調(diào)壓閥故障診斷研究綜述與本體技術(shù)應(yīng)用展望

周軍， 李傳錢， 朱斌，劉詩桃， 梁光川

(1.西南石油大學(xué)石油與天然氣工程學(xué)院，四川成都 610500；2.中國石油西南油氣田分公司，四川成都 610051)

0 前言

調(diào)壓閥作為天然氣管網(wǎng)中核心設(shè)備之一，根據(jù)用戶需求調(diào)節(jié)管網(wǎng)下游壓力，是保障居民燃?xì)夂推髽I(yè)天然氣安全平穩(wěn)供應(yīng)的關(guān)鍵設(shè)備。由于高頻率機(jī)械運(yùn)動(dòng)與長期處于在高壓、腐蝕等惡劣環(huán)境中，調(diào)壓閥異常和故障頻發(fā)[1]。企業(yè)雖然針對(duì)調(diào)壓閥的常規(guī)維護(hù)和檢修制定嚴(yán)格的標(biāo)準(zhǔn)和流程，保障輸送系統(tǒng)的可靠運(yùn)行，但隨著天然氣站場調(diào)壓閥自動(dòng)化程度提升，對(duì)設(shè)備的運(yùn)行監(jiān)測、故障診斷和維護(hù)要求更高。傳統(tǒng)的人工故障診斷維護(hù)方式缺乏實(shí)時(shí)性，無法滿足診斷與維護(hù)需求[2-3]。為降低調(diào)壓閥故障造成的經(jīng)濟(jì)損失和安全風(fēng)險(xiǎn)，提高調(diào)壓閥故障診斷和維護(hù)效率，許多學(xué)者進(jìn)行大量調(diào)壓閥的故障診斷技術(shù)研究和現(xiàn)場應(yīng)用。

故障診斷技術(shù)的發(fā)展可分起源階段(1960s)、發(fā)展階段(1980s)、智能化階段(2000s)3個(gè)階段。20世紀(jì)60年代，美國和英國相繼成立機(jī)械故障診斷研究機(jī)構(gòu)，開始進(jìn)行故障診斷理論研究。20世紀(jì)80年代，科研人員逐漸深入研究設(shè)備故障機(jī)制，進(jìn)行故障信號(hào)的特征提取，開展故障分類識(shí)別，系統(tǒng)化的故障診斷技術(shù)理論逐漸發(fā)展起來。20世紀(jì)末開始進(jìn)入智能化研究階段[4-5]。由于設(shè)備等其他因素，我國故障診斷研究起步較晚，20世紀(jì)80年代后，國內(nèi)故障診斷技術(shù)研究開始走向正軌并迅速發(fā)展，國內(nèi)部分高校和科研機(jī)構(gòu)先后在天然氣管網(wǎng)系統(tǒng)領(lǐng)域中開展設(shè)備故障診斷研究[6]，其中針對(duì)系統(tǒng)中調(diào)壓閥故障診斷研究取得了不錯(cuò)的研究成果，初步實(shí)現(xiàn)系統(tǒng)的故障診斷及應(yīng)用。

隨著天然氣管網(wǎng)系統(tǒng)智能化建設(shè)、SCADA系統(tǒng)的廣泛應(yīng)用、大數(shù)據(jù)和機(jī)器學(xué)習(xí)理論的深入研究，為調(diào)壓閥智能故障診斷技術(shù)的發(fā)展提供更多的理論支撐和研究方向。為此，本文作者基于國內(nèi)外相關(guān)文獻(xiàn)，對(duì)故障診斷技術(shù)進(jìn)行歸納總結(jié)，剖析調(diào)壓閥故障診斷技術(shù)研究應(yīng)用現(xiàn)狀及問題，探討自力式調(diào)壓故障診斷技術(shù)發(fā)展方向，并在Web 3.0時(shí)代背景下，分析本體智能故障診斷技術(shù)的優(yōu)勢，面對(duì)天然氣管網(wǎng)，甚至是石油與天然氣行業(yè)，展望基于多理論融合的本體智能故障診斷技術(shù)應(yīng)用前景。

1 故障診斷技術(shù)

故障診斷是一門多專業(yè)綜合應(yīng)用型技術(shù)，涉及統(tǒng)計(jì)學(xué)、計(jì)算機(jī)技術(shù)、傳感器與檢測、信號(hào)分析與數(shù)據(jù)處理、現(xiàn)代測量、自控工程、人工智能等多個(gè)學(xué)科[7]。經(jīng)過長期的發(fā)展，慢慢形成以解析模型、知識(shí)及數(shù)據(jù)驅(qū)動(dòng)為主的三類故障診斷方法。

1.1 基于模型

基于模型的方法是通過深入認(rèn)識(shí)機(jī)械設(shè)備或系統(tǒng)內(nèi)部機(jī)制和故障表征形式，建立設(shè)備數(shù)學(xué)解析模型，利用設(shè)備運(yùn)行值與模擬值之間的殘差，分析設(shè)備或系統(tǒng)運(yùn)行時(shí)與系統(tǒng)表達(dá)的差異性，實(shí)現(xiàn)設(shè)備或系統(tǒng)故障診斷[8]。從數(shù)學(xué)分析或殘差計(jì)算方式的角度，該方法可分為參數(shù)估計(jì)、狀態(tài)估計(jì)和等價(jià)空間。狀態(tài)估計(jì)方法是通過重構(gòu)設(shè)備運(yùn)行狀態(tài)，計(jì)算模擬結(jié)果與實(shí)際運(yùn)行數(shù)據(jù)的殘差，分析殘差序列，實(shí)現(xiàn)診斷故障，該方法適用于易建模、數(shù)據(jù)充足的線性設(shè)備系統(tǒng)[9-12]。等價(jià)空間方法是建立一個(gè)設(shè)備等價(jià)數(shù)學(xué)關(guān)系模型，分析靜態(tài)與動(dòng)態(tài)冗余，判斷實(shí)際過程的設(shè)計(jì)值與等價(jià)關(guān)系模型的一致性。該方法易實(shí)現(xiàn)，但診斷故障性能相對(duì)較差[11-12]。參數(shù)估計(jì)方法通過統(tǒng)計(jì)分析模型參數(shù)變化，進(jìn)行故障診斷，應(yīng)用比較廣泛的參數(shù)估計(jì)方法有卡爾曼濾波器方法、極大似然參數(shù)估計(jì)等[8,12]。

隨著設(shè)備和系統(tǒng)越來越復(fù)雜，相應(yīng)完整的故障診斷數(shù)學(xué)模型一般很難建立，雖然可以建立系統(tǒng)各模塊的模型，并組合形成整個(gè)系統(tǒng)的近似模型，但其關(guān)聯(lián)性較差，整個(gè)系統(tǒng)模型的的魯棒性和泛化性并不穩(wěn)定，并且實(shí)際生產(chǎn)中，系統(tǒng)容易受外界擾動(dòng)等不確定因素的影響，所以該技術(shù)實(shí)際應(yīng)用也存在諸多限制[13]。

1.2 基于知識(shí)

基于知識(shí)的故障診斷方法是以技術(shù)人員長期生產(chǎn)經(jīng)驗(yàn)和設(shè)備歷史故障信息總結(jié)得到的故障知識(shí)為基礎(chǔ)，由知識(shí)定性描述設(shè)備運(yùn)行中各單元的連接關(guān)系，建立故障特征及故障類空間的關(guān)系，進(jìn)行故障知識(shí)的推理，實(shí)現(xiàn)故障診斷與決策[14-15]。該方法可劃分為模式識(shí)別、專家系統(tǒng)和因果分析[16]。模式識(shí)別是利用設(shè)備運(yùn)行數(shù)據(jù)和設(shè)備故障知識(shí)的關(guān)聯(lián)性，通過貝葉斯、神經(jīng)網(wǎng)絡(luò)等分類器進(jìn)行分類，最后實(shí)現(xiàn)診斷。專家系統(tǒng)是通過模擬專家診斷，通過推理并進(jìn)行解釋，實(shí)現(xiàn)故障診斷與決策。因果分析方法是基于設(shè)備的部分或全部故障特征，建立因果模型關(guān)系，實(shí)現(xiàn)故障檢測與分析，包括符號(hào)定向圖、故障樹方法等[17]。

基于知識(shí)的故障診斷方法大多應(yīng)用于輸入、輸出和變量數(shù)相對(duì)較小的系統(tǒng)，無需建立模型。該方法適用于有大量專家生產(chǎn)經(jīng)驗(yàn)和故障知識(shí)的工業(yè)系統(tǒng)，但隨著工業(yè)系統(tǒng)的發(fā)展，單一基于知識(shí)的方法已不再適用于當(dāng)今大數(shù)據(jù)下的故障診斷[12]。

1.3 基于數(shù)據(jù)驅(qū)動(dòng)

數(shù)據(jù)驅(qū)動(dòng)方法通過數(shù)學(xué)分析和處理工業(yè)系統(tǒng)中收集到的海量數(shù)據(jù)，包括溫度、壓力等運(yùn)行數(shù)據(jù)，深入挖掘數(shù)據(jù)潛在信息和知識(shí)，以此獲得生產(chǎn)過程的運(yùn)行狀態(tài)，無需建立設(shè)備或系統(tǒng)的解析模型，無需獲取大量的專家經(jīng)驗(yàn)知識(shí)，即可實(shí)現(xiàn)故障診斷[18]。該方法也是一種獲取“知識(shí)”的方法，但基于數(shù)據(jù)驅(qū)動(dòng)獲取數(shù)據(jù)知識(shí)與專家經(jīng)驗(yàn)知識(shí)并不相同，它是真實(shí)反映設(shè)備生產(chǎn)運(yùn)行狀態(tài)的信息知識(shí)[12]。該方法可進(jìn)一步劃分為統(tǒng)計(jì)分析、主成分分析法、信號(hào)處理等方法[15]。人工智能技術(shù)的快速發(fā)展，為數(shù)據(jù)驅(qū)動(dòng)的技術(shù)發(fā)展提供更為豐富的理論與研究方向[19]。

現(xiàn)代測量技術(shù)與數(shù)據(jù)存儲(chǔ)技術(shù)的發(fā)展，數(shù)據(jù)觀測、采集和存儲(chǔ)技術(shù)越發(fā)成熟，各類工業(yè)系統(tǒng)過程中都積累了大量的數(shù)據(jù)，在當(dāng)下數(shù)據(jù)經(jīng)濟(jì)時(shí)代，這些數(shù)據(jù)擁有巨大的潛在價(jià)值?；跀?shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)由于在數(shù)據(jù)分析和處理上的巨大優(yōu)勢，成為了故障診斷研究熱點(diǎn)領(lǐng)域并蓬勃發(fā)展[12]。

2 調(diào)壓閥故障診斷技術(shù)研究

20世紀(jì)90年代，美國相關(guān)研究人員將研究的重點(diǎn)放到影響調(diào)壓閥性能穩(wěn)定的因素上，根據(jù)實(shí)物設(shè)計(jì)以及運(yùn)行經(jīng)驗(yàn)，從實(shí)際運(yùn)行情況分析導(dǎo)致調(diào)壓閥出口壓力波動(dòng)的各類因素，為故障診斷研究奠定了一定基礎(chǔ)[20]。與發(fā)達(dá)國家相比，我國調(diào)壓閥故障診斷研究起步較晚，但隨著天然氣管網(wǎng)系統(tǒng)迅速發(fā)展完善，科研人員與相關(guān)機(jī)構(gòu)均取得了不錯(cuò)的研究成果。調(diào)壓閥故障診斷發(fā)展歷程如圖1所示。

圖1 調(diào)壓閥故障診斷發(fā)展歷程[20-24]

隨著工業(yè)系統(tǒng)的不斷發(fā)展，現(xiàn)代設(shè)備運(yùn)行狀態(tài)受多種因素影響，參數(shù)關(guān)聯(lián)性強(qiáng)[25]。單故障診斷方法往往是針對(duì)系統(tǒng)某部件或局部的故障診斷，已難以滿足故障診斷的系統(tǒng)化需求[26]。因此多理論的融合故障診斷方法研究逐漸成為主流，研究者們基于數(shù)據(jù)驅(qū)動(dòng)技術(shù)組合兩組或多組不同算法理論的優(yōu)勢，進(jìn)行大量融合故障診斷理論研究。通過總結(jié)近十年與調(diào)壓閥故障診斷技術(shù)相關(guān)的文獻(xiàn)發(fā)現(xiàn)：隨著管網(wǎng)智能化的發(fā)展，大數(shù)據(jù)的崛起，多數(shù)調(diào)壓閥故障診斷技術(shù)均是以故障數(shù)據(jù)為基礎(chǔ)，基于數(shù)據(jù)驅(qū)動(dòng)的多理論融合故障診斷技術(shù)，例如知識(shí)與數(shù)據(jù)驅(qū)動(dòng)融合、模型與數(shù)據(jù)驅(qū)動(dòng)融合等故障診斷。

2.1 基于模型與數(shù)據(jù)驅(qū)動(dòng)融合

在當(dāng)前大數(shù)據(jù)時(shí)代，數(shù)據(jù)驅(qū)動(dòng)方法是故障診斷的主要發(fā)展方向，但是實(shí)際生產(chǎn)中，該方法仍然存在現(xiàn)實(shí)可行性的問題，如設(shè)備真實(shí)故障數(shù)據(jù)不足、記錄不全的情況。為此許多學(xué)者融合基于模型故障診斷方法，通過精確認(rèn)識(shí)調(diào)壓閥內(nèi)部機(jī)制，確定調(diào)壓閥技術(shù)參數(shù)和功能要求，建立精確的調(diào)壓閥系統(tǒng)數(shù)學(xué)模型以及仿真模型；通過模型計(jì)算與軟件仿真獲得高質(zhì)量調(diào)壓閥故障數(shù)據(jù)，為基于模型與數(shù)據(jù)驅(qū)動(dòng)的融合故障診斷技術(shù)提供數(shù)據(jù)支撐。

目前進(jìn)行調(diào)壓閥故障診斷研究主要的仿真建模軟件有DAMADICS、MATLAB和其他CFD軟件。為解決實(shí)際生產(chǎn)過程中閥門故障數(shù)據(jù)不足的問題，文獻(xiàn)[27]通過DAMADICS平臺(tái)搭建了調(diào)壓閥仿真模型，實(shí)現(xiàn)了調(diào)壓閥故障的仿真，獲得大量有效的調(diào)壓閥故障數(shù)據(jù)，并在此基礎(chǔ)上通過支持向量機(jī)和極限學(xué)習(xí)機(jī)2個(gè)方法，實(shí)現(xiàn)調(diào)壓閥故障診斷。文獻(xiàn)[28]通過MATLAB構(gòu)建燃?xì)庹{(diào)壓閥數(shù)學(xué)仿真模型，分別基于經(jīng)驗(yàn)?zāi)B(tài)分解的長短期記憶網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)算法，構(gòu)建故障智能診斷模型。文獻(xiàn)[29]通過MATLAB進(jìn)行調(diào)壓閥故障仿真和數(shù)據(jù)采集，采用支持向量機(jī)方法實(shí)現(xiàn)了故障診斷。文獻(xiàn)[30]詳細(xì)分析調(diào)壓閥流場特性和常見故障機(jī)制，運(yùn)用CAD與CFD軟件建立流場模型，獲得了不同工作狀態(tài)的數(shù)值解；在此基礎(chǔ)上，根據(jù)壓力規(guī)律，基于閾值和分析殘差算法，實(shí)現(xiàn)對(duì)調(diào)壓閥泄漏和堵塞故障的診斷。針對(duì)調(diào)壓閥單一故障，文獻(xiàn)[31]根據(jù)調(diào)壓閥工作的機(jī)制建立了調(diào)壓閥機(jī)制模型，通過變分模態(tài)分解-多重多尺度熵方法和魯棒隨機(jī)向量函數(shù)鏈接網(wǎng)絡(luò)，提取故障特征。針對(duì)實(shí)際應(yīng)用中調(diào)壓閥并發(fā)故障，文獻(xiàn)[31]進(jìn)一步提高常規(guī)隨機(jī)向量函數(shù)鏈接網(wǎng)絡(luò)的領(lǐng)域適應(yīng)能力，建立并行領(lǐng)域適應(yīng)隨機(jī)向量函數(shù)鏈接網(wǎng)絡(luò)的并發(fā)故障診斷模型，通過實(shí)驗(yàn)系統(tǒng)驗(yàn)證方法可行性，解決了調(diào)壓閥并發(fā)故障診斷問題。

2.2 基于知識(shí)與數(shù)據(jù)驅(qū)動(dòng)融合

基于數(shù)據(jù)驅(qū)動(dòng)的方法從故障數(shù)據(jù)出發(fā)進(jìn)行分析，對(duì)數(shù)據(jù)信號(hào)分析與處理來實(shí)現(xiàn)調(diào)壓閥的故障識(shí)別與診斷，判斷故障位置。但該方法并不能很好地解釋故障診斷結(jié)論，無法滿足操作人員進(jìn)一步分析處理故障?；谥R(shí)的方法通過機(jī)械過程知識(shí)及故障知識(shí)，建立故障特征空間關(guān)系，可以很好地解釋結(jié)論。為此，許多學(xué)者將2種方法組合，形成基于知識(shí)與數(shù)據(jù)驅(qū)動(dòng)的融合故障診斷技術(shù)。

文獻(xiàn)[32]根據(jù)專家經(jīng)驗(yàn)分析劃分故障類型，利用經(jīng)驗(yàn)?zāi)B(tài)分析方法提取原始?jí)毫?shù)據(jù)的能量特征，根據(jù)灰色關(guān)聯(lián)熵理論分析關(guān)聯(lián)度，實(shí)現(xiàn)故障分類與診斷。文獻(xiàn)[33]利用小波包方法提取調(diào)壓閥故障壓力數(shù)據(jù)的特征，利用小波包能量方法對(duì)壓力信號(hào)的頻帶進(jìn)行分解，完成故障類型的識(shí)別和分類。同時(shí)，進(jìn)一步將操作人員的經(jīng)驗(yàn)知識(shí)與小波包方法相結(jié)合，形成知識(shí)和數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法。文獻(xiàn)[34]將調(diào)壓閥出口壓力進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，結(jié)合優(yōu)序圖法判定專家診斷結(jié)果，建立最優(yōu)支持向量機(jī)模型。文獻(xiàn)[35]將機(jī)器學(xué)習(xí)方法引入到頻譜分類中，結(jié)合支持向量機(jī)故障分類方法，解決噪聲和檢測機(jī)制非線性等問題，實(shí)現(xiàn)調(diào)壓閥故障診斷。文獻(xiàn)[36]進(jìn)一步將基于散度核的機(jī)器學(xué)習(xí)方法引入故障分類，應(yīng)用于調(diào)壓閥中橡膠膜片的故障診斷的振動(dòng)頻譜分類，實(shí)現(xiàn)了調(diào)壓閥故障診斷。文獻(xiàn)[37]將主成分分析與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合，通過主成分分析將高維故障主數(shù)據(jù)降維，再通過RBF進(jìn)行故障診斷分類，進(jìn)一步優(yōu)化診斷方法，取得了更好的調(diào)壓閥故障診斷效果。對(duì)于傳統(tǒng)支持向量機(jī)特征提取困難和卷積神經(jīng)在樣本不足時(shí)的分類能力問題，文獻(xiàn)[38]采用多尺度卷積核并行方式提取調(diào)壓閥出口壓力的故障特征，將傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中的分類器更換為支持向量機(jī)分類器，形成并驗(yàn)證該融合故障診斷方法。

2.3 多理論融合

隨著信息處理技術(shù)的不斷升級(jí)發(fā)展，各種機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能算法和理論的不斷更新升級(jí)，為調(diào)壓閥故障診斷研究提供了更多的方向，多理論融合的故障診斷技術(shù)研究作為故障診斷研究領(lǐng)域的研究熱點(diǎn)，在工業(yè)大數(shù)據(jù)的支持下，基于數(shù)據(jù)驅(qū)動(dòng)的多理論融合故障診斷技術(shù)逐漸向著更深層次發(fā)展。

文獻(xiàn)[39]通過Apriori對(duì)變量與故障間關(guān)聯(lián)度進(jìn)行分析，得到強(qiáng)關(guān)聯(lián)規(guī)則故障知識(shí)；小波包分析和Apriori進(jìn)行特征提取，實(shí)現(xiàn)調(diào)壓閥故障診斷與安全預(yù)警。為解決模型稀疏性與預(yù)測樣本類別關(guān)系問題，文獻(xiàn)[27]在模型和數(shù)據(jù)驅(qū)動(dòng)融合故障診斷基礎(chǔ)上，將貝葉斯思想應(yīng)用于極限學(xué)習(xí)機(jī)多分類器，保留原有極限學(xué)習(xí)機(jī)算法的特點(diǎn)和優(yōu)勢，取得了更好的故障診斷效果。針對(duì)機(jī)器學(xué)習(xí)方法故障樣本不足的問題，文獻(xiàn)[40]利用極限學(xué)習(xí)機(jī)速度更快和自動(dòng)生成網(wǎng)絡(luò)參數(shù)的能力，結(jié)合半監(jiān)督極限學(xué)習(xí)機(jī)和遷移學(xué)習(xí)處理標(biāo)簽數(shù)據(jù)的優(yōu)勢，通過自編碼器技術(shù)，提取數(shù)據(jù)特征。最后通過實(shí)驗(yàn)平臺(tái)驗(yàn)證了該多理論融合的故障診斷技術(shù)的可行性。文獻(xiàn)[41]對(duì)壓力數(shù)據(jù)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，結(jié)合專家與操作人員經(jīng)驗(yàn)知識(shí)，結(jié)合粒子群算法，優(yōu)化支持向量機(jī)分類器參數(shù)，建立調(diào)壓閥故障診斷模型，形成多理論融合故障診斷方法。文獻(xiàn)[42]利用t-SNE可視化降維算法將調(diào)壓閥故障數(shù)據(jù)進(jìn)行降維，使用SDP聚類分類集中數(shù)據(jù)，再利用支持向量機(jī)分類離散數(shù)據(jù)量較小的故障數(shù)據(jù)，實(shí)現(xiàn)了大數(shù)據(jù)驅(qū)動(dòng)和并行SDP的調(diào)壓閥故障診斷。

2.4 存在問題

當(dāng)前調(diào)壓閥故障診斷的研究，仍然缺乏系統(tǒng)的調(diào)壓閥故障診斷知識(shí)獲取和知識(shí)表示方面的認(rèn)識(shí)和規(guī)范，各個(gè)故障診斷系統(tǒng)存在的異構(gòu)性，故障診斷相互之間缺乏共同的理解。各個(gè)故障診斷系統(tǒng)間還存在“知識(shí)孤島”問題，故障知識(shí)共享困難、知識(shí)重用困難、系統(tǒng)可拓展性差，故障診斷系統(tǒng)推理效率低、靈活性低。

調(diào)壓閥故障診斷技術(shù)中以基于數(shù)據(jù)驅(qū)動(dòng)的多理論融合故障診斷技術(shù)為主，系統(tǒng)大部分通過調(diào)壓閥進(jìn)出口壓力數(shù)值作為故障特征，部分采用流量和溫度數(shù)值作為故障特征，進(jìn)行系統(tǒng)運(yùn)行狀態(tài)識(shí)別與故障診斷。雖然可以初步實(shí)現(xiàn)故障診斷，但系統(tǒng)需求的故障數(shù)據(jù)量大，質(zhì)量要求高，實(shí)際生產(chǎn)中無法滿足大量高質(zhì)量故障數(shù)據(jù)的要求。因此部分研究的數(shù)據(jù)來自軟件仿真或者室內(nèi)實(shí)驗(yàn)，保障故障數(shù)據(jù)量，但在各種理論或理想條件下的研究成果，距離達(dá)到實(shí)際復(fù)雜的生產(chǎn)環(huán)境故障診斷要求還存在差距，各種故障診斷方法的泛化性并不理想。針對(duì)目前調(diào)壓閥故障診斷系統(tǒng)存在的問題，文中提出引入本體技術(shù)進(jìn)行調(diào)壓閥智能故障診斷研究和探討。

3 基于本體的故障診斷技術(shù)

本體(Ontology)來源于哲學(xué)，其為事物客觀存在的本質(zhì)[43]。GRUBER[44]提出：“本體是概念化的明確的規(guī)范說明”。STUDER等[45]將本體進(jìn)一步明確定義為：“共享概念模型明確的形式化規(guī)范說明”，從概念化(Conceptualization)、明確性(Eplicit)、形式化(Formal)和共享性(Share)4個(gè)方面闡釋了本體的含義。在知識(shí)工程和人工智能領(lǐng)域也稱為本體論、本體語義。

3.1 本體理論

本體在知識(shí)工程和人工智能研究領(lǐng)域，目標(biāo)為抽象知識(shí)的本質(zhì)。GMEZ-PREZ和BENJAMINS[46]將本體建?；偨Y(jié)歸納為概念或類、關(guān)系、函數(shù)、公理和實(shí)例。其關(guān)系示意如圖2所示。

(1)類(Classes)：可以描述任何事物，將客觀世界中同一類對(duì)象構(gòu)成集合，歸納共性并抽象為一般描述。

(2)關(guān)系(Relations):本體中的關(guān)系表示概念之間的交互作用，一般用n維笛卡兒積表示概念類之間存在的n元關(guān)系，關(guān)系對(duì)應(yīng)于對(duì)象元組的集合。

(3)函數(shù)(Functions)：是一類特殊的關(guān)系，是集合中多個(gè)類間映射關(guān)系的統(tǒng)一標(biāo)準(zhǔn)。

(4)公理(Axioms)：表示永遠(yuǎn)成立的聲明，永遠(yuǎn)正確的結(jié)論，是一些永真式，用于描述關(guān)系之間的約束。

(5)實(shí)例(Instances)：屬于某一概念或類的基本元素，代表實(shí)際對(duì)象。

圖2 本體示意Fig. 2 Ontology schematic

本體技術(shù)作為強(qiáng)大的知識(shí)庫構(gòu)建技術(shù)和知識(shí)表示及推理技術(shù)，能規(guī)范化地表示領(lǐng)域?qū)I(yè)知識(shí)，突破傳統(tǒng)知識(shí)工程中嚴(yán)重依賴專家和主觀因素的弊端，而且通過拓?fù)浣Y(jié)構(gòu)化的知識(shí)存儲(chǔ)和展示機(jī)制，擴(kuò)展知識(shí)規(guī)模，展現(xiàn)知識(shí)關(guān)聯(lián)性，并進(jìn)一步加深了知識(shí)的理解和實(shí)際應(yīng)用效果[47]。本體論在提供管理、搜索、檢索、維護(hù)、共享和查看信息的新方法方面有著巨大潛力，是語義Web、知識(shí)庫、知識(shí)圖譜等技術(shù)的核心元素和基礎(chǔ)框架。它們?yōu)榻鉀Q2個(gè)或多個(gè)信息系統(tǒng)之間的異構(gòu)性問題提供了最佳解決方案，提供了一種通用知識(shí)，可供人工智能、語義Web服務(wù)、知識(shí)工程和計(jì)算機(jī)科學(xué)等不同領(lǐng)域共享和重用[48]。隨著時(shí)間的推移和不同應(yīng)用之間的快速發(fā)展，近年來對(duì)本體構(gòu)建方法的需求越來越大[49]。

3.2 本體故障診斷技術(shù)研究現(xiàn)狀

本體故障知識(shí)表示方法中，本體知識(shí)模型層次結(jié)構(gòu)性強(qiáng)，保證了知識(shí)推理的正確率，有效解決其他方法推理能力和解釋能力不足的問題。在智能診斷研究和知識(shí)工程領(lǐng)域，本體故障診斷術(shù)語的描述具有通用性，能清晰地定義故障知識(shí)的概念，建立明確的故障知識(shí)關(guān)系。其良好的知識(shí)規(guī)范性與關(guān)聯(lián)性，可有效解決機(jī)械設(shè)備故障知識(shí)復(fù)雜、多源異構(gòu)等問題，更易于共享、重用、更新和維護(hù)故障診斷知識(shí)[26]。

許多國內(nèi)外研究者將本體技術(shù)引入各個(gè)工業(yè)機(jī)械故障診斷領(lǐng)域，進(jìn)行了大量故障本體知識(shí)研究和故障診斷應(yīng)用。目前大多數(shù)學(xué)者的本體建模思路幾乎相同，故障診斷的本體類描述多數(shù)為故障現(xiàn)象、故障原因、故障部位、故障類型和故障維護(hù)?？偨Y(jié)典型故障診斷本體關(guān)系如圖3所示。

圖3 典型故障診斷本體關(guān)系Fig.3 Typical fault diagnosis ontology relationship

電力工業(yè)發(fā)展較早，相關(guān)設(shè)備故障診斷理論研究較為豐富。針對(duì)電網(wǎng)網(wǎng)絡(luò)故障，文獻(xiàn)[50]對(duì)電網(wǎng)及其行為的細(xì)節(jié)進(jìn)行分析，建立本體故障診斷模型，初步實(shí)現(xiàn)電網(wǎng)故障診斷。文獻(xiàn)[51]基于故障知識(shí)，應(yīng)用本體方法深度挖掘引發(fā)故障的深層次原因，建立發(fā)電站汽輪機(jī)故障診斷系統(tǒng)，并在實(shí)踐中成功應(yīng)用。文獻(xiàn)[52]基于本體知識(shí)建模方法，建立風(fēng)力發(fā)電機(jī)組故障診斷知識(shí)庫，實(shí)現(xiàn)了設(shè)備設(shè)計(jì)企業(yè)與運(yùn)行企業(yè)的專業(yè)設(shè)備知識(shí)共享和發(fā)電機(jī)組的故障診斷。除電力工業(yè)外，采礦等其他大型工業(yè)系統(tǒng)中的本體智能故障診斷研究也有很多。在采礦業(yè)井下大型采礦機(jī)故障診斷研究中，文獻(xiàn)[53]通過建立采煤機(jī)的故障本體，結(jié)合語義網(wǎng)語言，實(shí)現(xiàn)采礦機(jī)的故障診斷。文獻(xiàn)[54]基于提升機(jī)故障知識(shí)，建立本體故障診斷語義知識(shí)系統(tǒng)，實(shí)現(xiàn)提升機(jī)故障診斷。文獻(xiàn)[55]同樣基于提升機(jī)故障知識(shí)，構(gòu)建本體知識(shí)庫，在本體推理的基礎(chǔ)上融合關(guān)聯(lián)規(guī)則方法，實(shí)現(xiàn)故障現(xiàn)象到原因本體的推理。在機(jī)械制造設(shè)備領(lǐng)域，文獻(xiàn)[56]構(gòu)建了機(jī)床本體故障診斷知識(shí)模型，將故障診斷實(shí)例導(dǎo)入知識(shí)擴(kuò)展平臺(tái)，實(shí)現(xiàn)機(jī)床故障診斷與本體知識(shí)庫拓展。在軍用領(lǐng)域，文獻(xiàn)[57]通過本體知識(shí)表示方法建立艦炮武器系統(tǒng)的故障診斷知識(shí)模型，并轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)模型，將本體技術(shù)的知識(shí)優(yōu)勢和貝葉斯網(wǎng)絡(luò)的不確定推理優(yōu)勢進(jìn)行結(jié)合，實(shí)現(xiàn)了艦炮武器系統(tǒng)的故障診斷。

多理論融合作為故障診斷技術(shù)領(lǐng)域的研究熱點(diǎn)方向，基于本體的多理論融合故障診斷技術(shù)也受到許多學(xué)者關(guān)注。文獻(xiàn)[58]建立汽輪發(fā)電機(jī)組的故障診斷本體知識(shí)庫，利用本體信號(hào)分析結(jié)果建立與本體知識(shí)的關(guān)聯(lián)，實(shí)現(xiàn)汽輪發(fā)電機(jī)的高效故障診斷。針對(duì)大型裝載機(jī)故障診斷知識(shí)復(fù)雜和理解困難的問題，文獻(xiàn)[59]建立了基于本體的故障診斷模型，結(jié)合案例推理技術(shù)，實(shí)現(xiàn)了高效、準(zhǔn)確的故障診斷。在大型農(nóng)業(yè)農(nóng)機(jī)系統(tǒng)中，針對(duì)皮帶傳輸故障診斷，文獻(xiàn)[60]利用本體方法，進(jìn)行故障知識(shí)表示，融合案例規(guī)則推理，建立本體皮帶輸送故障診斷系統(tǒng)，提升故障處理方案程序的標(biāo)準(zhǔn)性和規(guī)范性。此外，在智能制造領(lǐng)域，與無模型診斷相比，基于模型的故障診斷具有能夠解釋故障原因和傳播的優(yōu)勢，但需要了解生產(chǎn)線的配置模型和特定于上下文的信息。本體建?？梢栽谂渲媚Ｐ偷幕A(chǔ)上提供特定于上下文的信息，非常利于故障診斷。文獻(xiàn)[61]提出了基于本體與模型融合的故障診斷方法，建立基于第一原理定性力學(xué)的動(dòng)力學(xué)模型，使用數(shù)值優(yōu)化最小化來自生產(chǎn)線的傳感器數(shù)據(jù)與運(yùn)行動(dòng)力學(xué)模型的模擬數(shù)據(jù)之間的差異，以實(shí)現(xiàn)自動(dòng)配置建模和故障診斷。當(dāng)生產(chǎn)線運(yùn)行正常時(shí)，使用語義網(wǎng)技術(shù)自動(dòng)生成具有上下文特定信息的配置本體模型，并在生產(chǎn)線出現(xiàn)故障時(shí)使用生成的配置本體模型和信息進(jìn)行診斷。

4 本體故障診斷技術(shù)應(yīng)用展望

在Web3.0時(shí)代發(fā)展背景下，借助本體技術(shù)強(qiáng)大的知識(shí)獲取、知識(shí)表達(dá)、知識(shí)共享和知識(shí)重用能力，不僅是解決調(diào)壓閥故障診斷系統(tǒng)“知識(shí)孤島”和系統(tǒng)異構(gòu)性問題的有效手段之一，并且在整個(gè)天然氣管網(wǎng)系統(tǒng)的故障診斷研究中，本體技術(shù)也有著巨大的潛在價(jià)值。進(jìn)行基于本體的調(diào)壓閥故障診斷系統(tǒng)研究，不僅有望進(jìn)行不同設(shè)備故障知識(shí)的共享和重用，實(shí)現(xiàn)不同故障診斷系統(tǒng)的拓展和交流，并能顯著降低不同類型調(diào)壓閥故障診斷系統(tǒng)開發(fā)工作量，提高調(diào)壓閥故障診斷系統(tǒng)中知識(shí)和數(shù)據(jù)利用率，實(shí)現(xiàn)天然氣管網(wǎng)故障診斷系統(tǒng)價(jià)值的多元化。將本體技術(shù)引入天然氣管網(wǎng)系統(tǒng)智能故障診斷領(lǐng)域，更有整個(gè)天然氣管網(wǎng)系統(tǒng)的故障診斷知識(shí)的重用和共享，滿足天然氣管網(wǎng)的智能故障診斷與維護(hù)需求，為天然氣管網(wǎng)智能化提供故障診斷技術(shù)升級(jí)，提升天然氣管網(wǎng)故障診斷智能化水平。

本體故障診斷技術(shù)依托自身知識(shí)結(jié)構(gòu)的優(yōu)勢，能進(jìn)行高效的故障邏輯推理與故障知識(shí)的拓展，實(shí)現(xiàn)設(shè)備故障診斷與維護(hù)決策。在天然氣管網(wǎng)中，調(diào)壓閥運(yùn)行信息變化趨勢復(fù)雜且受多種因素影響，調(diào)壓閥的運(yùn)行參數(shù)與其他設(shè)備故障診斷間有關(guān)聯(lián)性，基于本體的調(diào)壓閥故障推理容易忽視了對(duì)設(shè)備運(yùn)行數(shù)據(jù)價(jià)值的挖掘，難以對(duì)天然氣管網(wǎng)系統(tǒng)故障信息進(jìn)行全面的綜合分析及診斷，而針對(duì)天然氣管網(wǎng)的本體故障診斷理論方法的魯棒性和泛化性也有待研究。在未來研究中，充分發(fā)揮本體技術(shù)自身的優(yōu)勢，融合其他基于數(shù)據(jù)驅(qū)動(dòng)的人工智能算法，進(jìn)行工業(yè)數(shù)據(jù)的知識(shí)挖掘，結(jié)合專家經(jīng)驗(yàn)知識(shí)，建立天然氣管網(wǎng)系統(tǒng)的故障知識(shí)本體，實(shí)現(xiàn)天然氣管網(wǎng)故障診斷真正意義上的智能化。

5 總結(jié)

(1)故障診斷技術(shù)經(jīng)過長期的發(fā)展，形成了基于模型、知識(shí)和數(shù)據(jù)驅(qū)動(dòng)為主的故障診斷方法。進(jìn)入智能故障診斷階段，故障診斷技術(shù)持續(xù)融入最新的理念和智能算法，向集系統(tǒng)狀態(tài)監(jiān)測、故障診斷和維護(hù)等功能多元化智能化的智能故障診斷系統(tǒng)融合發(fā)展，智能融合的故障診斷成為該領(lǐng)域的研究熱點(diǎn)。

(2)調(diào)壓閥作為天然氣管網(wǎng)系統(tǒng)的核心設(shè)備，總結(jié)調(diào)壓閥故障診斷技術(shù)現(xiàn)狀，近年來基于模型與數(shù)據(jù)驅(qū)動(dòng)融合、基于知識(shí)與數(shù)據(jù)驅(qū)動(dòng)融合以及多理論融合的故障診斷技術(shù)是主要的研究方向，目前仍然存在系統(tǒng)異構(gòu)性、知識(shí)孤島等問題。

(3)本體作為人工智能與知識(shí)工程領(lǐng)域的一種強(qiáng)大的領(lǐng)域知識(shí)表示和推理方法，在天然氣管網(wǎng)系統(tǒng)的故障診斷研究中還處于空白，缺乏故障診斷本體知識(shí)和規(guī)則庫的構(gòu)建規(guī)范和方法。在調(diào)壓閥故障診斷中通過融入本體技術(shù)，既有望解決問題，又能為天然氣管網(wǎng)系統(tǒng)的智能故障診斷發(fā)展提供新的探索路徑。

(4)國家管網(wǎng)成立后，全國“一張網(wǎng)”格局將逐漸形成，天然氣管網(wǎng)朝著智慧化、系統(tǒng)智能化方向飛速發(fā)展，基于本體的多理論融合智能診斷技術(shù)，在天然氣管網(wǎng)系統(tǒng)的未來科學(xué)研究與工程應(yīng)用中有著巨大的發(fā)展?jié)摿Α?/p>