基于數據的實時故障診斷系統研究

李仲玲，張 薇（通訊作者），王 海

（沈陽理工大學 遼寧 沈陽 110159）

1 引言

復雜設備/工藝系統是企業的核心競爭力，實時監控其運行狀態，及時預測和排除故障是安全高效生產的基礎，對企業具有重要作用。但實際中，面臨以下的尷尬境地，一方面針對一個未知系統，由于診斷知識的匱乏，面對故障不能及時發現；而另一方面，設備在運行期間產生大量實時及歷史數據，而這些數據背后都蘊含著重要信息。

2 實時診斷系統結構及原理

2.1 實時數據集成平臺

診斷系統以實時數據集成技術為基礎，構建實時數據集成平臺，采集生產現場實時數據，并根據變量的存儲記錄條件存入歷史數據庫，形成歷史數據；實時數據集成平臺同時向上層提供實時數據歷史數據服務功能。

生產現場的底層數據來源復雜往往無法簡單地統一處理，也很難要求現場控制器的格式統一，這就需要系統提供相對通用的接口功能框架，針對不同控制系統提供通訊接口。OPC是最為廣泛的實時數據集成技術[1]。

2.2 構建ANFIS診斷網絡

自適應模糊推理系統ANFIS是基于數據的建模方法，在功能上與之等價的模糊神經網絡。它將模糊邏輯規則及隸屬度函數參數通過神經網絡的自學習來產生，并自動生成模糊規則，克服模糊控制系統中模糊推理規則根據專家經驗設計的不足之處，相比神經網絡，它是用推理所得出的模糊語言規則來描述系統，而不是用權值來描述，具有更強的自學習能力、魯棒性和自適應性。

由于ANFIS單輸出結構適用于兩類目標識別，直接使用ANFIS對于多目標識別時效果并不理想。當輸出數據與各已知模式的匹配程度均不夠理想時則無法區分，造成診斷盲區。但ANFIS其獨特的結構和自適應能力對于多類目標分選問題也提供解決方法，本文采用多個ANFIS并列結構來實現對多目標的分選。

每個ANFIS負責把一類目標從其它目標中分選出來，提供學習訓練，使ANFIS的規則庫和隸屬度能夠使此類目標區別于其它類別。把實時的特征信息作為輸入，此類目標的隸屬度函數的激勵強度增強，使故障模式得以識別[2]。

3 診斷方法建立過程

（1）選取故障集、變量因素。裝備系統的每個環節都有可能發生故障，而檢測傳感器件的數量是有限的，有些故障難于直接檢測，通過較少的狀態檢測裝置融合診斷推斷全面的信息。

（2）樣本選取。在歷史數據庫中選擇數據樣本，選擇時需要選取代表各種狀態征兆的歷史樣本，具有較好的狀態覆蓋性。樣本的覆蓋程度決定診斷系統的診斷質量。

（3）減法聚類。減法聚類是用來估計數據中的聚類個數以及聚類中心位置的快速的單次算法。它將每個數據點作為可能的聚類中心，并根據各個數據點周圍數據的密度來計算該點作為聚類中心的可能性。

（4）隸屬度函數MF個數確定與函數類型。MF多對問題的描述詳細，能夠準確反映實際情況，但在輸入維數大時，規則會呈指數增長，使得ANFIS根本無法工作。綜合考慮上述情況，一般選擇3～6個為宜，MF函數選擇Gaussmf類型函數。

(5) 設定學習算法，建立訓練ANFIS。確定模糊規則和調整隸屬度函數類型生成初始的ANFIS模糊推理系統。學習算法選用最小二乘法LSE和梯度下降法結合的混合型學習算法。

(6) 通過檢驗樣本檢驗所建立的ANFIS網絡的性能。

(7)將檢驗后可行的ANFIS保存并運行，通過訪問實時數據集成平臺中相關實時數據，在線檢測設備故障狀態。

4 實時診斷原型系統

以采用S7-200 PLC控制的液壓自動化生產線系統為例，對上述診斷方法進行應用。系統有兩個工作油缸，在油缸全行程上加位置傳感器，可檢測油缸的位置S和速度V，采用電液比例閥進行速度和位置控制。油泵電機變頻器電流I、液壓系統壓力值P、流量值F、油箱溫度T等信號通過PLC的模擬量模塊采集，將這些工藝參數定義為OPC變量，由上位機采集分析。

通過經減法聚類的ANFIS對這些歷史數據分析，發現故障診斷知識，用于檢測那些不易被發現的故障，包括濾油器堵塞、油缸桿線性度、密封失效內漏。故影響因素選取 I、P、V、T四個方面，其它因素不做考慮。

根據實際運行中故障情況，從現場實際運行數據中選取正常運行及故障狀態下的90組歷史數據作為研究對象，把數據集分成訓練集和檢驗集。

采用兩種方法建立ANFIS模型（1）將輸入經過減法聚類處理，建立的單ANFIS網絡；（2）針對每個輸出建立一個ANFIS的多目標網絡；訓練條件為Range of influence 取0.5；Squash factor取1.25，Accept ratio取0.5，Reject ratio取0.15。輸入變量選用7個MF，MF采用Gaussmf函數，采用混合型訓練方法，最大訓練次數300次，OUTPUT類型為Constant，誤差小于10～4。從檢驗結果看單ANFIS系統在故障模式2和3的判斷上有較多偏離樣本。當輸出的值Y與整數的距離＞0.25時，無法識別故障原因。采用ANFIS組方式的精度明顯好于單ANFIS得到了令人滿意的結果[3]。

5 結論

ANFIS主要依賴于大量的運算從數據集中尋找規律，將隱藏在數據中的知識轉化為規則和隸屬函數。借助實時數據集成平臺，可以積累更多數據用于ANFIS訓練，因而ANFIS在故障在線智能診斷中有著更為廣闊的應用前景。