基于融合模糊推理的關鍵設備運行安全評價

陳 濤 ，徐小力 ，王立勇

（1.北京信息科技大學 機電系統測控北京市重點實驗室，北京 100192；2.北京信息科技大學 現代測控技術教育部重點實驗室，北京 100192）

生產中的關鍵設備如發動機、壓縮機、風機等一旦發生故障，不僅會影響工業生產過程造成巨大經濟損失，甚至會引發重大生產事故危及生產人員的生命安全，因此保障關鍵設備的安全運行是一個重要的科學問題。

在保障設備的安全運行中，對設備的安全評價，至今為止還沒能找到對所有設備都適用的判斷標準。一般情況下，判斷標準可以由領域專家、工程技術人員經過對機組運行情況進行一定的了解給出合理值。如旋轉機械ISO2372和ISO3945標準規定了大型旋轉機械振動烈度的相關評定[1-2]。而對于往復機械，美國石油學會制定了API-618和API-11P標準[3]，ISO10816-3規定了壓縮機的軸振動標準。但是，這些標準關于設備安全評價的指標大都基于單一參數。由于關鍵設備一般結構復雜，并且關鍵設備各零部件間的噪聲相互干擾，使得其運行安全性能評價困難增大[4]。因此本文考慮多信息融合的安全性能評價，提出基于多元信息模糊推理的評價方法。

1 多元信息主成分特征融合

1.1 多元信息融合

信息融合可以對不同類型信息或多個傳感器的信息進行融合處理，消除多元信息間可能存在的冗余，降低不確定性[5]。主成分分析是一種多元信息融合算法，可以在力保數據信息丟失最小的原則下，對多元信息進行最佳綜合簡化。近年來被廣泛地運用于計算機等領域。主成分分析通過投影矩陣將多個變量化為少數相互正交的幾個綜合指標，可以用較少的新變量代替原來較多的變量達到特征降維融合的目的。在特征融合中，由于提取出的多維故障敏感特征量綱不同，需要進行標準化處理，即對每一個特征分量作標準化處理，有效減少數據量綱對故障特征提取的影響。對構造的故障敏感特征矩陣 Xm×n（xij）（n 表示運行狀態個數；m 表示特征個數）進行標準化處理，得到 Am×n（aij），其中，

利用標準化后的矩陣A計算反映了多維特征間關系的協方差矩陣C為

對協方差矩陣進行特征分解，構造融合故障特征。融合故障特征的確定應考慮兩方面的因素，即原始測量數據維數的降低和原始測量數據信息的丟失。融合特征個數的選取直接影響到設備安全性能評價的效果，利用累積貢獻率法選擇融合故障特征的個數，取累積貢獻率足夠大時的前k個特征向量u1，u2，…，uk（k＜＜m）作為主成分，實現故障特征的降維融合。

1.2 基于模糊推理的安全性能評價

得到融合特征后，根據融合故障特征的模糊不確定性，進行模糊化處理，得到表征安全性能的模糊隸屬度；構造模糊推理的mass函數；利用推理規則對融合的故障特征進行安全性能評價。評價步驟如下：

步驟1構建模糊隸屬度函數，將融合故障特征模糊映射到［0，1］內。由于往復壓縮機故障特征具有模糊性，為了更好地進行安全性能評價，根據故障特征對設備安全性能評價貢獻的特點，構建式（5）所示的隸屬度函數進行模糊映射，數值越大表示的故障隸屬程度越大[6-7]。

步驟2構造模糊推理的mass函數。在模糊推理中應用D-S證據理論方法進行推理。D-S證據理論是Beyes決策檢驗法的推廣，比概率論滿足更弱的公理系統，在區分不確定方面顯示了很大的靈活性[8-9]。模糊推理安全性能評價以mass函數為基礎，設Θ是一個識別框架，在識別框架Θ上的基本概率分配是一個的函數 m，被稱為 mass函數，且滿足

根據隸屬度構造基本概率賦值mass函數m（ f（x））為

根據模糊隸屬度構造mass函數，解決了如何在大限度保留了故障特征的不確定性前提下確定mass函數的難題。

步驟3利用推理規則對融合的故障特征進行安全性能評價。確定mass函數后，根據推理規則進行安全性能評價。因融合故障特征通過主成分分析得到，各融合故障特征彼此正交，無交集，故表征設備運行安全性能參數p（A）計算如下，數值越大設備運行安全性能越差：

根據p（A）的數值對設備的安全運行狀態進行評價，以方便設備的管理維修人員決策故障風險，采取相應的維修策略。表1所示為p（A）與設備運行狀態之間的對應關系。

表1 p（A）與設備運行狀態對應關系Tab.1 Correspondence between p（A）and equipment running status

2 安全性能評價測試

2.1 評價流程

以工業現場的某往復壓縮機為例，進行安全性能評價測試。面向往復壓縮機的安全性能評價過程如圖1所示，為更好地進行評價，采集振動、溫度、壓力等多元數據，計算多維故障敏感特征。

圖1 安全性能評價流程Fig.1 Safety performance evaluation process

在評價中，多維故障敏感特征可以提供設備不同類型、不同部位的運行信息。

2.2 實例分析

取往復壓縮機3個缸6個測點進行性能評價，計算多維故障敏感特征，進行主成分分析，以累積貢獻率90%為限，選取前3個融合故障特征。表2所示為得到的融合故障特征。

表2 各采樣點對應的融合故障特征Tab.2 Corresponding fusion fault characteristics of the sampling point

對融合故障特征進行模糊處理，得到對應的模糊隸屬度，如表3所示。

表3 各融合故障特征對應的模糊隸屬度Tab.3 Corresponding fuzzy membership degree of the fusion fault characteristics

應用推理規則進行安全性能評價，表4所示為各融合故障特征對應的mass函數值和相應設備運行安全性能評價參數p（A）。

表4 Mass函數值和相應的評價Tab.4 Values of mass function and the corresponding evaluation

從表4看出缸1的測點1H和1C評價參數數值最大，結合表1中的對應關系，得出缸1的安全運行性能最差，安全性能在預警限和報警限之間，其余2個缸的運行安全性能良好。而工業現場實際為缸1的1H、1C氣閥發生了泄漏，其余各缸運行正常，基于多元信息融合的安全性能評價結論與工業現場所得結論一致。

3 結語

基于多元信息模糊推理的運行安全性能夠從設備運行數據提取融合故障特征，可以有效降低故障特征之間的相關性，減少故障特征的個數，比較客觀地評判設備運行安全性能。且該評價方法不需建立精確的解析模型，能夠避免關鍵設備結構復雜難以建立精確數學模型的難點；該評價方法充分利用了故障特征的模糊性進行評價，使得評價信息更全面、準確，能夠為設備故障診斷維修提供指導。

[1]貢文偉，徐桂芳.旋轉機械振動診斷標準研究[J].機械研究與應用，2001，14（3）：2-5.

[2]劉仲川.機械運行狀態監測與故障診斷的若干評價準則[J].設備管理與維修，1998（3）：30-31.

[3]李明悅，扈濱.往復壓縮機標準API-618、API-11P的異同點及其應用淺談[J].壓縮機技術，2011（1）：49-51.

[4]譚逢友，盧宏偉，劉成俊，等.信息融合技術在機械故障診斷中的應用[J].重慶大學學報：自然科學版，2006，29（1）：15-18.

[5]Snidaro L，García J，Llinas J.Context-based information fusion：a survey and discussion[J].Information Fusion，2015，25（9）：16-31.

[6]毛軍軍，李俠，吳濤.結合粗集模糊熵和PCA載荷陣改進的TOPSIS 方法[J].計算機工程與應用，2011（18）：56-59.

[7]閆凱，李峰，段禮祥.基于信息融合的往復壓縮機氣缸性能狀態模糊評定方法[J].壓縮機技術，2010（1）：10-13.

[8]Otman B，Yuan Xiaohong.Engine fault diagnosis based on multisensor information fusion using dempster-shafer evidence theory[J].Information Fusion，2007，8（4）：379-386.

[9]Yager R R，Alajlan N.Dempster-shafer belief structures for decision making under uncertainty[J].Knowledge-based Systems，2015，80（1）：58-66.