降雨量传感器的故障诊断方法研究*

程 曦漆随平李志乾崔天刚王 尼

(1.齐鲁工业大学(山东省科学院)，山东省科学院海洋仪器仪表研究所，山东 青岛266001；2.山东省海洋监测仪器装备技术重点实验室，山东 青岛266001；3.国家海洋监测设备工程技术研究中心，山东 青岛266001；4.山东省海洋仪器仪表科技中心，山东 青岛266001)

降雨量是气象、水文、防汛等领域重要参数[1-2]，该参数主要通过降雨量传感器来实时测量获取。 降雨量传感器是一种感知降雨量信息的气象传感器。 由于降雨量参数是气象预报、防灾减灾及计算区域水资源的重要依据[3]，因此，降雨量传感器在使用过程中发生故障时需及时快速修复。 目前在气象领域中业务化应用的翻斗式降雨量传感器有着0.1 mm 的高分辨率，同时国内已有研究人员研发出高精度的大小双翻斗组合式降雨量传感器，在监测0.01～4.00 mm/min 雨强降雨时，测量误差可控制在±2%以内[4]。 但是此类型传感器出现的故障类型多样，需要专业人员进行维修，而且对专业维修人员的专业知识以及维修经验要求较高，当前国内外在此设备上主要依靠人工检测与排查的手段对降雨量传感器进行故障诊断与维修[4-9]，故障诊断难度大、维修效率低。

为提高翻斗式降雨量传感器的故障诊断效率，本文基于故障树理论与灰色关联法，利用该领域内专家对其多年的维修经验数据，引入故障树理论及灰色关联分析法，提出一种降雨量传感器故障诊断专家系统的新方法，提高降雨量传感器的故障诊断与维修的效率。 试验结果表明诊断方法实现了降雨量传感器故障快速准确诊断。

1 降雨量传感器概述

1.1 翻斗式降雨量传感器的组成

降雨量传感器按照工作原理可分为:翻斗式、称重式、超声波式、红外式、电容式等[10-13]。 目前气象站业务化运行的传感器主要为翻斗式降雨量传感器[14]，如图1 所示。

图1 翻斗式降雨量传感器实物图

翻斗式降雨量传感器主要有传感单元、测控单元以及电源模块等部分组成，如图2 所示。 其中传感单元主要包括承水器、上翻斗、汇集漏斗、计量翻斗、计数翻斗；测控单元主要包括采集器、记录器、数据处理。

图2 翻斗式降雨量传感器基本组成结构

1.2 翻斗式降雨量传感器的工作原理

雨水先通过承水器汇集，再经过汇集漏斗依次流入上翻斗和计量翻斗。 当计量翻斗内的雨水积满后便翻转一次，将雨水倒进计数翻斗。 计数翻斗每进行一次翻转，产生一个脉冲信号。 测控单元通过记录器对脉冲信号进行记录，再通过采集器对记录结果采集、数据处理，计算后得到分钟、小时、天降雨量及降雨强度，并存储、显示及输出数据。

1.3 翻斗式降雨量传感器故障

根据工程应用经验对故障及原因整理如下:

①传感器不计数:进水口堵住、翻斗被卡死、干簧管损坏、磁钢失效、电路板损坏和数据线断损等。②传感器少计数:翻斗部件底部不水平、翻斗破损、翻斗内有污垢。 ③传感器多计数:干簧管粘连、电磁干扰、数据线短路。 ④记录器故障:导线脱焊、继电器触点接触不良、电磁铁棘轮卡住、消火花电容或磁铁线圈短路、同步齿形带松紧不合适、笔架长槽不光滑、阻尼杆与阻尼管口不垂直。 ⑤采集器故障:主板损坏、电源板损坏、采集器连接电缆接触不良以及液晶屏线路接触不良。 ⑥阶梯记录线条的上升拖尾巴超过1mm 长度:履带轮内两弹簧弹性不平衡、履带变松。⑦无降水天气现象出现降水记录:雨量传感器固定松动、电缆接触不良、清洗雨量器故障。 ⑧通信故障:天线损坏以及线路接触不良。 ⑨无电压:稳压电源损坏、电源接插件接触不良。 ⑩电压低:干电池失效。

2 降雨量传感器故障诊断专家系统设计

2.1 系统组成与工作原理

专家系统具有启发性、透明性以及灵活性的优点，适用于复杂的故障原因分析[15-16]。 为此设计降雨量传感器故障诊断专家系统，主要由人机交互界面、知识库、推理机、解释器等部分组成。 其基本工作原理:①根据降雨量传感器所出现的故障征兆，用户利用人机交互界面，将传感器中有关的故障信息转化成事实，使之形成一个故障的事实库。 ②推理机根据与之相关的事实以及推理的策略，判断获取的事实是否和知识库的相关规则相匹配。 若是匹配，便激活该规则，将被激活的事实存到动态数据库。 ③利用解释器来执行被激活的规则，并形成故障诊断的执行结果。 ④执行结果经过人机交互界面将专家知识反馈给用户。 本文的降雨量传感器故障诊断专家系统结合了故障树理论与灰色关联分析法，利用故障树梳理出故障现象与故障原因之间的逻辑关系，再通过灰色关联分析法，分析出各个故障原因与最终故障现象之间的关联程度，推理机根据关联程度的大小依次推理，避免产生推理冗余。

2.2 知识获取

本故障诊断专家系统中的知识通过如下两种方式来获取。 ①通过工程经验整理、调研资料、文献研究中总结出相关的领域知识。 ②从降雨量传感器的结构图、电路图中分析获得故障的知识。

2.3 故障树建立与简化

2.3.1 故障树建立

故障树分析法(Fault Tree Analysis，FTA)是专家系统中进行故障快速识别的常用方法，具有逻辑清晰、层次鲜明等优点，可以清晰的分析出故障机理以及其发生的逻辑[17-18]。 将翻斗式降雨量传感器中故障事件作为顶事件，寻找出直接致使该事件发生的所有原因作为中间事件，其中包括软硬件因素、环境因素以及人为因素等等；接着再向下寻找导致该层中每一个中间事件发生的所有的直接原因，以此类推，直至寻找到导致事故发生的基本原因，基本原因即为故障树中的底事件。 最后利用逻辑图来表示出所有事件之间的逻辑关系。

根据上面所述的方法，建立降雨量传感器的故障树图。 其中降雨量传感器故障T 对应的各节点编号所对应的事件名称如表1 所示。

表1 事件名称

2.3.2 故障树简化

采用最小割集方法利用式(1)求解出降雨量传感器故障树的最小割集，从而得到简化的降雨量传感器故障树。

由上式得出最小割集为:

根据所求结果可知降雨量传感器故障树的最小割集为34 个。 简化后的故障树如图3 所示。

图3 降雨量传感器故障树图

2.4 灰色关联度获取

简化后的故障树并不能反映出每个故障原因与顶事件之间的关联程度，若推理机在推理时不按照一定的顺序而随机匹配故障原因，则会产生不必要的推理，浪费推理时间降低诊断效率。 通过灰色关联分析法并结合故障树理论可以直观的反映出各个故障原因产生的影响程度大小，推理机根据影响程度由大到小的顺序依次匹配降雨量传感器的故障原因，可有效的减少推理机的推理时间，提高效率。 灰色关联分析法的实质就是先确定一个参考数列(即待检测模式向量)，再计算出参考数列与比较数列(即特征矩阵)之间的灰色关联度的数值关系，根据灰色关联度的数值关系判断出故障原因对顶事件影响程度的大小[19]。

2.4.1 待检模式向量及特征矩阵

①待检模式向量

首先确定一个参考数列，即待检模式向量。 待检模式向量由n 个底事件的重要度构成。 其中，重要度是指某个故障原因对于整个系统发生故障所产生影响程度[19]。 关键重要度计算如下式所示。

于是，由n个底事件的关键重要度便可得到待检模式向量:

式中:yj(j＝1，2，…，n)为底事件相对应的关键重要度。 根据式(2)并结合该领域内专家及维修人员的工程经验总结统计，可得出各底事件的重要度如表2所示。

表2 关键重要度

根据表2 可得到降雨量传感器待检模式向量。

②特征矩阵

假设故障系统具有m个最小割集，其中每一个最小割集又能够由其包含的底事件所对应的特征参数组成一个特征向量，这m个特征向量便可构成特征矩阵。 令Xi(i＝1，2，……，m)表示最小割集，xj(j＝1，2，……，n)表示底事件，每一个将最小割集中所发生的底事件记作1，其余记为0，那么m个最小割集便能够形成一个标准的故障模式特征矩阵。

根据前文所分析的降雨量传感器的最小割集特点，即34 个最小割集对应34 个底事件，可知m＝34，n＝34，将最小割集中包含的底事件为1，其他取0，则根据式(4)求得特征向量如下所示。

2.4.2 关联度计算

①无量刚化处理

降雨量传感器故障诊断系统中各个数据的量纲不同，因此需要先对数据进行无量刚化处理，采用最大值化处理方法，其公式为:

因此，可得到:

②差序列的计算与两级最大差和两级最小差

差序列是指参考数列(待检模式向量)与比较数列(每个最小割集对应的特征向量)之间差值的大小，其中求得的最大值为两级最大差，最小值为两级最小差，公式分别为:

③灰色关联度

灰色关联度是表示两个不同灰色系统的相似性程度的指标，在范围[0，1]内变化。 先求出待检模式向量Z和特征向量X在k点处的关联系数δij(k)。利用平均值法对灰色关联度系数进行处理，得到灰色关联度δi。 公式如下:

式中:ρ是分辨系数，取值为0.5。

通过式(11)可以得出表3 所示的关联系数表。

表3 关联系数表

根据式(12)可求得每个底事件的关联度:

由此可以看出δ21即底事件B21电源板损坏对降雨量传感器故障影响最大。

2.5 知识库构建

利用产生式规则来表示出故障信息，从而构建知识库，采用SQL Server 2016 来设计数据库。

2.5.1 基于产生式规则的知识表示

将选取的知识转换成产生式规则的知识表示方法，如下式所示。

IF(P)(前提部分) THEN(Q)(结论部分)式中:P为产生式规则的前提，即降雨量传感器产生故障的原因。Q是产生式规则的后件，由前件引起的故障现象。 以故障树中A2 节点为例:

2.5.2 知识库建立

利用事实库存储故障树模型中的节点编号以及相应的事件名称，建立知识库的事实库，如表4 所示。 将产生式规则的条件以及结论部分分开成两个独立的表，分别存储相应的内容如表5 和表6 所示。

表4 事实库表(部分示例)

表5 条件库表(部分示例)

表6 结论表(部分示例)

规则存放在规则库表中，如表7 所示。 表中的规则号为自然编号，前提号与结论号为故障树相应的节点编号。

表7 规则库表(部分示例)

2.6 推理机设计

推理机是专家系统中最为核心的部分，它的工作原理就是根据目前已经知道的事实以及知识库中的知识，按照规定的推理策略开始推理，最后得到结果[20-22]。 结合降雨量传感器故障的特点，选用反向推理的方法进行推理机的设计。 在推理前，提出假设目标，根据该假设目标从知识库中调取规则来搜索出与之相对应的故障知识。 在推理时，按照条件库表中灰色关联度由高到低的顺序依此匹配故障原因。 推理流程如图4 所示。

图4 推理流程

3 试验验证

为了验证研制好的降雨量传感器故障诊断方法的准确性以及有效性，进行试验验证。 在试验中，将搜集多个气象站及传感器生产厂商的有关故障记录和维修历史数据(共344 次)，利用基于故障树理论与灰色关联分析法的降雨量传感器故障诊断方法进行诊断，所得到的结果如表8 所示。

表8 传感器故障诊断结果

从诊断结果表中看出，本文研制出的故障诊断方法可以准确诊断出降雨量传感器的故障，从而达到快速诊断的目的。 分析导致诊断产生错误的主要原因，可能有:知识库中所包含的知识不全面、某故障原因的数据与其他故障原因的数据十分接近从而导致匹配错误等。 而每种故障现象诊断的准确率不一致原因可能是因为不同的故障原因所包含的数据个数不同，有的故障原因包含的数据个数较多因而更能够被系统准确的识别。

4 结束语

本文提出了一种基于故障树理论与灰色关联分析法的降雨量传感器故障诊断新方法，利用故障树理论更加清晰鲜明的表示出多种类型的故障原因及故障现象之间的逻辑关系，再通过灰色关联分析法，解决了推理机产生不必要推理、浪费推理时间的问题，从而提高诊断效率。 经试验结果表明，所设计的故障诊断方法是切实可行的，使诊断方式由人工检测与排查转变为系统自动诊断，准确率均达到90%以上，实现了降水量传感器故障的快速准确诊断。 今后继续走访相关生产厂家及客户搜集数据资料，扩充专家库，进一步提高故障识别率。