基于故障樹的天然氣流量計(jì)量儀表故障自動(dòng)化識(shí)別研究

王晨煜，范勁松，程 偉，彭 云

（1.重慶科技學(xué)院 石油與天然氣工程學(xué)院，重慶 401331；2.西南油氣田分公司重慶氣礦，重慶 401120）

天然氣作為一種清潔能源，其利用率得到不斷提升，這對(duì)天然氣流量計(jì)量提出了更高的要求[1-3]。智能自動(dòng)化儀表功能的不斷完善，使得其在天然氣流量計(jì)量方面的應(yīng)用性越來越高[4]。天然氣流量計(jì)量儀表在使用過程中，容易受到環(huán)境、人為等因素的影響而產(chǎn)生故障，這將無法保證其計(jì)量穩(wěn)定性，甚至?xí)o燃?xì)夤編順O大的經(jīng)濟(jì)損害[5-6]。因此，采用有效方法對(duì)其故障進(jìn)行識(shí)別，成為當(dāng)下亟待解決的問題[7-8]。

文獻(xiàn)[9]針對(duì)儀表故障問題，利用貝葉斯分類器實(shí)現(xiàn)故障類別的最終識(shí)別，但該方法因無法全面獲得故障映射、追溯故障原因，使得故障識(shí)別精度存在很大誤差。故障樹是實(shí)現(xiàn)故障分析的常用方法，它能夠通過構(gòu)建的故障樹分析模型捕捉故障及其引發(fā)原因之間的邏輯關(guān)系[10-11]。文獻(xiàn)[12]在獲取計(jì)量終端故障歷史數(shù)據(jù)的基礎(chǔ)上，利用貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷與識(shí)別，但該方法容易引發(fā)故障誤識(shí)別問題。因此，本文研究基于故障樹的天然氣流量計(jì)量儀表故障自動(dòng)化識(shí)別方法，利用故障樹分析模型確定故障因果關(guān)系的前提下，通過考慮融合決策的最小支持向量機(jī)分類器組提高故障識(shí)別精度。

1 天然氣流量計(jì)量儀表故障識(shí)別

1.1 基于模糊故障樹的天然氣流量計(jì)量儀表故障映射

本文采用模糊故障樹分析法實(shí)現(xiàn)天然氣流量計(jì)量儀表故障映射，即確定天然氣流量計(jì)量儀表故障底事件與頂事件之間的關(guān)系，有利于后續(xù)故障特征的準(zhǔn)確獲取?；跀U(kuò)張?jiān)?，通過下式描述天然氣流量計(jì)量儀表故障頂事件具有的映射：

式中：f 為天然氣流量計(jì)量儀表故障頂事件具有的映射；對(duì)于頂事件u、v，U、V 為與之相對(duì)應(yīng)的故障論域；f（u）為二者之間的映射。F（U）、F（V）分別為U、V 的集合，故障論域集合中的頂事件映射關(guān)系通過下式表示：

式中：對(duì)于F（U）、F（V），A、B 為頂事件故障論域，A、B 之間具有逆像關(guān)系；f（A）為頂事件故障論域A、B間的映射，其計(jì)算公式描述為

天然氣流量計(jì)量儀表故障底事件由多種故障因素構(gòu)成，故其底事件論域可用U1×U2×U3×…Un表示，其底事件故障映射可通過下式表示：

式中：un為第n 個(gè)故障原因。

通過映射函數(shù)f 可實(shí)現(xiàn)天然氣流量計(jì)量儀表故障底事件至頂事件映射的確定，公式描述為

式中：對(duì)于底事件un，F(xiàn)（Un）為故障論域；AN、An分別為第N、n 個(gè)頂事件故障論域。

通過下式即可確定天然氣流量計(jì)量儀表故障底事件與頂事件之間的邏輯關(guān)系：

式中：f-1（v）為u、v 頂事件映射的逆過程；α 為閾值[13-14]。

1.2 基于KPCA 特征集成算法的天然氣流量計(jì)量儀表故障特征提取

核主成分分析（KPCA）算法通過非線性映射函數(shù)φ（·）實(shí)現(xiàn)原始天然氣流量計(jì)量儀表監(jiān)測(cè)數(shù)據(jù)向高維特征空間變換，再基于主成分分析算法（PCA）實(shí)現(xiàn)天然氣流量計(jì)量儀表故障特征的獲取。已知天然氣流量計(jì)量儀表監(jiān)測(cè)數(shù)據(jù)集x=｛x1，…，xk，…，xn｝，其樣本個(gè)數(shù)為n，數(shù)據(jù)維度為m，xk∈Rm。φ（xk）為映射后的數(shù)據(jù)點(diǎn)，設(shè)定數(shù)據(jù)已作中心化處理，即φ（xk）=0，通過下式確定其協(xié)方差矩陣：

因無法具體描述φ（·），使得λ?＝CF? 難以計(jì)算出具體值，其中。為此，設(shè)定k（xi，xj）=φ（xi）Tφ（xj）為核函數(shù)，將其代入式（7）中，可完成對(duì)稱正定核矩陣K 的確定，其公式描述為

通過式（9）可確定與特征值λk相對(duì)應(yīng)的單位特征向量?k，γ 為系數(shù)。xnew為一新的天然氣流量計(jì)量儀表監(jiān)測(cè)數(shù)據(jù)樣本，單位特征向量?k上的投影可通過下式表示：

通過方差累積貢獻(xiàn)率獲取天然氣流量計(jì)量儀表監(jiān)測(cè)數(shù)據(jù)高溫特征空間主元故障特征數(shù)量，其公式描述為

按由高到低順序?qū) 的特征值進(jìn)行排列，當(dāng)排列靠前的j 個(gè)特征值累加結(jié)果與全部特征值求和結(jié)果之比不低于E 時(shí)，說明提取的主元可用于描述天然氣流量計(jì)量儀表監(jiān)測(cè)信息。當(dāng)K 不符合中心化規(guī)則時(shí)，需將其轉(zhuǎn)換為，其計(jì)算公式為

本文所用高斯核函數(shù)表達(dá)式為

式中：xi、xj分別為輸入的天然氣流量計(jì)量儀表監(jiān)測(cè)數(shù)據(jù)；σ 為核函數(shù)帶寬。參數(shù)2σ2在天然氣流量計(jì)量儀表故障特征提取中起著決定性作用。為實(shí)現(xiàn)天然氣流量計(jì)量儀表故障特征的全面準(zhǔn)確提取，并解決參數(shù)難以精準(zhǔn)控制的問題，本文設(shè)計(jì)了KPCA 特征集成算法，將作為原始參數(shù)，通過下式實(shí)現(xiàn)其他參數(shù)的設(shè)定：

1.3 天然氣流量計(jì)量儀表故障識(shí)別

利用故障樹對(duì)天然氣流量計(jì)量儀表故障進(jìn)行分析，在對(duì)天然氣流量計(jì)量儀表故障進(jìn)行識(shí)別時(shí)，故障樹的構(gòu)建是核心內(nèi)容，這將對(duì)天然氣流量計(jì)量儀表故障原因分析的準(zhǔn)確度具有直接影響。故障樹分析模型結(jié)構(gòu)如圖1 所示。T 為故障樹分析模型的頂層事件，中間事件數(shù)量為s，用M1～Ms標(biāo)記，底層事件數(shù)量為r，通過X1～Xr表示。

圖1 故障樹分析模型結(jié)構(gòu)Fig.1 Structure of fault tree analysis model

構(gòu)建天然氣流量計(jì)量儀表故障分析模型后，先對(duì)故障生成概率進(jìn)行計(jì)算，再確定最小割集以捕捉不同故障因素之間的關(guān)系。事件發(fā)生概率與割集中變量數(shù)具有反比例關(guān)系，即變量數(shù)目減小，事件發(fā)生概率變大。故障生成概率可表示為

式中：P（Ki）為故障事件生成的模糊概率；Ki為故障發(fā)生的條件概率；n 為故障原因的最大值。

在此基礎(chǔ)上，構(gòu)建基于LS-SVM 融合決策的故障識(shí)別模型，多分類器組將多個(gè)結(jié)構(gòu)相同的最小支持向量機(jī)（LS-SVM）作為子分類器，利用其對(duì)天然氣流量計(jì)量儀表故障特征進(jìn)行有監(jiān)督訓(xùn)練，通過自整定權(quán)值的決策模板法（SWDT）實(shí)現(xiàn)LS-SVM 多分類器診斷結(jié)果的融合決策，以提高天然氣流量計(jì)量儀表故障自動(dòng)化識(shí)別精度?；贚S-SVM 融合決策的故障識(shí)別模型結(jié)構(gòu)如圖2 所示。

圖2 基于LS-SVM 融合決策的故障識(shí)別模型結(jié)構(gòu)Fig.2 Fault identification model structure based on LS-SVM fusion decision

在天然氣流量計(jì)量儀表故障識(shí)別過程中，通過混淆矩陣CM實(shí)現(xiàn)分類器Ck（k=1，2，…）故障類別識(shí)別誤差的描述，混淆矩陣可表示為

式中：Y為故障類別分類矩陣。依據(jù)Ck，h=max（Ck，i）條件建立決策輪廓及模板，分別為DP（x）、DTi，其計(jì)算公式描述為

式中：zi為第i 類故障樣本；Ni為數(shù)量。

2 實(shí)驗(yàn)結(jié)果分析

以某天然氣流量計(jì)量儀表為實(shí)驗(yàn)對(duì)象，該儀表核心部件主要包括計(jì)量、MCU 處理、數(shù)據(jù)顯示、電源電路等。獲取6 塊天然氣流量計(jì)量儀表運(yùn)行數(shù)據(jù)，構(gòu)建樣本數(shù)據(jù)集，其中樣本數(shù)據(jù)總量10000 條，故障樣本數(shù)量為1000，其余均為正常樣本。采用本文方法對(duì)天然氣流量計(jì)量儀表故障進(jìn)行識(shí)別，分析其故障識(shí)別能力。

將本文方法應(yīng)用到該天然氣流量計(jì)量儀表故障識(shí)別中，故障樹分析模型構(gòu)建結(jié)果如圖3 所示。

圖3 天然氣流量計(jì)量儀表故障樹Fig.3 Fault tree of natural gas flow metering instrument

分析圖3 可知，樣本數(shù)據(jù)集中各類故障均會(huì)使天然氣流量計(jì)量儀表黑屏，因此，將儀表黑屏作為其故障樹的頂事件，通過對(duì)頂事件的故障原因進(jìn)一步剖析，即可完成通過邏輯門符號(hào)描述的天然氣流量計(jì)量儀表黑屏故障樹。其中線圈短路、線圈電壓異常、晶振故障、MCU 故障等12 種故障為中間事件，底層事件由22 個(gè)基本事件構(gòu)成，分別用X1～X22表示。

采用本文方法對(duì)天然氣流量計(jì)量儀表故障樹進(jìn)行定性、定量分析，確定各類故障概率以及最小割集，實(shí)驗(yàn)結(jié)果如表1 所示。分析表1 可知，采用本文方法可實(shí)現(xiàn)故障概率的確定，依據(jù)其數(shù)值大小，該天然氣流量計(jì)量儀表發(fā)生線圈短路、晶振故障、液晶電路元件損壞故障的概率較大。

表1 天然氣流量計(jì)量儀表黑屏故障定量、定性分析結(jié)果Tab.1 Quantitative and qualitative analysis results of black screen fault of natural gas flow metering instrument

采用本文方法對(duì)天然氣流量計(jì)量儀表故障進(jìn)行識(shí)別，通過對(duì)6 塊天然氣流量計(jì)量儀表的故障識(shí)別結(jié)果進(jìn)行分析，研究本文方法的故障識(shí)別能力，實(shí)驗(yàn)結(jié)果如表2 所示。分析表2 可知，將本文方法應(yīng)用到天然氣流量計(jì)量儀表故障識(shí)別中，可識(shí)別各天然氣流量計(jì)量儀表的故障類型，并找到引起該故障的具體原因。

表2 天然氣流量計(jì)量儀表故障識(shí)別結(jié)果分析Tab.2 Analysis of fault identification results of natural gas flow metering instruments

通過對(duì)特征識(shí)別結(jié)果進(jìn)行分析，驗(yàn)證本文方法的特征提取性能，實(shí)驗(yàn)結(jié)果如圖4 所示。分析圖4可知，本文方法可實(shí)現(xiàn)樣本特征的提取，能夠準(zhǔn)確區(qū)分正常樣本以及多種故障樣本之間的特征差異，無故障特征錯(cuò)誤區(qū)分問題。

圖4 本文方法的特征提取性能分析Fig.4 Feature extraction performance analysis of the proposed method

以故障識(shí)別準(zhǔn)確度作為評(píng)價(jià)指標(biāo)，通過對(duì)比分析SWDT 算法引入前后故障識(shí)別準(zhǔn)確度差異，驗(yàn)證本文方法的優(yōu)越性，實(shí)驗(yàn)結(jié)果如圖5 所示。分析圖5可知，本文方法可有效提升天然氣流量計(jì)量儀表故障識(shí)別精度，相比應(yīng)用SWDT 融合決策前，故障提升精度增大了5%，達(dá)到94%左右。

圖5 本文方法故障識(shí)別效果分析Fig.5 Fault identification effect analysis of the proposed method

3 結(jié)語

以6 塊天然氣流量計(jì)量儀表為實(shí)驗(yàn)對(duì)象，應(yīng)用本文方法對(duì)其運(yùn)行樣本數(shù)據(jù)進(jìn)行故障識(shí)別，通過對(duì)其故障識(shí)別結(jié)果等進(jìn)行分析，驗(yàn)證本文方法的優(yōu)越性。實(shí)驗(yàn)結(jié)果表明，該方法可完成天然氣流量計(jì)量儀表故障樹分析模型的確定，并獲得故障概率和最小割集，可實(shí)現(xiàn)計(jì)量儀表故障類型以及故障原因的識(shí)別，且具有較高的識(shí)別精度。