周元高

（湖南省洞口縣龍江種蓄場，湖南 邵陽 422317）

0 引言

隨著區(qū)塊鏈等高新技術(shù)的日益發(fā)展，在智能裝備或制造等領(lǐng)域?qū)⑻峁┤碌臓顟B(tài)監(jiān)控、可信數(shù)據(jù)傳輸、質(zhì)量全過程追溯等解決方案，為用戶帶來嶄新的價值體驗。以市場為導(dǎo)向的維修管理既受控于市場又服務(wù)于市場，因此更注重維修有效性與單位成本間的關(guān)系。提升設(shè)備的可靠性和利用率，合理平衡維修成本與經(jīng)濟(jì)效益間的關(guān)系，提高人員工作效率等成為維修管理人員亟需解決的問題?，F(xiàn)代裝備由于其精密程度高，故障發(fā)生的原因復(fù)雜、多樣，為滿足設(shè)備故障診斷的可靠性、智能化水平等日益增長的需求，人們開始研究各種診斷方法。故障樹（FTA）根據(jù)頂上事件逐一分析各節(jié)點(diǎn)關(guān)系，確定最小割集和最小徑集，但對于復(fù)雜的多層故障樹推理較慢；基于貝葉斯網(wǎng)絡(luò)的原因推理［1-3］，智能化程度高、準(zhǔn)確性好，但對已知概率準(zhǔn)確性要求較高，實(shí)際應(yīng)用中效果不太理想；概率神經(jīng)網(wǎng)絡(luò)在雷達(dá)目標(biāo)識別和故障診斷及病情分析等領(lǐng)域取得滿意的成果。但在故障診斷領(lǐng)域應(yīng)用時需要獲取大量經(jīng)處理的系統(tǒng)參數(shù)，存在局限性[4-5]。

隨著社會日益精細(xì)化程度的提高，高端裝備故障復(fù)雜、排查成本高等問題凸顯。傳統(tǒng)方法難以奏效，設(shè)備高效穩(wěn)定運(yùn)行難以得到保障。因此，在錯綜多變的環(huán)境下研究復(fù)雜系統(tǒng)故障原因，從中剝離擾動信息并進(jìn)行快速分析與準(zhǔn)確定位意義重大。針對目前狀況，本文根據(jù)現(xiàn)場實(shí)踐，在前輩的研究基礎(chǔ)上提出了專家優(yōu)化FTAPNN的故障診斷方法。該方法彌補(bǔ)單一故障診斷法的局限性，具有快速收斂、準(zhǔn)確率高、訓(xùn)練容易等優(yōu)點(diǎn)，最后通過實(shí)例驗證了該方法的優(yōu)越性，為維修管理人員精準(zhǔn)判斷提供決策支持。

1 專家優(yōu)化的FTA

1961年美國貝爾電話研究所Watson和Mearns提出應(yīng)用于分析民兵導(dǎo)彈發(fā)射控制系統(tǒng)的故障樹分析Fault Tree Analysis，簡稱FTA，它是一種利用事故樹對事故進(jìn)行預(yù)測的方法，按照演繹的原理對事故進(jìn)行定性和定量的分析，也是安全系統(tǒng)工程中最重要的分析方法之一。定性分析包括最小割（徑）集的求取和重要度分析，最小割集是頂上事件發(fā)生的最低限度基本事件的集合，最小徑集是頂上事件發(fā)生所必須的最低限度的基本事件的集合。通過分析其運(yùn)行機(jī)理，結(jié)合大量故障參數(shù)調(diào)查分析，找出故障可能的原因，形成因果鏈，用演繹法構(gòu)造故障樹，即以該故障作為頂上事件，從上而下逐級分析［6-7］，故障模式類型作為中間事件，原因作為底事件。專家對FTA的優(yōu)化主要是根據(jù)經(jīng)驗排除不可能或極小概率事件，理論邏輯優(yōu)化主要考慮以下方面：（1）最小割集表示系統(tǒng)的危險性應(yīng)減少其數(shù)量；（2）最小徑集表示系統(tǒng)的安全性，盡可能增加其數(shù)量，最小徑集越多，系統(tǒng)就越安全；（3）對基本事件少的最小割集采取增加基本事件的措施，以降低事故發(fā)生的概率；（4）利用最小徑集選擇最佳方案：依次消除包含基本事情小的最小徑集，根據(jù)客觀條件和經(jīng)濟(jì)因素，選擇最有效、經(jīng)濟(jì)的方案；（5）若頂上事件的概率值超過可接受值，則應(yīng)采取改進(jìn)措施。

2 PNN故障診斷

1989年D F Specht博士提出的概率神經(jīng)網(wǎng)絡(luò)probabilistic neural network，簡稱PNN，實(shí)踐中部分未知狀態(tài)分類難以確定，在不完全信息下，使用單一故障樹分析法很難得到較準(zhǔn)確的診斷結(jié)果，傳統(tǒng)的多層前向網(wǎng)絡(luò)用BP算法進(jìn)行反向誤差計算，而概率神經(jīng)網(wǎng)絡(luò)（PNN）是一種向前的過程，根據(jù)運(yùn)行狀態(tài)構(gòu)造模式識別類器來檢測特征數(shù)據(jù)，經(jīng)過專家改進(jìn)后的故障樹建立故障征兆與模式間的隸屬矩陣，將數(shù)組樣本映射到故障模式，相比單一故障樹而言更有效降低誤判率，擁有訓(xùn)練時間短、不易產(chǎn)生局部最優(yōu)解，分類準(zhǔn)確率較高等特點(diǎn)[8-10]。

本文采用基于貝葉斯決策理論的PNN是由徑向基函數(shù)發(fā)展而來的一種前饋型神經(jīng)網(wǎng)絡(luò)，采用Parzen窗函數(shù)密度方法估計條件概率，調(diào)整散布常數(shù)Spread的值構(gòu)成對少數(shù)訓(xùn)練樣本的臨近分類器，構(gòu)建輸入層、模式層、求和層、輸出層4層PNN適合于模式分類［11-13］，樣本數(shù)據(jù)訓(xùn)練成一個容錯和自適應(yīng)能力較強(qiáng)的診斷網(wǎng)絡(luò)，實(shí)現(xiàn)從多個故障源中剝離出擾動信息，從而準(zhǔn)確定位故障發(fā)生的根本原因。

3 專家優(yōu)化FTA-PNN的故障診斷

專家優(yōu)化FTA-PNN的故障診斷方法是經(jīng)專家優(yōu)化后的FTA和PNN網(wǎng)絡(luò)組合的一種創(chuàng)新方法，是組織和技術(shù)制約的各要素系統(tǒng)性協(xié)同，該方法在故障診斷時，提取狀態(tài)的特征信息，系統(tǒng)自動匹配到經(jīng)專家優(yōu)化過的故障樹如圖1所示，結(jié)合已建立的故障樹知識規(guī)則和定義的狀態(tài)模式類別，輸入到訓(xùn)練好的專家優(yōu)化FTA-PNN，診斷網(wǎng)絡(luò)根據(jù)模式分類規(guī)則進(jìn)行分類推理，最后映射到對應(yīng)類別故障樹分支的底事件集合，提取發(fā)生概率最大的底事件作為結(jié)果輸出。具體表示為：故障樹的優(yōu)化——提取運(yùn)行參數(shù)數(shù)據(jù)特征信息——映射到網(wǎng)絡(luò)——輸出最可能診斷結(jié)果。該方法適用于在線檢測，無需大量樣本積累，易于實(shí)現(xiàn)。隨著故障知識的逐漸積累，通過網(wǎng)絡(luò)擴(kuò)張學(xué)習(xí)，可逐漸提高故障診斷的精確度，但在根據(jù)當(dāng)前的運(yùn)行狀態(tài)預(yù)測，使其始終保持最佳運(yùn)行狀態(tài)尚需進(jìn)一步研究，該方法可有效提高故障診斷精度和速度。

圖1 專家優(yōu)化的FTA

4 算例與結(jié)果分析

專家優(yōu)化FTA-PNN的故障診斷方法在實(shí)踐中的應(yīng)用，本文以某單位大型射出機(jī)開模故障為例，故障影響因素主要包括：液流速、電機(jī)轉(zhuǎn)速、油溫、高速、中速、低速。根據(jù)實(shí)際經(jīng)專家優(yōu)化過的FTA如圖1所示，然后通過歷史資料獲取相關(guān)參數(shù)，訓(xùn)練經(jīng)專家優(yōu)化FTA-PNN網(wǎng)絡(luò)，最終確定故障樹的最可能的底事件。通過表1所示的測試樣本可驗證網(wǎng)絡(luò)的優(yōu)越性。PNN診斷出的故障模式類別與期望類別效果對比，如圖2所示，*符號表示期望類別，△符號表示診斷算法推理得到的估值。由PNN診斷結(jié)果可知，10組測試樣本經(jīng)過PNN診斷后，只有第3和第7組樣本故障類型診斷錯誤，但隨著故障先驗知識的積累，訓(xùn)練樣本數(shù)量不斷增加，PNN神經(jīng)元的不斷擴(kuò)展，網(wǎng)絡(luò)性能得到優(yōu)化，故障診斷準(zhǔn)確度將不斷提高。

表1 測試樣本數(shù)據(jù)

圖2 專家優(yōu)化FTA-PNN的故障診斷比對

5 結(jié)束語

由于目前單一的故障類型診斷方法不能適應(yīng)復(fù)雜的現(xiàn)代設(shè)備維修管理，本文提出專家優(yōu)化FTA-PNN的故障診斷方法，是經(jīng)專家優(yōu)化后的FTA和PNN網(wǎng)絡(luò)組合的一種創(chuàng)新方法，該方法將采集的特征數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，進(jìn)而根據(jù)優(yōu)化方法及決策規(guī)則對特征數(shù)據(jù)進(jìn)行分類診斷。該方法在故障診斷過程中最大程度地利用已知故障經(jīng)驗知識，對多故障模式狀態(tài)進(jìn)行定性診斷。采用專家優(yōu)化故障樹FTA及基于貝葉斯準(zhǔn)則的概率神經(jīng)網(wǎng)絡(luò)PNN構(gòu)建射出機(jī)開模故障類型診斷模型，從大量錯綜復(fù)雜的故障源中剝離出擾動信息，從而達(dá)到快速定位的目的。避免使用單一方法對復(fù)雜故障診斷的缺陷，案例驗證了研究方法的可行性。隨著故障先驗知識的積累，故障樣本的逐漸增多，PNN的神經(jīng)元不斷擴(kuò)展，網(wǎng)絡(luò)性能得到加強(qiáng)，故障診斷準(zhǔn)確度將不斷提高。因此，該方法是一種有效的故障診斷方法，具有良好的應(yīng)用前景。