基于参数学习的燃气调压器故障诊断网络优化

1 概述

随着我国城镇燃气行业持续快速发展，政府、社会对燃气输配系统的安全运营、用户体验、节能环保提出了更高的要求

。

燃气调压器运行故障直接影响到下游供气压力的稳定，轻则引起供气压力异常导致工业用户产品报废、民用燃气设备运行故障，重则引起停止供气或超压放散，停气检修后的恢复供气过程也可能产生燃气泄漏、火灾或爆炸事故

。

合格的全科医生需要为服务对象提供综合的，连续的，个性化的预防保健和健康维护。全科医学是独立于临床二级学科，并不是简单的临床各专科的整合[7]。在全科医生规范化培训教学中，要树立以预防为导向的诊疗理念以及“以患者为中心”的全科医学理念。把医疗服务、卫生服务、健康服务与人文关怀有机结合成一个整体。

例题：（2018年广州二测理科综合第29题）研究者用磷酸化酶（混合酶）、单糖、淀粉和不同pH缓冲液组成不同反应体系，并测定了各反应体系中淀粉含量的变化（实验中pH对淀粉含量没有直接影响），结果见表1。随后，测定了水稻开花后至成熟期间，水稻籽粒中淀粉含量和磷酸化酶相对活性的变化，结果见图1，回答下列问题：

对能源和项目的监测审计是企业实现节能科学管理的重要举措，中国海油全面开展了能源统计分析、节能监测、能源审计和固定资产项目的能评工作，并建立节能管理信息平台。

具体教学内容在设置时是这样的：将内容分成五个典型教学项目，每个项目包含若干典型工作任务，每个任务有具体的单片机应用系统案例构成。使学生在练习专业技能的过程中加强了对专业理论知识的掌握，培养了学生综合能力。课程具体设计如下：

2 建立贝叶斯网络故障诊断拓扑模型

② M步最大化期望计划

2.1 获取统计概率及条件概率

在诊断网络中，子节点表示顶层故障，即故障表征；父节点表示底层故障，即故障原因。高中压调压器贝叶斯网络模型故障节点类型及名称见表1。本文中的

，

，

，

，

，…，

为复用变量，表示事件也表示随机变量。

高中压调压器的故障诊断、检查、保养、维护管理等对于排除潜在的安全隐患具有重大意义。由于高中压燃气调压器结构复杂、与管网相互影响、缺少已有故障案例

，本文利用专家先验知识，建立高中压燃气调压器贝叶斯网络模型。在该模型基础上，应用最大期望EM参数学习的方法优化，最终得到更合理的检修顺序，并与实际案例进行比较验证。

机场航空业务以及非航空业务的收费项目在管理上需要采用不同的管理方式，一般对于航空性的业务在收费的过程中都是严格按照政府的指导价进行收费的，而非航空性业务则主要是根据市场的调节价进行收费。通过本次对机场收费项目以及具体收费的调整，二、三类的机场收费仍然需要以政府的指导价格为标准，这种收费方式和管理方式更加科学合理。对于需要通过市场调节进行收费的项目，一般都具有较强的市场性特征，在作业成本法的实施中具有可进行对比的市场标杆，对机场作业绩效的分析具有积极的作用，而且能够有效控制作业的成本。

为保障安全，会对燃气调压器进行及时检修及更换，现有故障案例样本较少。因此请具有资质的燃气专家对调压器故障表征问题进行问卷填写，根据问卷结果，统计在不同故障表征发生的条件下故障原因发生的统计概率(以下简称统计概率)，见图1。

在出口压力过高发生条件下各故障原因发生的计算概率、统计概率、概率变化见图3。

2.2 搭建贝叶斯网络

根据以上所有先验信息，得到映射关系，建立贝叶斯网络拓扑结构，高中压燃气调压器故障贝叶斯网络拓扑结构见图2。

根据以上统计概率、条件概率及映射关系，运用MATLAB平台搭建高中压燃气调压器贝叶斯网络故障诊断结构，此为原贝叶斯网络故障诊断拓扑模型，将用于优化，以及后续生成若干组贝叶斯网络训练数据。

3 应用最大期望EM算法进行参数学习

故障诊断的关键是精准的贝叶斯网络建模，原贝叶斯网络的节点条件概率基于专家经验的赋值得到，存在一定主观性。所以需要利用故障案例训练数据集进行参数学习，对原贝叶斯网络模型进行修正，弥补依赖专家知识建模的不足

。

贝叶斯网络的参数学习是指确定网络结构后，通过合适的参数学习方法，利用训练数据集对节点间的概率依存关系进行训练，调整更新贝叶斯网络内在关系的节点条件概率

。

3.1 训练数据集的构成

通过某燃气公司次高压调压站及高压调压站的检修台账统计数据得到若干组训练数据，通过原贝叶斯网络训练也可得到若干组训练数据，对这些数据进行筛选和预处理，得到1 000组训练数据，构成训练数据集。每组数据包含13个随机变量，即4个故障表征随机变量和9个故障原因随机变量，1表示发生，0表示不发生。将训练数据集输入EM算法进行参数学习。

3.2 最大期望EM算法

具体方式为：输入原贝叶斯网络模型，基于参数学习方法，利用训练数据集，通过EM算法更新优化每个网络节点的条件概率，得到优化后贝叶斯网络，并输出更为准确的计算概率。

由于燃气调压器故障诊断具有重大安全意义，并且现实条件中，贝叶斯网络参数学习所需要的数据集很大可能会存在不同程度的数据缺失，为了学习结果的精确性，本文采用具有迭代优化思想的最大期望EM算法。

通过不断迭代上述2个步骤，进行参数的更新优化，最终得到更为准确的贝叶斯网络模型。

从当前节点条件概率到下一代节点条件概率的计算步骤如下。

① E步期望计算

通过概率分布函数，求出对数似然函数的期望值，数学表达式见文献[6]。

贝叶斯网络结构学习即利用样本数据和先验信息，找到与样本数据匹配程度最高的贝叶斯网络拓扑结构。再依靠领域专家对研究对象的整体把握，得出各因素之间的相互作用关系，统计先验信息，得到调压器出现不同故障表征时，对应发生故障原因的统计概率，以下简称统计概率。搭建贝叶斯网络，结合该网路，得出调压器出现不同故障表征时，对应发生故障原因的计算概率，以下简称计算概率。

修改概率分布函数取值，使对数似然函数达到最大值的期望存在。这里使用最大似然估计，数学表达式见文献[6]。

EM算法整体是求解收敛到局部最优参数的过程，主要思想是先以某种方式初始化局部最优参数，再通过期望计算和最大化期望值两步迭代来不断地修正直到收敛

。具体应用为：EM算法输入为贝叶斯网络、训练数据集、收敛阈值；首先通过E步期望计算，然后通过M步最大化期望计划，再进行不断迭代优化的步骤；最终输出为更新贝叶斯网络节点条件概率。

在MATLAB平台中可通过调用最大期望和最大似然估计函数，完成整个参数学习的建立、求解和优化。寻优过程中，将整个贝叶斯网络所构建的条件概率(表2～5)代入EM算法中，进行不断迭代，寻找最优解

。

按照P=95%年径流量及地表Ⅲ类水质标准计算其纳污容量：COD为1 620万t；NH3_N为81万t；TP为16.2万t。

3.3 全局联合树推理

为了提高运算速度，使EM算法能够有效应用，需要利用推理引擎机制，用来完成整个贝叶斯参数学习模型转换、细化和求解。在EM算法参数学习基础上，贝叶斯网络调用全局联合树推理引擎(global_joint_inf_engine)

。 其中转换和细化是将贝叶斯网络转换成一个次结构联合树，通过定义在联合树上的消息传递过程，进行概率计算。消息传递法使得消息可以依次传遍联合树的所有子节点和父节点，并使联合树满足全局一致性。

4 结果分析

通过统计概率结合优化后的条件概率，计算得出在故障表征发生条件下各故障原因发生的计算概率(以下简称计算概率)，计算概率由大到小排序，作为故障节点定位顺序。通过概率变化(统计概率与计算概率差值的绝对值)分析计算概率的准确性。

① 出口压力过高故障

结合专家经验，对调压器故障原因发生或不发生的条件下，故障表征发生的可能性进行赋值，填写在问卷中，根据问卷结果，得出在各故障原因发生或不发生的条件下故障表征发生的条件概率(以下简称条件概率)，见表2～5。表中

～

为中间参数，1表示发生，0表示不发生。条件概率用以表示贝叶斯网络中各节点的相关程度，以下表格包含了每个节点与其他节点之间存在依赖关系的所有条件概率

。

由计算概率可得，最有可能引发出口压力过高故障的原因是气质杂质冲击阀芯造成阀口处泄漏。并确定故障节点定位顺序为

→

→

，即当调压器发生出口压力过高故障时，检修人员应按照气质杂质冲击阀芯造成阀口处泄漏→密封件破损老化→指挥器故障顺序进行检修。

② 出口压力过低故障

在出口压力过低发生条件下各故障原因发生的计算概率、统计概率、概率变化见图4。

由计算概率可得，最有可能引发出口压力过低故障的原因是指挥器故障。确定故障节点定位顺序为

→

→

→

，即当调压器发生出口压力过低故障时，检修人员应按照指挥器故障→阀筒壁气蚀损伤→皮膜破损→调压站进口段的过滤器发生堵塞顺序进行检修。

③ 喘振故障

在喘振发生条件下各故障原因发生的计算概率、统计概率、概率变化见图5。

由计算概率可得，最有可能引发喘振故障的原因是指挥器故障。并确定故障节点定位顺序为

→

→

，即当调压器发生喘振故障时，检修人员应按照指挥器故障→法兰盘螺栓螺母松动→信号管安装故障顺序进行检修。

今后，随着技术的发展，在谐波源处设置谐波与无功的综合治理设备，可使得治理措施更具目标性和针对性，保证地铁电网的可靠性，确保地铁的安全运行。

④ 关闭不严故障

当前，郑州市正在全面建设创新型、服务型、国际化、现代化大都市和都市型现代农业，打造中原经济区核心增长区，努力发挥在中原经济区建设中的龙头作用、重心作用和示范带头作用，这对郑州市农田水利现代化建设提出了新的更高要求，也是郑州市农田水利自身向更高水准、更新阶段发展的需要。

在关闭不严发生条件下各故障原因发生的计算概率、统计概率、概率变化见图6。

传统清蒸稻壳的方法，不经除杂处理，土、砂、稻草、麻绳头、玻璃绳等大小杂质还在其中，而经过除杂再清蒸的清洁化稻壳中这些杂质除掉了90%以上，肉眼观察没有可见杂质，稻壳的蓬松度也增大。

由计算概率可得，最有可能引发关闭不严故障的原因是阀口或者阀筒磨损。并确定故障节点定位顺序为

→

，即当调压器发生关闭不严故障时，检修人员应按照阀口或者阀筒磨损→指挥器故障顺序进行检修。

后面集中出示药材名称，引导学生去读文了解药性和作用，从而把“在古寺里做了什么”这个问题很好地解决了。这样，文章的主要脉络在组块出现的词语中慢慢显露出来了。

⑤ 小结

概率变化总体在30%以内，说明概率变化在可控范围内，同时也说明计算概率的准确度高。

5 结果验证

为验证参数学习优化的概率分布准确性，选取某燃气公司多个次高压站及高压站的检修统计台账与检测报告单。主要检修内容包括：法兰水线、信号管接头、弹簧检查、阀筒检查、进出口端耐磨环及密封圈、筒壁气蚀刮痕等；主要控制数据包括：入口压力、出口压力、调节阀开度、流量记录等。

总结多个次高压调压站及高压调压站调压器检修维护台账记录及历史故障拆解检测记录，结合构建的贝叶斯网络拓扑结构，进行调压器故障表征归类及故障原因统计，见表6。

由表6可以看出，实际案例故障统计与计算概率总体一致，反映了参数学习优化贝叶斯网络的正确性。

6 结论及展望

① 当调压器发生出口压力过高故障时，检修人员应按照气质杂质冲击阀芯造成阀口处泄漏→密封件破损老化→指挥器故障顺序进行检修。

② 当调压器发生出口压力过低故障时，检修人员应按照指挥器故障→阀筒壁气蚀损伤→皮膜破损→调压站进口段的过滤器发生堵塞顺序进行检修。

总之，在综合实践教学中，只要预防和究其原因进行解决，学生就能够成功并成长，教师也能因此获得经验并促进教学的发展。

③ 当调压器发生喘振故障时，检修人员应按照指挥器故障→法兰盘螺栓螺母松动→信号管安装故障顺序进行检修。

苏长河赶紧穿上牛头短裤，想进屋问问柳红发生什么事了，但他还是没敢走进去。他搬了长条凳和竹榻，在院子里将竹榻架好；然后又搬了竹椅子和小脚凳，放在竹榻边；小脚凳上放了他的“大前门”香烟和火柴，还有一把大茶壶——苏石从城里买来送给他的。热水瓶放在小脚凳旁边。他坐下来，抽上一根烟，就像往常一样静静地坐在自家院子里乘凉。与往日不同的是，他竖起耳朵，全神贯注地捕捉着屋里的动静。

④ 当调压器发生关闭不严故障时，检修人员应按照阀口或者阀筒磨损→指挥器故障顺序进行检修。

⑤ 由于贝叶斯网络模型的强大学习能力，且不依赖于数据完备性，所以输入训练数据集，并采用EM算法进行参数学习后，可以对原模型进行较为准确的调整和优化。参数学习既规避了无条件相信专家知识的片面性，也很好地给未来不需要固定网络结构和条件概率的模型自学习打下基础，对于缺少故障案例的高中压燃气调压器故障诊断具有实用意义。

[1] 潘继平，杨丽丽，王陆新，等. 新形势下中国天然气资源发展战略思考[J]. 国际石油经济,2017(6): 12-18.

[2] 傅娟. 燃气管道在线焊接条件及热工特性模拟(硕士学位论文)[D]. 哈尔滨:哈尔滨工业大学,2011:5-10.

[3] 李琪，郝学军. ARIMA模型在燃气调压器故障诊断的应用[J]. 煤气与热力, 2019(10)：B07-B12.

[4] 张慧莹，宁媛，邵晓非. 机器学习中的贝叶斯网络及其推理分析[J]. 现代机械,2012(2):91-94.

[5] PEARL J. Fusion，propagation，and structuring in belief networks[J]. Artificial Intelligence,1986(3):241-288.

[6] 雷江南. 贝叶斯网络参数学习算法研究与实现(硕士学位论文)[D]. 西安:西安电子科技大学,2018:23-29.

[7] 张连文，郭海鹏. 贝叶斯网引论[M]. 北京:科学出版社,2006:17-39.

[8] 裴迪. 基于贝叶斯网络的货车空气制动系统故障诊断研究(硕士学位论文)[D]. 北京:北京交通大学,2018:42-59.