基于數(shù)據(jù)的實時故障診斷系統(tǒng)研究

李仲玲，張 薇（通訊作者），王 海

（沈陽理工大學(xué) 遼寧 沈陽 110159）

1 引言

復(fù)雜設(shè)備/工藝系統(tǒng)是企業(yè)的核心競爭力，實時監(jiān)控其運行狀態(tài)，及時預(yù)測和排除故障是安全高效生產(chǎn)的基礎(chǔ)，對企業(yè)具有重要作用。但實際中，面臨以下的尷尬境地，一方面針對一個未知系統(tǒng)，由于診斷知識的匱乏，面對故障不能及時發(fā)現(xiàn)；而另一方面，設(shè)備在運行期間產(chǎn)生大量實時及歷史數(shù)據(jù)，而這些數(shù)據(jù)背后都蘊含著重要信息。

2 實時診斷系統(tǒng)結(jié)構(gòu)及原理

2.1 實時數(shù)據(jù)集成平臺

診斷系統(tǒng)以實時數(shù)據(jù)集成技術(shù)為基礎(chǔ)，構(gòu)建實時數(shù)據(jù)集成平臺，采集生產(chǎn)現(xiàn)場實時數(shù)據(jù)，并根據(jù)變量的存儲記錄條件存入歷史數(shù)據(jù)庫，形成歷史數(shù)據(jù)；實時數(shù)據(jù)集成平臺同時向上層提供實時數(shù)據(jù)歷史數(shù)據(jù)服務(wù)功能。

生產(chǎn)現(xiàn)場的底層數(shù)據(jù)來源復(fù)雜往往無法簡單地統(tǒng)一處理，也很難要求現(xiàn)場控制器的格式統(tǒng)一，這就需要系統(tǒng)提供相對通用的接口功能框架，針對不同控制系統(tǒng)提供通訊接口。OPC是最為廣泛的實時數(shù)據(jù)集成技術(shù)[1]。

2.2 構(gòu)建ANFIS診斷網(wǎng)絡(luò)

自適應(yīng)模糊推理系統(tǒng)ANFIS是基于數(shù)據(jù)的建模方法，在功能上與之等價的模糊神經(jīng)網(wǎng)絡(luò)。它將模糊邏輯規(guī)則及隸屬度函數(shù)參數(shù)通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)來產(chǎn)生，并自動生成模糊規(guī)則，克服模糊控制系統(tǒng)中模糊推理規(guī)則根據(jù)專家經(jīng)驗設(shè)計的不足之處，相比神經(jīng)網(wǎng)絡(luò)，它是用推理所得出的模糊語言規(guī)則來描述系統(tǒng)，而不是用權(quán)值來描述，具有更強的自學(xué)習(xí)能力、魯棒性和自適應(yīng)性。

由于ANFIS單輸出結(jié)構(gòu)適用于兩類目標(biāo)識別，直接使用ANFIS對于多目標(biāo)識別時效果并不理想。當(dāng)輸出數(shù)據(jù)與各已知模式的匹配程度均不夠理想時則無法區(qū)分，造成診斷盲區(qū)。但ANFIS其獨特的結(jié)構(gòu)和自適應(yīng)能力對于多類目標(biāo)分選問題也提供解決方法，本文采用多個ANFIS并列結(jié)構(gòu)來實現(xiàn)對多目標(biāo)的分選。

每個ANFIS負(fù)責(zé)把一類目標(biāo)從其它目標(biāo)中分選出來，提供學(xué)習(xí)訓(xùn)練，使ANFIS的規(guī)則庫和隸屬度能夠使此類目標(biāo)區(qū)別于其它類別。把實時的特征信息作為輸入，此類目標(biāo)的隸屬度函數(shù)的激勵強度增強，使故障模式得以識別[2]。

3 診斷方法建立過程

（1）選取故障集、變量因素。裝備系統(tǒng)的每個環(huán)節(jié)都有可能發(fā)生故障，而檢測傳感器件的數(shù)量是有限的，有些故障難于直接檢測，通過較少的狀態(tài)檢測裝置融合診斷推斷全面的信息。

（2）樣本選取。在歷史數(shù)據(jù)庫中選擇數(shù)據(jù)樣本，選擇時需要選取代表各種狀態(tài)征兆的歷史樣本，具有較好的狀態(tài)覆蓋性。樣本的覆蓋程度決定診斷系統(tǒng)的診斷質(zhì)量。

（3）減法聚類。減法聚類是用來估計數(shù)據(jù)中的聚類個數(shù)以及聚類中心位置的快速的單次算法。它將每個數(shù)據(jù)點作為可能的聚類中心，并根據(jù)各個數(shù)據(jù)點周圍數(shù)據(jù)的密度來計算該點作為聚類中心的可能性。

（4）隸屬度函數(shù)MF個數(shù)確定與函數(shù)類型。MF多對問題的描述詳細(xì)，能夠準(zhǔn)確反映實際情況，但在輸入維數(shù)大時，規(guī)則會呈指數(shù)增長，使得ANFIS根本無法工作。綜合考慮上述情況，一般選擇3～6個為宜，MF函數(shù)選擇Gaussmf類型函數(shù)。

(5) 設(shè)定學(xué)習(xí)算法，建立訓(xùn)練ANFIS。確定模糊規(guī)則和調(diào)整隸屬度函數(shù)類型生成初始的ANFIS模糊推理系統(tǒng)。學(xué)習(xí)算法選用最小二乘法LSE和梯度下降法結(jié)合的混合型學(xué)習(xí)算法。

(6) 通過檢驗樣本檢驗所建立的ANFIS網(wǎng)絡(luò)的性能。

(7)將檢驗后可行的ANFIS保存并運行，通過訪問實時數(shù)據(jù)集成平臺中相關(guān)實時數(shù)據(jù)，在線檢測設(shè)備故障狀態(tài)。

4 實時診斷原型系統(tǒng)

以采用S7-200 PLC控制的液壓自動化生產(chǎn)線系統(tǒng)為例，對上述診斷方法進行應(yīng)用。系統(tǒng)有兩個工作油缸，在油缸全行程上加位置傳感器，可檢測油缸的位置S和速度V，采用電液比例閥進行速度和位置控制。油泵電機變頻器電流I、液壓系統(tǒng)壓力值P、流量值F、油箱溫度T等信號通過PLC的模擬量模塊采集，將這些工藝參數(shù)定義為OPC變量，由上位機采集分析。

通過經(jīng)減法聚類的ANFIS對這些歷史數(shù)據(jù)分析，發(fā)現(xiàn)故障診斷知識，用于檢測那些不易被發(fā)現(xiàn)的故障，包括濾油器堵塞、油缸桿線性度、密封失效內(nèi)漏。故影響因素選取 I、P、V、T四個方面，其它因素不做考慮。

根據(jù)實際運行中故障情況，從現(xiàn)場實際運行數(shù)據(jù)中選取正常運行及故障狀態(tài)下的90組歷史數(shù)據(jù)作為研究對象，把數(shù)據(jù)集分成訓(xùn)練集和檢驗集。

采用兩種方法建立ANFIS模型（1）將輸入經(jīng)過減法聚類處理，建立的單ANFIS網(wǎng)絡(luò)；（2）針對每個輸出建立一個ANFIS的多目標(biāo)網(wǎng)絡(luò)；訓(xùn)練條件為Range of influence 取0.5；Squash factor取1.25，Accept ratio取0.5，Reject ratio取0.15。輸入變量選用7個MF，MF采用Gaussmf函數(shù)，采用混合型訓(xùn)練方法，最大訓(xùn)練次數(shù)300次，OUTPUT類型為Constant，誤差小于10～4。從檢驗結(jié)果看單ANFIS系統(tǒng)在故障模式2和3的判斷上有較多偏離樣本。當(dāng)輸出的值Y與整數(shù)的距離＞0.25時，無法識別故障原因。采用ANFIS組方式的精度明顯好于單ANFIS得到了令人滿意的結(jié)果[3]。

5 結(jié)論

ANFIS主要依賴于大量的運算從數(shù)據(jù)集中尋找規(guī)律，將隱藏在數(shù)據(jù)中的知識轉(zhuǎn)化為規(guī)則和隸屬函數(shù)。借助實時數(shù)據(jù)集成平臺，可以積累更多數(shù)據(jù)用于ANFIS訓(xùn)練，因而ANFIS在故障在線智能診斷中有著更為廣闊的應(yīng)用前景。