专家优化FTA-PNN的故障诊断方法*

周元高

（湖南省洞口县龙江种蓄场，湖南 邵阳 422317）

0 引言

随着区块链等高新技术的日益发展，在智能装备或制造等领域将提供全新的状态监控、可信数据传输、质量全过程追溯等解决方案，为用户带来崭新的价值体验。以市场为导向的维修管理既受控于市场又服务于市场，因此更注重维修有效性与单位成本间的关系。提升设备的可靠性和利用率，合理平衡维修成本与经济效益间的关系，提高人员工作效率等成为维修管理人员亟需解决的问题。现代装备由于其精密程度高，故障发生的原因复杂、多样，为满足设备故障诊断的可靠性、智能化水平等日益增长的需求，人们开始研究各种诊断方法。故障树（FTA）根据顶上事件逐一分析各节点关系，确定最小割集和最小径集，但对于复杂的多层故障树推理较慢；基于贝叶斯网络的原因推理［1-3］，智能化程度高、准确性好，但对已知概率准确性要求较高，实际应用中效果不太理想；概率神经网络在雷达目标识别和故障诊断及病情分析等领域取得满意的成果。但在故障诊断领域应用时需要获取大量经处理的系统参数，存在局限性[4-5]。

随着社会日益精细化程度的提高，高端装备故障复杂、排查成本高等问题凸显。传统方法难以奏效，设备高效稳定运行难以得到保障。因此，在错综多变的环境下研究复杂系统故障原因，从中剥离扰动信息并进行快速分析与准确定位意义重大。针对目前状况，本文根据现场实践，在前辈的研究基础上提出了专家优化FTAPNN的故障诊断方法。该方法弥补单一故障诊断法的局限性，具有快速收敛、准确率高、训练容易等优点，最后通过实例验证了该方法的优越性，为维修管理人员精准判断提供决策支持。

1 专家优化的FTA

1961年美国贝尔电话研究所Watson和Mearns提出应用于分析民兵导弹发射控制系统的故障树分析Fault Tree Analysis，简称FTA，它是一种利用事故树对事故进行预测的方法，按照演绎的原理对事故进行定性和定量的分析，也是安全系统工程中最重要的分析方法之一。定性分析包括最小割（径）集的求取和重要度分析，最小割集是顶上事件发生的最低限度基本事件的集合，最小径集是顶上事件发生所必须的最低限度的基本事件的集合。通过分析其运行机理，结合大量故障参数调查分析，找出故障可能的原因，形成因果链，用演绎法构造故障树，即以该故障作为顶上事件，从上而下逐级分析［6-7］，故障模式类型作为中间事件，原因作为底事件。专家对FTA的优化主要是根据经验排除不可能或极小概率事件，理论逻辑优化主要考虑以下方面：（1）最小割集表示系统的危险性应减少其数量；（2）最小径集表示系统的安全性，尽可能增加其数量，最小径集越多，系统就越安全；（3）对基本事件少的最小割集采取增加基本事件的措施，以降低事故发生的概率；（4）利用最小径集选择最佳方案：依次消除包含基本事情小的最小径集，根据客观条件和经济因素，选择最有效、经济的方案；（5）若顶上事件的概率值超过可接受值，则应采取改进措施。

2 PNN故障诊断

1989年D F Specht博士提出的概率神经网络probabilistic neural network，简称PNN，实践中部分未知状态分类难以确定，在不完全信息下，使用单一故障树分析法很难得到较准确的诊断结果，传统的多层前向网络用BP算法进行反向误差计算，而概率神经网络（PNN）是一种向前的过程，根据运行状态构造模式识别类器来检测特征数据，经过专家改进后的故障树建立故障征兆与模式间的隶属矩阵，将数组样本映射到故障模式，相比单一故障树而言更有效降低误判率，拥有训练时间短、不易产生局部最优解，分类准确率较高等特点[8-10]。

本文采用基于贝叶斯决策理论的PNN是由径向基函数发展而来的一种前馈型神经网络，采用Parzen窗函数密度方法估计条件概率，调整散布常数Spread的值构成对少数训练样本的临近分类器，构建输入层、模式层、求和层、输出层4层PNN适合于模式分类［11-13］，样本数据训练成一个容错和自适应能力较强的诊断网络，实现从多个故障源中剥离出扰动信息，从而准确定位故障发生的根本原因。

3 专家优化FTA-PNN的故障诊断

专家优化FTA-PNN的故障诊断方法是经专家优化后的FTA和PNN网络组合的一种创新方法，是组织和技术制约的各要素系统性协同，该方法在故障诊断时，提取状态的特征信息，系统自动匹配到经专家优化过的故障树如图1所示，结合已建立的故障树知识规则和定义的状态模式类别，输入到训练好的专家优化FTA-PNN，诊断网络根据模式分类规则进行分类推理，最后映射到对应类别故障树分支的底事件集合，提取发生概率最大的底事件作为结果输出。具体表示为：故障树的优化——提取运行参数数据特征信息——映射到网络——输出最可能诊断结果。该方法适用于在线检测，无需大量样本积累，易于实现。随着故障知识的逐渐积累，通过网络扩张学习，可逐渐提高故障诊断的精确度，但在根据当前的运行状态预测，使其始终保持最佳运行状态尚需进一步研究，该方法可有效提高故障诊断精度和速度。

图1 专家优化的FTA

4 算例与结果分析

专家优化FTA-PNN的故障诊断方法在实践中的应用，本文以某单位大型射出机开模故障为例，故障影响因素主要包括：液流速、电机转速、油温、高速、中速、低速。根据实际经专家优化过的FTA如图1所示，然后通过历史资料获取相关参数，训练经专家优化FTA-PNN网络，最终确定故障树的最可能的底事件。通过表1所示的测试样本可验证网络的优越性。PNN诊断出的故障模式类别与期望类别效果对比，如图2所示，*符号表示期望类别，△符号表示诊断算法推理得到的估值。由PNN诊断结果可知，10组测试样本经过PNN诊断后，只有第3和第7组样本故障类型诊断错误，但随着故障先验知识的积累，训练样本数量不断增加，PNN神经元的不断扩展，网络性能得到优化，故障诊断准确度将不断提高。

表1 测试样本数据

图2 专家优化FTA-PNN的故障诊断比对

5 结束语

由于目前单一的故障类型诊断方法不能适应复杂的现代设备维修管理，本文提出专家优化FTA-PNN的故障诊断方法，是经专家优化后的FTA和PNN网络组合的一种创新方法，该方法将采集的特征数据作为网络的输入，进而根据优化方法及决策规则对特征数据进行分类诊断。该方法在故障诊断过程中最大程度地利用已知故障经验知识，对多故障模式状态进行定性诊断。采用专家优化故障树FTA及基于贝叶斯准则的概率神经网络PNN构建射出机开模故障类型诊断模型，从大量错综复杂的故障源中剥离出扰动信息，从而达到快速定位的目的。避免使用单一方法对复杂故障诊断的缺陷，案例验证了研究方法的可行性。随着故障先验知识的积累，故障样本的逐渐增多，PNN的神经元不断扩展，网络性能得到加强，故障诊断准确度将不断提高。因此，该方法是一种有效的故障诊断方法，具有良好的应用前景。