基于多層流模型的故障診斷算法研究

顧琳琳，歐陽軍

(1.中國電力工程顧問集團 華北電力設計院有限公司，北京 100020；2.特靈科技研發中心，上海 200051)

0 引言

現代工業過程由許多設備組成，設備上裝有傳感器以監測運行數據并判斷工作狀態。正常工作時設備的參數會在正常的范圍內，發生故障時，參數會超出正常范圍，并形成一種故障信號呈現在監控系統中。故障信號中，由故障直接產生的屬于主要故障信號，由主要故障傳播而導致的信號屬于次要故障信號。工業過程故障診斷的重點是將主要故障信號從次要故障信號中分離出來，找到故障的根本原因。

一些研究者開發了基于模型的診斷系統(MBD: Model-Based Diagnosis)，其中Lind[1]開發的多層流模型是一種比較有特色的建模方法。多層流試圖把工業過程中各種設備的基本屬性，包括質量流、能量流以及信息流提取出來，以此構建出工業過程的模型，并基于模型利用數字化的方法來分析工業過程。

Larsson[2]和Dahlstrand[3]在多層流模型的基礎上開發出了故障診斷的方法,Larsson描述了如何將模型與工廠過程設備的工作狀態進行對應，并建立起各種工作狀態之間的因果關系;而Dahlstrand則提出了一種故障信號的因果關系分析辦法，可用來推理故障狀態的主要故障信號。

多層流模型在電廠故障診斷和可靠性領域中的應用和研究較多，Ouyang等[4]將多層流模型應用于核電廠的故障診斷中，并驗證了SGTR故障診斷。楊明[5]、陳強[6]、王文林等[7]將多層流模型應用到核電廠可靠性的分析中,并結合故障樹提出了不確定性分析的方法。李偉等[8]則探討了基于多層流的警報分析辦法。多層流模型在其他領域中也有應用，張少民等[9]將多層流模型應用到煤礦安全研究中，提出了可靠性時效分析的方法；Zang等[10]將多層流模型應用在高速鐵路的運行控制系統，用于可能的故障預測。

本文基于前面的研究，結合計算機有向圖概念，在多層流模型和內置故障因果關系圖的基礎上，使用有向圖的深度檢索算法提取故障路徑并生成故障傳播樹形結構，開發了故障分析和診斷的通用步驟與算法，并結合發電廠鍋爐補給水除鹽系統進行了驗證，在實用性、適用性和理解性上較以往的研究具有較大優勢，后續研究者可直接應用或者進行較為簡單的修改，按步驟應用到其他的工業過程的故障診斷中，可使多層流模型得到進一步廣泛應用。

1 多層流模型和故障信號因果關系圖

文獻[1]和[2]對多層流的建模方法進行了較為詳細的描述。圖1是含有一個進水閥和出水閥的水箱系統的多層流模型，整個系統的目標是在流體流動供給的同時維持水箱中的水位。整個模型分為三層，最高一層是目標層，表示系統需要達到的目標；中間是經過抽象化的功能模塊層，是工業過程的流動模型；底層則是設備物理層，包含工業過程中的物理設備。多層流模型將設備抽象成不同種類的功能模塊，使得工業過程的運轉成為能夠數字化處理的流動模型。

圖1 多層流對工業過程建模示例

圖2為多層流中各功能模塊的狀態關系，其中帶箭頭的連線表明了故障信號的因果關系，例如(進水管, H) 指向 (水箱, H)的箭頭表明進水管流速高的時候可能會導致水箱水位高。在多層流模型中，各種設備部件都被抽象成標準化的功能模塊，并生成如圖2所示的故障信號因果關系圖，成為故障診斷的基礎模型。

圖2 多層流中各功能模塊的狀態關系圖

當設備出現故障時，根據故障的因果關系圖可以找到故障信號的傳播途徑，此傳播途徑是故障狀態的一種邏輯解釋，其起點是故障的根本原因。對于一個特定的故障狀態，可能存在多個傳播路徑和多種可能性。

在故障診斷過程中，當獲取了測量數據后，可以從圖2(b)中保留測到的部件狀態形成一個子圖，并可以在子圖中查詢故障信號的因果關系，如圖3所示。圖3(a)是測得三個部件的狀態后生成的故障信號因果關系圖；圖3(b)是僅僅測到進水和出水狀態，而未測到水箱水位時得到的故障信號因果關系圖。

圖3 故障信號因果關系子圖

2 故障信號分析和主要故障信號判斷

2.1 列出所有可能的故障狀態

由于某些設備沒有安裝傳感器，當故障發生時，需要考慮到這些未測量的功能模塊的狀態有多種可能性，并生成不同的故障狀態圖。如圖4所示，由于儲水箱的液位沒有測量，需要保留(水箱,H)和(水箱,L)兩個節點，根據這兩個狀態可以將原始因果關系圖分解成兩種可能的故障信號因果關系圖。

圖4 根據未知狀態的功能模塊生成多種故障信號因果關系圖

2.2 在故障狀態圖中查找故障節點生成故障因果關系樹

故障信號的傳播路徑可以用一個樹型結構來表示，如圖5所示。在故障信號因果關系樹中，高一層的節點故障信號是下一層的節點故障信號的原因，而根節點則是主要故障信號。為描述算法，這里定義因果關系子樹：如果一個因果關系樹中所有的節點都能在另一個因果關系樹中找到，那么前一個因果關系樹是后一個的子樹。圖6中顯示的是一個因果關系樹和它的幾個子樹。子樹只是部分故障信號的因果關系，因此在故障信號分析的過程中，找到更全面的樹后子樹可以被忽略。

圖5 利用故障信號因果關系樹來表示故障傳播路徑

(A～G代表多層流模型的故障節點)

基于計算機圖形學算法，在一個有向圖中執行深度檢索算法[11]可以生成樹形結構，成為故障信號因果關系樹。圖5(b)即為從(水箱, L)節點開始執行深度檢索算法生成的故障信號因果關系樹。

2.3 故障信號分析過程(故障診斷)

基于以上的描述，為獲取所有可能的故障原因，利用多層流模型進行故障診斷的步驟具體如下：

(1) 為工業過程建立多層流模型，并按照功能模塊之間的關系和測量數據建立故障信號因果關系圖，此圖中存在同一個功能模塊的多種狀態。

(2) 如果存在未知狀態的功能件，按照圖4的方法分解出所有可能的故障信號因果關系圖。在分解出的圖中，每個功能模塊只有一種狀態。

(3) 對上一步中得到的故障信號關系圖執行下面的操作：①對于選定的故障信號關系圖，依次選取故障信號節點，執行深度檢索算法生成故障信號因果關系樹；②兩兩對比故障信號因果關系樹，如果發現一個樹是另外一個樹的子樹，刪除子樹；③完成前兩步后，剩余的故障關系樹即為此故障狀態的故障原因分析結果。

圖7是對圖4所示的故障狀態按照上述順序獲得的故障原因分析結果的過程。在圖4中，出現了(進水管, H)和(出水管, L)兩個故障信號，而水箱水位沒有測量，因此，首先分解出兩種故障狀態圖，分別保留 (水箱, H)和(水箱, L)；然后分別在兩種故障狀態圖中執行深度檢索算法生成所有的故障信號因果關系樹；最后刪除掉所有的子樹，獲得獨立的故障信號因果關系樹(圖7中最后一列)。可以看到，圖4的故障狀態有兩種解釋：一種解釋是(水箱, L)為主要故障，此故障信號導致了(進水管, H)和(出水管, L)；另一種解釋是存在兩個獨立的主要故障(進水管, H)和(出水管, L)，而(水箱, H)則是次要故障。

圖7 基于圖4的水箱系統的故障診斷過程

3 本算法在發電廠鍋爐補給水除鹽系統中的應用驗證

本文采用電廠鍋爐補給水除鹽系統來驗證本故障診斷算法。電廠鍋爐補水連續通過逆流再生陽離子交換器和逆流再生陰離子交換器，經過凈化后再供給鍋爐，如圖8所示。

圖8 鍋爐除鹽系統

兩個交換器的正流管路上安裝了壓力傳感器，以保證正向的除鹽流動。進水處有閥門反饋控制，當測得有交換器水壓波動時，反饋控制閥門開度以維持壓力。由于壓力信號也是上游到下游傳遞，因此可以對這個過程建模，如圖9(a)所示，每個功能模塊可以賦予壓力測量數據來表征工作狀態。

當測得陽離子交換器壓力高而陰離子交換器的壓力低時，在其他閥門或者管路上沒有傳感器的時候，根據壓力傳遞和反饋控制的邏輯關系，可以得到如圖9(b)所示的故障信號因果關系圖。

由于“進水閥”、“管路1”和“管路2”沒有測量壓力，因此圖9中的故障信號因果關系圖根據這三個沒有測量的功能模塊可分解成8個獨立的故障狀態圖，需要這8個獨立的故障狀態圖中各自生成故障信號因果關系樹，并刪除子樹得到如圖10所示的診斷結果。

圖9 鍋爐補給水除鹽系統的多層流模型和故障信號因果關系圖

圖10中，深色的故障狀態被診斷認為是可能的原始故障。其中結果3和結果4表明只有一個根本故障，結果1、7、8表明同時有兩個根本故障，結果2、5、6顯示同時有3個根本故障。

圖10 發電廠鍋爐補給水除鹽系統的故障狀態圖以及診斷結果

多故障的可能性要低于單故障，因此診斷結果3和結果4是可能性最大的兩個結果，即可能由于兩個交換器之間的管路(管路1, L)或者陰離子交換器泄漏(陰離子交換器, L)導致后續壓力降低，且因為反饋控制使得上游壓力上升。在故障排查的時候應該重點檢查陽離子交換器到陰離子交換器的管路或者陰離子交換器本身的管路與閥門是否發生泄漏。結果3、4的故障信號因果關系樹如圖11所示。

圖11 診斷結果 3和4的故障信號因果關系樹

由此看出，對于每個獨立的故障狀態都會有一個可能的故障原因解釋，而故障狀態的數量則跟沒有測量的功能模塊數量有關，在前面的除鹽系統中，由于存在3個沒有測量的功能模塊，因此會有8種可能的故障狀態，從而有8種診斷結果。在文獻[3]中，采用有3個未測量的功能模塊的雙水箱系統作為例子，但最終只推導出5個診斷結果，而忽略了其他3個診斷結果。對比文獻[3]的研究，本文提出的診斷算法能夠得到更為完整的診斷結果。

4 結論

本文描述了利用多層流模型對工業過程建模、生成故障信號圖以及基于故障信號因果關系圖診斷根本故障的算法和流程，并在發電廠的鍋爐補給水除鹽系統中進行了實際的故障診斷算法驗證。

相比于其他的故障診斷方法，本文提出的建模方法和診斷算法更為具體化，可按步驟參考應用到各個工業領域中，且能得到更為完整的診斷結果。

通過文中的例子可以發現，由于算法的完備性使得簡單的過程故障可能出現較多的診斷結果，從而加大了判斷的難度。減少未知狀態功能模塊的數量可以減少診斷結果數量，提高診斷精度；也可以根據長期的運行經驗，將每個部件的失效概率加入到模型中，并在診斷結果中對每個可能的狀況計算失效概率，進行排序得到最有可能的故障診斷結果，便于優先關注概率較高的故障結果，快速確定并排除故障。