油料装备故障智能诊断平台研究

曾慧娥 周庆忠

(1.重庆科技学院机械与动力工程学院，重庆 401331;2.后勤工程学院，重庆 401311)

油料装备是石油装备的重要组成部分。随着科学技术发展，新型油料装备不断问世，功能多样，结构复杂，具有集成化、单元化、自动化特征，因装备故障所导致的事故严重程度也大幅增加。如何实现油料装备故障智能诊断，满足装备维修具有随机性和突发性的要求，是迫切需要解决的问题［1］。在此针对这一问题，研究油料装备故障智能诊断平台。应用模糊神经网络(Fuzzy neural network，FNN)、微粒群优化(Particle Swarm Optimization，PSO)算法、证据理论(Evidence Theory，D－S ET)等，实现装备状态检测数据三级智能融合。采用基于案例推理(Case－based reasoning，CBR)和规则推理(Rulebased reasoning，RBR)设计故障诊断推理机。诊断平台的实现，使得装备故障诊断更为敏捷快速，对于确保油料装备性能可靠具有重要意义。

1 平台框架

引入 SOA(Service－Oriented Architecture)设计理念，将IFDP－OE不同功能单元的服务，以组件形式加入，建立诊断平台框架(图1)。框架分为平台支持层、技术支持层、数据层和应用层。平台支持层包含网络、操作系统、数据库管理系统等基本工具包和软件;技术支持层包括油料装备故障诊断所需智能理论与方法。数据层采用多库结构组织模式，包含用于储存检测数据、诊断模型、案例和规则、维修知识等数据库。应用层包含状态监控、检测信息融合、故障诊断、维修决策、储备控制、维修质量评估等功能模块。按照集成接口标准定义模接口块，由主控模块协调控制功能模块，实现相互通讯与数据共享［2－3］。

图1 平台框架图

2 装备状态检测信息三级融合

检测信息融合是实现智故障能诊断的基础。检测数据存在误差和冗余信息，具有不确定性和模糊性。用FNN和证据理论作为智能融合工具，对检测数据实现数据级、特征级和决策级三级融合。借助检测数据间互补信息，获取装备零部件工作性能、机械强度、疲劳极限与磨损程度等参数，为运行状态评估和故障诊断提供依据［4］。

2.1 数据级融合

数据级融合用于实现“数据输入 —数据输出”融合。根据检测目标(如性能检测、运行状态检测、故障检测、收发储油检测、安全监测等)，采用传感器、便携式检测仪器等不同检测设备，从多方位检测采集信号(如油压、油流量、油温、油气浓度、烟雾等)，对于重点油料装备(如油罐、泵、阀)，通过连续监测获取装备状态变化的预警参数，建立实时数据库。数据级融合在现场采集的原始信号数据层次上进行，对容错性、实时性要求较高。在线检测时，环境现场的突发性干扰和检测设备自身缺陷等影响，会产生检测误差，影响检测数据一致性。应对采集数据进行数字滤波、去噪声数据、数据校准、关联分析、参数估计、归一化等预处理。

2.2 特征级融合

通过FNN与ES的结合，实现“数据输入 —特征输出”融合。在FNN中嵌入专家系统ES，形成基于FNN－ES的特征级融合算法。由ES根据获取信息，选择确定隶属函数，调整FNN结构，使其具有更强的非线性映射能力，实现隶属度函数形状及参数自适应调节。此外，ES在动态数据变化中自主学习新知识，更新知识库。考虑到FNN自身学习功能虽可训练权值，却难以优化模糊规则。常用FNN训练算法收敛速度慢，易陷入局部最优［5］。而PSO算法收敛速度快，操作更简便，在优化FNN方面极具潜力。因此，采用PSO算法训练FNN权值，修剪冗余连接，优化模糊规则，将FNN训练结果送入由单片机控制的特征融合器，将数据级融合结果作为FNN的输入，依据模糊规则进行特征融合。

2.3 决策级融合

采用证据理论实现“特征输入—决策输出”融合。将特征级融合结果作为证据，建立基本概率赋值函数(Basic Probability Assignment，BPA)。在辩识框架(Frame of Discernment)下，将不同证据合成一个新证据。利用先验知识构造训练样本，对证据权值进行训练调整。因装备种类繁多，证据获取中，检测设备缺陷、校准能力较低、辩识框架不完备(如装备出现新状态模式)等将引起异常测量。油料装备工作环境因素干扰，检测报告通常高度冲突。将FNN输出作为证据，证据自身具有不确定性。BPA由FNN输出导出，使得信任函数模型不精确，由此也产生证据冲突。在合成高度冲突的证据时，得到的融合结果有悖常理。为此，提出基于平均加权法的冲突证据合成规则，利用先验知识调整证据权值。获得对装备状态的BPA后，利用证据合成规则，对证据进行两两融合。采用最大信任度法则，进行决策判决。

3 基于CBR和RBR的故障诊断推理机

故障诊断推理机是实现智故障能诊断关键。因油料装备故障诊断呈现动态特征，尚未形成完全成熟领域知识。而基于CBR主要适用于经验丰富型的应用领域，RBR则适用于知识富有型的应用领域［6］。因此，将CBR所需RBR辅助单元和RBR诊断单元集成为一体，建立以CBR为主、RBR为辅的推理机，其流程如图2所示。

图2 诊断推理机流程

3.1 诊断推理过程

推理机主要由诊断预处理、CBR和RBR诊断等模块组成。诊断推理过程为:接收诊断请求，在装备档案库查找有无该装备记录。若有，则与该装备正常信号标本进行相似度对比。若相似，则返回无故障结果。若无记录，将所生成的故障特征向量，存入故障症兆库，进入CBR诊断。检索故障案例，若未检索出候选案例集，则调用RBR诊断。采用匹配算法，实现案例匹配操作。通过比较目标案例和候选案例属性间差异，在规则引导下，以人机交互方式排除与目标案例差异较大案例。若检索出的案例不能直接重用于目标案例，对案例进行调整修改。可进行案例学习，将修正后的案例存入案例库。在RBR诊断中，调用规则集对故障进行诊断，得到故障初步诊断结果。经用户反馈验证，若诊断结果不满意，可转为人工诊断模式。

3.2 诊断推理匹配算法

诊断推理匹配算法是故障诊断关键。在匹配算法库中提供多种匹配算法，如最近相邻检索算法、基于余弦函数的相似度计算方法及灰色关联度的相似度计算方法等［7］。因油料易燃、易爆、有毒性，油料装备故障将造成安全事故、环境污染等严重损失。因此对油料装备故障诊断实时性、可靠性提出高要求。要求匹配算法能快速进行故障诊断，最大限度区分各案例与故障相似度。本文将最近邻方法与灰色关联理论相结合，提出分层检索匹配算法。

第一层检索匹配。采用最近相邻法，从故障案例库中检索出与当前故障案例C0的故障征兆指标隶属度相同的案例，作为第一层检索案例集C1={c1i}(i=1，2，…，s)。

第二层检索匹配。采用灰色关联理论，计算当前故障案例C0与案例集C1={c1i}中案例综合相似度。设故障征兆指标总数为p，当前故障案例C0与案例c1i的层贴近度矩阵z表示为

设ωj表示第j个故障征兆指标权重，则当前故障案例C0与案例c1i的综合贴近度为

式中，βj为距离参数，βj=1为基于海明距离的综合贴近度。由式(3)得综合贴近度向量U={sim(i)}。sim(i)越大，表示当前故障案例C0与案例c1i的综合相似程度越大。检索出sim(i)大于设定阀值的案例，形成第二层候选案例集C2={c2i}(i=1，2，…，t)。

4 结语

本文关注于油料装备故障智能诊断问题。建立由平台支持层、技术支持层、数据层和应用层构成的平台框架，体现了SOA设计理念。用FNN、专家系统、PSO和证据理论等智能方法，对检测数据实现数据级、特征级和决策级三级数据融合，消除检测数据误差和冗余信息。构建CBR与RBR的集成推理机，将最近邻方法与灰色关联理论相结合，提出分层检索匹配算法。应用表明，该研究对于快速实现油料装备故障诊断具有重要意义。

［1］周庆忠.油料装备勤务［M］.北京:解放军出版社，2010.

［2］曾慧娥，周庆忠.油料装备智能维修仿真平台研究［J］.计算机仿真，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.