基于LabVIEW的FPSO原油外輸設備智能診斷系統設計與實現

(中海石油(中國)有限公司 秦皇島32-6/渤中作業公司，天津 300459)

浮式生產儲油卸油裝置(FPSO)設備運營狀態的可靠性及穩定性直接影響到海工平臺的財產安全，甚至危及到船員生命安全，故需要對該設備配套狀態監測及故障診斷系統。因設備復雜，傳感器監測數據類型較多，設備的單一故障往往需要多傳感器數據進行融合，而這時典型多輸入單輸出的模式識別問題，目前用于解決該問題的故障診斷方法最主流的就是基于神經網絡的人工智能故障診斷方法。將人工智能理論和方法應用于故障診斷，發展智能化故障診斷技術，是設備故障診斷的一條新的途徑，也是研究最多、應用最廣的一類智能型診斷技術。本文將設計及開發一套基于BP神經網絡故障診斷[1-4]專家系統，實現智能故障診斷，并在FPSO原油外輸系統上進行驗證。

1 系統總體架構

圖1 基于LabVIEW的FPSO原油外輸設備遠程智能診斷系統總體架構

基于LabVIEW的FPSO原油外輸設備遠程智能診斷系統總體架構見圖1。目標FPSO原油外輸設備位于近海區域，設備狀態特征信號通過3G/4G模塊上傳至企業內部監控中心，并存儲到Oracle數據庫中。第三方應用程序LabVIEW，通過數據庫訪問工具集LabVIEW database toolkit實現對數據庫的數據讀寫操作；同時利用Matlab script接口，實現LabVIEW與Matlab的雙向數據交互。

LabVIEW將從數據庫讀取到的數據傳給Matlab，Matlab調用BP神經網絡診斷算法，對傳感器數據進行分析診斷，并輸出診斷結果到LabVIEW軟件。LabVIEW將診斷結果同Oracle數據庫中的診斷知識庫進行對比，給出相應的故障模式、故障原因及解決措施。

2 遠程通信模塊

為了保證遠程通信的速度、穩定性及可操作性，在傳輸同等數據量情況下，需選擇占用帶寬最小的通訊協議，考慮現場端設備及LabVIEW遠程監控系統特性，最終選擇采用基于TCP/IP的socket通信協議，見圖2。

圖2 基于C/S架構LabVIEW遠程監控系統

同時為了保證遠程監控系統的開放性，所有遠程傳輸得到的數據都統一存放到關系數據庫oracle 11g R2中，方便監控中心其他系統(如虛擬仿真系統)對遠程狀態數據的訪問。

3 智能診斷算法及實現

3.1 基于Matlab的BP神經網絡實現

采用兩層BP神經網絡結構用于故障診斷，網絡結構中隱含層采用tan-sigmoid激勵函數，輸出層采用log-simoid激勵函數。其中網絡輸入層神經元個數等于輸入變量數量，輸出層神經元個數等于故障模式數量。見圖3。

3.2 網絡訓練

選取樣本并對其訓練，以得到診斷系統知識庫(以網絡閥值和權值形式存在)，診斷網絡的樣本訓練流程大致過程為：讀取樣本數據，并進行歸一化處理，因診斷BP神經網絡第一層的激勵函數為雙曲正切Tan-Sigmoid函數，該函數輸出范圍為[-1,1]，故歸一化區間取[-1,1]；根據輸入、輸出向量中變量個數，選取合適的網購結構及參數，并初始化網絡參數；將歸一化的輸入向量代入網絡，計算輸出結果，并與預期結果對比，計算偏差；將計算偏差與設定偏差對比，看是否到達收斂條件，若不收斂，則調整權值繼續計算，直到收斂，網絡收斂后，輸入測試數據進行測試，并進行故障類型判斷。

以原油外輸系統卡銷裝置故障診斷子模塊為例，該診斷模塊6個輸入變量：壓力MP11、壓力MP12、壓力MP19、壓力MP20、流量V3、流量V4；4種故障模式：換向閥0311-4故障、減壓閥0314-4故障、液壓鎖0315-3故障、管線0331-4故障。針對該診斷模塊的BP神經網絡模塊參數設置見表1。

表1 BP神經網絡參數設置

對故障模式進行編碼，將其表示成計算機能夠識別的模式，見表2。

表2 ESD閥故障故障模式編碼

Matlab2014a中BP神經網絡默認采用Widrow-Nguyen即W-N法進行網絡權值初始化，同時樣本的訓練模式默認為批處理模式。因目前沒有被監測系統實際故障數據，故暫時采用模擬的樣本數據來對診斷算法的正確性進行驗證。卡銷裝置故障診斷模塊中，模擬的傳感器樣本數據見表3。

利用構建的2層BP神經網絡對以上樣本進行訓練，訓練結束后，Matlab2014a彈出訓練結果見圖4。

從圖4中可以直觀看到前面設置好的網絡結構和算法參數，可以看到性能參數均方誤差的初始值為0.46，結束值為9.44×10-7，小于設定的目標值1.0×10-6，在迭代65次后，誤差水平就達到了預期要求，滿足訓練指標。

網絡訓練性能變化見圖5，可以清楚看到，訓練誤差隨著迭代次數增加而減小的過程，最終達到設定的目標誤差，停止網絡訓練。

圖4 BP神經網絡訓練效果示意

圖5 訓練網絡性能變化曲線

同時網絡訓練過程中，參數的狀態變化見圖6，可以看到，滿足要求。

圖6 網絡訓練狀態參數變化過程

3.3 神經網絡診斷

因沒有實際傳感器采集數據，故采樣仿真數據，模擬輸入傳感器采集數據，來驗證診斷系統的可行性及可靠性。采用表4所示的6組模擬數據對診斷網絡進行驗證。

任何時仿真數據在輸入到診斷網絡之前，都有進行與網絡訓練時相同的歸一化處理，想輸入向量歸一化到區間[-1,1]。處理程序為

%在線采集數據的歸一化處理，處理方式同樣本數據處理方式完全相同

p_test=mapminmax(′apply′,sample_verify,PS);

其中：sample_verify為傳感器采集數據輸入向量矩陣，PS為網絡訓練時用到的歸一化處理方法，′apply′為采用相同處理方式。

對表4中的測試數據代入訓練好的神經網絡，可得神經網絡的檢測結果，見表5。

表5 測試數據的神經網絡診斷輸出

由表5的診斷結果可知，神經網絡準確的識別了卡銷裝置不同的運行狀態，診斷效果良好。

4 系統實現

4.1 LabVIEW與Matlab的接口通信

利用Matlab與LabVIEW混合編程來實現外輸設備診斷系統的設計。在LabVIEW開發平臺上直接使用Matlab的神經網絡工具箱。常用的混合編程方法是使用Matlab語言節點，即Matlab Script節點。這種方法實現簡單且實現方式靈活多變，打開被調用的Matlab腳本程序的速度也快，且能滿足多輸入多輸出。LabVIEW向Matlab script腳本傳遞字符變量過程舉列見圖7。

圖7 LabVIEW向Matlab script腳本傳遞字符變量過程

LabVIEW想將輸入層到隱含層傳遞函數名稱如tansig傳遞給Matlab script腳本，通過調節結構，將不同的函數名轉成相應數字，并在Matlab script腳本中，將對于數字還原成對于函數名。而數字變量可以通過在Matlab script左邊框中增加輸入節點進行傳遞，如圖7中的隱含層神經元變量lay1_size。同理可以對其他需要傳遞的參數進行操作。LabVIEW中神經網絡學習界面見圖8，其參數傳遞方法前面已經介紹。

圖8 神經網絡學習界面

圖8界面對應的最終LabVIEW程序框圖見圖9，左邊為前面板需要向腳本傳遞的參數，右邊為診斷結果，通過一個二維數組保存診斷結果，見圖10，該結果相當于將表5結果輸出到LabVIEW前面板界面上。

4.2 推理機解釋器的軟件實現

對某一故障模式，采用二進制編碼表示故障類型，期望的理想輸出是0或1。顯然，仿真結果不可能是期望的絕對0或1，所以需要對結果進行判斷，即把神經網絡仿真獲得的結果通過判斷處理，整定到0或1。因此，提出判別區間的方法。對于輸出結果，取一個判別區間，將仿真結果與判別區間比較，確定其歸于0或1。如(0.1，0.9)：當仿真結果小于0.1(如0.051 8)，則判斷其為0；而當仿真結果大于0.9(如0.918)，則判斷其為1；此外，對于處于[0.1，0.9]區間內的數據判斷為0.5(認為該仿真結果無意義，拒判)。可以看出，當這個判別區間越靠近0和1，則判斷準確率越高，同時可能拒判的幾率也越大；當判別區間越遠離0和1，則判斷的準確性降低，但同時好處是判為無意義結果的幾率變小，可以根據具體情況選擇。

圖9 LabVIEW通過對Matlab調用實現診斷神經網絡

圖10 網絡診斷結果輸出到前面板二維數組中

根據以上區間判別標準，將網絡的數值輸出與故障信息進行對應，軟件界面實現見圖11。

5 結論

設計基于LabVIEW的FPSO原油外輸設備遠程智能診斷系統，并實現了仿真驗證。采集軟件模擬實際工況輸出模擬輸出傳感器數據，并以TCP通信方式遠程上傳到企業內部監控中心數據庫。LabVIEW利用math script節點調用Matlab，實現對采集數據的學習與診斷，并鍵診斷結果存放于數據庫中。監測系統即可實現常規監測報警功能，還可自主開展基于神經網絡的故障診斷功能，為后續產品健康監測系統提供了樣本參考與技術支持。