范大鵬， 王雪丹

(1.黑龍江科技學(xué)院 計算機與信息工程學(xué)院;2.黑龍江科技學(xué)院 電氣與信息工程學(xué)院，哈爾濱 150027)

云模型方法在選煤廠跳汰系統(tǒng)中的故障檢測與診斷

范大鵬1， 王雪丹2

(1.黑龍江科技學(xué)院 計算機與信息工程學(xué)院;2.黑龍江科技學(xué)院 電氣與信息工程學(xué)院，哈爾濱 150027)

針對傳統(tǒng)的故障檢測與診斷方法的局限性，筆者結(jié)合信息融合思想和云模型算法，提出了用于選煤廠跳汰系統(tǒng)故障檢測與診斷的云模型方法。采用一維云模型推理映射算法，代替?zhèn)鹘y(tǒng)神經(jīng)網(wǎng)絡(luò)方法的訓(xùn)練過程，融合多源信息合并處理，保證檢測和診斷的正確性，并進行實時檢測仿真。結(jié)果表明:系統(tǒng)辨識精度較高，能很好地反應(yīng)跳汰系統(tǒng)工作情況，并能及時判斷。該方法用于選煤廠跳汰系統(tǒng)故障檢測與診斷可行。

云模型;推理映射;信息融合;神經(jīng)網(wǎng)絡(luò)

0 引言

傳統(tǒng)的故障檢測與診斷多采用神經(jīng)網(wǎng)絡(luò)的方法，存在諸多的局限性。如神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間長，長時間的訓(xùn)練可能導(dǎo)致檢測算法不及時，不能實現(xiàn)實時檢測的目的;神經(jīng)網(wǎng)絡(luò)還需要大量的訓(xùn)練數(shù)據(jù)，反向傳導(dǎo)是神經(jīng)網(wǎng)絡(luò)的特點，但是并不能保證網(wǎng)絡(luò)能夠恰當(dāng)?shù)墓ぷ鳎锌赡芟萑刖植孔钚≈档那闆r;神經(jīng)網(wǎng)絡(luò)的訓(xùn)練不能保證完全可靠，每一次訓(xùn)練都有可能產(chǎn)生不同的結(jié)果。

信息融合基于多源信息合并處理的思想，既可以防止單獨信息的不可靠性，同時又可能將多源信息充分吸收，提取多源信息中相互關(guān)聯(lián)的有用信息。故障檢測與診斷中采用信息融合技術(shù)，可以保證檢測和診斷的正確性。

云模型是定性定量不確定轉(zhuǎn)換模型，既突出了模糊理論處理問題直接和簡潔的特點，同時又完善了其隸屬關(guān)系選擇的隨機性［1］。

綜上，筆者應(yīng)用信息融合的技術(shù)，結(jié)合神經(jīng)網(wǎng)絡(luò)訓(xùn)練的思想，采用一維云模型推理映射算法代替神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，提出了選煤廠跳汰系統(tǒng)故障檢測與診斷的云模型方法。以某選煤廠跳汰系統(tǒng)為研究對象，對云模型方法進行仿真驗證。

1 云模型

設(shè)U是一個用精確數(shù)值表示的定量論域，X?U，T是U空間上的定性概念，若元素x(x∈X)對T所表達的定性概念的隸屬確定度CT(x)∈［0，1］是一有穩(wěn)定傾向的隨機數(shù)，則概念T從論域U到區(qū)間［0，1］的映射在數(shù)域空間的分布，稱為云。CT(x)在［0，1］上取值，云是從論域到區(qū)間［0，1］的映射，即

從云的基本定義可以看出，論域U上的概念T從論域U到區(qū)間［0，1］的映射是一對多的關(guān)系，即論域中某一元素與它對概念T的隸屬度之間的映射是一對多的關(guān)系，而不是傳統(tǒng)模糊隸屬函數(shù)中的一對一的關(guān)系［1－2］。

正態(tài)云發(fā)生器［2］其算法步驟為:

2 一維云模型推理映射

一維云模型映射器算法［3］:

(1)令i=1，j=1，k=1。

(2)根據(jù)正態(tài)云發(fā)生器算法，完成其中的步驟(1)～(2)。

(3)i=i+1。

(4)當(dāng)i=N時，執(zhí)行步驟(5);否則返回(2)。

(5)計算

設(shè)輸入云模型論域U=［umin，umax］，輸入云模型集合A={Ai}，i=1，2，…，N;輸出云模型論域V=［vmin，vmax］，輸出云模型集合B={Bj}，j=1，2，…，M。規(guī)則庫規(guī)則Rule k:if A=Ak，then B=Bk，k=1，2，…，L。定量輸入xi∈［umin，umax］。

一維輸入輸出映射關(guān)系算法:

(1)令x0=umin，Δx=0.001，m=0;

(2)根據(jù)一維云模型映射器算法，完成其中的步驟(1)～(5);

(3)輸出數(shù)據(jù)對(xm，ym);

(4)xm+1=xm+Δx，m=m+1;

(5)若xm＞umax，則結(jié)束;否則，返回(2)。

3 故障檢測與診斷

3.1 信息融合定義

所謂多傳感器數(shù)據(jù)融合［4－5］就是通過對空間分布的多源信息——各種傳感器的時空采樣，對所關(guān)心的目標(biāo)進行檢測、關(guān)聯(lián)、跟蹤、估計和綜合等多級多功能處理。以更高的精度、較高的概率或置信度得到所需要的目標(biāo)狀態(tài)和身份估計，以完整、及時的態(tài)勢和威脅估計，為領(lǐng)導(dǎo)層提供有用的決策信息。

這一定義基本上能夠描述數(shù)據(jù)融合的三個主要功能:第一，數(shù)據(jù)融合是在多個層次上對多源信息進行處理，每個層次代表信息處理的不同級別;第二，數(shù)據(jù)融合過程包括檢測、關(guān)聯(lián)、跟蹤、估計和綜合;第三，數(shù)據(jù)融合過程的結(jié)果包括底層次上的狀態(tài)和屬性估計，以及高層次上的態(tài)勢和威脅評估。

3.2 跳汰自控系統(tǒng)故障檢測與診斷系統(tǒng)結(jié)構(gòu)

基于信息融合的概念，設(shè)計出適用于選煤廠跳汰系統(tǒng)中的故障檢測與診斷系統(tǒng)結(jié)構(gòu)，如圖1所示。故障檢測與診斷系統(tǒng)從數(shù)據(jù)信息中提取出信息融合所表示的隱含的、不確定的、潛在的知識，包括規(guī)律、分類規(guī)則和序列模式等，用于管理、查詢、處理、決策、控制等應(yīng)用。如圖1，主要包括診斷和對策知識，這些知識成為故障檢測與診斷系統(tǒng)的信息［6］。檢測與診斷過程包括先驗知識，還包括采集得到的關(guān)于對象狀態(tài)的新知識，為驗證檢測與診斷知識融合結(jié)果的正確性，需要對故障情況進行人工或真實情況下的故障復(fù)現(xiàn)。這些信息經(jīng)過融合結(jié)構(gòu)的融合，對應(yīng)于一般檢測與診斷系統(tǒng)的故障檢測、診斷和隔離。

圖1 故障檢測與診斷系統(tǒng)結(jié)構(gòu)Fig.1 Fault detection and diagnosis system structure

3.3 云模型故障檢測與診斷算法

基于云模型的系統(tǒng)故障檢測與故障診斷過程為:將采集的輸入、輸出數(shù)據(jù)，利用正態(tài)云模型算法生成云特征值;應(yīng)用一維云模型推理映射器生成輸入、輸出映射關(guān)系;最好計算實時檢測閾值，利用實時檢測數(shù)據(jù)檢測系統(tǒng)是否正常。云模型故障檢測與診斷算法流程如圖2所示。

圖2 云模型故障檢測與診斷算法流程Fig.2 Cloud model process fault detection and diagnosis algorithm

為了進行故障檢測，定義實時檢測指標(biāo)Sd:

式中:n——輸出參數(shù)個數(shù);

y——測量參數(shù);

ys——一維云模型推理映射仿真輸出。

計算時，將已采集的t時刻的值y(t)作為輸入，一維云模型推理映射仿真輸出為 ys(t)，然后將ys(t)與采集的t+1時刻數(shù)據(jù)y(t+1)相比較，計算得到該時刻點的實時檢測指標(biāo)，再對其進行統(tǒng)計分析，得到檢測閾值St。檢測閾值由其均值加上方差的若干倍構(gòu)成。具體故障檢測邏輯［6］為

若Sd＜St，則系統(tǒng)工作正常;

若Sd≥St，則系統(tǒng)工作異常。

此外，為剔除數(shù)據(jù)采集的野點，提高故障檢測可靠性，引入持續(xù)性原則。即只有當(dāng)連續(xù)3個時刻點發(fā)現(xiàn)工作異常，才能判定系統(tǒng)出現(xiàn)故障。

4 實時檢測仿真

4.1 檢測參數(shù)

某跳汰機系統(tǒng)主要分為空氣室、水流室、床層等組件［7］，通過分析比較，對跳汰機進行故障檢測與診斷過程中使用的參數(shù)如表1。

表1 輸入和輸出參數(shù)Table 1 Input and output parameters

4.2 仿真結(jié)果

跳汰全系統(tǒng)根據(jù)文獻［7］中的數(shù)據(jù)，設(shè)規(guī)則庫規(guī)則為

由一維云模型算法計算全系統(tǒng)輸入、輸出為:

全系統(tǒng)檢測與診斷過程見圖3。從圖3c映射關(guān)系可以看出，輸入和輸出呈現(xiàn)遞增關(guān)系;圖3d是正常檢測結(jié)果，采用20個時間點作為檢測對象，根據(jù)圖3d和故障檢測邏輯很清晰地判斷出系統(tǒng)工作正常;從圖3e可見，隨著時間的推移，實時檢測數(shù)據(jù)偏移檢測閾值，呈遞增的趨勢，符合系統(tǒng)異常檢測邏輯。

圖3 全系統(tǒng)檢測與診斷過程Fig.3 System-wide detection and diagnosis process

根據(jù)全系統(tǒng)檢測，如果系統(tǒng)存在異常，就要對每個設(shè)備分別檢測。假定空氣室壓力異常，檢測過程與診斷結(jié)果如圖4所示。同樣采用20個時間點作為檢測對象，圖4c空氣室壓強推理映射關(guān)系顯示，輸入和輸出呈規(guī)則的正弦關(guān)系;圖4d可見，空氣室壓力隨著時間的推移，在16 s后實時檢測數(shù)據(jù)超過檢測閾值，且呈上升趨勢，由此可以判斷空氣室壓力存在異常。

設(shè)規(guī)則庫規(guī)則為:

由一維云模型算法計算空氣室輸入、輸出集合為:

圖4 空氣室檢測與診斷過程Fig.4 Detection and diagnosis of air chamber

5 結(jié)束語

一維云模型推理映射方法可以解決選煤廠跳汰系統(tǒng)故障檢測與診斷問題。根據(jù)選煤廠跳汰系統(tǒng)故障檢測與診斷的特點，采用數(shù)據(jù)融合的思想，將分散檢測與統(tǒng)一檢測相結(jié)合，改變以往單一檢測不夠精確的不足。該方法采用輸入、輸出映射的機制，由于沒有網(wǎng)絡(luò)訓(xùn)練的過程，所以較神經(jīng)網(wǎng)絡(luò)方法效率、精度均提高，仿真結(jié)果證明該方法可行。

［1］李德毅，杜 鹢.不確定性人工智能［M］.北京:國防工業(yè)出版社，2005.

［2］范大鵬，王雪丹，李 丹.選煤廠配煤調(diào)度中的云模型改進遺傳算法［J］.黑龍江科技學(xué)院學(xué)報，2011，21(2):112－115.

［3］高 鍵，李 眾.一維云模型推理映射器設(shè)計及其應(yīng)用［J］.系統(tǒng)仿真學(xué)報，2006，18(7):1861－1865.

［4］劉國明，夏祖勛，解洪成.數(shù)據(jù)融合技術(shù)及其應(yīng)用［M］.北京:國防工業(yè)出版社，1998.

［5］楊萬海.多傳感器數(shù)據(jù)融合及其應(yīng)用［M］.西安:西安電子科技大學(xué)出版社，2004.

［6］徐宗本，樊忠澤.基于云神經(jīng)網(wǎng)絡(luò)的空間推進系統(tǒng)故障檢測與診斷［J］.兵工學(xué)報，2009，30(6):727－732.

［7］郭西進.選煤廠CIMS環(huán)境下管理信息系統(tǒng)的分析、設(shè)計、應(yīng)用［M］.徐州:中國礦業(yè)大學(xué)出版社，2003.

Fault detection and diagnosis for coal preparation plant jigging system based on cloud model and information fusion

FAN Dapeng1， WANG Xuedan2
(1.College of Computer＆Information Engineering，Heilongjiang Institute of Science＆Technology; 2.College of Electric＆Information Engineering，Heilongjiang Institute of Science＆Technology，Harbin 150027，China)

Aimed at eliminating negative features of the conventional fault detection and diagnosis，this paper proposes the cloud model method designed for fault detection and diagnosis for coal preparation plant jigging system，combined with the cloud model ideas and information fusion algorithm.The method involves substituting reasoning mapping algorithm based on one-dimensional cloud model for conventional neural network training process for the consolidation of multi-source information integration to ensure the accuracy of detection and diagnosis and real-time detection simulation.The results show that the system，capable of a higher accuracy identification，a better response to jigging system work，and timely judgments，promises to come into feasible use in fault detection and diagnosis of coal preparation plant jigging system.

cloud model;reasoning mapping processer;information fusion;neural network

TP18;TD928

A

1671－0118(2011)04－0289－04

2011－07－10

范大鵬(1979－)，男，黑龍江省哈爾濱人，工程師，碩士，研究方向:智能控制、數(shù)據(jù)融合，E-mail:fandap－02@yahoo.com.cn。

(編輯徐 巖)