曾慧娥 周慶忠

(1.重慶科技學(xué)院機(jī)械與動(dòng)力工程學(xué)院，重慶 401331;2.后勤工程學(xué)院，重慶 401311)

油料裝備是石油裝備的重要組成部分。隨著科學(xué)技術(shù)發(fā)展，新型油料裝備不斷問(wèn)世，功能多樣，結(jié)構(gòu)復(fù)雜，具有集成化、單元化、自動(dòng)化特征，因裝備故障所導(dǎo)致的事故嚴(yán)重程度也大幅增加。如何實(shí)現(xiàn)油料裝備故障智能診斷，滿足裝備維修具有隨機(jī)性和突發(fā)性的要求，是迫切需要解決的問(wèn)題［1］。在此針對(duì)這一問(wèn)題，研究油料裝備故障智能診斷平臺(tái)。應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy neural network，F(xiàn)NN)、微粒群優(yōu)化(Particle Swarm Optimization，PSO)算法、證據(jù)理論(Evidence Theory，D－S ET)等，實(shí)現(xiàn)裝備狀態(tài)檢測(cè)數(shù)據(jù)三級(jí)智能融合。采用基于案例推理(Case－based reasoning，CBR)和規(guī)則推理(Rulebased reasoning，RBR)設(shè)計(jì)故障診斷推理機(jī)。診斷平臺(tái)的實(shí)現(xiàn)，使得裝備故障診斷更為敏捷快速，對(duì)于確保油料裝備性能可靠具有重要意義。

1 平臺(tái)框架

引入 SOA(Service－Oriented Architecture)設(shè)計(jì)理念，將IFDP－OE不同功能單元的服務(wù)，以組件形式加入，建立診斷平臺(tái)框架(圖1)。框架分為平臺(tái)支持層、技術(shù)支持層、數(shù)據(jù)層和應(yīng)用層。平臺(tái)支持層包含網(wǎng)絡(luò)、操作系統(tǒng)、數(shù)據(jù)庫(kù)管理系統(tǒng)等基本工具包和軟件;技術(shù)支持層包括油料裝備故障診斷所需智能理論與方法。數(shù)據(jù)層采用多庫(kù)結(jié)構(gòu)組織模式，包含用于儲(chǔ)存檢測(cè)數(shù)據(jù)、診斷模型、案例和規(guī)則、維修知識(shí)等數(shù)據(jù)庫(kù)。應(yīng)用層包含狀態(tài)監(jiān)控、檢測(cè)信息融合、故障診斷、維修決策、儲(chǔ)備控制、維修質(zhì)量評(píng)估等功能模塊。按照集成接口標(biāo)準(zhǔn)定義模接口塊，由主控模塊協(xié)調(diào)控制功能模塊，實(shí)現(xiàn)相互通訊與數(shù)據(jù)共享［2－3］。

圖1 平臺(tái)框架圖

2 裝備狀態(tài)檢測(cè)信息三級(jí)融合

檢測(cè)信息融合是實(shí)現(xiàn)智故障能診斷的基礎(chǔ)。檢測(cè)數(shù)據(jù)存在誤差和冗余信息，具有不確定性和模糊性。用FNN和證據(jù)理論作為智能融合工具，對(duì)檢測(cè)數(shù)據(jù)實(shí)現(xiàn)數(shù)據(jù)級(jí)、特征級(jí)和決策級(jí)三級(jí)融合。借助檢測(cè)數(shù)據(jù)間互補(bǔ)信息，獲取裝備零部件工作性能、機(jī)械強(qiáng)度、疲勞極限與磨損程度等參數(shù)，為運(yùn)行狀態(tài)評(píng)估和故障診斷提供依據(jù)［4］。

2.1 數(shù)據(jù)級(jí)融合

數(shù)據(jù)級(jí)融合用于實(shí)現(xiàn)“數(shù)據(jù)輸入 —數(shù)據(jù)輸出”融合。根據(jù)檢測(cè)目標(biāo)(如性能檢測(cè)、運(yùn)行狀態(tài)檢測(cè)、故障檢測(cè)、收發(fā)儲(chǔ)油檢測(cè)、安全監(jiān)測(cè)等)，采用傳感器、便攜式檢測(cè)儀器等不同檢測(cè)設(shè)備，從多方位檢測(cè)采集信號(hào)(如油壓、油流量、油溫、油氣濃度、煙霧等)，對(duì)于重點(diǎn)油料裝備(如油罐、泵、閥)，通過(guò)連續(xù)監(jiān)測(cè)獲取裝備狀態(tài)變化的預(yù)警參數(shù)，建立實(shí)時(shí)數(shù)據(jù)庫(kù)。數(shù)據(jù)級(jí)融合在現(xiàn)場(chǎng)采集的原始信號(hào)數(shù)據(jù)層次上進(jìn)行，對(duì)容錯(cuò)性、實(shí)時(shí)性要求較高。在線檢測(cè)時(shí)，環(huán)境現(xiàn)場(chǎng)的突發(fā)性干擾和檢測(cè)設(shè)備自身缺陷等影響，會(huì)產(chǎn)生檢測(cè)誤差，影響檢測(cè)數(shù)據(jù)一致性。應(yīng)對(duì)采集數(shù)據(jù)進(jìn)行數(shù)字濾波、去噪聲數(shù)據(jù)、數(shù)據(jù)校準(zhǔn)、關(guān)聯(lián)分析、參數(shù)估計(jì)、歸一化等預(yù)處理。

2.2 特征級(jí)融合

通過(guò)FNN與ES的結(jié)合，實(shí)現(xiàn)“數(shù)據(jù)輸入 —特征輸出”融合。在FNN中嵌入專家系統(tǒng)ES，形成基于FNN－ES的特征級(jí)融合算法。由ES根據(jù)獲取信息，選擇確定隸屬函數(shù)，調(diào)整FNN結(jié)構(gòu)，使其具有更強(qiáng)的非線性映射能力，實(shí)現(xiàn)隸屬度函數(shù)形狀及參數(shù)自適應(yīng)調(diào)節(jié)。此外，ES在動(dòng)態(tài)數(shù)據(jù)變化中自主學(xué)習(xí)新知識(shí)，更新知識(shí)庫(kù)。考慮到FNN自身學(xué)習(xí)功能雖可訓(xùn)練權(quán)值，卻難以優(yōu)化模糊規(guī)則。常用FNN訓(xùn)練算法收斂速度慢，易陷入局部最優(yōu)［5］。而PSO算法收斂速度快，操作更簡(jiǎn)便，在優(yōu)化FNN方面極具潛力。因此，采用PSO算法訓(xùn)練FNN權(quán)值，修剪冗余連接，優(yōu)化模糊規(guī)則，將FNN訓(xùn)練結(jié)果送入由單片機(jī)控制的特征融合器，將數(shù)據(jù)級(jí)融合結(jié)果作為FNN的輸入，依據(jù)模糊規(guī)則進(jìn)行特征融合。

2.3 決策級(jí)融合

采用證據(jù)理論實(shí)現(xiàn)“特征輸入—決策輸出”融合。將特征級(jí)融合結(jié)果作為證據(jù)，建立基本概率賦值函數(shù)(Basic Probability Assignment，BPA)。在辯識(shí)框架(Frame of Discernment)下，將不同證據(jù)合成一個(gè)新證據(jù)。利用先驗(yàn)知識(shí)構(gòu)造訓(xùn)練樣本，對(duì)證據(jù)權(quán)值進(jìn)行訓(xùn)練調(diào)整。因裝備種類繁多，證據(jù)獲取中，檢測(cè)設(shè)備缺陷、校準(zhǔn)能力較低、辯識(shí)框架不完備(如裝備出現(xiàn)新?tīng)顟B(tài)模式)等將引起異常測(cè)量。油料裝備工作環(huán)境因素干擾，檢測(cè)報(bào)告通常高度沖突。將FNN輸出作為證據(jù)，證據(jù)自身具有不確定性。BPA由FNN輸出導(dǎo)出，使得信任函數(shù)模型不精確，由此也產(chǎn)生證據(jù)沖突。在合成高度沖突的證據(jù)時(shí)，得到的融合結(jié)果有悖常理。為此，提出基于平均加權(quán)法的沖突證據(jù)合成規(guī)則，利用先驗(yàn)知識(shí)調(diào)整證據(jù)權(quán)值。獲得對(duì)裝備狀態(tài)的BPA后，利用證據(jù)合成規(guī)則，對(duì)證據(jù)進(jìn)行兩兩融合。采用最大信任度法則，進(jìn)行決策判決。

3 基于CBR和RBR的故障診斷推理機(jī)

故障診斷推理機(jī)是實(shí)現(xiàn)智故障能診斷關(guān)鍵。因油料裝備故障診斷呈現(xiàn)動(dòng)態(tài)特征，尚未形成完全成熟領(lǐng)域知識(shí)。而基于CBR主要適用于經(jīng)驗(yàn)豐富型的應(yīng)用領(lǐng)域，RBR則適用于知識(shí)富有型的應(yīng)用領(lǐng)域［6］。因此，將CBR所需RBR輔助單元和RBR診斷單元集成為一體，建立以CBR為主、RBR為輔的推理機(jī)，其流程如圖2所示。

圖2 診斷推理機(jī)流程

3.1 診斷推理過(guò)程

推理機(jī)主要由診斷預(yù)處理、CBR和RBR診斷等模塊組成。診斷推理過(guò)程為:接收診斷請(qǐng)求，在裝備檔案庫(kù)查找有無(wú)該裝備記錄。若有，則與該裝備正常信號(hào)標(biāo)本進(jìn)行相似度對(duì)比。若相似，則返回?zé)o故障結(jié)果。若無(wú)記錄，將所生成的故障特征向量，存入故障癥兆庫(kù)，進(jìn)入CBR診斷。檢索故障案例，若未檢索出候選案例集，則調(diào)用RBR診斷。采用匹配算法，實(shí)現(xiàn)案例匹配操作。通過(guò)比較目標(biāo)案例和候選案例屬性間差異，在規(guī)則引導(dǎo)下，以人機(jī)交互方式排除與目標(biāo)案例差異較大案例。若檢索出的案例不能直接重用于目標(biāo)案例，對(duì)案例進(jìn)行調(diào)整修改?？蛇M(jìn)行案例學(xué)習(xí)，將修正后的案例存入案例庫(kù)。在RBR診斷中，調(diào)用規(guī)則集對(duì)故障進(jìn)行診斷，得到故障初步診斷結(jié)果。經(jīng)用戶反饋驗(yàn)證，若診斷結(jié)果不滿意，可轉(zhuǎn)為人工診斷模式。

3.2 診斷推理匹配算法

診斷推理匹配算法是故障診斷關(guān)鍵。在匹配算法庫(kù)中提供多種匹配算法，如最近相鄰檢索算法、基于余弦函數(shù)的相似度計(jì)算方法及灰色關(guān)聯(lián)度的相似度計(jì)算方法等［7］。因油料易燃、易爆、有毒性，油料裝備故障將造成安全事故、環(huán)境污染等嚴(yán)重?fù)p失。因此對(duì)油料裝備故障診斷實(shí)時(shí)性、可靠性提出高要求。要求匹配算法能快速進(jìn)行故障診斷，最大限度區(qū)分各案例與故障相似度。本文將最近鄰方法與灰色關(guān)聯(lián)理論相結(jié)合，提出分層檢索匹配算法。

第一層檢索匹配。采用最近相鄰法，從故障案例庫(kù)中檢索出與當(dāng)前故障案例C0的故障征兆指標(biāo)隸屬度相同的案例，作為第一層檢索案例集C1={c1i}(i=1，2，…，s)。

第二層檢索匹配。采用灰色關(guān)聯(lián)理論，計(jì)算當(dāng)前故障案例C0與案例集C1={c1i}中案例綜合相似度。設(shè)故障征兆指標(biāo)總數(shù)為p，當(dāng)前故障案例C0與案例c1i的層貼近度矩陣z表示為

設(shè)ωj表示第j個(gè)故障征兆指標(biāo)權(quán)重，則當(dāng)前故障案例C0與案例c1i的綜合貼近度為

式中，βj為距離參數(shù)，βj=1為基于海明距離的綜合貼近度。由式(3)得綜合貼近度向量U={sim(i)}。sim(i)越大，表示當(dāng)前故障案例C0與案例c1i的綜合相似程度越大。檢索出sim(i)大于設(shè)定閥值的案例，形成第二層候選案例集C2={c2i}(i=1，2，…，t)。

4 結(jié)語(yǔ)

本文關(guān)注于油料裝備故障智能診斷問(wèn)題。建立由平臺(tái)支持層、技術(shù)支持層、數(shù)據(jù)層和應(yīng)用層構(gòu)成的平臺(tái)框架，體現(xiàn)了SOA設(shè)計(jì)理念。用FNN、專家系統(tǒng)、PSO和證據(jù)理論等智能方法，對(duì)檢測(cè)數(shù)據(jù)實(shí)現(xiàn)數(shù)據(jù)級(jí)、特征級(jí)和決策級(jí)三級(jí)數(shù)據(jù)融合，消除檢測(cè)數(shù)據(jù)誤差和冗余信息。構(gòu)建CBR與RBR的集成推理機(jī)，將最近鄰方法與灰色關(guān)聯(lián)理論相結(jié)合，提出分層檢索匹配算法。應(yīng)用表明，該研究對(duì)于快速實(shí)現(xiàn)油料裝備故障診斷具有重要意義。

［1］周慶忠.油料裝備勤務(wù)［M］.北京:解放軍出版社，2010.

［2］曾慧娥，周慶忠.油料裝備智能維修仿真平臺(tái)研究［J］.計(jì)算機(jī)仿真，2010，27(5):149-152.

［3］Dey P K.Decision Support System for Inspection and Maintenance［J］.IEEE Trans.Engineering Management，2004，51(1):47-56.

［4］Luo R C.Chih Chia Chang，Chun Chi Lai.Multisensor Fusion and Integration［J］.IEEE J.Sensors，2011，11(12):3122-3138.

［5］Neto E T W，da Costa E G，Maia M.Artificial Neural Networks Used for ZnO Arresters Diagnosis［J］.IEEE Trans.Power Delivery，2009，24(3):1390-1395.

［6］Fong A C M，Hui S C.An Intelligent Online Machine Fault Diagnosis System.J.Computing ＆ Control Engineering，2001，12(5):217-223.

［7］Khac Tuan Huynh，Barros A，Berenguer C.Maintenance Decision-Making for Systems Operating Under Indirect Condition Monitoring［J］.IEEE Trans.Reliability，2012，61(2):410-425.