調壓閥故障診斷研究綜述與本體技術應用展望

周軍， 李傳錢， 朱斌，劉詩桃， 梁光川

(1.西南石油大學石油與天然氣工程學院，四川成都 610500；2.中國石油西南油氣田分公司，四川成都 610051)

0 前言

調壓閥作為天然氣管網中核心設備之一，根據用戶需求調節管網下游壓力，是保障居民燃氣和企業天然氣安全平穩供應的關鍵設備。由于高頻率機械運動與長期處于在高壓、腐蝕等惡劣環境中，調壓閥異常和故障頻發[1]。企業雖然針對調壓閥的常規維護和檢修制定嚴格的標準和流程，保障輸送系統的可靠運行，但隨著天然氣站場調壓閥自動化程度提升，對設備的運行監測、故障診斷和維護要求更高。傳統的人工故障診斷維護方式缺乏實時性，無法滿足診斷與維護需求[2-3]。為降低調壓閥故障造成的經濟損失和安全風險，提高調壓閥故障診斷和維護效率，許多學者進行大量調壓閥的故障診斷技術研究和現場應用。

故障診斷技術的發展可分起源階段(1960s)、發展階段(1980s)、智能化階段(2000s)3個階段。20世紀60年代，美國和英國相繼成立機械故障診斷研究機構，開始進行故障診斷理論研究。20世紀80年代，科研人員逐漸深入研究設備故障機制，進行故障信號的特征提取，開展故障分類識別，系統化的故障診斷技術理論逐漸發展起來。20世紀末開始進入智能化研究階段[4-5]。由于設備等其他因素，我國故障診斷研究起步較晚，20世紀80年代后，國內故障診斷技術研究開始走向正軌并迅速發展，國內部分高校和科研機構先后在天然氣管網系統領域中開展設備故障診斷研究[6]，其中針對系統中調壓閥故障診斷研究取得了不錯的研究成果，初步實現系統的故障診斷及應用。

隨著天然氣管網系統智能化建設、SCADA系統的廣泛應用、大數據和機器學習理論的深入研究，為調壓閥智能故障診斷技術的發展提供更多的理論支撐和研究方向。為此，本文作者基于國內外相關文獻，對故障診斷技術進行歸納總結，剖析調壓閥故障診斷技術研究應用現狀及問題，探討自力式調壓故障診斷技術發展方向，并在Web 3.0時代背景下，分析本體智能故障診斷技術的優勢，面對天然氣管網，甚至是石油與天然氣行業，展望基于多理論融合的本體智能故障診斷技術應用前景。

1 故障診斷技術

故障診斷是一門多專業綜合應用型技術，涉及統計學、計算機技術、傳感器與檢測、信號分析與數據處理、現代測量、自控工程、人工智能等多個學科[7]。經過長期的發展，慢慢形成以解析模型、知識及數據驅動為主的三類故障診斷方法。

1.1 基于模型

基于模型的方法是通過深入認識機械設備或系統內部機制和故障表征形式，建立設備數學解析模型，利用設備運行值與模擬值之間的殘差，分析設備或系統運行時與系統表達的差異性，實現設備或系統故障診斷[8]。從數學分析或殘差計算方式的角度，該方法可分為參數估計、狀態估計和等價空間。狀態估計方法是通過重構設備運行狀態，計算模擬結果與實際運行數據的殘差，分析殘差序列，實現診斷故障，該方法適用于易建模、數據充足的線性設備系統[9-12]。等價空間方法是建立一個設備等價數學關系模型，分析靜態與動態冗余，判斷實際過程的設計值與等價關系模型的一致性。該方法易實現，但診斷故障性能相對較差[11-12]。參數估計方法通過統計分析模型參數變化，進行故障診斷，應用比較廣泛的參數估計方法有卡爾曼濾波器方法、極大似然參數估計等[8,12]。

隨著設備和系統越來越復雜，相應完整的故障診斷數學模型一般很難建立，雖然可以建立系統各模塊的模型，并組合形成整個系統的近似模型，但其關聯性較差，整個系統模型的的魯棒性和泛化性并不穩定，并且實際生產中，系統容易受外界擾動等不確定因素的影響，所以該技術實際應用也存在諸多限制[13]。

1.2 基于知識

基于知識的故障診斷方法是以技術人員長期生產經驗和設備歷史故障信息總結得到的故障知識為基礎，由知識定性描述設備運行中各單元的連接關系，建立故障特征及故障類空間的關系，進行故障知識的推理，實現故障診斷與決策[14-15]。該方法可劃分為模式識別、專家系統和因果分析[16]。模式識別是利用設備運行數據和設備故障知識的關聯性，通過貝葉斯、神經網絡等分類器進行分類，最后實現診斷。專家系統是通過模擬專家診斷，通過推理并進行解釋，實現故障診斷與決策。因果分析方法是基于設備的部分或全部故障特征，建立因果模型關系，實現故障檢測與分析，包括符號定向圖、故障樹方法等[17]。

基于知識的故障診斷方法大多應用于輸入、輸出和變量數相對較小的系統，無需建立模型。該方法適用于有大量專家生產經驗和故障知識的工業系統，但隨著工業系統的發展，單一基于知識的方法已不再適用于當今大數據下的故障診斷[12]。

1.3 基于數據驅動

數據驅動方法通過數學分析和處理工業系統中收集到的海量數據，包括溫度、壓力等運行數據，深入挖掘數據潛在信息和知識，以此獲得生產過程的運行狀態，無需建立設備或系統的解析模型，無需獲取大量的專家經驗知識，即可實現故障診斷[18]。該方法也是一種獲取“知識”的方法，但基于數據驅動獲取數據知識與專家經驗知識并不相同，它是真實反映設備生產運行狀態的信息知識[12]。該方法可進一步劃分為統計分析、主成分分析法、信號處理等方法[15]。人工智能技術的快速發展，為數據驅動的技術發展提供更為豐富的理論與研究方向[19]。

現代測量技術與數據存儲技術的發展，數據觀測、采集和存儲技術越發成熟，各類工業系統過程中都積累了大量的數據，在當下數據經濟時代，這些數據擁有巨大的潛在價值。基于數據驅動的故障診斷技術由于在數據分析和處理上的巨大優勢，成為了故障診斷研究熱點領域并蓬勃發展[12]。

2 調壓閥故障診斷技術研究

20世紀90年代，美國相關研究人員將研究的重點放到影響調壓閥性能穩定的因素上，根據實物設計以及運行經驗，從實際運行情況分析導致調壓閥出口壓力波動的各類因素，為故障診斷研究奠定了一定基礎[20]。與發達國家相比，我國調壓閥故障診斷研究起步較晚，但隨著天然氣管網系統迅速發展完善，科研人員與相關機構均取得了不錯的研究成果。調壓閥故障診斷發展歷程如圖1所示。

圖1 調壓閥故障診斷發展歷程[20-24]

隨著工業系統的不斷發展，現代設備運行狀態受多種因素影響，參數關聯性強[25]。單故障診斷方法往往是針對系統某部件或局部的故障診斷，已難以滿足故障診斷的系統化需求[26]。因此多理論的融合故障診斷方法研究逐漸成為主流，研究者們基于數據驅動技術組合兩組或多組不同算法理論的優勢，進行大量融合故障診斷理論研究。通過總結近十年與調壓閥故障診斷技術相關的文獻發現：隨著管網智能化的發展，大數據的崛起，多數調壓閥故障診斷技術均是以故障數據為基礎，基于數據驅動的多理論融合故障診斷技術，例如知識與數據驅動融合、模型與數據驅動融合等故障診斷。

2.1 基于模型與數據驅動融合

在當前大數據時代，數據驅動方法是故障診斷的主要發展方向，但是實際生產中，該方法仍然存在現實可行性的問題，如設備真實故障數據不足、記錄不全的情況。為此許多學者融合基于模型故障診斷方法，通過精確認識調壓閥內部機制，確定調壓閥技術參數和功能要求，建立精確的調壓閥系統數學模型以及仿真模型；通過模型計算與軟件仿真獲得高質量調壓閥故障數據，為基于模型與數據驅動的融合故障診斷技術提供數據支撐。

目前進行調壓閥故障診斷研究主要的仿真建模軟件有DAMADICS、MATLAB和其他CFD軟件。為解決實際生產過程中閥門故障數據不足的問題，文獻[27]通過DAMADICS平臺搭建了調壓閥仿真模型，實現了調壓閥故障的仿真，獲得大量有效的調壓閥故障數據，并在此基礎上通過支持向量機和極限學習機2個方法，實現調壓閥故障診斷。文獻[28]通過MATLAB構建燃氣調壓閥數學仿真模型，分別基于經驗模態分解的長短期記憶網絡、深度神經網絡與支持向量機算法，構建故障智能診斷模型。文獻[29]通過MATLAB進行調壓閥故障仿真和數據采集，采用支持向量機方法實現了故障診斷。文獻[30]詳細分析調壓閥流場特性和常見故障機制，運用CAD與CFD軟件建立流場模型，獲得了不同工作狀態的數值解；在此基礎上，根據壓力規律，基于閾值和分析殘差算法，實現對調壓閥泄漏和堵塞故障的診斷。針對調壓閥單一故障，文獻[31]根據調壓閥工作的機制建立了調壓閥機制模型，通過變分模態分解-多重多尺度熵方法和魯棒隨機向量函數鏈接網絡，提取故障特征。針對實際應用中調壓閥并發故障，文獻[31]進一步提高常規隨機向量函數鏈接網絡的領域適應能力，建立并行領域適應隨機向量函數鏈接網絡的并發故障診斷模型，通過實驗系統驗證方法可行性，解決了調壓閥并發故障診斷問題。

2.2 基于知識與數據驅動融合

基于數據驅動的方法從故障數據出發進行分析，對數據信號分析與處理來實現調壓閥的故障識別與診斷，判斷故障位置。但該方法并不能很好地解釋故障診斷結論，無法滿足操作人員進一步分析處理故障。基于知識的方法通過機械過程知識及故障知識，建立故障特征空間關系，可以很好地解釋結論。為此，許多學者將2種方法組合，形成基于知識與數據驅動的融合故障診斷技術。

文獻[32]根據專家經驗分析劃分故障類型，利用經驗模態分析方法提取原始壓力數據的能量特征，根據灰色關聯熵理論分析關聯度，實現故障分類與診斷。文獻[33]利用小波包方法提取調壓閥故障壓力數據的特征，利用小波包能量方法對壓力信號的頻帶進行分解，完成故障類型的識別和分類。同時，進一步將操作人員的經驗知識與小波包方法相結合，形成知識和數據驅動的故障診斷方法。文獻[34]將調壓閥出口壓力進行經驗模態分解，結合優序圖法判定專家診斷結果，建立最優支持向量機模型。文獻[35]將機器學習方法引入到頻譜分類中，結合支持向量機故障分類方法，解決噪聲和檢測機制非線性等問題，實現調壓閥故障診斷。文獻[36]進一步將基于散度核的機器學習方法引入故障分類，應用于調壓閥中橡膠膜片的故障診斷的振動頻譜分類，實現了調壓閥故障診斷。文獻[37]將主成分分析與RBF神經網絡相結合，通過主成分分析將高維故障主數據降維，再通過RBF進行故障診斷分類，進一步優化診斷方法，取得了更好的調壓閥故障診斷效果。對于傳統支持向量機特征提取困難和卷積神經在樣本不足時的分類能力問題，文獻[38]采用多尺度卷積核并行方式提取調壓閥出口壓力的故障特征，將傳統卷積神經網絡中的分類器更換為支持向量機分類器，形成并驗證該融合故障診斷方法。

2.3 多理論融合

隨著信息處理技術的不斷升級發展，各種機器學習、深度學習等人工智能算法和理論的不斷更新升級，為調壓閥故障診斷研究提供了更多的方向，多理論融合的故障診斷技術研究作為故障診斷研究領域的研究熱點，在工業大數據的支持下，基于數據驅動的多理論融合故障診斷技術逐漸向著更深層次發展。

文獻[39]通過Apriori對變量與故障間關聯度進行分析，得到強關聯規則故障知識；小波包分析和Apriori進行特征提取，實現調壓閥故障診斷與安全預警。為解決模型稀疏性與預測樣本類別關系問題，文獻[27]在模型和數據驅動融合故障診斷基礎上，將貝葉斯思想應用于極限學習機多分類器，保留原有極限學習機算法的特點和優勢，取得了更好的故障診斷效果。針對機器學習方法故障樣本不足的問題，文獻[40]利用極限學習機速度更快和自動生成網絡參數的能力，結合半監督極限學習機和遷移學習處理標簽數據的優勢，通過自編碼器技術，提取數據特征。最后通過實驗平臺驗證了該多理論融合的故障診斷技術的可行性。文獻[41]對壓力數據進行經驗模態分解，結合專家與操作人員經驗知識，結合粒子群算法，優化支持向量機分類器參數，建立調壓閥故障診斷模型，形成多理論融合故障診斷方法。文獻[42]利用t-SNE可視化降維算法將調壓閥故障數據進行降維，使用SDP聚類分類集中數據，再利用支持向量機分類離散數據量較小的故障數據，實現了大數據驅動和并行SDP的調壓閥故障診斷。

2.4 存在問題

當前調壓閥故障診斷的研究，仍然缺乏系統的調壓閥故障診斷知識獲取和知識表示方面的認識和規范，各個故障診斷系統存在的異構性，故障診斷相互之間缺乏共同的理解。各個故障診斷系統間還存在“知識孤島”問題，故障知識共享困難、知識重用困難、系統可拓展性差，故障診斷系統推理效率低、靈活性低。

調壓閥故障診斷技術中以基于數據驅動的多理論融合故障診斷技術為主，系統大部分通過調壓閥進出口壓力數值作為故障特征，部分采用流量和溫度數值作為故障特征，進行系統運行狀態識別與故障診斷。雖然可以初步實現故障診斷，但系統需求的故障數據量大，質量要求高，實際生產中無法滿足大量高質量故障數據的要求。因此部分研究的數據來自軟件仿真或者室內實驗，保障故障數據量，但在各種理論或理想條件下的研究成果，距離達到實際復雜的生產環境故障診斷要求還存在差距，各種故障診斷方法的泛化性并不理想。針對目前調壓閥故障診斷系統存在的問題，文中提出引入本體技術進行調壓閥智能故障診斷研究和探討。

3 基于本體的故障診斷技術

本體(Ontology)來源于哲學，其為事物客觀存在的本質[43]。GRUBER[44]提出：“本體是概念化的明確的規范說明”。STUDER等[45]將本體進一步明確定義為：“共享概念模型明確的形式化規范說明”，從概念化(Conceptualization)、明確性(Eplicit)、形式化(Formal)和共享性(Share)4個方面闡釋了本體的含義。在知識工程和人工智能領域也稱為本體論、本體語義。

3.1 本體理論

本體在知識工程和人工智能研究領域，目標為抽象知識的本質。GMEZ-PREZ和BENJAMINS[46]將本體建模基元總結歸納為概念或類、關系、函數、公理和實例。其關系示意如圖2所示。

(1)類(Classes)：可以描述任何事物，將客觀世界中同一類對象構成集合，歸納共性并抽象為一般描述。

(2)關系(Relations):本體中的關系表示概念之間的交互作用，一般用n維笛卡兒積表示概念類之間存在的n元關系，關系對應于對象元組的集合。

(3)函數(Functions)：是一類特殊的關系，是集合中多個類間映射關系的統一標準。

(4)公理(Axioms)：表示永遠成立的聲明，永遠正確的結論，是一些永真式，用于描述關系之間的約束。

(5)實例(Instances)：屬于某一概念或類的基本元素，代表實際對象。

圖2 本體示意Fig. 2 Ontology schematic

本體技術作為強大的知識庫構建技術和知識表示及推理技術，能規范化地表示領域專業知識，突破傳統知識工程中嚴重依賴專家和主觀因素的弊端，而且通過拓撲結構化的知識存儲和展示機制，擴展知識規模，展現知識關聯性，并進一步加深了知識的理解和實際應用效果[47]。本體論在提供管理、搜索、檢索、維護、共享和查看信息的新方法方面有著巨大潛力，是語義Web、知識庫、知識圖譜等技術的核心元素和基礎框架。它們為解決2個或多個信息系統之間的異構性問題提供了最佳解決方案，提供了一種通用知識，可供人工智能、語義Web服務、知識工程和計算機科學等不同領域共享和重用[48]。隨著時間的推移和不同應用之間的快速發展，近年來對本體構建方法的需求越來越大[49]。

3.2 本體故障診斷技術研究現狀

本體故障知識表示方法中，本體知識模型層次結構性強，保證了知識推理的正確率，有效解決其他方法推理能力和解釋能力不足的問題。在智能診斷研究和知識工程領域，本體故障診斷術語的描述具有通用性，能清晰地定義故障知識的概念，建立明確的故障知識關系。其良好的知識規范性與關聯性，可有效解決機械設備故障知識復雜、多源異構等問題，更易于共享、重用、更新和維護故障診斷知識[26]。

許多國內外研究者將本體技術引入各個工業機械故障診斷領域，進行了大量故障本體知識研究和故障診斷應用。目前大多數學者的本體建模思路幾乎相同，故障診斷的本體類描述多數為故障現象、故障原因、故障部位、故障類型和故障維護。總結典型故障診斷本體關系如圖3所示。

圖3 典型故障診斷本體關系Fig.3 Typical fault diagnosis ontology relationship

電力工業發展較早，相關設備故障診斷理論研究較為豐富。針對電網網絡故障，文獻[50]對電網及其行為的細節進行分析，建立本體故障診斷模型，初步實現電網故障診斷。文獻[51]基于故障知識，應用本體方法深度挖掘引發故障的深層次原因，建立發電站汽輪機故障診斷系統，并在實踐中成功應用。文獻[52]基于本體知識建模方法，建立風力發電機組故障診斷知識庫，實現了設備設計企業與運行企業的專業設備知識共享和發電機組的故障診斷。除電力工業外，采礦等其他大型工業系統中的本體智能故障診斷研究也有很多。在采礦業井下大型采礦機故障診斷研究中，文獻[53]通過建立采煤機的故障本體，結合語義網語言，實現采礦機的故障診斷。文獻[54]基于提升機故障知識，建立本體故障診斷語義知識系統，實現提升機故障診斷。文獻[55]同樣基于提升機故障知識，構建本體知識庫，在本體推理的基礎上融合關聯規則方法，實現故障現象到原因本體的推理。在機械制造設備領域，文獻[56]構建了機床本體故障診斷知識模型，將故障診斷實例導入知識擴展平臺，實現機床故障診斷與本體知識庫拓展。在軍用領域，文獻[57]通過本體知識表示方法建立艦炮武器系統的故障診斷知識模型，并轉化為貝葉斯網絡模型，將本體技術的知識優勢和貝葉斯網絡的不確定推理優勢進行結合，實現了艦炮武器系統的故障診斷。

多理論融合作為故障診斷技術領域的研究熱點方向，基于本體的多理論融合故障診斷技術也受到許多學者關注。文獻[58]建立汽輪發電機組的故障診斷本體知識庫，利用本體信號分析結果建立與本體知識的關聯，實現汽輪發電機的高效故障診斷。針對大型裝載機故障診斷知識復雜和理解困難的問題，文獻[59]建立了基于本體的故障診斷模型，結合案例推理技術，實現了高效、準確的故障診斷。在大型農業農機系統中，針對皮帶傳輸故障診斷，文獻[60]利用本體方法，進行故障知識表示，融合案例規則推理，建立本體皮帶輸送故障診斷系統，提升故障處理方案程序的標準性和規范性。此外，在智能制造領域，與無模型診斷相比，基于模型的故障診斷具有能夠解釋故障原因和傳播的優勢，但需要了解生產線的配置模型和特定于上下文的信息。本體建模可以在配置模型的基礎上提供特定于上下文的信息，非常利于故障診斷。文獻[61]提出了基于本體與模型融合的故障診斷方法，建立基于第一原理定性力學的動力學模型，使用數值優化最小化來自生產線的傳感器數據與運行動力學模型的模擬數據之間的差異，以實現自動配置建模和故障診斷。當生產線運行正常時，使用語義網技術自動生成具有上下文特定信息的配置本體模型，并在生產線出現故障時使用生成的配置本體模型和信息進行診斷。

4 本體故障診斷技術應用展望

在Web3.0時代發展背景下，借助本體技術強大的知識獲取、知識表達、知識共享和知識重用能力，不僅是解決調壓閥故障診斷系統“知識孤島”和系統異構性問題的有效手段之一，并且在整個天然氣管網系統的故障診斷研究中，本體技術也有著巨大的潛在價值。進行基于本體的調壓閥故障診斷系統研究，不僅有望進行不同設備故障知識的共享和重用，實現不同故障診斷系統的拓展和交流，并能顯著降低不同類型調壓閥故障診斷系統開發工作量，提高調壓閥故障診斷系統中知識和數據利用率，實現天然氣管網故障診斷系統價值的多元化。將本體技術引入天然氣管網系統智能故障診斷領域，更有整個天然氣管網系統的故障診斷知識的重用和共享，滿足天然氣管網的智能故障診斷與維護需求，為天然氣管網智能化提供故障診斷技術升級，提升天然氣管網故障診斷智能化水平。

本體故障診斷技術依托自身知識結構的優勢，能進行高效的故障邏輯推理與故障知識的拓展，實現設備故障診斷與維護決策。在天然氣管網中，調壓閥運行信息變化趨勢復雜且受多種因素影響，調壓閥的運行參數與其他設備故障診斷間有關聯性，基于本體的調壓閥故障推理容易忽視了對設備運行數據價值的挖掘，難以對天然氣管網系統故障信息進行全面的綜合分析及診斷，而針對天然氣管網的本體故障診斷理論方法的魯棒性和泛化性也有待研究。在未來研究中，充分發揮本體技術自身的優勢，融合其他基于數據驅動的人工智能算法，進行工業數據的知識挖掘，結合專家經驗知識，建立天然氣管網系統的故障知識本體，實現天然氣管網故障診斷真正意義上的智能化。

5 總結

(1)故障診斷技術經過長期的發展，形成了基于模型、知識和數據驅動為主的故障診斷方法。進入智能故障診斷階段，故障診斷技術持續融入最新的理念和智能算法，向集系統狀態監測、故障診斷和維護等功能多元化智能化的智能故障診斷系統融合發展，智能融合的故障診斷成為該領域的研究熱點。

(2)調壓閥作為天然氣管網系統的核心設備，總結調壓閥故障診斷技術現狀，近年來基于模型與數據驅動融合、基于知識與數據驅動融合以及多理論融合的故障診斷技術是主要的研究方向，目前仍然存在系統異構性、知識孤島等問題。

(3)本體作為人工智能與知識工程領域的一種強大的領域知識表示和推理方法，在天然氣管網系統的故障診斷研究中還處于空白，缺乏故障診斷本體知識和規則庫的構建規范和方法。在調壓閥故障診斷中通過融入本體技術，既有望解決問題，又能為天然氣管網系統的智能故障診斷發展提供新的探索路徑。

(4)國家管網成立后，全國“一張網”格局將逐漸形成，天然氣管網朝著智慧化、系統智能化方向飛速發展，基于本體的多理論融合智能診斷技術，在天然氣管網系統的未來科學研究與工程應用中有著巨大的發展潛力。