模糊減法聚類下大型機組設(shè)備故障自動化診斷方法

徐岳清，陳 旗

（1.無錫機電高等職業(yè)技術(shù)學校，無錫 214028；2.無錫汽車工程高等職業(yè)技術(shù)學校，無錫 214153）

0 引言

隨著設(shè)備復雜性不斷提高，工業(yè)生產(chǎn)對大型機組設(shè)備的故障診斷有了更高的要求，設(shè)備的高度復雜性使得故障診斷涉及了很多個部門的協(xié)同參與。大型機組設(shè)備故障的發(fā)生，會造成大量經(jīng)濟損失[1]。因此，對機組設(shè)備進行穩(wěn)定安全的維護，已經(jīng)成為了現(xiàn)代企業(yè)管理重要目標之一。

大型機組設(shè)備自動化水平快速提高，設(shè)備構(gòu)成的復雜度也逐漸增大，這導致設(shè)備故障經(jīng)常發(fā)生。而設(shè)備故障的表現(xiàn)形式也是各種各樣的。一個設(shè)備的故障源有可能導致其他故障的發(fā)生，該特點給系統(tǒng)故障的診斷造成了很多困難。由此，找到適合的故障診斷方法，是該領(lǐng)域重要的研究方向。

大型機組設(shè)備故障具有多樣性、突發(fā)性等特點，該特點使設(shè)備故障診斷成為了異常復雜的系統(tǒng)工程?；ハ嗒毩⒌脑O(shè)備故障診斷系統(tǒng)，斷然不能夠適用實際的設(shè)備故障診斷，尤其是分布式的大型機組設(shè)備，上述特點導致大型機組設(shè)備故障診斷成為了亟待解決的問題。

文獻[2]提出一種基于信息源聚類的故障診斷方法。該方法根據(jù)廣泛收集大型機組設(shè)備故障資料，將其各種監(jiān)測數(shù)據(jù)與故障征兆進行綜合，得到比較全面的設(shè)備故障集與征兆集，通過對數(shù)據(jù)統(tǒng)計分析得到各個故障類型以及條件概率。然后在貝葉斯網(wǎng)絡中建立故障診斷模型，利用設(shè)備故障診斷特點對貝葉斯網(wǎng)絡推理過程進行改進，計算故障類型概率信息，通過概率信息對故障進行分類。該方法雖然簡單，但是診斷精度低。文獻[3]提出了基于二叉樹的故障診斷方法。該方法在設(shè)計故障樹結(jié)構(gòu)的基礎(chǔ)上，將基帶信號作為輸入信息，結(jié)合故障樹最小割集、模糊故障樹概率對故障樹展開分析，根據(jù)輸出結(jié)果完成故障診斷。該方法對診斷用時較短，但其診斷偏差較大。文獻[4]利用EEMD分解結(jié)果對設(shè)備故障進行診斷，在分解設(shè)備振動信號的基礎(chǔ)上重組信號，以此來減輕噪聲信息對診斷結(jié)果的影響，然后分析信號的全息譜及其形態(tài)特征，也就是設(shè)備在各階倍頻下旋轉(zhuǎn)的方向、形狀、大小和各階倍頻間的關(guān)系等信息，從而反映設(shè)備振動的形態(tài)特征，以此特征為依據(jù)，形成故障診斷模型。該方法具有一定的實際意義，但是運行過程較為復雜。

針對上述傳統(tǒng)方法存在的不足，本研究設(shè)計了模糊減法聚類下大型機組設(shè)備故障自動化診斷方法。

1 故障自動化診斷方法設(shè)計

1.1 大型機組設(shè)備故障特征量自動化提取

為提高大型機組設(shè)備故障診斷的準確性，需要對機組設(shè)備的特征量展開自動化提取。

針對大型機組設(shè)備的特殊性，本文利用多維模糊貼近度實現(xiàn)設(shè)備故障特征量的自動化提取。

式(2)可以比較詳細地描述出故障信號與正常信號間綜合相似度的模糊貼近度。在上式求解過程中選擇是任意的，的選擇也任意，只要與結(jié)合后，滿足模糊貼近度定義就可以。因此，本文針對不同系統(tǒng)以及具體工作情況，對選擇的進行調(diào)整，將多維模糊帖近度可以與實際的實現(xiàn)中最好的信號匹配。

獲得故障信號與正常信號間最不相似的程度以及分布，這樣可以得知和正常信號比較，設(shè)備的故障信號變化的最大值。把的各系數(shù)x1,x2,…,xn進行統(tǒng)一形成簡單的系數(shù)函數(shù)，就是N 維的函數(shù)轉(zhuǎn)換成，變?yōu)橐痪S函數(shù)：

式(4)結(jié)果中包含故障模糊的隸屬函數(shù)確立中比較重要的砝碼。

根據(jù)模糊集λ的水平貼近域有：

經(jīng)上式就能夠知道設(shè)備故障信號的變化大于某個程度的點，則λ被稱為篩選因子。λ的取值可以根據(jù)機組設(shè)備的具體運行情況來確定。

對各故障信號的樣本間多維模糊貼近度進行計算，這樣就可以得到設(shè)備故障信號間的最相似點。假設(shè)影響E集間多維模糊貼近度內(nèi)各因素為“模糊貼近度”式中：

式(7) 能夠描述在設(shè)備發(fā)生故障的狀況下，被檢樣本間的整體相似貼近度。在結(jié)合之后滿足模糊貼近度的定義就可以。因此本文針對不同系統(tǒng)與具體情況，對選取的進行調(diào)整，可以使模糊貼近度各系數(shù)統(tǒng)一變成單系數(shù)函數(shù)，就是將N維函數(shù)變?yōu)橐痪S函數(shù)

在此基礎(chǔ)上，根據(jù)故障隸屬函數(shù)h(z)確定故障的特征參量。對上面求得的被檢樣本間整體相似度的多維模糊貼近度，引入噪聲與特征頻率點影響，并選擇信號間的整體相似度函數(shù)，由此獲得符合設(shè)備故障的模糊隸屬函數(shù)如下：

1.2 大型機組設(shè)備故障自動診斷

在工業(yè)化技術(shù)不斷發(fā)展的同時，大型機組設(shè)備的故障也呈現(xiàn)出一些新的特征。當設(shè)備發(fā)生故障時，常常會連帶各種故障同時發(fā)生。則要想在比較復雜的設(shè)備系統(tǒng)中實現(xiàn)故障的快速診斷，僅憑理論信息會出現(xiàn)故障漏報或虛報現(xiàn)象。為此，本研究結(jié)合D-S證據(jù)理論對設(shè)備故障進行準確診斷。

1.2.1 D-S證據(jù)理論概念與設(shè)備故障

針對本文研究的大型機組設(shè)備故障診斷過程，采用D-S證據(jù)理論將所有可能出現(xiàn)的設(shè)備故障類型建立成一個集合，該集合實質(zhì)就是一個識別框架，利用D-S證據(jù)識別框架Ω中機組任何一種設(shè)備故障類型對應的類別特征被稱為證據(jù)。

假設(shè)給定了一個大型機組設(shè)備故障診斷識別框架Θ，其中包含了全部可能的設(shè)備故障類別。則基本概率賦值函數(shù)m（A）可描述成該函數(shù)滿足下面的兩個條件：

大型機組設(shè)備故障的自動化診斷過程中，將不同階段的機組設(shè)備運行狀態(tài)的故障發(fā)生概率分布定義為故障基本概率賦值函數(shù)，m（F）可描述為設(shè)備故障診斷相關(guān)人員對某種設(shè)備故障F定義的關(guān)于該類型設(shè)備故障評價指標值。m（A）常常被看作是某個命題的質(zhì)量函數(shù)，或是mass函數(shù)，經(jīng)過安裝在大型機組設(shè)備中的傳感器獲得的實驗數(shù)據(jù)構(gòu)造成的。

本文融合于D-S證據(jù)理論實現(xiàn)大型機組設(shè)備故障診斷的主要思想是：將獲取的大型機組設(shè)備故障診斷證據(jù)劃分為不同且相互獨立的部分，根據(jù)這些大型機組設(shè)備故障診斷證據(jù)完成識別框架判斷。將各識別框架內(nèi)每個假設(shè)對應的大型機組設(shè)備故障診斷證據(jù)判斷數(shù)據(jù)，將其稱為該證據(jù)下的置信函數(shù)，其相應的概率分布可描述為置信函數(shù)的基本分配系數(shù)，針對某個診斷類型假設(shè)，根據(jù)特定合成規(guī)則，實現(xiàn)不同設(shè)備故障診斷證據(jù)置信函數(shù)的匯總，由此獲得機組設(shè)備故障診斷綜合證據(jù)下的假設(shè)總信任度。

針對給定的識別框架Θ，該框架中利用概率賦值函數(shù)得到的置信函數(shù)為：

其中，Bel（A）表示對A總的置信程度，通過上式可知，Bel（A）為A中全體子集可能性度量和，由此可以得到互斥命題：

結(jié)合疊加原理對式(12)進行描述，結(jié)果如下：

此外，假設(shè)m（A）>0，那么稱A是置信函數(shù)Bel焦元，全部的焦元被稱為它的核。

1.2.2 D-S證據(jù)組合規(guī)則及大型機組設(shè)備故障診斷

對于采用D-S證據(jù)理論對大型機組設(shè)備故障診斷全部證據(jù)集合內(nèi)的數(shù)值毫無關(guān)聯(lián)的子集進行判斷，根據(jù)Dempster組合規(guī)則將不同類型的設(shè)備故障診斷證據(jù)相應的置信函數(shù)進行組合。其中，Dempster組合規(guī)則為：

假設(shè)Bel1與Bel2處于相同的證據(jù)識別框架中，Bel1與Bel2的概率函數(shù)分別為m1、m2，焦元依次為A1,A2…Ak與B1,B2…Bl，若式(14)成立：

2 實驗與分析

為驗證上述設(shè)計的模糊減法聚類下大型機組設(shè)備故障自動化診斷方法的整體性能，設(shè)計如下實驗。

在Paxos環(huán)境下搭建實驗平臺。實驗數(shù)據(jù)取自于山東大棚膜機組設(shè)備，分別利用本文方法和文獻[2～4]方法對實驗對象的故障展開自動化診斷實驗，并對比不同方法的可實踐性。

圖1所示為不同方法故障診斷時間對比結(jié)果。

圖1 不同方法故障診斷用時對比

圖2所示為不同方法的診斷正確率對比結(jié)果。診斷正確率可通過式(17)獲得：

圖2 不同方法故障自動化診斷正確率對比

圖3所示為不同方法故障特征量提取時間對比結(jié)果。

圖3 不同方法故障特征量自動提取時間對比

圖4所示為不同故障診斷方法對設(shè)備正常運行信號頻率造成的影響的對比結(jié)果。

圖4 不同故障診斷方法對設(shè)備正常運行信號頻率的影響對比

綜合分析上述實驗結(jié)果可知，文獻[2]方法利用大型機組設(shè)備故障診斷特點對貝葉斯網(wǎng)絡推理過程進行改進，計算故障類型概率信息，通過概率信息對故障進行分類，故障特征不明確，分類精度低，導致故障診斷的效率偏低；文獻[3]方法根據(jù)二叉樹結(jié)構(gòu)及其原理，以基帶信號為對象構(gòu)建二叉樹，未考慮到大型機組設(shè)備的復雜性與多分解性，使故障診斷的效率低、診斷結(jié)果有誤差；文獻[4]方法根據(jù)二維全息譜，能夠獲得設(shè)備在各階倍頻下旋轉(zhuǎn)的方向、形狀、大小和各階倍頻間等信息，從而反映設(shè)備振動的形態(tài)特征，以此特征為依據(jù)，形成故障診斷模型。該方法僅僅利用單一的形態(tài)特征形成故障診斷模型，導致故障診斷正確率偏低；本文方法利用多維模糊貼近度實現(xiàn)設(shè)備故障特征量提取，并利用D-S證據(jù)理論完成模糊減法聚類下大型機組設(shè)備故障的有效診斷。

實驗證明，本文設(shè)計的模糊減法聚類下大型機組設(shè)備故障自動化診斷方法可以快速可靠地對模糊減法聚類下大型機組設(shè)備故障進行診斷，為保障機組設(shè)備的平穩(wěn)運行奠定了基礎(chǔ)。

3 結(jié)語

采用當前方法診斷大型機組設(shè)備故障時，存在診斷誤差大等問題，為此，本研究設(shè)計了模糊減法聚類下大型機組設(shè)備故障自動化診斷方法。在完成方法設(shè)計后，本研究還利用仿真對比實驗驗證了該方法具有診斷效率高、準確率高的優(yōu)點，充分證明了其可行性。