活塞式氫氣壓縮機排氣溫度超限故障診斷方法*

韓宇恒,胡光忠,2*,夏 秋,王 平,2,3

(1.四川輕化工大學 機械工程學院,四川 宜賓 644000;2.過程裝備與控制工程四川省高校重點實驗室,四川 宜賓 644000; 3.攀枝花市先進制造重點實驗室,四川 攀枝花 617000)

0 引 言

憑借其工作效率高、壓力范圍大等特點,活塞式氫氣壓縮機目前已被廣泛應用于各大化工領域。由于氫氣具有易燃、易爆等特性,故為保證設備運行的可靠性,活塞式氫氣壓縮機的排氣溫度不能超過135 ℃。

劉明洪[1]在對活塞式氫氣壓縮機排氣溫度超高的原因進行分析時指出,其排氣溫度受實際壓比、氣缸或級間冷卻、進氣溫度等因素的影響。董紹平等人[2-3]采用了參數在線監測的方法監控壓縮機工作狀態,對活塞式氫氣壓縮機各級排氣溫度超限故障進行了診斷;但該方法要求現場工作人員有一定的活塞式氫氣壓縮機故障診斷經驗,且未達到設備對故障的自診斷和故障發生概率預測的目的。

高木-關野(T-S)故障樹分析法是傳統故障樹分析法[4]與模糊算法的結合,其不僅解決了系統故障多態性和事件聯系不確定性的問題,同時引入了模糊數代替零部件故障程度或者模糊故障率,以對頂事件故障發生的概率進行預測[5]。但復雜T-S故障樹模型對底事件的定量計算較為繁瑣,故而學者引入貝葉斯網絡(BN)以簡化計算。李鵬等人[6]利用基于BN的T-S故障樹分析法,對起重機變幅機構進行了可靠性分析,找到了其故障的薄弱環節。陳麗娜等人[7]同樣利用該方法對注水管道進行了失效概率分析,發現內檢測周期等腐蝕因素是導致管道失效的重要因素。鄭來等人[8]將該方法應用于道路交通安全領域,找到了引起重大交通事故的關鍵原因。陳東寧等人[9-10]提出了基于BN的T-S故障樹分析法,同時證明該方法不僅簡化了T-S故障樹分析法的計算,同時也可以用于對底事件可靠性分析和頂事件故障發生率進行預測;但對于活塞式氫氣壓縮機各級排氣溫度超限的故障診斷,目前針對該故障診斷的方式主要是狀態監測,且該故障模型復雜,用傳統故障二態性來描述輸入事件和輸出事件間的關系不夠準確,致使學者對該故障的故障診斷研究有限;故有必要在考慮故障多態的情況下,對該故障模型進行重要度分析,確定薄弱環節,并對頂事件故障發生概率進行預測。

因此,筆者以某公司生產的DW-(5.6-13)/(0.2-0.5)-20型號的無油潤滑變頻活塞式氫氣壓縮機為研究對象,搭建各級排氣溫度超限故障的T-S故障樹模型,利用基于BN的T-S故障樹算法,對底事件進行重要度分析和頂事件故障概率預測;然后,在故障發生后,利用專家系統對故障原因進行匹配推理;最后,對活塞式氫氣壓縮機各級排氣溫度超限進行故障自診斷。

1 基于BN的T-S故障樹分析法

1.1 模糊數

T-S故障樹分析法引入模糊數來描述底事件故障狀態的模糊故障概率,常用三角形、梯形等多種隸屬度函數進行表征。

模糊數位于區間[0,1][5-10]上,常見的故障狀態有無故障、中等故障、嚴重故障,分別用模糊數0、0.5、1來表示。

為不失一般性,筆者選擇梯形隸屬度函數作為模糊數的隸屬度函數,如圖1所示。

圖1 模糊數隸屬函數Fig.1 Fuzzy number membership function

圖1中,模糊數x0的隸屬度函數μ(x)的表達式如下:

(1)

式中:s1,s2為模糊區域;m1,m2為支撐半徑。

1.2 T-S故障樹分析法

T-S模糊模型由一些規則組成[11],規則由專家經驗根據底事件故障程度的語言變量推理得到,用If-Then語句表達。

表1 T-S模糊門規則表

(2)

則輸出事件發生的模糊可能性為:

(3)

若不知底事件故障概率,而用[0,1]內的模糊數表示底事件x1,x2,…,xn故障程度的模糊故障概率,則表達式如下[10]32:

(4)

(5)

1.3 T-S故障樹向BN的轉換

BN是一種有向無環圖,由節點隨機變量和代表節點關系的向量構成,其層次關系圖與故障樹相似,是一種有利于對不確定知識的表達和推理的概率圖模型。

T-S故障樹向BN進行轉換的方式,如圖2所示[9]900。

圖2 T-S故障樹向BN轉換Fig.2 Transition from T-S fault tree analysis to Bayesian network

由圖2可知:在轉換過程中,T-S故障樹的頂事件、中間事件、T-S門、基本事件分別向BN的葉節點、中間節點、有向邊和根節點轉換;然后,將T-S門規則寫入條件概率,并將對應的先驗概率寫入根節點中,形成相應的BN。

根據T-S故障樹重要度算法[12-13],筆者給出基于BN的T-S故障樹的概率重要度和關鍵重要度的計算公式[10]77。

概率重要度計算公式如下:

(6)

基本事件xn對頂事件T的故障狀態為Tq的T-S故障樹概率重要度為:

(7)

式中:kn為xn所有故障狀態個數。

關鍵重要度算法如下:

(8)

因此,基本事件xn對頂事件T故障狀態為Tq的T-S故障樹關鍵重要度為:

(9)

式中:kn為xn所有故障狀態個數。

2 活塞式氫氣壓縮機各級排氣溫度超限故障 診斷系統設計

2.1 T-S故障樹搭建

DW-(5.6-13)/(0.2-0.5)-20型號的氫氣壓縮機的結構簡圖如圖3所示。

圖3 DW-(5.6-13)/(0.2-0.5)-20型號氫氣壓縮機結構簡圖Fig.3 Structural diagram of DW-(5.6-13)/(0.2-0.5)-20 hydrogen compressor)

由圖3可知:該型號壓縮機含有四級壓縮,故為減少篇幅,筆者以一級排氣溫度超限故障為例進行展示。

筆者根據專家經驗以及設備結構,對一級排氣溫度超限進行T-S模糊故障樹搭建,如圖4所示。

圖4 一級排氣溫度超高T-S故障樹Fig.4 T-S fault tree analysis of ultra high exhaust temperature of the first stage

由圖4可知:引起一級排氣溫度超限的因素有很多。T1為一級排氣溫度超高;E1為缸內氣體受熱高;E2為一級排氣壓力增大;E3為氣缸過熱;E4為一二級氣缸冷卻不完善;X1為一級進氣閥故障;X2為二級活塞環損壞;X3為三級活塞環損壞;X4為一級活塞環摩擦嚴重;X5為水泵故障;X6為一二級氣缸水路結垢堵塞;X7為一二級氣缸水路冷卻水泄露;X8為一二級氣液分離器堵塞;X9為二級進氣閥故障;X10為濾網堵塞;T-S門1至T-S門5為對輸入事件與輸出事件的連接。

2.2 T-S門規則建立

筆者以圖4中的T-S門5和T-S門1為例進行展示,則T-S門4的規則如表2所示。

表2 T-S門4的規則

T-S門1的規則如表3所示。

表3 T-S門1的規則

表2和表3根據以下3點確定T-S門規則:

1)專家的工作經驗;2)設備的歷史數據;3)在多狀態系統中,對與門和或門的輸入輸出表示方法的定義[14-15]。

2.3 底事件故障率獲得

筆者采用專家調查法獲得底事件故障率,根據調查人員的工作年限、工作崗位設定相應的比列權重,對調查得到的數據做線性加權處理如下[12]96:

(10)

具體權重分配如表4所示。

表4 調查人員權重設置

表4中,筆者根據不同的工作崗位和平均工作年限來分配權重系數。

筆者對同種調查結果取均值計算,代入式(9)可得到一級排氣溫度超限故障樹的底事件的故障率。

筆者假設底事件故障狀態不為0時的故障率相同,如表5所示。

表5 底事件故障率

表5中,各級氣閥和活塞環的故障率相對較高,其他零部件故障率相對較低,與實際生產中氣閥和活塞環為易損件的事實相符合。

2.4 基于故障樹的專家系統搭建

專家系統是根據行業內的專業人士提供的知識經驗來模擬專家決策過程,并對復雜問題進行推理和解釋的一種計算機軟件系統[16-17]。其能夠很好地解決需要用不確定或不完全信息來描述的模糊問題[18]。運用專家系統對多源數據進行分析[19],便可找到造成當前故障的所有可能的原因[20]。

專家系統由CLIPS軟件進行設計,其包括知識庫、推理機、知識獲取系統和輸入輸出系統[21]。

知識庫是用來儲存專家知識和已知規則的。其中,常用產生式規則表示如下:

If…Then…

(11)

知識的表達采用框架的模式,將知識定義為一個類,利用自定義模板和槽值(slot)對知識中的屬性進行定義和約束,從而搭建知識庫。

推理機由一條條規則組成,其根據事實對規則進行匹配,若規則前件部分匹配成功,則會執行規則的后件,后件執行結果會加入議程中,進行下一步推理。

活塞式壓縮機排氣溫度計算公式如下:

(12)

因此,根據公司專家經驗和歷史數據,筆者討論整理出該型號活塞式氫氣壓縮機各級排氣溫度超限的專家規則,并對一級排氣溫度超限的故障診斷專家規則進行展示,如表6所示。

表6中展示了基于專家經驗的用于診斷一級排氣溫度超限的專家規則。其對應的判斷標準為該壓縮機工作時的報警值和停機值值域,如表7所示。

表7中,所有參數來源于該設備的設計標準。

在CLIPS軟件中,根據T-S故障樹和底事件關鍵重要度大小順序[21],筆者搭建了基于多叉樹的推理模型。該模型利用CLIPS軟件產生式規則的正向鏈推理方式及其獨特的Rete模式匹配算法,在頂事件發生后,將監測到的故障參數傳入專家系統中。專家系統會按照知識庫中對應的規則進行比較推理,得到發生故障的具體零部件[22]。

3 實例分析

3.1 底事件重要度計算分析

筆者利用MATLAB對基于BN的T-S故障樹算法進行編程,在工作表1中將每個T-S模糊門的規則都寫入獨立的Excel表中,在工作表2中寫入該T-S模糊門輸入事件的故障率,并由頂向下進行計算,對各級排氣溫度超限的T-S故障樹底事件進行重要度分析。

筆者以一級排氣溫度超限故障為例進行展示,其BN如圖5所示。

圖5 模糊故障樹轉換成BNFig.5 Fuzzy fault tree analysis converted to BN

圖5中,一級排氣溫度超限的T-S故障樹轉換成了對應BN的結果。

然后,筆者把專家調查法獲得的底事件概率代入所編寫的MATLAB程序中,計算得到:P(T1=0.5)=0.000 492 1,P(T1=1)=0.000 749 0。

根據式(6)和式(7),可得底事件不同狀態引起頂事件不同狀態的概率重要度如表8示。

表8 底事件概率重要度

表8中,頂事件T1故障狀態為0.5時,底事件概率重要度排序為:

X2≥X3≥X10≥X1≥X8≥X9≥X7≥X6≥X5≥X7。

頂事件T1故障狀態為1時,底事件概率重要度排序為:

X2≥X3≥X10≥X1≥X8≥X9≥X7≥X6≥X5≥X7。

這說明引起一級排氣溫度超限的薄弱環節為X2(二級活塞環損壞)、X1(一級進氣閥)、X3(三級活塞環損壞)、X9(二級進氣閥故障)、X8(一二級氣液分離器堵塞)以及X10(濾網堵塞),因此應對相關零部件進行定期檢查或者更換保養[23-24]。

根據式(7)和式(8),筆者計算關鍵重要度結果如表9所示。

表9 底事件關鍵重要度

表9中,頂事件T1故障狀態為0.5時,底事件關鍵重要度排序為:

X3≥X2≥X1≥X9≥X10≥X8≥X4≥X5≥X6≥X7。

頂事件T1故障狀態為1時,底事件關鍵重要度排序為:

X3≥X9≥X1≥X2≥X10≥X8≥X4≥X5≥X6≥X7。

這說明在出現一級排氣溫度超限時,可根據底事件關鍵重要度的排序來確定故障零部件診斷的順序。

3.2 頂事件故障概率預測

以一級排氣溫度超限T-S故障樹為例,設各個零部件的故障程度為:X1=0.1,X2=0.12,X3=0.24,X4=0.1,X5=0.1,X6=0,X7=0.2,X8=0.06,X9=0.18,X10=0。

筆者計算可得每個基本事件對應不同故障狀態的隸屬度,如表10所示。

表10 基本事件對應不同故障狀態的隸屬度

表10中,各個數據表示不同故障程度的底事件對應的隸屬度。

筆者計算可得中間事件和頂事件各個故障狀態預測的模糊故障率,如表11所示。

表11 事件發生的模糊故障率

由表11可知:就算是基本事件發生輕微故障,也有可能會導致頂事件的故障發生。

3.3 故障診斷專家系統應用

現場試車時,筆者選擇壓縮系數與氫氣相差不大的空氣為壓縮對象,以各參數停機值作為界限,來保證各管道、閥門等零部件在極端條件下的可靠性。

以四級排氣溫度超限為例,現有首次試車時的試車數據記錄,如表12所示。

表12 首次試車記錄

表12中,筆者展示了部分用于診斷壓縮機排氣溫度超限的參數,并省略了一部分正常參數。

從表12可知:四級排氣溫度超過了氫氣壓縮機排氣溫度的上限(135 ℃),因此,需對其進行故障診斷。

筆者將故障數據輸入專家系統中進行故障診斷,其推理結果如圖6所示。

現場人員按照圖6診斷結果進行停機排查,發現三四級級間冷卻器冷卻水閥門未完全打開。

故障處理完畢后,筆者得到新的試車數據如表13所示。

由表13可知:將三四級級間冷卻器冷卻水閥門完全開啟后,四級排氣溫度超限的故障現象消失了,說明此次故障診斷正確。

圖6 試車數據診斷結果Fig.6 Diagnosis results of test run data

表13 后續試車記錄

4 結束語

筆者對某公司生產的DW-(5.6-13)/(0.2-0.5)-20型無油潤滑變頻活塞式氫氣壓縮機一級排氣溫度超限的故障進行了相關零部件重要度分析和故障自診斷系統的設計。

研究結果表明:

1)搭建了該故障的T-S故障樹模型,利用基于BN的T-S故障樹分析法對底事件進行了概率重要度和關鍵重要度分析,確定了引起一級排氣溫度超限的薄弱環節和故障診斷順序;

2)利用模糊數表征了一級排氣溫度超限T-S故障樹底事件的故障狀態,計算得到了一級排氣溫度超限故障發生的預測概率;

3)利用CLIPS設計基于規則的故障診斷專家系統,將某次試車時的故障數據輸入系統中進行了分析,得到了引起此次故障的原因,且該原因與事實相符,達到了設備對故障的自診斷目的。

筆者將繼續研究專家系統知識獲取方式,把神經網絡、數字孿生技術等具備學習、預測能力的先進技術,與專家系統進行結合開發,達到自主獲取專家系統知識的目的。