專家優化FTA-PNN的故障診斷方法*

周元高

（湖南省洞口縣龍江種蓄場，湖南 邵陽 422317）

0 引言

隨著區塊鏈等高新技術的日益發展，在智能裝備或制造等領域將提供全新的狀態監控、可信數據傳輸、質量全過程追溯等解決方案，為用戶帶來嶄新的價值體驗。以市場為導向的維修管理既受控于市場又服務于市場，因此更注重維修有效性與單位成本間的關系。提升設備的可靠性和利用率，合理平衡維修成本與經濟效益間的關系，提高人員工作效率等成為維修管理人員亟需解決的問題。現代裝備由于其精密程度高，故障發生的原因復雜、多樣，為滿足設備故障診斷的可靠性、智能化水平等日益增長的需求，人們開始研究各種診斷方法。故障樹（FTA）根據頂上事件逐一分析各節點關系，確定最小割集和最小徑集，但對于復雜的多層故障樹推理較慢；基于貝葉斯網絡的原因推理［1-3］，智能化程度高、準確性好，但對已知概率準確性要求較高，實際應用中效果不太理想；概率神經網絡在雷達目標識別和故障診斷及病情分析等領域取得滿意的成果。但在故障診斷領域應用時需要獲取大量經處理的系統參數，存在局限性[4-5]。

隨著社會日益精細化程度的提高，高端裝備故障復雜、排查成本高等問題凸顯。傳統方法難以奏效，設備高效穩定運行難以得到保障。因此，在錯綜多變的環境下研究復雜系統故障原因，從中剝離擾動信息并進行快速分析與準確定位意義重大。針對目前狀況，本文根據現場實踐，在前輩的研究基礎上提出了專家優化FTAPNN的故障診斷方法。該方法彌補單一故障診斷法的局限性，具有快速收斂、準確率高、訓練容易等優點，最后通過實例驗證了該方法的優越性，為維修管理人員精準判斷提供決策支持。

1 專家優化的FTA

1961年美國貝爾電話研究所Watson和Mearns提出應用于分析民兵導彈發射控制系統的故障樹分析Fault Tree Analysis，簡稱FTA，它是一種利用事故樹對事故進行預測的方法，按照演繹的原理對事故進行定性和定量的分析，也是安全系統工程中最重要的分析方法之一。定性分析包括最小割（徑）集的求取和重要度分析，最小割集是頂上事件發生的最低限度基本事件的集合，最小徑集是頂上事件發生所必須的最低限度的基本事件的集合。通過分析其運行機理，結合大量故障參數調查分析，找出故障可能的原因，形成因果鏈，用演繹法構造故障樹，即以該故障作為頂上事件，從上而下逐級分析［6-7］，故障模式類型作為中間事件，原因作為底事件。專家對FTA的優化主要是根據經驗排除不可能或極小概率事件，理論邏輯優化主要考慮以下方面：（1）最小割集表示系統的危險性應減少其數量；（2）最小徑集表示系統的安全性，盡可能增加其數量，最小徑集越多，系統就越安全；（3）對基本事件少的最小割集采取增加基本事件的措施，以降低事故發生的概率；（4）利用最小徑集選擇最佳方案：依次消除包含基本事情小的最小徑集，根據客觀條件和經濟因素，選擇最有效、經濟的方案；（5）若頂上事件的概率值超過可接受值，則應采取改進措施。

2 PNN故障診斷

1989年D F Specht博士提出的概率神經網絡probabilistic neural network，簡稱PNN，實踐中部分未知狀態分類難以確定，在不完全信息下，使用單一故障樹分析法很難得到較準確的診斷結果，傳統的多層前向網絡用BP算法進行反向誤差計算，而概率神經網絡（PNN）是一種向前的過程，根據運行狀態構造模式識別類器來檢測特征數據，經過專家改進后的故障樹建立故障征兆與模式間的隸屬矩陣，將數組樣本映射到故障模式，相比單一故障樹而言更有效降低誤判率，擁有訓練時間短、不易產生局部最優解，分類準確率較高等特點[8-10]。

本文采用基于貝葉斯決策理論的PNN是由徑向基函數發展而來的一種前饋型神經網絡，采用Parzen窗函數密度方法估計條件概率，調整散布常數Spread的值構成對少數訓練樣本的臨近分類器，構建輸入層、模式層、求和層、輸出層4層PNN適合于模式分類［11-13］，樣本數據訓練成一個容錯和自適應能力較強的診斷網絡，實現從多個故障源中剝離出擾動信息，從而準確定位故障發生的根本原因。

3 專家優化FTA-PNN的故障診斷

專家優化FTA-PNN的故障診斷方法是經專家優化后的FTA和PNN網絡組合的一種創新方法，是組織和技術制約的各要素系統性協同，該方法在故障診斷時，提取狀態的特征信息，系統自動匹配到經專家優化過的故障樹如圖1所示，結合已建立的故障樹知識規則和定義的狀態模式類別，輸入到訓練好的專家優化FTA-PNN，診斷網絡根據模式分類規則進行分類推理，最后映射到對應類別故障樹分支的底事件集合，提取發生概率最大的底事件作為結果輸出。具體表示為：故障樹的優化——提取運行參數數據特征信息——映射到網絡——輸出最可能診斷結果。該方法適用于在線檢測，無需大量樣本積累，易于實現。隨著故障知識的逐漸積累，通過網絡擴張學習，可逐漸提高故障診斷的精確度，但在根據當前的運行狀態預測，使其始終保持最佳運行狀態尚需進一步研究，該方法可有效提高故障診斷精度和速度。

圖1 專家優化的FTA

4 算例與結果分析

專家優化FTA-PNN的故障診斷方法在實踐中的應用，本文以某單位大型射出機開模故障為例，故障影響因素主要包括：液流速、電機轉速、油溫、高速、中速、低速。根據實際經專家優化過的FTA如圖1所示，然后通過歷史資料獲取相關參數，訓練經專家優化FTA-PNN網絡，最終確定故障樹的最可能的底事件。通過表1所示的測試樣本可驗證網絡的優越性。PNN診斷出的故障模式類別與期望類別效果對比，如圖2所示，*符號表示期望類別，△符號表示診斷算法推理得到的估值。由PNN診斷結果可知，10組測試樣本經過PNN診斷后，只有第3和第7組樣本故障類型診斷錯誤，但隨著故障先驗知識的積累，訓練樣本數量不斷增加，PNN神經元的不斷擴展，網絡性能得到優化，故障診斷準確度將不斷提高。

表1 測試樣本數據

圖2 專家優化FTA-PNN的故障診斷比對

5 結束語

由于目前單一的故障類型診斷方法不能適應復雜的現代設備維修管理，本文提出專家優化FTA-PNN的故障診斷方法，是經專家優化后的FTA和PNN網絡組合的一種創新方法，該方法將采集的特征數據作為網絡的輸入，進而根據優化方法及決策規則對特征數據進行分類診斷。該方法在故障診斷過程中最大程度地利用已知故障經驗知識，對多故障模式狀態進行定性診斷。采用專家優化故障樹FTA及基于貝葉斯準則的概率神經網絡PNN構建射出機開模故障類型診斷模型，從大量錯綜復雜的故障源中剝離出擾動信息，從而達到快速定位的目的。避免使用單一方法對復雜故障診斷的缺陷，案例驗證了研究方法的可行性。隨著故障先驗知識的積累，故障樣本的逐漸增多，PNN的神經元不斷擴展，網絡性能得到加強，故障診斷準確度將不斷提高。因此，該方法是一種有效的故障診斷方法，具有良好的應用前景。