基于模糊故障樹的防爆電氣設備失效判定模型構建

袁良， 李晉鋒

(塔里木油田分公司， 英買采油氣管理區(qū)， 新疆， 庫爾勒 841000)

0 引言

防爆電氣設備基本安置于設備外部，容易受到自然環(huán)境條件的影響，而設備內部結構通常較為復雜，容易出現故障或失效，影響安全使用[1]。因此需要對設備進行定期的巡視檢查，并記錄設備的運行參數，但參數往往較為復雜，無法給出設備是否已經失效[2]的結論。我國相關研究目前使用較多的是人工神經網絡以及故障樹技術的判定，這些研究對防爆電氣設備失效判定時間較長、判定結果不準確[3]，為此本文構建基于模糊故障樹的防爆電氣設備失效判定模型。

1 模型設計

1.1 設備模態(tài)檢測

首先通過激光掃描設備獲得圖像，利用Mean Shift算法對圖像中位于分支上的高熱區(qū)進行模態(tài)檢測，達成故障診斷[4]。將圖像表示為網格上的n維向量，在整個圖像空間信息以及色彩信息中，向量可以表示為x=(xs,xr)，維度則為n+2，而信息中所表示的向量則可以利用xs來代表其中網格點的坐標，xr則代表在網格點上的n維向量特征，當n=2時，圖像處于灰度圖像；當n=3時，圖像則為彩色圖像。設S為n維歐式空間X的一個有限集合，K則是X空間中半徑為λ球體下的特征函數，則存在：

(1)

式中，x∈X，且x點的Mean Shift向量形式則為

(2)

式中，Sλ代表一個半徑為λ的球體包括的區(qū)域，xk代表k個樣本點，k=1,2，…，n，其中k個點落在Sλ區(qū)域內。Mean Shift的樣本點如圖1所示。

圖1 Mean Shift樣本點示意圖

圖1中，樣本點xk和x之間的距離越近，對Mλ(x)統(tǒng)計效果的影響則越大，考慮到其中的距離因素，Mean Shift向量的擴展為

(3)

式中，GH(xi-x)表示一個核函數，H表示一個正定的d*d大小矩陣。當給予Mean Shift算法一個初始值x后，對各項進行算法迭代循環(huán)，使所有聚類均處于同一模態(tài)點下的一個區(qū)域內，獲得設備的當前模態(tài)狀態(tài)[5]。

1.2 建立模糊故障樹算法

在建立模糊故障樹雙方前，需要對故障樹中的基本符號以及概念進行確立[6]。

(4)

1.3 因故障失效判定

(5)

式中，有限時間函數內的τ在變化時，g確定的時間位置會沿著時間軸移動。根據移動的不同時域端對信號f(t)進行分析。G(ω,τ)的結果反映了被分析信號f(t)在所分析的特定時刻τ，頻率值為ω的含量。

1.4 性能失效判定

考慮造成設備失效的原因除去設備上出現故障導致的失效原因，設備也存在性能下降造成的失效情況，因此本文選擇使用灰色預測方法來對設備的性能失效預測。設在所測設備的檢測中獲得的性能退化序列為X(0)=(x(0)(k1),x(0)(k2),…,x(0)(kn))，而在性能退化序列中相鄰分量中的間距則為

Δki=ki-ki-1，i=2,3,…,n

(6)

式中，當Δki數值為常數時，序列X(0)屬于等距序列，當該數值存在變化時，序列X(0)則屬于非等距序列。在X(0)中進行累加生成，將該序列中的第一數據作為生成列中的第一數據，將其中的第二數據添加在序列的第一數據中，按此規(guī)則，獲得生成式：

X(1)=(x1(k1),x1(k2),…,x1(kn))

(7)

式中，X(1)則為序列X(0)的第一次累加生成，同時根據灰色預測中的一階線性微分方程：

(8)

式中，a代表序列發(fā)展灰數，μ代表內生控制灰度。該方程反映了數據之間的變化關系，得出的灰色微分方程則為

x(0)(ki+1)·Δki+1+az(1)(ki+1)=μΔki+1

(9)

式中，z(1)(ki+1)表示X(1)在[ki,ki+1]上的背景值。根據獲得參數a以及μ的估計值，求得式(9)中的離散解，從而獲得對該設備原始性能退化序列的預測，公式為

(10)

根據該設備的當前性能情況，判斷設備是否失效，同時依據式(10)也可以對設備未來可能出現的失效情況進行判斷。

2 實驗論證分析

2.1 測試判定設備

在本文實驗中，對該公司的電氣防爆設備的失效判定共測試了7種設備，以下設備使用時間均超出了正常使用年限，存在不同程度的失效，如表1所示。

表1 測試判定設備

實驗中進行失效判定的設備之一如圖2所示。

圖2 防爆接線箱

2.2 實驗運算設備

實驗中，對檢測到的參數進行判定運算的設備選用PC機進行。PC機軟件中，操作系統(tǒng)采用Windows 7，數據庫采用MySQL 5.0，軟件應用使用MATLAB仿真軟件。

2.3 對比結果分析

首先測試4種模型在對設備的失效判定時所消耗的時間，這其中并不包括相關設備的檢測時間，測試結果如圖3所示。

圖3 模型對設備判別時間

圖3中，模型一代表本文設計的失效判定模型，模型二代表文獻[5]中的失效判定模型，模型三代表文獻[6]中的失效判定模型，模型四代表文獻[7]中的失效判定模型。圖3中，由于設備之間參數不同，計算的復雜度也不同，其中模型一在計算中使用時間最低。

采用文獻[5]、文獻[6]、文獻[7]中的失效判定模型以及本文設計的失效判定模型，對防爆電氣設備進行失效程度判斷，并將3種模型的判斷結果與實際測試的設備失效程度進行對比，其對比結果如表2所示。

表2 設備失效程度判斷結果

根據表2中的數據可以發(fā)現，模型一對設備參數判定得出的失效程度更接近實際測試得出的失效程度，證明本文設計的電氣設備失效判定模型在進行失效判定時性能更好，具有更高的準確性。

3 總結

本文構建了基于模糊故障樹的防爆電氣設備失效判定模型，通過在傳統(tǒng)失效判定上常用的故障樹的改進，添加了模糊故障樹來限制故障樹的時段，得出具體時段下的設備性能，獲得更高準確率的設備失效判定模型。在未來研究中，考慮到物聯網技術的發(fā)展，可以考慮在設備上添加與物聯網連接的傳感器，實現無人的實時檢測和性能判定。