基于參數(shù)學習的燃氣調(diào)壓器故障診斷網(wǎng)絡(luò)優(yōu)化

1 概述

隨著我國城鎮(zhèn)燃氣行業(yè)持續(xù)快速發(fā)展，政府、社會對燃氣輸配系統(tǒng)的安全運營、用戶體驗、節(jié)能環(huán)保提出了更高的要求

。

燃氣調(diào)壓器運行故障直接影響到下游供氣壓力的穩(wěn)定，輕則引起供氣壓力異常導致工業(yè)用戶產(chǎn)品報廢、民用燃氣設(shè)備運行故障，重則引起停止供氣或超壓放散，停氣檢修后的恢復(fù)供氣過程也可能產(chǎn)生燃氣泄漏、火災(zāi)或爆炸事故

。

合格的全科醫(yī)生需要為服務(wù)對象提供綜合的，連續(xù)的，個性化的預(yù)防保健和健康維護。全科醫(yī)學是獨立于臨床二級學科，并不是簡單的臨床各?？频恼蟍7]。在全科醫(yī)生規(guī)范化培訓教學中，要樹立以預(yù)防為導向的診療理念以及“以患者為中心”的全科醫(yī)學理念。把醫(yī)療服務(wù)、衛(wèi)生服務(wù)、健康服務(wù)與人文關(guān)懷有機結(jié)合成一個整體。

例題：（2018年廣州二測理科綜合第29題）研究者用磷酸化酶（混合酶）、單糖、淀粉和不同pH緩沖液組成不同反應(yīng)體系，并測定了各反應(yīng)體系中淀粉含量的變化（實驗中pH對淀粉含量沒有直接影響），結(jié)果見表1。隨后，測定了水稻開花后至成熟期間，水稻籽粒中淀粉含量和磷酸化酶相對活性的變化，結(jié)果見圖1，回答下列問題：

對能源和項目的監(jiān)測審計是企業(yè)實現(xiàn)節(jié)能科學管理的重要舉措，中國海油全面開展了能源統(tǒng)計分析、節(jié)能監(jiān)測、能源審計和固定資產(chǎn)項目的能評工作，并建立節(jié)能管理信息平臺。

具體教學內(nèi)容在設(shè)置時是這樣的：將內(nèi)容分成五個典型教學項目，每個項目包含若干典型工作任務(wù)，每個任務(wù)有具體的單片機應(yīng)用系統(tǒng)案例構(gòu)成。使學生在練習專業(yè)技能的過程中加強了對專業(yè)理論知識的掌握，培養(yǎng)了學生綜合能力。課程具體設(shè)計如下：

2 建立貝葉斯網(wǎng)絡(luò)故障診斷拓撲模型

② M步最大化期望計劃

2.1 獲取統(tǒng)計概率及條件概率

在診斷網(wǎng)絡(luò)中，子節(jié)點表示頂層故障，即故障表征；父節(jié)點表示底層故障，即故障原因。高中壓調(diào)壓器貝葉斯網(wǎng)絡(luò)模型故障節(jié)點類型及名稱見表1。本文中的

，

，

，

，

，…，

為復(fù)用變量，表示事件也表示隨機變量。

高中壓調(diào)壓器的故障診斷、檢查、保養(yǎng)、維護管理等對于排除潛在的安全隱患具有重大意義。由于高中壓燃氣調(diào)壓器結(jié)構(gòu)復(fù)雜、與管網(wǎng)相互影響、缺少已有故障案例

，本文利用專家先驗知識，建立高中壓燃氣調(diào)壓器貝葉斯網(wǎng)絡(luò)模型。在該模型基礎(chǔ)上，應(yīng)用最大期望EM參數(shù)學習的方法優(yōu)化，最終得到更合理的檢修順序，并與實際案例進行比較驗證。

機場航空業(yè)務(wù)以及非航空業(yè)務(wù)的收費項目在管理上需要采用不同的管理方式，一般對于航空性的業(yè)務(wù)在收費的過程中都是嚴格按照政府的指導價進行收費的，而非航空性業(yè)務(wù)則主要是根據(jù)市場的調(diào)節(jié)價進行收費。通過本次對機場收費項目以及具體收費的調(diào)整，二、三類的機場收費仍然需要以政府的指導價格為標準，這種收費方式和管理方式更加科學合理。對于需要通過市場調(diào)節(jié)進行收費的項目，一般都具有較強的市場性特征，在作業(yè)成本法的實施中具有可進行對比的市場標桿，對機場作業(yè)績效的分析具有積極的作用，而且能夠有效控制作業(yè)的成本。

為保障安全，會對燃氣調(diào)壓器進行及時檢修及更換，現(xiàn)有故障案例樣本較少。因此請具有資質(zhì)的燃氣專家對調(diào)壓器故障表征問題進行問卷填寫，根據(jù)問卷結(jié)果，統(tǒng)計在不同故障表征發(fā)生的條件下故障原因發(fā)生的統(tǒng)計概率(以下簡稱統(tǒng)計概率)，見圖1。

在出口壓力過高發(fā)生條件下各故障原因發(fā)生的計算概率、統(tǒng)計概率、概率變化見圖3。

2.2 搭建貝葉斯網(wǎng)絡(luò)

根據(jù)以上所有先驗信息，得到映射關(guān)系，建立貝葉斯網(wǎng)絡(luò)拓撲結(jié)構(gòu)，高中壓燃氣調(diào)壓器故障貝葉斯網(wǎng)絡(luò)拓撲結(jié)構(gòu)見圖2。

根據(jù)以上統(tǒng)計概率、條件概率及映射關(guān)系，運用MATLAB平臺搭建高中壓燃氣調(diào)壓器貝葉斯網(wǎng)絡(luò)故障診斷結(jié)構(gòu)，此為原貝葉斯網(wǎng)絡(luò)故障診斷拓撲模型，將用于優(yōu)化，以及后續(xù)生成若干組貝葉斯網(wǎng)絡(luò)訓練數(shù)據(jù)。

3 應(yīng)用最大期望EM算法進行參數(shù)學習

故障診斷的關(guān)鍵是精準的貝葉斯網(wǎng)絡(luò)建模，原貝葉斯網(wǎng)絡(luò)的節(jié)點條件概率基于專家經(jīng)驗的賦值得到，存在一定主觀性。所以需要利用故障案例訓練數(shù)據(jù)集進行參數(shù)學習，對原貝葉斯網(wǎng)絡(luò)模型進行修正，彌補依賴專家知識建模的不足

。

貝葉斯網(wǎng)絡(luò)的參數(shù)學習是指確定網(wǎng)絡(luò)結(jié)構(gòu)后，通過合適的參數(shù)學習方法，利用訓練數(shù)據(jù)集對節(jié)點間的概率依存關(guān)系進行訓練，調(diào)整更新貝葉斯網(wǎng)絡(luò)內(nèi)在關(guān)系的節(jié)點條件概率

。

3.1 訓練數(shù)據(jù)集的構(gòu)成

通過某燃氣公司次高壓調(diào)壓站及高壓調(diào)壓站的檢修臺賬統(tǒng)計數(shù)據(jù)得到若干組訓練數(shù)據(jù)，通過原貝葉斯網(wǎng)絡(luò)訓練也可得到若干組訓練數(shù)據(jù)，對這些數(shù)據(jù)進行篩選和預(yù)處理，得到1 000組訓練數(shù)據(jù)，構(gòu)成訓練數(shù)據(jù)集。每組數(shù)據(jù)包含13個隨機變量，即4個故障表征隨機變量和9個故障原因隨機變量，1表示發(fā)生，0表示不發(fā)生。將訓練數(shù)據(jù)集輸入EM算法進行參數(shù)學習。

3.2 最大期望EM算法

具體方式為：輸入原貝葉斯網(wǎng)絡(luò)模型，基于參數(shù)學習方法，利用訓練數(shù)據(jù)集，通過EM算法更新優(yōu)化每個網(wǎng)絡(luò)節(jié)點的條件概率，得到優(yōu)化后貝葉斯網(wǎng)絡(luò)，并輸出更為準確的計算概率。

由于燃氣調(diào)壓器故障診斷具有重大安全意義，并且現(xiàn)實條件中，貝葉斯網(wǎng)絡(luò)參數(shù)學習所需要的數(shù)據(jù)集很大可能會存在不同程度的數(shù)據(jù)缺失，為了學習結(jié)果的精確性，本文采用具有迭代優(yōu)化思想的最大期望EM算法。

通過不斷迭代上述2個步驟，進行參數(shù)的更新優(yōu)化，最終得到更為準確的貝葉斯網(wǎng)絡(luò)模型。

從當前節(jié)點條件概率到下一代節(jié)點條件概率的計算步驟如下。

① E步期望計算

通過概率分布函數(shù)，求出對數(shù)似然函數(shù)的期望值，數(shù)學表達式見文獻[6]。

貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習即利用樣本數(shù)據(jù)和先驗信息，找到與樣本數(shù)據(jù)匹配程度最高的貝葉斯網(wǎng)絡(luò)拓撲結(jié)構(gòu)。再依靠領(lǐng)域?qū)＜覍ρ芯繉ο蟮恼w把握，得出各因素之間的相互作用關(guān)系，統(tǒng)計先驗信息，得到調(diào)壓器出現(xiàn)不同故障表征時，對應(yīng)發(fā)生故障原因的統(tǒng)計概率，以下簡稱統(tǒng)計概率。搭建貝葉斯網(wǎng)絡(luò)，結(jié)合該網(wǎng)路，得出調(diào)壓器出現(xiàn)不同故障表征時，對應(yīng)發(fā)生故障原因的計算概率，以下簡稱計算概率。

修改概率分布函數(shù)取值，使對數(shù)似然函數(shù)達到最大值的期望存在。這里使用最大似然估計，數(shù)學表達式見文獻[6]。

EM算法整體是求解收斂到局部最優(yōu)參數(shù)的過程，主要思想是先以某種方式初始化局部最優(yōu)參數(shù)，再通過期望計算和最大化期望值兩步迭代來不斷地修正直到收斂

。具體應(yīng)用為：EM算法輸入為貝葉斯網(wǎng)絡(luò)、訓練數(shù)據(jù)集、收斂閾值；首先通過E步期望計算，然后通過M步最大化期望計劃，再進行不斷迭代優(yōu)化的步驟；最終輸出為更新貝葉斯網(wǎng)絡(luò)節(jié)點條件概率。

在MATLAB平臺中可通過調(diào)用最大期望和最大似然估計函數(shù)，完成整個參數(shù)學習的建立、求解和優(yōu)化。尋優(yōu)過程中，將整個貝葉斯網(wǎng)絡(luò)所構(gòu)建的條件概率(表2～5)代入EM算法中，進行不斷迭代，尋找最優(yōu)解

。

按照P=95%年徑流量及地表Ⅲ類水質(zhì)標準計算其納污容量：COD為1 620萬t；NH3_N為81萬t；TP為16.2萬t。

3.3 全局聯(lián)合樹推理

為了提高運算速度，使EM算法能夠有效應(yīng)用，需要利用推理引擎機制，用來完成整個貝葉斯參數(shù)學習模型轉(zhuǎn)換、細化和求解。在EM算法參數(shù)學習基礎(chǔ)上，貝葉斯網(wǎng)絡(luò)調(diào)用全局聯(lián)合樹推理引擎(global_joint_inf_engine)

。 其中轉(zhuǎn)換和細化是將貝葉斯網(wǎng)絡(luò)轉(zhuǎn)換成一個次結(jié)構(gòu)聯(lián)合樹，通過定義在聯(lián)合樹上的消息傳遞過程，進行概率計算。消息傳遞法使得消息可以依次傳遍聯(lián)合樹的所有子節(jié)點和父節(jié)點，并使聯(lián)合樹滿足全局一致性。

4 結(jié)果分析

通過統(tǒng)計概率結(jié)合優(yōu)化后的條件概率，計算得出在故障表征發(fā)生條件下各故障原因發(fā)生的計算概率(以下簡稱計算概率)，計算概率由大到小排序，作為故障節(jié)點定位順序。通過概率變化(統(tǒng)計概率與計算概率差值的絕對值)分析計算概率的準確性。

① 出口壓力過高故障

結(jié)合專家經(jīng)驗，對調(diào)壓器故障原因發(fā)生或不發(fā)生的條件下，故障表征發(fā)生的可能性進行賦值，填寫在問卷中，根據(jù)問卷結(jié)果，得出在各故障原因發(fā)生或不發(fā)生的條件下故障表征發(fā)生的條件概率(以下簡稱條件概率)，見表2～5。表中

～

為中間參數(shù)，1表示發(fā)生，0表示不發(fā)生。條件概率用以表示貝葉斯網(wǎng)絡(luò)中各節(jié)點的相關(guān)程度，以下表格包含了每個節(jié)點與其他節(jié)點之間存在依賴關(guān)系的所有條件概率

。

由計算概率可得，最有可能引發(fā)出口壓力過高故障的原因是氣質(zhì)雜質(zhì)沖擊閥芯造成閥口處泄漏。并確定故障節(jié)點定位順序為

→

→

，即當調(diào)壓器發(fā)生出口壓力過高故障時，檢修人員應(yīng)按照氣質(zhì)雜質(zhì)沖擊閥芯造成閥口處泄漏→密封件破損老化→指揮器故障順序進行檢修。

② 出口壓力過低故障

在出口壓力過低發(fā)生條件下各故障原因發(fā)生的計算概率、統(tǒng)計概率、概率變化見圖4。

由計算概率可得，最有可能引發(fā)出口壓力過低故障的原因是指揮器故障。確定故障節(jié)點定位順序為

→

→

→

，即當調(diào)壓器發(fā)生出口壓力過低故障時，檢修人員應(yīng)按照指揮器故障→閥筒壁氣蝕損傷→皮膜破損→調(diào)壓站進口段的過濾器發(fā)生堵塞順序進行檢修。

③ 喘振故障

在喘振發(fā)生條件下各故障原因發(fā)生的計算概率、統(tǒng)計概率、概率變化見圖5。

由計算概率可得，最有可能引發(fā)喘振故障的原因是指揮器故障。并確定故障節(jié)點定位順序為

→

→

，即當調(diào)壓器發(fā)生喘振故障時，檢修人員應(yīng)按照指揮器故障→法蘭盤螺栓螺母松動→信號管安裝故障順序進行檢修。

今后，隨著技術(shù)的發(fā)展，在諧波源處設(shè)置諧波與無功的綜合治理設(shè)備，可使得治理措施更具目標性和針對性，保證地鐵電網(wǎng)的可靠性，確保地鐵的安全運行。

④ 關(guān)閉不嚴故障

當前，鄭州市正在全面建設(shè)創(chuàng)新型、服務(wù)型、國際化、現(xiàn)代化大都市和都市型現(xiàn)代農(nóng)業(yè)，打造中原經(jīng)濟區(qū)核心增長區(qū)，努力發(fā)揮在中原經(jīng)濟區(qū)建設(shè)中的龍頭作用、重心作用和示范帶頭作用，這對鄭州市農(nóng)田水利現(xiàn)代化建設(shè)提出了新的更高要求，也是鄭州市農(nóng)田水利自身向更高水準、更新階段發(fā)展的需要。

在關(guān)閉不嚴發(fā)生條件下各故障原因發(fā)生的計算概率、統(tǒng)計概率、概率變化見圖6。

傳統(tǒng)清蒸稻殼的方法，不經(jīng)除雜處理，土、砂、稻草、麻繩頭、玻璃繩等大小雜質(zhì)還在其中，而經(jīng)過除雜再清蒸的清潔化稻殼中這些雜質(zhì)除掉了90%以上，肉眼觀察沒有可見雜質(zhì)，稻殼的蓬松度也增大。

由計算概率可得，最有可能引發(fā)關(guān)閉不嚴故障的原因是閥口或者閥筒磨損。并確定故障節(jié)點定位順序為

→

，即當調(diào)壓器發(fā)生關(guān)閉不嚴故障時，檢修人員應(yīng)按照閥口或者閥筒磨損→指揮器故障順序進行檢修。

后面集中出示藥材名稱，引導學生去讀文了解藥性和作用，從而把“在古寺里做了什么”這個問題很好地解決了。這樣，文章的主要脈絡(luò)在組塊出現(xiàn)的詞語中慢慢顯露出來了。

⑤ 小結(jié)

概率變化總體在30%以內(nèi)，說明概率變化在可控范圍內(nèi)，同時也說明計算概率的準確度高。

5 結(jié)果驗證

為驗證參數(shù)學習優(yōu)化的概率分布準確性，選取某燃氣公司多個次高壓站及高壓站的檢修統(tǒng)計臺賬與檢測報告單。主要檢修內(nèi)容包括：法蘭水線、信號管接頭、彈簧檢查、閥筒檢查、進出口端耐磨環(huán)及密封圈、筒壁氣蝕刮痕等；主要控制數(shù)據(jù)包括：入口壓力、出口壓力、調(diào)節(jié)閥開度、流量記錄等。

總結(jié)多個次高壓調(diào)壓站及高壓調(diào)壓站調(diào)壓器檢修維護臺賬記錄及歷史故障拆解檢測記錄，結(jié)合構(gòu)建的貝葉斯網(wǎng)絡(luò)拓撲結(jié)構(gòu)，進行調(diào)壓器故障表征歸類及故障原因統(tǒng)計，見表6。

由表6可以看出，實際案例故障統(tǒng)計與計算概率總體一致，反映了參數(shù)學習優(yōu)化貝葉斯網(wǎng)絡(luò)的正確性。

6 結(jié)論及展望

① 當調(diào)壓器發(fā)生出口壓力過高故障時，檢修人員應(yīng)按照氣質(zhì)雜質(zhì)沖擊閥芯造成閥口處泄漏→密封件破損老化→指揮器故障順序進行檢修。

② 當調(diào)壓器發(fā)生出口壓力過低故障時，檢修人員應(yīng)按照指揮器故障→閥筒壁氣蝕損傷→皮膜破損→調(diào)壓站進口段的過濾器發(fā)生堵塞順序進行檢修。

總之，在綜合實踐教學中，只要預(yù)防和究其原因進行解決，學生就能夠成功并成長，教師也能因此獲得經(jīng)驗并促進教學的發(fā)展。

③ 當調(diào)壓器發(fā)生喘振故障時，檢修人員應(yīng)按照指揮器故障→法蘭盤螺栓螺母松動→信號管安裝故障順序進行檢修。

蘇長河趕緊穿上牛頭短褲，想進屋問問柳紅發(fā)生什么事了，但他還是沒敢走進去。他搬了長條凳和竹榻，在院子里將竹榻架好；然后又搬了竹椅子和小腳凳，放在竹榻邊；小腳凳上放了他的“大前門”香煙和火柴，還有一把大茶壺——蘇石從城里買來送給他的。熱水瓶放在小腳凳旁邊。他坐下來，抽上一根煙，就像往常一樣靜靜地坐在自家院子里乘涼。與往日不同的是，他豎起耳朵，全神貫注地捕捉著屋里的動靜。

④ 當調(diào)壓器發(fā)生關(guān)閉不嚴故障時，檢修人員應(yīng)按照閥口或者閥筒磨損→指揮器故障順序進行檢修。

⑤ 由于貝葉斯網(wǎng)絡(luò)模型的強大學習能力，且不依賴于數(shù)據(jù)完備性，所以輸入訓練數(shù)據(jù)集，并采用EM算法進行參數(shù)學習后，可以對原模型進行較為準確的調(diào)整和優(yōu)化。參數(shù)學習既規(guī)避了無條件相信專家知識的片面性，也很好地給未來不需要固定網(wǎng)絡(luò)結(jié)構(gòu)和條件概率的模型自學習打下基礎(chǔ)，對于缺少故障案例的高中壓燃氣調(diào)壓器故障診斷具有實用意義。

[1] 潘繼平，楊麗麗，王陸新，等. 新形勢下中國天然氣資源發(fā)展戰(zhàn)略思考[J]. 國際石油經(jīng)濟,2017(6): 12-18.

[2] 傅娟. 燃氣管道在線焊接條件及熱工特性模擬(碩士學位論文)[D]. 哈爾濱:哈爾濱工業(yè)大學,2011:5-10.

[3] 李琪，郝學軍. ARIMA模型在燃氣調(diào)壓器故障診斷的應(yīng)用[J]. 煤氣與熱力, 2019(10)：B07-B12.

[4] 張慧瑩，寧媛，邵曉非. 機器學習中的貝葉斯網(wǎng)絡(luò)及其推理分析[J]. 現(xiàn)代機械,2012(2):91-94.

[5] PEARL J. Fusion，propagation，and structuring in belief networks[J]. Artificial Intelligence,1986(3):241-288.

[6] 雷江南. 貝葉斯網(wǎng)絡(luò)參數(shù)學習算法研究與實現(xiàn)(碩士學位論文)[D]. 西安:西安電子科技大學,2018:23-29.

[7] 張連文，郭海鵬. 貝葉斯網(wǎng)引論[M]. 北京:科學出版社,2006:17-39.

[8] 裴迪. 基于貝葉斯網(wǎng)絡(luò)的貨車空氣制動系統(tǒng)故障診斷研究(碩士學位論文)[D]. 北京:北京交通大學,2018:42-59.