楊 帆 (武漢工程大學(xué)電氣信息學(xué)院；湖北省智能機器人重點實驗室，湖北 武漢 430073)

江 星，陳茂林，吳 迅，張 崗 (武漢工程大學(xué)電氣信息學(xué)院，湖北 武漢 430073)

基于DS證據(jù)理論的精餾塔故障診斷方法

楊 帆 (武漢工程大學(xué)電氣信息學(xué)院；湖北省智能機器人重點實驗室，湖北 武漢 430073)

江 星，陳茂林，吳 迅，張 崗 (武漢工程大學(xué)電氣信息學(xué)院，湖北 武漢 430073)

研究了一種基于多傳感器信息融合算法對精餾塔出現(xiàn)的故障進行診斷的方法。首先利用小波分析對精餾塔傳感器信號進行有效的濾波預(yù)處理，預(yù)處理后的數(shù)據(jù)送入BP神經(jīng)網(wǎng)絡(luò)進行初級融合，然后將初級融合后的數(shù)據(jù)當(dāng)作DS證據(jù)理論的證據(jù)對精餾塔故障進行診斷，由最終概率賦值結(jié)果可知最大可信度，則可以判斷故障的發(fā)生。仿真結(jié)果顯示該算法比單信息故障診斷能取得更準(zhǔn)確、更可靠的診斷結(jié)果。

小波分析;BP神經(jīng)網(wǎng)絡(luò); DS證據(jù)理論; 故障診斷;信息融合

精餾塔的冶煉過程生產(chǎn)設(shè)備多，生產(chǎn)過程極其復(fù)雜，控制系統(tǒng)結(jié)構(gòu)趨向于復(fù)雜化、大型化，自動化程度越來越高，系統(tǒng)的風(fēng)險也越來越大，任何一處故障就極易引起鏈?zhǔn)椒磻?yīng)，從而導(dǎo)致整個系統(tǒng)不能正常運行，致使產(chǎn)品質(zhì)量、產(chǎn)量受到影響。輕則造成巨大的經(jīng)濟損失，重則可能會產(chǎn)生災(zāi)難性的人員傷亡和社會影響[1]。然而精餾塔參數(shù)變量之間相互關(guān)聯(lián)性強且具有高度的非線性，又因為設(shè)備結(jié)構(gòu)復(fù)雜，所以利用單一或單類傳感器進行監(jiān)控或故障診斷已不能滿足實際要求。現(xiàn)有的故障診斷方法大多采用單信息進行故障診斷，這樣的診斷結(jié)果往往并不可靠[2-4]。下面，筆者設(shè)計了基于小波分析和多傳感器信息融合的精餾塔故障診斷方法，能夠從多方面、多層次獲取生產(chǎn)對象數(shù)據(jù)，實現(xiàn)多傳感器信息融合故障診斷。首先將傳感器采集的塔板溫度、塔頂溫度和塔底溫度數(shù)據(jù)用小波分析法進行預(yù)處理，然后采取多傳感器信息融合的方法對精餾塔故障進行判斷，做出決策，再通過網(wǎng)絡(luò)返回控制信號并采取相應(yīng)的控制操作，從而實現(xiàn)對精餾塔的狀態(tài)檢測和故障診斷。

1 系統(tǒng)診斷流程框圖

圖1 系統(tǒng)診斷流程框圖

整個系統(tǒng)診斷流程如下：現(xiàn)場塔板溫度、塔底溫度、塔內(nèi)溫度等數(shù)據(jù)通過傳感器將精餾塔測點值送到數(shù)據(jù)預(yù)處理模塊中，同時數(shù)據(jù)預(yù)處理器利用小波分析法對采集到的傳感器數(shù)據(jù)進行預(yù)處理。預(yù)處理后的實時數(shù)據(jù)首先送到數(shù)據(jù)庫中和歷史數(shù)據(jù)作比較，如果處理后的數(shù)據(jù)和以前某個經(jīng)人工確認(rèn)后的歷史診斷數(shù)據(jù)相近，且其誤差在規(guī)定的范圍之內(nèi)，就輸出本次的診斷結(jié)果，如果超出允許范圍，則需要進行故障診斷。診斷方法是將預(yù)處理后的數(shù)據(jù)送至BP神經(jīng)網(wǎng)絡(luò)進行初級融合，再把結(jié)果當(dāng)作證據(jù)送入到DS證據(jù)理論，從而形成完整的決策。診斷結(jié)果經(jīng)確認(rèn)后，神經(jīng)網(wǎng)絡(luò)將更新數(shù)據(jù)庫，通過自學(xué)習(xí)，更新和完善故障的類型。系統(tǒng)流程框圖如圖1所示。

2 數(shù)據(jù)預(yù)處理

傳統(tǒng)傅里葉變換不能變化分辨率，而精餾塔內(nèi)部多為非平穩(wěn)信號，對于這些信號的線性時頻分析傳統(tǒng)傅里葉變換有很大局限性，而小波分析具有良好的時頻局部性，它對非平穩(wěn)信號的處理提供了強大的工具[5-6]。非平穩(wěn)信號的不同頻率成分通過小波變換后設(shè)置成不同分辨率，為信號的弱信號特征提取、信噪分離、濾波提供了有效的途徑。筆者利用小波分析的方法對傳感器信號進行預(yù)處理，對采集到的塔板溫度、塔頂溫度、塔底溫度信號進行有效的濾波，從而精確的測量到這些數(shù)據(jù)。

小波變換如下：

(1)

式中，ψ(t)為基小波函數(shù)；a為作用尺度；τ為時移；x(t)為待分析信號。

給ψ(t)乘以時頻因子ejω0t，小波變換的式子如下：

(2)

(3)

將小波函數(shù)離散化，表示為：

ψj,k(t)=2j/2ψ(2jt-k)

(4)

進而得到離散小波變換：

Wf(j,k)=(f(t),ψj,k(t))

(5)

然后利用小波閾值函數(shù)濾波方法進行消噪。將處理后的數(shù)據(jù)送入BP神經(jīng)網(wǎng)絡(luò)進行初級融合。

3 結(jié)合BP神經(jīng)網(wǎng)絡(luò)與DS證據(jù)理論的多傳感器信息融合算法

圖2 訓(xùn)練后的誤差曲線圖

BP神經(jīng)網(wǎng)絡(luò)能夠處理多源信息。信息融合方法中DS證據(jù)理論對不確定信息有很強大的表達能力, 算法條理簡單明確、證據(jù)理論的基礎(chǔ)理論充實,不用基于先驗概率之上,不僅可以避免因模糊性造成的不確定性，還可以避免因隨機性所造成的證據(jù)的不確定性[7-8]。綜合證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的優(yōu)點，設(shè)計了一種基于BP神經(jīng)網(wǎng)絡(luò)與DS證據(jù)理證的多傳感器信息融合算法：首先從現(xiàn)場獲得數(shù)據(jù),然后進行信息處理,再利用神經(jīng)網(wǎng)絡(luò)進行初級融合,最后把結(jié)果當(dāng)作證據(jù)輸入到證據(jù)理論,從而完成整體的故障診斷的決策。

4 仿真試驗

利用BP算法對精餾塔故障進行仿真。樣本集[9]選取15個特征信號作為精餾塔故障信號，故障類型有3種，所以輸入層神經(jīng)元數(shù)目為3個。試驗后得出的隱含層數(shù)目為6個。圖2為經(jīng)過訓(xùn)練后的訓(xùn)練誤差曲線圖。

由圖2可知經(jīng)過50次左右的訓(xùn)練可取得良好的誤差曲線。將經(jīng)過BP神經(jīng)網(wǎng)絡(luò)初級融合后的數(shù)據(jù)送入DS證據(jù)理論中。將其融合后的結(jié)果賦給基本概率分配函數(shù)進行計算，即：

(6)

m(ωi)(1≤i≤C)表示其相應(yīng)信度函數(shù)的基本可信度。

再將其作為證據(jù)通過證據(jù)組合法則進行組合，一旦某一信任函數(shù)達到設(shè)定的門限，即：

Bel(ωj)=arg max(Bel(ωi))>Bt

(7)

這時系統(tǒng)能夠做出決策。其中，ωj?Ω，Bel函數(shù)叫做信任函數(shù)或者下限函數(shù)，表示對ωj的全部信任，其中Bt為全部門限。

在精餾塔故障診斷中應(yīng)用信息融合的方法,首先將由塔板溫度、塔頂溫度、塔底溫度傳感器獲得的信息進行處理,然后BP神經(jīng)網(wǎng)絡(luò)對處理后的傳感器信息進行初級融合,再將不同時刻的3種傳感器的識別結(jié)果進行融合,這樣一步一步地融合下去,直到信任程度達到所設(shè)定的門限為止。如果此時基本概率賦值達到最高值，則此時診斷出了某故障。筆者在原有數(shù)據(jù)庫[10]的基礎(chǔ)上，根據(jù)其中5個周期的數(shù)據(jù)的匹配結(jié)果做出初步判斷，獲得了與目標(biāo)相似度大于某一閾值的目標(biāo)類型的集合Ω={S1,S2,S3},S1表示T>350℃，S2表示T<100℃,S2表示100℃

表1 第1時刻基本概率賦值

表2 第2時刻基本概率賦值

表3 最終概率賦值

按照DS證據(jù)理論的融合性質(zhì)計算融合后所得到的基本概率賦值，如表3所示。 從表3可以看出，S1有最大可信度0.9264，則選取S1作為最終識別結(jié)果。融合結(jié)果是目標(biāo)類型1，此時的溫度大于350℃，則此時出現(xiàn)了故障，需采取保護措施。

5 結(jié) 語

利用小波分析結(jié)合BP神經(jīng)網(wǎng)絡(luò)與DS證據(jù)理論提出了一種對精餾塔故障的診斷方法。仿真與數(shù)據(jù)結(jié)果顯示S1的最大可信度為0.9264，表明該算法基本能夠準(zhǔn)確的識別出精餾塔出現(xiàn)的故障，上述信息融合方法對精餾塔的故障診斷有著較好的決策作用。如果不斷的增加數(shù)據(jù)庫中的診斷結(jié)果，增加BP網(wǎng)絡(luò)的訓(xùn)練次數(shù)，進行自學(xué)習(xí)，可以得到更準(zhǔn)確可靠的診斷結(jié)果。

[1]由宏君.精餾塔的故障診斷方案設(shè)計[J].貴州化工，2004， 29 (2)：37-39.

[2]楊帆，唐路，肖貝，等.BP改進算法在提高傳感器測量精度方面的應(yīng)用[J]. 武漢理工大學(xué)學(xué)報，2010，32(2):90-92.

[3]吉旭，朱立嘉，范云峰，等.基于知識管理的精餾塔智能化控制模型[J].高?；すこ虒W(xué)報，2006, 20(4):628-633.

[4]池紅衛(wèi). 基于信息融合策略的化工過程故障智能診斷系統(tǒng)的研究[J]. 化工進展, 2004, 23(2):202-204.

[5] Newland D E.Harmonic wavelet analysis[J].Proceedings of the Royal Society of London :A，1993,443(10):203-205.

[6] 張玉蓮,趙玉成,許慶余.諧波小波在信號濾波中的應(yīng)用[J]. 強度與環(huán)境,2000(2)：29-33.

[7]楊帆，劉暢.基于DS證據(jù)理論的多傳感器目標(biāo)識別應(yīng)用[J]. 武漢工程大學(xué)學(xué)報，2009，31( 1 )：88-90.

[8]何友，彭應(yīng)寧，陸大琻. 多傳感器數(shù)據(jù)融合模型綜述[J]. 清華大學(xué)學(xué)報(自然科學(xué)版)，1996，36(9): 14-20.

[9]李健.精餾塔機理-神經(jīng)網(wǎng)絡(luò)混合建模的研究[D].南寧：廣西大學(xué)，2007.

[10] Wang X Z, McGreavy C. Automatic classification for mining process operational data[J]. Industrial and Engineering Chemistry Research, 1998, 37: 2215-2222.

2013-07-13

湖北省自然科學(xué)基金項目(2010CDB11101)。

楊 帆(1966-)，女，碩士，教授，現(xiàn)主要從事智能儀器與測控技術(shù)方面的教學(xué)與研究工作。

TN95

A

1673-1409(2013)28-0060-03

[編輯] 洪云飛