多層流模型下的故障診斷算法
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了多層流模型下的故障診斷算法范文，希望能給你帶來靈感和參考，敬請(qǐng)閱讀。
摘要：對(duì)工業(yè)過程建模，并利用故障信號(hào)基于模型進(jìn)行故障診斷是一種有效的故障診斷方法。介紹了采用多層流模型的建模以及根據(jù)模型的功能部件狀態(tài)關(guān)系建立故障信號(hào)因果關(guān)系圖的方法。在此基礎(chǔ)上使用計(jì)算機(jī)圖論算法開發(fā)了基于故障信號(hào)因果關(guān)系的故障診斷算法，并在發(fā)電廠鍋爐補(bǔ)給水除鹽系統(tǒng)中進(jìn)行了實(shí)際診斷驗(yàn)證。本故障診斷算法在實(shí)用性、適用性和理解性上具有較大優(yōu)勢，可廣泛應(yīng)用到工業(yè)過程的故障診斷中。
關(guān)鍵詞：故障診斷；故障信號(hào)因果關(guān)系；多層流模型
引言
現(xiàn)代工業(yè)過程由許多設(shè)備組成，設(shè)備上裝有傳感器以監(jiān)測運(yùn)行數(shù)據(jù)并判斷工作狀態(tài)。正常工作時(shí)設(shè)備的參數(shù)會(huì)在正常的范圍內(nèi)，發(fā)生故障時(shí)，參數(shù)會(huì)超出正常范圍，并形成一種故障信號(hào)呈現(xiàn)在監(jiān)控系統(tǒng)中。故障信號(hào)中，由故障直接產(chǎn)生的屬于主要故障信號(hào)，由主要故障傳播而導(dǎo)致的信號(hào)屬于次要故障信號(hào)。工業(yè)過程故障診斷的重點(diǎn)是將主要故障信號(hào)從次要故障信號(hào)中分離出來，找到故障的根本原因。一些研究者開發(fā)了基于模型的診斷系統(tǒng)（MBD：Model－BasedDiagnosis），其中Lind［1］開發(fā)的多層流模型是一種比較有特色的建模方法。多層流試圖把工業(yè)過程中各種設(shè)備的基本屬性，包括質(zhì)量流、能量流以及信息流提取出來，以此構(gòu)建出工業(yè)過程的模型，并基于模型利用數(shù)字化的方法來分析工業(yè)過程。Larsson［2］和Dahlstrand［3］在多層流模型的基礎(chǔ)上開發(fā)出了故障診斷的方法，Larsson描述了如何將模型與工廠過程設(shè)備的工作狀態(tài)進(jìn)行對(duì)應(yīng)，并建立起各種工作狀態(tài)之間的因果關(guān)系；而Dahlstrand則提出了一種故障信號(hào)的因果關(guān)系分析辦法，可用來推理故障狀態(tài)的主要故障信號(hào)。多層流模型在電廠故障診斷和可靠性領(lǐng)域中的應(yīng)用和研究較多，Ouyang等［4］將多層流模型應(yīng)用于核電廠的故障診斷中，并驗(yàn)證了SGTR故障診斷。楊明［5］、陳強(qiáng)［6］、王文林等［7］將多層流模型應(yīng)用到核電廠可靠性的分析中，并結(jié)合故障樹提出了不確定性分析的方法。李偉等［8］則探討了基于多層流的警報(bào)分析辦法。多層流模型在其他領(lǐng)域中也有應(yīng)用，張少民等［9］將多層流模型應(yīng)用到煤礦安全研究中，提出了可靠性時(shí)效分析的方法；Zang等［10］將多層流模型應(yīng)用在高速鐵路的運(yùn)行控制系統(tǒng)，用于可能的故障預(yù)測。本文基于前面的研究，結(jié)合計(jì)算機(jī)有向圖概念，在多層流模型和內(nèi)置故障因果關(guān)系圖的基礎(chǔ)上，使用有向圖的深度檢索算法提取故障路徑并生成故障傳播樹形結(jié)構(gòu)，開發(fā)了故障分析和診斷的通用步驟與算法，并結(jié)合發(fā)電廠鍋爐補(bǔ)給水除鹽系統(tǒng)進(jìn)行了驗(yàn)證，在實(shí)用性、適用性和理解性上較以往的研究具有較大優(yōu)勢，后續(xù)研究者可直接應(yīng)用或者進(jìn)行較為簡單的修改，按步驟應(yīng)用到其他的工業(yè)過程的故障診斷中，可使多層流模型得到進(jìn)一步廣泛應(yīng)用。
1多層流模型和故障信號(hào)因果關(guān)系圖
文獻(xiàn)［1］和［2］對(duì)多層流的建模方法進(jìn)行了較為詳細(xì)的描述。圖1是含有一個(gè)進(jìn)水閥和出水閥的水箱系統(tǒng)的多層流模型，整個(gè)系統(tǒng)的目標(biāo)是在流體流動(dòng)供給的同時(shí)維持水箱中的水位。整個(gè)模型分為三層，最高一層是目標(biāo)層，表示系統(tǒng)需要達(dá)到的目標(biāo)；中間是經(jīng)過抽象化的功能模塊層，是工業(yè)過程的流動(dòng)模型；底層則是設(shè)備物理層，包含工業(yè)過程中的物理設(shè)備。多層流模型將設(shè)備抽象成不同種類的功能模塊，使得工業(yè)過程的運(yùn)轉(zhuǎn)成為能夠數(shù)字化處理的流動(dòng)模型。圖2為多層流中各功能模塊的狀態(tài)關(guān)系，其中帶箭頭的連線表明了故障信號(hào)的因果關(guān)系，例如（進(jìn)水管，H）指向（水箱，H）的箭頭表明進(jìn)水管流速高的時(shí)候可能會(huì)導(dǎo)致水箱水位高。在多層流模型中，各種設(shè)備部件都被抽象成標(biāo)準(zhǔn)化的功能模塊，并生成如圖2所示的故障信號(hào)因果關(guān)系圖，成為故障診斷的基礎(chǔ)模型。當(dāng)設(shè)備出現(xiàn)故障時(shí)，根據(jù)故障的因果關(guān)系圖可以找到故障信號(hào)的傳播途徑，此傳播途徑是故障狀態(tài)的一種邏輯解釋，其起點(diǎn)是故障的根本原因。對(duì)于一個(gè)特定的故障狀態(tài)，可能存在多個(gè)傳播路徑和多種可能性。在故障診斷過程中，當(dāng)獲取了測量數(shù)據(jù)后，可以從圖2（b）中保留測到的部件狀態(tài)形成一個(gè)子圖，并可以在子圖中查詢故障信號(hào)的因果關(guān)系，如圖3所示。圖3（a）是測得三個(gè)部件的狀態(tài)后生成的故障信號(hào)因果關(guān)系圖；圖3（b）是僅僅測到進(jìn)水和出水狀態(tài)，而未測到水箱水位時(shí)得到的故障信號(hào)因果關(guān)系圖。
2故障信號(hào)分析和主要故障信號(hào)判斷
2．1列出所有可能的故障狀態(tài)
由于某些設(shè)備沒有安裝傳感器，當(dāng)故障發(fā)生時(shí)，需要考慮到這些未測量的功能模塊的狀態(tài)有多種可能性，并生成不同的故障狀態(tài)圖。如圖4所示，由于儲(chǔ)水箱的液位沒有測量，需要保留（水箱，H）和（水箱，L）兩個(gè)節(jié)點(diǎn)，根據(jù)這兩個(gè)狀態(tài)可以將原始因果關(guān)系圖分解
2．2在故障狀態(tài)圖中查找故障節(jié)點(diǎn)生成故障因果關(guān)系樹
故障信號(hào)的傳播路徑可以用一個(gè)樹型結(jié)構(gòu)來表示，如圖5所示。在故障信號(hào)因果關(guān)系樹中，高一層的節(jié)點(diǎn)故障信號(hào)是下一層的節(jié)點(diǎn)故障信號(hào)的原因，而根節(jié)點(diǎn)則是主要故障信號(hào)。為描述算法，這里定義因果關(guān)系子樹：如果一個(gè)因果關(guān)系樹中所有的節(jié)點(diǎn)都能在另一個(gè)因果關(guān)系樹中找到，那么前一個(gè)因果關(guān)系樹是后一個(gè)的子樹。圖6中顯示的是一個(gè)因果關(guān)系樹和它的幾個(gè)子樹。子樹只是部分故障信號(hào)的因果關(guān)系，因此在故障信號(hào)分析的過程中，找到更全面的樹后子樹可以被忽略。基于計(jì)算機(jī)圖形學(xué)算法，在一個(gè)有向圖中執(zhí)行深度檢索算法［11］可以生成樹形結(jié)構(gòu)，成為故障信號(hào)因果關(guān)系樹。圖5（b）即為從（水箱，L）節(jié)點(diǎn)開始執(zhí)行深度檢索算法生成的故障信號(hào)因果關(guān)系樹。
2．3故障信號(hào)分析過程
（故障診斷）基于以上的描述，為獲取所有可能的故障原因，利用多層流模型進(jìn)行故障診斷的步驟具體如下：（1）為工業(yè)過程建立多層流模型，并按照功能模塊之間的關(guān)系和測量數(shù)據(jù)建立故障信號(hào)因果關(guān)系圖，此圖中存在同一個(gè)功能模塊的多種狀態(tài)。（2）如果存在未知狀態(tài)的功能件，按照?qǐng)D4的方法分解出所有可能的故障信號(hào)因果關(guān)系圖。在分解出的圖中，每個(gè)功能模塊只有一種狀態(tài)。（3）對(duì)上一步中得到的故障信號(hào)關(guān)系圖執(zhí)行下面的操作：①對(duì)于選定的故障信號(hào)關(guān)系圖，依次選取故障信號(hào)節(jié)點(diǎn)，執(zhí)行深度檢索算法生成故障信號(hào)因果關(guān)系樹；②兩兩對(duì)比故障信號(hào)因果關(guān)系樹，如果發(fā)現(xiàn)一個(gè)樹是另外一個(gè)樹的子樹，刪除子樹；③完成前兩步后，剩余的故障關(guān)系樹即為此故障狀態(tài)的故障原因分析結(jié)果。圖7是對(duì)圖4所示的故障狀態(tài)按照上述順序獲得的故障原因分析結(jié)果的過程。在圖4中，出現(xiàn)了（進(jìn)水管，H）和（出水管，L）兩個(gè)故障信號(hào)，而水箱水位沒有測量，因此，首先分解出兩種故障狀態(tài)圖，分別保留（水箱，H）和（水箱，L）；然后分別在兩種故障狀態(tài)圖中執(zhí)行深度檢索算法生成所有的故障信號(hào)因果關(guān)系樹；最后刪除掉所有的子樹，獲得獨(dú)立的故障信號(hào)因果關(guān)系樹（圖7中最后一列）?？梢钥吹?，圖4的故障狀態(tài)有兩種解釋：一種解釋是（水箱，L）為主要故障，此故障信號(hào)導(dǎo)致了（進(jìn)水管，H）和（出水管，L）；另一種解釋是存在兩個(gè)獨(dú)立的主要故障（進(jìn)水管，H）和（出水管，L），而（水箱，H）則是次要故障。
3本算法在發(fā)電廠鍋爐補(bǔ)給水除鹽系統(tǒng)中的應(yīng)用驗(yàn)證
本文采用電廠鍋爐補(bǔ)給水除鹽系統(tǒng)來驗(yàn)證本故障診斷算法。電廠鍋爐補(bǔ)水連續(xù)通過逆流再生陽離子交換器和逆流再生陰離子交換器，經(jīng)過凈化后再供給鍋爐，如圖8所示。兩個(gè)交換器的正流管路上安裝了壓力傳感器，以保證正向的除鹽流動(dòng)。進(jìn)水處有閥門反饋控制，當(dāng)測得有交換器水壓波動(dòng)時(shí)，反饋控制閥門開度以維持壓力。由于壓力信號(hào)也是上游到下游傳遞，因此可以對(duì)這個(gè)過程建模，如圖9（a）所示，每個(gè)功能模塊可以賦予壓力測量數(shù)據(jù)來表征工作狀態(tài)。當(dāng)測得陽離子交換器壓力高而陰離子交換器的壓力低時(shí)，在其他閥門或者管路上沒有傳感器的時(shí)候，根據(jù)壓力傳遞和反饋控制的邏輯關(guān)系，可以得到如圖9（b）所示的故障信號(hào)因果關(guān)系圖。由于“進(jìn)水閥”、“管路1”和“管路2”沒有測量壓力，因此圖9中的故障信號(hào)因果關(guān)系圖根據(jù)這三個(gè)沒有測量的功能模塊可分解成8個(gè)獨(dú)立的故障狀態(tài)圖，需要這8個(gè)獨(dú)立的故障狀態(tài)圖中各自生成故障信號(hào)因果關(guān)系樹，并刪除子樹得到如圖10所示的診斷結(jié)果。圖10中，深色的故障狀態(tài)被診斷認(rèn)為是可能的原始故障。其中結(jié)果3和結(jié)果4表明只有一個(gè)根本故障，結(jié)果1、7、8表明同時(shí)有兩個(gè)根本故障，結(jié)果2、5、6顯示同時(shí)有3個(gè)根本故障。多故障的可能性要低于單故障，因此診斷結(jié)果3和結(jié)果4是可能性最大的兩個(gè)結(jié)果，即可能由于兩個(gè)交換器之間的管路（管路1，L）或者陰離子交換器泄漏（陰離子交換器，L）導(dǎo)致后續(xù)壓力降低，且因?yàn)榉答伩刂剖沟蒙嫌螇毫ι仙?。在故障排查的時(shí)候應(yīng)該重點(diǎn)檢查陽離子交換器到陰離子交換器的管路或者陰離子交換器本身的管路與閥門是否發(fā)生泄漏。結(jié)果3、4的故障信號(hào)因果關(guān)系樹如圖11所示。由此看出，對(duì)于每個(gè)獨(dú)立的故障狀態(tài)都會(huì)有一個(gè)可能的故障原因解釋，而故障狀態(tài)的數(shù)量則跟沒有測量的功能模塊數(shù)量有關(guān)，在前面的除鹽系統(tǒng)中，由于存在3個(gè)沒有測量的功能模塊，因此會(huì)有8種可能的故障狀態(tài)，從而有8種診斷結(jié)果。在文獻(xiàn)［3］中，采用有3個(gè)未測量的功能模塊的雙水箱系統(tǒng)作為例子，但最終只推導(dǎo)出5個(gè)診斷結(jié)果，而忽略了其他3個(gè)診斷結(jié)果。對(duì)比文獻(xiàn)［3］的研究，本文提出的診斷算法能夠得到更為完整的診斷結(jié)果。
4結(jié)論
本文描述了利用多層流模型對(duì)工業(yè)過程建模、生成故障信號(hào)圖以及基于故障信號(hào)因果關(guān)系圖診斷根本故障的算法和流程，并在發(fā)電廠的鍋爐補(bǔ)給水除鹽系統(tǒng)中進(jìn)行了實(shí)際的故障診斷算法驗(yàn)證。相比于其他的故障診斷方法，本文提出的建模方法和診斷算法更為具體化，可按步驟參考應(yīng)用到各個(gè)工業(yè)領(lǐng)域中，且能得到更為完整的診斷結(jié)果。通過文中的例子可以發(fā)現(xiàn)，由于算法的完備性使得簡單的過程故障可能出現(xiàn)較多的診斷結(jié)果，從而加大了判斷的難度。減少未知狀態(tài)功能模塊的數(shù)量可以減少診斷結(jié)果數(shù)量，提高診斷精度；也可以根據(jù)長期的運(yùn)行經(jīng)驗(yàn)，將每個(gè)部件的失效概率加入到模型中，并在診斷結(jié)果中對(duì)每個(gè)可能的狀況計(jì)算失效概率，進(jìn)行排序得到最有可能的故障診斷結(jié)果，便于優(yōu)先關(guān)注概率較高的故障結(jié)果，快速確定并排除故障。
作者：顧琳琳 歐陽軍 單位：中國電力工程顧問集團(tuán)