閆志國，鄭 明，宣愛國，吳元欣

(武漢工程大學(xué) 綠色化工過程省部共建教育部重點(diǎn)實(shí)驗(yàn)室湖北省新型反應(yīng)器與綠色化學(xué)工藝重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430073)

環(huán)管反應(yīng)器是丙烯聚合工藝中的一個重要組成部分，該系統(tǒng)影響參數(shù)多、相關(guān)設(shè)備多且大多處于高溫高壓的工作環(huán)境，其故障發(fā)生率高、危害較大。傳統(tǒng)的定時、周期性維修很難滿足安全生產(chǎn)的需要，人工智能方法實(shí)時檢測環(huán)管反應(yīng)器運(yùn)行設(shè)備參數(shù)，可根據(jù)各種參數(shù)的異常變化對系統(tǒng)進(jìn)行故障預(yù)測與診斷，為設(shè)備的長時間平穩(wěn)運(yùn)行提供安全依據(jù)。

模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy neural network，F(xiàn)NN)故障診斷方法通過對環(huán)管反應(yīng)器運(yùn)行流程的分析研究，提取故障及其征兆，結(jié)合模糊數(shù)學(xué)知識建立隸屬函數(shù)來描述故障及征兆信息并進(jìn)行推理，再借助神經(jīng)網(wǎng)絡(luò)對模糊信息進(jìn)行自學(xué)習(xí)、分析，建立一定的信息診斷規(guī)則系統(tǒng)，在此基礎(chǔ)上輸入征兆信息進(jìn)行計算即可得到正確的故障診斷結(jié)論。

1 模糊神經(jīng)網(wǎng)絡(luò)原理與結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)故障診斷是一種將模糊數(shù)學(xué)理論和人工神經(jīng)網(wǎng)絡(luò)理論相結(jié)合的故障診斷方法。在模糊數(shù)學(xué)基礎(chǔ)上建立模糊推理邏輯，通過隸屬函數(shù)的方法，結(jié)合環(huán)管反應(yīng)器系統(tǒng)運(yùn)行的專業(yè)知識理論，建立滿足人工神經(jīng)網(wǎng)絡(luò)軟件輸入輸出的故障征兆知識庫。人工神經(jīng)網(wǎng)絡(luò)軟件通過調(diào)用知識庫中的知識進(jìn)行學(xué)習(xí)，建立滿足系統(tǒng)故障處理要求的神經(jīng)網(wǎng)絡(luò)，進(jìn)行故障信息的分析和處理，得到正確的故障診斷結(jié)論。

1.1 模糊神經(jīng)網(wǎng)絡(luò)原理

化工生產(chǎn)過程中故障與征兆之間并沒有嚴(yán)格的定量或邏輯因果關(guān)系。對同一故障，可能會產(chǎn)生多種征兆；同一種征兆，可能對應(yīng)有多種故障存在。基于模糊數(shù)學(xué)知識的模糊集表示的模糊變量語言能夠更加準(zhǔn)確地表示具有模糊特性的征兆和故障，符合事物的客觀本質(zhì)，還能處理診斷過程中的不完整信息和不確定信息；神經(jīng)網(wǎng)絡(luò)具有處理復(fù)雜多模式及進(jìn)行聯(lián)想、推測及記憶的功能，具有自組織學(xué)習(xí)、自學(xué)習(xí)能力。融合了二者優(yōu)點(diǎn)的模糊神經(jīng)網(wǎng)絡(luò)技術(shù)就更加顯現(xiàn)出了這種特性[1]。

假定考察一個系統(tǒng)的3種故障類型：y1=故障1、y2=故障2、y3=故障3，于是構(gòu)成了故障集合Y={y1，y2，y3};故障征兆分為：x1=征兆1、x2=征兆2、x3=征兆3，構(gòu)成了征兆集合X={x1，x2，x3}。

設(shè)經(jīng)過模糊數(shù)學(xué)處理，對于故障類型征兆(x1)1的影響因素為70%、征兆2的影響因素為20%、征兆3的影響因素為10%；則有對x1的診斷向量為(0.7，0.2，0.1)、對x2為(0.3，0.4，0.3)、對x3為(0.3，0.3，0.4)。

于是得到一個故障與征兆的關(guān)系矩陣：

對于不同類型的故障，各個征兆因素的影響權(quán)重不同。假設(shè)某類征兆對故障的影響權(quán)重A=(0.5，0.3，0.2)，則，由模糊合成運(yùn)算可得到故障診斷向量(B)如下：

=(0.5，0.3，0.3)

式中，·表示模糊算子。

根據(jù)隸屬度最大原則，可知在權(quán)重A的影響下對于這類故障集最可能的影響因素是x1，即征兆1[2]。

基于模糊神經(jīng)網(wǎng)絡(luò)故障診斷的步驟一般如下：

(1)利用模糊數(shù)學(xué)知識將提取的故障征兆信息模糊化處理，處理后的數(shù)據(jù)要滿足神經(jīng)網(wǎng)絡(luò)的輸入輸出要求，同時要確保數(shù)據(jù)具有較好的精確度；數(shù)據(jù)一般分成訓(xùn)練樣本、檢驗(yàn)樣本和測試樣本3部分。

(2)利用處理后的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以獲得比較合適的神經(jīng)網(wǎng)絡(luò)模型。主要依據(jù)運(yùn)算得到的實(shí)際輸出與目標(biāo)輸出之間的誤差，較小則滿足設(shè)計要求。

(3)利用檢驗(yàn)數(shù)據(jù)來檢測神經(jīng)網(wǎng)絡(luò)模型的性能和泛化能力；進(jìn)一步修正網(wǎng)絡(luò)直到模型性能達(dá)到要求。

(4)輸入測試樣本進(jìn)行故障診斷。

1.2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

4層模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)的第1層為輸入層。輸入層的每個神經(jīng)元對應(yīng)一個輸入變量，直接將輸入數(shù)據(jù)傳給第2層神經(jīng)元。

第2層為模糊規(guī)則層。該層完成從特征信號向滿足網(wǎng)絡(luò)輸入模式之間的轉(zhuǎn)化，即將故障征兆變量信號轉(zhuǎn)化為以隸屬函數(shù)表示的模糊變量。

第3層為模糊推理層。該層應(yīng)用神經(jīng)網(wǎng)絡(luò)算法完成推理診斷。

第4層為輸出層。該層將第3層的數(shù)據(jù)進(jìn)行清晰化輸出，根據(jù)輸出向量的隸屬度來確定故障原因。各輸出節(jié)點(diǎn)輸出模糊數(shù)值大小代表該故障發(fā)生的可能性。

2 模糊理論對故障的表述

2.1 丙烯聚合環(huán)管反應(yīng)器溫度升高時故障征兆提取

通過對丙烯聚合環(huán)管反應(yīng)器溫度升高的故障機(jī)理進(jìn)行分析，得到了環(huán)管反應(yīng)器溫度升高的故障原因及其征兆參數(shù)變化樣本集，見表1。

表1 環(huán)管反應(yīng)器溫度升高時故障及其征兆參數(shù)變化

2.2 模糊邏輯推理

模糊邏輯推理是在模糊數(shù)學(xué)理論基礎(chǔ)上，通過隸屬函數(shù)的方法，結(jié)合環(huán)管反應(yīng)器設(shè)備運(yùn)行的專業(yè)理論，建立故障及征兆知識庫。模糊邏輯推理中最重要的環(huán)節(jié)是隸屬函數(shù)的確定。隸屬函數(shù)就是根據(jù)環(huán)管反應(yīng)器設(shè)備運(yùn)行的影響因素(即征兆參數(shù))對反應(yīng)器設(shè)備的影響程度，來確定主要故障的自定義函數(shù)。常用的隸屬函數(shù)形式有三角形函數(shù)、梯形函數(shù)、柯西函數(shù)和正態(tài)函數(shù)等。由于正態(tài)函數(shù)比較光滑平穩(wěn)，結(jié)合環(huán)管反應(yīng)器設(shè)備運(yùn)行情況，在此選用正態(tài)函數(shù)來表示故障及其征兆的隸屬函數(shù)[3，4]。

結(jié)合環(huán)管反應(yīng)器設(shè)備的典型故障及其征兆所具有的特點(diǎn)，設(shè)a為被測參數(shù)的下限值；b為被測參數(shù)的上限值。對于單向變大的參數(shù)，a為保證機(jī)器正常運(yùn)行的最低測量值；對于單向變小的參數(shù)，b為機(jī)器正常運(yùn)行的最大測量值；對于雙向波動的參數(shù)，a為保證設(shè)備正常運(yùn)行的最低限值，但大于最低測量值，b為保證設(shè)備正常運(yùn)行的最高限值，但小于最大測量值。

對于單向變大參數(shù)，隸屬函數(shù)設(shè)為：

當(dāng)x=b時，有f(b)<0.9，求得k(b-a)2<4ln10，為計算方便取k(b-a)2=10，代入函數(shù)式得:

對于單向變小參數(shù)，隸屬函數(shù)設(shè)為：

當(dāng)x=a時，有f(a)<0.1，求得k(a-b)2<4ln10，為計算方便取k(a-b)2=10，代入函數(shù)式得:

對于雙向波動變化參數(shù)，隸屬函數(shù)設(shè)為：

同上方法該函數(shù)中有f(a)=f(b)<0.1，化簡得函數(shù):

2.3 模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的確定

結(jié)合故障發(fā)生時參數(shù)的變化值可以得到神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本輸入數(shù)據(jù)和輸出數(shù)據(jù)及其對應(yīng)故障原因。結(jié)果見表2、表3。

表2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本輸入數(shù)據(jù)

表3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本輸出數(shù)據(jù)及對應(yīng)故障原因

表2中所取數(shù)據(jù)經(jīng)Matlab中的模糊邏輯工具箱驗(yàn)證，具有較高的準(zhǔn)確性。

3 神經(jīng)網(wǎng)絡(luò)設(shè)計

對于模糊化訓(xùn)練樣本集，本系統(tǒng)選用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。BP網(wǎng)絡(luò)的設(shè)計，一般從網(wǎng)絡(luò)層數(shù)、各層神經(jīng)元個數(shù)、初始權(quán)重值及學(xué)習(xí)率等的選取進(jìn)行考慮。

3.1 網(wǎng)絡(luò)層數(shù)及各層神經(jīng)元個數(shù)的確定

3.2 初始權(quán)重值及學(xué)習(xí)率的確定

由于BP網(wǎng)絡(luò)系統(tǒng)具有非線性的特點(diǎn)，初始權(quán)重值的選擇一般影響函數(shù)能否達(dá)到局部最小、是否收斂及訓(xùn)練時間的長短等。一般條件下，單獨(dú)訓(xùn)練BP網(wǎng)絡(luò)時，初始權(quán)重值的選擇范圍為(-1，1)之間的任意數(shù)。

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率直接影響每次訓(xùn)練權(quán)重值的變化量。大的學(xué)習(xí)率導(dǎo)致系統(tǒng)不穩(wěn)定，小的學(xué)習(xí)率不能保證網(wǎng)絡(luò)的誤差值趨向最小誤差。因此，一般選擇比較小的學(xué)習(xí)率來保證網(wǎng)絡(luò)的誤差最小，其取值范圍為(0.01，0.8)之間的任意數(shù)值[6]。在此學(xué)習(xí)率取值為0.01。

在獲得神經(jīng)網(wǎng)絡(luò)輸入輸出數(shù)據(jù)及設(shè)定各種訓(xùn)練參數(shù)之后，直接在Matlab7.0中Command Windows界面進(jìn)行編程或借用Mmatlab7.0自帶的神經(jīng)網(wǎng)絡(luò)工具箱(Nntool)進(jìn)行訓(xùn)練，得到滿足計算需要的模糊神經(jīng)網(wǎng)絡(luò)，將其存儲以供故障診斷時使用。

4 故障診斷實(shí)例

隨機(jī)采用環(huán)管反應(yīng)器發(fā)生故障時的現(xiàn)場參數(shù)運(yùn)行數(shù)據(jù)，利用上述的正態(tài)函數(shù)進(jìn)行模糊化處理，得到2組數(shù)據(jù)，如表4所示。

表4 神經(jīng)網(wǎng)絡(luò)故障診斷輸入數(shù)據(jù)

將表4中數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò)中進(jìn)行計算，對應(yīng)得到2組數(shù)據(jù)，如表5所示。

表5 神經(jīng)網(wǎng)絡(luò)故障診斷輸出數(shù)據(jù)

依據(jù)模糊隸屬度最大原則及表5可知，在樣本1和樣本2數(shù)據(jù)描述的參數(shù)變化下，最有可能產(chǎn)生的故障類型分別為y1(進(jìn)料系統(tǒng)故障)和y5(夾套水循環(huán)泵故障)，與丙烯聚合現(xiàn)場故障記錄相同。表明本方法是切實(shí)可行的。

5 結(jié)論

針對環(huán)管反應(yīng)器發(fā)生故障時其故障征兆參數(shù)變化的復(fù)雜性、模糊性，采用模糊神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行故障診斷。故障診斷實(shí)例表明，基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷方法結(jié)合了模糊理論和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，容錯力強(qiáng)、診斷速度快，能夠準(zhǔn)確地診斷丙烯聚合環(huán)管反應(yīng)器的典型性故障。

[1] 陳意，王軍，高占勝，等.基于分布式模糊神經(jīng)網(wǎng)絡(luò)的船舶機(jī)電故障診斷[J].中國航海，2008，31(1)：49-51，74.

[2] 朱劍英.智能系統(tǒng)非經(jīng)典數(shù)學(xué)方法[M].武漢：華中科技大學(xué)出版社，2001：156-168.

[3] 吳志鋼，林中達(dá).基于模糊神經(jīng)網(wǎng)絡(luò)的凝汽器故障診斷系統(tǒng)[J].燃?xì)廨啓C(jī)技術(shù)，2008，21(1)：42-45.

[4] 黃政淳，張德政.模糊神經(jīng)網(wǎng)絡(luò)在破碎機(jī)故障診斷系統(tǒng)中的應(yīng)用[J].微計算機(jī)信息，2006，22(7)：207-208，206.

[5] 王正武，張瑞平.基于神經(jīng)網(wǎng)絡(luò)的故障模糊診斷研究[J].系統(tǒng)工程學(xué)報，2005，20(3)：300-334.

[6] 周強(qiáng).基于模糊神經(jīng)網(wǎng)絡(luò)和遺傳算法的故障診斷方法研究[D].大連：大連理工大學(xué)，2004.