[发明专利]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

摘要

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。

主权项

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，...，zM，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Xz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，...，zM，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[c1，z，d1，z]、[c2，z，d2，z]及[c3，z，d3，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Xi的计算值也可以表示为区间的形式，为以无量纲指标Xi对第j个故障的取值范围表示为[ci，j，di，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|＝|[S1l，S1u]|＝S1u‑S1l，其中S1l和S1u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[ci，j，di，j]的相似度通过以上的结果可以将类似地转换为如下：S(xi)＝{(Fj，βi，j(xi))，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xi，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，...，xL}，假设属性的权重为w＝{w1，…wi，…，wL}，其中wi表示第i个属性xi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，…，FN‑1}Fn表示第n个故障；对于每个属性xi，i＝1，...，L的评估结果可以表示如下信度分布的形式：S(xi)＝{(Fn，βi，n(xi))，n＝0，…，N‑1}，i＝1，…，L；其中βi，n(xi)≥0，且βi，n(xi)表示属性xi被评估为故障Fn的信度，如果则称对属性xi的评估是完整的，否则为不完整的评估，βi，n的获取方式依赖于属性xi，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βn表示问题y被最终诊断为Fn的信度，βn是通过融合所有属性xi，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，…wi，…，wL}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(xi)＝{(Fn，βi，n(xi))，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，…wi，…，wL}，具体的确定方法如下：步骤一：将证据体S(xi)＝{(Fn，βi，n(xi))，n＝0，…，N‑1}表示为向量的形式，如mi＝(βi，0(xi)，βi，1(xi)，...，βi，N‑1(xi))；步骤二：计算证据体S(xi)＝{(Fn，βi，n(xi))，n＝0，…，N‑1}与证据体S(xj)＝{(Fn，βj，n(xj))，n＝0，…，N‑1}之间的证据距离dij，从而构建证据距离矩阵DL×L＝[dij]：其中dij的计算如下：且满足0≤dij≤1；步骤三：基于证据距离dij计算证据体S(xi)＝{(Fn，βi，n(xi))，n＝0，…，N‑1}与证据体S(xj)＝{(Fn，βj，n(xj))，n＝0，…，N‑1}之间的相似性sij，从而构建证据相似矩阵SL×L＝[sij]：其中sij的计算如下：且满足0≤sij≤1；步骤四：计算证据体对S(xi)＝{(Fn，βi，n(xi))，n＝0，…，N‑1}的总支持程度Si，具体计算如下：步骤五：基于总支持度计算属性权重wi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，...，xL)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，...，xL为L个基本属性，下面应用ER算法来辨识x1，x2，...，xL与y的函数关系f(·)，即：y＝f(X)＝f(x1，x2，...，xL)假设无量纲指标xi的权重为wi，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，...，xL)就可以用如下的信度分布形式描述：S(xi)＝{(Fn，βi，n(xi))，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，...，xL，最后的诊断结果y可以描述为信度分布形式如下：y＝{(Fn，βn)，(F，βF)，n＝0，1，...，N‑1}其中βn，βF通过解析ER算法得到：融合后的分布评估y＝{(Fn，βn)，(F，βF)，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＝{(Fn，βn)，(F，βF)，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：βF是等于0的，在信度变换的过程中因此βi，F(xi)＝0，因此，通过使得最大的βn对应的故障类型Fn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。