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?？梢姡撋窠?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)?？傊疚乃岢龅墓收显\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.