段孟強(qiáng)，袁 燦

（1.海軍駐葫蘆島 431 廠軍事代表室，遼寧 葫蘆島 125005；2.海軍陸戰(zhàn)學(xué)院，廣東 廣州 510430）

基于入侵性野草算法的核動(dòng)力裝置故障診斷

段孟強(qiáng)1，袁 燦2

（1.海軍駐葫蘆島 431 廠軍事代表室，遼寧 葫蘆島 125005；2.海軍陸戰(zhàn)學(xué)院，廣東 廣州 510430）

針對(duì)船用核動(dòng)力裝置故障原因與相應(yīng)故障征兆之間并非完全一一對(duì)應(yīng)的特點(diǎn)，提出了一種將入侵性野草算法和概率因果模型相結(jié)合的故障診斷方法，該方法將概率因果模型中的似然函數(shù)作為入侵性野草算法的適應(yīng)函數(shù)，從而將復(fù)雜系統(tǒng)的故障診斷轉(zhuǎn)化為優(yōu)化問(wèn)題。結(jié)果表明，該方法能用于診斷過(guò)程中出現(xiàn)的不確定性問(wèn)題，也可實(shí)現(xiàn)通過(guò)多個(gè)征兆來(lái)診斷多個(gè)故障的目的，且具有較高的診斷可靠性與實(shí)用性。

入侵性野草算法；概率因果模型；故障診斷

核動(dòng)力裝置故障診斷的主要目的是及時(shí)、正確地對(duì)各種異常狀態(tài)做出預(yù)判與評(píng)估，采用一定的操作規(guī)程防止或消除故障，對(duì)系統(tǒng)的運(yùn)行進(jìn)行指導(dǎo)，提高系統(tǒng)運(yùn)行的可靠性、安全性和有效性，從而將故障損失降低到最低水平［1－3］。目前主要使用的技術(shù)有：基于圖論的方法、基于解析模型的方法、基于數(shù)據(jù)驅(qū)動(dòng)的方法以及基于知識(shí)的方法［4－7］。這幾種方法各有優(yōu)劣，需根據(jù)核動(dòng)力系統(tǒng)具體的故障特點(diǎn)選用合適的方法，本研究采用概率因果模型方法［8－9］來(lái)實(shí)現(xiàn)。

根據(jù)建立的概率因果模型，以條件概率方式給出故障與征兆間的因果強(qiáng)度，將概率因果模型中的似然函數(shù)作為入侵性野草算法的適應(yīng)函數(shù)進(jìn)行尋優(yōu)，從而將故障診斷問(wèn)題轉(zhuǎn)化為優(yōu)化問(wèn)題。本文以蒸汽發(fā)生器的典型故障以及液壓泵的典型故障為案例進(jìn)行分析。

1 入侵性野草算法（IWO）

IWO是Mehrabian等［10］為解決數(shù)值優(yōu)化問(wèn)題而提出的一種簡(jiǎn)單有效的種群優(yōu)化算法，由于其較強(qiáng)的魯棒性、自適應(yīng)性和隨機(jī)性，使得其得到了廣泛關(guān)注。IWO的基本過(guò)程可分為以下4個(gè)步驟。

1）種群初始化

設(shè)定野草的初始種群大小seedsize＿ini和最大種群規(guī)模seedsize＿max、最大迭代次數(shù)iter＿max、野草可生成種子數(shù)的最大和最小值為seed＿max和seed＿min、種子散布的初始步長(zhǎng)sig＿ini和最終步長(zhǎng)sig＿final，以及非線性指數(shù)n。根據(jù)實(shí)際故障診斷問(wèn)題確定每個(gè)野草個(gè)體變量維數(shù)dNum和初始搜索空間X，并隨機(jī)產(chǎn)生seedsize＿ini個(gè)初始解。初始化后野草種群用矩陣可表示為：

式中，s為初始種群大小seedsize＿ini。

2）繁殖個(gè)體

種群中每個(gè)成員均可根據(jù)自身適應(yīng)度函數(shù)值及種群中所有個(gè)體的最小適應(yīng)度函數(shù)值和最大適應(yīng)度函數(shù)值確定產(chǎn)生種子的數(shù)目，式（1）描繪了種子數(shù)目的確定過(guò)程，采用這種機(jī)制可保證適應(yīng)度函數(shù)值高的野草能最終生存下來(lái)。適應(yīng)度函數(shù)值越高產(chǎn)生的種子數(shù)就越多，反之適應(yīng)度函數(shù)值越低產(chǎn)生種子數(shù)越少。

式中：Fmin為當(dāng)前種群中最小適應(yīng)度函數(shù)值；Fmax為當(dāng)前種群中最大適應(yīng)度函數(shù)值。根據(jù)每個(gè)野草的適應(yīng)度函數(shù)值Fcur計(jì)算得到的值再向下取整即可得到產(chǎn)生的種子數(shù)seedsize＿cur。

3）空間散布

種群產(chǎn)生的后代種子隨機(jī)地分散到dNum維空間中，新種子變量值由產(chǎn)生它的父輩加上某個(gè)隨機(jī)數(shù)值S確定，該隨機(jī)值在dNum維空間中服從均值為0、標(biāo)準(zhǔn)方差為sig＿cur的正態(tài)分布，即S∈［－sig＿cur，sig＿cur］，sig＿cur的值隨迭代次數(shù)的增加而減小。若當(dāng)前某個(gè)父輩為X＝［X1X2X3…XdNum］T，而S＝［S1S2S3…SdNum］T，則產(chǎn)生的種子變量值為：

其中，sig＿cur的計(jì)算公式如下：

式中，iter表示當(dāng)前迭代次數(shù)。式（3）保證了由近及遠(yuǎn)的繁殖概率以非線性的方式逐漸減少，使得適應(yīng)函數(shù)值高的個(gè)體不斷地聚集在一起，而一些不適應(yīng)的個(gè)體逐漸被剔除。

4）競(jìng)爭(zhēng)淘汰

當(dāng)種群中的野草數(shù)少于種群最大規(guī)模seedsize＿max時(shí)，每個(gè)父輩個(gè)體按照步驟3、4所述的方式進(jìn)行個(gè)體繁殖和空間散布，當(dāng)種群達(dá)到最大規(guī)模后停止此次繁殖。然后將新產(chǎn)生的種子與父輩種子一起按照適應(yīng)度函數(shù)值的大小進(jìn)行排序，并從中選取compNum個(gè)適應(yīng)度函數(shù)值高的個(gè)體作為下次迭代的父輩，其余個(gè)體則被淘汰。這種淘汰機(jī)制可給予那些適應(yīng)度函數(shù)值較低的個(gè)體一定的繁殖機(jī)會(huì)，若它們產(chǎn)生的后代適應(yīng)度函數(shù)值更高，則這些后代就可保留下來(lái)進(jìn)行繁殖生存。

2 入侵性野草算法與概率因果模型結(jié)合的診斷方法

根據(jù)Peng等［8－9］提出的概率因果模型中的3個(gè)假定：1）故障之間相互獨(dú)立；2）因果強(qiáng)度不變，即任何故障的發(fā)生，均會(huì)以相同的概率導(dǎo)致某個(gè)征兆的出現(xiàn)；3）所有征兆均由故障所致。則對(duì)于一個(gè)相對(duì)較簡(jiǎn)單的核動(dòng)力裝置故障診斷問(wèn)題，可由下述四元式來(lái)表示：

式中：D為故障的有限非空集，假設(shè)集合中有nk個(gè)故障，則D可表示為D＝｛d1，d2，…，dnk｝；M為征兆的有限非空集，假設(shè)集合中有mk個(gè)征兆，則M可表示為M＝｛m1，m2，…，mmk｝；C為故障與征兆之間的因果強(qiáng)度，則C可表示為C?D×M；M＋為已知的征兆集合，則M＋?M。若故障集DF∈D為問(wèn)題的一個(gè)假設(shè)，即所有的故障di∈DF均會(huì)發(fā)生，di?DF均不會(huì)發(fā)生，則該診斷問(wèn)題可歸結(jié)為已知征兆集M＋求解假設(shè)DF的極大似然估計(jì)值問(wèn)題：

式中：Cij為故障di能引起的征兆mj的概率；M－＝M－M＋為已知不存在的征兆。

由式（6）可知，若給定M＋，則可求得任意診斷假設(shè)DF的極大似然估計(jì)值，其大小表示故障集DF在已知故障集M＋情況下發(fā)生的概率。

根據(jù)上述模型，一個(gè)故障診斷問(wèn)題轉(zhuǎn)變?yōu)榍笏锌赡芗僭O(shè)的解中具有最大先驗(yàn)概率的故障集DF。由于故障與非故障兩者是獨(dú)立的，所以故障之間的組合就呈現(xiàn)出指數(shù)增長(zhǎng)趨勢(shì)，窮舉法已經(jīng)完全不能適應(yīng)，需采用一定的尋優(yōu)方法來(lái)解決。將式（6）作為IWO算法的適應(yīng)度函數(shù)，結(jié)合第1節(jié)所述步驟，一個(gè)故障診斷問(wèn)題的具體執(zhí)行步驟為：

1）初始化IWO種群，包括相應(yīng)參數(shù)的設(shè)置和初始解的生成，并求得初始解的適應(yīng)度函數(shù)值；

2）根據(jù)式（3）計(jì)算sig＿cur；

3）對(duì)于每個(gè)解，根據(jù)式（1）確定當(dāng)前產(chǎn)生的種子個(gè)數(shù)；

4）根據(jù)式（2）計(jì)算父輩繁殖的新種群，將新種群加入到父輩中，并計(jì)算其適應(yīng)度函數(shù)值；

5）更新適應(yīng)度函數(shù)值的最大、最小值；

6）判斷新的父輩中種群數(shù)量是否達(dá)到種群最大規(guī)模seedsize＿max，若達(dá)到則執(zhí)行步驟7，否則執(zhí)行步驟3；

7）根據(jù)競(jìng)爭(zhēng)淘汰法則選取compNum個(gè)適應(yīng)度函數(shù)值較高的個(gè)體；

8）判斷是否達(dá)到最大迭代次數(shù)iter＿max，若達(dá)到，則退出算法并輸入最優(yōu)解，否則轉(zhuǎn)步驟2。

3 核動(dòng)力裝置故障診斷實(shí)例

3.1 單故障診斷——對(duì)蒸汽發(fā)生器的典型故

障分析

為了驗(yàn)證上述故障診斷模型及算法對(duì)核動(dòng)力裝置中單故障診斷的正確性，表1列出了蒸汽發(fā)生器（SG）典型故障和征兆的樣本集，其中Fi（i＝1，2，3，…，7）代表故障，Sj（j＝1，2，3，…，13）代表征兆。為了區(qū)別這些征兆代表的參數(shù)在故障時(shí)所處的狀態(tài)［11］，設(shè)定0.75表示升高報(bào)警值，0.5表示正常運(yùn)行值，0.25表示下降報(bào)警值；對(duì)于汽輪給水泵轉(zhuǎn)速（S8）和汽輪給水泵流量（S10）設(shè)定0表示下限關(guān)機(jī)值。表2列出了表1中各符號(hào)的具體解釋。

表1 SG故障和征兆的樣本集Table 1 Fault and sign example sets of SG

表2 SG故障集和征兆集Table 2 Fault set and sign set of SG

當(dāng)SG出現(xiàn)征兆群［0.5，0.25，0.29，0.75，0.5，0.5，0.5，0.5，0.5，0.5，0.25，0.75，0.75］時(shí)，利用上述算法完成對(duì)SG的故障診斷。圖1示出了平均適應(yīng)度函數(shù)值隨迭代次數(shù)的變化曲線。從曲線中可看出，算法在第6次迭代達(dá)到收斂，且在進(jìn)化初期上升速度快，并能突破局部最優(yōu)位置，表明算法的收斂性能良好，且可尋求全局最優(yōu)。

圖1 單故障診斷的平均適應(yīng)度函數(shù)值變化曲線Fig.1 Variation curve of mean value for fitness function of single fault

將算法獨(dú)立運(yùn)行100次，得出收斂時(shí)對(duì)應(yīng)的最佳結(jié)果列于表3。從上述結(jié)果可得：SG運(yùn)行過(guò)程中出現(xiàn)的故障為F7，即U型傳熱管破損。這個(gè)結(jié)論與文獻(xiàn)［12-13］中的結(jié)論一致。同時(shí)，對(duì)表3中數(shù)據(jù)進(jìn)行處理，可計(jì)算得出算法的平均查準(zhǔn)率為88.48%。相比文獻(xiàn)［13］的結(jié)果，其查準(zhǔn)率更高。進(jìn)一步分析給定的征兆群，即主載熱劑壓力下降、SG二次側(cè)水位下降、SG二次側(cè)頂端溫度上升、SG排污口放射性檢測(cè)指標(biāo)上升、冷凝器排氣口放射性檢測(cè)指標(biāo)上升，由于SG排污口的放射性指標(biāo)是U型傳熱管破損的特征參數(shù)，通過(guò)SG排污口放射性檢測(cè)指標(biāo)上升可判定故障為F7，與算法運(yùn)行結(jié)果一致。對(duì)于單個(gè)故障引發(fā)一個(gè)或多個(gè)征兆的問(wèn)題，若給出的征兆群具有特征參數(shù)，則操縱員可直接判定故障原因，若給出的征兆群特征參數(shù)不明顯，操縱員需進(jìn)一步分析或獲得更多的信息后再進(jìn)行判斷，但若在核動(dòng)力系統(tǒng)中裝載程序化的設(shè)備可給出故障原因，操縱員的工作就變成了驗(yàn)證結(jié)論的正確性，那么在很大程度上可減輕操縱員的工作量。

表3 單故障算法結(jié)果Table 3 Algorithm result of single fault

3.2 多故障診斷——對(duì)液壓泵的典型故障分析

為了驗(yàn)證本文對(duì)多故障診斷的有效性，對(duì)船用核動(dòng)力裝置的液壓泵進(jìn)行了故障診斷。表4列出液壓泵典型故障和征兆間的因果強(qiáng)度以及各故障發(fā)生的先驗(yàn)概率。表中所用數(shù)據(jù)來(lái)源于文獻(xiàn)［14］，F(xiàn)1～F10表示10種不同的故障類型，S1～S9表示9種對(duì)應(yīng)的征兆。若液壓泵出現(xiàn)S1、S6、S7、S8等4種征兆時(shí)，利用上述算法完成對(duì)液壓泵的故障診斷，為了說(shuō)明本算法的收斂情況，給出了平均適應(yīng)度函數(shù)值隨迭代次數(shù)的變化曲線，如圖2所示。從曲線中可看出，算法能突破局部最優(yōu)位置，收斂性能良好。將算法獨(dú)立運(yùn)行100次，得出收斂時(shí)對(duì)應(yīng)的最佳結(jié)果列于表5。

表4 液壓泵故障和征兆的樣本集Table 4 Fault and sign example sets of hydraulic pressure pump

圖2 多故障診斷的平均適應(yīng)度函數(shù)值變化曲線Fig.2 Variation curve of mean value for fitness function of multi-fault

表5 多故障算法結(jié)果Table 5 Algorithm result of multi-fault

從表5可看出，液壓泵運(yùn)行過(guò)程中出現(xiàn)的故障為F1和F6，這個(gè)結(jié)論與文獻(xiàn)［14］中的結(jié)論一致，驗(yàn)證了本研究算法的準(zhǔn)確性。進(jìn)一步分析給出的征兆群與故障集之間的關(guān)系，表4中S1與F1的因果強(qiáng)度為0，顯然不可能由故障F1單獨(dú)引起征兆S1，表明此時(shí)發(fā)生了多個(gè)故障原因引發(fā)多個(gè)征兆。同時(shí)由表4中 S1與F1～F10之間的因果強(qiáng)度可知，F(xiàn)1不會(huì)與F2、F4、F7、F10同時(shí)發(fā)生引起征兆S1，F(xiàn)6不會(huì)與F2、F3、F4、F5、F8、F9同時(shí)發(fā)生引起征兆S7，F(xiàn)6不會(huì)與F2、F3、F5、F7、F8、F9、F10同時(shí)發(fā)生引起征兆S8，這與表5中的結(jié)論一致，即通過(guò)F1的發(fā)生可判定F2、F4、F7、F10不會(huì)發(fā)生，F(xiàn)6的發(fā)生可判定F2、F3、F4、F5、F7、F8、F9、F10不會(huì)發(fā)生，故只能同時(shí)發(fā)生F1和F6。對(duì)于此類多個(gè)故障原因引起多個(gè)征兆的問(wèn)題，操縱員可能需花費(fèi)大量的時(shí)間和精力分析后才能得出結(jié)論，有時(shí)甚至很難直接通過(guò)征兆判定故障原因，若對(duì)系統(tǒng)相關(guān)參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，通過(guò)一定的算法將監(jiān)測(cè)參數(shù)轉(zhuǎn)化為征兆群，將所得的征兆群輸入程序化的設(shè)備中，最終輸出判定結(jié)論給操縱員檢查，從而在一定程度上可輔助操縱員判定故障原因，減輕操縱員的工作壓力。

4 結(jié)論

對(duì)于一個(gè)復(fù)雜的故障診斷問(wèn)題，采用概率因果模型可較好地將其轉(zhuǎn)化為尋優(yōu)問(wèn)題，利用數(shù)學(xué)形式來(lái)描述診斷問(wèn)題。若簡(jiǎn)單地對(duì)概率因果模型采用窮舉方法，則會(huì)導(dǎo)致典型的NP問(wèn)題，為解決該問(wèn)題，本文利用IWO算法結(jié)合概率因果模型對(duì)船用核動(dòng)力典型故障進(jìn)行診斷，無(wú)論是對(duì)單個(gè)故障的診斷還是對(duì)多個(gè)故障同時(shí)并發(fā)的診斷均取得了較好的效果，且診斷準(zhǔn)確率高。因此，本文的算法可較好地運(yùn)用于故障診斷問(wèn)題，且其結(jié)果對(duì)船用核動(dòng)力裝置故障診斷具有重要的指導(dǎo)意義。

［1］ 楊軍.裝備智能故障診斷技術(shù)［M］.北京：國(guó)防工業(yè)出版社，2004.

［2］ 申甲斌，滕以坤.設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷問(wèn)題分析［J］.設(shè)備管理與維修，2008（2）：10-11.

SHEN Jiabin，TENG Yikun.Problem analysis for condition monitoring and fault diagnosis of equipment［J］.Plant Maintenance Engineering，2008（2）：10-11（in Chinese）.

［3］ 曾聲奎，趙廷弟，張建國(guó)，等.系統(tǒng)可靠性設(shè)計(jì)分析教程［M］.北京：北京航空航天大學(xué)出版社，2000.

［4］ PATTON R J，CHEN J.Review of parity space approaches to fault diagnosis for aerospace system［J］.Journal of Guidance，Control and Dynamics，1994，17（2）：278-285.

［5］ 孫世國(guó)，王樹(shù)青，伍斌.Luenberger魯棒故障檢測(cè)觀測(cè)器的設(shè)計(jì)［J］.浙江大學(xué)學(xué)報(bào)：工學(xué)版，2004（6）：708-711.

SUN Shiguo，WANG Shuqing，WU Bin.Design of Luenberger robust fault detection observer［J］.Journal of Zhejiang University：Engineering Science，2004（6）：708-711（in Chinese）.

［6］ 姚華，單貴平，孫健國(guó).基于卡爾曼濾波器及神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷［J］.航空動(dòng)力學(xué)報(bào)，2008（6）：1 111-1 117.

YAO Hua，SHAN Guiping，SUN Jianguo.Fault diagnosis for gas turbine engines based on Kalman filter and neural networks［J］.Journal of Aerospace Power，2008（6）：1 111-1 117（in Chinese）.

［7］ 郭玉英，朱正為，靳玉紅.基于等價(jià)空間算法的飛控系統(tǒng)故障診斷［J］.西南科技大學(xué)學(xué)報(bào)，2007（2）：48-60.

GUO Yuying，ZHU Zhengwei，JIN Yuhong.Diagnosis of flight control system based on parity space algorithm［J］.Journal of Southwest University of Science and Technology，2007（2）：48-60（in Chinese）.

［8］ PENG Y，REGGIA J.A probabilistic causal model for diagnostic problem solving，partⅠ：Integrating symbolic causal inference with numeric probabilistic inference［J］.IEEE Trans SMC，1987，17（3）：146-162.

［9］ PENG Y，REGGIA J.A probabilistic causal model for diagnostic problem solving，partⅡ：Integrating symbolic causal inference with numeric probabilistic inference［J］.IEEE Trans SMC，1987，17（3）：395-406.

［10］MEHRABIAN A R，LUCAS C.A novel numerical optimization algorithm inspired from weed colonization［J］.Ecological Informatics，2006，1（3）：355-366.

［11］史覬，孫建華，付明玉，等.船舶核動(dòng)力裝置蒸汽發(fā)生器故障診斷系統(tǒng)研究［J］.哈爾濱工程大學(xué)學(xué)報(bào)，2001，22（3）：1-8.

SHI Ji，SUN Jianhua，F(xiàn)U Mingyu，et al.The research for fault diagnosis system of marine power plant［J］.Journal of Harbin Engineering University，2001，22（3）：1-8（in Chinese）.

［12］周遠(yuǎn)暉，陸玉昌，石純一.基于克服過(guò)早收斂的自適應(yīng)并行遺傳算法［J］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版，1998，38（3）：93-95.

ZHOU Yuanhui，LU Yuchang，SHI Chunyi.Adaptive and parallel genetic algorithm based on solving premature convergence［J］.Journal of Tsinghua University：Science and Technology，1998，38（3）：93-95（in Chinese）.

［13］孔衍，任鑫，王川，等.基于改進(jìn)遺傳算法的核動(dòng)力裝置故障診斷研究［J］.原子能科學(xué)技術(shù)，2012，46（11）：1 357-1 361.

KONG Yan，REN Xin，WANG Chuan，et al.Study on fault diagnosis of nuclear power plant based on improved genetic algorithm［J］.Atomic Energy Science and Technology，2012，46（11）：1 357-1 361（in Chinese）.

［14］任鑫，孔衍，周碧松，等.改進(jìn)遺傳算法在船用核動(dòng)力裝置概率因果故障診斷中的應(yīng)用［J］.中國(guó)艦船研究，2013，8（1）：107-111.

REN Xin，KONG Yan，ZHOU Bisong，et al.Application of an improved genetic algorithm in the probabilistic causal fault diagnosis for marine nuclear power plant［J］.Chinese Journal of Ship Research，2013，8（1）：107-111（in Chinese）.

Fault Diagnosis of Nuclear Power Plant Based on Invasive Weed Optimization Algorithm

DUAN Meng－qiang1，YUAN Can2
（1.Nave Equipment Division Representative Office in 431 Factory of Huludao，Huludao 125005，China；2.College of Marine Corps，Guangzhou510430，China）

It is not completely accordant for fault reasons to match up corresponding symptoms of the marine nuclear power plant.A kind of fault diagnosis method was proposed，which is about invasive weed optimization algorithm combined with probability causal model.The probability causal model likelihood function was used as fitness function of the invasive weed optimization algorithm，after that the fault diagnosis of complex systems can be converted to optimization problem.The simulation results show that the method can not only be used for the process of diagnosis of uncertainty，but also for the purpose of multiple symptoms to multiple faults diagnose with high reliability and practicability.

invasive weed optimization algorithm；probability causal model；fault diagnosis

TL383

：A

：1000-6931（2015）04-0719-06

10.7538／yzk.2015.49.04.0719

2013-12-25；

2014-02-18

段孟強(qiáng)（1987—），男，河北邢臺(tái)人，助理工程師，碩士，核動(dòng)力工程專業(yè)