張莉莉，陳保東，晏永飛，羅 凱，孫憲航

(遼寧石油化工大學(xué)，遼寧 撫順 113001)

0 前言

油田注汽鍋爐是稠油開發(fā)的重要設(shè)備，它產(chǎn)生蒸汽干度為80%的高溫高壓的濕飽和蒸汽，注入油層中，對(duì)油層中的原油進(jìn)行加熱，降低稠油的粘度，增加原油的流動(dòng)性和滲透性，大幅提高原油采收率［1］。注汽鍋爐的正常穩(wěn)定地運(yùn)行是提高稠油采收率、降低安全事故發(fā)生率和減少經(jīng)濟(jì)損失的重要保證。因此對(duì)注汽鍋爐運(yùn)行中出現(xiàn)的故障進(jìn)行快速、準(zhǔn)確地判斷是十分必要的。蒸汽干度是油田注汽鍋爐安全運(yùn)行的重要參數(shù)，也是影響稠油熱采效果的重要指標(biāo)。蒸汽干度過高，會(huì)使鍋爐過熱而產(chǎn)生爆管現(xiàn)象。

隨著現(xiàn)代傳感技術(shù)的發(fā)展，高性能的采集器的不斷出現(xiàn)以及計(jì)算機(jī)技術(shù)的發(fā)展，信號(hào)處理技術(shù)和故障診斷技術(shù)的不斷完善，此外，計(jì)算機(jī)應(yīng)用和人工智能技術(shù)獲得重大發(fā)展，鍋爐故障診斷趨向智能化發(fā)展。為了更好地對(duì)注汽鍋爐進(jìn)行故障診斷，近十年來，王希光［2］、阮曙東［3］、李玉榮［4］、馬華杰［5］、石寧［6］等從故障樹理論、模糊專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、證據(jù)論信息融合等方面對(duì)鍋爐的故障診斷進(jìn)行了研究。

因此，本文從蒸汽干度測(cè)量?jī)x測(cè)得的蒸汽干度信號(hào)出發(fā)，在利用小波變換提取蒸汽干度的特征的基礎(chǔ)上，將人工智能理論和技術(shù)與故障診斷的理論和技術(shù)有機(jī)結(jié)合起來，可以有效地對(duì)注汽鍋爐的運(yùn)行工況進(jìn)行狀態(tài)檢測(cè)和故障診斷。本文首先介紹了基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)集成的注汽鍋爐故障診斷系統(tǒng)，接著闡述了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法和診斷策略，最后實(shí)驗(yàn)仿真結(jié)果證明了該故障診斷系統(tǒng)的準(zhǔn)確性和可靠性。

1 注汽鍋爐故障診斷系統(tǒng)結(jié)構(gòu)［7］

油田注汽鍋爐的智能故障診斷系統(tǒng)結(jié)構(gòu)如圖1所示。利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)的學(xué)習(xí)功能、聯(lián)想記憶功能、分布式處理信息功能可以很好地解決專家系統(tǒng)中的知識(shí)表示、獲取和并行推理等問題。根據(jù)專家對(duì)學(xué)習(xí)示例的分析，確定訓(xùn)練樣本，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)作為專家系統(tǒng)的知識(shí)庫(kù)，在此基礎(chǔ)上建立故障診斷神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)。

圖1 故障診斷系統(tǒng)結(jié)構(gòu)

基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)集成的故障診斷技術(shù)，將神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶功能、自學(xué)習(xí)功能等“低層智能”與專家系統(tǒng)的推理邏輯為主的“高層智能”，有機(jī)結(jié)合，可以做到優(yōu)勢(shì)互補(bǔ)，確保故障診斷的準(zhǔn)確性和可靠性。

2 故障診斷專家系統(tǒng)的原理與診斷策略

2.1 知識(shí)庫(kù)的建立

神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)(NNES)設(shè)計(jì)的重點(diǎn)是其知識(shí)庫(kù)，知識(shí)庫(kù)的設(shè)計(jì)是建立專家系統(tǒng)最重要和最艱巨的任務(wù)。

2.1.1 人工神經(jīng)網(wǎng)絡(luò)模型及其學(xué)習(xí)算法［8］

神經(jīng)網(wǎng)絡(luò)是用大量神經(jīng)元的互連及對(duì)各連接權(quán)值的分布來表示特定的概念或知識(shí)。在進(jìn)行知識(shí)獲取時(shí)，它要求領(lǐng)域?qū)＜姨峁?shí)例及相應(yīng)的解，通過特定的學(xué)習(xí)算法對(duì)樣本進(jìn)行學(xué)習(xí)，通過網(wǎng)絡(luò)內(nèi)部的自適應(yīng)算法不斷修改權(quán)值分布以達(dá)到要求，把領(lǐng)域?qū)＜仪蠼鈱?shí)際問題的啟發(fā)式知識(shí)經(jīng)驗(yàn)分布到網(wǎng)絡(luò)的互連和權(quán)值分布上。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)是具有單隱層的三層前饋網(wǎng)絡(luò)，它可以以任意精度逼近任一連續(xù)函數(shù)。RBF神經(jīng)網(wǎng)絡(luò)克服了BP神經(jīng)網(wǎng)絡(luò)的缺陷，在逼近能力、分類能力和學(xué)習(xí)速度等方面均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

圖2 RBF神經(jīng)網(wǎng)絡(luò)的模型

學(xué)習(xí)算法，隱層節(jié)點(diǎn)數(shù)的確定，輸入，輸出徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)的構(gòu)成包括3層:輸入層、隱層和輸出層。輸入層是蒸汽干度的特征參數(shù)，輸出層是目標(biāo)參數(shù)(即故障類型)，隱層節(jié)點(diǎn)數(shù)的確定方法很多，在文章中采用的是其中，L為隱層節(jié)點(diǎn)數(shù)，N為輸入層節(jié)點(diǎn)數(shù)，M為輸出層節(jié)點(diǎn)數(shù)，a為［1，10］之間的常數(shù)。輸入層節(jié)點(diǎn)傳遞輸入信號(hào)到隱層，隱層節(jié)點(diǎn)由高斯核函數(shù)(徑向基)描述，而輸出層節(jié)點(diǎn)通常由簡(jiǎn)單的線性函數(shù)刻畫。

在學(xué)習(xí)過程中，設(shè)有p組輸入/輸出樣本xp/dp，yp是在xp輸入下網(wǎng)絡(luò)的輸出，定義目標(biāo)函數(shù)

學(xué)習(xí)的目的是使J≤ε，其中ε為給定誤差隱層第i個(gè)結(jié)點(diǎn)的輸出為

其中，‖X－ci‖為歐式范數(shù)，X為輸入樣本，ci為RBFNN隱結(jié)點(diǎn)的中心，利用梯度下降法迭代求得，σ2為標(biāo)準(zhǔn)參數(shù)。

輸出層第k個(gè)結(jié)點(diǎn)的輸出為

其中，θk為輸出層的閾值，ωik為隱層和輸出層的連接權(quán)系數(shù)，學(xué)習(xí)算法為

2.1.2 小波變換［9］

小波變換就像一臺(tái)可變焦的數(shù)學(xué)顯微鏡，改變各種焦距來探測(cè)被處理信號(hào)中所隱含的奇異點(diǎn)并識(shí)別出它的性質(zhì)，從而有效探測(cè)并診斷出設(shè)備中的故障。根據(jù)小波變換的要求，小波函數(shù)必須滿足“容許條件”，我們?nèi)∑交瘮?shù)θ(t)的導(dǎo)數(shù)作小波函數(shù)，并對(duì)其進(jìn)行二進(jìn)離散，二進(jìn)小波變換是信號(hào)的一種超完備的、冗余的表達(dá)。則取小波函數(shù)為

對(duì)干度信號(hào)f(t)的小波變換為

對(duì)小波變換后的蒸汽干度信號(hào)進(jìn)行特征提取，以其信號(hào)的Lipschitz α，最大振幅，平均振幅，主頻，振幅譜能量，瞬時(shí)頻率，瞬時(shí)相位，自相關(guān)最大值等作為其特征參數(shù)。將其特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入。

2.2 診斷步驟

為了確保診斷系統(tǒng)的效率和可靠性，故障診斷采用神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合的方法。神經(jīng)網(wǎng)絡(luò)提高了故障診斷的效率，專家系統(tǒng)保證了故障診斷的可靠性。故障診斷系統(tǒng)的診斷步驟如下:

(1)用所得樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，初步完成故障診斷系統(tǒng);

(2)對(duì)現(xiàn)場(chǎng)檢測(cè)到的蒸汽干度進(jìn)行小波變換提取故障特征，將獲取數(shù)據(jù)作為輸入層輸入診斷系統(tǒng);

(3)用診斷系統(tǒng)對(duì)故障進(jìn)行診斷;

(4)若結(jié)果正確，則將結(jié)果輸出給用戶，否則轉(zhuǎn)(5);

(5)調(diào)用系統(tǒng)深層知識(shí)庫(kù)對(duì)故障進(jìn)行分析，得出診斷結(jié)果;

(6)將診斷結(jié)果輸出給用戶，并對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，更新神經(jīng)網(wǎng)絡(luò)。

3 故障診斷仿真

3.1 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

結(jié)合現(xiàn)場(chǎng)調(diào)研，注汽鍋爐運(yùn)行中影響蒸汽干度變化的主要因素是蒸汽壓力、給水流量、燃料量和V錐壓差，將其作為神經(jīng)網(wǎng)絡(luò)的輸出。用小波變換提取蒸汽干度的特征參數(shù)如Lipschitz α、最大振幅、平均振幅、主頻、振幅譜能量、瞬時(shí)頻率、瞬時(shí)相位、自相關(guān)最大值，將提取到的各故障參數(shù)進(jìn)行模糊化處理，作為RBF神經(jīng)網(wǎng)絡(luò)的輸入。經(jīng)過分析，則隱層節(jié)點(diǎn)數(shù)取8。取學(xué)習(xí)率β=0.5，ε=0.005，對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

3.2 故障診斷結(jié)果分析

(1)先用樣本自身數(shù)據(jù)輸入訓(xùn)練完成的網(wǎng)絡(luò)中，檢查其識(shí)別結(jié)果，從中可見自身數(shù)據(jù)檢測(cè)正確率為100%。

(2)任取兩組樣本中未出現(xiàn)實(shí)驗(yàn)數(shù)據(jù)，其故障識(shí)別結(jié)果如表1所示。

表1 輸出診斷結(jié)果Table.1 The fault diagnosis of output

兩組實(shí)驗(yàn)數(shù)據(jù)的結(jié)果與數(shù)據(jù)所對(duì)應(yīng)的故障模式相吻合。由此可以看出，本網(wǎng)絡(luò)不僅可以識(shí)別出樣本自身的故障，而且能準(zhǔn)確識(shí)別出樣本以外的故障。

3.3 基于神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)

專家系統(tǒng)的核心是深層知識(shí)庫(kù)，注汽鍋爐故障診斷系統(tǒng)知識(shí)庫(kù)的建立需要很長(zhǎng)時(shí)間的反復(fù)測(cè)試、修改和擴(kuò)充?？梢?，該神經(jīng)網(wǎng)絡(luò)對(duì)于給定的故障能夠進(jìn)行很好的判斷，對(duì)不能診斷的故障和得出的錯(cuò)誤判斷結(jié)果，專家系統(tǒng)就可以調(diào)用深層知識(shí)庫(kù)做出診斷。

4 結(jié)論

由于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的互相滲透，使故障診斷速度快，準(zhǔn)確率高。本文將RBF神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)應(yīng)用于注汽鍋爐運(yùn)行工況的故障診斷，比BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)診斷更迅速。從蒸汽干度信號(hào)入手，在分析蒸汽干度波動(dòng)的基礎(chǔ)上，提出了注汽鍋爐的智能故障診斷方法，并經(jīng)過仿真運(yùn)行結(jié)果證明，該方法具有一定的優(yōu)越性，從不同的角度對(duì)注汽鍋爐的故障診斷提供了借鑒。

但是，在實(shí)際運(yùn)行過程中注汽鍋爐運(yùn)行工況比較復(fù)雜，引起蒸汽干度波動(dòng)的因素很多，干擾也很大，受客觀條件的限制，此故障診斷系統(tǒng)并不能完全地反映運(yùn)行中出現(xiàn)的故障狀況，這是本文的缺陷所在。另外，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)目有限，在一定程度上神經(jīng)網(wǎng)絡(luò)的訓(xùn)練不是很完善，這會(huì)使得故障診斷有一定誤差，但是此誤差在限定范圍內(nèi)。總之本文所提出的故障診斷方法為注汽鍋爐的故障診斷提供可以借鑒的實(shí)例。

［1］武占.油田注氣鍋爐［M］.上海:上海交通大學(xué)出版社，2008.

［2］王希光.故障樹理論在火電廠鍋爐故障診斷中的應(yīng)用［D］.大慶:大慶石油學(xué)院，2004.

［3］阮曙東，趙海波，鄭楚光.基于Internet/本地的鍋爐故障模糊診斷專家系統(tǒng)［J］.華中科技大學(xué)學(xué)報(bào)，2004.32(6):96－98.

［4］李玉榮，牛玉廣，馬華杰.基于CLIPS的鍋爐故障診斷專家系統(tǒng)應(yīng)用研究［J］.廣東自動(dòng)化與信息工程.2006(1):13－15.

［5］馬華杰，朱瑜紅，納春寧.火電廠鍋爐運(yùn)行故障診斷專家系統(tǒng)的研究［J］.鍋爐技術(shù).2010.41(1):16－19.

［6］石寧.基于模糊專家系統(tǒng)的鍋爐故障診斷方法的研究［D］.沈陽(yáng):沈陽(yáng)理工大學(xué)，2010.

［7］蔡自興，約翰·德爾金［美］，龔濤.高級(jí)專家系統(tǒng):原理、設(shè)計(jì)及應(yīng)用［M］.北京:科學(xué)出版社，2005.

［8］朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用［M］.北京:科學(xué)出版社，2006.

［9］胡昌，張軍波，夏軍，等.基于MATLAB的系統(tǒng)分析與設(shè)計(jì):小波分析［M］.西安:西安電子科技大學(xué)出版社，2000.

［10］鄂加強(qiáng).智能故障診斷及其應(yīng)用［M］.長(zhǎng)沙:湖南大學(xué)出版社，2006.