陳 濤 ，徐小力 ，王立勇

（1.北京信息科技大學(xué) 機(jī)電系統(tǒng)測控北京市重點(diǎn)實驗室，北京 100192；2.北京信息科技大學(xué) 現(xiàn)代測控技術(shù)教育部重點(diǎn)實驗室，北京 100192）

生產(chǎn)中的關(guān)鍵設(shè)備如發(fā)動機(jī)、壓縮機(jī)、風(fēng)機(jī)等一旦發(fā)生故障，不僅會影響工業(yè)生產(chǎn)過程造成巨大經(jīng)濟(jì)損失，甚至?xí)l(fā)重大生產(chǎn)事故危及生產(chǎn)人員的生命安全，因此保障關(guān)鍵設(shè)備的安全運(yùn)行是一個重要的科學(xué)問題。

在保障設(shè)備的安全運(yùn)行中，對設(shè)備的安全評價，至今為止還沒能找到對所有設(shè)備都適用的判斷標(biāo)準(zhǔn)。一般情況下，判斷標(biāo)準(zhǔn)可以由領(lǐng)域?qū)＜?、工程技術(shù)人員經(jīng)過對機(jī)組運(yùn)行情況進(jìn)行一定的了解給出合理值。如旋轉(zhuǎn)機(jī)械ISO2372和ISO3945標(biāo)準(zhǔn)規(guī)定了大型旋轉(zhuǎn)機(jī)械振動烈度的相關(guān)評定[1-2]。而對于往復(fù)機(jī)械，美國石油學(xué)會制定了API-618和API-11P標(biāo)準(zhǔn)[3]，ISO10816-3規(guī)定了壓縮機(jī)的軸振動標(biāo)準(zhǔn)。但是，這些標(biāo)準(zhǔn)關(guān)于設(shè)備安全評價的指標(biāo)大都基于單一參數(shù)。由于關(guān)鍵設(shè)備一般結(jié)構(gòu)復(fù)雜，并且關(guān)鍵設(shè)備各零部件間的噪聲相互干擾，使得其運(yùn)行安全性能評價困難增大[4]。因此本文考慮多信息融合的安全性能評價，提出基于多元信息模糊推理的評價方法。

1 多元信息主成分特征融合

1.1 多元信息融合

信息融合可以對不同類型信息或多個傳感器的信息進(jìn)行融合處理，消除多元信息間可能存在的冗余，降低不確定性[5]。主成分分析是一種多元信息融合算法，可以在力保數(shù)據(jù)信息丟失最小的原則下，對多元信息進(jìn)行最佳綜合簡化。近年來被廣泛地運(yùn)用于計算機(jī)等領(lǐng)域。主成分分析通過投影矩陣將多個變量化為少數(shù)相互正交的幾個綜合指標(biāo)，可以用較少的新變量代替原來較多的變量達(dá)到特征降維融合的目的。在特征融合中，由于提取出的多維故障敏感特征量綱不同，需要進(jìn)行標(biāo)準(zhǔn)化處理，即對每一個特征分量作標(biāo)準(zhǔn)化處理，有效減少數(shù)據(jù)量綱對故障特征提取的影響。對構(gòu)造的故障敏感特征矩陣 Xm×n（xij）（n 表示運(yùn)行狀態(tài)個數(shù)；m 表示特征個數(shù)）進(jìn)行標(biāo)準(zhǔn)化處理，得到 Am×n（aij），其中，

利用標(biāo)準(zhǔn)化后的矩陣A計算反映了多維特征間關(guān)系的協(xié)方差矩陣C為

對協(xié)方差矩陣進(jìn)行特征分解，構(gòu)造融合故障特征。融合故障特征的確定應(yīng)考慮兩方面的因素，即原始測量數(shù)據(jù)維數(shù)的降低和原始測量數(shù)據(jù)信息的丟失。融合特征個數(shù)的選取直接影響到設(shè)備安全性能評價的效果，利用累積貢獻(xiàn)率法選擇融合故障特征的個數(shù)，取累積貢獻(xiàn)率足夠大時的前k個特征向量u1，u2，…，uk（k＜＜m）作為主成分，實現(xiàn)故障特征的降維融合。

1.2 基于模糊推理的安全性能評價

得到融合特征后，根據(jù)融合故障特征的模糊不確定性，進(jìn)行模糊化處理，得到表征安全性能的模糊隸屬度；構(gòu)造模糊推理的mass函數(shù)；利用推理規(guī)則對融合的故障特征進(jìn)行安全性能評價。評價步驟如下：

步驟1構(gòu)建模糊隸屬度函數(shù)，將融合故障特征模糊映射到［0，1］內(nèi)。由于往復(fù)壓縮機(jī)故障特征具有模糊性，為了更好地進(jìn)行安全性能評價，根據(jù)故障特征對設(shè)備安全性能評價貢獻(xiàn)的特點(diǎn)，構(gòu)建式（5）所示的隸屬度函數(shù)進(jìn)行模糊映射，數(shù)值越大表示的故障隸屬程度越大[6-7]。

步驟2構(gòu)造模糊推理的mass函數(shù)。在模糊推理中應(yīng)用D-S證據(jù)理論方法進(jìn)行推理。D-S證據(jù)理論是Beyes決策檢驗法的推廣，比概率論滿足更弱的公理系統(tǒng)，在區(qū)分不確定方面顯示了很大的靈活性[8-9]。模糊推理安全性能評價以mass函數(shù)為基礎(chǔ)，設(shè)Θ是一個識別框架，在識別框架Θ上的基本概率分配是一個的函數(shù) m，被稱為 mass函數(shù)，且滿足

根據(jù)隸屬度構(gòu)造基本概率賦值mass函數(shù)m（ f（x））為

根據(jù)模糊隸屬度構(gòu)造mass函數(shù)，解決了如何在大限度保留了故障特征的不確定性前提下確定mass函數(shù)的難題。

步驟3利用推理規(guī)則對融合的故障特征進(jìn)行安全性能評價。確定mass函數(shù)后，根據(jù)推理規(guī)則進(jìn)行安全性能評價。因融合故障特征通過主成分分析得到，各融合故障特征彼此正交，無交集，故表征設(shè)備運(yùn)行安全性能參數(shù)p（A）計算如下，數(shù)值越大設(shè)備運(yùn)行安全性能越差：

根據(jù)p（A）的數(shù)值對設(shè)備的安全運(yùn)行狀態(tài)進(jìn)行評價，以方便設(shè)備的管理維修人員決策故障風(fēng)險，采取相應(yīng)的維修策略。表1所示為p（A）與設(shè)備運(yùn)行狀態(tài)之間的對應(yīng)關(guān)系。

表1 p（A）與設(shè)備運(yùn)行狀態(tài)對應(yīng)關(guān)系Tab.1 Correspondence between p（A）and equipment running status

2 安全性能評價測試

2.1 評價流程

以工業(yè)現(xiàn)場的某往復(fù)壓縮機(jī)為例，進(jìn)行安全性能評價測試。面向往復(fù)壓縮機(jī)的安全性能評價過程如圖1所示，為更好地進(jìn)行評價，采集振動、溫度、壓力等多元數(shù)據(jù)，計算多維故障敏感特征。

圖1 安全性能評價流程Fig.1 Safety performance evaluation process

在評價中，多維故障敏感特征可以提供設(shè)備不同類型、不同部位的運(yùn)行信息。

2.2 實例分析

取往復(fù)壓縮機(jī)3個缸6個測點(diǎn)進(jìn)行性能評價，計算多維故障敏感特征，進(jìn)行主成分分析，以累積貢獻(xiàn)率90%為限，選取前3個融合故障特征。表2所示為得到的融合故障特征。

表2 各采樣點(diǎn)對應(yīng)的融合故障特征Tab.2 Corresponding fusion fault characteristics of the sampling point

對融合故障特征進(jìn)行模糊處理，得到對應(yīng)的模糊隸屬度，如表3所示。

表3 各融合故障特征對應(yīng)的模糊隸屬度Tab.3 Corresponding fuzzy membership degree of the fusion fault characteristics

應(yīng)用推理規(guī)則進(jìn)行安全性能評價，表4所示為各融合故障特征對應(yīng)的mass函數(shù)值和相應(yīng)設(shè)備運(yùn)行安全性能評價參數(shù)p（A）。

表4 Mass函數(shù)值和相應(yīng)的評價Tab.4 Values of mass function and the corresponding evaluation

從表4看出缸1的測點(diǎn)1H和1C評價參數(shù)數(shù)值最大，結(jié)合表1中的對應(yīng)關(guān)系，得出缸1的安全運(yùn)行性能最差，安全性能在預(yù)警限和報警限之間，其余2個缸的運(yùn)行安全性能良好。而工業(yè)現(xiàn)場實際為缸1的1H、1C氣閥發(fā)生了泄漏，其余各缸運(yùn)行正常，基于多元信息融合的安全性能評價結(jié)論與工業(yè)現(xiàn)場所得結(jié)論一致。

3 結(jié)語

基于多元信息模糊推理的運(yùn)行安全性能夠從設(shè)備運(yùn)行數(shù)據(jù)提取融合故障特征，可以有效降低故障特征之間的相關(guān)性，減少故障特征的個數(shù)，比較客觀地評判設(shè)備運(yùn)行安全性能。且該評價方法不需建立精確的解析模型，能夠避免關(guān)鍵設(shè)備結(jié)構(gòu)復(fù)雜難以建立精確數(shù)學(xué)模型的難點(diǎn)；該評價方法充分利用了故障特征的模糊性進(jìn)行評價，使得評價信息更全面、準(zhǔn)確，能夠為設(shè)備故障診斷維修提供指導(dǎo)。

[1]貢文偉，徐桂芳.旋轉(zhuǎn)機(jī)械振動診斷標(biāo)準(zhǔn)研究[J].機(jī)械研究與應(yīng)用，2001，14（3）：2-5.

[2]劉仲川.機(jī)械運(yùn)行狀態(tài)監(jiān)測與故障診斷的若干評價準(zhǔn)則[J].設(shè)備管理與維修，1998（3）：30-31.

[3]李明悅，扈濱.往復(fù)壓縮機(jī)標(biāo)準(zhǔn)API-618、API-11P的異同點(diǎn)及其應(yīng)用淺談[J].壓縮機(jī)技術(shù)，2011（1）：49-51.

[4]譚逢友，盧宏偉，劉成俊，等.信息融合技術(shù)在機(jī)械故障診斷中的應(yīng)用[J].重慶大學(xué)學(xué)報：自然科學(xué)版，2006，29（1）：15-18.

[5]Snidaro L，García J，Llinas J.Context-based information fusion：a survey and discussion[J].Information Fusion，2015，25（9）：16-31.

[6]毛軍軍，李俠，吳濤.結(jié)合粗集模糊熵和PCA載荷陣改進(jìn)的TOPSIS 方法[J].計算機(jī)工程與應(yīng)用，2011（18）：56-59.

[7]閆凱，李峰，段禮祥.基于信息融合的往復(fù)壓縮機(jī)氣缸性能狀態(tài)模糊評定方法[J].壓縮機(jī)技術(shù)，2010（1）：10-13.

[8]Otman B，Yuan Xiaohong.Engine fault diagnosis based on multisensor information fusion using dempster-shafer evidence theory[J].Information Fusion，2007，8（4）：379-386.

[9]Yager R R，Alajlan N.Dempster-shafer belief structures for decision making under uncertainty[J].Knowledge-based Systems，2015，80（1）：58-66.