基于提升小波和溯因推理網絡實時故障診斷

劉田田,,,

（遼寧石油化工大學信息與控制工程學院,遼寧 撫順 113001）

基于提升小波和溯因推理網絡實時故障診斷

劉田田,劉曉琴,孫海軍,邸超

（遼寧石油化工大學信息與控制工程學院,遼寧 撫順 113001）

對于復雜故障，溯因推理網絡(abductive reasoning network,ARN)與相同結構的神經網絡相比，具有優越的診斷準確性和更簡單的結構。對于非線性多故障的化工系統故障，采用溯因推理網絡對故障進行分類，能有效實現實時故障診斷，提高診斷精度。通過T-E過程（Tennessee-Eastman）仿真，結果表明所提出的方法優于小波神經網絡方法。

故障診斷；實時；提升小波；溯因推理網絡

0 引言

實時故障診斷與監控在保障工業生產過程的正常運行與產品質量中，有非常重要作用。在化工生產過程中，過程監控方法將過程操作經驗、工藝知識、歷史故障記錄等利用起來，對故障診斷方法的實時性大有裨益。化工生產過程復雜、變量多，是典型的非線性系統，可測過程變量和故障原因之間的關系復雜，單一故障診斷方法都具有一定的局限性。為了提高故障診斷方法的性能，將多個單一故障診斷方法相結合的集合型故障診斷方法成為研究熱點，提出多種非實時故障診斷方法集合型方法[2-8]。

1 基于小波和溯因推理方法的故障診斷策略

1.1 提升小波信號處理方案

提升小波由三部分組成:分解(split)、預測(predict)和更新(update)

（1）分解:將輸入信號cj分裂成為2個互不相交的子集cj+1和dj+1, cj+1和dj+1的相關性愈強，分裂的效果愈好，通常是將一個序列分為偶數序列和奇數序列,即

（2）預測:利用數據間的相關性，采用一個與數據集無關的預測算子P，可用cj+1去預測dj+1，產生的差值即小波系數d[n]，此差值反映了兩者的逼近程度。如果預測是合理的,則差值數據集所包含的信息是原始子集dj+1要少得多。預測過程的表達式為

提升小波方法有：1）選擇合適小波基函數，對有噪聲信號進行提升小波變換，利用提升方案構造出合適的小波分解和重構濾波器；2）確定合適的處理提升小波系數的閾值。對分解的提升小波系數進行閾值處理，得到估計提升小波系數；3）將經閾值處理過的提升小波系數進行提升小波重構，得到恢復的原始信號估計值。

1.2 溯因推理網絡故障分類

溯因推理網絡是一個分層網絡，由簡單低階多項式構成多層節點函數，用來模擬高度非線性故障診斷問題。溯因推理網絡是一個帶有前饋函數節點的分層網絡，結構如圖2所示。參數、數量、類型和函數節點的連接權值源自于訓練數據。圖2中ARN由七個類型節點構成，三階多項式分別含有一次、二次、三次多項式，即表示分別含有一個、兩個或三個輸入。三重節點的代數形式如式（1）。

其中 代表訓練參數， 代表輸入變量。值得注意的是，二次、三次多項式有交叉，允許節點輸入變量之間的相互作用。

流感有時會惡化成重癥，甚至威脅生命，因此要盡可能地提前接種疫苗。流感疫苗需要每年接種。6個月以上的兒童和成人均可接種。孕婦在懷孕的第4個月起，可以考慮接種流感疫苗；對于處于流感并發癥風險中的孕婦，不管其懷孕處于什么階段，推薦使用本疫苗。哺乳期媽媽也可以接種。

其它部分的內容如下所示。

正規化子把原始輸入變量轉換成零均值方差，使用標準差正態化。

輸出包括前面的所有輸出層的線性權值之和。

單位化指把網絡的輸出序列轉換成與之對應的輸出值的均值和方差，用來訓練網絡。

4）線元素

通過最小預測方差（PSE）模型標準，ARN會自動確定最佳網絡結構、節點類型、參數和連接權值。

對于訓練數據，PSE表示模型的預測誤差平方，FSE表示擬合方差，OP表示過度擬合處罰，C表示由使用者指定的復雜處罰乘數，K表示模型的參數總和或模型復雜性的隱含值，N代表訓練數據的數量，是一個先驗估計模型的誤差方差。PSE最小的網絡是最好的網絡結構，因為FSE隨著模型中每個額外參數K而減少但總是非負，可獲得最小值，而OP線性增加參數數量。

根據PSE標準，節省原則的保留有利于提高準確性（低FSE）和減化復雜性（OP小）。每一種類型的多項式按順序被評估和排序，得到所有合適的輸入組合，而單獨合成每一層直到最優結構或停止規則(層指定的最大數量)。ARN確定最佳網絡結構以減少PSE，這樣避免手工干預網絡結構。

1.3 溯因推理網絡算法

利用提升小波對采樣數據進行實時去噪，以提高分類器的分類精度，而后將去噪的數據通過實時算法訓練溯因推理網絡，輸出故障類型，步驟如下。

（1）將原始數據進行提升小波處理；（2）保留提升分解后的低頻系數，丟棄噪聲分量，實現對原始數據消噪；（3）確定三層溯因推理網絡結構，設定參數；（4）輸出診斷結果。

2 仿真研究

TE(Tennessee Eastman)過程是一個化工過程的真實模擬，1993年，有由Downs和Benchmark根據伊斯曼化學公司的實際工藝流程作少許修改提出來的。

整個系統各部分之間耦合嚴重，高度非線性，且開環不穩定。T-E過程共有20種擾動，其中15種擾動是已知擾動。

采集TE過程的1008個數據樣本作為故障特征信息輸入診斷系統,過程有52個變量，網絡的輸入節點I=52,系統有21個故障狀態類型，網絡的輸出節點J=21。依據經取驗，LW-ARN的C值取1.0，W-BP隱含層節點H=25。

3 結論

本文提出了將提升小波與溯因推理網絡相結合的實時故障診斷方法，該方法能對復雜非線性化工過程故障進行實時診斷。TE過程故障診斷的實驗結果表明，與小波神經網絡算法相比，該方法具有更快的診斷速度和更高的準確率，對處理復雜多故障系統具有較好的適應性。

[1]谷雷，楊青，王大志.基于小波分析與概率神經網絡的化工過程故障診斷[J].工業儀表與自動化裝置，2008(03)：8-11.

[2]戴一陽，趙勁松，陳丙珍.化工過程混合故障診斷系統的應用[J].化工學報，2010(02):342-246.

[3]陳劍雪.ACO-BP算法在化工過程故障診斷中的應用[J].化工自動化及儀表，2012(07):872-875.

[4]許亮,李秀喜,郭子明,錢宇.化工過程實時故障診斷專家系統的研究與開發[J].計算機工程與應用，2007(08):245-248.

[5]鄭小霞，錢鋒.模糊神經網絡推理的實時故障診斷專家系統[J].計算機工程與應用，2006(03):226-229.

[6]周燕等.基于DeltaV的實時故障診斷系統應用與研究[J].東南大學學報，2006(01):164-167.

國家青年自然科學基金：直流母線上無輔助開關的諧振直流環節軟開關逆變器的研究（51207069）.

劉曉琴（1975-），女，遼寧遼陽人，碩士，副教授,研究方向：故障診斷。