基于參數學習的燃氣調壓器故障診斷網絡優化

1 概述

隨著我國城鎮燃氣行業持續快速發展，政府、社會對燃氣輸配系統的安全運營、用戶體驗、節能環保提出了更高的要求

。

燃氣調壓器運行故障直接影響到下游供氣壓力的穩定，輕則引起供氣壓力異常導致工業用戶產品報廢、民用燃氣設備運行故障，重則引起停止供氣或超壓放散，停氣檢修后的恢復供氣過程也可能產生燃氣泄漏、火災或爆炸事故

。

合格的全科醫生需要為服務對象提供綜合的，連續的，個性化的預防保健和健康維護。全科醫學是獨立于臨床二級學科，并不是簡單的臨床各?？频恼蟍7]。在全科醫生規范化培訓教學中，要樹立以預防為導向的診療理念以及“以患者為中心”的全科醫學理念。把醫療服務、衛生服務、健康服務與人文關懷有機結合成一個整體。

例題：（2018年廣州二測理科綜合第29題）研究者用磷酸化酶（混合酶）、單糖、淀粉和不同pH緩沖液組成不同反應體系，并測定了各反應體系中淀粉含量的變化（實驗中pH對淀粉含量沒有直接影響），結果見表1。隨后，測定了水稻開花后至成熟期間，水稻籽粒中淀粉含量和磷酸化酶相對活性的變化，結果見圖1，回答下列問題：

對能源和項目的監測審計是企業實現節能科學管理的重要舉措，中國海油全面開展了能源統計分析、節能監測、能源審計和固定資產項目的能評工作，并建立節能管理信息平臺。

具體教學內容在設置時是這樣的：將內容分成五個典型教學項目，每個項目包含若干典型工作任務，每個任務有具體的單片機應用系統案例構成。使學生在練習專業技能的過程中加強了對專業理論知識的掌握，培養了學生綜合能力。課程具體設計如下：

2 建立貝葉斯網絡故障診斷拓撲模型

② M步最大化期望計劃

2.1 獲取統計概率及條件概率

在診斷網絡中，子節點表示頂層故障，即故障表征；父節點表示底層故障，即故障原因。高中壓調壓器貝葉斯網絡模型故障節點類型及名稱見表1。本文中的

，

，

，

，

，…，

為復用變量，表示事件也表示隨機變量。

高中壓調壓器的故障診斷、檢查、保養、維護管理等對于排除潛在的安全隱患具有重大意義。由于高中壓燃氣調壓器結構復雜、與管網相互影響、缺少已有故障案例

，本文利用專家先驗知識，建立高中壓燃氣調壓器貝葉斯網絡模型。在該模型基礎上，應用最大期望EM參數學習的方法優化，最終得到更合理的檢修順序，并與實際案例進行比較驗證。

機場航空業務以及非航空業務的收費項目在管理上需要采用不同的管理方式，一般對于航空性的業務在收費的過程中都是嚴格按照政府的指導價進行收費的，而非航空性業務則主要是根據市場的調節價進行收費。通過本次對機場收費項目以及具體收費的調整，二、三類的機場收費仍然需要以政府的指導價格為標準，這種收費方式和管理方式更加科學合理。對于需要通過市場調節進行收費的項目，一般都具有較強的市場性特征，在作業成本法的實施中具有可進行對比的市場標桿，對機場作業績效的分析具有積極的作用，而且能夠有效控制作業的成本。

為保障安全，會對燃氣調壓器進行及時檢修及更換，現有故障案例樣本較少。因此請具有資質的燃氣專家對調壓器故障表征問題進行問卷填寫，根據問卷結果，統計在不同故障表征發生的條件下故障原因發生的統計概率(以下簡稱統計概率)，見圖1。

在出口壓力過高發生條件下各故障原因發生的計算概率、統計概率、概率變化見圖3。

2.2 搭建貝葉斯網絡

根據以上所有先驗信息，得到映射關系，建立貝葉斯網絡拓撲結構，高中壓燃氣調壓器故障貝葉斯網絡拓撲結構見圖2。

根據以上統計概率、條件概率及映射關系，運用MATLAB平臺搭建高中壓燃氣調壓器貝葉斯網絡故障診斷結構，此為原貝葉斯網絡故障診斷拓撲模型，將用于優化，以及后續生成若干組貝葉斯網絡訓練數據。

3 應用最大期望EM算法進行參數學習

故障診斷的關鍵是精準的貝葉斯網絡建模，原貝葉斯網絡的節點條件概率基于專家經驗的賦值得到，存在一定主觀性。所以需要利用故障案例訓練數據集進行參數學習，對原貝葉斯網絡模型進行修正，彌補依賴專家知識建模的不足

。

貝葉斯網絡的參數學習是指確定網絡結構后，通過合適的參數學習方法，利用訓練數據集對節點間的概率依存關系進行訓練，調整更新貝葉斯網絡內在關系的節點條件概率

。

3.1 訓練數據集的構成

通過某燃氣公司次高壓調壓站及高壓調壓站的檢修臺賬統計數據得到若干組訓練數據，通過原貝葉斯網絡訓練也可得到若干組訓練數據，對這些數據進行篩選和預處理，得到1 000組訓練數據，構成訓練數據集。每組數據包含13個隨機變量，即4個故障表征隨機變量和9個故障原因隨機變量，1表示發生，0表示不發生。將訓練數據集輸入EM算法進行參數學習。

3.2 最大期望EM算法

具體方式為：輸入原貝葉斯網絡模型，基于參數學習方法，利用訓練數據集，通過EM算法更新優化每個網絡節點的條件概率，得到優化后貝葉斯網絡，并輸出更為準確的計算概率。

由于燃氣調壓器故障診斷具有重大安全意義，并且現實條件中，貝葉斯網絡參數學習所需要的數據集很大可能會存在不同程度的數據缺失，為了學習結果的精確性，本文采用具有迭代優化思想的最大期望EM算法。

通過不斷迭代上述2個步驟，進行參數的更新優化，最終得到更為準確的貝葉斯網絡模型。

從當前節點條件概率到下一代節點條件概率的計算步驟如下。

① E步期望計算

通過概率分布函數，求出對數似然函數的期望值，數學表達式見文獻[6]。

貝葉斯網絡結構學習即利用樣本數據和先驗信息，找到與樣本數據匹配程度最高的貝葉斯網絡拓撲結構。再依靠領域專家對研究對象的整體把握，得出各因素之間的相互作用關系，統計先驗信息，得到調壓器出現不同故障表征時，對應發生故障原因的統計概率，以下簡稱統計概率。搭建貝葉斯網絡，結合該網路，得出調壓器出現不同故障表征時，對應發生故障原因的計算概率，以下簡稱計算概率。

修改概率分布函數取值，使對數似然函數達到最大值的期望存在。這里使用最大似然估計，數學表達式見文獻[6]。

EM算法整體是求解收斂到局部最優參數的過程，主要思想是先以某種方式初始化局部最優參數，再通過期望計算和最大化期望值兩步迭代來不斷地修正直到收斂

。具體應用為：EM算法輸入為貝葉斯網絡、訓練數據集、收斂閾值；首先通過E步期望計算，然后通過M步最大化期望計劃，再進行不斷迭代優化的步驟；最終輸出為更新貝葉斯網絡節點條件概率。

在MATLAB平臺中可通過調用最大期望和最大似然估計函數，完成整個參數學習的建立、求解和優化。尋優過程中，將整個貝葉斯網絡所構建的條件概率(表2～5)代入EM算法中，進行不斷迭代，尋找最優解

。

按照P=95%年徑流量及地表Ⅲ類水質標準計算其納污容量：COD為1 620萬t；NH3_N為81萬t；TP為16.2萬t。

3.3 全局聯合樹推理

為了提高運算速度，使EM算法能夠有效應用，需要利用推理引擎機制，用來完成整個貝葉斯參數學習模型轉換、細化和求解。在EM算法參數學習基礎上，貝葉斯網絡調用全局聯合樹推理引擎(global_joint_inf_engine)

。 其中轉換和細化是將貝葉斯網絡轉換成一個次結構聯合樹，通過定義在聯合樹上的消息傳遞過程，進行概率計算。消息傳遞法使得消息可以依次傳遍聯合樹的所有子節點和父節點，并使聯合樹滿足全局一致性。

4 結果分析

通過統計概率結合優化后的條件概率，計算得出在故障表征發生條件下各故障原因發生的計算概率(以下簡稱計算概率)，計算概率由大到小排序，作為故障節點定位順序。通過概率變化(統計概率與計算概率差值的絕對值)分析計算概率的準確性。

① 出口壓力過高故障

結合專家經驗，對調壓器故障原因發生或不發生的條件下，故障表征發生的可能性進行賦值，填寫在問卷中，根據問卷結果，得出在各故障原因發生或不發生的條件下故障表征發生的條件概率(以下簡稱條件概率)，見表2～5。表中

～

為中間參數，1表示發生，0表示不發生。條件概率用以表示貝葉斯網絡中各節點的相關程度，以下表格包含了每個節點與其他節點之間存在依賴關系的所有條件概率

。

由計算概率可得，最有可能引發出口壓力過高故障的原因是氣質雜質沖擊閥芯造成閥口處泄漏。并確定故障節點定位順序為

→

→

，即當調壓器發生出口壓力過高故障時，檢修人員應按照氣質雜質沖擊閥芯造成閥口處泄漏→密封件破損老化→指揮器故障順序進行檢修。

② 出口壓力過低故障

在出口壓力過低發生條件下各故障原因發生的計算概率、統計概率、概率變化見圖4。

由計算概率可得，最有可能引發出口壓力過低故障的原因是指揮器故障。確定故障節點定位順序為

→

→

→

，即當調壓器發生出口壓力過低故障時，檢修人員應按照指揮器故障→閥筒壁氣蝕損傷→皮膜破損→調壓站進口段的過濾器發生堵塞順序進行檢修。

③ 喘振故障

在喘振發生條件下各故障原因發生的計算概率、統計概率、概率變化見圖5。

由計算概率可得，最有可能引發喘振故障的原因是指揮器故障。并確定故障節點定位順序為

→

→

，即當調壓器發生喘振故障時，檢修人員應按照指揮器故障→法蘭盤螺栓螺母松動→信號管安裝故障順序進行檢修。

今后，隨著技術的發展，在諧波源處設置諧波與無功的綜合治理設備，可使得治理措施更具目標性和針對性，保證地鐵電網的可靠性，確保地鐵的安全運行。

④ 關閉不嚴故障

當前，鄭州市正在全面建設創新型、服務型、國際化、現代化大都市和都市型現代農業，打造中原經濟區核心增長區，努力發揮在中原經濟區建設中的龍頭作用、重心作用和示范帶頭作用，這對鄭州市農田水利現代化建設提出了新的更高要求，也是鄭州市農田水利自身向更高水準、更新階段發展的需要。

在關閉不嚴發生條件下各故障原因發生的計算概率、統計概率、概率變化見圖6。

傳統清蒸稻殼的方法，不經除雜處理，土、砂、稻草、麻繩頭、玻璃繩等大小雜質還在其中，而經過除雜再清蒸的清潔化稻殼中這些雜質除掉了90%以上，肉眼觀察沒有可見雜質，稻殼的蓬松度也增大。

由計算概率可得，最有可能引發關閉不嚴故障的原因是閥口或者閥筒磨損。并確定故障節點定位順序為

→

，即當調壓器發生關閉不嚴故障時，檢修人員應按照閥口或者閥筒磨損→指揮器故障順序進行檢修。

后面集中出示藥材名稱，引導學生去讀文了解藥性和作用，從而把“在古寺里做了什么”這個問題很好地解決了。這樣，文章的主要脈絡在組塊出現的詞語中慢慢顯露出來了。

⑤ 小結

概率變化總體在30%以內，說明概率變化在可控范圍內，同時也說明計算概率的準確度高。

5 結果驗證

為驗證參數學習優化的概率分布準確性，選取某燃氣公司多個次高壓站及高壓站的檢修統計臺賬與檢測報告單。主要檢修內容包括：法蘭水線、信號管接頭、彈簧檢查、閥筒檢查、進出口端耐磨環及密封圈、筒壁氣蝕刮痕等；主要控制數據包括：入口壓力、出口壓力、調節閥開度、流量記錄等。

總結多個次高壓調壓站及高壓調壓站調壓器檢修維護臺賬記錄及歷史故障拆解檢測記錄，結合構建的貝葉斯網絡拓撲結構，進行調壓器故障表征歸類及故障原因統計，見表6。

由表6可以看出，實際案例故障統計與計算概率總體一致，反映了參數學習優化貝葉斯網絡的正確性。

6 結論及展望

① 當調壓器發生出口壓力過高故障時，檢修人員應按照氣質雜質沖擊閥芯造成閥口處泄漏→密封件破損老化→指揮器故障順序進行檢修。

② 當調壓器發生出口壓力過低故障時，檢修人員應按照指揮器故障→閥筒壁氣蝕損傷→皮膜破損→調壓站進口段的過濾器發生堵塞順序進行檢修。

總之，在綜合實踐教學中，只要預防和究其原因進行解決，學生就能夠成功并成長，教師也能因此獲得經驗并促進教學的發展。

③ 當調壓器發生喘振故障時，檢修人員應按照指揮器故障→法蘭盤螺栓螺母松動→信號管安裝故障順序進行檢修。

蘇長河趕緊穿上牛頭短褲，想進屋問問柳紅發生什么事了，但他還是沒敢走進去。他搬了長條凳和竹榻，在院子里將竹榻架好；然后又搬了竹椅子和小腳凳，放在竹榻邊；小腳凳上放了他的“大前門”香煙和火柴，還有一把大茶壺——蘇石從城里買來送給他的。熱水瓶放在小腳凳旁邊。他坐下來，抽上一根煙，就像往常一樣靜靜地坐在自家院子里乘涼。與往日不同的是，他豎起耳朵，全神貫注地捕捉著屋里的動靜。

④ 當調壓器發生關閉不嚴故障時，檢修人員應按照閥口或者閥筒磨損→指揮器故障順序進行檢修。

⑤ 由于貝葉斯網絡模型的強大學習能力，且不依賴于數據完備性，所以輸入訓練數據集，并采用EM算法進行參數學習后，可以對原模型進行較為準確的調整和優化。參數學習既規避了無條件相信專家知識的片面性，也很好地給未來不需要固定網絡結構和條件概率的模型自學習打下基礎，對于缺少故障案例的高中壓燃氣調壓器故障診斷具有實用意義。

[1] 潘繼平，楊麗麗，王陸新，等. 新形勢下中國天然氣資源發展戰略思考[J]. 國際石油經濟,2017(6): 12-18.

[2] 傅娟. 燃氣管道在線焊接條件及熱工特性模擬(碩士學位論文)[D]. 哈爾濱:哈爾濱工業大學,2011:5-10.

[3] 李琪，郝學軍. ARIMA模型在燃氣調壓器故障診斷的應用[J]. 煤氣與熱力, 2019(10)：B07-B12.

[4] 張慧瑩，寧媛，邵曉非. 機器學習中的貝葉斯網絡及其推理分析[J]. 現代機械,2012(2):91-94.

[5] PEARL J. Fusion，propagation，and structuring in belief networks[J]. Artificial Intelligence,1986(3):241-288.

[6] 雷江南. 貝葉斯網絡參數學習算法研究與實現(碩士學位論文)[D]. 西安:西安電子科技大學,2018:23-29.

[7] 張連文，郭海鵬. 貝葉斯網引論[M]. 北京:科學出版社,2006:17-39.

[8] 裴迪. 基于貝葉斯網絡的貨車空氣制動系統故障診斷研究(碩士學位論文)[D]. 北京:北京交通大學,2018:42-59.