CN103678881B - 一种基于人工免疫与证据理论相结合的复合故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于人工免疫与证据理论相结合的复合故障诊断方法，该基于人工免疫与证据理论目结合的复合故障诊断方法包括以下步骤：首先通过振动监测数据在线计算无量纲指标，构建复合故障时无量纲指标对应的取值范围，然后，利用人工免疫的方法将得到的每个无量纲指标对故障诊断的结果转化为信度分布的形式，通过证据推理算法，以各个基于无量纲指标的人工免疫故障检测器的诊断结果为输入，以最终的故障诊断结果为输出，建立了融合诊断模型，在得到新的输入输出数据后，实现了复合故障的诊断。本发明弥补了目前的研究中尚没有利用人工免疫与证据理论相结合的优势进行复合故障诊断方法的空白，实现了实时准确的旋转机械复合故障诊断。

Description

一种基于人工免疫与证据理论相结合的复合故障诊断方法

技术领域

本发明属于旋转机械故障诊断技术领域，尤其涉及一种基于人工免疫与证据理论相结合的复合故障诊断方法。

背景技术

目前，无量纲指标在旋转机械故障诊断中得到了广泛的应用。在无量纲指标中，峭度指标和脉冲指标对冲击型故障比较敏感，尤其是在故障发生早期，大幅值的脉冲比较少，其他指标值增加不多，而峭度指标和脉冲指标值上升比较快，因此这两个指标对于旋转机械的早期故障比较敏感，然而在实际工况下运行的旋转机械，其故障通常是复合故障，即设备的故障是多个单一故障并发的结果。现有的相关研究主要集中在对单一故障的处理，而对于复合故障的诊断研究仍处于初级阶段，相关的研究也非常缺乏。特别，石化大型旋转机械设备的故障80％是复合的、并发的，现有的诊断方法对这一问题难以处理，其主要难点是：1)如何确定复合故障下无量纲指标对应的范围；2)通过振动监测数据计算得到的各个无量纲指标对应的故障范围之间存在一定的重合，即正常设备的无量纲指标的范围和故障设备的无量纲指标范围难以严格区分，从而造成诊断结果的不确定性。以上两个难点很大程度上增加了应用现有故障诊断方法解决这些问题的复杂性和难度。要想解决这些问题，就要求应用一种有效的方法对不确定性信息可以进行合理的、系统的、灵活的处理。

由于证据推理(Evidential reasoning，ER)方法在处理概率不确定性和模糊不确定性方面的优势，可以作为处理上面问题的一种有效途径。Yang等早在上世纪90年代提出ER方法来处理多属性决策问题。ER是一种基于D-S证据理论中的Dempster组合规则来处理多源信息融合的方法。Yang在2001年研究了定量信息和定性信息向信度分布结构的等价变换问题，提出了基于规则或基于效用的信息变换技术；Yang等在2002年对原有的ER方法进行了改进，使之满足任意信息融合方法需要满足的一般性规则；同年，Yang等又分析了ER算法的非线性特性。到目前为止，ER算法已经发展成为可以在统一的信度框架下处理精确的、不完整的和模糊的数据、随机数据及定性的专家知识，进行非线性信息融合的方法，在故障预测、可靠性预测、系统性能预测、多属性决策分析、环境影响评估、输油管道检测等领域得到了广泛的应用。而且ER算法在新的工程领域的应用研究仍然是热点研究的课题。

然而，目前的研究中尚没有利用人工免疫与证据理论相结合的优势进行复合故障诊断方法的研究成果。

发明内容

本发明实施例的目的在于提供一种基于人工免疫与证据理论相结合的复合故障诊断方法，旨在解决目前的研究中尚没有利用人工免疫与证据理论相结合的优势进行复合故障诊断方法的问题。

本发明实施例是这样实现的，一种基于人工免疫与证据理论相结合的复合故障诊断方法，该基于人工免疫与证据理论相结合的复合故障诊断方法包括以下步骤：

根据离线建模阶段确定的各类故障下无量纲指标的范围下，获取在线监测数据，计算实际的无量纲指标；

根据故障的范围，利用人工免疫的方法计算出对应各个无量纲指标的故障诊断结果；

利用人工免疫检测器中初始检测器、成熟检测器、优秀检测器之间的转换，初始检测器通过现场故障诊断结果的确认；

基于证据推理融合的方法诊断出复合故障以及经过现场确认后，可以将诊断出的复合故障作为新的故障，加入到故障集，作为新的单一故障处理；实现故障类型的决策以及诊断结果的评估；

具体方法如下：

第一步，石化装备典型故障的确定，通过与企业、机械专业技术人员的讨论，以及对现场已经发生过的故障的历史记录的统计分析来典型故障类型集合，确定石化装备中容易发生的典型故障的特征；

第二步，石化装备传感器的配置，根据传感器配置的标准以及石化大型机组采取多传感器监测数据的方法，传感器数目和安装位置的选择根据石化装备的特点与组成结构以及与典型故障的相关性来确定；

第三步，基于振动烈度的故障诊断，通过传感器采集的数据，计算振动烈度，依据国际、国内或企业的标准，直接判定设备的状态，如果振动烈度超出了标准规定的限制，则报警，提醒故障发生；

第四步，基于专家系统的故障诊断，专家系统用以早期的辅助故障诊断，专家系统的建立需要依托石化企业专业技术人员的经验知识以及历史记录的统计分析确定故障诊断的规则，在振动检测数据获取后，通过频域分析方法，建立相应的频谱，根据专家规则实现故障的判断；

第五步，无量纲指标的计算及故障区间的确定，无量纲指标指的是由两个具有相同量纲的量的比值，以监测信号的概率密度函数为基础，令Z表示随机的振动幅值，z表示Z的采样实现，p(z)表示振动幅值Z的概率密度函数，那么无量纲指标的一般定义可以表示如下：

发生两重加性故障情况下对应的无量纲指标范围的计算方法；

假设获取得到了单一故障下振动数据Z的M个监测数据z₁，z₂，...，z_M，M比较大，那么无量纲指标计算过程中涉及的期望计算问题可以通过以下计算式实现近以：

那么，无量纲指标X_z可以表示为：

其中当l→∞时，

如果有单一故障的多组历史的振动监测数据(如)，那么就可以通过上面的计算得到的取值范围，表示为那么对应的无量纲指标的取值范围可以通过以下的方法确定：

如果有故障1和故障2复合产生的故障3，且故障1和故障2是加性的，也就是说，复合故障的信号Z₃是故障1的信号Z₁和故障2的信号Z₂的叠加，即Z₃=Z₁+Z₂，那么复合故障的信号Z₃对应的l阶矩的取值范围可以通过以下方式确定：

其中

那么对应的复合故障情况下无量纲指标的取值范围可以通过以下的方法确定：

通过以上的方法，就可以确定发生单一故障：故障1和故障2，及复合故障发生时对应的各个无量纲指标的区间范围[c_1，z，d_1，z]、[c_2，z，d_2，z]及[c_3，z，d_3，z]；

第六步，无量纲指标的在线计算及向证据的信度结构的变换，在实际的监测信号获取后，通过计算各个无量纲指标的值，为了将计算得到的无量纲指标通过前面确定的故障情况下无量纲指标的范围转换为信度结构的描述：

假设通过实际的计算，无量纲指标X_i的计算值也可以表示为区间的形式，为以无量纲指标X_i对第j个故障的取值范围表示为[c_i，j，d_i，j]为例，j对应着F₀，F₁，F₂，F₃，即j=0，1，2，3，来说明实际计算得到的如何转换为证据理论中的信度结构，采用集合的相似性度量：

S(S1，S2)=(|S1∩S2|)／(|S1|+|S2|-|S1∩S2|)

其中|·|表示集合的长度，如|S1|=|[S1_l，S1_u]|=S1_u-S1_l，其中S1_l和S1_u表示S1的上下界，也可以避免直接的考虑两个故障区间重合的问题，下面直接给出对应的方法；

计算与[c_i，j，d_i，j]的相以度

通过以上的结果可以将类似地转换为如下：

S(x_i)={(F_j，β_i，j(x_i))，i=1，...，L；j=0，1，2，3}

其中

第七步，人工免疫检测器，基于前面计算的无量纲指标，可以利用人工免疫的方法进行故障诊断，具体实现的方法：

(1)二进制编码的位数的确定：

人工免疫的方法进行故障诊断需要对数据进行二进制编码-编码的位数越长，精度应该更高，但编码越长，计算越复杂，对实时性有影响，为了实现实时准备的故障诊断，需要根据实际情况确定二进制编码的位数；

(2)初始检测器、成熟检测器、优秀检测器的生成：

新装备运行后，经过正常运行，通过对这些数据计算无量纲指标，可以确定各个无量纲指标对应的自己空间，从而形成初始检测器，初始检测器只判断是否属于自己空间，一旦通过初始检测器发现非己空间的情况，经过检测确认故障类型后，记录下对应的检测数据对应的人工免疫检测器编码串，形成成熟检测器；随着数据的积累，在成熟检测器中去除重复的、交叉的检测编码串后，形成与故障类型一一对应的检测编码数据，从而生成优秀检测器；

第八步，证据推理，对于故障诊断的问题y，假设与相关的L个基本属性可以表示为x_i(i=1，...，L)，对应着L个无量纲指标，定义这L个基本属性组成的集合作为证据源：E={x₁，...，x_L}，假设属性的权重为w={w₁，…w_i，…，w_L}，其中w_i表示第i个属性x_i的相对重要程度，权重归一化表示如下：

0≤w_i≤1，

定义故障诊断问题y对应的故障诊断问题的故障的类型，F满足证据理论中识别框架的要求，表示如下：

F={F₀，…，F_N-1}

F_n表示第n个故障；

对于每个属性x_i(i=1，...，L)的评估结果可以表示如下信度分布的形式：

S(x_i)={(F_n，β_i，n(x_i))，n=0，…，N-1}，i=1，…，L；

其中β_i，n(x_i)≥0，且β_i，n(x_i)表示属性x_i被评估为故障F_n的信度，口果则称对属性x_i的评估是完整的，否则为不完整的评估，β_n，i的获取方式依赖于属性e_i(i=1，...，L)的特点，比如定量属性的数据以数值的形式表示，而定性属性的数据以分布的形式表示，通过变换，数值数据、随机数据或定性信息都可以变换为信度分布的形式；

令β_n表示问题y被最终诊断为F_n的信度，β_n是通过融合所有属性x_i(i=1，...，L)的评估信息获取的，利用证据推理算法进行信息融合；

第九步，属性权重的确定，确定属性的权重为w={w₁，…w_i，…，w_L}的方法，确定的方法可以根据由各个无量纲指标利用人工免疫故障检测方法诊断的结果S(x_i)={(F_n，β_i，n(x_i))，n=0，…，N-1}，i=1，…，L之间的一致性，按照少数服从多数的原则，确定属性权重向量w={w₁，…w_i，…，w_L}，具体的确定方法如下：

步骤一：将证据体S(x_i)={(F_n，β_i，n(x_i))，n=0，…，N-1}表示为向量的形式，如m_i=(β_i，0(x_i)，β_i，1(x_i)，...，β_i，N-1(x_i))；

步骤二：计算证据体S(x_i)={(F_n，β_i,n(x_i))，n=0，…，N-1}与证据体S(x_j)={(F_n，β_j，n(x_j))，n=0，…，N-1}之间的证据距离d_ij,从而构建证据距离矩阵D_L×L=[d_ij]:

其中d_ij的计算如下：

且满足0≤d_ij≤1；

步骤三：基于证据距离d_ij计算证据体S(x_i)={(F_n，β_i，n(x_i))，n=0，…，N-1}与证据体S(x_j)={(F_n，β_j，n(x_j))，n=0，…，N-1}之间的相似性s_ij，从而构建证据距离矩阵S_L×L=[s_ij]：

其中s_ij的计算如下：

且满足0≤s_ij≤1；

步骤四：计算证据体对S(x_i)={F_n，β_i，n(x_i))，n=0，…，N-1}的总支持程度S_i，具体计算如下：

步骤五：基于总支持度计算属性权重w_i如下：

基于以上的属性权重分析过程，建立故障诊断模型，提出相应的融合故障诊断方法；

第十步，基于无量纲指标和证据推理的融合故障诊断模型，假设模型的输入输出可以表示为输入输出数据对的形式(X，y)，其中X表示故障诊断模型的输入向量，y表示相应的输出，而描述系统故障诊断的结果可以表示为如下的形式：

y=f(X)

其中y表示故障诊断模型的输出，准确实现故障诊断的关键就是通过输入输出数据来近似对函数f(·)进行建模；

为了应用无量纲指标和证据推理的算法来实现旋转机械设备的故障诊断，令输入向量X=(x₁，x₂，...，x_L)表示用来进行故障诊断，计算诊断结果y的L个无量纲指标各自对应的人工免疫检测的诊断结果，对应ER算法而言，x₁，x₂，...，x_L为L个基本属性，下面应用ER算法来辨识x₁，x₂，...，x_L与y的函数关系f(·)，即：

y=f(X)=f(x₁，x₂，...，x_L)

假设无量纲指标x_i的权重为w_i，以刻画该无量纲指标的重要程度，且有权重的归一化表示如下：

0≤w_i≤1，

在实际中，输入数据X可能是数值或区间数据的形式，为了能够应用证据推理算法，需要把输入数据转换为信度分布的形式，基于规则或基于效用的信息变换技术可以用来实现等价变换，通过变换，融合诊断模型中的输入向量X=(x₁，x₂，...，x_L)就可以用如下的信度分布形式描述：

S(x_i)={(F_n，β_i，n(x_i))，n=0，1，…，N-1}，i=1，…，L

当所有的输入变量都描述为上式的形式时，可以直接应用证据推理算法来组合所有属性，获取最终的结论，使用证据推理算法，通过融合所有的基本属性x₁，x₂，...，x_L，最后的诊断结果y可以描述为信度分布形式如下：

y={(F_n，β_n)，(F，β_F)，n=0，1，...，N-1}

其中β_n，β_F通过解析ER算法得到：

融合后的分布评估y={(F_n，β_n)，(F，β_F)，n=0，1，...，N-1}描述了诊断结果的总体情况，以及系统故障类型的总体评估，实际上，y提供了系统在t时刻故障情况的完整描述，从中可以得到，系统的故障被诊断为何种状态，发生了哪类故障，以及对应的信度为多少，可以在获取无量纲指标后，通过上述的模型进行故障诊断，通过信度分布的概率解释的观点，上述的诊断结果也就能够反应设备处于正常状态的概率有多大，以及处于哪一类故障的概率又是多少，因此通过这一结果，可以很容易的得到设备状态按照概率大小的排序，为规划设备检查次序、确定维护方式决策活动提供依据，非常具有实际意义；

第十一步，故障类型的决策：

基于以下融合诊断模型的最终输出

y={(F_n，β_n)，(F，β_F)，n=0，1，...，N-1}

如果要确定具体的故障类型，可以通过以下的简单决策方法确定：

β_F是等于0的，在信度变换的过程中因此β_i，F(x_i)=0，因此，通过使得最大的β_n对应的故障类型F_n即为最终诊断的故障类型，如果故障诊断的结果在两个故障类型上分配的信度都超过了一段的信度限制，则可以认为是二者复合的故障发生，经过现场确认后，将复合的故障作为新的一类单一故障处理，加入到故障类型集合，从而实现将多重复合故障转换为单一故障处理，也就是说研究两重复合故障诊断具有典型性和一般性，其他类型的复合故障都转换为两重复合故障处理；

第十二步，诊断结果的评估，通过重复上述的方法，对于大量的实际数据的诊断结果进行统计，可以得到对于两重复合故障的诊断率。

进一步，在第五步中，五个无量纲指标：波形指标、峰值指标、脉冲指标、裕度指标和峭度指标，具体的定义分别如下：

波形指标：若l=2，m=1，

脉冲指标：若l→∞，m=1，

裕度指标：若l→∞，m=1／2，

峰值指标：若l→∞，m=2，

峭度指标：

进一步，在第五步中，为了符号的简化，将各个无量纲指标的范围统一描述为如下的形式：无量纲指标X_i对第j个故障的取值范围表示为[c_i，j，d_i，j]此外，将正常状态下的无量纲指标的范围表示为[c_i，0，d_i，0]，假设有L个无量纲指标，即i=1，2，...，L。

进一步，在第八步中，利用证据推理算法进行信息融合的方法为：

令m_n,i表示第i个基本属性x_i支持问题y被诊断为故障F_n的基本概率指派值，m_F,i表示没有分配给任何一个故障类型的基本概率指派值，大小表述了未知或不确定程度，基本概率指派的计算如下：

m_n，i=w_iβ_n,i,n=0，1，...，N-1.

可以看出，未分配的基本概率m_F，i被分为两部分： 其中是由于属性x_i(i=1，...，L)的相对权重引起的；是由于属性e_i(i=1，...，L)评估信息的不完整造成的；

由于问题y的故障类型满足证据理论中识别框架的要求，根据证据推理算法，直接应用Dempster组合规则，得到最终的评估结果，表示如下：

其中β_n与β_F分别表示对于y诊断为F_n和F的融合信度，因此对于y的总体评估结果可以表示为：

y={(F_n，β_n)，(F，β_F)，n=1，2...，N}。

本发明提供的基于人工免疫与证据理论相结合的复合故障诊断方法，通过首先通过振动监测数据在线计算无量纲指标，构建复合故障时无量纲指标对应的取值范围，然后，利用人工免疫的方法将得到的每个无量纲指标对故障诊断的结果转化为信度分布的形式，通过证据推理算法，以各个基于无量纲指标的人工免疫故障检测器的诊断结果为输入，以最终的故障诊断结果为输出，建立了融合诊断模型，在得到新的输入输出数据后，实现了复合故障的诊断，弥补了目前的研究中尚没有利用人工免疫与证据理论相结合的优势进行复合故障诊断方法的空白，实现了实时准确的旋转机械复合故障诊断。

附图说明

图1是本发明实施例提供的基于人工免疫与证据理论相结合的复合故障诊断方法流程图；

图2是本发明实施例提供的基于人工免疫与证据理论相结合的复合故障诊断方法实现流程示意图；

图3是本发明实施例提供的人工免疫检测器的转换示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示，本发明实施例的基于人工免疫与证据理论相结合的复合故障诊断方法包括以下步骤：

S101：根据离线建模阶段确定的各类故障下无量纲指标的范围下，获取在线监测数据，计算实际的无量纲指标；

S102：根据故障的范围，利用人工免疫的方法计算出对应各个无量纲指标的故障诊断结果；

S103：利用人工免疫检测器中初始检测器、成熟检测器、优秀检测器之间的转换，初始检测器通过现场故障诊断结果的确认，可以提升为成熟检测器，而成熟检测器在去除其中重复、交叉的检测器后可以进一步的提升为优秀检测器;

S104：基于证据推理融合的方法诊断出复合故障以及经过现场确认后，可以将诊断出的复合故障作为新的故障，加入到故障集，作为新的单一故障处理；实现故障类型的决策以及诊断结果的评估。

结合图2和实施例对本发明做进一步的说明；

具体实施方法如下：

第一步，石化装备典型故障的确定：

通过与企业、机械专业技术人员的讨论，以及对现场已经发生过的故障的历史记录的统计分析来典型故障类型集合，确定石化装备中容易发生的典型故障的特征；

第二步，石化装备传感器的配置，根据传感器配置的标准以及石化大型机组采取多传感器监测数据的方法，传感器数目和安装位置的选择根据石化装备的特点与组成结构以及与典型故障的相关性来确定；

第三步，基于振动烈度的故障诊断，通过传感器采集的数据，计算振动烈度，依据国际、国内或企业的标准，直接判定设备的状态，如果振动烈度超出了标准规定的限制，则报警，提醒故障发生；

第四步，基于专家系统的故障诊断，由于基于无量纲指标的故障诊断方法，在设备安装的早期数据量比较缺乏，难以有效的进行故障诊断，因此专家系统用以早期的辅助故障诊断，专家系统的建立需要依托石化企业专业技术人员的经验知识以及历史记录的统计分析确定故障诊断的规则，在振动检测数据获取后，通过频域分析方法，建立相应的频谱，根据专家规则实现故障的判断；

第五步，无量纲指标的计算及其故障区间的确定，无量纲指标指的是由两个具有相同量纲的量的比值，以监测信号的概率密度函数为基础。由于无量纲指标是一比值，因此不受信号的绝对水平的影响，与振动检测器、放大器的灵敏度和放大倍数关系不大，故监测系统无需标定，这给这些指标在实际设备故障诊断带来了便利。令Z表示随机的振动幅值，z表示Z的采样实现，p(z)表示振动幅值Z的概率密度函数，那么无量纲指标的一般定义可以表示如下：

基于以上的一般表示，在实际中常用的五个无量纲指标：波形指标、峰值指标、脉冲指标、裕度指标和峭度指标。具体的定义分别如下：

波形指标：若l=2，m=1，

脉冲指标：若l→∞，m=1，

裕度指标：若l→∞，m=1／2，

峰值指标：若l→∞，m=2，

峭度旨标：

目前利用无量纲指标进行故障诊断的研究中，首先通过机组的试验，通过在线监测采样，计算正常状态和发生各种故障时各个无量纲指标参数，然后，将计算得到的各个无量纲指标的最大最小值作为旋转机械在正常状态或各种故障状态时的取值范围，当这些无量纲指标用于实际设备的故障诊断时，如果计算得到的无量纲指标值落在哪个区间，就可以判断设备是处于正常状态还是发生了何种故障，由于振动幅值的概率密度函数p(z)一般难以确定，无量纲指标的计算过程中涉及的积分运算一般通过大样本情况下样本的l阶矩或m阶矩近似，下面给出无量纲指标的计算过程，并提出一种发生两重加性故障情况下对应的无量纲指标范围的计算方法；

假设获取得到了单一故障下振动数据Z的M个监测数据z₁，z₂，...，z_M，M比较大，那么无量纲指标计算过程中涉及的期望计算问题可以通过以下计算式实现近似：

那么，无量纲指标X_z可以表示为：

其中当l→∞时，

如果有该单一故障的多组历史的振动监测数据(如z)，那么就可以通过上面的计算得到的取值范围，表示为那么对应的无量纲指标的取值范围可以通过以下的方法确定：

如果有故障1和故障2复合产生的故障3，且故障1和故障2是加性的，也就是说，复合故障的信号Z₃是故障1的信号Z₁和故障2的信号Z₂的叠加，即Z₃=Z₁+Z₂，那么复合故障的信号Z₃对应的l阶矩的取值范围可以通过以下方式确定：

其中

(11)

那么对应的复合故障情况下无量纲指标的取值范围可以通过以下的方法确定：

通过以上的方法，就可以确定发生单一故障：故障1和故障2，及复合故障发生时对应的各个无量纲指标的区间范围[c_1，z，d_1，z]、[c_2，z，d_2，z]及[c_3，z，d_3，z]；

为了符号的简化，将各个无量纲指标的范围统一描述为如下的形式：无量纲指标x_i对第j个故障的取值范围表示为[c_i，j，d_i，j]。此外，将正常状态下的无量纲指标的范围表示为[c_i，0，d_i，0]，假设有L个无量纲指标，即i=1，2，...，L；

第六步，无量纲指标的在线计算及向证据的信度结构的变换，在实际的监测信号获取后，可以通过前面的方法计算各个无量纲指标的值，为了将计算得到的无量纲指标通过前面确定的故障情况下无量纲指标的范围转换为信度结构的描述：

假设通过实际的计算，无量纲指标X_i的计算值也可以表示为区间的形式，为以无量纲指标X_i对第j个故障的取值范围表示为[c_i，j，d_i，j]为例(这里j对应着F₀，F₁，F₂，F₃，即j=0，1，2，3)，来说明实际计算得到的如何转换为证据理论中的信度结构，对于其他无量纲指标的情况完全类似，不再赘述，主要原理是采用了集合的相似性度量：

S(S1，S2)=(|S1∩S2|)／(|S1|+|S2|-|S1∩S2|) (13)

其中|·|表示集合的长度，如|S1|=|[S1_l，S1_u]|=S1_u-S1_l，其中S1_l和S1_u表示S1的上下界。采用这一方法，也可以避免直接的考虑两个故障区间重合的问题，下面直接给出对应的方法；

计算与[c_i，j，d_i，j]的相似度

通过以上的结果可以将类似地转换为如下：

S(x_i)={(F_j，β_i，j(x_i))，i=1，...，L；j=0，1，2，3} (15)

其中

第七步，人工免疫检测器，基于前面计算的无量纲指标，可以利用人工免疫的方法进行故障诊断，具体实现的方法：

(1)二进制编码的位数的确定：

人工免疫的方法进行故障诊断需要对数据进行二进制编码-编码的位数越长，精度应该更高，但编码越长，计算越复杂，对实时性有影响，为了实现实时准备的故障诊断，需要根据实际情况确定二进制编码的位数；

(2)初始检测器、成熟检测器、优秀检测器的生成：

新装备运行后，经过一段时间的正常运行，通过对这些数据计算无量纲指标，可以确定各个无量纲指标对应的自己空间，从而形成初始检测器，初始检测器只判断是否属于自己空间，一旦通过初始检测器发现非己空间的情况，经过检测确认故障类型后，记录下对应的检测数据对应的人工免疫检测器编码串，形成成熟检测器；随着数据的积累，在成熟检测器中去除重复的、交叉的检测编码串后，形成与故障类型一一对应的检测编码数据，从而生成优秀检测器，他们之间的转换关系如图3所示：

第八步，证据推理，对于故障诊断的问题y，假设与之相关的L个基本属性可以表示为x_i(i=1，...，L)，这里对应着L个无量纲指标，定义这L个基本属性组成的集合作为证据源：E={x₁，...，x_L}。假设属性的权重为w={w₁，…w_i，…，w_L}，其中w_i表示第i个属性x_i的相对重要程度，权重归一化表示如下：

0≤w_i≤1，

定义故障诊断问题y对应的故障诊断问题的故障的类型，F满足证据理论中识别框架的要求(互斥的完备集)，表示如下：

F={F₀，…，F_N-1} (18)

F_n表示第n个故障。

对于每个属性x_i(i=1，...，L)的评估结果可以表示如下信度分布的形式：

S(x_i)={(F_n，β_i，n(x_i))，n=0，…，N-1}，i=1，…，L， (19)

其中β_i，n(x_i)≥0，且β_i,n(x_i)表示属性x_i被评估为故障F_n的信度，如果则称对属性x_i的评估是完整的，否则为不完整的评估，β_n，i的获取方式依赖于属性e_i(i=1，...，L)的特点，比如定量属性的数据以数值的形式表示，而定性属性的数据以分布的形式表示，为了在统一的信度框架下处理定性属性与定量属性，Yang已经提出了等价信息变换技术，通过变换，数值数据、随机数据或定性信息都可以变换为信度分布的形式。

令β_n表示问题y被最终诊断为F_n的信度，β_n是通过融合所有属性x_i(i=1，...，L)的评估信息获取的，下面就利用Yang等提出的ER算法进行信息的融合。

令m_n，i表示第i个基本属性x_i支持问题y被诊断为故障F_n的基本概率指派值，m_F，i表示没有分配给任何一个故障类型的基本概率指派值，其大小表述了未知或不确定程度。基本概率指派的计算如下：

m_n,i=w_iβ_n,i,n=0，1，...，N-1.

可以看出，未分配的基本概率m_F，i被分为两部分：与其中是由于属性x_i(i=1，...，L)的相对权重引起的；是由于属性e_i(i=1，...，L)评估信息的不完整造成的。

由于问题y的故障类型满足证据理论中识别框架的要求，根据Yang等的ER算法，直接应用Dempster组合规则，得到最终的评估结果，表示如下：

其中β_n与β_F分别表示对于y诊断为F_n和F的融合信度。因此对于y的总体评估结果可以表示为：

y={(F_n，β_n)，(F，β_F)，n=1，2...，N}。 (22)

第九步，属性权重的确定，上面的计算过程需要确定属性的权重为w={w₁，…w_i，…，w_L}的方法，确定的方法可以根据由各个无量纲指标利用人工免疫故障检测方法诊断的结果S(x_i)={(F_n，β_i，n(x_i))，n=0，…，N-1}，i=1，…，L之间的一致性，按照少数服从多数的原则，确定属性权重向量w={w₁，…w_i，…，w_L}，具体的确定方法口下：

步骤1：将证据体S(x_i)={(F_n，β_i，n(x_i))，n=0，…，N-1}表示为向量的形式，如m_i=(β_i，0(x_i)，β_i，1(x_i)，...，β_i，N-1(x_i))；

步骤2：计算证据体S(x_i)={(F_n，β_i，n(x_i))，n=0，…，N-1}与证据体S(x_j)={(F_n，β_j，n(x_j))，n=0，…，N-1}之间的证据距离d_ij，从而构建证据距离矩阵D_L×L=[d_ij]：

其中d_ij的计算如下：

且满足0≤d_ij≤1；

步骤3：基于证据距离d_ij计算证据体S(x_i)={(F_n，β_i，n(x_i))，n=0，…，N-1}与证据体S(x_j)={(F_n，β_j，n(x_j))，n=0，…，N-1}之间的相似性s_ij，从而构建证据距离矩阵S_L×L=[s_ij]：

其中s_ij的计算如下：

且满足0≤s_ij≤1；

步骤4：计算证据体对S(x_i)={(F_n，β_i，n(x_i))，n=0，…，N-1}的总支持程度S_i，具体计算如下：

步骤5：基于总支持度计算属性权重w_i如下：

基于以上的属性权重分析过程，建立以下的故障诊断模型，提出相应的融合故障诊断方法；

第十步，基于无量纲指标和证据推理的融合故障诊断模型，假设模型的输入输出可以表示为输入输出数据对的形式(X，y)，其中X表示故障诊断模型的输入向量，y表示相应的输出，而描述系统故障诊断的结果可以表示为如下的形式：

y=f(X) (23)

其中y表示故障诊断模型的输出，准确实现故障诊断的关键就是通过输入输出数据来近似对函数f(·)进行建模；

为了应用无量纲指标和ER算法来实现旋转机械设备的故障诊断，本发明令输入向量X=(x₁，x₂，...，x_L)表示用来进行故障诊断，计算诊断结果y的L个无量纲指标各自对应的人工免疫检测的诊断结果。对应ER算法而言，x₁，x₂，...，x_L为L个基本属性，下面应用ER算法来辨识x₁，x₂，...，x_L与y的函数关系f(·)，即：

y=f(X)=f(x₁，x₂，...，x_L) (24)

对于实际的故障诊断问题，无量纲指标和ER融合诊断模型通过训练，获取模型输入输出的函数关系，当新的输入信息获取后，判断系统是否故障并诊断系统的故障类型，但考虑到不同的无量纲指标对故障的诊断能力上的差异，假设无量纲指标x_i的权重为w_i，以刻画该无量纲指标的重要程度，且有权重的归一化表示如下：

0≤w_i≤1，

其中属性权重的确定方法见上面给出的方法；

在实际中，输入数据X可能是数值或区间数据的形式，为了能够应用ER算法，需要把输入数据转换为信度分布的形式，基于规则或基于效用的信息变换技术可以用来实现这种等价变换，通过变换，融合诊断模型中的输入向量X=(x₁，x₂，...，x_L)就可以用如下的信度分布形式描述：

S(x_i)={(F_n，β_i，n(x_i))，n=0，1，…，N-1}，i=1，…，L (26)

应用上式方式描述的主要优点在于：精确的数值数据、区间数据、不确定的主观数据都可以在信度分布结构框架下建模，因而提高了模型处理复杂数据的能力；

当所有的输入变量都描述为(26)的形式时，可以直接应用ER算法来组合所有属性，获取最终的结论，使用ER算法，通过融合所有的基本属性x₁，x₂，...，x_L，最后的诊断结果y可以描述为信度分布形式如下：

y={(F_n，β_n)，(F，β_F)，n=0，1，...，N-1} (27)

其中β_n，β_F通过解析ER算法得到：

融合后的分布评估y={(F_n，β_n)，(F，β_F)，n=0，1，...，N-1}描述了诊断结果的总体情况，以及系统故障类型的总体评估，实际上，y提供了系统在t时刻故障情况的完整描述，从中可以得到，系统的故障被诊断为何种状态，发生了哪类故障，以及对应的信度为多少，因此，可以在获取无量纲指标后，通过上述的模型进行故障诊断。通过信度分布的概率解释的观点，上述的诊断结果也就能够反应设备处于正常状态的概率有多大，以及处于哪一类故障的概率又是多少，因此通过这一结果，可以很容易的得到设备状态按照概率大小的排序，为规划设备检查次序、确定维护方式等决策活动提供依据，非常具有实际意义；

第十一步，故障类型的决策：

基于以下融合诊断模型的最终输出

y={(F_n，β_n)，(F，β_F)，n=0，1，...，N-1}

如果要确定具体的故障类型，可以通过以下的简单决策方法确定：

实际上以上的融合结果中，β_F是等于0的，因为在信度变换的过程中因此β_i，F(x_i)=0，因此，通过使得最大的β_n对应的故障类型F_n即为最终诊断的故障类型，如果故障诊断的结果在两个故障类型上分配的信度都超过了一段的信度限制，则可以认为是二者复合的故障发生，经过现场确认后，将复合的故障作为新的一类单一故障处理，加入到故障类型集合，从而实现将多重复合故障转换为单一故障处理，也就是说研究两重复合故障诊断具有典型性和一般性，其他类型的复合故障都转换为两重复合故障处理；

第十二步，诊断结果的评估

通过重复上述的方法，对于大量的实际数据的诊断结果进行统计，可以得到该方法对于两重复合故障的诊断率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于人工免疫与证据理论相结合的复合故障诊断方法，其特征在于，该基于人工免疫与证据理论相结合的复合故障诊断方法包括以下步骤：

根据离线建模阶段确定的各类故障下无量纲指标的范围，获取在线监测数据，计算实际的无量纲指标；

根据故障的范围，利用人工免疫的方法计算出对应各个无量纲指标的故障诊断结果；

利用人工免疫检测器中初始检测器、成熟检测器、优秀检测器之间的转换，初始检测器通过现场故障诊断结果确认；

基于证据推理融合的方法诊断出复合故障以及经过现场确认后，将诊断出的复合故障作为新的故障，加入到故障集，作为新的单一故障处理；实现故障类型的决策以及诊断结果的评估；

具体方法如下：

第一步，石化装备典型故障的确定，通过与企业、机械专业技术人员的讨论，以及对现场已经发生过的故障的历史记录的统计分析来典型故障类型集合，确定石化装备中容易发生的典型故障的特征；

第二步，石化装备传感器的配置，根据传感器配置的标准以及石化大型机组采取多传感器监测数据的方法，传感器数目和安装位置的选择根据石化装备的特点与组成结构以及与典型故障的相关性来确定；

第三步，基于振动烈度的故障诊断，通过传感器采集的数据，计算振动烈度，依据国际、国内或企业的标准，直接判定设备的状态，如果振动烈度超出了标准规定的限制，则报警，提醒故障发生；

第四步，基于专家系统的故障诊断，专家系统用以早期的辅助故障诊断，专家系统的建立需要依托石化企业专业技术人员的经验知识以及历史记录的统计分析确定故障诊断的规则，在振动检测数据获取后，通过频域分析方法，建立相应的频谱，根据专家规则实现故障的判断；

第五步，无量纲指标的计算及故障区间的确定，无量纲指标指的是由两个具有相同量纲的量的比值，以监测信号的概率密度函数为基础，令Z表示随机的振动幅值，z表示Z的采样实现，p(z)表示振动幅值Z的概率密度函数，那么无量纲指标的一般定义可以表示如下：

发生两重加性故障情况下对应的无量纲指标范围的计算方法；

假设获取得到了单一故障下振动数据的M个监测数据z₁，z₂，...，z_M，M比较大，那么无量纲指标计算过程中涉及的期望计算问题可以通过以下计算式实现近似：

那么，无量纲指标X_z可以表示为：

其中当l→∞时，

如果有单一故障的多组历史的振动监测数据z₁，z₂，...，z_M，那么就可以通过上面的计算得到的取值范围，表示为那么对应的无量纲指标的取值范围可以通过以下的方法确定：

如果有故障1和故障2复合产生的故障3，且故障1和故障2是加性的，也就是说，复合故障的信号Z₃是故障1的信号Z₁和故障2的信号Z₂的叠加，即Z₃＝Z₁+Z₂，那么复合故障的信号Z₃对应的l阶矩的取值范围可以通过以下方式确定：

其中

那么对应的复合故障情况下无量纲指标的取值范围可以通过以下的方法确定：

通过以上的方法，就可以确定发生单一故障：故障1和故障2，及复合故障发生时对应的各个无量纲指标的区间范围[c_1，z，d_1，z]、[c_2，z，d_2，z]及[c_3，z，d_3，z]；

第六步，无量纲指标的在线计算及向证据的信度结构的变换，在实际的监测信号获取后，通过计算各个无量纲指标的值，为了将计算得到的无量纲指标通过前面确定的故障情况下无量纲指标的范围转换为信度结构的描述：

假设通过实际的计算，无量纲指标X_i的计算值也可以表示为区间的形式，为以无量纲指标X_i对第j个故障的取值范围表示为[c_i，j，d_i，j]为例，j对应着F₀，F₁，F₂，F₃，即j＝0，1，2，3，来说明实际计算得到的如何转换为证据理论中的信度结构，采用集合的相似性度量：

S(S1，S2)＝(|S1∩S2|)/(|S1|+|S2|-|S1∩S2|)

其中|·|表示集合的长度，如|S1|＝|[S1_l，S1_u]|＝S1_u-S1_l，其中S1_l和S1_u表示S1的上下界，也可以避免直接的考虑两个故障区间重合的问题，下面直接给出对应的方法；

计算与[c_i，j，d_i，j]的相似度

通过以上的结果可以将类似地转换为如下：

S(x_i)＝{(F_j，β_i，j(x_i))，i＝1，...，L；j＝0，1，2，3}

其中

第七步，人工免疫检测器，基于前面计算的无量纲指标，可以利用人工免疫的方法进行故障诊断，具体实现的方法：

(1)二进制编码的位数的确定：

人工免疫的方法进行故障诊断需要对数据进行二进制编码-编码的位数越长，精度应该更高，但编码越长，计算越复杂，对实时性有影响，为了实现实时准备的故障诊断，需要根据实际情况确定二进制编码的位数；

(2)初始检测器、成熟检测器、优秀检测器的生成：

新装备运行后，经过正常运行，通过对这些数据计算无量纲指标，可以确定各个无量纲指标对应的自己空间，从而形成初始检测器，初始检测器只判断是否属于自己空间，一旦通过初始检测器发现非己空间的情况，经过检测确认故障类型后，记录下对应的检测数据对应的人工免疫检测器编码串，形成成熟检测器；随着数据的积累，在成熟检测器中去除重复的、交叉的检测编码串后，形成与故障类型一一对应的检测编码数据，从而生成优秀检测器；

第八步，证据推理，对于故障诊断的问题y，假设与相关的L个基本属性可以表示为x_i，i＝1，...，L，对应着L个无量纲指标，定义这L个基本属性组成的集合作为证据源：E＝{x₁，...，x_L}，假设属性的权重为w＝{w₁，…w_i，…，w_L}，其中w_i表示第i个属性x_i的相对重要程度，权重归一化表示如下：

定义故障诊断问题y对应的故障诊断问题的故障的类型，F满足证据理论中识别框架的要求，表示如下：

F＝{F₀，…，F_N-1}

F_n表示第n个故障；

对于每个属性x_i，i＝1，...，L的评估结果可以表示如下信度分布的形式：

S(x_i)＝{(F_n，β_i，n(x_i))，n＝0，…，N-1}，i＝1，…，L；

其中β_i，n(x_i)≥0，且β_i，n(x_i)表示属性x_i被评估为故障F_n的信度，如果则称对属性x_i的评估是完整的，否则为不完整的评估，β_i，n的获取方式依赖于属性x_i，其中i＝1，...，L的特点，比如定量属性的数据以数值的形式表示，而定性属性的数据以分布的形式表示，通过变换，数值数据、随机数据或定性信息都可以变换为信度分布的形式；

令β_n表示问题y被最终诊断为F_n的信度，β_n是通过融合所有属性x_i，其中i＝1，...，L的评估信息获取的，利用证据推理算法进行信息融合；

第九步，属性权重的确定，确定属性的权重为w＝{w₁，…w_i，…，w_L}的方法，确定的方法可以根据由各个无量纲指标利用人工免疫故障检测方法诊断的结果S(x_i)＝{(F_n，β_i，n(x_i))，n＝0，…，N-1}，i＝1，…，L之间的一致性，按照少数服从多数的原则，确定属性权重向量w＝{w₁，…w_i，…，w_L}，具体的确定方法如下：

步骤一：将证据体S(x_i)＝{(F_n，β_i，n(x_i))，n＝0，…，N-1}表示为向量的形式，如m_i＝(β_i，0(x_i)，β_i，1(x_i)，...，β_i，N-1(x_i))；

步骤二：计算证据体S(x_i)＝{(F_n，β_i，n(x_i))，n＝0，…，N-1}与证据体S(x_j)＝{(F_n，β_j，n(x_j))，n＝0，…，N-1}之间的证据距离d_ij，从而构建证据距离矩阵D_L×L＝[d_ij]：

其中d_ij的计算如下：

且满足0≤d_ij≤1；

步骤三：基于证据距离d_ij计算证据体

S(x_i)＝{(F_n，β_i，n(x_i))，n＝0，…，N-1}与证据体

S(x_j)＝{(F_n，β_j，n(x_j))，n＝0，…，N-1}之间的相似性s_ij，从而构建证据相似矩阵S_L×L＝[s_ij]：

其中s_ij的计算如下：

且满足0≤s_ij≤1；

步骤四：计算证据体对S(x_i)＝{(F_n，β_i，n(x_i))，n＝0，…，N-1}的总支持程度S_i，具体计算如下：

步骤五：基于总支持度计算属性权重w_i如下：

基于以上的属性权重分析过程，建立故障诊断模型，提出相应的融合故障诊断方法；

步骤十，基于无量纲指标和证据推理的融合故障诊断模型，假设模型的输入输出可以表示为输入输出数据对的形式(X，y)，其中X表示故障诊断模型的输入向量，y表示相应的输出，而描述系统故障诊断的结果可以表示为如下的形式：

y＝f(X)

其中y表示故障诊断模型的输出，准确实现故障诊断的关键就是通过输入输出数据来近似对函数f(·)进行建模；

为了应用无量纲指标和证据推理的算法来实现旋转机械设备的故障诊断，令输入向量X＝(x₁，x₂，...，x_L)表示用来进行故障诊断，计算诊断结果y的L个无量纲指标各自对应的人工免疫检测的诊断结果，对应ER算法而言，x₁，x₂，...，x_L为L个基本属性，下面应用ER算法来辨识x₁，x₂，...，x_L与y的函数关系f(·)，即：

y＝f(X)＝f(x₁，x₂，...，x_L)

假设无量纲指标x_i的权重为w_i，以刻画该无量纲指标的重要程度，且有权重的归一化表示如下：

在实际中，输入数据X可能是数值或区间数据的形式，为了能够应用证据推理算法，需要把输入数据转换为信度分布的形式，基于规则或基于效用的信息变换技术可以用来实现等价变换，通过变换，融合诊断模型中的输入向量X＝(x₁，x₂，...，x_L)就可以用如下的信度分布形式描述：

S(x_i)＝{(F_n，β_i，n(x_i))，n＝0，1，…，N-1}，i＝1，…，L

当所有的输入变量都描述为上式的形式时，可以直接应用证据推理算法来组合所有属性，获取最终的结论，使用证据推理算法，通过融合所有的基本属性x₁，x₂，...，x_L，最后的诊断结果y可以描述为信度分布形式如下：

y＝{(F_n，β_n)，(F，β_F)，n＝0，1，...，N-1}

其中β_n，β_F通过解析ER算法得到：

融合后的分布评估y＝{(F_n，β_n)，(F，β_F)，n＝0，1，...，N-1}描述了诊断结果的总体情况，以及系统故障类型的总体评估，实际上，y提供了系统在t时刻故障情况的完整描述，从中可以得到，系统的故障被诊断为何种状态，发生了哪类故障，以及对应的信度为多少，可以在获取无量纲指标后，通过上述的模型进行故障诊断，通过信度分布的概率解释的观点，上述的诊断结果也就能够反应设备处于正常状态的概率有多大，以及处于哪一类故障的概率又是多少，因此通过这一结果，可以很容易的得到设备状态按照概率大小的排序，为规划设备检查次序、确定维护方式决策活动提供依据，非常具有实际意义；

第十一步，故障类型的决策：

基于以下融合诊断模型的最终输出

y＝{(F_n，β_n)，(F，β_F)，n＝0，1，...，N-1}

如果要确定具体的故障类型，可以通过以下的简单决策方法确定：

β_F是等于0的，在信度变换的过程中因此β_i，F(x_i)＝0，因此，通过使得最大的β_n对应的故障类型F_n即为最终诊断的故障类型，如果故障诊断的结果在两个故障类型上分配的信度都超过了一段的信度限制，则可以认为是二者复合的故障发生，经过现场确认后，将复合的故障作为新的一类单一故障处理，加入到故障类型集合，从而实现将多重复合故障转换为单一故障处理，也就是说研究两重复合故障诊断具有典型性和一般性，其他类型的复合故障都转换为两重复合故障处理；

第十二步，诊断结果的评估，通过重复上述的方法，对于实际数据的诊断结果进行统计，可以得到对于两重复合故障的诊断率。

2.如权利要求1所述的基于人工免疫与证据理论相结合的复合故障诊断方法，在第五步中，五个无量纲指标：波形指标、峰值指标、脉冲指标、裕度指标和峭度指标，具体的定义分别如下：

波形指标：若l＝2，m＝1，

脉冲指标：若l→∞，m＝1，

裕度指标：若l→∞，m＝1/2，

峰值指标：若l→∞，m＝2，

峭度指标：

3.如权利要求1所述的基于人工免疫与证据理论相结合的复合故障诊断方法，在第五步中，为了符号的简化，将各个无量纲指标的范围统一描述为如下的形式：无量纲指标X_i对第j个故障的取值范围表示为[c_i，j，d_i，j]，此外，将正常状态下的无量纲指标的范围表示为[c_i，0，d_i，0]，假设有L个无量纲指标，即i＝1，2，...，L。

4.如权利要求1所述的基于人工免疫与证据理论相结合的复合故障诊断方法，在第八步中，利用证据推理算法进行信息融合的方法为：

令m_n，i表示第i个基本属性x_i支持问题y被诊断为故障F_n的基本概率指派值，m_F，i表示没有分配给任何一个故障类型的基本概率指派值，大小表述了未知或不确定程度，基本概率指派的计算如下：

m_n，i＝w_iβ_n，i，n＝0，1，...，N-1.

可以看出，未分配的基本概率m_F，i被分为两部分：与其中是由于属性x_i，i＝1，...，L的相对权重引起的；是由于属性x_i，i＝1，...，L评估信息的不完整造成的;

由于问题y的故障类型满足证据理论中识别框架的要求，根据证据推理算法，直接应用Dempster组合规则，得到最终的评估结果，表示如下：

其中β_n与β_F分别表示对于y诊断为F_n和F的融合信度，因此对于y的总体评估结果可以表示为：

y＝{(F_n，β_n)，(F，β_F)，n＝1，2...，N}。