基于云平臺的蒸滲儀遠程故障診斷方法研究

(長安大學 電子與控制工程學院, 西安 710064)

0 引言

水是生命之源，是人類生存和繁衍的基石。我國是農(nóng)業(yè)大國，農(nóng)業(yè)用水量一直居高不下，而占農(nóng)業(yè)用水90%的灌溉用水，利用率僅54.2%左右[1-2]，水資源被嚴重浪費。研究農(nóng)田區(qū)域水平衡規(guī)律，提高水利用率，是緩解我國農(nóng)業(yè)用水緊張的關鍵。蒸發(fā)滲漏量是反映土壤及農(nóng)作物蒸騰蒸發(fā)、耗水規(guī)律、地下水與土壤水轉(zhuǎn)化、土壤植物大氣連續(xù)體(Soil-Plant-Atmosphere Continuum，SPAC)中水分運移規(guī)律等的重要指標[3-4]，研究土壤水分蒸發(fā)滲漏量的變化規(guī)律對節(jié)約農(nóng)田用水、指導節(jié)水灌溉具有重要意義。

蒸滲儀[5-6]作為監(jiān)測土壤蒸發(fā)、滲漏量的主要設備，通常部署在試驗田、林間、草原等地，安裝環(huán)境復雜且較為分散，設備一旦出現(xiàn)故障，維護人員無法及時察覺并趕赴現(xiàn)場開展維修工作，導致大量的無效甚至錯誤數(shù)據(jù)產(chǎn)生，嚴重影響了研究工作的開展。因此，如何及時發(fā)現(xiàn)設備故障并準確診斷故障類型，從而為維修人員提供決策支持，是保證農(nóng)田區(qū)域水平衡規(guī)律研究順利進行的關鍵。

傳統(tǒng)的故障診斷手段通常是在發(fā)現(xiàn)故障之后，通過專家或?qū)I(yè)的維護人員到現(xiàn)場去排查問題，確定故障緣由[7]。這種形式的診斷方法不但延長了故障發(fā)現(xiàn)的時間，而且極大浪費了人力和財力。隨著技術的發(fā)展，遠程故障診斷逐漸興起，為了解決傳統(tǒng)故障診斷方法中過度依賴人工判斷和自動化程度低的問題，S.P.Zhou等[8]設計了一種基于紅外圖像的遠程故障檢測系統(tǒng)，該系統(tǒng)通過對現(xiàn)場采集的紅外圖像分析得出診斷結(jié)果，并通過網(wǎng)絡傳輸?shù)绞謾C，實現(xiàn)絕緣子的遠程監(jiān)控；黃琦蘭等[9]將專家系統(tǒng)應用在醫(yī)用制氧裝備的遠程故障診斷上，優(yōu)化了以往僅僅依靠程序?qū)Ρ榷贸龅脑\斷結(jié)果；針對光伏發(fā)電系統(tǒng)， K.H.Chao等[10]在獲得不同故障類型的特性后，基于可拓展理論設計了一款故障診斷儀，該儀器結(jié)合通信網(wǎng)絡，僅需要少量數(shù)據(jù)便可以快速實現(xiàn)故障診斷；此外，徐娟等[11]以聯(lián)合各診斷資源為目標設計了基于網(wǎng)格的設備遠程故障診斷系統(tǒng)，該系統(tǒng)較好地實現(xiàn)了廣域范圍內(nèi)的診斷協(xié)同，提高了診斷效率的同時節(jié)省了資源。但是，由于蒸滲儀普遍存在監(jiān)測地點分散、受環(huán)境影響大、體積大、結(jié)構(gòu)復雜、故障關聯(lián)性強等特點，因此上述方法并不完全適用于蒸滲儀的故障檢測。

有鑒于此，本文結(jié)合計算機技術、網(wǎng)絡通信技術和故障診斷技術，建立一套全自動的蒸滲儀遠程故障診斷系統(tǒng)。該系統(tǒng)首先通過分析遠程監(jiān)測現(xiàn)場采集的數(shù)據(jù)篩選出異常數(shù)據(jù)并提煉出異常特征，其次，經(jīng)過故障診斷算法推理出設備的故障原因，可為現(xiàn)場維護人員提供故障診斷支持和決策建議。

1 基于云平臺的蒸滲儀遠程故障診斷系統(tǒng)總體設計

蒸滲儀遠程故障診斷系統(tǒng)部署在云平臺上，由數(shù)據(jù)存儲模塊、異常數(shù)據(jù)檢測模塊、故障診斷模塊組成。總體結(jié)構(gòu)及各模塊的功能如圖1所示。

圖1 遠程故障診斷系統(tǒng)框架

部署在監(jiān)測現(xiàn)場的蒸滲儀采集到監(jiān)測信息后通過4G DTU無線通信模塊發(fā)送給透傳云服務器，再通過透傳云服務器的數(shù)據(jù)透傳將數(shù)據(jù)傳送給云平臺。故障診斷系統(tǒng)分為數(shù)據(jù)異常檢測模塊和故障診斷模塊兩部分。

1)數(shù)據(jù)異常檢測模塊將采集的監(jiān)測數(shù)據(jù)通過異常檢測算法進行篩查，經(jīng)篩查后正常的數(shù)據(jù)會直接存庫并實時顯示，而異常數(shù)據(jù)集會發(fā)送給故障診斷模塊進行故障診斷。

2)故障診斷模塊在獲得異常數(shù)據(jù)集之后，首先按照特定的規(guī)則進行異常數(shù)據(jù)的特征提取，繼而通過數(shù)據(jù)異常特征和故障診斷算法推理出故障發(fā)生的原因，最后將故障信息發(fā)布到云平臺，提醒工作人員進行設備故障的確認與維護。

2 基于卡爾曼濾波的數(shù)據(jù)異常檢測

云平臺采集來自全國各地多個監(jiān)測點的蒸滲儀，測量數(shù)據(jù)，數(shù)據(jù)量龐大，若將所有的數(shù)據(jù)都作為故障檢測數(shù)據(jù)源勢必會導致系統(tǒng)的故障檢測效率大大降低。由于設備故障往往伴隨著異常數(shù)據(jù)的產(chǎn)生，利用數(shù)據(jù)異常檢測算法對上傳數(shù)據(jù)進行篩選，可有效避免故障診斷模塊處理大批量的正常數(shù)據(jù)，提升故障診斷效率。

鑒于蒸滲儀的監(jiān)測數(shù)據(jù)具有連續(xù)性、線性的特點，通常不會出現(xiàn)突變，在此采用卡爾曼濾波算法[12-13]結(jié)合閾值檢測機制對各路數(shù)據(jù)進行數(shù)據(jù)異常檢測。

首先，通過k-1時刻系統(tǒng)誤差協(xié)方差矩陣和噪聲協(xié)方差預測k時刻的先驗估計協(xié)方差矩陣。設A為狀態(tài)轉(zhuǎn)移矩陣，Q為過程激勵噪聲協(xié)方差矩陣，Pk-1為k-1時刻后驗估計協(xié)方差矩陣，則k時刻的先驗估計協(xié)方差矩陣的預測值為：

(1)

其次，通過式(1)求得的Pk-，更新k時刻的卡爾曼增益Kk：

(2)

其中:H為轉(zhuǎn)換矩陣。若傳感器的檢測值為蒸滲儀的測量值，該矩陣取單位矩陣。

再者，通過更新過后的卡爾曼增益Kk和測量值zk求得k時刻的系統(tǒng)狀態(tài)估計值：

(3)

最后，為下一個時刻求系統(tǒng)狀態(tài)估計值更新后驗估計協(xié)方差矩陣：

Pk= (I-KkH)Pk-

(4)

(5)

則在該時刻，數(shù)據(jù)異常檢測模塊計算的預測值與實際值的差值：

(6)

式(6)中，D-value為預測值與實際值的差值。設Δk為閾值參數(shù)，是估計值的正常波動范圍。如果D-value>Δk，則數(shù)據(jù)異常檢測模塊會認為該數(shù)據(jù)存在異常，隨后將該數(shù)據(jù)傳入故障檢測單元進行故障診斷；若D-value<Δk則認為數(shù)據(jù)正常。

圖2 數(shù)據(jù)傳輸圖

其中，S1、S1……Sn為數(shù)據(jù)傳輸模塊S的數(shù)據(jù)監(jiān)測節(jié)點，數(shù)據(jù)異常檢測模塊會保存最新兩個時間點k時刻與k-1時刻的數(shù)據(jù)，在異常數(shù)據(jù)檢測過程中通過這兩個時刻的數(shù)據(jù)求取k+1時刻的Δk+1。

3 基于貝葉斯網(wǎng)絡的蒸滲儀故障診斷方法

隨著蒸滲儀的發(fā)展，其結(jié)構(gòu)越來復雜、故障關聯(lián)性越來越強，又因為設備部署環(huán)境復雜，導致故障具有不確定性。鑒于貝葉斯網(wǎng)絡可以有效處理不確定因素方面的問題，在此采用貝葉斯網(wǎng)絡作為蒸滲儀的故障診斷方法。

蒸滲儀的故障檢測主要分為兩個步驟。第一步，通過蒸滲儀的歷史故障庫和專家經(jīng)驗確定貝葉斯網(wǎng)絡的結(jié)構(gòu)和參數(shù)；第二步，通過提取的異常數(shù)據(jù)特征，經(jīng)過貝葉斯網(wǎng)絡推理獲得蒸滲儀各個故障原因的概率分布，推斷出故障原因。此外，新的故障信息會完善故障庫，使貝葉斯網(wǎng)絡診斷模型獲得實時更新。

3.1 蒸滲儀故障分析

蒸滲儀的末端數(shù)據(jù)監(jiān)測設備主要為懸掛式蒸滲儀，該蒸滲儀是一種大型稱重式蒸滲儀，整個儀器分為測量模塊和數(shù)據(jù)傳輸模塊兩部分。測量模塊由土壤、箱體、稱重系統(tǒng)、位移傳感器等部分組成；數(shù)據(jù)傳輸模塊由數(shù)據(jù)轉(zhuǎn)換模塊和數(shù)據(jù)發(fā)送模塊組成。

表1 懸掛式蒸滲儀故障表

稱重系統(tǒng)是蒸滲儀的核心部分。系統(tǒng)中，設備的鋼絲繩的中間由兩塊方鋼夾住，方鋼的兩端分別由一塊斜鐵連接平衡臂。基準情況下，由鋼絲繩垂直錯位產(chǎn)生的力與平衡臂的重力平衡，此時平衡臂呈水平狀態(tài)。當箱體內(nèi)土體重量發(fā)生改變時，由于鋼絲繩拉力的變化導致平衡臂上下擺動，此時，固定在方鋼中間的連桿將角位移轉(zhuǎn)換為水平上的線位移，通過高精準的位移傳感器測得位移變化量后計算得到箱體的土壤重量的變化。除此之外，箱體內(nèi)還設有大量傳感器，用于測量土壤溫度、濕度、電導率、水分、水勢等信息。

結(jié)合歷史故障信息對該蒸滲儀的結(jié)構(gòu)以及工作原理深入研究后，總結(jié)出蒸滲儀常見的故障原因及對應的異常數(shù)據(jù)特征如表1所示。

3.2 基于貝葉斯網(wǎng)絡的故障診斷模型

在保證算法具有一定的正確診斷率的前提下，以提高故障推理的速度和降低貝葉斯網(wǎng)絡結(jié)構(gòu)的復雜度為落腳點，結(jié)合表1和專家知識構(gòu)建了用于蒸滲儀故障診斷的貝葉斯網(wǎng)絡,如圖3所示。

圖3 用于蒸滲儀故障推理的貝葉斯網(wǎng)絡

圖3中，F(xiàn)1～F13表示故障類型，O1～O16表示異常數(shù)據(jù)特征。蒸滲儀故障類型節(jié)點的具體定義為：F1為平衡臂與方鋼連接處斷裂；F2為鋼絲松動；F3為位移傳感器移位；F4為土體超重；F5為阻尼系統(tǒng)機油凝固；F6為箱體搖擺；F7為異物進入箱體；F8為5TE傳感器故障；F9為5TE傳感器被陽光直射；F10為滲漏傳感器故障；F11為位移傳感器通訊鏈路損壞；F12為DTU故障；F13為設備斷電。異常數(shù)據(jù)特征節(jié)點的具體定義為：O1為蒸發(fā)量突然減小；O2為蒸發(fā)量突然升高；O3為蒸發(fā)量跳變后穩(wěn)定；O4為蒸發(fā)量偏大；O5為蒸發(fā)量不變；O6為蒸發(fā)量波動；O7為溫度無數(shù)據(jù)；O8為蒸發(fā)量無數(shù)值；O9為水分無數(shù)據(jù)；O10為電導率無數(shù)據(jù)；O11為溫度數(shù)值過高；O12為電導率很低；O13為水分很低；O14為滲漏量無數(shù)據(jù)；O15為無任何數(shù)據(jù)；O16為缺少某設備數(shù)據(jù)。從圖中可以看出，一種異常數(shù)據(jù)特征可能由一個或者多個不同的故障原因?qū)е隆?/p>

將每種故障設為發(fā)生(T)或不發(fā)生(F)兩種狀態(tài)，根據(jù)以往大量的歷史故障記錄，結(jié)合蒸滲儀領域設備故障方面的專家知識，對蒸滲儀各種故障原因出現(xiàn)的概率加以統(tǒng)計，計算得到各個故障原因的先驗概率如表2所示。

老婆餅以豬油酥作皮，酥軟而松；餅餡主要有芝麻、糖冬瓜、糖冰肉等，以綠豆茸和黑豆茸最佳。餅形有點像蘇式月餅，色澤金黃，讓人吃后，感覺餅皮酥軟，餡心香滑，十分可口。

表2 蒸滲儀各故障原因的先驗概率

以貝葉斯網(wǎng)絡中F2節(jié)點為例，當稱重系統(tǒng)出現(xiàn)鋼絲松動的故障時，出現(xiàn)相關異常數(shù)據(jù)特征的條件概率P(Oi|F2)如表3所示，對于其他根節(jié)點的條件概率表，可以用相同的方法得到。

表3 節(jié)點F2的條件概率

3.3 基于貝葉斯網(wǎng)絡的故障診斷推理

由于以蒸滲儀的故障類型和異常數(shù)據(jù)征兆建立的貝葉斯網(wǎng)絡其結(jié)構(gòu)中節(jié)點數(shù)量較少，本文選用精確推理算法中的聯(lián)合樹算法[14-15]。蒸滲儀故障推理算法如表4所示。

表4 蒸滲儀故障推理算法

圖6 異常數(shù)據(jù)信息

4 應用實例驗證

依托西安新匯澤測控技術有限公司的農(nóng)業(yè)大數(shù)據(jù)監(jiān)測云平臺，本遠程故障診斷系統(tǒng)現(xiàn)在已經(jīng)應用于國內(nèi)多處科研機構(gòu)蒸滲儀的故障檢測。以甘肅省旱地研究所為例，該所在定西市布設有2臺大型蒸滲儀。設備的現(xiàn)場布置圖如圖4和圖5所示。

圖4 蒸滲儀設備地表圖

圖5 蒸滲儀地下室稱體部分

現(xiàn)場的監(jiān)測設備將采集到的監(jiān)測數(shù)據(jù)通過4G DTU無線模塊發(fā)送到遠程云服務器。數(shù)據(jù)到達云服務器后，首先經(jīng)過數(shù)據(jù)異常檢測模塊的篩選，若數(shù)據(jù)正常則存儲至數(shù)據(jù)庫，否則會發(fā)送給故障診斷模塊，在故障診斷模塊做出處理之后通過Web界面反饋給工作人員。

圖6顯示了經(jīng)過異常檢測模塊篩選的異常數(shù)據(jù)，工作人員可以通過Web頁面遠程查看與異常數(shù)據(jù)相關的設備編號、采集時間、異常數(shù)據(jù)類型、異常數(shù)據(jù)值等信息，從而獲得有關異常數(shù)據(jù)的及時提醒。

故障監(jiān)測系統(tǒng)在當前檢測到數(shù)據(jù)異常后，會分析該時間點之前的各路數(shù)據(jù)，通過數(shù)據(jù)挖掘提取相關的異常數(shù)據(jù)特征后輸送到故障診斷模型。在建立好貝葉斯診斷網(wǎng)絡之后，采用聯(lián)結(jié)樹算法對蒸滲儀故障診斷模型進行推理，從而給出設備故障信息。

圖7所示界面列出了所有設備的故障信息，包括設備編號、設備名稱、故障時間、故障原因等。現(xiàn)場的研究人員可以參考系統(tǒng)診斷的故障信息進行設備維護，有效提高了研究人員的維修效率。研究人員在維修完畢后可以點擊操作中的“已解決”按鈕，隨后該條故障信息就會作為正確診斷信息更新蒸滲儀故障庫，而更新的故障庫使得用于故障診斷的貝葉斯網(wǎng)絡模型參數(shù)獲得及時優(yōu)化更新，逐漸提高故障診斷系統(tǒng)的診斷正確率。

圖7 設備故障詳情

圖8展示了該故障診斷系統(tǒng)從2018年12月到2019年5月的故障診斷情況。從中可以看出，該故障診斷系統(tǒng)在上線應用后能較好地通過檢測數(shù)據(jù)對蒸滲儀自動進行遠程故障診斷，且診斷率、覆蓋率良好。此外，隨著系統(tǒng)的使用，故障庫不斷更新優(yōu)化，正確診斷率和覆蓋率也在逐漸提高，基本滿足了設備故障診斷需求。由于故障得到及時的診斷和維護，蒸滲儀的異常數(shù)據(jù)大大減少。

圖8 半年故障診斷效果圖

5 結(jié)論

本文針對蒸滲儀部署分散，環(huán)境復雜帶來的故障發(fā)現(xiàn)不及時、排查費時費力的問題，研究了一種蒸滲儀遠程故障診斷系統(tǒng)。該系統(tǒng)通過遠程無線通信接收到來自各地監(jiān)測站點的采集數(shù)據(jù)后，首先對數(shù)據(jù)進行異常檢測以篩選故障數(shù)據(jù)信息，其次對故障數(shù)據(jù)進行數(shù)據(jù)挖掘提取異常數(shù)據(jù)特征，最后將異常數(shù)據(jù)特征輸入到故障診斷模型中獲得故障診斷的結(jié)果，提供決策建議。本系統(tǒng)自投入使用以來，能夠有效地檢測出設備異常信息，較好地減少了異常數(shù)據(jù)的發(fā)生，提高了研究人員進行數(shù)據(jù)分析的正確性，取得了良好的經(jīng)濟效益。