黃世安，劉志國

基于Mamdani型模糊推理的移動P3負壓控制系統(tǒng)故障診斷算法設計

黃世安，劉志國

目的：針對移動式生物安全三級實驗室（簡稱“移動P3”）負壓控制系統(tǒng)部分故障難以識別的問題，提出一種基于Mamdani型模糊推理的故障診斷方法。方法：選擇容易拾取且能反映設備運行狀態(tài)的壓強和變頻器輸出頻率作為推理系統(tǒng)的輸入，并通過模擬實驗確定不同設備狀態(tài)下的壓強和頻率變化規(guī)律，參考調(diào)試文檔數(shù)據(jù)和部分專家維修經(jīng)驗，制訂模糊推理規(guī)則庫。結果：實例驗證表明，模糊推理結論與實際情況相符。結論：將模糊推理算法用于移動P3負壓控制系統(tǒng)故障診斷簡單易行，具有較強的實用性。

移動P3；負壓控制；故障診斷；Mamdani模糊推理

0 引言

移動式生物安全三級實驗室（以下簡稱“移動P3”）是用于現(xiàn)場開展致病性病原微生物的快速分離、培養(yǎng)、檢測、鑒定等工作的機動實驗場所。負壓控制系統(tǒng)作為移動P3的核心，用于維系艙室內(nèi)壓力梯度和溫濕度的穩(wěn)定。系統(tǒng)中的某個部件發(fā)生故障后，會影響其他設備的工作狀態(tài)，系統(tǒng)參數(shù)也隨之變化，且部分故障征兆和故障原因之間存在著復雜的非線性映射關系。設置傳感器雖然可以顯示負壓控制系統(tǒng)各部分的工作狀態(tài)，卻不能很好地反映故障發(fā)生的原因，因此難以確定故障發(fā)生的具體位置和原因。通過數(shù)學建模的方式難以達到比較理想的故障診斷結果，需要一種智能化的診斷方法來解決這一問題。模糊診斷方法接近人的表達習慣，知識表示的可讀性強，能夠模擬人的思維過程，模糊推理邏輯嚴謹，易于解釋，具有很強的容錯能力[1]。

1 移動P3負壓控制系統(tǒng)

某型移動P3負壓控制系統(tǒng)由送排風機、變頻器、壓力變送器、可編程邏輯控制器（programmable logic controller，PLC）、智能儀表、變風量閥、變制冷劑流量多聯(lián)式（variable refrigerant volume，VRV）空調(diào)機組、電動密閉閥等組成。主實驗艙負壓控制系統(tǒng)原理如圖1所示，采用送風定風量控制及排風變風量控制，主實驗室送排風機前后端均有壓力傳感器檢測壓力變化。主要空間的設計壓強為：主實驗室（-70± 10）Pa、氣鎖間（-45±5）Pa、更防護服間（-20±5）Pa。

根據(jù)對系統(tǒng)影響的嚴重程度，可將故障分為硬故障和軟故障2種[2]。因器件完全失效，導致一些特定的參數(shù)超限的故障稱為硬故障，如直流電源無輸出、風機停機、閥門完全堵塞、傳感器失效等，此類故障一般是突發(fā)性的，故障現(xiàn)象較為明顯，一旦發(fā)生則觸發(fā)保護裝置，導致系統(tǒng)進入安全模式，相對容易被檢測到[3]。由于器件性能下降，功能退化引起的故障稱為軟故障，如閥門泄漏、傳感器偏差和漂移、風機啟動困難及轉(zhuǎn)速降低等，此類軟故障往往不會觸發(fā)移動P3的故障報警和保護裝置，也很難從數(shù)值上證明是否發(fā)生了故障，具有很強的迷惑性。功能間壓力波動大是移動P3較為典型的一種軟故障，此類故障采用人工智能診斷算法中的模糊推理方法判斷，可以取得較好的診斷結果。

圖1 主實驗艙負壓控制原理圖

2 Mamdani型模糊推理基本原理

Mamdani型模糊推理是目前模糊故障診斷中應用較多的一種推理方法。其推理模型如圖2所示，由模糊化單元、模糊推理機、模糊規(guī)則庫和反模糊化單元4個部分組成[4]。

圖2 Mamdani模糊推理模型圖

模糊推理的工作過程是將故障征兆X經(jīng)模糊化單元處理后變成模糊向量xi，xi調(diào)用模糊規(guī)則庫中的相關推理規(guī)則[5-6]，經(jīng)模糊推理后得到模糊響應yj，再將模糊響應經(jīng)反模糊化處理后得到系統(tǒng)的故障原因Y。

2.1 模糊量化

系統(tǒng)的輸入根據(jù)其對應的隸屬函數(shù)進行模糊化，常用的隸屬函數(shù)有高斯型函數(shù)、Z型函數(shù)、S型函數(shù)、三角型或梯形函數(shù)。一般而言，高斯型函數(shù)接近實際，但計算量大，三角型或梯形函數(shù)計算量較小，具體采用何種函數(shù)應結合硬件性能和推理結果要求而定。各函數(shù)的具體定義如下：

2.2 推理規(guī)則庫

模糊規(guī)則庫是模糊推理系統(tǒng)的核心部分，由一組模糊推理規(guī)則組成。模糊規(guī)則可以一般化地表示成以下形式：

其中，X1，X2，…，Xn代表n個經(jīng)模糊化處理的故障征兆，F(xiàn)1，F(xiàn)2，…，F(xiàn)m為m個模糊化的獨立故障原因，ωki（i=1，2，…，n）為權重系數(shù)，表示故障征兆Xi對本條規(guī)則R(k)的重要性；權重系數(shù)Ckj（j=1～n），反映了規(guī)則R(k)對故障原因Fj的重要程度[7-9]。

ωki和Ckj滿足如下條件：

2.3 模糊推理機

根據(jù)模糊邏輯的運算方法，把“If…，Then…”型模糊推理規(guī)則轉(zhuǎn)換成從論域上的模糊集到論域上的模糊集的映射關系。計算公式為

其中，A、A′為輸入量的模糊集合，B、B′為輸出量的模糊集合。

2.4 反模糊化

將經(jīng)模糊推理得到的故障原因隸屬度按照一定的方法和原則進行處理，稱為反模糊化（解模糊化），方法有重心法、加權重心法、面積和中心法、最大隸屬度法等。其中重心法最為常用，定義如下：

最后取模糊集合中最接近的值輸出。

3 基于Mamdani型模糊推理的電氣系統(tǒng)故障診斷

對于部分軟故障診斷而言，難點在于如何在眾多的征兆信號中選取合適的部分作為故障診斷模糊推理系統(tǒng)的輸入輸出變量[10]。所選取的征兆信號，數(shù)值大小能反映設備是否發(fā)生故障，且容易拾取，方便后處理。如表示三相離心風機運行的特征信號有輸入頻率、風機溫度、轉(zhuǎn)速、振動頻率、風量等，如果風機未自帶轉(zhuǎn)速測量裝置，后期加裝測速裝置成本較高，費時費力，且風機運行中會聚集灰塵，導致測量值不可靠。根據(jù)實際可采集的數(shù)據(jù)以及模糊邏輯推理規(guī)則要求，確定以下參數(shù)作為模糊推理的輸入變量和輸出變量，見表1。

表1 輸入輸出變量表

如表1所示，一共15個參數(shù)，組成一個7輸入、8輸出的模糊邏輯推理故障診斷系統(tǒng)。

3.1 輸入模糊化、輸出反模糊化

根據(jù)實際情況，輸入模糊化和輸出反模糊化均采取連續(xù)型函數(shù)表述。

輸入模糊化集合：L：“過低”，N：“正常”，H：“過高”；

輸出反模糊化集合：IP：“不太可能”，P：“很有可能”。

具體定義如下：

（1）輸入變量。

X1為主實驗間壓強，單位為Pa。L：（-∞，-80），N：[-80，-60]，H：（-60，∞）。

X2為氣鎖間壓強，單位為Pa。L：（-∞，-50），N：[-50，-40]，H：（-40，∞）。

X3為送風機前后壓強，單位為Pa。L：[715，814]，N：[815，1 000]，H：[1 001，1 500]。

X4為排風機前后壓強，單位為Pa。L：[825，924]，N：[925，1 100]，H：[1 101，1 500]。

X5為更防護服間壓強，單位為Pa。L：（-∞，-25），N：[-25，-15]，H：（-15，∞）。

X6為送風變頻器輸出頻率，單位為Hz。L：[0，29]，N：[30，40]，H：[41，50]。

X7為排風變頻器輸出頻率，單位為Hz。L：[0，29]，N：[30，40]，H：[41，50]。

以上參數(shù)是根據(jù)系統(tǒng)設備參數(shù)以及移動P3調(diào)試文檔而確定的。

（2）輸出變量。F1：送風機故障：IP：“不太可能”，P：“很有可能”；F2：送風變頻器故障：IP：“不太可能”，P：“很有可能”；

F3：新風密閉閥故障：IP：“不太可能”，P：“很有可能”；

F4：排風機故障：IP：“不太可能”，P：“很有可能”；

F5：排風變頻器故障：IP：“不太可能”，P：“很有可能”；F6：變風量閥故障：IP：“不太可能”，P：“很有可能”；F7：排風密閉閥故障：IP：“不太可能”，P：“很有可能”；

F8：泄漏故障：IP：“不太可能”，P：“很有可能”。

3.2 隸屬函數(shù)確定

依據(jù)隸屬函數(shù)的確定法則，同時兼顧實際情況和系統(tǒng)運算難易程度，確定輸入輸出變量的隸屬函數(shù)如圖3所示。當輸入變量∈L時，均取Z型函數(shù)；當輸入變量∈N時，取高斯型函數(shù)；輸入變量∈H時，取S型函數(shù)。X1∈L時的參數(shù)a=-100，b=-70；X1∈N時的參數(shù)σ=6，c=-70；X1∈H時的參數(shù)a=-70，b=-40。X2∈L時的參數(shù)a=-69，b=-44；X2∈N時的參數(shù)σ=3，c=-45；X2∈H時的參數(shù)a=-47，b=-20。X3∈L時的參數(shù)a=706，b=1 100；X3∈N時的參數(shù)σ=100，c=1 197；X3∈H時的參數(shù)a=1 237，b= 1 550。X4∈L時的參數(shù)a=808，b=1 200；X4∈N時的參數(shù)σ=124，c=1 200；X4∈H時的參數(shù)a=1 240，b=1 547。X5∈L時的參數(shù)a=-42，b=-18；X5∈N時的參數(shù)σ=3.4，c=-20；X5∈H時的參數(shù)a=-22.4，b= -1.8。X6∈L時的參數(shù)a=11，b=36；X6∈N時的參數(shù)σ=5.5，c=33.8；X6∈H時的參數(shù)a=29.5，b=54.7。X7∈L時的參數(shù)a=17.5，b=37.1；X7∈N時的參數(shù)σ=3.2，c=34.6；X7∈H時的參數(shù)a=33.7，b=53.1。輸出變量均采用2個S型之和的函數(shù)表示，當輸出變量∈IP時的參數(shù)a1=5.493，c1=-0.5，a2=5.493，c2=0.5；當輸出變量∈P時的參數(shù)a1=5.493，c1=0.5，a2=5.493，c2=1.5。

圖3 輸入輸出對應隸屬函數(shù)圖

3.3 模糊推理規(guī)則梳理

推理規(guī)則體現(xiàn)了對電氣系統(tǒng)故障診斷的基本方法，根據(jù)對移動P3設計文檔的分析，參考固定式實驗室的故障處理方法，通過模擬實驗確定設備不同狀態(tài)下各參數(shù)的變化規(guī)律，同時請教有經(jīng)驗的維修人員，總結出13條推理規(guī)則，整理結果見表2。

反模糊化采用重心法，對結果四舍五入，保留小數(shù)點后2位得到最終的判斷輸出。

4 結果分析

根據(jù)輸出量隸屬函數(shù)的定義可知，當診斷系統(tǒng)的輸出值小于0.5時，表明該故障輸出屬于“不太可能”的范疇；當診斷系統(tǒng)的輸出值大于0.5時，說明該故障“很有可能”發(fā)生。

從系統(tǒng)調(diào)試文檔中選取2份樣本數(shù)據(jù)對診斷系統(tǒng)進行驗證，見表3。

表2 模糊推理規(guī)則庫表

表3 樣本數(shù)據(jù)表

樣本數(shù)據(jù)1中，各輸入量代表的含義為：主實驗間壓力-76 Pa，屬于“偏低”的概率是0.08，屬于正常的概率是0.61，屬于“偏高”的概率約為0，因此可認為主實驗間壓力在-76 Pa上屬于正常。同理，可知氣鎖間壓力正常，更防護服間壓力正常，送風機前后壓力正常，排風機壓力前后正常，送風變頻器輸出頻率正常，排風變頻器輸出頻率正常。經(jīng)模糊推理系統(tǒng)得出各故障原因輸出的概率分別為0.06、0、0、0、0、0、0、0，因此判斷負壓控制系統(tǒng)不存在故障，這與實際情況吻合。

同理，樣本數(shù)據(jù)2中，可知主實驗間、氣鎖間、更防護服間壓強均偏低，送排風機前后端壓強正常，送風變頻器輸出頻率也在正常范圍內(nèi)，只有排風變頻器輸出頻率偏高（屬于H的概率為0.51，屬于N的概率為0.02）。送風機前后壓力與送風變頻器輸出頻率正常，說明送風子系統(tǒng)工作正常，各功能間壓力偏低，排風機前后壓力低，說明排風量減少，但排風變頻器輸出頻率提高，說明排風機排風能力下降很快，可認為是排風機出現(xiàn)排風不暢故障，模糊推理系統(tǒng)得出各故障輸出量的概率分別為0、0、0、0.54、0、0、0、0，即排風機故障，符合實際情況。

以上2個樣本數(shù)據(jù)表明，運用模糊推理可實現(xiàn)對負壓控制系統(tǒng)軟故障的診斷，但診斷結果優(yōu)劣與否很大程度上與參數(shù)選擇有關。如果存在足夠多的故障樣本，對故障模糊推理系統(tǒng)進行進一步的參數(shù)優(yōu)化，其推理結果會更加可信。

5 結語

運用模糊推理原理進行故障診斷，省去了建立精確數(shù)學模型的這一煩瑣步驟。只要隸屬函數(shù)選擇恰當，推理規(guī)則準確無誤，可以比較準確地判斷是否出現(xiàn)故障，并定位故障發(fā)生的部位。對于那些難以用精確數(shù)學模型描述的，或故障征兆和故障原因之間存在復雜的非線性映射關系的系統(tǒng)而言，利用模糊推理方法進行故障診斷，是一種較為簡單易行的方法。

[1]宗春英.基于人工智能的故障監(jiān)測和診斷系統(tǒng)的研究[J].制造業(yè)自動化，2012，34（7）：52-54，72.

[2]楊士元，胡梅，王紅.模擬電路軟故障診斷的研究[J].微電子學與計算機，2008，25（1）：1-8.

[3]馬小平，肖興明.基于專家系統(tǒng)的提升機故障診斷系統(tǒng)[J].中國礦業(yè)大學學報，1999，28（5）：88-90.

[4]李國棟，丁寧，徐永海.基于Mamdani型模糊推理的電壓暫降源識別[J].華北電力大學學報：自然科學版，2010，37（2）：43-48.

[5]蔡桂芳，李君.基于模糊神經(jīng)網(wǎng)絡的液壓動力機構故障診斷研究[J].機電產(chǎn)品開發(fā)與創(chuàng)新，2007，20（3）：17-18.

[6]張小玉，黃維新.基于模糊神經(jīng)網(wǎng)絡的直流電網(wǎng)故障診斷研究[J].機電產(chǎn)品開發(fā)與創(chuàng)新，2009，22（3）：75-76.

[7]劉穎，王向軍，張民.基于模糊理論的容差電路故障診斷方法[J].微計算機信息，2007，23（34）：160-161，206.

[8]徐向進，于建成.自適應模糊神經(jīng)控制的汽車電動助力轉(zhuǎn)向系統(tǒng)[J].電子科技，2005（6）：8-11.

[9]何傳嚴.粗糙集在衛(wèi)星電源故障診斷中的應用[D].哈爾濱：哈爾濱工業(yè)大學，2006.

[10]邵一琨.基于模糊邏輯的地鐵列車牽引供電系統(tǒng)關鍵結構故障診斷[D].北京：北京交通大學，2011.

（收稿：2015-02-04 修回：2015-05-14）

關于醫(yī)學論文標題的撰寫要求

1.題名應準確、簡明，反映文章的核心內(nèi)容。一般使用能充分反映論文主題內(nèi)容的短語，而不使用具有主、謂、賓結構的完整語句，最好不用標點符號。中文題名一般不宜超過20個漢字。

2.論文標題一般不設副題名。確有必要時，用冒號將副題名與主題名分開；或者用與主題名字體、字號不同的文字排印副題名，以示區(qū)別。采用后一種編排格式時，在目次表中主題名與副題名用“：”隔開。

3.題名用詞應有助于選定關鍵詞和編制題錄、索引等，盡量避免使用非公知公認的縮略語、字符、代號等，也不應將原形詞和縮略語同時列出。題名中的外文人名要用原文。

（本刊編輯部)

Design of fault diagnosis algorithm for mobile BSL-3 negative pressure control system based on Mamdani fuzzy inference

HUANG Shi-an,LIU Zhi-guo
（Institute of Medical Equipment,Academy of Military Medical Sciences,Tianjin 300161,China）

Objective To put forward a fault diagnosis algorithm based on Mamdani fuzzy inference for mobile BSL-3 negative pressure control system.Methods Pressure and inverter output frequency were selected as the input variables of the inference system because they were easy to pick up and could reflect the running states of the devices.The change laws of pressure and inverter output frequency at different device states were determined by simulation experiment.Fuzzy inference rule database was constructed with references to debug document and some experts' experience.Results Trials proved that the conclusion by fuzzy inference accorded with the reality.Conclusion Fuzzy inference algorithm is easy and practical for the fault diagnosis of mobile BSL-3 negative pressure control system.[Chinese Medical Equipment Journal，2015，36（11）：5-9]

mobile BSL-3;negative pressure control;fault diagnosis;Mamdani fuzzy inference

R318；R122.2

A

1003-8868（2015）11-0005-05

10.7687/J.ISSN1003-8868.2015.11.005

軍隊重大專項課題（AWS11Z005-2）

黃世安（1983—），男，主要從事醫(yī)療設備維護管理方面的研究工作，E-mail：huangshian_hp@163.com。

300161天津，軍事醫(yī)學科學院衛(wèi)生裝備研究所（黃世安，劉志國）

劉志國，E-mail：liuzhiguo_s@263.net