曾慧娥 周慶忠

(1.重慶科技學院機械與動力工程學院，重慶 401331;2.后勤工程學院，重慶 401311)

油料裝備是石油裝備的重要組成部分。隨著科學技術發(fā)展，新型油料裝備不斷問世，功能多樣，結構復雜，具有集成化、單元化、自動化特征，因裝備故障所導致的事故嚴重程度也大幅增加。如何實現(xiàn)油料裝備故障智能診斷，滿足裝備維修具有隨機性和突發(fā)性的要求，是迫切需要解決的問題［1］。在此針對這一問題，研究油料裝備故障智能診斷平臺。應用模糊神經網絡(Fuzzy neural network，F(xiàn)NN)、微粒群優(yōu)化(Particle Swarm Optimization，PSO)算法、證據理論(Evidence Theory，D－S ET)等，實現(xiàn)裝備狀態(tài)檢測數(shù)據三級智能融合。采用基于案例推理(Case－based reasoning，CBR)和規(guī)則推理(Rulebased reasoning，RBR)設計故障診斷推理機。診斷平臺的實現(xiàn)，使得裝備故障診斷更為敏捷快速，對于確保油料裝備性能可靠具有重要意義。

1 平臺框架

引入 SOA(Service－Oriented Architecture)設計理念，將IFDP－OE不同功能單元的服務，以組件形式加入，建立診斷平臺框架(圖1)。框架分為平臺支持層、技術支持層、數(shù)據層和應用層。平臺支持層包含網絡、操作系統(tǒng)、數(shù)據庫管理系統(tǒng)等基本工具包和軟件;技術支持層包括油料裝備故障診斷所需智能理論與方法。數(shù)據層采用多庫結構組織模式，包含用于儲存檢測數(shù)據、診斷模型、案例和規(guī)則、維修知識等數(shù)據庫。應用層包含狀態(tài)監(jiān)控、檢測信息融合、故障診斷、維修決策、儲備控制、維修質量評估等功能模塊。按照集成接口標準定義模接口塊，由主控模塊協(xié)調控制功能模塊，實現(xiàn)相互通訊與數(shù)據共享［2－3］。

圖1 平臺框架圖

2 裝備狀態(tài)檢測信息三級融合

檢測信息融合是實現(xiàn)智故障能診斷的基礎。檢測數(shù)據存在誤差和冗余信息，具有不確定性和模糊性。用FNN和證據理論作為智能融合工具，對檢測數(shù)據實現(xiàn)數(shù)據級、特征級和決策級三級融合。借助檢測數(shù)據間互補信息，獲取裝備零部件工作性能、機械強度、疲勞極限與磨損程度等參數(shù)，為運行狀態(tài)評估和故障診斷提供依據［4］。

2.1 數(shù)據級融合

數(shù)據級融合用于實現(xiàn)“數(shù)據輸入 —數(shù)據輸出”融合。根據檢測目標(如性能檢測、運行狀態(tài)檢測、故障檢測、收發(fā)儲油檢測、安全監(jiān)測等)，采用傳感器、便攜式檢測儀器等不同檢測設備，從多方位檢測采集信號(如油壓、油流量、油溫、油氣濃度、煙霧等)，對于重點油料裝備(如油罐、泵、閥)，通過連續(xù)監(jiān)測獲取裝備狀態(tài)變化的預警參數(shù)，建立實時數(shù)據庫。數(shù)據級融合在現(xiàn)場采集的原始信號數(shù)據層次上進行，對容錯性、實時性要求較高。在線檢測時，環(huán)境現(xiàn)場的突發(fā)性干擾和檢測設備自身缺陷等影響，會產生檢測誤差，影響檢測數(shù)據一致性。應對采集數(shù)據進行數(shù)字濾波、去噪聲數(shù)據、數(shù)據校準、關聯(lián)分析、參數(shù)估計、歸一化等預處理。

2.2 特征級融合

通過FNN與ES的結合，實現(xiàn)“數(shù)據輸入 —特征輸出”融合。在FNN中嵌入專家系統(tǒng)ES，形成基于FNN－ES的特征級融合算法。由ES根據獲取信息，選擇確定隸屬函數(shù)，調整FNN結構，使其具有更強的非線性映射能力，實現(xiàn)隸屬度函數(shù)形狀及參數(shù)自適應調節(jié)。此外，ES在動態(tài)數(shù)據變化中自主學習新知識，更新知識庫?？紤]到FNN自身學習功能雖可訓練權值，卻難以優(yōu)化模糊規(guī)則。常用FNN訓練算法收斂速度慢，易陷入局部最優(yōu)［5］。而PSO算法收斂速度快，操作更簡便，在優(yōu)化FNN方面極具潛力。因此，采用PSO算法訓練FNN權值，修剪冗余連接，優(yōu)化模糊規(guī)則，將FNN訓練結果送入由單片機控制的特征融合器，將數(shù)據級融合結果作為FNN的輸入，依據模糊規(guī)則進行特征融合。

2.3 決策級融合

采用證據理論實現(xiàn)“特征輸入—決策輸出”融合。將特征級融合結果作為證據，建立基本概率賦值函數(shù)(Basic Probability Assignment，BPA)。在辯識框架(Frame of Discernment)下，將不同證據合成一個新證據。利用先驗知識構造訓練樣本，對證據權值進行訓練調整。因裝備種類繁多，證據獲取中，檢測設備缺陷、校準能力較低、辯識框架不完備(如裝備出現(xiàn)新狀態(tài)模式)等將引起異常測量。油料裝備工作環(huán)境因素干擾，檢測報告通常高度沖突。將FNN輸出作為證據，證據自身具有不確定性。BPA由FNN輸出導出，使得信任函數(shù)模型不精確，由此也產生證據沖突。在合成高度沖突的證據時，得到的融合結果有悖常理。為此，提出基于平均加權法的沖突證據合成規(guī)則，利用先驗知識調整證據權值。獲得對裝備狀態(tài)的BPA后，利用證據合成規(guī)則，對證據進行兩兩融合。采用最大信任度法則，進行決策判決。

3 基于CBR和RBR的故障診斷推理機

故障診斷推理機是實現(xiàn)智故障能診斷關鍵。因油料裝備故障診斷呈現(xiàn)動態(tài)特征，尚未形成完全成熟領域知識。而基于CBR主要適用于經驗豐富型的應用領域，RBR則適用于知識富有型的應用領域［6］。因此，將CBR所需RBR輔助單元和RBR診斷單元集成為一體，建立以CBR為主、RBR為輔的推理機，其流程如圖2所示。

圖2 診斷推理機流程

3.1 診斷推理過程

推理機主要由診斷預處理、CBR和RBR診斷等模塊組成。診斷推理過程為:接收診斷請求，在裝備檔案庫查找有無該裝備記錄。若有，則與該裝備正常信號標本進行相似度對比。若相似，則返回無故障結果。若無記錄，將所生成的故障特征向量，存入故障癥兆庫，進入CBR診斷。檢索故障案例，若未檢索出候選案例集，則調用RBR診斷。采用匹配算法，實現(xiàn)案例匹配操作。通過比較目標案例和候選案例屬性間差異，在規(guī)則引導下，以人機交互方式排除與目標案例差異較大案例。若檢索出的案例不能直接重用于目標案例，對案例進行調整修改?？蛇M行案例學習，將修正后的案例存入案例庫。在RBR診斷中，調用規(guī)則集對故障進行診斷，得到故障初步診斷結果。經用戶反饋驗證，若診斷結果不滿意，可轉為人工診斷模式。

3.2 診斷推理匹配算法

診斷推理匹配算法是故障診斷關鍵。在匹配算法庫中提供多種匹配算法，如最近相鄰檢索算法、基于余弦函數(shù)的相似度計算方法及灰色關聯(lián)度的相似度計算方法等［7］。因油料易燃、易爆、有毒性，油料裝備故障將造成安全事故、環(huán)境污染等嚴重損失。因此對油料裝備故障診斷實時性、可靠性提出高要求。要求匹配算法能快速進行故障診斷，最大限度區(qū)分各案例與故障相似度。本文將最近鄰方法與灰色關聯(lián)理論相結合，提出分層檢索匹配算法。

第一層檢索匹配。采用最近相鄰法，從故障案例庫中檢索出與當前故障案例C0的故障征兆指標隸屬度相同的案例，作為第一層檢索案例集C1={c1i}(i=1，2，…，s)。

第二層檢索匹配。采用灰色關聯(lián)理論，計算當前故障案例C0與案例集C1={c1i}中案例綜合相似度。設故障征兆指標總數(shù)為p，當前故障案例C0與案例c1i的層貼近度矩陣z表示為

設ωj表示第j個故障征兆指標權重，則當前故障案例C0與案例c1i的綜合貼近度為

式中，βj為距離參數(shù)，βj=1為基于海明距離的綜合貼近度。由式(3)得綜合貼近度向量U={sim(i)}。sim(i)越大，表示當前故障案例C0與案例c1i的綜合相似程度越大。檢索出sim(i)大于設定閥值的案例，形成第二層候選案例集C2={c2i}(i=1，2，…，t)。

4 結語

本文關注于油料裝備故障智能診斷問題。建立由平臺支持層、技術支持層、數(shù)據層和應用層構成的平臺框架，體現(xiàn)了SOA設計理念。用FNN、專家系統(tǒng)、PSO和證據理論等智能方法，對檢測數(shù)據實現(xiàn)數(shù)據級、特征級和決策級三級數(shù)據融合，消除檢測數(shù)據誤差和冗余信息。構建CBR與RBR的集成推理機，將最近鄰方法與灰色關聯(lián)理論相結合，提出分層檢索匹配算法。應用表明，該研究對于快速實現(xiàn)油料裝備故障診斷具有重要意義。

［1］周慶忠.油料裝備勤務［M］.北京:解放軍出版社，2010.

［2］曾慧娥，周慶忠.油料裝備智能維修仿真平臺研究［J］.計算機仿真，2010，27(5):149-152.

［3］Dey P K.Decision Support System for Inspection and Maintenance［J］.IEEE Trans.Engineering Management，2004，51(1):47-56.

［4］Luo R C.Chih Chia Chang，Chun Chi Lai.Multisensor Fusion and Integration［J］.IEEE J.Sensors，2011，11(12):3122-3138.

［5］Neto E T W，da Costa E G，Maia M.Artificial Neural Networks Used for ZnO Arresters Diagnosis［J］.IEEE Trans.Power Delivery，2009，24(3):1390-1395.

［6］Fong A C M，Hui S C.An Intelligent Online Machine Fault Diagnosis System.J.Computing ＆ Control Engineering，2001，12(5):217-223.

［7］Khac Tuan Huynh，Barros A，Berenguer C.Maintenance Decision-Making for Systems Operating Under Indirect Condition Monitoring［J］.IEEE Trans.Reliability，2012，61(2):410-425.