模糊減法聚類下大型機組設備故障自動化診斷方法

徐岳清，陳 旗

（1.無錫機電高等職業技術學校，無錫 214028；2.無錫汽車工程高等職業技術學校，無錫 214153）

0 引言

隨著設備復雜性不斷提高，工業生產對大型機組設備的故障診斷有了更高的要求，設備的高度復雜性使得故障診斷涉及了很多個部門的協同參與。大型機組設備故障的發生，會造成大量經濟損失[1]。因此，對機組設備進行穩定安全的維護，已經成為了現代企業管理重要目標之一。

大型機組設備自動化水平快速提高，設備構成的復雜度也逐漸增大，這導致設備故障經常發生。而設備故障的表現形式也是各種各樣的。一個設備的故障源有可能導致其他故障的發生，該特點給系統故障的診斷造成了很多困難。由此，找到適合的故障診斷方法，是該領域重要的研究方向。

大型機組設備故障具有多樣性、突發性等特點，該特點使設備故障診斷成為了異常復雜的系統工程。互相獨立的設備故障診斷系統，斷然不能夠適用實際的設備故障診斷，尤其是分布式的大型機組設備，上述特點導致大型機組設備故障診斷成為了亟待解決的問題。

文獻[2]提出一種基于信息源聚類的故障診斷方法。該方法根據廣泛收集大型機組設備故障資料，將其各種監測數據與故障征兆進行綜合，得到比較全面的設備故障集與征兆集，通過對數據統計分析得到各個故障類型以及條件概率。然后在貝葉斯網絡中建立故障診斷模型，利用設備故障診斷特點對貝葉斯網絡推理過程進行改進，計算故障類型概率信息，通過概率信息對故障進行分類。該方法雖然簡單，但是診斷精度低。文獻[3]提出了基于二叉樹的故障診斷方法。該方法在設計故障樹結構的基礎上，將基帶信號作為輸入信息，結合故障樹最小割集、模糊故障樹概率對故障樹展開分析，根據輸出結果完成故障診斷。該方法對診斷用時較短，但其診斷偏差較大。文獻[4]利用EEMD分解結果對設備故障進行診斷，在分解設備振動信號的基礎上重組信號，以此來減輕噪聲信息對診斷結果的影響，然后分析信號的全息譜及其形態特征，也就是設備在各階倍頻下旋轉的方向、形狀、大小和各階倍頻間的關系等信息，從而反映設備振動的形態特征，以此特征為依據，形成故障診斷模型。該方法具有一定的實際意義，但是運行過程較為復雜。

針對上述傳統方法存在的不足，本研究設計了模糊減法聚類下大型機組設備故障自動化診斷方法。

1 故障自動化診斷方法設計

1.1 大型機組設備故障特征量自動化提取

為提高大型機組設備故障診斷的準確性，需要對機組設備的特征量展開自動化提取。

針對大型機組設備的特殊性，本文利用多維模糊貼近度實現設備故障特征量的自動化提取。

式(2)可以比較詳細地描述出故障信號與正常信號間綜合相似度的模糊貼近度。在上式求解過程中選擇是任意的，的選擇也任意，只要與結合后，滿足模糊貼近度定義就可以。因此，本文針對不同系統以及具體工作情況，對選擇的進行調整，將多維模糊帖近度可以與實際的實現中最好的信號匹配。

獲得故障信號與正常信號間最不相似的程度以及分布，這樣可以得知和正常信號比較，設備的故障信號變化的最大值。把的各系數x1,x2,…,xn進行統一形成簡單的系數函數，就是N 維的函數轉換成，變為一維函數：

式(4)結果中包含故障模糊的隸屬函數確立中比較重要的砝碼。

根據模糊集λ的水平貼近域有：

經上式就能夠知道設備故障信號的變化大于某個程度的點，則λ被稱為篩選因子。λ的取值可以根據機組設備的具體運行情況來確定。

對各故障信號的樣本間多維模糊貼近度進行計算，這樣就可以得到設備故障信號間的最相似點。假設影響E集間多維模糊貼近度內各因素為“模糊貼近度”式中：

式(7) 能夠描述在設備發生故障的狀況下，被檢樣本間的整體相似貼近度。在結合之后滿足模糊貼近度的定義就可以。因此本文針對不同系統與具體情況，對選取的進行調整，可以使模糊貼近度各系數統一變成單系數函數，就是將N維函數變為一維函數

在此基礎上，根據故障隸屬函數h(z)確定故障的特征參量。對上面求得的被檢樣本間整體相似度的多維模糊貼近度，引入噪聲與特征頻率點影響，并選擇信號間的整體相似度函數，由此獲得符合設備故障的模糊隸屬函數如下：

1.2 大型機組設備故障自動診斷

在工業化技術不斷發展的同時，大型機組設備的故障也呈現出一些新的特征。當設備發生故障時，常常會連帶各種故障同時發生。則要想在比較復雜的設備系統中實現故障的快速診斷，僅憑理論信息會出現故障漏報或虛報現象。為此，本研究結合D-S證據理論對設備故障進行準確診斷。

1.2.1 D-S證據理論概念與設備故障

針對本文研究的大型機組設備故障診斷過程，采用D-S證據理論將所有可能出現的設備故障類型建立成一個集合，該集合實質就是一個識別框架，利用D-S證據識別框架Ω中機組任何一種設備故障類型對應的類別特征被稱為證據。

假設給定了一個大型機組設備故障診斷識別框架Θ，其中包含了全部可能的設備故障類別。則基本概率賦值函數m（A）可描述成該函數滿足下面的兩個條件：

大型機組設備故障的自動化診斷過程中，將不同階段的機組設備運行狀態的故障發生概率分布定義為故障基本概率賦值函數，m（F）可描述為設備故障診斷相關人員對某種設備故障F定義的關于該類型設備故障評價指標值。m（A）常常被看作是某個命題的質量函數，或是mass函數，經過安裝在大型機組設備中的傳感器獲得的實驗數據構造成的。

本文融合于D-S證據理論實現大型機組設備故障診斷的主要思想是：將獲取的大型機組設備故障診斷證據劃分為不同且相互獨立的部分，根據這些大型機組設備故障診斷證據完成識別框架判斷。將各識別框架內每個假設對應的大型機組設備故障診斷證據判斷數據，將其稱為該證據下的置信函數，其相應的概率分布可描述為置信函數的基本分配系數，針對某個診斷類型假設，根據特定合成規則，實現不同設備故障診斷證據置信函數的匯總，由此獲得機組設備故障診斷綜合證據下的假設總信任度。

針對給定的識別框架Θ，該框架中利用概率賦值函數得到的置信函數為：

其中，Bel（A）表示對A總的置信程度，通過上式可知，Bel（A）為A中全體子集可能性度量和，由此可以得到互斥命題：

結合疊加原理對式(12)進行描述，結果如下：

此外，假設m（A）>0，那么稱A是置信函數Bel焦元，全部的焦元被稱為它的核。

1.2.2 D-S證據組合規則及大型機組設備故障診斷

對于采用D-S證據理論對大型機組設備故障診斷全部證據集合內的數值毫無關聯的子集進行判斷，根據Dempster組合規則將不同類型的設備故障診斷證據相應的置信函數進行組合。其中，Dempster組合規則為：

假設Bel1與Bel2處于相同的證據識別框架中，Bel1與Bel2的概率函數分別為m1、m2，焦元依次為A1,A2…Ak與B1,B2…Bl，若式(14)成立：

2 實驗與分析

為驗證上述設計的模糊減法聚類下大型機組設備故障自動化診斷方法的整體性能，設計如下實驗。

在Paxos環境下搭建實驗平臺。實驗數據取自于山東大棚膜機組設備，分別利用本文方法和文獻[2～4]方法對實驗對象的故障展開自動化診斷實驗，并對比不同方法的可實踐性。

圖1所示為不同方法故障診斷時間對比結果。

圖1 不同方法故障診斷用時對比

圖2所示為不同方法的診斷正確率對比結果。診斷正確率可通過式(17)獲得：

圖2 不同方法故障自動化診斷正確率對比

圖3所示為不同方法故障特征量提取時間對比結果。

圖3 不同方法故障特征量自動提取時間對比

圖4所示為不同故障診斷方法對設備正常運行信號頻率造成的影響的對比結果。

圖4 不同故障診斷方法對設備正常運行信號頻率的影響對比

綜合分析上述實驗結果可知，文獻[2]方法利用大型機組設備故障診斷特點對貝葉斯網絡推理過程進行改進，計算故障類型概率信息，通過概率信息對故障進行分類，故障特征不明確，分類精度低，導致故障診斷的效率偏低；文獻[3]方法根據二叉樹結構及其原理，以基帶信號為對象構建二叉樹，未考慮到大型機組設備的復雜性與多分解性，使故障診斷的效率低、診斷結果有誤差；文獻[4]方法根據二維全息譜，能夠獲得設備在各階倍頻下旋轉的方向、形狀、大小和各階倍頻間等信息，從而反映設備振動的形態特征，以此特征為依據，形成故障診斷模型。該方法僅僅利用單一的形態特征形成故障診斷模型，導致故障診斷正確率偏低；本文方法利用多維模糊貼近度實現設備故障特征量提取，并利用D-S證據理論完成模糊減法聚類下大型機組設備故障的有效診斷。

實驗證明，本文設計的模糊減法聚類下大型機組設備故障自動化診斷方法可以快速可靠地對模糊減法聚類下大型機組設備故障進行診斷，為保障機組設備的平穩運行奠定了基礎。

3 結語

采用當前方法診斷大型機組設備故障時，存在診斷誤差大等問題，為此，本研究設計了模糊減法聚類下大型機組設備故障自動化診斷方法。在完成方法設計后，本研究還利用仿真對比實驗驗證了該方法具有診斷效率高、準確率高的優點，充分證明了其可行性。