d同理，得到d從后驗概率、故障的排查難度、維修難度、診斷準確性和故障對整條線的影響程度多方面綜合考慮，得出當異型煙分揀系統(tǒng)出現故障時，各故障出現的可能性大小排序為:d從修正前后對比可知，修正后部分排序發(fā)生了明顯變化，如切膜爆口(d5診斷結果的分析和評判本文將貝葉斯網絡與模糊評判法相結合用于異形煙分揀系統(tǒng)的故障診斷，建立了相應的診斷模型。首先，通過貝葉斯網絡診斷獲得各故障的后驗概率;其次，用模糊評判法對故障的排查難度、維修難度、診斷準確性和故障對整條分揀線的影響程度進行評判;最后，運用模糊綜合評判結果對后驗