基于LabVIEW的FPSO原油外輸設(shè)備智能診斷系統(tǒng)設(shè)計與實現(xiàn)

(中海石油(中國)有限公司 秦皇島32-6/渤中作業(yè)公司，天津 300459)

浮式生產(chǎn)儲油卸油裝置(FPSO)設(shè)備運營狀態(tài)的可靠性及穩(wěn)定性直接影響到海工平臺的財產(chǎn)安全，甚至危及到船員生命安全，故需要對該設(shè)備配套狀態(tài)監(jiān)測及故障診斷系統(tǒng)。因設(shè)備復(fù)雜，傳感器監(jiān)測數(shù)據(jù)類型較多，設(shè)備的單一故障往往需要多傳感器數(shù)據(jù)進行融合，而這時典型多輸入單輸出的模式識別問題，目前用于解決該問題的故障診斷方法最主流的就是基于神經(jīng)網(wǎng)絡(luò)的人工智能故障診斷方法。將人工智能理論和方法應(yīng)用于故障診斷，發(fā)展智能化故障診斷技術(shù)，是設(shè)備故障診斷的一條新的途徑，也是研究最多、應(yīng)用最廣的一類智能型診斷技術(shù)。本文將設(shè)計及開發(fā)一套基于BP神經(jīng)網(wǎng)絡(luò)故障診斷[1-4]專家系統(tǒng)，實現(xiàn)智能故障診斷，并在FPSO原油外輸系統(tǒng)上進行驗證。

1 系統(tǒng)總體架構(gòu)

圖1 基于LabVIEW的FPSO原油外輸設(shè)備遠程智能診斷系統(tǒng)總體架構(gòu)

基于LabVIEW的FPSO原油外輸設(shè)備遠程智能診斷系統(tǒng)總體架構(gòu)見圖1。目標FPSO原油外輸設(shè)備位于近海區(qū)域，設(shè)備狀態(tài)特征信號通過3G/4G模塊上傳至企業(yè)內(nèi)部監(jiān)控中心，并存儲到Oracle數(shù)據(jù)庫中。第三方應(yīng)用程序LabVIEW，通過數(shù)據(jù)庫訪問工具集LabVIEW database toolkit實現(xiàn)對數(shù)據(jù)庫的數(shù)據(jù)讀寫操作；同時利用Matlab script接口，實現(xiàn)LabVIEW與Matlab的雙向數(shù)據(jù)交互。

LabVIEW將從數(shù)據(jù)庫讀取到的數(shù)據(jù)傳給Matlab，Matlab調(diào)用BP神經(jīng)網(wǎng)絡(luò)診斷算法，對傳感器數(shù)據(jù)進行分析診斷，并輸出診斷結(jié)果到LabVIEW軟件。LabVIEW將診斷結(jié)果同Oracle數(shù)據(jù)庫中的診斷知識庫進行對比，給出相應(yīng)的故障模式、故障原因及解決措施。

2 遠程通信模塊

為了保證遠程通信的速度、穩(wěn)定性及可操作性，在傳輸同等數(shù)據(jù)量情況下，需選擇占用帶寬最小的通訊協(xié)議，考慮現(xiàn)場端設(shè)備及LabVIEW遠程監(jiān)控系統(tǒng)特性，最終選擇采用基于TCP/IP的socket通信協(xié)議，見圖2。

圖2 基于C/S架構(gòu)LabVIEW遠程監(jiān)控系統(tǒng)

同時為了保證遠程監(jiān)控系統(tǒng)的開放性，所有遠程傳輸?shù)玫降臄?shù)據(jù)都統(tǒng)一存放到關(guān)系數(shù)據(jù)庫oracle 11g R2中，方便監(jiān)控中心其他系統(tǒng)(如虛擬仿真系統(tǒng))對遠程狀態(tài)數(shù)據(jù)的訪問。

3 智能診斷算法及實現(xiàn)

3.1 基于Matlab的BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)

采用兩層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用于故障診斷，網(wǎng)絡(luò)結(jié)構(gòu)中隱含層采用tan-sigmoid激勵函數(shù)，輸出層采用log-simoid激勵函數(shù)。其中網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)等于輸入變量數(shù)量，輸出層神經(jīng)元個數(shù)等于故障模式數(shù)量。見圖3。

3.2 網(wǎng)絡(luò)訓練

選取樣本并對其訓練，以得到診斷系統(tǒng)知識庫(以網(wǎng)絡(luò)閥值和權(quán)值形式存在)，診斷網(wǎng)絡(luò)的樣本訓練流程大致過程為：讀取樣本數(shù)據(jù)，并進行歸一化處理，因診斷BP神經(jīng)網(wǎng)絡(luò)第一層的激勵函數(shù)為雙曲正切Tan-Sigmoid函數(shù)，該函數(shù)輸出范圍為[-1,1]，故歸一化區(qū)間取[-1,1]；根據(jù)輸入、輸出向量中變量個數(shù)，選取合適的網(wǎng)購結(jié)構(gòu)及參數(shù)，并初始化網(wǎng)絡(luò)參數(shù)；將歸一化的輸入向量代入網(wǎng)絡(luò)，計算輸出結(jié)果，并與預(yù)期結(jié)果對比，計算偏差；將計算偏差與設(shè)定偏差對比，看是否到達收斂條件，若不收斂，則調(diào)整權(quán)值繼續(xù)計算，直到收斂，網(wǎng)絡(luò)收斂后，輸入測試數(shù)據(jù)進行測試，并進行故障類型判斷。

以原油外輸系統(tǒng)卡銷裝置故障診斷子模塊為例，該診斷模塊6個輸入變量：壓力MP11、壓力MP12、壓力MP19、壓力MP20、流量V3、流量V4；4種故障模式：換向閥0311-4故障、減壓閥0314-4故障、液壓鎖0315-3故障、管線0331-4故障。針對該診斷模塊的BP神經(jīng)網(wǎng)絡(luò)模塊參數(shù)設(shè)置見表1。

表1 BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

對故障模式進行編碼，將其表示成計算機能夠識別的模式，見表2。

表2 ESD閥故障故障模式編碼

Matlab2014a中BP神經(jīng)網(wǎng)絡(luò)默認采用Widrow-Nguyen即W-N法進行網(wǎng)絡(luò)權(quán)值初始化，同時樣本的訓練模式默認為批處理模式。因目前沒有被監(jiān)測系統(tǒng)實際故障數(shù)據(jù)，故暫時采用模擬的樣本數(shù)據(jù)來對診斷算法的正確性進行驗證。卡銷裝置故障診斷模塊中，模擬的傳感器樣本數(shù)據(jù)見表3。

利用構(gòu)建的2層BP神經(jīng)網(wǎng)絡(luò)對以上樣本進行訓練，訓練結(jié)束后，Matlab2014a彈出訓練結(jié)果見圖4。

從圖4中可以直觀看到前面設(shè)置好的網(wǎng)絡(luò)結(jié)構(gòu)和算法參數(shù)，可以看到性能參數(shù)均方誤差的初始值為0.46，結(jié)束值為9.44×10-7，小于設(shè)定的目標值1.0×10-6，在迭代65次后，誤差水平就達到了預(yù)期要求，滿足訓練指標。

網(wǎng)絡(luò)訓練性能變化見圖5，可以清楚看到，訓練誤差隨著迭代次數(shù)增加而減小的過程，最終達到設(shè)定的目標誤差，停止網(wǎng)絡(luò)訓練。

圖4 BP神經(jīng)網(wǎng)絡(luò)訓練效果示意

圖5 訓練網(wǎng)絡(luò)性能變化曲線

同時網(wǎng)絡(luò)訓練過程中，參數(shù)的狀態(tài)變化見圖6，可以看到，滿足要求。

圖6 網(wǎng)絡(luò)訓練狀態(tài)參數(shù)變化過程

3.3 神經(jīng)網(wǎng)絡(luò)診斷

因沒有實際傳感器采集數(shù)據(jù)，故采樣仿真數(shù)據(jù)，模擬輸入傳感器采集數(shù)據(jù)，來驗證診斷系統(tǒng)的可行性及可靠性。采用表4所示的6組模擬數(shù)據(jù)對診斷網(wǎng)絡(luò)進行驗證。

任何時仿真數(shù)據(jù)在輸入到診斷網(wǎng)絡(luò)之前，都有進行與網(wǎng)絡(luò)訓練時相同的歸一化處理，想輸入向量歸一化到區(qū)間[-1,1]。處理程序為

%在線采集數(shù)據(jù)的歸一化處理，處理方式同樣本數(shù)據(jù)處理方式完全相同

p_test=mapminmax(′apply′,sample_verify,PS);

其中：sample_verify為傳感器采集數(shù)據(jù)輸入向量矩陣，PS為網(wǎng)絡(luò)訓練時用到的歸一化處理方法，′apply′為采用相同處理方式。

對表4中的測試數(shù)據(jù)代入訓練好的神經(jīng)網(wǎng)絡(luò)，可得神經(jīng)網(wǎng)絡(luò)的檢測結(jié)果，見表5。

表5 測試數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)診斷輸出

由表5的診斷結(jié)果可知，神經(jīng)網(wǎng)絡(luò)準確的識別了卡銷裝置不同的運行狀態(tài)，診斷效果良好。

4 系統(tǒng)實現(xiàn)

4.1 LabVIEW與Matlab的接口通信

利用Matlab與LabVIEW混合編程來實現(xiàn)外輸設(shè)備診斷系統(tǒng)的設(shè)計。在LabVIEW開發(fā)平臺上直接使用Matlab的神經(jīng)網(wǎng)絡(luò)工具箱。常用的混合編程方法是使用Matlab語言節(jié)點，即Matlab Script節(jié)點。這種方法實現(xiàn)簡單且實現(xiàn)方式靈活多變，打開被調(diào)用的Matlab腳本程序的速度也快，且能滿足多輸入多輸出。LabVIEW向Matlab script腳本傳遞字符變量過程舉列見圖7。

圖7 LabVIEW向Matlab script腳本傳遞字符變量過程

LabVIEW想將輸入層到隱含層傳遞函數(shù)名稱如tansig傳遞給Matlab script腳本，通過調(diào)節(jié)結(jié)構(gòu)，將不同的函數(shù)名轉(zhuǎn)成相應(yīng)數(shù)字，并在Matlab script腳本中，將對于數(shù)字還原成對于函數(shù)名。而數(shù)字變量可以通過在Matlab script左邊框中增加輸入節(jié)點進行傳遞，如圖7中的隱含層神經(jīng)元變量lay1_size。同理可以對其他需要傳遞的參數(shù)進行操作。LabVIEW中神經(jīng)網(wǎng)絡(luò)學習界面見圖8，其參數(shù)傳遞方法前面已經(jīng)介紹。

圖8 神經(jīng)網(wǎng)絡(luò)學習界面

圖8界面對應(yīng)的最終LabVIEW程序框圖見圖9，左邊為前面板需要向腳本傳遞的參數(shù)，右邊為診斷結(jié)果，通過一個二維數(shù)組保存診斷結(jié)果，見圖10，該結(jié)果相當于將表5結(jié)果輸出到LabVIEW前面板界面上。

4.2 推理機解釋器的軟件實現(xiàn)

對某一故障模式，采用二進制編碼表示故障類型，期望的理想輸出是0或1。顯然，仿真結(jié)果不可能是期望的絕對0或1，所以需要對結(jié)果進行判斷，即把神經(jīng)網(wǎng)絡(luò)仿真獲得的結(jié)果通過判斷處理，整定到0或1。因此，提出判別區(qū)間的方法。對于輸出結(jié)果，取一個判別區(qū)間，將仿真結(jié)果與判別區(qū)間比較，確定其歸于0或1。如(0.1，0.9)：當仿真結(jié)果小于0.1(如0.051 8)，則判斷其為0；而當仿真結(jié)果大于0.9(如0.918)，則判斷其為1；此外，對于處于[0.1，0.9]區(qū)間內(nèi)的數(shù)據(jù)判斷為0.5(認為該仿真結(jié)果無意義，拒判)。可以看出，當這個判別區(qū)間越靠近0和1，則判斷準確率越高，同時可能拒判的幾率也越大；當判別區(qū)間越遠離0和1，則判斷的準確性降低，但同時好處是判為無意義結(jié)果的幾率變小，可以根據(jù)具體情況選擇。

圖9 LabVIEW通過對Matlab調(diào)用實現(xiàn)診斷神經(jīng)網(wǎng)絡(luò)

圖10 網(wǎng)絡(luò)診斷結(jié)果輸出到前面板二維數(shù)組中

根據(jù)以上區(qū)間判別標準，將網(wǎng)絡(luò)的數(shù)值輸出與故障信息進行對應(yīng)，軟件界面實現(xiàn)見圖11。

5 結(jié)論

設(shè)計基于LabVIEW的FPSO原油外輸設(shè)備遠程智能診斷系統(tǒng)，并實現(xiàn)了仿真驗證。采集軟件模擬實際工況輸出模擬輸出傳感器數(shù)據(jù)，并以TCP通信方式遠程上傳到企業(yè)內(nèi)部監(jiān)控中心數(shù)據(jù)庫。LabVIEW利用math script節(jié)點調(diào)用Matlab，實現(xiàn)對采集數(shù)據(jù)的學習與診斷，并鍵診斷結(jié)果存放于數(shù)據(jù)庫中。監(jiān)測系統(tǒng)即可實現(xiàn)常規(guī)監(jiān)測報警功能，還可自主開展基于神經(jīng)網(wǎng)絡(luò)的故障診斷功能，為后續(xù)產(chǎn)品健康監(jiān)測系統(tǒng)提供了樣本參考與技術(shù)支持。