基于DS證據理論的精餾塔故障診斷方法

楊 帆 (武漢工程大學電氣信息學院；湖北省智能機器人重點實驗室，湖北 武漢 430073)

江 星，陳茂林，吳 迅，張 崗 (武漢工程大學電氣信息學院，湖北 武漢 430073)

基于DS證據理論的精餾塔故障診斷方法

楊 帆 (武漢工程大學電氣信息學院；湖北省智能機器人重點實驗室，湖北 武漢 430073)

江 星，陳茂林，吳 迅，張 崗 (武漢工程大學電氣信息學院，湖北 武漢 430073)

研究了一種基于多傳感器信息融合算法對精餾塔出現的故障進行診斷的方法。首先利用小波分析對精餾塔傳感器信號進行有效的濾波預處理，預處理后的數據送入BP神經網絡進行初級融合，然后將初級融合后的數據當作DS證據理論的證據對精餾塔故障進行診斷，由最終概率賦值結果可知最大可信度，則可以判斷故障的發生。仿真結果顯示該算法比單信息故障診斷能取得更準確、更可靠的診斷結果。

小波分析;BP神經網絡; DS證據理論; 故障診斷;信息融合

精餾塔的冶煉過程生產設備多，生產過程極其復雜，控制系統結構趨向于復雜化、大型化，自動化程度越來越高，系統的風險也越來越大，任何一處故障就極易引起鏈式反應，從而導致整個系統不能正常運行，致使產品質量、產量受到影響。輕則造成巨大的經濟損失，重則可能會產生災難性的人員傷亡和社會影響[1]。然而精餾塔參數變量之間相互關聯性強且具有高度的非線性，又因為設備結構復雜，所以利用單一或單類傳感器進行監控或故障診斷已不能滿足實際要求。現有的故障診斷方法大多采用單信息進行故障診斷，這樣的診斷結果往往并不可靠[2-4]。下面，筆者設計了基于小波分析和多傳感器信息融合的精餾塔故障診斷方法，能夠從多方面、多層次獲取生產對象數據，實現多傳感器信息融合故障診斷。首先將傳感器采集的塔板溫度、塔頂溫度和塔底溫度數據用小波分析法進行預處理，然后采取多傳感器信息融合的方法對精餾塔故障進行判斷，做出決策，再通過網絡返回控制信號并采取相應的控制操作，從而實現對精餾塔的狀態檢測和故障診斷。

1 系統診斷流程框圖

圖1 系統診斷流程框圖

整個系統診斷流程如下：現場塔板溫度、塔底溫度、塔內溫度等數據通過傳感器將精餾塔測點值送到數據預處理模塊中，同時數據預處理器利用小波分析法對采集到的傳感器數據進行預處理。預處理后的實時數據首先送到數據庫中和歷史數據作比較，如果處理后的數據和以前某個經人工確認后的歷史診斷數據相近，且其誤差在規定的范圍之內，就輸出本次的診斷結果，如果超出允許范圍，則需要進行故障診斷。診斷方法是將預處理后的數據送至BP神經網絡進行初級融合，再把結果當作證據送入到DS證據理論，從而形成完整的決策。診斷結果經確認后，神經網絡將更新數據庫，通過自學習，更新和完善故障的類型。系統流程框圖如圖1所示。

2 數據預處理

傳統傅里葉變換不能變化分辨率，而精餾塔內部多為非平穩信號，對于這些信號的線性時頻分析傳統傅里葉變換有很大局限性，而小波分析具有良好的時頻局部性，它對非平穩信號的處理提供了強大的工具[5-6]。非平穩信號的不同頻率成分通過小波變換后設置成不同分辨率，為信號的弱信號特征提取、信噪分離、濾波提供了有效的途徑。筆者利用小波分析的方法對傳感器信號進行預處理，對采集到的塔板溫度、塔頂溫度、塔底溫度信號進行有效的濾波，從而精確的測量到這些數據。

小波變換如下：

(1)

式中，ψ(t)為基小波函數；a為作用尺度；τ為時移；x(t)為待分析信號。

給ψ(t)乘以時頻因子ejω0t，小波變換的式子如下：

(2)

(3)

將小波函數離散化，表示為：

ψj,k(t)=2j/2ψ(2jt-k)

(4)

進而得到離散小波變換：

Wf(j,k)=(f(t),ψj,k(t))

(5)

然后利用小波閾值函數濾波方法進行消噪。將處理后的數據送入BP神經網絡進行初級融合。

3 結合BP神經網絡與DS證據理論的多傳感器信息融合算法

圖2 訓練后的誤差曲線圖

BP神經網絡能夠處理多源信息。信息融合方法中DS證據理論對不確定信息有很強大的表達能力, 算法條理簡單明確、證據理論的基礎理論充實,不用基于先驗概率之上,不僅可以避免因模糊性造成的不確定性，還可以避免因隨機性所造成的證據的不確定性[7-8]。綜合證據理論和神經網絡的優點，設計了一種基于BP神經網絡與DS證據理證的多傳感器信息融合算法：首先從現場獲得數據,然后進行信息處理,再利用神經網絡進行初級融合,最后把結果當作證據輸入到證據理論,從而完成整體的故障診斷的決策。

4 仿真試驗

利用BP算法對精餾塔故障進行仿真。樣本集[9]選取15個特征信號作為精餾塔故障信號，故障類型有3種，所以輸入層神經元數目為3個。試驗后得出的隱含層數目為6個。圖2為經過訓練后的訓練誤差曲線圖。

由圖2可知經過50次左右的訓練可取得良好的誤差曲線。將經過BP神經網絡初級融合后的數據送入DS證據理論中。將其融合后的結果賦給基本概率分配函數進行計算，即：

(6)

m(ωi)(1≤i≤C)表示其相應信度函數的基本可信度。

再將其作為證據通過證據組合法則進行組合，一旦某一信任函數達到設定的門限，即：

Bel(ωj)=arg max(Bel(ωi))>Bt

(7)

這時系統能夠做出決策。其中，ωj?Ω，Bel函數叫做信任函數或者下限函數，表示對ωj的全部信任，其中Bt為全部門限。

在精餾塔故障診斷中應用信息融合的方法,首先將由塔板溫度、塔頂溫度、塔底溫度傳感器獲得的信息進行處理,然后BP神經網絡對處理后的傳感器信息進行初級融合,再將不同時刻的3種傳感器的識別結果進行融合,這樣一步一步地融合下去,直到信任程度達到所設定的門限為止。如果此時基本概率賦值達到最高值，則此時診斷出了某故障。筆者在原有數據庫[10]的基礎上，根據其中5個周期的數據的匹配結果做出初步判斷，獲得了與目標相似度大于某一閾值的目標類型的集合Ω={S1,S2,S3},S1表示T>350℃，S2表示T<100℃,S2表示100℃

表1 第1時刻基本概率賦值

表2 第2時刻基本概率賦值

表3 最終概率賦值

按照DS證據理論的融合性質計算融合后所得到的基本概率賦值，如表3所示。 從表3可以看出，S1有最大可信度0.9264，則選取S1作為最終識別結果。融合結果是目標類型1，此時的溫度大于350℃，則此時出現了故障，需采取保護措施。

5 結 語

利用小波分析結合BP神經網絡與DS證據理論提出了一種對精餾塔故障的診斷方法。仿真與數據結果顯示S1的最大可信度為0.9264，表明該算法基本能夠準確的識別出精餾塔出現的故障，上述信息融合方法對精餾塔的故障診斷有著較好的決策作用。如果不斷的增加數據庫中的診斷結果，增加BP網絡的訓練次數，進行自學習，可以得到更準確可靠的診斷結果。

[1]由宏君.精餾塔的故障診斷方案設計[J].貴州化工，2004， 29 (2)：37-39.

[2]楊帆，唐路，肖貝，等.BP改進算法在提高傳感器測量精度方面的應用[J]. 武漢理工大學學報，2010，32(2):90-92.

[3]吉旭，朱立嘉，范云峰，等.基于知識管理的精餾塔智能化控制模型[J].高校化工工程學報，2006, 20(4):628-633.

[4]池紅衛. 基于信息融合策略的化工過程故障智能診斷系統的研究[J]. 化工進展, 2004, 23(2):202-204.

[5] Newland D E.Harmonic wavelet analysis[J].Proceedings of the Royal Society of London :A，1993,443(10):203-205.

[6] 張玉蓮,趙玉成,許慶余.諧波小波在信號濾波中的應用[J]. 強度與環境,2000(2)：29-33.

[7]楊帆，劉暢.基于DS證據理論的多傳感器目標識別應用[J]. 武漢工程大學學報，2009，31( 1 )：88-90.

[8]何友，彭應寧，陸大琻. 多傳感器數據融合模型綜述[J]. 清華大學學報(自然科學版)，1996，36(9): 14-20.

[9]李健.精餾塔機理-神經網絡混合建模的研究[D].南寧：廣西大學，2007.

[10] Wang X Z, McGreavy C. Automatic classification for mining process operational data[J]. Industrial and Engineering Chemistry Research, 1998, 37: 2215-2222.

2013-07-13

湖北省自然科學基金項目(2010CDB11101)。

楊 帆(1966-)，女，碩士，教授，現主要從事智能儀器與測控技術方面的教學與研究工作。

TN95

A

1673-1409(2013)28-0060-03

[編輯] 洪云飛