《電子技術(shù)應用》
您所在的位置：首頁 > 嵌入式技术 > 设计应用 > 基于改进的证据更新工业过程故障诊断研究
基于改进的证据更新工业过程故障诊断研究
2019年电子技术应用第11期
朱玉华，曲萍萍
沈阳工业大学 化工过程自动化学院，辽宁 辽阳111003
摘要： 工业生产过程的故障成因颇为复杂，一种故障的故障特征可能有多种表现形式，而多种故障又有可能表现出一种故障特征。因此单模型、单因素的故障诊断方法已显其不足。提出了改进的证据更新的动态故障诊断算法，并结合人工智能方法应用到硝酸生产过程故障诊断系统中。该方法通过对模糊神经网络的描述来确定故障诊断的辨识框架，应用新型的模糊推理方法生成诊断证据，诊断证据再基于改进的证据更新规则来实现证据的动态更新，根据结果来进行故障决策，从而解决了故障模式多样性、故障诊断动态性以及故障特征不确定性的问题。经实例验证，该方法的应用可提高故障诊断确诊率。
中圖分類號： TP277
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.190536
中文引用格式： 朱玉華，曲萍萍. 基于改進的證據(jù)更新工業(yè)過程故障診斷研究[J].電子技術(shù)應用，2019，45(11)：87-90，95.
英文引用格式： Zhu Yuhua，Qu Pingping. Research on industrial process fault diagnosis based on improved evidence updating[J]. Application of Electronic Technique，2019，45(11)：87-90，95.
Research on industrial process fault diagnosis based on improved evidence updating
Zhu Yuhua，Qu Pingping
School of Chemical Process Automation，Shenyang University of Technology，Liaoyang 111003，China
Abstract： The causes of failures in industrial production processes are quite complex. The fault characteristics of a fault may be multiple, and multiple faults may exhibit the same fault characteristics. Therefore, the single-factor, single-model fault diagnosis method has been insufficient. This paper proposes an improved evidence-updated dynamic fault diagnosis algorithm, and combines it with the artificial intelligence method to apply to the industrial production process fault diagnosis system. The method determines the identification framework of fault diagnosis by describing the fuzzy neural network, applies the new fuzzy reasoning method to generate diagnostic evidence, and then based on the improved evidence update rule to realize the dynamic update of the diagnostic evidence before and after the acquisition, which will be updated dynamically. As a result, fault decision is made to solve the fault pattern diversity, fault diagnosis dynamics and uncertainty of fault characteristics. The example analysis proves that the method achieves the purpose of improving the diagnosis rate of fault diagnosis.
Key words : fault characteristics；fault diagnosis；diagnostic evidence；evidence update

0 引言

    工業(yè)生產(chǎn)過程運行中，由于設備或人為等因素常常會出現(xiàn)一些故障，會嚴重影響產(chǎn)品質(zhì)量甚至對人身安全造成危害。傳統(tǒng)的更新方法的缺點在于過度依賴于當前證據(jù)的作用，而忽略了歷史證據(jù)的作用。本文通過對原始證據(jù)更新規(guī)則進行改進，提出了改進的證據(jù)更新規(guī)則的動態(tài)故障診斷算法[1-5]，應用到硝酸生產(chǎn)裝置故障診斷系統(tǒng)中，確定自動生產(chǎn)裝置故障的辨識框架并生成診斷證據(jù)，診斷證據(jù)進行動態(tài)的實時更新，將更新融合后的證據(jù)進行故障決策[6]，并與目前廣泛使用的原始證據(jù)理論和原始單獨模糊推理進行分析對比，探討改進的證據(jù)更新規(guī)則的動態(tài)故障診斷算法的優(yōu)勢。本文利用證據(jù)更新，對歷史證據(jù)進行實時更正，從而得到更全面可靠的決策。該方法在智能性、實時性和精確性方面對工業(yè)生產(chǎn)裝置的故障診斷效果都得到了有效的提高。

1 故障分析

    以稀硝酸生產(chǎn)過程系統(tǒng)為例，稀硝酸生產(chǎn)過程系統(tǒng)非常復雜，通過對邏輯控制關系和系統(tǒng)分析得到7個已知故障和5個故障特征參數(shù)，從而進行故障特征參數(shù)和故障模式分析。稀硝酸生產(chǎn)過程系統(tǒng)故障特征參數(shù)及故障模式如表1所示。jsj1-b1.gif

    故障診斷數(shù)據(jù)是采集系統(tǒng)的氣氨流量值、氨空比值、工藝水流量值、入出口壓力值，按照故障模式對稀硝酸生產(chǎn)過程系統(tǒng)進行分析。共提取可檢測信號98項，根據(jù)提取的故障數(shù)據(jù)找出故障。

2 辨識框架的生成

jsj1-gs1.gif

jsj1-b2.gif

jsj1-gs2-4.gif

3 改進的診斷證據(jù)更新過程 

3.1 更新規(guī)則的建立

jsj1-gs5.gif

jsj1-gs6-7.gif

    改進的全部更新過程如圖1所示。

jsj1-t1.gif

    改進的證據(jù)更新規(guī)則具有實時性和證據(jù)的可信性，更新結(jié)果既與當前證據(jù)有關，也與歷史證據(jù)有關，利用當前證據(jù)來更新先前所獲取的故障診斷證據(jù)，完成了歷史證據(jù)與當前證據(jù)的信息整合，解決了模糊理論的缺陷問題，完全適用于動態(tài)的故障診斷情況。

3.2 故障決策 

    故障診斷的關鍵一步是故障決策[7-10]。首先需要Pignistic變換，是在更新后k+1時刻進行變換，故障決策是根據(jù)基本置信度轉(zhuǎn)換成Pignistic函數(shù)來進行的[11-16]。首先采集故障特征的在線監(jiān)測值x1，x2，…，xn，通過改進的證據(jù)更新規(guī)則來獲取更新后的診斷證據(jù)，再經(jīng)過Pignistic變換得出概率值。

    Pignistic概率函數(shù)為：

jsj1-gs8.gif

4 故障診斷實驗分析 

    動態(tài)故障診斷分析以生產(chǎn)稀硝酸為例，構(gòu)造出模糊規(guī)則總數(shù)為1 247個，生產(chǎn)稀硝酸的故障特征參數(shù)模糊語言集如下：

    U1=(A1，1，A1，2，A1，3，A1，4，A1，5，A1，6，A1，7)，j=7

    U2=(A2，1，A2，2，A2，3，A2，4，A2，5，A2，6，A2，7)，j=7

    U3=(A3，1，A3，2，A3，3，A3，4，A3，5，A3，6)，j=6

    U4=(A4，1，A4，2，A4，3，A4，4，A4，5，A4，6，A4，7，A4，8)，j=8

    U5=(A5，1，A5，2，A5，3，A5，4，A5，5，A5，6，A5，7，A5，8)，j=8

    通過采集稀硝酸生產(chǎn)過程系統(tǒng)故障特征參數(shù)的在線監(jiān)測值，分析并計算在新型模糊推理規(guī)則下故障特征參數(shù)的實時監(jiān)測值所屬的模糊語言的項置信度。利用0時刻的稀硝酸生產(chǎn)過程系統(tǒng)故障特征參數(shù)在線監(jiān)測值，確定一條前項模糊規(guī)則，再經(jīng)過新型模糊推理獲得此刻的故障診斷證據(jù)。稀硝酸生產(chǎn)過程系統(tǒng)故障特征參數(shù)的在線監(jiān)測值及被選中的語言項歸一化置信度如表3所示。

jsj1-b3.gif

    因為有5種故障特征參數(shù)，則共有32種組合，即JNR=32條規(guī)則，從而得到特征參數(shù)監(jiān)測值所選模糊規(guī)則前項如表4所示(部分數(shù)據(jù))。特征參數(shù)監(jiān)測值所選模糊規(guī)則后項如表5所示(部分數(shù)據(jù))。根據(jù)改進的證據(jù)更新規(guī)則得出Pignistic概率值和k=1時刻的診斷證據(jù)如表6和表7所示。

jsj1-b4.gif

jsj1-b5.gif

jsj1-b6.gif

jsj1-b7.gif

    最后根據(jù)故障決策準則做出故障診斷，在K=1時刻故障Y7發(fā)生，經(jīng)過實驗診斷分析結(jié)果與設定的故障模式一致。對診斷結(jié)果的進行對比分析，根據(jù)稀硝酸生產(chǎn)過程系統(tǒng)狀態(tài)值采樣給出900個采樣數(shù)據(jù)點，每個故障有100個采樣點經(jīng)過模糊神經(jīng)網(wǎng)絡訓練，根據(jù)稀硝酸生產(chǎn)過程系統(tǒng)的已知在線診斷獲得245個測試數(shù)據(jù)，經(jīng)過原始證據(jù)理論、模糊推理和改進型證據(jù)更新規(guī)則3種方法對比，測試結(jié)果如表8所示。

jsj1-b8.gif

    從故障診斷結(jié)果的對比分析可以看出，改進的證據(jù)更新規(guī)則在工業(yè)生產(chǎn)動態(tài)故障診斷領域中具有更好的應用優(yōu)勢，并發(fā)揮了重要作用。

5 結(jié)論

    本文提出的改進的證據(jù)更新規(guī)則的動態(tài)故障診斷算法在工業(yè)領域解決了動態(tài)的故障診斷的問題。新型的模糊推理和原始的模糊推理相比較，其推理結(jié)果更加精確，確保了證據(jù)更新的實時性，進而確保了診斷結(jié)果的實時性。通過檢測系統(tǒng)的實時運行狀態(tài)可以全面反映實際工況，給出各部件的維修建議，達到故障診斷的目的，體現(xiàn)了人工智能故障診斷在工業(yè)生產(chǎn)中的重要作用。利用證據(jù)更新對歷史證據(jù)進行實時更正，從而得到更全面可靠的決策，來提高產(chǎn)品質(zhì)量和經(jīng)濟效益，在人身安全方面也有了更好的保障。

參考文獻

[1] KULASEKERE E C，PREMARATNE K，DEWASURENDRA D A，et al.Conditioning and updating evidence[J].International Journal of Approximate Reasoning，2004，36(1)：75-108.

[2] DEMPSTER A P.Upper and lower probabilities induced by a multivalued mapping[J].The Annals of Mathematical Statistics，1967，38(2)：325-339.

[3] 宋曉靜.基于證據(jù)理論的工業(yè)報警器設計方法研究[D].杭州：杭州電子科技大學，2012.

[4] 史健.基于證據(jù)理論的動態(tài)融合方法研究[D].杭州：杭州電子科技大學，2012.

[5] 王玉成.沖突證據(jù)的相似性度量方法及其在信息融合故障診斷中的應用[D].杭州：杭州電子科技大學，2011.

[6] 張鎮(zhèn).基于證據(jù)推理與更新規(guī)則的動態(tài)融合方法及其應用研究[D].杭州：杭州電子科技大學，2016.

[7] 徐曉濱，張鎮(zhèn)，李世寶，等.基于診斷證據(jù)靜態(tài)融合與動態(tài)更新的故障診斷方法[J].自動化學報，2016，42(1)：107-108.

[8] 董煒，陳衛(wèi)征，徐曉濱，等.基于模糊區(qū)間優(yōu)化的模糊推理故障診斷方法[J].北京工業(yè)大學學報，2012，38(12)：1905-1912.

[9] 吳祎，周強，吳文軍，等.動態(tài)辨識框架下條件證據(jù)更新的故障檢測方法[J].計算機應用研究，2015，32(8)：2370-2373.

[10] 柳新軍，張東來，李安壽，等.基于BIT技術(shù)的PCU故障診斷和性能監(jiān)測系統(tǒng)[J].電子技術(shù)應用，2019，45(5)：34-37.

[11] 宋玉琴，朱紫娟，姬引飛.基于粗糙集優(yōu)化的信息融合故障診斷系統(tǒng)[J].電子技術(shù)應用，2015，41(8)：143-145，148.

[12] OUKHELLOU L，DEBIOLLES A，DENCEUX T，et al.Fault diagnosis in railway track circuits using dempster-shafer classifier fusion[J].Engineering Applications of Artificial Intelligence，2010，23(1)：116-123.

[13] ZHANG Q H，HU Q，SUN G X，et al.Concurrent fault diagnosis for rotating machinery based on vibration sensors[J].International Journal of Distributed Sensor Networks，2013，75(8)：93-102.

[14] UX B，ZHOU Z，WEN C L.Data fusion algorithm of fault diagnose considering sensor measurement uncertainty[J].International Journal on Smart Sensing and Intelligent Systems，2013，6(1)：170-190.

[15] WEN C L，XU X B，LI Z L.Research on unified description and extension of combination rules of evidence based on random set theory[J].Chinese Journal of Electronics，2008，17(2)：279-284.

[16] DUBOIS D，PRADE H.Updating with belief funcations, ordinal conditional functions and possibility measure[C].Proceedings of the 6th Annual Conference on Uncertainty in Artificial Intelligence，Cambridge，Amsterdam：Elsevier Science，1990：311-329.



作者信息:

朱玉華，曲萍萍

(沈陽工業(yè)大學 化工過程自動化學院，遼寧 遼陽111003)

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關內(nèi)容