基于區(qū)間T-S模糊故障樹的泵站機(jī)組故障診斷方法分析

張卉芬，張志闖，張云峰

（1.淮陰區(qū)水利局，江蘇 淮安 223300；2.江蘇信通工程項目管理有限公司，江蘇 淮安 223300）

隨著科學(xué)技術(shù)發(fā)展，泵站機(jī)組日益復(fù)雜化，其故障與原因之間就多了一些不確定性，難以確切地給出機(jī)組各節(jié)點(diǎn)的故障發(fā)生概率[1]。T-S 模型改進(jìn)了傳統(tǒng)的邏輯門，可描述故障樹中上下層事件之間的聯(lián)系[2]，能夠有效解決復(fù)雜系統(tǒng)故障樹中事件間的邏輯關(guān)系[3]。選取合適的邊界值對故障樹的診斷效果會產(chǎn)生較大影響[4]，而對底層事件故障發(fā)生的模糊概率邊界確定問題卻沒有較好的解決方法[5]。基于此，引入了區(qū)間三角的模糊概率子集方法，提出了基于區(qū)間T-S 模糊故障樹的泵站機(jī)組故障診斷方法，并分析了該方法下的T-S模糊故障樹推理過程，最后將該方法應(yīng)用于泵站機(jī)組的故障診斷中。經(jīng)分析計算，得到水泵機(jī)組中轉(zhuǎn)子系統(tǒng)為1.0倍頻故障、轉(zhuǎn)子系統(tǒng)出現(xiàn)質(zhì)量不平衡和轉(zhuǎn)子系統(tǒng)出現(xiàn)不對中故障時產(chǎn)生原因的優(yōu)先級排序，以達(dá)到對泵站機(jī)組進(jìn)行重要度分析的目的。

1 區(qū)間T-S模糊故障樹分析方法

傳統(tǒng)T-S模糊故障樹底層事件的先驗故障概率用1個模糊子集來描述[6]。但是，由于泵站機(jī)組的故障概率隨著泵站機(jī)組運(yùn)行的狀態(tài)及運(yùn)行時間發(fā)生變化[7]以及利用專家經(jīng)驗法確定模糊子集邊界時存在主觀性、利用數(shù)據(jù)法確定模糊子集邊界時存在數(shù)據(jù)量不充分的情況，所以在實際應(yīng)用中難以確定模糊子集的上、下邊界值[8]。為此，提出了采用區(qū)間變量代替精確值以表征三角模糊子集的上、下邊界。

式中：pl1,pl2分別為三角模糊子集下限邊界中的模糊下、上邊界；pr1,pr1分別為三角模糊子集上限邊界中的模糊下、上邊界；pm代表整個區(qū)間模糊子集的中心。

圖1 梯形模糊隸屬度函數(shù)

圖1所示梯形隸屬度函數(shù)可由式（2）表示：

上層事件的模糊可能性為：

已知機(jī)組部件xj在故障狀態(tài)為時的三角模糊故障概率模糊子集為若其隸屬度函數(shù)為則其對泵站機(jī)組系統(tǒng)頂事件T為Tq的T-S模糊重要度為：

事件xj關(guān)于泵站機(jī)組系統(tǒng)頂事件T為Tq的TS綜合模糊重要度為：

2 實例分析

振動是評估泵站機(jī)組運(yùn)行狀態(tài)時常用指標(biāo)之一，分析時通常需要先進(jìn)行頻域轉(zhuǎn)化。參考?xì)v史故障數(shù)據(jù)分析結(jié)果，結(jié)合專家經(jīng)驗得到了頻率及故障可能產(chǎn)生的原因，泵站機(jī)組常見的頻率及故障可能產(chǎn)生的原因詳見表1。泵站機(jī)組出現(xiàn)故障時的分析步驟為：①觀測各特征指標(biāo)的異常；②對特征指標(biāo)進(jìn)行進(jìn)一步分析、整合，診斷造成該特征異常的故障原因；③由于轉(zhuǎn)子系統(tǒng)為出現(xiàn)頻率較高故障的部件，故從不同的故障特征出發(fā)，對泵站機(jī)組中的轉(zhuǎn)子系統(tǒng)開展分析；④構(gòu)建區(qū)間T-S 模糊故障樹，并以1.0 倍頻異常故障為例進(jìn)行定量分析。

表1 頻率及故障可能產(chǎn)生的原因

2.1 區(qū)間T-S模糊故障樹構(gòu)建

振動頻譜中1.0 倍頻異常是常見的故障之一。因此，以1.0倍頻異常故障為例開展基于T-S模糊故障樹的故障診斷分析，倍頻為1.0異常T-S模糊故障樹如圖2所示。借助電渦流位移傳感器自動采集泵站機(jī)組轉(zhuǎn)子系統(tǒng)的時域振動信號，并運(yùn)用傅里葉變換將其轉(zhuǎn)化為頻域信號。

圖2 倍頻為1.0異常T-S模糊故障樹

2.2 區(qū)間T-S模糊故障樹分析

2.2.1 T-S模糊規(guī)則的確定

基于統(tǒng)計學(xué)知識，搜集整理了近年來江蘇地區(qū)一部分泵站故障數(shù)據(jù)，并走訪了相關(guān)泵站負(fù)責(zé)專家，綜合故障數(shù)據(jù)得出當(dāng)基頻故障狀態(tài)為1.0時，泵站的轉(zhuǎn)子系統(tǒng)可能發(fā)生的融合區(qū)間三角模糊數(shù)的故障概率模糊子集詳見表2。視基頻故障狀態(tài)為0.5 時與1.0時故障概率模糊子集相等。假設(shè)y1，x1為2種故障狀態(tài)即故障和無故障，對應(yīng)（1，0）；其余事件分故障、半故障、無故障3種故障狀態(tài)，分別對應(yīng)（1，0.5，0）。其中，每一個模糊概率子集的重心值表示故障發(fā)生概率的最大可能值。根據(jù)經(jīng)驗和專家數(shù)據(jù)，構(gòu)建T-S模糊故障樹對應(yīng)的模糊門規(guī)則。

表2 轉(zhuǎn)子系統(tǒng)故障概率模糊子集

2.2.2 故障分析

由式（2）、（3）及T-S 模糊規(guī)則可得到上層事件y1～y3的區(qū)間模糊故障概率模糊子集結(jié)果，詳見表3。

表3 y1～y3區(qū)間模糊故障概率模糊子集

利用式（5）求得事件x1故障狀態(tài)為1.0 時，對水泵機(jī)組上層事件y2為1.0的模糊重要度為：

同理，當(dāng)其他事件故障狀態(tài)為0.5或1.0時，可得對水泵機(jī)組上層事件的模糊重要度，詳見表4。

表4 各事件故障狀態(tài)對上層事件的T-S模糊重要度

利用式（6）及表4 中求得的事件x2在狀態(tài)分別為0.5和1.0時對上層事件的模糊重要度，可求得事件x2對上層事件y1為1.0的綜合模糊重要度為：

同理，可得其他事件的相對于上層事件的綜合模糊重要度，詳見表5。

表5 各事件對上層事件的T-S綜合模糊重要度

根據(jù)基于區(qū)間T-S模糊故障樹的泵站機(jī)組故障診斷方法，通過計算結(jié)果分析，從表5 可以看出：①已知各底層事件的區(qū)間故障概率模糊子集，當(dāng)y2（質(zhì)量不平衡）處于故障狀態(tài)時，對其影響最大的是x1（部件脫落），其次為x2（結(jié)垢）、x3（初始偏心）；當(dāng)y2處于半故障狀態(tài)時，對其影響狀態(tài)大小排序為x2＞x3＞x1。②當(dāng)y3（不對中）處于故障狀態(tài)時，對其影響最大的是x4（熱彎曲），其次為x5（運(yùn)行負(fù)荷過大）、x6（運(yùn)行操作不當(dāng)）；當(dāng)y3處于半故障狀態(tài)時，對其影響狀態(tài)大小排序為x6＞x5＞x4。③當(dāng)頂事件y1（1倍異常）處于故障狀態(tài)時，對其影響狀態(tài)大小排序為x1＞x2=x4＞x3＞x5=x6；當(dāng)頂事件y1處于半故障狀態(tài)時，對其影響狀態(tài)大小排序為x2＞x3＞x6＞x5＞x1＞x4。

3 結(jié)論

（1）當(dāng)水泵機(jī)組中轉(zhuǎn)子系統(tǒng)為1.0 倍頻故障時，故障產(chǎn)生原因優(yōu)先級排序依次為部件脫落、結(jié)垢、熱彎曲、初始偏心、運(yùn)行負(fù)荷過大、運(yùn)行操作不當(dāng)。

（2）當(dāng)轉(zhuǎn)子系統(tǒng)出現(xiàn)質(zhì)量不平衡故障時，故障產(chǎn)生原因優(yōu)先級排序依次為部件脫落、結(jié)垢、初始偏心。

（3）當(dāng)轉(zhuǎn)子系統(tǒng)出現(xiàn)不對中故障時，故障產(chǎn)生原因優(yōu)先級排序依次為熱彎曲、運(yùn)行負(fù)荷過大、運(yùn)行操作不當(dāng)。