CN112101797B - 一种复杂工业系统动态故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种复杂工业系统动态故障诊断方法及系统。方法包括：确定复杂工业系统的关键特征指标；基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度；基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重；根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量；根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。本发明能够提高复杂工业系统动态故障诊断的精度和效率。

Description

一种复杂工业系统动态故障诊断方法及系统

技术领域

本发明涉及复杂工业系统健康管理领域，特别是涉及一种复杂工业系统动态故障诊断方法及系统。

背景技术

诸如液化天然气储罐等复杂工业系统作为我国国民经济的重要组成部分，其运行期间的安全性和可靠性直接关乎人民财产和生命安全。复杂工业系统健康管理作为提高其安全性和可靠性的重要手段，目前已经被广泛的应用于多个领域。故障检测及诊断(Faultdetection and diagnosis,FDD)作为健康管理的重要方面，旨在通过系统的监测信息及时准确的发现、定位系统故障，为维修保养提供基础。随着科技的发展，目前，复杂工业系统的关键特征集中体现在集成化设计、自动化程度高、子系统高度耦合、实时性要求高、承担任务重要等，这给其故障诊断提出了很高的要求。

分析目前复杂工业系统故障诊断中面临的问题，总结可以分为四个方面：第一，随着装备制造业水平的不断提升，目前，诸如液化天然气储罐等复杂工业系统的设计可靠度不断提升，出现故障的概率大幅度降低，进而导致所能够获取的故障信息尤为缺乏；第二，由于复杂工业系统各个子系统之间高度耦合，且多采用集成化设计，导致影响其工作状态的因素较多，单纯依靠专家知识很难建立其准确的数学模型；第三，在复杂工业系统实际运行的过程中，随着故障的发生，其内部机理也会随之发生变化，进而需要所建立的故障诊断模型能够根据系统的变化对自身结构和参数进行自适应的调整更新，保证诊断的精度；第四，在复杂工业系统故障诊断的过程中，信息来源主要分为历史信息和在线监测信息，历史信息由长期积累所得到，能够包含大部分系统模态，在线监测信息主要反映了系统当前时刻的运行状态。将历史信息与在线监测信息进行简单组合可以保证模型记忆最长，但同时导致模型在线更新的实时性降低；单纯考虑在线监测信息又会使得模型丧失记忆，导致历史信息的浪费和诊断精度的降低。

发明内容

基于此，本发明的目的是提供一种复杂工业系统动态故障诊断方法及系统，用以提高复杂工业系统故障诊断的实时性和精度。

为实现上述目的，本发明提供了如下方案：

一种复杂工业系统动态故障诊断方法，包括：

确定复杂工业系统的关键特征指标；

基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度；

基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重；

根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量；

根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。

可选的地，在确定复杂工业系统的关键特征指标，之后包括：

将所述关键特征指标转换到统一框架下。

可选的地，关键特征指标相对于BRB中每条规则的匹配度的计算公式如下：

其中，为关键特征指标转换后在第j条规则中的匹配度；R_ik和R_i(k+1)是第i个关键特征指标在第k条和第k+1条规则中的参考等级；/>为t时刻第i个关键特征指标，L′为规则数量。

可选的地，所述每条规则的激活权重的计算公式如下：

其中，w_k(t)为第k条规则的激活权重，α_k(t)为关键特征指标相对于第k条规则的匹配度，表示第k条规则权重。

可选的地，在所述规则权重低于阈值时，删除所述规则权重对应的规则，降低故障诊断模型的复杂度。

可选的地，所述故障诊断模型的输出故障特征向量的计算公式如下：

其中，[β₁,β₂…β_N]为模型产生的输出故障特征向量，w_k(t)为第k条规则的激活权重，β_n，k(t)为第k条规则中第n个故障特征向量，L′为约减后的模型规则数量，N为系统中故障诊断结果的种类。

可选的地，根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断，具体包括：

计算所述输出故障特征向量与标准特征向量之间的距离；

确定最小的距离为当前时刻复杂工业系统的故障状态。

本发明还提供了一种复杂工业系统动态故障诊断系统，包括：

关键特征指标确定模块，用于确定复杂工业系统的关键特征指标；

匹配度计算模块，用于基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度；

激活权重计算模块，用于基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重；

输出故障特征向量计算模块，用于根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量；

故障诊断模块，用于根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开了一种复杂工业系统动态故障诊断方法及系统。方法包括：确定复杂工业系统的关键特征指标；基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度；基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重；根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量；根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。本发明能够提高复杂工业系统动态故障诊断的精度和效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例复杂工业系统动态故障诊断方法的流程图；

图2为本发明实施例故障诊断模型流程图；

图3为本发明实施例液化天然气储罐监测指标测试数据；

图4为本发明实施例液化天然气储罐动态故障模型约减后评估结果；

图5为本发明实施例液化天然气储罐遗忘因子的自适应变化；

图6为本发明实施例液化天然气储罐动态故障模型结构自适应变化；

图7为本发明实施例复杂工业系统动态故障诊断系统的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种复杂工业系统动态故障诊断方法及系统，用以提高复杂工业系统故障诊断的实时性和精度。

本发明所面临的复杂工业系统同时具有较高的实时性和诊断精度，需要对历史信息使用量和模型结构、参数进行同时更新，保证在使用最少历史信息的情况下达到最高的精度，是对复杂工业系统，如液体运载火箭等，特殊情况下的一种解决方法。

本发明的主要步骤可以分为以下四步：首先，由确定复杂工业系统的关键特征指标，并将所获取的多元监测信息转换到统一的框架下，为下一步信息融合奠定基础；然后，根据系统关键特征指标构建规则库，根据监测信息计算规则的激活权重并通过证据推理(Evidential Reasoning，ER)算法进行融合，得到故障输出特征向量；确定故障标准特征向量，然后基于距离的最近邻分类故障诊断策略确定系统故障；最后，根据当前时刻的诊断精度，通过遗忘因子调整历史信息与在线监测信息的使用比例，并通过规则权重实现模型结构的自适应调整。本发明的故障诊断模型流程图如图2所示。

根据BRB中规则的构建方式，本发明中的记忆长度自适应调整的复杂工业系统动态故障诊断模型可以调试为：

Then y(t)is{(D₁,β_1,k),...,(D_N,β_N,k)},

With rule weightθ_k,attribute weightδ₁,…δ_M,forgeting factorΓ(t) (1)

其中，x₁(t),x₂(t),…x_M(t)为t时刻复杂工业系统M个关键特征指标的监测信息，δ₁,…δ_M是指标的权重，为指标相对应的参考等级，旨在将多元信息转换到统一的框架下。{D₁,…D_N}为复杂工业系统的个故障状态，[β_1,k,β_2,k…β_N,k]为其相对应的故障输出特征向量。θ_k为规则权重。Γ(t)是t时刻的遗忘因子，随着系统状态的改变而进行自适应的调整。k＝1,2,...,L。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，一种复杂工业系统动态故障诊断方法，包括：

步骤101：确定复杂工业系统的关键特征指标。

步骤102：基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度。

步骤103：基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重。

步骤104：根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量。

步骤105：根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。

下面对本方法进行详细论述：

(1)复杂工业系统关键特征指标的选取与多元信息的转换

复杂工业系统特征指标较多，受模型实时性的限制，不可能对所有指标都进行监测。为此，首先需要专家结合复杂工业系统实际工况选择合适数量的特征指标。另一方面，由于所获取的多元监测信息格式不一，无法直接使用，需要通过下式将多元监测信息转换到统一的框架下：

其中，R_ik和R_i(k+1)是第i个关键特征指标在第k条和第k+1条规则中的参考等级，参考等级需要结合特征的信息分布、类型决定。L'为模型自适应调整后的规则数量。为指标转换后在第j条规则中的匹配度。

在获取每个指标在每条规则中的匹配度后，可以通过下式计算得到所有关键特征指标在第k规则中的匹配度：

其中，表示指标的相对权重大小。

(2)故障诊断模型规则的激活及输出故障特征向量的融合

在所构建的故障诊断模型中，不同的监测信息会对于不同的规则的效用不同，在本发明中通过规则的激活权重表示，如下式所示：

其中，表示在模型动态调整过程中的规则权重，即当该条规则重要程度不满足要求时，将其约减。

激活的规则会产生系统故障的特征向量，表示该条规则诊断产生的结果。所有规则输出的故障特征向量可以通过证据推理(Evidential Reasoning，ER)算法进行融合，得到最终的输出故障特征向量。ER算法解析形式如下所示：

其中，[β₁,β₂…β_N]为模型产生的输出故障特征向量，w_k(t)为第k条规则的激活权重，β_n,k(t)为第k条规则中第n个故障特征向量，L′为约减后的模型规则数量，N为系统中故障诊断结果的种类。μ仅是代替公式(8)的一个符号，可以替换为其他字母。

(3)基于距离的最近邻分类故障诊断策略

在得到模型的输出故障特征向量后，本发明基于距离的最邻近分类故障诊断策略对故障进行诊断。

首先，由专家给定系统中每种故障的标准特征向量J_j，然后计算其与模型输出故障特征向量J(t)之间的距离，其中确定最小的距离即为当前时刻系统的故障状态。计算公式如下所示：

其中，||·||为两个向量之间的范数，J为系统中的故障状态个数。

(4)模型参数、结构及遗忘因子的自适应调整

在复杂工业系统运行的过程中，随着不同故障的发生，其运行工况随之变化。为了保证诊断精度，模型的参数、结构和遗忘因子需要进行动态更新。在本发明中，模型的参数是通过优化算法进行更新，模型的结构是通过规则的自适应删减进行调整，遗忘因子是根据模型的精度进行动态调整。经过调整后，模型中的规则数量将发生变化，并且在整个在线诊断的过程中所使用的历史信息与在线信息的比例根据诊断精度进行自适应调整，即在诊断误差增大时使用的历史信息增加，相反当诊断误差降低时所使用的历史信息减少。

在模型参数更新方面，由于BRB属于一种专家系统，对模型参数物理意义有着严格的要求。因此，模型参数优化过程中需要服从如下约束条件：

0≤θ_k≤1 (9)

0≤δ_i≤1,i＝1,2,...,M (10)

0≤β_n,k≤1,n＝1,2,...,N,k＝1,2,...,L' (11)

在模型结构更新方面，根据规则权重对其进行自适应约减。在规则发挥作用不明显时，对其进行约减，如下式所示：

其中，θ_thre为规则约减的阈值，其数值大小直接关乎模型的建模精度和复杂度。

在遗忘因子更新方面，遗忘因子的大小直接决定历史信息和在线监测信息的使用比例，直接影响最终的诊断精度。因此，遗忘因子需要根据模型的建模精度进行实时调整，建立如下的遗忘因子调整算法：

Data_Training＝Data_online+τ(t)Data_history (14)

Δτ(t)＝θΔ_{Accuracy rate} (15)

其中，Data_history和Data_online为历史信息和在线监测信息，τ(t)是遗忘因子。Δτ(t)为遗忘因子变化量，θ为合适选择的实数，Δ_{Accuracy rate}为模型诊断精度的变化量。

为了验证本发明的有效性，通过大型液化天然气储罐中进行了实验验证，主要包括以下步骤：

步骤一：问题描述及监测信息的获取

液化天然气储罐作为一种典型的复杂工业系统，主要用来存储液化天然气，是目前居民生活的必需品。随着近年来清洁能源的使用比例不断提高，液化天然气储罐的数量正在不断增加。液化天然气储罐对于连接管道的气密性有着极高的要求，一旦发生泄露，将会导致储罐爆炸，发生严重的安全生产事故，对人民财产生命造成了极大的威胁。因此，需要准确的对液化天然气的管道连接处进行监测，在发生泄露的第一时间采取相应措施，保证其安全性和可靠性。在本发明中，实验基于海南省中海油有限公司所建造的液化天然气储罐开展，选取了三条主要液化天然气输送管道的连接处安装了气体传感器，对泄露信息进行监测。在实验过程中，通过模拟泄露进行故障模拟，监测数据如图3所示。

步骤二：含有遗忘因子的液化天然气储罐动态故障诊断模型的建立

在三个传感器的监测数据中，结合数据量、模型复杂度、诊断精度、诊断实时性等，确定三个传感器的监测信息参考等级各为4个，如表1所示。结合公式(1)所示的规则构造方式，所构建的故障诊断模型中共有64条规则。由于气体传感器在实际使用的过程中容易受到环境的影响，因此，在确定规则输出置信度时需要同时考虑三个传感器的监测信息，初始诊断模型如表2所示。在初始模型中，假定规则同等重要，即规则权重设置为1。初始模型训练过程中不考虑遗忘因子。

表1气体传感器参考等级和参考值

表2液化天然气储罐动态故障诊断初始模型

步骤三：动态故障诊断模型的训练及测试

本发明在实验过程中，共采集数据1300组，其中传感器1处发生泄露故障共采集300组，传感器2处发生故障共采集300组，传感器3处发生故障共采集300组。从数据集中随机筛选650组作为训练数据，对所构建的故障诊断模型进行训练。在后续测试的过程中，使用训练数据作为历史信息，测试数据作为在线监测信息，通过遗忘因子来调整两者之间的使用比例，进而达到模型记忆长度自适应变化。在本发明中，对于遗忘因子的调节是通过输出结果的检测率调整，即检测率满足要求时，增加遗忘因子，降低历史信息的比例；在检测率不满足要求时，降低遗忘因子，增加历史信息的比例。测试结果如图4所示，遗忘因子和模型规则数量如图5和图6所示。本发明的故障诊断率为0.9923，能够准确的诊断模型中发生的故障。

如图7所示，本发明还提供了一种复杂工业系统动态故障诊断系统，包括：

关键特征指标确定模块701，用于确定复杂工业系统的关键特征指标。

匹配度计算模块702，用于基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度。

激活权重计算模块703，用于基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重。

输出故障特征向量计算模块704，用于根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量。

故障诊断模块705，用于根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种复杂工业系统动态故障诊断方法，其特征在于，包括：

确定复杂工业系统的关键特征指标；

基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度；

基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重；

根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量；

根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断；具体包括：计算所述输出故障特征向量与标准特征向量之间的距离；确定最小的距离为当前时刻复杂工业系统的故障状态；

其中，故障诊断模型的参数、结构和遗忘因子需要进行动态更新；在参数更新方面，参数优化过程中需要服从如下约束条件：

0≤θ_k≤1

0≤δ_i≤1,i＝1,2,...,M

0≤β_n,k≤1,n＝1,2,...,N,k＝1,2,...,L'

其中，θ_k为第k条规则的权重，δ_i为第i个关键特征指标的权重，M为关键特征指标的数量，β_n,k为第k条规则中第n个故障特征向量，L'为约减后的模型规则数量，N为系统中故障诊断结果的种类；

在结构更新方面，根据规则权重对其进行自适应约减，如下式所示：

其中，表示在模型动态调整过程中的规则权重，θ_thre为规则约减的阈值；

在遗忘因子更新方面，建立如下的遗忘因子调整算法：

Data_Training＝Data_online+τ(t)Data_history

其中，Data_history和Data_online为历史信息和在线监测信息，τ(t)是遗忘因子，Δτ(t)为遗忘因子变化量，θ为合适选择的实数，Δ_{Accuracy rate}为故障诊断模型诊断精度的变化量。

2.根据权利要求1所述的复杂工业系统动态故障诊断方法，其特征在于，在确定复杂工业系统的关键特征指标，之后包括：

将所述关键特征指标转换到统一框架下。

3.根据权利要求2所述的复杂工业系统动态故障诊断方法，其特征在于，关键特征指标相对于BRB中每条规则的匹配度的计算公式如下：

其中，为关键特征指标转换后在第j条规则中的匹配度；R_ik和R_i(k+1)是第i个关键特征指标在第k条和第k+1条规则中的参考等级；/>为t时刻第i个关键特征指标，L'为规则数量。

4.根据权利要求3所述的复杂工业系统动态故障诊断方法，其特征在于，所述每条规则的激活权重的计算公式如下：

其中，w_k(t)为第k条规则的激活权重，a_k(t)为关键特征指标相对于第k条规则的匹配度，表示在模型动态调整过程中的规则权重。

5.根据权利要求4所述的复杂工业系统动态故障诊断方法，其特征在于，在所述规则权重低于阈值时，删除所述规则权重对应的规则，降低故障诊断模型的复杂度。

6.根据权利要求4所述的复杂工业系统动态故障诊断方法，其特征在于，所述故障诊断模型的输出故障特征向量的计算公式如下：

其中，[β₁,β₂…β_N]为模型产生的输出故障特征向量，w_k(t)为第k条规则的激活权重，β_n,k(t)为第k条规则中第n个故障特征向量，L'为约减后的模型规则数量，N为系统中故障诊断结果的种类。

7.一种复杂工业系统动态故障诊断系统，其特征在于，包括：

关键特征指标确定模块，用于确定复杂工业系统的关键特征指标；

匹配度计算模块，用于基于所述关键特征指标计算关键特征指标相对于BRB中每条规则的匹配度；

激活权重计算模块，用于基于所述关键特征指标相对于BRB中每条规则的匹配度，计算每条规则的激活权重；

输出故障特征向量计算模块，用于根据所述每条规则的激活权重，计算故障诊断模型的输出故障特征向量；

故障诊断模块，用于根据所述输出故障特征向量以及每种故障的标准特征向量进行故障诊断；具体包括：计算所述输出故障特征向量与标准特征向量之间的距离；确定最小的距离为当前时刻复杂工业系统的故障状态；

其中，故障诊断模型的参数、结构和遗忘因子需要进行动态更新；在参数更新方面，参数优化过程中需要服从如下约束条件：

0≤θ_k≤1

0≤δ_i≤1,i＝1,2,...,M

0≤β_n,k≤1,n＝1,2,...,N,k＝1,2,...,L'

其中，θ_k为第k条规则的权重，δ_i为第i个关键特征指标的权重，M为关键特征指标的数量，β_n,k为第k条规则中第n个故障特征向量，L'为约减后的模型规则数量，N为系统中故障诊断结果的种类；

在结构更新方面，根据规则权重对其进行自适应约减，如下式所示：

其中，表示在模型动态调整过程中的规则权重，θ_thre为规则约减的阈值；

在遗忘因子更新方面，建立如下的遗忘因子调整算法：

Data_Training＝Data_online+τ(t)Data_history

其中，Data_history和Data_online为历史信息和在线监测信息，τ(t)是遗忘因子，Δτ(t)为遗忘因子变化量，为合适选择的实数，Δ_{Accuracy rate}为故障诊断模型诊断精度的变化量。