特征指標信息融合的電動調節閥故障診斷

王印松 王玨

摘要：調節閥作為控制系統的重要組成部分，它的故障診斷對于指導控制過程安全穩定地運行至關重要。為提高故障診斷的精確率，解決電動調節閥不同故障間可能存在相互關聯的問題，提出一種基于特征指標信息融合的診斷方法。利用電動調節閥可測變量間的關系，計算能夠反映電動調節閥不同故障特點的指標，并建立與之對應的神經網絡;然后將每個神經網絡的輸出看作獨立的證據體進行D-S證據融合，得到最終的診斷結果。實驗結果及現場分析表明：該方法充分利用數據的有效信息，從不同側面對故障進行診斷，能夠有效地應用于電動調節閥的故障診斷，具有較高的應用價值。

關鍵詞：故障診斷;電動調節閥;D-S證據理論;神經網絡;特征指標

中圖分類號：TP273 文獻標志碼：A 文章編號：1674-5124（2019）09-0006-07

收稿日期：2019-03-25;收到修改稿日期：2019-04-18

基金項目：國家自然基金聯合基金項目（U1709211）

作者簡介：王印松（1967-），男，河北河間市人，教授，博士，研究方向為先進控制策略和控制系統故障診斷技術。

0 引言

近年來，隨著新型工業化進程的復雜化和智能化，工業控制系統往往具有非線性和不確定性的特點。調節閥作為整個控制系統的執行終端部件，對控制系統品質的優劣具有很大的影響;但由于使用環境較為惡劣，調節閥容易出現多種故障[1]。據統計，調節閥的故障占到控制系統總故障的三分之一以上，更重要的是，由于閉環控制系統的反饋作用，調節閥的故障表現不明顯，它的故障往往被掩蓋。因此對調節閥故障診斷技術進行研究，提高故障診斷的準確率，對于保障控制過程安全穩定地運行具有重要意義。

調節閥作為工業過程控制系統的重要部件，目前已有較多國內外學者對調節閥的故障診斷開展了研究。現有的診斷方法主要分為基于解析模型、數據驅動和專家知識3類[2]，針對調節閥的故障診斷，Goncalves等[3]對調節閥開度、扭矩等相關信號進行小波包變換后，利用能量譜密度信息和自組織映射實現了對調節閥故障的檢測與診斷。Garcia等[4]提出了一種調節閥的集成故障診斷方法，將矩形擬合法、曲線擬合法、直方圖法和雙相關分析法進行集成，并根據可靠性指標選取其中最優的方法完成對調節閥故障的診斷。Hafaifa等[5]推導了調節閥位移信號對壓差信號的傳遞函數，并利用神經網絡對其時間常數及放大系數進行建模，對調節閥的故障進行分離，但為獲得精確的診斷結果，該方法往往需要大量的訓練樣本，而實際生產過程中，要獲取大量各種類型的故障樣本十分困難。郭勝輝等[6]提出了基于區間觀測器的方法，該方法需要考慮過程的數學模型，然而在實際中，過程模型往往難以獲取，這使得這種方法在實際應用上遇到巨大障礙。針對過程模型難以獲取這一問題，黃孝彬等[7]提出了一種基于執行機構部件信號分析的故障診斷方法，通過分析輸入信號和輸出信號的變化趨勢進行故障診斷，該方法不需要考慮過程模型且易于實現;但控制回路中的干擾因素，會對信號的變化趨勢產生影響，從而影響診斷效果。

結合上述問題，為提高調節閥故障診斷的準確率，本文以電動調節閥為例，提出了一種基于特征指標D-S證據融合的故障診斷方法。該方法提出了能夠反映調節閥信號趨勢的特征指標及計算方法，并將神經網絡與D-S證據理論進行結合，對不同指標反映的故障信息進行融合，得到最終的診斷結果。通過搭建雙容水箱系統模擬電動調節閥不同故障，驗證了該方法的有效性;并將該方法應用到火電機組主汽溫系統減溫水調節閥中，驗證了該方法的實用性。

1 電動調節閥工作原理及常見故障類型

1.1 電動調節閥工作原理

電動調節閥由電動執行機構和閥門兩部分構成，電動調節閥工作原理方框圖如圖1所示。

在電動調節閥中，輸入信號與位置發送器傳送的閥桿位移反饋信號進行比較后形成偏差信號，經伺服放大器放大后以驅動伺服電機的有效轉動，再經減速器減速，觸發閥桿動作以調節閥門開度[8]。

1.2 電動調節閥常見故障分析

調節閥的故障可以分為執行機構故障和閥體故障2類，通過對電動調節閥的常見故障進行分析，可以歸為偏差故障、增益故障、卡死故障、死區故障和粘滯故障這5類，它們各自的故障表現如表1所示。

2 調節閥各項特征指標的計算

在實際的生產過程中，調節閥的指令信號OP和閥位反饋信號MV都是可以直接測得的，因此本文采用的各項指標均可以通過這兩個信號計算得到。

1）電動調節閥基本偏差

基本偏差（Bias）指一段采樣時間內，閥位反饋信號與指令信號差值絕對值的平均：

其中n為采樣點個數。

2）電動調節閥基本增益

基本增益（Gain）指一段采樣時間內，閥位反饋信號與指令信號變化量比值的平均：

3）電動調節閥穩定度函數

穩定度函數（Steady）指調節閥指令信號穩定度因子與閥位反饋信號穩定度因子差值的絕對值。其中，穩定度因子（SF）是一種可以衡量某一信號波動狀態的函數[9]，計算公式如下：其中，SF_op、SF_mv分別為調節閥指令信號穩定度因子、閥位反饋信號穩定度因子;y_max、y_min、y_mean分別為一段時間內過程數據的最大值、最小值和平均值。

4）電動調節閥死區大小

死區大小（Dead）指調節閥輸入指令信號正反方向變化不引起閥門位置有任何可察覺變化的有限區間，計算公式如下：

Dead=|op_s+d-op_s|其中，s為調節閥指令信號開始發生變化的采樣時刻，d為指令信號變化不引起閥門位置變化的區間長度。

5）電動調節閥粘滯指標

調節閥動作過程中，由于閥桿靜摩擦等因素的存在，調節閥往往存在粘滯特性，當控制器輸出量的增量不足以克服摩擦力時，調節閥的位置保持不變。調節閥的粘滯特性如圖2所示，可以用4個階段來表示：AB-死區階段;BC-粘滯階段;CD-滑動跳躍階段：DE-連續運動階段[10]。

結合調節閥粘滯特性曲線圖，本文采用調節閥動態輸入-輸出特性的形狀檢測方法用于粘滯指標（Yama）的計算[11]。具體計算步驟如下：

a）對指令信號OP和閥位反饋信號MV分別求差分△OP、△MV，并對差分序列進行定性化處理，分為S（steady）、I（increase）、D（decrease）3種狀態。

b）建立OP-MV變化情況的模型，如IS表示此時OP信號狀態為I、MV信號狀態為S;ISII表示此時OP信號狀態為L，MV信號狀態為S，且下一時刻OP信號狀態為I、MV信號狀態為I。

c）計算各狀態的模型數目τ。

d）計算粘滯指標，即除其他因素引起的IS和DS狀態在所有關系里（SS狀態除外）所占的比例：其中，τ_total為總時間。

6）控制系統性能評價指標

工業過程中控制回路的故障會降低控制系統性能，為監測工業過程運行狀況及不同故障對控制系統性能的影響，需要對控制系統性能進行準確的評價。采用最常用的基于最小方差控制的性能評價指標（minimum variance control，MVC）[12]，對電動調節閥在不同工作狀況下系統的性能進行評價。該方法不會對系統產生影響，評價過程大致為：首先估計過程的時延，并利用輸出數據辨識出從擾動輸入端到系統輸出端的傳遞函數模型;然后根據時延信息分離出反饋控制不變項，計算系統的最小方差基準值σ_MV²及系統輸出的實際方差σ_y²，得到基于最小方差的性能指標MVC：

MVC=σ_MV²/σ_y²（6）

最小方差的性能指標MVC的取值范圍為[0，1]，越接近0則說明性能越差;越接近1則說明性能越好。

3 基于D-S理論的信息融合

3.1 D-S證據理論基本概念

D-S（Dempster-Shafer）證據理論又稱信任理論，它使用可信度來對各命題發生的可能性進行度量。D-S證據理論具有較強的理論基礎，能夠處理隨機性以及模糊性所導致的不確定性，因此在信息融合方面得到了廣泛的應用[13]。

3.1.1 基本概率分配函數

將D-S證據理論的識別框架記為，其中包括有限個基本命題，記為{A₁，A₂，…，A_n}。若存在集函數m：2[0，1]滿足：其中，φ為空集。則稱m（A）為識別框架的基本概率分配函數（mass函數），它表示了對命題A的信任程度。

3.1.2 信任函數

在識別框架上，對于任意一個假設命題A的信任函數（BEL）可以定義為

信任函數又可稱為下限函數，它代表了對命題A的全部信任程度，即命題A的信任函數表示了直接證據對命題的支持程度。

3.1.3 似然函數（P1）

在識別框架上，對于任意一個假設命題A的似然函數（PL）可以定義為

似然函數又可稱為上限函數，它代表了不否定命題A的信任程度，即命題A的似然函數表示了潛在證據對命題的支持程度。

3.2 D-S證據理論合成規則

Dempster提出了一種合成規則，設m₁，m₂分別為同一識別框架上的兩個基本概率分配函數，相應的焦元分別為A₁，A₂，…，A_k和B₁，B₂，…，B_r，且設其中，K為包含完全沖突假設A_i和B_j的所有基本概率分配函數乘積之和，當K=0時，表示m₁和m₂相互矛盾，兩個函數之間不能進行合成，當K≠0時，合成后的基本概率分配函數m：2→[0，1]可表示為其中，A指假設A_i和B_j組合的一個新的綜合命題，A的基本概率分配函數m（A）是包含不沖突假設A_i和B_j的所有基本概率分配函數乘積之和。

3.3 神經網絡與D-S證據理論的結合

D-S證據理論中基本概率分配函數的確定，是利用D-S證據理論進行信息融合的前提，也是最為關鍵的一步[14]。而在故障診斷中，基本概率分配函數通常根據專家經驗來確定，主觀性較強，不同的專家由同一個證據對同一個命題會給出不同的信度分配，有時差別很大。因此，為實現不同證據體基本概率分配函數賦值的客觀化，避免構造基本概率分配函數的復雜性，本文將每個獨立的神經網絡作為一個證據體，將神經網絡的輸出值進行轉換得到各命題的基本概率分配函數，具體計算公式[15]為其中，f_j表示故障模式;m_i（f_j）命題fj基于第i個神經網絡診斷結果的基本概率分配函數;M_i（f_j）表示第i個神經網絡第J個神經元的輸出值;e_k表示神經網絡的樣本誤差;m_i（θ）表示診斷結果不確定的可能性。

4 基于信息融合的電動調節閥故障診斷

4.1 電動調節閥故障診斷過程

電動調節閥故障診斷與系統性能評價的過程如圖3所示。首先根據調節閥指令信號和閥門位置反饋信號，計算調節閥的基本誤差、基本增益、穩定度函數、死區大小、粘滯指標后，分別構建5個不同的神經網絡;然后將每個神經網絡看作獨立的證據體，并根據神經網絡的輸出計算D-S證據理論的基本概率分配函數;最后根據D-S證據理論合成規則進行信息融合得到最終的診斷結果，并根據控制系統性能評價指標（MVC）的大小對控制系統進行評價。

4.2 仿真實驗與結果分析

為驗證本文提出方法的有效性，利用基于Ovation的A3030過程控制綜合實驗平臺搭建雙容水箱串級控制系統，該平臺能實現溫度、壓力、流量、液位定值等控制系統，并使用Ovation DCS系統進行控制。該過程實驗裝置如圖4所示。

人為模擬電動調節閥正常狀態F₀、偏差F₁、增益F₂、卡死F₃、死區F₄及粘滯F₅不同工作狀態，共同構成識別框架■={F₀，F₁，F₂，F₃，F₄，F₅}。記錄10min內，電動調節閥指令信號與閥位反饋信號各600組數據，其中400組作為訓練數據，剩余200組作為測試數據。

對訓練數據和測試數據進行數據預處理后，計算各項指標，以其中一組訓練數據為例，不同工作情況下的各項指標值如表2所示。

從表中可以看出，當不同故障產生時，部分特征指標會對應發生明顯變化。比較不同故障下系統性能評價指標（MVC）的大小可知，調節閥的不同故障對系統性能有著不同的影響;其中電動調節閥在卡死和粘滯故障下，MVC僅為0.063 5和0.1012，因此，調節閥的卡死和粘滯對控制系統影響較為嚴重。接下來，將計算得到的指標值分別作為神經網絡的輸入進行訓練以生成D-S證據理論的基本概率分配函數。本文利用Matlab構造BP神經網絡，每個BP神經網絡模型訓練次數為10000次，訓練目標為0.0001，學習速率為0.01。由于篇幅原因，僅展示死區故障下各神經網絡的輸出結果和經過D-S證據理論融合后的診斷結果，分別如表3和表4所示。

由表3和表4可見，經過D-S融合后，解決了診斷結果的不確定性，診斷結果更加精確。為驗證本文所提出方法的優越性，進行如下實驗：

實驗1：直接根據電動調節閥指令信號、位置反饋信號，采用神經網絡對故障分類，并將神經網絡的輸出值轉換為基本概率分配值，完成診斷。

實驗2：計算本文所提電動調節閥各項特征指標后，通過神經網絡訓練后，將神經網絡的輸出值轉換為基本概率分配值，不進行信息融合，完成診斷。

實驗3：即本文提出的方法。

其中，上述3個實驗用到的實驗數據及神經網絡參數設置均相同。并設置診斷結果決策規則：最終定位的故障類型與其他故障的基本概率分配值之差必須大于某一閾值，本文經大量調試并結合實際診斷情況后將閾值確定為0.4。根據以上診斷規則確定實驗1、實驗2及實驗3的診斷結果分別如表5-表7所示。

分析表5可知，直接根據電動調節閥輸入輸出數據進行診斷時，故障診斷準確率較低，且無法區分偏差故障和死區故障;分析表6可知，利用能夠反映調節閥故障特點的特征指標進行故障診斷，可以提高診斷的準確率，但由于不同的故障可能導致相同的故障現象，因此診斷結果還存在不確定性;分析表7可知，經過D-S證據理論融合后，可以將不同故障準確地診斷出來。將上述3種方法在不同故障下的診斷結果進行比較，如圖5所示。

整理上述3種方法的診斷準確率，實驗1和實驗2的診斷準確率分別為69.31和76.29%，本文所提方法的診斷準確率為98.23%。因此本文提出的方法，大大提高了電動調節閥故障診斷的準確性，解決了診斷結果的不確定性，減少了誤判的可能。

4.3 診斷實例

本文將上述故障診斷方法應用到某電廠主汽溫系統減溫水電動調節閥中，采集2018年7月28日20：00-2018年7月29日6：00這10h內的數據，其中，電動調節閥指令信號OP和調節閥位置反饋信號MV變化曲線如圖6所示。

計算該系統性能評價指標后，發現在22：08到22：48這段時間內系統性能降低，按照本文提出的方法，計算得到這段時間內調節閥各項特征指標，如表8所示，且D-S信息融合后得到的診斷結果如表9所示。分析表8和表9可知，這段時間內，減溫水電動調節閥發生了偏差故障，診斷結果與現場的實際情況相符。此時控制系統評價指標為0.6512，說明此時控制系統性能有待提高，需要解決調節閥偏差故障問題，提高系統性能。

5 結束語

本文提出了一種基于特征指標信息融合的故障診斷方法，并應用到電動調節閥中。實驗結果表明，利用能夠反映調節閥部件信號趨勢變化的各項指標進行調節閥的故障診斷，有助于提高故障識別率，降低算法的復雜度，并且能夠準確判斷不同程度的故障對控制系統性能的影響;利用D-S證據理論進行信息融合，能夠有效地解決故障定位不確定的問題;并且將神經網絡的輸出值進行轉換后作為D-S證據理論的的基本概率分配函數，實現了基本概率分配函數賦值的客觀化。因此，基于特征指標信急融合的方法對電動調節閥故障診斷具有工程意義。

參考文獻

[1]YANG J，ZHU F，WANG X，et al.Robust sliding-modeobserver-based sensor fault estimation，actuator fault detectionand isolation for uncertain nonlinear systems[J].InternationalJournal of Control，Automation and Systems，2015，13（5）：1037-1046.

[2]周東華，劉洋，何瀟.閉環系統故障診斷技術綜述[J].自動化學報，2013，39（11）：1933-1943.

[3]GONCALVES L F，BOSA J L，BALEN T R，et al.Faultdetection，diagnosis and prediction in electrical valves usingself-organizing maps[J].Journal of Electronic Testing，2011，27（4）：551-564.

[4]GARCIA O P，TIKKALA V M，ZAKHAROV A，et al.Integrated FDD system for valve stiction in a paperboardmachine[J].Control Engineering Practice，2013，21（6）：818-828.

[5]HAFAIFA A，DJEDDI A Z，DAOUDI A.Fault detection andisolation in industrial control valve based on artificial neuralnetworks diagnosis[J].Control engineering and appliedInformatics，2013，15（3）：61-69.

[6]郭勝輝，朱芳來.基于區間觀測器的執行器故障檢測[J].控制與決策，2016，31（6）：1118-1122.

[7]黃孝彬.火電廠控制系統故障檢測與診斷的研究[D].保定：華北電力大學，2004.

[8]黃愛芹.基于數據驅動的調節閥故障診斷方法研究[D].濟南：山東大學，2015.

[9]劉吉臻，高萌，呂游，等.過程運行數據的穩態檢測方法綜述[J].儀器儀表學報，2013，34（8）：61-70.

[10]李士哲，王印松，田靖雨，等.氣動閥門粘滯模型仿真及控制系統振蕩分析[J].計算機仿真，2016，33（1）：239-244.

[11]YAMASHITA Y.An automatic method for detection of valvestiction in process control loops[J].Control EngineeringPractice，2006，14（5）：503-510.

[12]王印松，田靖雨，李士哲，等.基于時域指標的火電機組負荷控制系統性能模糊綜合評價[J].熱力發電，2016，45（10）：99-103.

[13]KHAMSEH S A，SEDIGH A K，MOSHIRI B，et al.Controlperformance assessment based on sensor fusion techniques[J].Control Engineering Practice，2016，49：14-28.

[14]韓德強，楊藝，韓崇昭.DS證據理論研究進展及相關問題探討[J].控制與決策，2014，29（1）：1-11.

[15]張文元，趙衛國，晉濤，等.多神經網絡與證據理論的變壓器故障診斷方法[J].高壓電器，2018，54（8）：207-211.

（編輯：商丹丹）