基于概率因果模型的核動(dòng)力系統(tǒng)故障診斷

左紹義 廖磊 蔡琦 袁燦

摘 要：提出了一種將智能優(yōu)化算法融入概率因果模型中實(shí)現(xiàn)核動(dòng)力系統(tǒng)故障診斷的方法。根據(jù)概率因果模型，將一個(gè)核動(dòng)力系統(tǒng)的故障診斷問(wèn)題轉(zhuǎn)化為尋優(yōu)問(wèn)題，然后將概率因果模型的極大似然估計(jì)作為入侵性野草算法的尋優(yōu)條件，利用故障與征兆之間的關(guān)聯(lián)強(qiáng)度實(shí)現(xiàn)故障診斷。實(shí)驗(yàn)結(jié)果表明，該方法具有較好的準(zhǔn)確性和魯棒性，能夠滿(mǎn)足實(shí)際故障診斷的需求。

關(guān)鍵詞：故障診斷 入侵性野草算法 仿真計(jì)算

中圖分類(lèi)號(hào)：TL383 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2015）09（b）-0106-02

對(duì)核動(dòng)力系統(tǒng)進(jìn)行故障診斷目前來(lái)說(shuō)，主要是通過(guò)現(xiàn)象或者征兆、可用的歷史信息或者先驗(yàn)知識(shí)以及故障原因等來(lái)進(jìn)行[1-4]，因此，可以將一個(gè)故障診斷問(wèn)題形式化描述為：D=（F，S，I，S+），其中F={f1，f2，，fn}為故障的有限非空集，n表示所有故障的個(gè)數(shù)，S={s1，s2，，sm}為系統(tǒng)狀態(tài)的有限非空集，m表示所有可能狀態(tài)的個(gè)數(shù)，I為已知的先驗(yàn)信息，S+S為系統(tǒng)表征的現(xiàn)象或者征兆。

根據(jù)上述形式化描述，那么對(duì)于一些已知故障現(xiàn)象或者征兆的故障，可以利用概率因果模型，將故障診斷問(wèn)題轉(zhuǎn)化為給定征兆，求診斷假設(shè)的極大似然估計(jì)問(wèn)題，通過(guò)尋找滿(mǎn)足條件的最優(yōu)方案，求得所屬的故障類(lèi)別。該類(lèi)方法主要是用于處理已知故障集F與系統(tǒng)征兆集S之間的因果強(qiáng)度，而需要通過(guò)表征的現(xiàn)象或者征兆S+確定具體的故障分類(lèi)問(wèn)題，使用過(guò)程中通常與智能優(yōu)化算法（包括遺傳算法、粒子群算法、蟻群算法以及入侵性野草算法等）相結(jié)合。文中以入侵性野草算法為基礎(chǔ)進(jìn)行故障診斷，實(shí)驗(yàn)表明，該方法能夠較好地處理已知故障現(xiàn)象或者征兆，判定故障類(lèi)型的問(wèn)題。

1 概率因果模型

經(jīng)典概率因果模型有如下3個(gè)方面的假設(shè)[5-7]。

（1）假設(shè)故障與故障之間沒(méi)有關(guān)聯(lián)，即存在獨(dú)立性。

（2）假設(shè)故障與原因之間的因果強(qiáng)度保持不變，一旦發(fā)生同一類(lèi)型的故障，則相同的征兆會(huì)以同等的幾率出現(xiàn)，即存在因果強(qiáng)度不變性。

（3）假設(shè)全部的征兆都是由故障引起的，沒(méi)有故障發(fā)生就不會(huì)出現(xiàn)征兆，即存在征兆與故障的因果必然性。

則根據(jù)上述假設(shè)，可以將核動(dòng)力系統(tǒng)故障診斷問(wèn)題用下式來(lái)描述：

P=（F，S，C，S+） （1）

式中，

F為有限的故障集合，且恒不為空，若該集合存在i個(gè)故障，則F可表示為F={f1，f2，，fi}。

S為有限的征兆集合，且恒不為空，若該集合存在j個(gè)故障，則S可表示為S={s1，s2，，sj}。

C為征兆和故障之間的因果強(qiáng)度，且CD×M，Cmn為故障fm會(huì)引起征兆sn的概率。

S+為已知的征兆集合，則S+S；S—=S—S+表示已知不存在的征兆。

假設(shè)某故障集合FaF是診斷問(wèn)題的解，即Fa中的元素全部都會(huì)發(fā)生，而非Fa中的元素都不會(huì)發(fā)生，那么對(duì)于這種類(lèi)型的診斷問(wèn)題，就可以將其轉(zhuǎn)化為已知S+，求Fa的極大似然估計(jì)值：

（2）

上式中，對(duì)于給定的S+，為常數(shù)項(xiàng)，可以從函數(shù)中消除，則式（2）可以簡(jiǎn)化為：

）

（3）

由式（3）可知，在給定S+的情況下，可以進(jìn)行任何Fa的極大似然估計(jì)值的計(jì)算，該值的大小反映了Fa在S+下發(fā)生的概率。

2 基于入侵性野草算法的概率因果模型診斷方法

2.1 入侵性野草算法

入侵性野草算法[8]（Invasive Weed Optimization，IWO）是近年來(lái)剛提出的一類(lèi)種群優(yōu)化算法，具有較好的適應(yīng)性和魯棒性，因而得到廣泛應(yīng)用。

IWO算法的基本過(guò)程如圖1所示。

（1）根據(jù)故障診斷的實(shí)際問(wèn)題，設(shè)定初始化參數(shù)，并產(chǎn)生隨機(jī)的初始解。

（2）種群中的所有個(gè)體均能通過(guò)其自身、種群最小以及種群最大適應(yīng)度函數(shù)值來(lái)獲得下一代種子數(shù)目，式（4）為種子數(shù)目的計(jì)算公式。

（4）

式中、分別表示當(dāng)前種群中最大適應(yīng)度函數(shù)值和最小適應(yīng)度函數(shù)值，、分別表示可生成種子數(shù)的最大值、最小值；floor（）函數(shù)表示向下取整。

（3）步驟2中產(chǎn)生的下一代種子隨機(jī)地在空間中分布，下一代種子的值由其父輩加上隨機(jī)數(shù)S來(lái)獲得。S在空間中服從正太分布，且該正太分布的均值為0，標(biāo)準(zhǔn)方差為sig_cur。其中，sig_cur的計(jì)算方法如式5所示。

（5）

式中iter表示當(dāng)前迭代次數(shù)，iter_max表示最大迭代次數(shù)，sig_ini和sig_final分別表示種子散布的初始步長(zhǎng)和最終步長(zhǎng)。

（4）若產(chǎn)生的種群總體上沒(méi)有達(dá)到最大規(guī)模，則重復(fù)進(jìn)行步驟2和步驟3，直至滿(mǎn)足條件為止。然后對(duì)所有種子的適應(yīng)度函數(shù)值進(jìn)行排序，選取其值較大者作為下一次繁殖的父輩，較小者則被淘汰。

2.2 故障診斷方法

利用上述概率因果模型，可以將故障診斷問(wèn)題轉(zhuǎn)化為已知S+，求最大的問(wèn)題。由于故障和非故障之間是不存在關(guān)聯(lián)的，而大多數(shù)情況下故障又多種多樣，可能會(huì)出現(xiàn)組合爆炸現(xiàn)象，因此需要采用入侵性野草算法來(lái)解決。

將模型中的式（3）作為IWO算法的適應(yīng)度函數(shù)，結(jié)合第2.1節(jié)所述，其具體的診斷過(guò)程如圖2。

3 仿真實(shí)驗(yàn)

為了對(duì)上述模型進(jìn)行驗(yàn)證，表1給出了故障集和征兆集，表2給出了區(qū)分征兆代表的參數(shù)在蒸汽發(fā)生器（SG）故障時(shí)所處的狀態(tài)。其中，1.0為上限關(guān)機(jī)值，0.75為上限報(bào)警值，0.5為正常運(yùn)行值，0.25表示下限報(bào)警值，0.0表示下限關(guān)機(jī)值。

當(dāng)SG出現(xiàn)征兆群0.5，0.25，0.29，0.75，0.5，0.5，0.5，0.5，0.5，0.5，0.25，0.75，0.75時(shí)，利用2.2節(jié)所述故障診斷方法對(duì)SG進(jìn)行故障診斷，其結(jié)果如圖3所示。從圖3可以看出，方法在第6次迭代后達(dá)到穩(wěn)定，并且剛開(kāi)始迭代時(shí)進(jìn)化速度較快，并且在一定程度上也解決了局部最優(yōu)問(wèn)題。結(jié)果表明，該方法具有較好的收斂性，同時(shí)能夠?qū)で蟮胶线m的全局最優(yōu)。

將上述過(guò)程單獨(dú)執(zhí)行100次，其結(jié)果如表3所示。根據(jù)表3，可以得出結(jié)論：SG出現(xiàn)的故障為G7（U型傳熱管破損），該結(jié)論與文獻(xiàn)[9，10]一致。對(duì)表3進(jìn)行數(shù)據(jù)處理，得到該方法的平均查準(zhǔn)率為88.5%，遠(yuǎn)大于文獻(xiàn)[10]。

4 結(jié)語(yǔ)

采用概率因果模型，可以將診斷問(wèn)題進(jìn)行轉(zhuǎn)化，而該轉(zhuǎn)化過(guò)程需要利用形式化描述。如果求解概率因果模型時(shí)進(jìn)行窮舉，則很可能會(huì)引起組合爆炸，因此可以利用IWO算法來(lái)解決，進(jìn)而實(shí)現(xiàn)核動(dòng)力系統(tǒng)典型故障的診斷。實(shí)驗(yàn)結(jié)果也說(shuō)明，將IWO方法嵌入概率因果模型進(jìn)行故障診斷能夠取得較好的效果。因此，上述方法可以在核動(dòng)力系統(tǒng)故障診斷中得到有效應(yīng)用，且具有較高的準(zhǔn)確率和魯棒性。

參考文獻(xiàn)

[1] 付明玉，邊信黔，史覬，等.船用核動(dòng)力裝置專(zhuān)家系統(tǒng)技術(shù)研究[J].核科學(xué)與工程，2002，22（3）：220-228.

[2] 陳志輝，夏虹，劉邈.核電系統(tǒng)故障診斷專(zhuān)家系統(tǒng)研究[J].核動(dòng)力工程，2005，26（5）：523-527.

[3] 周剛，楊立.核電廠(chǎng)智能診斷方法研究的進(jìn)展[J].原子能科學(xué)技術(shù)，2008，42（Suppl）：92-99.

[4] 張文星，紀(jì)有奎.專(zhuān)家系統(tǒng)原理與設(shè)計(jì)[M].武漢：武漢測(cè)繪科技大學(xué)出版社，1989.

[5] Peng Y，et al.A Probabilistic Causal Model for Diagnostic Problem Solving-part I：Integrating Symbolic Causal Inference with Numeric Probabilistic Inference[J].IEEE Trans.SMC，1987，17（3）：146-162.

[6] Peng Y.A Probabilistic Causal Model for Diagnostic Problem Solving-partⅡ：Integrating Symbolic Causal Inference with Numeric Probabilistic Inference[J].IEEE Trans.SMC，1987，17（3）：395-406.

[7] Rosenblatt F.The Percetion：A Probabilistic Model for Information Storage and Organization in the Brain[J].Cornell Aeronautical Laboratory，Psychological Review，1958（65）：386-408.

[8] Mehrabian A R，Lucas C. A Novel Numerical Optimization Algorithm Inspired from Weed Colonization[J].Ecological Informatics，2006，1（3）：355-366.

[9] 任鑫，孔衍，周碧松，等.改進(jìn)遺傳算法在船用和動(dòng)力裝置概率因果故障診斷中的應(yīng)用[J].中國(guó)艦船研究，2013，1（8）：107-111.

[10] 孔衍，任鑫，王川，等.基于改進(jìn)遺傳算法的核動(dòng)力裝置故障診斷研究[J].原子能科學(xué)技術(shù)，2012，46（11）：1357-1361.