0 引言

    工業(yè)生產(chǎn)過程運(yùn)行中，由于設(shè)備或人為等因素常常會(huì)出現(xiàn)一些故障，會(huì)嚴(yán)重影響產(chǎn)品質(zhì)量甚至對(duì)人身安全造成危害。傳統(tǒng)的更新方法的缺點(diǎn)在于過度依賴于當(dāng)前證據(jù)的作用，而忽略了歷史證據(jù)的作用。本文通過對(duì)原始證據(jù)更新規(guī)則進(jìn)行改進(jìn)，提出了改進(jìn)的證據(jù)更新規(guī)則的動(dòng)態(tài)故障診斷算法^[1-5]，應(yīng)用到硝酸生產(chǎn)裝置故障診斷系統(tǒng)中，確定自動(dòng)生產(chǎn)裝置故障的辨識(shí)框架并生成診斷證據(jù)，診斷證據(jù)進(jìn)行動(dòng)態(tài)的實(shí)時(shí)更新，將更新融合后的證據(jù)進(jìn)行故障決策^[6]，并與目前廣泛使用的原始證據(jù)理論和原始單獨(dú)模糊推理進(jìn)行分析對(duì)比，探討改進(jìn)的證據(jù)更新規(guī)則的動(dòng)態(tài)故障診斷算法的優(yōu)勢(shì)。本文利用證據(jù)更新，對(duì)歷史證據(jù)進(jìn)行實(shí)時(shí)更正，從而得到更全面可靠的決策。該方法在智能性、實(shí)時(shí)性和精確性方面對(duì)工業(yè)生產(chǎn)裝置的故障診斷效果都得到了有效的提高。

1 故障分析

    以稀硝酸生產(chǎn)過程系統(tǒng)為例，稀硝酸生產(chǎn)過程系統(tǒng)非常復(fù)雜，通過對(duì)邏輯控制關(guān)系和系統(tǒng)分析得到7個(gè)已知故障和5個(gè)故障特征參數(shù)，從而進(jìn)行故障特征參數(shù)和故障模式分析。稀硝酸生產(chǎn)過程系統(tǒng)故障特征參數(shù)及故障模式如表1所示。

    故障診斷數(shù)據(jù)是采集系統(tǒng)的氣氨流量值、氨空比值、工藝水流量值、入出口壓力值，按照故障模式對(duì)稀硝酸生產(chǎn)過程系統(tǒng)進(jìn)行分析。共提取可檢測(cè)信號(hào)98項(xiàng)，根據(jù)提取的故障數(shù)據(jù)找出故障。

2 辨識(shí)框架的生成

3 改進(jìn)的診斷證據(jù)更新過程 

3.1 更新規(guī)則的建立

    改進(jìn)的全部更新過程如圖1所示。

    改進(jìn)的證據(jù)更新規(guī)則具有實(shí)時(shí)性和證據(jù)的可信性，更新結(jié)果既與當(dāng)前證據(jù)有關(guān)，也與歷史證據(jù)有關(guān)，利用當(dāng)前證據(jù)來更新先前所獲取的故障診斷證據(jù)，完成了歷史證據(jù)與當(dāng)前證據(jù)的信息整合，解決了模糊理論的缺陷問題，完全適用于動(dòng)態(tài)的故障診斷情況。

3.2 故障決策 

    故障診斷的關(guān)鍵一步是故障決策[7-10]。首先需要Pignistic變換，是在更新后k+1時(shí)刻進(jìn)行變換，故障決策是根據(jù)基本置信度轉(zhuǎn)換成Pignistic函數(shù)來進(jìn)行的^[11-16]。首先采集故障特征的在線監(jiān)測(cè)值x₁，x₂，…，x_n，通過改進(jìn)的證據(jù)更新規(guī)則來獲取更新后的診斷證據(jù)，再經(jīng)過Pignistic變換得出概率值。

    Pignistic概率函數(shù)為：

4 故障診斷實(shí)驗(yàn)分析 

    動(dòng)態(tài)故障診斷分析以生產(chǎn)稀硝酸為例，構(gòu)造出模糊規(guī)則總數(shù)為1 247個(gè)，生產(chǎn)稀硝酸的故障特征參數(shù)模糊語(yǔ)言集如下：

    U₁=(A_1，1，A_1，2，A_1，3，A_1，4，A_1，5，A_1，6，_A1，7)，j=7

    U₂=(A_2，1，A_2，2，A_2，3，A_2，4，A_2，5，A_2，6，A2_，7)，j=7

    U₃=(A_3，1，A_3，2，A_3，3，A_3，4，A_3，5，A_3，6)，j=6

    U₄=(A_4，1，A_4，2，A4_，3，A4，4，A_4，5，A_4，6，A_4，7，A_4，8)，j=8

    U₅=(A_5，1，A_5，2，A_5，3，A_5，4，A_5，5，A_5，6，A_5，7，A_5，8)，j=8

    通過采集稀硝酸生產(chǎn)過程系統(tǒng)故障特征參數(shù)的在線監(jiān)測(cè)值，分析并計(jì)算在新型模糊推理規(guī)則下故障特征參數(shù)的實(shí)時(shí)監(jiān)測(cè)值所屬的模糊語(yǔ)言的項(xiàng)置信度。利用0時(shí)刻的稀硝酸生產(chǎn)過程系統(tǒng)故障特征參數(shù)在線監(jiān)測(cè)值，確定一條前項(xiàng)模糊規(guī)則，再經(jīng)過新型模糊推理獲得此刻的故障診斷證據(jù)。稀硝酸生產(chǎn)過程系統(tǒng)故障特征參數(shù)的在線監(jiān)測(cè)值及被選中的語(yǔ)言項(xiàng)歸一化置信度如表3所示。

    因?yàn)橛?種故障特征參數(shù)，則共有32種組合，即JNR=32條規(guī)則，從而得到特征參數(shù)監(jiān)測(cè)值所選模糊規(guī)則前項(xiàng)如表4所示(部分?jǐn)?shù)據(jù))。特征參數(shù)監(jiān)測(cè)值所選模糊規(guī)則后項(xiàng)如表5所示(部分?jǐn)?shù)據(jù))。根據(jù)改進(jìn)的證據(jù)更新規(guī)則得出Pignistic概率值和k=1時(shí)刻的診斷證據(jù)如表6和表7所示。

    最后根據(jù)故障決策準(zhǔn)則做出故障診斷，在K=1時(shí)刻故障Y₇發(fā)生，經(jīng)過實(shí)驗(yàn)診斷分析結(jié)果與設(shè)定的故障模式一致。對(duì)診斷結(jié)果的進(jìn)行對(duì)比分析，根據(jù)稀硝酸生產(chǎn)過程系統(tǒng)狀態(tài)值采樣給出900個(gè)采樣數(shù)據(jù)點(diǎn)，每個(gè)故障有100個(gè)采樣點(diǎn)經(jīng)過模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練，根據(jù)稀硝酸生產(chǎn)過程系統(tǒng)的已知在線診斷獲得245個(gè)測(cè)試數(shù)據(jù)，經(jīng)過原始證據(jù)理論、模糊推理和改進(jìn)型證據(jù)更新規(guī)則3種方法對(duì)比，測(cè)試結(jié)果如表8所示。

    從故障診斷結(jié)果的對(duì)比分析可以看出，改進(jìn)的證據(jù)更新規(guī)則在工業(yè)生產(chǎn)動(dòng)態(tài)故障診斷領(lǐng)域中具有更好的應(yīng)用優(yōu)勢(shì)，并發(fā)揮了重要作用。

5 結(jié)論

    本文提出的改進(jìn)的證據(jù)更新規(guī)則的動(dòng)態(tài)故障診斷算法在工業(yè)領(lǐng)域解決了動(dòng)態(tài)的故障診斷的問題。新型的模糊推理和原始的模糊推理相比較，其推理結(jié)果更加精確，確保了證據(jù)更新的實(shí)時(shí)性，進(jìn)而確保了診斷結(jié)果的實(shí)時(shí)性。通過檢測(cè)系統(tǒng)的實(shí)時(shí)運(yùn)行狀態(tài)可以全面反映實(shí)際工況，給出各部件的維修建議，達(dá)到故障診斷的目的，體現(xiàn)了人工智能故障診斷在工業(yè)生產(chǎn)中的重要作用。利用證據(jù)更新對(duì)歷史證據(jù)進(jìn)行實(shí)時(shí)更正，從而得到更全面可靠的決策，來提高產(chǎn)品質(zhì)量和經(jīng)濟(jì)效益，在人身安全方面也有了更好的保障。

參考文獻(xiàn)

[1] KULASEKERE E C，PREMARATNE K，DEWASURENDRA D A，et al.Conditioning and updating evidence[J].International Journal of Approximate Reasoning，2004，36(1)：75-108.

[2] DEMPSTER A P.Upper and lower probabilities induced by a multivalued mapping[J].The Annals of Mathematical Statistics，1967，38(2)：325-339.

[3] 宋曉靜.基于證據(jù)理論的工業(yè)報(bào)警器設(shè)計(jì)方法研究[D].杭州：杭州電子科技大學(xué)，2012.

[4] 史健.基于證據(jù)理論的動(dòng)態(tài)融合方法研究[D].杭州：杭州電子科技大學(xué)，2012.

[5] 王玉成.沖突證據(jù)的相似性度量方法及其在信息融合故障診斷中的應(yīng)用[D].杭州：杭州電子科技大學(xué)，2011.

[6] 張鎮(zhèn).基于證據(jù)推理與更新規(guī)則的動(dòng)態(tài)融合方法及其應(yīng)用研究[D].杭州：杭州電子科技大學(xué)，2016.

[7] 徐曉濱，張鎮(zhèn)，李世寶，等.基于診斷證據(jù)靜態(tài)融合與動(dòng)態(tài)更新的故障診斷方法[J].自動(dòng)化學(xué)報(bào)，2016，42(1)：107-108.

[8] 董煒，陳衛(wèi)征，徐曉濱，等.基于模糊區(qū)間優(yōu)化的模糊推理故障診斷方法[J].北京工業(yè)大學(xué)學(xué)報(bào)，2012，38(12)：1905-1912.

[9] 吳祎，周強(qiáng)，吳文軍，等.動(dòng)態(tài)辨識(shí)框架下條件證據(jù)更新的故障檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用研究，2015，32(8)：2370-2373.

[10] 柳新軍，張東來，李安壽，等.基于BIT技術(shù)的PCU故障診斷和性能監(jiān)測(cè)系統(tǒng)[J].電子技術(shù)應(yīng)用，2019，45(5)：34-37.

[11] 宋玉琴，朱紫娟，姬引飛.基于粗糙集優(yōu)化的信息融合故障診斷系統(tǒng)[J].電子技術(shù)應(yīng)用，2015，41(8)：143-145，148.

[12] OUKHELLOU L，DEBIOLLES A，DENCEUX T，et al.Fault diagnosis in railway track circuits using dempster-shafer classifier fusion[J].Engineering Applications of Artificial Intelligence，2010，23(1)：116-123.

[13] ZHANG Q H，HU Q，SUN G X，et al.Concurrent fault diagnosis for rotating machinery based on vibration sensors[J].International Journal of Distributed Sensor Networks，2013，75(8)：93-102.

[14] UX B，ZHOU Z，WEN C L.Data fusion algorithm of fault diagnose considering sensor measurement uncertainty[J].International Journal on Smart Sensing and Intelligent Systems，2013，6(1)：170-190.

[15] WEN C L，XU X B，LI Z L.Research on unified description and extension of combination rules of evidence based on random set theory[J].Chinese Journal of Electronics，2008，17(2)：279-284.

[16] DUBOIS D，PRADE H.Updating with belief funcations, ordinal conditional functions and possibility measure[C].Proceedings of the 6th Annual Conference on Uncertainty in Artificial Intelligence，Cambridge，Amsterdam：Elsevier Science，1990：311-329.

作者信息:

朱玉華，曲萍萍

(沈陽(yáng)工業(yè)大學(xué) 化工過程自動(dòng)化學(xué)院，遼寧 遼陽(yáng)111003)