CN106523393A - 一种用于井下排水系统的故障诊断方法 - Google Patents

Abstract

本发明公开了一种用于井下排水系统的故障诊断方法，通过排水设备数据监测系统测得故障信息，经过预处理得到反应故障信息的故障特征向量，然后对上述故障特征向量进行模糊处理，得到适应于Petri网输入特征的模糊值，以此建立排水系统的模糊Petri网故障诊断模型；然后在故障诊断模型上引入神经网络中的BP算法对权值、阈值和置信度等参数进行网络优化训练，使误差达到最小，将优化后的参数作为最终的故障诊断模型运行参数。通过对实例分析，该方法能够比较准确并且快速地找到故障原因，具有较好的准确性、快速性和适应性，可以用来诊断井下排水系统故障并能够达到比较好的效果。

Description

一种用于井下排水系统的故障诊断方法

技术领域

本发明属于故障诊断技术领域，尤其涉及一种用于井下排水系统的故障诊断方法。

背景技术

井下排水系统的运行状态正常与否直接关系到井下排水的性能好坏，而井下排水的性能好坏直接影响煤矿安全生产，故障诊断技术能够对井下排水系统中类如排水泵此类的旋转大功率机电设备的故障问题做到早发现早解决，对排水系统稳定运行意义重大。

目前国内外现有用于排水系统故障诊断的方法很多，但每种方法都有各自适用的范围和限制条件，难以得到良好的诊断结果。主要方法有以下几种：

(1)基于专家知识的故障诊断方法：

专家系统的组成一般包括人机接口、数据库、知识库、机器学习、推理机等组成，该方法是系统故障诊断分析中应用最广泛的方法之一。

但其知识的获取较为困难，而且当实际知识超出库的范围时，则推理无效。另外，专家系统的容错能力、学习能力较差，所以不能广泛的推广应用。

(2)基于模糊集理论的故障诊断方法：

模糊集理论是在模糊集合理论基础上发展起来的，它用模糊隶属度来描述不确定的对象，具有很强的容错能力。模糊集理论能够处理不确定的信息，需要和专家系统等其他方法结合使用。但建立准确的模糊集的隶属度函数仍是需要解决的问题。

(3)基于神经网络的故障诊断方法：

神经网络方法核心是通过模拟人脑结构来实现人类大脑信息处理功能的模拟，具有并行处理信息、自学习和自适应的优势，为故障诊断的研究开辟了新的路径。但在多维情况下，其数据量巨大，难于计算求解；需要建立在大量样本库的基础上，即需要大量的样本训练，且收敛速度不佳；网络的自由化能力较弱，容易陷入局部最小点。

发明内容

本发明的目的在于提出一种用于井下排水系统的故障诊断方法，能够比较准确并且快速地找到排水系统的故障原因，具有较好的准确性、快速性和适应性。

为了实现上述目的，本发明采用如下技术方案：

一种用于井下排水系统的故障诊断方法，包括如下步骤：

a通过对排水设备状态和运行数据监测，得到故障信息；

b对故障信息进行预处理，得到反应上述故障信息的故障特征向量；

c根据故障特征向量与故障之间的关系，建立基本Petri网故障诊断模型；

d在步骤c的基础上，利用模糊理论对故障特征向量进行模糊处理，将模糊处理后的故障特征向量作为水泵故障诊断Petri网模型的输入，并确定水泵故障诊断Petri网模型的权值和阈值参数，建立排水系统的模糊Petri网故障诊断模型；

e引入神经网络中的BP算法对模糊Petri网故障诊断模型中的权值、阈值和置信度参数进行网络优化训练；

f将优化后的权值、阈值和置信度参数作为最终的故障诊断模型运行参数。

优选地，所述步骤b中，利用粗糙集属性约减的规则，对故障信息进行特征信号提取得到故障特征向量。

优选地，所述步骤b中，基于粗糙集理论的属性约减步骤为：

输入：相容决策表S＝(U,A,V,f)；其中：

U为论域，是系统中的对象组成的有限集合；

A＝B∪C为描述对象的属性集合，B和C分别为条件属性集合和决策属性集合；

V＝∪_a∈AV_a，V_a表示属性a的值域；

f：U×A→V表示一个信息函数，为每个对象的每个属性赋予对应的信息值；

输出：规则集Rules；

1)：消去决策表中重复属性的对象y_j，其中1≤j≤n-1；

2)：从决策表中提取每个对象关于属性值区分的属性，并构成区分函数f(k)，k＝1,2,…,n；k≠j，同时利用吸收率约去多余的项；

3)：求取的最小析取范式，得到核属性；

4)：从f(k)，k＝1,2,…,n；k≠j中消去可约减的属性，求出其最小析取范式f(k)′，k＝1,2,…,n；k≠j，得到对应的属性值约简；

5)：根据步骤4)的结果，求得包含全部约简决策规则的决策表；

6)：约去全部过剩规则得到包含最小规则集的决策表；

7)：提取规则集Rules。

优选地，所述步骤e中BP算法对参数优化的具体步骤为：

e1定义模糊Petri网中有m个变迁t_i，i＝1,2,…,m，则相应的共有m个输出库所p_oi；

构造误差代价函数E，如公式(2)所示：

式中，b为样本的总个数，M_l(p_oi)和分别为输出库所p_oi第l个样本的实际托肯值和期望托肯值；按公式(2)计算期望托肯值与实际输出托肯值的误差；

e2调整排水系统的模糊Petri网故障诊断模型中的权值和阈值参数；在模糊Petri网的每一个层次上求取一阶梯度，如公式(3)至公式(5)；

其中，w_ix表示输入弧上的权值，相应共有c个输入值，x＝1,2…,c；u_i表示模型的变迁置信度；λ_i表示的是节点阈值；M(p_oi)表示输出库所的托肯值；即期望对输出库所托肯值求导；

求得一阶梯度后，对变迁t_i的相关参数进行调整，设η为学习率，由参数调整增量公式(6)、公式(7)和公式(8)来对输入弧上的权值、变迁置信度和节点阈值进行优化，从而使参数接近期望目标值：

w_ix(k+1)＝w_ix(k)-η·dE/dw_ix (6)

u_i(k+1)＝u_i(k)-η·dE/du_i (7)

λ_i(k+1)＝λ_i(k)-η·dE/dλ_i (8)

e3返回步骤e1，直到误差允许值满足小于等于0.001要求为止。

本发明具有如下优点：

本发明方法是基于BP优化的模糊Petri网故障诊断方法，通过排水设备数据监测系统测得故障信息，经过预处理得到反应故障信息的故障特征向量，然后对上述故障特征向量进行模糊处理，得到适应于Petri网输入特征的模糊值，以此建立排水系统的模糊Petri网故障诊断模型；然后在故障诊断模型上引入神经网络中的BP算法对权值、阈值和置信度等参数进行网络优化训练，使之最大限度的接近理想值，将优化后的参数作为最终的故障诊断模型运行参数。通过对实例分析，该方法能够比较准确并且快速地找到故障原因，具有较好的准确性、快速性和适应性，可以用来诊断井下排水系统故障并能够达到比较好的效果。

附图说明

图1为本发明中基本Petri网故障诊断模型的示意图；

图2为本发明中排水系统的模糊Petri网故障诊断模型的示意图。

具体实施方式

本发明的基本思想为：在分析故障传播特点的基础上，建立一种新型Petri网模型。故障诊断的Petri网模型建立方法有两种：一种是根据系统的逻辑关系建模，即根据故障征兆和故障之间的关系建模，一种是根据变迁发生规则建模以模拟故障发生的动态过程。本发明将两种建模方法结合起来，根据故障征兆跟故障之间的关系建立诊断模型，利用变迁发生规则模拟故障发生的动态运行过程，其优势是在描述系统的结构的同时又能模拟系统的运行，应用到排水系统上，既可以描述故障与故障征兆的关系，同时动态展现故障发生的过程。

下面结合附图以及具体实施方式对本发明作进一步详细说明：

一种用于井下排水系统的故障诊断方法，包括如下步骤：

a通过对排水设备状态和运行数据监测，得到故障信息。

在矿井排水自动化监控系统上模拟排水系统的操作流程，根据实际排水系统的操作流程，以PLC为控制中心，采用动态数据采集器采集传感器信息，并通过数据分析仪进行在线故障诊断分析。本发明中排水系统所使用的数据采集器主要是对传感器信息进行采集，特别是对振动信号进行采集分析。针对所研究的排水系统，数据分析仪可以用来分析旋转机械的启停过程、转子的故障诊断，研究旋转机械的失稳性，从而确定临界转速和共振，区分旋转噪声、结构噪声和振动现象，辨别旋转振动所产生的噪声。

b对故障信息进行预处理，得到反应上述故障信息的故障特征向量。

具体的，该预处理过程为粗糙集属性约减的规则，其步骤如下：

输入：相容决策表S＝(U,A,V,f)；其中：

U为论域，是系统中的对象组成的有限集合；

A＝B∪C为描述对象的属性集合，B和C分别为条件属性集合和决策属性集合；

V＝∪_a∈AV_a，V_a表示属性a的值域；

f：U×A→V表示一个信息函数，为每个对象的每个属性赋予对应的信息值；

输出：规则集Rules；

1)：消去决策表中重复属性的对象y_j，其中1≤j≤n-1；

2)：从决策表中提取每个对象关于属性值区分的属性，并构成区分函数f(k)，k＝1,2,…,n；k≠j，同时利用吸收率约去多余的项；

3)：求取的最小析取范式，得到核属性；

4)：从f(k)，k＝1,2,…,n；k≠j中消去可约减的属性，求出其最小析取范式f(k)′，k＝1,2,…,n；k≠j，得到对应的属性值约简；

5)：根据步骤4)的结果，求得包含全部约简决策规则的决策表；

6)：约去全部过剩规则得到包含最小规则集的决策表；

7)：提取规则集Rules。

粗糙集理论通过属性约减去除冗余信息，大大简化决策表，简化了故障诊断的难度和计算量，因此在旋转机械故障诊断的研究中发挥着越来越重要的作用。

本发明采用粗糙集理论对排水系统的故障信息进行属性约减，进而提取出故障特征量，为后续的故障诊断模型建立提供了支持。

根据粗糙集属性约减的规则，本发明选取转子不平衡、转子不对中、油膜振荡、联轴器结合不良、气蚀、管道堵塞、叶轮堵塞、密封环磨损8种故障为本发明研究的故障类型，将监测的流量、电流、温度、真空度、扬程作为故障特征向量。

c根据故障特征向量与故障之间的关系，建立基本Petri网故障诊断模型，如图1所示。

其中，P₁～P₁₀分别表示故障特征量：流量C₁、电流C₃、温度C₄、真空度C₅、扬程C₇、0.01～0.39倍频振动信号C₉、0.40～0.49倍频振动信号C₁₀、0.50倍频振动信号C₁₁、1倍频振动信号C₁₃以及2倍频振动信号C₁₄；P₁₁～P₁₈分别表示故障：转子不平衡D₁、转子不对中D₂、油膜振荡D₃、密封环磨损D₄、管道堵塞D₅、叶轮堵塞D₆、主轴弯曲D₇以及气蚀D₈。

d在步骤c的基础上，利用模糊理论对故障特征向量进行模糊处理，将模糊处理后的故障特征向量作为水泵故障诊断Petri网模型的输入，并确定水泵故障诊断Petri网模型的权值和阈值参数，建立排水系统的模糊Petri网故障诊断模型。

本发明中需要模糊处理的故障特征向量流量C₁、电流C₃、温度C₄、真空度C₅、扬程C₇、0.01～0.39倍频振动信号C₉、0.40～0.49倍频振动信号C₁₀、0.50倍频振动信号C₁₁、1倍频振动信号C₁₃以及2倍频振动信号C₁₄，经过处理得到适应于Petri网输入特征的模糊值。

通过多次实验得到排水系统故障的模糊关系，从而确定故障诊断模型的初始运行权值，如表1所示。

表1排水系统故障模糊关系表

根据基本Petri网的故障诊断模型，结合模糊理论，得到排水系统的模糊Petri网故障诊断模型，如图2所示，并设置相应的阈值λ₁～λ₈皆为0.5。

e引入神经网络中的BP算法对模糊Petri网故障诊断模型中的权值、阈值和置信度参数进行网络优化训练。

BP算法对参数网络优化训练的基本思路为：模糊Petri网模型中，以每一个变迁为一个层次，在一个层次上，用神经网络中的BP算法来调整优化变迁的相关参数，模糊Petri网中的BP算法由两部分组成：信息的正向传递与误差的反向传播；正向传递是模糊推理过程，输入从模糊Petri网第一层起依次点燃变迁传向输出层，每一层的输出作用于下一层的输入；反向传播过程是若在输出层未能得到期望的输出值，则逐层递归的计算真实输出值与期望输出值之差(即误差)，以便根据此误差调节模糊Petri网中的权值、阀值和置信度。

经实验证明振动较小时故障不明显，而振动大到一定程度时故障发生的比较明显。因此，对于机械振动故障诊断中“振动大”或“故障严重”这类命题取“升半柯西分布”型隶属度函数作为故障特征量的隶属度函数。通过对水泵故障机理的分析，本发明选择升半柯西分布函数作为故障特征量的隶属度函数，用公式(1)表示。

公式(1)中，X1～X5分别对应0.01～0.39倍频振动信号C₉、0.40～0.49倍频振动信号C₁₀、0.50倍频振动信号C₁₁、1倍频振动信号C₁₃以及2倍频振动信号C₁₄的最大幅值，X6～X10对应流量C₁、电流C₃、温度C₄、真空度C₅、扬程C₇信号。

BP算法对参数优化的具体步骤为：

e1定义模糊Petri网中有m个变迁t_i，i＝1,2,…,m，则相应的共有m个输出库所p_oi；在本发明建立的模糊Petri网模型中指的是变迁P₁₁～P₁₈。

构造误差代价函数E，如公式(2)所示：

式中，b为样本的总个数，M_l(p_oi)和分别为输出库所p_oi第l个样本的实际托肯值和期望托肯值；按公式(2)计算期望托肯值与实际输出托肯值的误差；

e2调整排水系统的模糊Petri网故障诊断模型中的权值和阈值参数；在模糊Petri网的每一个层次上求取一阶梯度，如公式(3)至公式(5)；

其中，w_ix表示输入弧上的权值，相应共有c个输入值，x＝1,2…,c；u_i表示模型的变迁置信度；λ_i表示的是节点阈值；M(p_oi)表示输出库所的托肯值；即期望对输出库所托肯值求导；

求得一阶梯度后，对变迁t_i的相关参数进行调整，设η为学习率，由参数调整增量公式(6)、公式(7)和公式(8)来对输入弧上的权值、变迁置信度和节点阈值进行优化，从而使参数接近期望目标值：

w_ix(k+1)＝w_ix(k)-η·dE/dw_ix (6)

u_i(k+1)＝u_i(k)-η·dE/du_i (7)

λ_i(k+1)＝λ_i(k)-η·dE/dλ_i (8)

e3返回步骤e1，直到误差允许值满足小于等于0.001要求为止。

f将优化后的权值、阈值和置信度参数作为最终的故障诊断模型运行参数。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (4)

1.一种用于井下排水系统的故障诊断方法，其特征在于，包括如下步骤：

a通过对排水设备状态和运行数据监测，得到故障信息；

b对故障信息进行预处理，得到反应上述故障信息的故障特征向量；

c根据故障特征向量与故障之间的关系，建立基本Petri网故障诊断模型；

d在步骤c的基础上，利用模糊理论对故障特征向量进行模糊处理，将模糊处理后的故障特征向量作为水泵故障诊断Petri网模型的输入，并确定水泵故障诊断Petri网模型的权值和阈值参数，建立排水系统的模糊Petri网故障诊断模型；

e引入神经网络中的BP算法对模糊Petri网故障诊断模型中的权值、阈值和置信度参数进行网络优化训练；

f将优化后的权值、阈值和置信度参数作为最终的故障诊断模型运行参数。

2.根据权利要求1所述的一种用于井下排水系统的故障诊断方法，其特征在于，所述步骤b中，利用粗糙集属性约减的规则，对故障信息进行特征信号提取得到故障特征向量。

3.根据权利要求2所述的一种用于井下排水系统的故障诊断方法，其特征在于，所述步骤b中，基于粗糙集理论的属性约减步骤为：

输入：相容决策表S＝(U,A,V,f)；其中：

U为论域，是系统中的对象组成的有限集合；

A＝B∪C为描述对象的属性集合，B和C分别为条件属性集合和决策属性集合；

V＝∪_a∈AV_a，V_a表示属性a的值域；

f：U×A→V表示一个信息函数，为每个对象的每个属性赋予对应的信息值；

输出：规则集Rules；

1)：消去决策表中重复属性的对象y_j，其中1≤j≤n-1；

2)：从决策表中提取每个对象关于属性值区分的属性，并构成区分函数f(k)，k＝1,2,…,n；k≠j，同时利用吸收率约去多余的项；

3)：求取的最小析取范式，得到核属性；

4)：从f(k)中消去可约减的属性，求出其最小析取范式f(k)′，得到对应的属性值约简；

5)：根据步骤4)的结果，求得包含全部约简决策规则的决策表；

6)：约去全部过剩规则得到包含最小规则集的决策表；

7)：提取规则集Rules。

4.根据权利要求1所述的一种用于井下排水系统的故障诊断方法，其特征在于，所述步骤e中BP算法对参数优化的具体步骤为：

e1定义模糊Petri网中有m个变迁t_i，则相应的共有m个输出库所p_oi，i＝1,2,…,m；

构造误差代价函数E，如公式(2)所示：

$E=2^{-1}{\mathrm{\Σ}}_{l=1}^b{\mathrm{\Σ}}_{i=1}^m{\left(M_l\right(p_{oi})-M_l^E(p_{oi}\left)\right)}^2---\left(2\right)$

式中，b为样本的总个数，M_l(p_oi)和分别为输出库所p_oi第l个样本的实际托肯值和期望托肯值；按公式(2)计算实际输出托肯值与期望托肯值的误差；

e2调整排水系统的模糊Petri网故障诊断模型中的权值和阈值参数；在模糊Petri网的每一个层次上求取一阶梯度，如公式(3)至公式(5)；

$\frac{dE}{{\mathrm{dw}}_{ix}}=\frac{dE}{d\left(M\right(p_{oi}\left)\right)}\·\frac{d\left(M\right(p_{oi}\left)\right)}{{\mathrm{dw}}_{ix}}=\mathrm{\δ}\·\frac{d\left(M\right(p_{oi}\left)\right)}{{\mathrm{dw}}_{ix}}---\left(3\right)$

$\frac{dE}{{\mathrm{du}}_i}=\frac{dE}{d\left(M\right(p_{oi}\left)\right)}\·\frac{d\left(M\right(p_{oi}\left)\right)}{{\mathrm{du}}_i}=\mathrm{\δ}\·\frac{d\left(M\right(p_{oi}\left)\right)}{{\mathrm{du}}_i}---\left(4\right)$

$\frac{dE}{{\mathrm{d\λ}}_i}=\frac{dE}{d\left(M\right(p_{oi}\left)\right)}\·\frac{d\left(M\right(p_{oi}\left)\right)}{{\mathrm{d\λ}}_i}=\mathrm{\δ}\·\frac{d\left(M\right(p_{oi}\left)\right)}{{\mathrm{d\λ}}_i}---\left(5\right)$

其中，w_ix表示输入弧上的权值，相应共有c个输入值，x＝1,2…,c；u_i表示模型的变迁置信度；λ_i表示的是节点阈值；M(p_oi)表示输出库所的托肯值；即期望对输出库所托肯值求导；

求得一阶梯度后，对变迁t_i的相关参数进行调整，设η为学习率，由参数调整增量公式(6)、公式(7)和公式(8)来对输入弧上的权值、变迁置信度和节点阈值进行优化，从而使参数接近期望目标值：

w_ix(k+1)＝w_ix(k)-η·dE/dw_ix (6)

u_i(k+1)＝u_i(k)-η·dE/du_i (7)

λ_i(k+1)＝λ_i(k)-η·dE/dλ_i (8)

e3返回步骤e1，直到误差允许值满足小于等于0.001要求为止。