基于改进的证据更新工业过程故障诊断研究

工业生产过程运行中，由于设备或人为等因素常常会出现一些故障，会严重影响产品质量甚至对人身安全造成危害。传统的更新方法的缺点在于过度依赖于当前证据的作用，而忽略了历史证据的作用。本文通过对原始证据更新规则进行改进，提出了改进的证据更新规则的动态故障诊断算法^[1-5]，应用到硝酸生产装置故障诊断系统中，确定自动生产装置故障的辨识框架并生成诊断证据，诊断证据进行动态的实时更新，将更新融合后的证据进行故障决策^[6]，并与目前广泛使用的原始证据理论和原始单独模糊推理进行分析对比，探讨改进的证据更新规则的动态故障诊断算法的优势。本文利用证据更新，对历史证据进行实时更正，从而得到更全面可靠的决策。该方法在智能性、实时性和精确性方面对工业生产装置的故障诊断效果都得到了有效的提高。

1 故障分析

以稀硝酸生产过程系统为例，稀硝酸生产过程系统非常复杂，通过对逻辑控制关系和系统分析得到7个已知故障和5个故障特征参数，从而进行故障特征参数和故障模式分析。稀硝酸生产过程系统故障特征参数及故障模式如表1所示。

故障诊断数据是采集系统的气氨流量值、氨空比值、工艺水流量值、入出口压力值，按照故障模式对稀硝酸生产过程系统进行分析。共提取可检测信号98项，根据提取的故障数据找出故障。

2 辨识框架的生成

3 改进的诊断证据更新过程

3.1 更新规则的建立

改进的全部更新过程如图1所示。

改进的证据更新规则具有实时性和证据的可信性，更新结果既与当前证据有关，也与历史证据有关，利用当前证据来更新先前所获取的故障诊断证据，完成了历史证据与当前证据的信息整合，解决了模糊理论的缺陷问题，完全适用于动态的故障诊断情况。

3.2 故障决策

故障诊断的关键一步是故障决策[7-10]。首先需要Pignistic变换，是在更新后k+1时刻进行变换，故障决策是根据基本置信度转换成Pignistic函数来进行的^[11-16]。首先采集故障特征的在线监测值x₁，x₂，…，x_n，通过改进的证据更新规则来获取更新后的诊断证据，再经过Pignistic变换得出概率值。

Pignistic概率函数为：

4 故障诊断实验分析

动态故障诊断分析以生产稀硝酸为例，构造出模糊规则总数为1 247个，生产稀硝酸的故障特征参数模糊语言集如下：

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

通过采集稀硝酸生产过程系统故障特征参数的在线监测值，分析并计算在新型模糊推理规则下故障特征参数的实时监测值所属的模糊语言的项置信度。利用0时刻的稀硝酸生产过程系统故障特征参数在线监测值，确定一条前项模糊规则，再经过新型模糊推理获得此刻的故障诊断证据。稀硝酸生产过程系统故障特征参数的在线监测值及被选中的语言项归一化置信度如表3所示。

因为有5种故障特征参数，则共有32种组合，即JNR=32条规则，从而得到特征参数监测值所选模糊规则前项如表4所示(部分数据)。特征参数监测值所选模糊规则后项如表5所示(部分数据)。根据改进的证据更新规则得出Pignistic概率值和k=1时刻的诊断证据如表6和表7所示。

最后根据故障决策准则做出故障诊断，在K=1时刻故障Y₇发生，经过实验诊断分析结果与设定的故障模式一致。对诊断结果的进行对比分析，根据稀硝酸生产过程系统状态值采样给出900个采样数据点，每个故障有100个采样点经过模糊神经网络训练，根据稀硝酸生产过程系统的已知在线诊断获得245个测试数据，经过原始证据理论、模糊推理和改进型证据更新规则3种方法对比，测试结果如表8所示。

从故障诊断结果的对比分析可以看出，改进的证据更新规则在工业生产动态故障诊断领域中具有更好的应用优势，并发挥了重要作用。

5 结论

本文提出的改进的证据更新规则的动态故障诊断算法在工业领域解决了动态的故障诊断的问题。新型的模糊推理和原始的模糊推理相比较，其推理结果更加精确，确保了证据更新的实时性，进而确保了诊断结果的实时性。通过检测系统的实时运行状态可以全面反映实际工况，给出各部件的维修建议，达到故障诊断的目的，体现了人工智能故障诊断在工业生产中的重要作用。利用证据更新对历史证据进行实时更正，从而得到更全面可靠的决策，来提高产品质量和经济效益，在人身安全方面也有了更好的保障。

参考文献

[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] 宋晓静.基于证据理论的工业报警器设计方法研究[D].杭州：杭州电子科技大学，2012.

[4] 史健.基于证据理论的动态融合方法研究[D].杭州：杭州电子科技大学，2012.

[5] 王玉成.冲突证据的相似性度量方法及其在信息融合故障诊断中的应用[D].杭州：杭州电子科技大学，2011.

[6] 张镇.基于证据推理与更新规则的动态融合方法及其应用研究[D].杭州：杭州电子科技大学，2016.

[7] 徐晓滨，张镇，李世宝，等.基于诊断证据静态融合与动态更新的故障诊断方法[J].自动化学报，2016，42(1)：107-108.

[8] 董炜，陈卫征，徐晓滨，等.基于模糊区间优化的模糊推理故障诊断方法[J].北京工业大学学报，2012，38(12)：1905-1912.

[9] 吴祎，周强，吴文军，等.动态辨识框架下条件证据更新的故障检测方法[J].计算机应用研究，2015，32(8)：2370-2373.

[10] 柳新军，张东来，李安寿，等.基于BIT技术的PCU故障诊断和性能监测系统[J].电子技术应用，2019，45(5)：34-37.

[11] 宋玉琴，朱紫娟，姬引飞.基于粗糙集优化的信息融合故障诊断系统[J].电子技术应用，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:

朱玉华，曲萍萍

(沈阳工业大学 化工过程自动化学院，辽宁 辽阳111003)