特征指標(biāo)信息融合的電動(dòng)調(diào)節(jié)閥故障診斷

王印松 王玨

摘要：調(diào)節(jié)閥作為控制系統(tǒng)的重要組成部分，它的故障診斷對(duì)于指導(dǎo)控制過程安全穩(wěn)定地運(yùn)行至關(guān)重要。為提高故障診斷的精確率，解決電動(dòng)調(diào)節(jié)閥不同故障間可能存在相互關(guān)聯(lián)的問題，提出一種基于特征指標(biāo)信息融合的診斷方法。利用電動(dòng)調(diào)節(jié)閥可測(cè)變量間的關(guān)系，計(jì)算能夠反映電動(dòng)調(diào)節(jié)閥不同故障特點(diǎn)的指標(biāo)，并建立與之對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò);然后將每個(gè)神經(jīng)網(wǎng)絡(luò)的輸出看作獨(dú)立的證據(jù)體進(jìn)行D-S證據(jù)融合，得到最終的診斷結(jié)果。實(shí)驗(yàn)結(jié)果及現(xiàn)場分析表明：該方法充分利用數(shù)據(jù)的有效信息，從不同側(cè)面對(duì)故障進(jìn)行診斷，能夠有效地應(yīng)用于電動(dòng)調(diào)節(jié)閥的故障診斷，具有較高的應(yīng)用價(jià)值。

關(guān)鍵詞：故障診斷;電動(dòng)調(diào)節(jié)閥;D-S證據(jù)理論;神經(jīng)網(wǎng)絡(luò);特征指標(biāo)

中圖分類號(hào)：TP273 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-5124（2019）09-0006-07

收稿日期：2019-03-25;收到修改稿日期：2019-04-18

基金項(xiàng)目：國家自然基金聯(lián)合基金項(xiàng)目（U1709211）

作者簡介：王印松（1967-），男，河北河間市人，教授，博士，研究方向?yàn)橄冗M(jìn)控制策略和控制系統(tǒng)故障診斷技術(shù)。

0 引言

近年來，隨著新型工業(yè)化進(jìn)程的復(fù)雜化和智能化，工業(yè)控制系統(tǒng)往往具有非線性和不確定性的特點(diǎn)。調(diào)節(jié)閥作為整個(gè)控制系統(tǒng)的執(zhí)行終端部件，對(duì)控制系統(tǒng)品質(zhì)的優(yōu)劣具有很大的影響;但由于使用環(huán)境較為惡劣，調(diào)節(jié)閥容易出現(xiàn)多種故障[1]。據(jù)統(tǒng)計(jì)，調(diào)節(jié)閥的故障占到控制系統(tǒng)總故障的三分之一以上，更重要的是，由于閉環(huán)控制系統(tǒng)的反饋?zhàn)饔?，調(diào)節(jié)閥的故障表現(xiàn)不明顯，它的故障往往被掩蓋。因此對(duì)調(diào)節(jié)閥故障診斷技術(shù)進(jìn)行研究，提高故障診斷的準(zhǔn)確率，對(duì)于保障控制過程安全穩(wěn)定地運(yùn)行具有重要意義。

調(diào)節(jié)閥作為工業(yè)過程控制系統(tǒng)的重要部件，目前已有較多國內(nèi)外學(xué)者對(duì)調(diào)節(jié)閥的故障診斷開展了研究。現(xiàn)有的診斷方法主要分為基于解析模型、數(shù)據(jù)驅(qū)動(dòng)和專家知識(shí)3類[2]，針對(duì)調(diào)節(jié)閥的故障診斷，Goncalves等[3]對(duì)調(diào)節(jié)閥開度、扭矩等相關(guān)信號(hào)進(jìn)行小波包變換后，利用能量譜密度信息和自組織映射實(shí)現(xiàn)了對(duì)調(diào)節(jié)閥故障的檢測(cè)與診斷。Garcia等[4]提出了一種調(diào)節(jié)閥的集成故障診斷方法，將矩形擬合法、曲線擬合法、直方圖法和雙相關(guān)分析法進(jìn)行集成，并根據(jù)可靠性指標(biāo)選取其中最優(yōu)的方法完成對(duì)調(diào)節(jié)閥故障的診斷。Hafaifa等[5]推導(dǎo)了調(diào)節(jié)閥位移信號(hào)對(duì)壓差信號(hào)的傳遞函數(shù)，并利用神經(jīng)網(wǎng)絡(luò)對(duì)其時(shí)間常數(shù)及放大系數(shù)進(jìn)行建模，對(duì)調(diào)節(jié)閥的故障進(jìn)行分離，但為獲得精確的診斷結(jié)果，該方法往往需要大量的訓(xùn)練樣本，而實(shí)際生產(chǎn)過程中，要獲取大量各種類型的故障樣本十分困難。郭勝輝等[6]提出了基于區(qū)間觀測(cè)器的方法，該方法需要考慮過程的數(shù)學(xué)模型，然而在實(shí)際中，過程模型往往難以獲取，這使得這種方法在實(shí)際應(yīng)用上遇到巨大障礙。針對(duì)過程模型難以獲取這一問題，黃孝彬等[7]提出了一種基于執(zhí)行機(jī)構(gòu)部件信號(hào)分析的故障診斷方法，通過分析輸入信號(hào)和輸出信號(hào)的變化趨勢(shì)進(jìn)行故障診斷，該方法不需要考慮過程模型且易于實(shí)現(xiàn);但控制回路中的干擾因素，會(huì)對(duì)信號(hào)的變化趨勢(shì)產(chǎn)生影響，從而影響診斷效果。

結(jié)合上述問題，為提高調(diào)節(jié)閥故障診斷的準(zhǔn)確率，本文以電動(dòng)調(diào)節(jié)閥為例，提出了一種基于特征指標(biāo)D-S證據(jù)融合的故障診斷方法。該方法提出了能夠反映調(diào)節(jié)閥信號(hào)趨勢(shì)的特征指標(biāo)及計(jì)算方法，并將神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論進(jìn)行結(jié)合，對(duì)不同指標(biāo)反映的故障信息進(jìn)行融合，得到最終的診斷結(jié)果。通過搭建雙容水箱系統(tǒng)模擬電動(dòng)調(diào)節(jié)閥不同故障，驗(yàn)證了該方法的有效性;并將該方法應(yīng)用到火電機(jī)組主汽溫系統(tǒng)減溫水調(diào)節(jié)閥中，驗(yàn)證了該方法的實(shí)用性。

1 電動(dòng)調(diào)節(jié)閥工作原理及常見故障類型

1.1 電動(dòng)調(diào)節(jié)閥工作原理

電動(dòng)調(diào)節(jié)閥由電動(dòng)執(zhí)行機(jī)構(gòu)和閥門兩部分構(gòu)成，電動(dòng)調(diào)節(jié)閥工作原理方框圖如圖1所示。

在電動(dòng)調(diào)節(jié)閥中，輸入信號(hào)與位置發(fā)送器傳送的閥桿位移反饋信號(hào)進(jìn)行比較后形成偏差信號(hào)，經(jīng)伺服放大器放大后以驅(qū)動(dòng)伺服電機(jī)的有效轉(zhuǎn)動(dòng)，再經(jīng)減速器減速，觸發(fā)閥桿動(dòng)作以調(diào)節(jié)閥門開度[8]。

1.2 電動(dòng)調(diào)節(jié)閥常見故障分析

調(diào)節(jié)閥的故障可以分為執(zhí)行機(jī)構(gòu)故障和閥體故障2類，通過對(duì)電動(dòng)調(diào)節(jié)閥的常見故障進(jìn)行分析，可以歸為偏差故障、增益故障、卡死故障、死區(qū)故障和粘滯故障這5類，它們各自的故障表現(xiàn)如表1所示。

2 調(diào)節(jié)閥各項(xiàng)特征指標(biāo)的計(jì)算

在實(shí)際的生產(chǎn)過程中，調(diào)節(jié)閥的指令信號(hào)OP和閥位反饋信號(hào)MV都是可以直接測(cè)得的，因此本文采用的各項(xiàng)指標(biāo)均可以通過這兩個(gè)信號(hào)計(jì)算得到。

1）電動(dòng)調(diào)節(jié)閥基本偏差

基本偏差（Bias）指一段采樣時(shí)間內(nèi)，閥位反饋信號(hào)與指令信號(hào)差值絕對(duì)值的平均：

其中n為采樣點(diǎn)個(gè)數(shù)。

2）電動(dòng)調(diào)節(jié)閥基本增益

基本增益（Gain）指一段采樣時(shí)間內(nèi)，閥位反饋信號(hào)與指令信號(hào)變化量比值的平均：

3）電動(dòng)調(diào)節(jié)閥穩(wěn)定度函數(shù)

穩(wěn)定度函數(shù)（Steady）指調(diào)節(jié)閥指令信號(hào)穩(wěn)定度因子與閥位反饋信號(hào)穩(wěn)定度因子差值的絕對(duì)值。其中，穩(wěn)定度因子（SF）是一種可以衡量某一信號(hào)波動(dòng)狀態(tài)的函數(shù)[9]，計(jì)算公式如下：其中，SF_op、SF_mv分別為調(diào)節(jié)閥指令信號(hào)穩(wěn)定度因子、閥位反饋信號(hào)穩(wěn)定度因子;y_max、y_min、y_mean分別為一段時(shí)間內(nèi)過程數(shù)據(jù)的最大值、最小值和平均值。

4）電動(dòng)調(diào)節(jié)閥死區(qū)大小

死區(qū)大?。―ead）指調(diào)節(jié)閥輸入指令信號(hào)正反方向變化不引起閥門位置有任何可察覺變化的有限區(qū)間，計(jì)算公式如下：

Dead=|op_s+d-op_s|其中，s為調(diào)節(jié)閥指令信號(hào)開始發(fā)生變化的采樣時(shí)刻，d為指令信號(hào)變化不引起閥門位置變化的區(qū)間長度。

5）電動(dòng)調(diào)節(jié)閥粘滯指標(biāo)

調(diào)節(jié)閥動(dòng)作過程中，由于閥桿靜摩擦等因素的存在，調(diào)節(jié)閥往往存在粘滯特性，當(dāng)控制器輸出量的增量不足以克服摩擦力時(shí)，調(diào)節(jié)閥的位置保持不變。調(diào)節(jié)閥的粘滯特性如圖2所示，可以用4個(gè)階段來表示：AB-死區(qū)階段;BC-粘滯階段;CD-滑動(dòng)跳躍階段：DE-連續(xù)運(yùn)動(dòng)階段[10]。

結(jié)合調(diào)節(jié)閥粘滯特性曲線圖，本文采用調(diào)節(jié)閥動(dòng)態(tài)輸入-輸出特性的形狀檢測(cè)方法用于粘滯指標(biāo)（Yama）的計(jì)算[11]。具體計(jì)算步驟如下：

a）對(duì)指令信號(hào)OP和閥位反饋信號(hào)MV分別求差分△OP、△MV，并對(duì)差分序列進(jìn)行定性化處理，分為S（steady）、I（increase）、D（decrease）3種狀態(tài)。

b）建立OP-MV變化情況的模型，如IS表示此時(shí)OP信號(hào)狀態(tài)為I、MV信號(hào)狀態(tài)為S;ISII表示此時(shí)OP信號(hào)狀態(tài)為L，MV信號(hào)狀態(tài)為S，且下一時(shí)刻OP信號(hào)狀態(tài)為I、MV信號(hào)狀態(tài)為I。

c）計(jì)算各狀態(tài)的模型數(shù)目τ。

d）計(jì)算粘滯指標(biāo)，即除其他因素引起的IS和DS狀態(tài)在所有關(guān)系里（SS狀態(tài)除外）所占的比例：其中，τ_total為總時(shí)間。

6）控制系統(tǒng)性能評(píng)價(jià)指標(biāo)

工業(yè)過程中控制回路的故障會(huì)降低控制系統(tǒng)性能，為監(jiān)測(cè)工業(yè)過程運(yùn)行狀況及不同故障對(duì)控制系統(tǒng)性能的影響，需要對(duì)控制系統(tǒng)性能進(jìn)行準(zhǔn)確的評(píng)價(jià)。采用最常用的基于最小方差控制的性能評(píng)價(jià)指標(biāo)（minimum variance control，MVC）[12]，對(duì)電動(dòng)調(diào)節(jié)閥在不同工作狀況下系統(tǒng)的性能進(jìn)行評(píng)價(jià)。該方法不會(huì)對(duì)系統(tǒng)產(chǎn)生影響，評(píng)價(jià)過程大致為：首先估計(jì)過程的時(shí)延，并利用輸出數(shù)據(jù)辨識(shí)出從擾動(dòng)輸入端到系統(tǒng)輸出端的傳遞函數(shù)模型;然后根據(jù)時(shí)延信息分離出反饋控制不變項(xiàng)，計(jì)算系統(tǒng)的最小方差基準(zhǔn)值σ_MV²及系統(tǒng)輸出的實(shí)際方差σ_y²，得到基于最小方差的性能指標(biāo)MVC：

MVC=σ_MV²/σ_y²（6）

最小方差的性能指標(biāo)MVC的取值范圍為[0，1]，越接近0則說明性能越差;越接近1則說明性能越好。

3 基于D-S理論的信息融合

3.1 D-S證據(jù)理論基本概念

D-S（Dempster-Shafer）證據(jù)理論又稱信任理論，它使用可信度來對(duì)各命題發(fā)生的可能性進(jìn)行度量。D-S證據(jù)理論具有較強(qiáng)的理論基礎(chǔ)，能夠處理隨機(jī)性以及模糊性所導(dǎo)致的不確定性，因此在信息融合方面得到了廣泛的應(yīng)用[13]。

3.1.1 基本概率分配函數(shù)

將D-S證據(jù)理論的識(shí)別框架記為，其中包括有限個(gè)基本命題，記為{A₁，A₂，…，A_n}。若存在集函數(shù)m：2[0，1]滿足：其中，φ為空集。則稱m（A）為識(shí)別框架的基本概率分配函數(shù)（mass函數(shù)），它表示了對(duì)命題A的信任程度。

3.1.2 信任函數(shù)

在識(shí)別框架上，對(duì)于任意一個(gè)假設(shè)命題A的信任函數(shù)（BEL）可以定義為

信任函數(shù)又可稱為下限函數(shù)，它代表了對(duì)命題A的全部信任程度，即命題A的信任函數(shù)表示了直接證據(jù)對(duì)命題的支持程度。

3.1.3 似然函數(shù)（P1）

在識(shí)別框架上，對(duì)于任意一個(gè)假設(shè)命題A的似然函數(shù)（PL）可以定義為

似然函數(shù)又可稱為上限函數(shù)，它代表了不否定命題A的信任程度，即命題A的似然函數(shù)表示了潛在證據(jù)對(duì)命題的支持程度。

3.2 D-S證據(jù)理論合成規(guī)則

Dempster提出了一種合成規(guī)則，設(shè)m₁，m₂分別為同一識(shí)別框架上的兩個(gè)基本概率分配函數(shù)，相應(yīng)的焦元分別為A₁，A₂，…，A_k和B₁，B₂，…，B_r，且設(shè)其中，K為包含完全沖突假設(shè)A_i和B_j的所有基本概率分配函數(shù)乘積之和，當(dāng)K=0時(shí)，表示m₁和m₂相互矛盾，兩個(gè)函數(shù)之間不能進(jìn)行合成，當(dāng)K≠0時(shí)，合成后的基本概率分配函數(shù)m：2→[0，1]可表示為其中，A指假設(shè)A_i和B_j組合的一個(gè)新的綜合命題，A的基本概率分配函數(shù)m（A）是包含不沖突假設(shè)A_i和B_j的所有基本概率分配函數(shù)乘積之和。

3.3 神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論的結(jié)合

D-S證據(jù)理論中基本概率分配函數(shù)的確定，是利用D-S證據(jù)理論進(jìn)行信息融合的前提，也是最為關(guān)鍵的一步[14]。而在故障診斷中，基本概率分配函數(shù)通常根據(jù)專家經(jīng)驗(yàn)來確定，主觀性較強(qiáng)，不同的專家由同一個(gè)證據(jù)對(duì)同一個(gè)命題會(huì)給出不同的信度分配，有時(shí)差別很大。因此，為實(shí)現(xiàn)不同證據(jù)體基本概率分配函數(shù)賦值的客觀化，避免構(gòu)造基本概率分配函數(shù)的復(fù)雜性，本文將每個(gè)獨(dú)立的神經(jīng)網(wǎng)絡(luò)作為一個(gè)證據(jù)體，將神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行轉(zhuǎn)換得到各命題的基本概率分配函數(shù)，具體計(jì)算公式[15]為其中，f_j表示故障模式;m_i（f_j）命題fj基于第i個(gè)神經(jīng)網(wǎng)絡(luò)診斷結(jié)果的基本概率分配函數(shù);M_i（f_j）表示第i個(gè)神經(jīng)網(wǎng)絡(luò)第J個(gè)神經(jīng)元的輸出值;e_k表示神經(jīng)網(wǎng)絡(luò)的樣本誤差;m_i（θ）表示診斷結(jié)果不確定的可能性。

4 基于信息融合的電動(dòng)調(diào)節(jié)閥故障診斷

4.1 電動(dòng)調(diào)節(jié)閥故障診斷過程

電動(dòng)調(diào)節(jié)閥故障診斷與系統(tǒng)性能評(píng)價(jià)的過程如圖3所示。首先根據(jù)調(diào)節(jié)閥指令信號(hào)和閥門位置反饋信號(hào)，計(jì)算調(diào)節(jié)閥的基本誤差、基本增益、穩(wěn)定度函數(shù)、死區(qū)大小、粘滯指標(biāo)后，分別構(gòu)建5個(gè)不同的神經(jīng)網(wǎng)絡(luò);然后將每個(gè)神經(jīng)網(wǎng)絡(luò)看作獨(dú)立的證據(jù)體，并根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出計(jì)算D-S證據(jù)理論的基本概率分配函數(shù);最后根據(jù)D-S證據(jù)理論合成規(guī)則進(jìn)行信息融合得到最終的診斷結(jié)果，并根據(jù)控制系統(tǒng)性能評(píng)價(jià)指標(biāo)（MVC）的大小對(duì)控制系統(tǒng)進(jìn)行評(píng)價(jià)。

4.2 仿真實(shí)驗(yàn)與結(jié)果分析

為驗(yàn)證本文提出方法的有效性，利用基于Ovation的A3030過程控制綜合實(shí)驗(yàn)平臺(tái)搭建雙容水箱串級(jí)控制系統(tǒng)，該平臺(tái)能實(shí)現(xiàn)溫度、壓力、流量、液位定值等控制系統(tǒng)，并使用Ovation DCS系統(tǒng)進(jìn)行控制。該過程實(shí)驗(yàn)裝置如圖4所示。

人為模擬電動(dòng)調(diào)節(jié)閥正常狀態(tài)F₀、偏差F₁、增益F₂、卡死F₃、死區(qū)F₄及粘滯F₅不同工作狀態(tài)，共同構(gòu)成識(shí)別框架■={F₀，F(xiàn)₁，F(xiàn)₂，F(xiàn)₃，F(xiàn)₄，F(xiàn)₅}。記錄10min內(nèi)，電動(dòng)調(diào)節(jié)閥指令信號(hào)與閥位反饋信號(hào)各600組數(shù)據(jù)，其中400組作為訓(xùn)練數(shù)據(jù)，剩余200組作為測(cè)試數(shù)據(jù)。

對(duì)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理后，計(jì)算各項(xiàng)指標(biāo)，以其中一組訓(xùn)練數(shù)據(jù)為例，不同工作情況下的各項(xiàng)指標(biāo)值如表2所示。

從表中可以看出，當(dāng)不同故障產(chǎn)生時(shí)，部分特征指標(biāo)會(huì)對(duì)應(yīng)發(fā)生明顯變化。比較不同故障下系統(tǒng)性能評(píng)價(jià)指標(biāo)（MVC）的大小可知，調(diào)節(jié)閥的不同故障對(duì)系統(tǒng)性能有著不同的影響;其中電動(dòng)調(diào)節(jié)閥在卡死和粘滯故障下，MVC僅為0.063 5和0.1012，因此，調(diào)節(jié)閥的卡死和粘滯對(duì)控制系統(tǒng)影響較為嚴(yán)重。接下來，將計(jì)算得到的指標(biāo)值分別作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練以生成D-S證據(jù)理論的基本概率分配函數(shù)。本文利用Matlab構(gòu)造BP神經(jīng)網(wǎng)絡(luò)，每個(gè)BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練次數(shù)為10000次，訓(xùn)練目標(biāo)為0.0001，學(xué)習(xí)速率為0.01。由于篇幅原因，僅展示死區(qū)故障下各神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果和經(jīng)過D-S證據(jù)理論融合后的診斷結(jié)果，分別如表3和表4所示。

由表3和表4可見，經(jīng)過D-S融合后，解決了診斷結(jié)果的不確定性，診斷結(jié)果更加精確。為驗(yàn)證本文所提出方法的優(yōu)越性，進(jìn)行如下實(shí)驗(yàn)：

實(shí)驗(yàn)1：直接根據(jù)電動(dòng)調(diào)節(jié)閥指令信號(hào)、位置反饋信號(hào)，采用神經(jīng)網(wǎng)絡(luò)對(duì)故障分類，并將神經(jīng)網(wǎng)絡(luò)的輸出值轉(zhuǎn)換為基本概率分配值，完成診斷。

實(shí)驗(yàn)2：計(jì)算本文所提電動(dòng)調(diào)節(jié)閥各項(xiàng)特征指標(biāo)后，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，將神經(jīng)網(wǎng)絡(luò)的輸出值轉(zhuǎn)換為基本概率分配值，不進(jìn)行信息融合，完成診斷。

實(shí)驗(yàn)3：即本文提出的方法。

其中，上述3個(gè)實(shí)驗(yàn)用到的實(shí)驗(yàn)數(shù)據(jù)及神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置均相同。并設(shè)置診斷結(jié)果決策規(guī)則：最終定位的故障類型與其他故障的基本概率分配值之差必須大于某一閾值，本文經(jīng)大量調(diào)試并結(jié)合實(shí)際診斷情況后將閾值確定為0.4。根據(jù)以上診斷規(guī)則確定實(shí)驗(yàn)1、實(shí)驗(yàn)2及實(shí)驗(yàn)3的診斷結(jié)果分別如表5-表7所示。

分析表5可知，直接根據(jù)電動(dòng)調(diào)節(jié)閥輸入輸出數(shù)據(jù)進(jìn)行診斷時(shí)，故障診斷準(zhǔn)確率較低，且無法區(qū)分偏差故障和死區(qū)故障;分析表6可知，利用能夠反映調(diào)節(jié)閥故障特點(diǎn)的特征指標(biāo)進(jìn)行故障診斷，可以提高診斷的準(zhǔn)確率，但由于不同的故障可能導(dǎo)致相同的故障現(xiàn)象，因此診斷結(jié)果還存在不確定性;分析表7可知，經(jīng)過D-S證據(jù)理論融合后，可以將不同故障準(zhǔn)確地診斷出來。將上述3種方法在不同故障下的診斷結(jié)果進(jìn)行比較，如圖5所示。

整理上述3種方法的診斷準(zhǔn)確率，實(shí)驗(yàn)1和實(shí)驗(yàn)2的診斷準(zhǔn)確率分別為69.31和76.29%，本文所提方法的診斷準(zhǔn)確率為98.23%。因此本文提出的方法，大大提高了電動(dòng)調(diào)節(jié)閥故障診斷的準(zhǔn)確性，解決了診斷結(jié)果的不確定性，減少了誤判的可能。

4.3 診斷實(shí)例

本文將上述故障診斷方法應(yīng)用到某電廠主汽溫系統(tǒng)減溫水電動(dòng)調(diào)節(jié)閥中，采集2018年7月28日20：00-2018年7月29日6：00這10h內(nèi)的數(shù)據(jù)，其中，電動(dòng)調(diào)節(jié)閥指令信號(hào)OP和調(diào)節(jié)閥位置反饋信號(hào)MV變化曲線如圖6所示。

計(jì)算該系統(tǒng)性能評(píng)價(jià)指標(biāo)后，發(fā)現(xiàn)在22：08到22：48這段時(shí)間內(nèi)系統(tǒng)性能降低，按照本文提出的方法，計(jì)算得到這段時(shí)間內(nèi)調(diào)節(jié)閥各項(xiàng)特征指標(biāo)，如表8所示，且D-S信息融合后得到的診斷結(jié)果如表9所示。分析表8和表9可知，這段時(shí)間內(nèi)，減溫水電動(dòng)調(diào)節(jié)閥發(fā)生了偏差故障，診斷結(jié)果與現(xiàn)場的實(shí)際情況相符。此時(shí)控制系統(tǒng)評(píng)價(jià)指標(biāo)為0.6512，說明此時(shí)控制系統(tǒng)性能有待提高，需要解決調(diào)節(jié)閥偏差故障問題，提高系統(tǒng)性能。

5 結(jié)束語

本文提出了一種基于特征指標(biāo)信息融合的故障診斷方法，并應(yīng)用到電動(dòng)調(diào)節(jié)閥中。實(shí)驗(yàn)結(jié)果表明，利用能夠反映調(diào)節(jié)閥部件信號(hào)趨勢(shì)變化的各項(xiàng)指標(biāo)進(jìn)行調(diào)節(jié)閥的故障診斷，有助于提高故障識(shí)別率，降低算法的復(fù)雜度，并且能夠準(zhǔn)確判斷不同程度的故障對(duì)控制系統(tǒng)性能的影響;利用D-S證據(jù)理論進(jìn)行信息融合，能夠有效地解決故障定位不確定的問題;并且將神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行轉(zhuǎn)換后作為D-S證據(jù)理論的的基本概率分配函數(shù)，實(shí)現(xiàn)了基本概率分配函數(shù)賦值的客觀化。因此，基于特征指標(biāo)信急融合的方法對(duì)電動(dòng)調(diào)節(jié)閥故障診斷具有工程意義。

參考文獻(xiàn)

[1]YANG J，ZHU F，WANG X，et al.Robust sliding-modeobserver-based sensor fault estimation，actuator fault detectionand isolation for uncertain nonlinear systems[J].InternationalJournal of Control，Automation and Systems，2015，13（5）：1037-1046.

[2]周東華，劉洋，何瀟.閉環(huán)系統(tǒng)故障診斷技術(shù)綜述[J].自動(dòng)化學(xué)報(bào)，2013，39（11）：1933-1943.

[3]GONCALVES L F，BOSA J L，BALEN T R，et al.Faultdetection，diagnosis and prediction in electrical valves usingself-organizing maps[J].Journal of Electronic Testing，2011，27（4）：551-564.

[4]GARCIA O P，TIKKALA V M，ZAKHAROV A，et al.Integrated FDD system for valve stiction in a paperboardmachine[J].Control Engineering Practice，2013，21（6）：818-828.

[5]HAFAIFA A，DJEDDI A Z，DAOUDI A.Fault detection andisolation in industrial control valve based on artificial neuralnetworks diagnosis[J].Control engineering and appliedInformatics，2013，15（3）：61-69.

[6]郭勝輝，朱芳來.基于區(qū)間觀測(cè)器的執(zhí)行器故障檢測(cè)[J].控制與決策，2016，31（6）：1118-1122.

[7]黃孝彬.火電廠控制系統(tǒng)故障檢測(cè)與診斷的研究[D].保定：華北電力大學(xué)，2004.

[8]黃愛芹.基于數(shù)據(jù)驅(qū)動(dòng)的調(diào)節(jié)閥故障診斷方法研究[D].濟(jì)南：山東大學(xué)，2015.

[9]劉吉臻，高萌，呂游，等.過程運(yùn)行數(shù)據(jù)的穩(wěn)態(tài)檢測(cè)方法綜述[J].儀器儀表學(xué)報(bào)，2013，34（8）：61-70.

[10]李士哲，王印松，田靖雨，等.氣動(dòng)閥門粘滯模型仿真及控制系統(tǒng)振蕩分析[J].計(jì)算機(jī)仿真，2016，33（1）：239-244.

[11]YAMASHITA Y.An automatic method for detection of valvestiction in process control loops[J].Control EngineeringPractice，2006，14（5）：503-510.

[12]王印松，田靖雨，李士哲，等.基于時(shí)域指標(biāo)的火電機(jī)組負(fù)荷控制系統(tǒng)性能模糊綜合評(píng)價(jià)[J].熱力發(fā)電，2016，45（10）：99-103.

[13]KHAMSEH S A，SEDIGH A K，MOSHIRI B，et al.Controlperformance assessment based on sensor fusion techniques[J].Control Engineering Practice，2016，49：14-28.

[14]韓德強(qiáng)，楊藝，韓崇昭.DS證據(jù)理論研究進(jìn)展及相關(guān)問題探討[J].控制與決策，2014，29（1）：1-11.

[15]張文元，趙衛(wèi)國，晉濤，等.多神經(jīng)網(wǎng)絡(luò)與證據(jù)理論的變壓器故障診斷方法[J].高壓電器，2018，54（8）：207-211.

（編輯：商丹丹）