活塞式氢气压缩机排气温度超限故障诊断方法*

韩宇恒,胡光忠,2*,夏 秋,王 平,2,3

(1.四川轻化工大学 机械工程学院,四川 宜宾 644000;2.过程装备与控制工程四川省高校重点实验室,四川 宜宾 644000; 3.攀枝花市先进制造重点实验室,四川 攀枝花 617000)

0 引 言

凭借其工作效率高、压力范围大等特点,活塞式氢气压缩机目前已被广泛应用于各大化工领域。由于氢气具有易燃、易爆等特性,故为保证设备运行的可靠性,活塞式氢气压缩机的排气温度不能超过135 ℃。

刘明洪[1]在对活塞式氢气压缩机排气温度超高的原因进行分析时指出,其排气温度受实际压比、气缸或级间冷却、进气温度等因素的影响。董绍平等人[2-3]采用了参数在线监测的方法监控压缩机工作状态,对活塞式氢气压缩机各级排气温度超限故障进行了诊断;但该方法要求现场工作人员有一定的活塞式氢气压缩机故障诊断经验,且未达到设备对故障的自诊断和故障发生概率预测的目的。

高木-关野(T-S)故障树分析法是传统故障树分析法[4]与模糊算法的结合,其不仅解决了系统故障多态性和事件联系不确定性的问题,同时引入了模糊数代替零部件故障程度或者模糊故障率,以对顶事件故障发生的概率进行预测[5]。但复杂T-S故障树模型对底事件的定量计算较为繁琐,故而学者引入贝叶斯网络(BN)以简化计算。李鹏等人[6]利用基于BN的T-S故障树分析法,对起重机变幅机构进行了可靠性分析,找到了其故障的薄弱环节。陈丽娜等人[7]同样利用该方法对注水管道进行了失效概率分析,发现内检测周期等腐蚀因素是导致管道失效的重要因素。郑来等人[8]将该方法应用于道路交通安全领域,找到了引起重大交通事故的关键原因。陈东宁等人[9-10]提出了基于BN的T-S故障树分析法,同时证明该方法不仅简化了T-S故障树分析法的计算,同时也可以用于对底事件可靠性分析和顶事件故障发生率进行预测;但对于活塞式氢气压缩机各级排气温度超限的故障诊断,目前针对该故障诊断的方式主要是状态监测,且该故障模型复杂,用传统故障二态性来描述输入事件和输出事件间的关系不够准确,致使学者对该故障的故障诊断研究有限;故有必要在考虑故障多态的情况下,对该故障模型进行重要度分析,确定薄弱环节,并对顶事件故障发生概率进行预测。

因此,笔者以某公司生产的DW-(5.6-13)/(0.2-0.5)-20型号的无油润滑变频活塞式氢气压缩机为研究对象,搭建各级排气温度超限故障的T-S故障树模型,利用基于BN的T-S故障树算法,对底事件进行重要度分析和顶事件故障概率预测;然后,在故障发生后,利用专家系统对故障原因进行匹配推理;最后,对活塞式氢气压缩机各级排气温度超限进行故障自诊断。

1 基于BN的T-S故障树分析法

1.1 模糊数

T-S故障树分析法引入模糊数来描述底事件故障状态的模糊故障概率,常用三角形、梯形等多种隶属度函数进行表征。

模糊数位于区间[0,1][5-10]上,常见的故障状态有无故障、中等故障、严重故障,分别用模糊数0、0.5、1来表示。

为不失一般性,笔者选择梯形隶属度函数作为模糊数的隶属度函数,如图1所示。

图1 模糊数隶属函数Fig.1 Fuzzy number membership function

图1中,模糊数x0的隶属度函数μ(x)的表达式如下:

(1)

式中:s1,s2为模糊区域;m1,m2为支撑半径。

1.2 T-S故障树分析法

T-S模糊模型由一些规则组成[11],规则由专家经验根据底事件故障程度的语言变量推理得到,用If-Then语句表达。

表1 T-S模糊门规则表

(2)

则输出事件发生的模糊可能性为:

(3)

若不知底事件故障概率,而用[0,1]内的模糊数表示底事件x1,x2,…,xn故障程度的模糊故障概率,则表达式如下[10]32:

(4)

(5)

1.3 T-S故障树向BN的转换

BN是一种有向无环图,由节点随机变量和代表节点关系的向量构成,其层次关系图与故障树相似,是一种有利于对不确定知识的表达和推理的概率图模型。

T-S故障树向BN进行转换的方式,如图2所示[9]900。

图2 T-S故障树向BN转换Fig.2 Transition from T-S fault tree analysis to Bayesian network

由图2可知:在转换过程中,T-S故障树的顶事件、中间事件、T-S门、基本事件分别向BN的叶节点、中间节点、有向边和根节点转换;然后,将T-S门规则写入条件概率,并将对应的先验概率写入根节点中,形成相应的BN。

根据T-S故障树重要度算法[12-13],笔者给出基于BN的T-S故障树的概率重要度和关键重要度的计算公式[10]77。

概率重要度计算公式如下:

(6)

基本事件xn对顶事件T的故障状态为Tq的T-S故障树概率重要度为:

(7)

式中:kn为xn所有故障状态个数。

关键重要度算法如下:

(8)

因此,基本事件xn对顶事件T故障状态为Tq的T-S故障树关键重要度为:

(9)

式中:kn为xn所有故障状态个数。

2 活塞式氢气压缩机各级排气温度超限故障 诊断系统设计

2.1 T-S故障树搭建

DW-(5.6-13)/(0.2-0.5)-20型号的氢气压缩机的结构简图如图3所示。

图3 DW-(5.6-13)/(0.2-0.5)-20型号氢气压缩机结构简图Fig.3 Structural diagram of DW-(5.6-13)/(0.2-0.5)-20 hydrogen compressor)

由图3可知:该型号压缩机含有四级压缩,故为减少篇幅,笔者以一级排气温度超限故障为例进行展示。

笔者根据专家经验以及设备结构,对一级排气温度超限进行T-S模糊故障树搭建,如图4所示。

图4 一级排气温度超高T-S故障树Fig.4 T-S fault tree analysis of ultra high exhaust temperature of the first stage

由图4可知:引起一级排气温度超限的因素有很多。T1为一级排气温度超高;E1为缸内气体受热高;E2为一级排气压力增大;E3为气缸过热;E4为一二级气缸冷却不完善;X1为一级进气阀故障;X2为二级活塞环损坏;X3为三级活塞环损坏;X4为一级活塞环摩擦严重;X5为水泵故障;X6为一二级气缸水路结垢堵塞;X7为一二级气缸水路冷却水泄露;X8为一二级气液分离器堵塞;X9为二级进气阀故障;X10为滤网堵塞;T-S门1至T-S门5为对输入事件与输出事件的连接。

2.2 T-S门规则建立

笔者以图4中的T-S门5和T-S门1为例进行展示,则T-S门4的规则如表2所示。

表2 T-S门4的规则

T-S门1的规则如表3所示。

表3 T-S门1的规则

表2和表3根据以下3点确定T-S门规则:

1)专家的工作经验;2)设备的历史数据;3)在多状态系统中,对与门和或门的输入输出表示方法的定义[14-15]。

2.3 底事件故障率获得

笔者采用专家调查法获得底事件故障率,根据调查人员的工作年限、工作岗位设定相应的比列权重,对调查得到的数据做线性加权处理如下[12]96:

(10)

具体权重分配如表4所示。

表4 调查人员权重设置

表4中,笔者根据不同的工作岗位和平均工作年限来分配权重系数。

笔者对同种调查结果取均值计算,代入式(9)可得到一级排气温度超限故障树的底事件的故障率。

笔者假设底事件故障状态不为0时的故障率相同,如表5所示。

表5 底事件故障率

表5中,各级气阀和活塞环的故障率相对较高,其他零部件故障率相对较低,与实际生产中气阀和活塞环为易损件的事实相符合。

2.4 基于故障树的专家系统搭建

专家系统是根据行业内的专业人士提供的知识经验来模拟专家决策过程,并对复杂问题进行推理和解释的一种计算机软件系统[16-17]。其能够很好地解决需要用不确定或不完全信息来描述的模糊问题[18]。运用专家系统对多源数据进行分析[19],便可找到造成当前故障的所有可能的原因[20]。

专家系统由CLIPS软件进行设计,其包括知识库、推理机、知识获取系统和输入输出系统[21]。

知识库是用来储存专家知识和已知规则的。其中,常用产生式规则表示如下:

If…Then…

(11)

知识的表达采用框架的模式,将知识定义为一个类,利用自定义模板和槽值(slot)对知识中的属性进行定义和约束,从而搭建知识库。

推理机由一条条规则组成,其根据事实对规则进行匹配,若规则前件部分匹配成功,则会执行规则的后件,后件执行结果会加入议程中,进行下一步推理。

活塞式压缩机排气温度计算公式如下:

(12)

因此,根据公司专家经验和历史数据,笔者讨论整理出该型号活塞式氢气压缩机各级排气温度超限的专家规则,并对一级排气温度超限的故障诊断专家规则进行展示,如表6所示。

表6中展示了基于专家经验的用于诊断一级排气温度超限的专家规则。其对应的判断标准为该压缩机工作时的报警值和停机值值域,如表7所示。

表7中,所有参数来源于该设备的设计标准。

在CLIPS软件中,根据T-S故障树和底事件关键重要度大小顺序[21],笔者搭建了基于多叉树的推理模型。该模型利用CLIPS软件产生式规则的正向链推理方式及其独特的Rete模式匹配算法,在顶事件发生后,将监测到的故障参数传入专家系统中。专家系统会按照知识库中对应的规则进行比较推理,得到发生故障的具体零部件[22]。

3 实例分析

3.1 底事件重要度计算分析

笔者利用MATLAB对基于BN的T-S故障树算法进行编程,在工作表1中将每个T-S模糊门的规则都写入独立的Excel表中,在工作表2中写入该T-S模糊门输入事件的故障率,并由顶向下进行计算,对各级排气温度超限的T-S故障树底事件进行重要度分析。

笔者以一级排气温度超限故障为例进行展示,其BN如图5所示。

图5 模糊故障树转换成BNFig.5 Fuzzy fault tree analysis converted to BN

图5中,一级排气温度超限的T-S故障树转换成了对应BN的结果。

然后,笔者把专家调查法获得的底事件概率代入所编写的MATLAB程序中,计算得到:P(T1=0.5)=0.000 492 1,P(T1=1)=0.000 749 0。

根据式(6)和式(7),可得底事件不同状态引起顶事件不同状态的概率重要度如表8示。

表8 底事件概率重要度

表8中,顶事件T1故障状态为0.5时,底事件概率重要度排序为:

X2≥X3≥X10≥X1≥X8≥X9≥X7≥X6≥X5≥X7。

顶事件T1故障状态为1时,底事件概率重要度排序为:

X2≥X3≥X10≥X1≥X8≥X9≥X7≥X6≥X5≥X7。

这说明引起一级排气温度超限的薄弱环节为X2(二级活塞环损坏)、X1(一级进气阀)、X3(三级活塞环损坏)、X9(二级进气阀故障)、X8(一二级气液分离器堵塞)以及X10(滤网堵塞),因此应对相关零部件进行定期检查或者更换保养[23-24]。

根据式(7)和式(8),笔者计算关键重要度结果如表9所示。

表9 底事件关键重要度

表9中,顶事件T1故障状态为0.5时,底事件关键重要度排序为:

X3≥X2≥X1≥X9≥X10≥X8≥X4≥X5≥X6≥X7。

顶事件T1故障状态为1时,底事件关键重要度排序为:

X3≥X9≥X1≥X2≥X10≥X8≥X4≥X5≥X6≥X7。

这说明在出现一级排气温度超限时,可根据底事件关键重要度的排序来确定故障零部件诊断的顺序。

3.2 顶事件故障概率预测

以一级排气温度超限T-S故障树为例,设各个零部件的故障程度为:X1=0.1,X2=0.12,X3=0.24,X4=0.1,X5=0.1,X6=0,X7=0.2,X8=0.06,X9=0.18,X10=0。

笔者计算可得每个基本事件对应不同故障状态的隶属度,如表10所示。

表10 基本事件对应不同故障状态的隶属度

表10中,各个数据表示不同故障程度的底事件对应的隶属度。

笔者计算可得中间事件和顶事件各个故障状态预测的模糊故障率,如表11所示。

表11 事件发生的模糊故障率

由表11可知:就算是基本事件发生轻微故障,也有可能会导致顶事件的故障发生。

3.3 故障诊断专家系统应用

现场试车时,笔者选择压缩系数与氢气相差不大的空气为压缩对象,以各参数停机值作为界限,来保证各管道、阀门等零部件在极端条件下的可靠性。

以四级排气温度超限为例,现有首次试车时的试车数据记录,如表12所示。

表12 首次试车记录

表12中,笔者展示了部分用于诊断压缩机排气温度超限的参数,并省略了一部分正常参数。

从表12可知:四级排气温度超过了氢气压缩机排气温度的上限(135 ℃),因此,需对其进行故障诊断。

笔者将故障数据输入专家系统中进行故障诊断,其推理结果如图6所示。

现场人员按照图6诊断结果进行停机排查,发现三四级级间冷却器冷却水阀门未完全打开。

故障处理完毕后,笔者得到新的试车数据如表13所示。

由表13可知:将三四级级间冷却器冷却水阀门完全开启后,四级排气温度超限的故障现象消失了,说明此次故障诊断正确。

图6 试车数据诊断结果Fig.6 Diagnosis results of test run data

表13 后续试车记录

4 结束语

笔者对某公司生产的DW-(5.6-13)/(0.2-0.5)-20型无油润滑变频活塞式氢气压缩机一级排气温度超限的故障进行了相关零部件重要度分析和故障自诊断系统的设计。

研究结果表明:

1)搭建了该故障的T-S故障树模型,利用基于BN的T-S故障树分析法对底事件进行了概率重要度和关键重要度分析,确定了引起一级排气温度超限的薄弱环节和故障诊断顺序;

2)利用模糊数表征了一级排气温度超限T-S故障树底事件的故障状态,计算得到了一级排气温度超限故障发生的预测概率;

3)利用CLIPS设计基于规则的故障诊断专家系统,将某次试车时的故障数据输入系统中进行了分析,得到了引起此次故障的原因,且该原因与事实相符,达到了设备对故障的自诊断目的。

笔者将继续研究专家系统知识获取方式,把神经网络、数字孪生技术等具备学习、预测能力的先进技术,与专家系统进行结合开发,达到自主获取专家系统知识的目的。