文摘
根据泵站故障诊断的特点,如复杂的结构,多种映射,以及众多不确定性,t - s模糊门故障树相结合的新方法和贝叶斯网络(BN)提出。一方面,传统的故障树方法需要事件之间的逻辑关系和事件的概率值,只能代表两种状态的事件。t - s模糊门故障树方法可以解决这些缺点,但仍然有弱点在复杂的推理和只有单向的推理。另一方面,泵站的BN适用于故障诊断,因为其强大的处理不确定信息的能力。然而,很难确定的结构和条件概率表BN。因此,该方法将这两种方法的优点。最后,验证了方法的可行性通过转子在抽油机的故障诊断模型,验证了方法的准确性进行比较与传统方法基于贝叶斯网络和BP神经网络,分别是充分的历史数据,结果更优于上述两个当历史数据是不够的。
1。介绍
操作的南水北调工程的第一阶段,可靠性和能力实现泵站的预设功能和各级单位将影响整个项目的有效性,而每个泵站的故障可能会导致对工程安全的重大问题,重大经济损失和严重的社会影响,如果进一步扩大。因此,监测具有重要意义,评估、预测和诊断泵站的运行状态和单位。
大型泵站的运行状态的耦合影响液压、机械、和电磁因素。和影响其效率的因素或失败往往是多个。同时,有不同的稳定状态或过渡状态对应于不同条件下启动和停止和叶片调整过程中操作。因此,故障诊断的泵站(集团)可以分为传统的故障诊断和确定的故障诊断。前者如电气设备已经得到解决,因为它是拥有的计算机监控系统。然而,这些不确定的故障诊断耦合下的机械、液压、和电磁因素是困难的1- - - - - -3]。
贝叶斯网络是一个聪明的方法结合概率论,图论和决策理论。最近,许多研究人员集中在故障诊断领域,特别是在复杂系统与大量的不确定信息(4- - - - - -6]。但在大型泵和排水泵中的应用很少。在文献[7),贝叶斯网络是首先应用于故障诊断的水轮发电机通过构建一个简单的故障诊断系统对水轮发电机,SmartHydro,它使用不同的频率的振动故障特征实现的诊断几个主要因素引起的机械故障,液压、电磁等。该方法充分利用贝叶斯网络的优势解决不确定问题的抽油机故障诊断。然而,一个真正的抽油机的故障机理复杂得多。大量的节点和条件概率表需要构建一个完整的贝叶斯网络。贝叶斯网络是结合噪声或模型在文献[8)计算单个节点之间的连接概率和整个系统的结果只有确定的概率公式,结果每个节点之间的关系。验证,该模型大大减少了需要的条件概率确定并提出应用贝叶斯网络在抽油机故障诊断。然而,很难理解错机制,建立贝叶斯网络在泵站等大型复杂系统准确。需要有经验的专家的帮助和学习大量历史数据的基础上,特别是历史故障数据。作为一个新开发的大型复杂系统,历史故障数据的数量的泵站(集团)在南水北调项目非常少。此外,在构造贝叶斯网络的节点数量非常大。因此,它更难以确定的结构和条件概率表。
一些研究人员结合了传统的故障树理论与贝叶斯网络构造贝叶斯网络的来解决这个问题。然而,传统的故障树有许多缺点:(1)之间的逻辑关系和概率事件需要清楚。(2)兼容性不强。这意味着现有的数据系统条件改变时不适用。(3)每一个事件可以描述只有两种状态:。提出的t - s模糊故障树分析方法门歌等。9)整合了模糊故障树理论,这不仅可以克服缺点(1)通过描述事件之间的联系为一个不确定的项也描述系统的多个州方便。但仍存在一些缺点,如兼容性差,复杂的推理过程,只有单向的推理。
因此,本文结合了t - s模糊故障树方法和贝叶斯网络方法门(10],可以转换的模糊规则的t - s模糊故障树门到门条件概率表的贝叶斯网络,充分利用贝叶斯网络的高效并行双向推理能力,实现泵站的不确定的故障诊断。最后,根据上述方法,贝叶斯网络构造和转子的故障诊断,这是最重要的和最错误的组件的泵设备,证明了网络的正确性和优越性。
本文的其余部分概述如下:首先,t - s模糊门故障树和贝叶斯网络情况进行了简要的评述。然后,t - s模糊门改造的具体步骤,描述了故障树向贝叶斯网络。最后,验证了提出的方法的有效性和优越性通过转子的最重要和最容易在泵设备故障。
2。t - s模糊故障树
与传统的故障树方法相比,t - s模糊门故障树方法结合了模糊理论与故障树的方法,为上下事件之间的关系提供了不确定性,并与模糊数表达故障概率。这些事件层之间通过模糊门相连,这是一个产生式规则定义不同状态的概率的事件引起的底事件的不同组合。t - s模糊门故障树模型是一个典型的在本节描述。图1显示了t - s模糊故障树模型。
在图1, 有五个底事件,每个都有吗 的值描述为状态 ,分别。 是为顶部事件故障状态的数量吗和中间事件,可以被描述为,,。,,代表盖茨的t - s模糊规则,,,分别。当地的t - s模糊规则的模糊故障树组成的门,t - s盖茨,,,可以在桌子上吗1。
t门有以下规则或公式,这也是BN中的对应节点的条件概率:
3所示。BN
3.1。贝叶斯网络的概述
贝叶斯网络使用一个图形化的方式来表达多个变量的联合概率,以及变量之间的因果关系是由定向连接线路。给每一个根节点先验概率,每个子节点的条件概率表9。贝叶斯网络可以由多个元组表示在哪里是节点变量,是定向连接节点之间的界线,是条件概率表代表节点之间的连接强度。它结合了定向非循环图和概率理论。更客观和科学的正式的概率论基础,及其知识表达形式也更加直观。贝叶斯网络是更客观的先验知识相结合的专家和后数据。先验知识占主导地位,当后数据少,虽然后知识主宰当后知识丰富。一个典型的贝叶斯网络结构如图2。
3.2。贝叶斯网络的建设
三个部分应该确定在构建一个完整的贝叶斯网络:节点变量,网络的结构,每个节点的条件概率表。有三种主要的方法来确定后两个。
(1)完全通过专家的经验。这个方法是人类的知识,受到的限制和网络的偏见在实际应用可以很容易找到。
(2)学习完全通过历史数据。足够的历史数据时,该方法适应性强,推理BN科学的结构和参数。
(3)结合上述两种。历史数据往往不足,所以BN的节点和结构可以由专家,和参数可以确定通过学习从数据。该方法应用在实践中,因为它可以减少的困难决定网络的参数和结构学习错误数据不足造成的。
数据驱动的BN的参数学习方法主要是以下两个:(1)最大似然估计法和贝叶斯法可以用来当数据就足够了。他们所示,分别 在哪里是一个随机变量, 是一个数据集,的最大似然函数吗。(2)当数据是不够的,如果网络的拓扑结构是已知的,他们(期望最大化)可以用来计算参数。如果网络的结构是未知的,可以使用结构最大期望方法。这里不详细的具体步骤,可以在相关文献中找到。
3.3。贝叶斯网络推理
有三种贝叶斯网络推理:支持推理、因果推理,和诊断推理。本节的重点是最后一个,这决定了导致根据测量特征节点异常故障发生时的现象。步骤如下:(1)获得国家的功能节点,并让其概率值是1。(2)让事实获得节点,然后任何节点的边际概率是 (3)根据给定的, 可以被边缘化计算所有节点的联合概率密度。故障诊断的过程中使用的公式包括以下:贝叶斯公式是 链规则
4所示。从t - s模糊树转换到BN
t - s模糊故障树转化的过程中,BN,顶部事件,事件,和t - s模糊故障树的底事件对应的叶子节点,中间节点,根节点的贝叶斯网络。事件之间的模糊规则,它们对应于节点之间的条件概率表。根据事件和顶部之间的关系中间事件和底部中间事件和事件之间的关系,根节点、中间节点和叶节点与定向连接线路,形成一个完整的BN (10,11]。流程图如图3。
考虑到叶节点的故障状态的后验概率 根节点的与故障状态可以通过贝叶斯条件概率公式: 在哪里 模糊子集的重心,将模糊子集转换为一个精确值。
如果所有根节点的故障概率模糊子集,然后叶节点的故障概率模糊子集 可以通过贝叶斯网络的条件独立性和链规则。它是由以下公式表示: 在哪里代表所有叶节点的父节点的集合和如果故障概率模糊子集根节点的故障状态吗表示为。
5。转子故障诊断的基于t - s模糊故障树和BN门
5.1。水泵的转子故障诊断
建筑、电气和机械设备和辅助设备的主要部件是泵站。机电设备主要包括主水泵、动力机械、电气设备和金属结构(12]。直接工作的一部分的操作单元,主水泵和电动机是最容易失败的泵站,他们是否能够安全操作直接影响抽油机的功能和效率。研究表明,超过一半的旋转机械的故障是由转子的故障引起的,这是一个主要组件的泵设备(13]。因此,转子的故障诊断是最重要的部分整个泵机组的故障诊断。当有故障的转子,它不仅极大的危害到整个泵装置也会影响泵的灌溉和排水的任务单位严重,导致不可估量的损失。所以有必要实现对转子故障诊断。在转子振动故障的主要形式和异常振幅的增加电力频率是最常见的现象。在以下,说明了该方法的有效性在故障诊断通过现象,转子的振幅的频率增加。
导致异常的常见故障转子的功率频率的振幅增加质量不平衡,转子的热弯曲。和质量不平衡的原因是污染,破坏,或脱落的组件和初始偏心,而热弯曲的原因是单位的不合适的停车和不均匀的热运动。这种方法的t - s模糊故障树构建门是描绘在图1。表2代表相应的模式或每个节点的故障原因和状态。有两个州(是的,no)异常事件的增加,转子的功率频率和幅度破损或脱落的组件和三个州(严重,一般,无人)其他故障事件。然后,t - s模糊门故障树转化为贝叶斯网络图中描述4根据图中所示的方法3。
表3显示根节点的故障数据。这些数据来自于一些大型泵站在江苏省近年来解决通过使用统计数据。当故障状态的基本频率是1,把这些数据和磋商与专家和可能的故障概率的模糊子集转子系统如表所示4,每个概率模糊子集的中心值的最大可能值的概率是错,左边是下限,是上限。表5~7是相对应的模糊门规则构造t - s模糊故障树。例如,规则在表15表明当的状态是(0,0,0),上层事件的概率将0,0.5,1 = 1,0,分别和0。
当叶子节点的故障状态是1,根节点的故障概率 可以获得的(7)。 同样,剩下的根节点的故障概率如表所示9。
的情况下获得转子的振幅异常电源频率的增加,每根节点的故障概率是通过上面的推理。从表9从大到小的顺序 。所以异常的最可能原因的振幅增加转子的功率频率破损或脱落的部件,然后是古怪的。
5.2。算法的比较和分析
在完整的历史数据,BN的结构是由专家的经验,每个节点的条件概率表是通过学习获得的数据。当叶节点异常,传统的故障诊断方法建立基于BN通过这种方法,它计算叶节点的故障概率表所示10。此外,BP神经网络训练同样的数据,和故障诊断的结果也显示在表中10。考虑到不完整的数据,美国的一些节点设置为未知,和故障诊断的结果通过本文提到的方法,传统的BN, BP神经网络也表所示10。
为便于分析,结果表10转换成折线图如图5。从图可以看出,当完成历史数据,本文方法的结果类似于基于BN,传统的故障诊断方法,因此本文提出的方法的有效性。但是结果基于BP神经网络的方法有错误,因为故障诊断基于BP神经网络需要大量的有效的历史数据,这并不现实。当历史数据不完整,由三种方法获得的结果都在误差与数据完成后获得的。但本文方法的诊断结果与完整的数据接近。原因是当数据是不完整的,诊断结果的准确性通过传统BN增加误差影响的参数学习,和BP神经网络的诊断结果更为准确,因为不完整的数据。本文的方法可以有效地减少数据丢失的影响为一体的专家的经验和t - s模糊故障树。
t - s模糊故障树,用于建筑、和BN的优点是用于推理。目前,基于联合树推理算法是最快的计算和使用最广泛的BN。方法的计算复杂度是指数级的增加与增加最大的聚集联合树。在处理一般BN,当前计算机的计算速度可以满足要求。
6。结论
本文结合了t - s模糊故障树方法和贝叶斯网络方法解决抽油机故障诊断的问题。该方法不仅克服了t - s模糊故障树方法复杂的推理,也很难确定贝叶斯网络的结构和条件概率表。验证了该方法的有效性通过转子的故障诊断,这是最容易的部分之一泵单元。结果优于简单的贝叶斯网络方法当数据是不够的。这种方法可以应用于泵站的故障诊断复杂的结构,许多不确定因素,多个映射。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作是支持的“关键技术集成和示范泵站的优化调度的南水北调东线工程”的国家关键技术研发项目在中国的第12个五年计划(2015 bab07b01)。