劉豐年

(三門峽職業(yè)技術(shù)學(xué)院，河南 三門峽 472000)

?

基于粗糙集的工業(yè)過程故障監(jiān)測方法研究

劉豐年

(三門峽職業(yè)技術(shù)學(xué)院，河南 三門峽 472000)

針對傳統(tǒng)故障監(jiān)測方法模型建立難、誤報率高的問題，結(jié)合工業(yè)過程的非線性特點，提出了一種基于粗糙集的工業(yè)過程故障監(jiān)測方法.該方法將基于概率分布的混合決策表離散化方法及基于分明矩陣和約簡樹的增量式屬性約簡方法應(yīng)用于工業(yè)過程狀態(tài)監(jiān)測中，闡述了工業(yè)過程知識獲取、狀態(tài)監(jiān)測和監(jiān)測性能評價方法.這種監(jiān)測方法在一定程度上提高了工業(yè)過程狀態(tài)監(jiān)測的效率和精度，具有一定的實際應(yīng)用價值.

粗糙集；工業(yè)過程；故障監(jiān)測

0 引言

伴隨著工業(yè)4.0時代的到來，工業(yè)系統(tǒng)的智能化、復(fù)雜化程度越來越高，其故障率也隨之越來越高.因此，人們把注意力更多地放到了工業(yè)系統(tǒng)的穩(wěn)定性和可靠性上.為了保持系統(tǒng)的運行比較穩(wěn)定，一些能夠?qū)I(yè)系統(tǒng)實時監(jiān)測的可靠有效的措施應(yīng)該被采取，以便第一時間發(fā)現(xiàn)故障并進行修復(fù).但由于復(fù)雜工業(yè)過程的故障多種多樣，這就要求我們一定要分清故障類型，從而有針對性地選擇合適的監(jiān)測方法.

常用的故障監(jiān)測方法有3種，它們分別是基于解析模型、基于信號及基于知識推理的故障監(jiān)測方法[1]11-18.如果對系統(tǒng)運行機理比較熟悉，數(shù)學(xué)解析模型可以準確地被建立，我們就可以利用基于解析模型的方法來監(jiān)測系統(tǒng)運行中可能出現(xiàn)的故障，但一般情況下，系統(tǒng)的數(shù)學(xué)模型很難建立，因此這種基于解析模型的方法很難在復(fù)雜工業(yè)過程中實施.當我們可以及時準確地采集到各部件的信號時，就可以使用基于信號的故障監(jiān)測方法，該方法在監(jiān)測系統(tǒng)故障時主要利用2項技術(shù)，一是信息融合技術(shù)；二是信號處理技術(shù).要想通過基于信號的故障監(jiān)測方法準確找到故障點和信號之間的關(guān)系，就必須詳細了解系統(tǒng)的運行機理[2]541-545.基于知識推理的故障監(jiān)測方法雖然不需要建立數(shù)學(xué)解析模型，但是要依據(jù)專家經(jīng)驗，并且要用機器學(xué)習和知識推理工具，進而達到人工診斷的目的.那些非線性動態(tài)復(fù)雜系統(tǒng)的故障監(jiān)測通常要采用該方法.但是此方法也存在故障特征提取困難，相關(guān)數(shù)據(jù)處理復(fù)雜等問題[3]11-16.

針對上述各種故障監(jiān)測方法存在的問題，結(jié)合現(xiàn)代復(fù)雜工業(yè)過程的特點，本研究將基于概率分布的混合決策表離散化方法[4]175-178及基于分明矩陣和約簡樹的增量式屬性約簡方法[5]125-129用在復(fù)雜工業(yè)過程狀態(tài)監(jiān)測中，闡述了知識獲取、狀態(tài)監(jiān)測和監(jiān)測性能評價方法.這種監(jiān)測方法在一定程度上提高了復(fù)雜工業(yè)過程狀態(tài)監(jiān)測的效率和精度.

為了便于知識獲取和故障監(jiān)測，本文做如下設(shè)定：假設(shè)系統(tǒng)正常運轉(zhuǎn)，信號樣本用U=(x1,x2,…,xn)表示，系統(tǒng)運行的某個狀態(tài)用qi表示，那么系統(tǒng)運行狀態(tài)集合可記為Q=(q1,q2,…,qn).假設(shè)系統(tǒng)有m個故障源，用pi表示第i個故障源信號，那么用P=(p1,p2,…,pm)表示該系統(tǒng)故障源信號的集合.

1 工業(yè)過程運行狀況知識的獲取

為準確監(jiān)測復(fù)雜工業(yè)過程的故障點，就必須實時準確的監(jiān)視工業(yè)過程的運行狀況.基于粗糙集的相關(guān)理論，可以按照下面的步驟進行工業(yè)過程的信息采集和知識獲?。?/p>

1) 構(gòu)造故障監(jiān)測決策表，決策表構(gòu)造后，其中的條件信號是故障源信號，系統(tǒng)運行狀態(tài)信號作為決策屬性，然后采用基于概率分布的混合決策表離散化算法進行離散化處理，表1為處理后的決策表.

2) 去除決策表1中的不相容及冗余樣本.

3) 對表1中的冗余屬性進行約簡處理，去除冗余屬性的方法利用的是基于分明矩陣和約簡樹的增量式屬性約簡算法.

4) 進行樣本值約簡處理，決策表的離散化直接決定著知識獲取的準確度和精度，它是基礎(chǔ)性的工作，因此離散化處理不但要減少屬性個數(shù)，而且要盡可能減少有用信息的丟失.為了便于推理判斷，決策規(guī)則必須采用邏輯語言的形式進行表示.

表1 故障監(jiān)測決策表

2 工業(yè)過程故障點的知識獲取

一般情況下，有2種得到工業(yè)過程故障點知識的方法，分別為單點和多點故障的知識獲取法.具體要采用哪種方法，還要根據(jù)實際工業(yè)過程的實際狀況來合理確定.

1)單點故障

表2為單點故障源的故障監(jiān)測表，其中用Di={pi}表示一個故障源的決策屬性集，剩下的信號和系統(tǒng)狀態(tài)信號Ci={p1,p2,…,pi-1,pi+1,…,pm,q1,q2,…,qn}表示決策表的條件屬性.依據(jù)表2的形式，將由DCS機隨機采集到的原始狀態(tài)數(shù)據(jù)組成m個決策表，同時依據(jù)基于分明矩陣和約簡樹的增量式屬性約簡算法對m個決策表進行知識獲取，就會得到單點故障源的監(jiān)測規(guī)則.采用基于分明矩陣和約簡樹的增量式屬性約簡算法對每個決策表約簡之后都可以得到故障源pi的一組故障監(jiān)測正向規(guī)則集.依此規(guī)則集，可以觀察到故障源pi的狀態(tài)和其他故障源工作狀況信號的關(guān)系.所以，判斷某個樣本是否存在故障的方法為：拿某個樣本與該故障監(jiān)測規(guī)則進行比對，若與該點的某條監(jiān)測規(guī)則矛盾，則證明這個點是故障點，同時依據(jù)矛盾的規(guī)則判斷出現(xiàn)故障點的原因是什么，如果和這個點的所有監(jiān)測規(guī)則都差不多，則表明該點工作正常，沒有故障發(fā)生.

表2 故障源信號pi的故障監(jiān)測決策表

2) 多點故障

目前，現(xiàn)代工業(yè)過程更加復(fù)雜，系統(tǒng)在運行中，通常會出現(xiàn)多點故障.可以利用構(gòu)造單源故障決策表的方法來構(gòu)造多點故障源決策表.假設(shè)同時考慮信號源pi和pj的工作狀況，則選擇條件屬性Cij={p1,p2,…,pi-1,pi+1,…,pj-1,pj+1,…,pm,q1,q2,…,qn}，決策屬性為Dij={pi,pj}，就可以構(gòu)造出聯(lián)合故障監(jiān)測決策表(見表3).

為了獲得故障點知識，可以把混合故障源信號進行分解，因此對混合故障源信號知識的獲取方法同單點故障源信號知識獲取的方法相同.

表3 故障源信號pi和pj的聯(lián)合故障監(jiān)測決策表

3 工業(yè)過程故障監(jiān)測的步驟

上述故障監(jiān)測規(guī)則是指在正常情況下故障信號和系統(tǒng)工作情況信號間的對應(yīng)關(guān)系，即給出某一個故障點在其他故障信號及系統(tǒng)工作狀況信號的某種“狀態(tài)組合”下該點的信號值.由于總可以將故障決策表的各決策屬性組合成為一個決策屬性，因此筆者僅討論對某一個復(fù)雜系統(tǒng)運行狀況進行監(jiān)測的情況.

根據(jù)復(fù)雜工業(yè)過程的運行狀況和DCS機采集到的數(shù)據(jù)，構(gòu)造故障監(jiān)測的信息系統(tǒng)決策表.用S=(U,R,V,f)表示信息系統(tǒng)決策表，R=C∪D，C∩D=Φ，C={p1,p2,…,pm}是故障源信號組成的條件屬性集，D={q}是復(fù)雜工業(yè)過程運行狀態(tài)信號組成的決策屬性集.采用合理的屬性約簡算法對S=(U,R,V,f)進行屬性約簡處理，最終可以得到故障監(jiān)測決策規(guī)則θc→ψd，其中：θc=(p1,vp1)∧(p2,vp2)∧…∧(pm,vpm)，ψd=(q,vq).

因故障監(jiān)測決策規(guī)則有協(xié)調(diào)性的特點，則復(fù)雜工業(yè)過程運行狀態(tài)信號的一個取值和系統(tǒng)故障源信號的某個狀態(tài)組合的對應(yīng)關(guān)系表示一條決策規(guī)則，反過來，幾個系統(tǒng)故障源的某種狀態(tài)組合代表著一個系統(tǒng)運行狀態(tài)信號的取值.由此可見，監(jiān)測規(guī)則分為正向監(jiān)測規(guī)則和反向監(jiān)測規(guī)則2種.正向監(jiān)測規(guī)則：假設(shè)在k種狀態(tài)信號下，用vq表示信號q的取值，則有(θ1∨θ2∨…∨θk)→ψd就變成了正向監(jiān)測規(guī)則.反向監(jiān)測規(guī)則：監(jiān)測決策表的約簡告訴我們在監(jiān)測規(guī)則獲取中ψd→(θ1∨θ2∨…∨θk)也是成立的，這種規(guī)則稱為反向故障監(jiān)測規(guī)則.正向故障監(jiān)測規(guī)則和反向故障監(jiān)測規(guī)則都可以被用作故障監(jiān)測，這和決策邏輯中的正向和反向推理是相對的.

決策邏輯是在粗糙集知識獲取以后進行具體應(yīng)用的體現(xiàn)，它是采用知識進行推理，進而得到結(jié)論，從而進行結(jié)果判斷和控制推理.依據(jù)推理方法不同，邏輯推理有下面3種：正向推理、反向推理、混合推理.

正向推理：所謂正向推理，其實是一種用數(shù)據(jù)驅(qū)動的推理方式，依據(jù)原本的事實，把它和規(guī)則庫中的規(guī)則進行比較，如果滿足某種規(guī)則，就會執(zhí)行這條規(guī)則的結(jié)論；如果出現(xiàn)了新的事實，就會利用一樣的方法對新事實和原來的事實進行推理.為了抑制循環(huán)現(xiàn)象的發(fā)生，此過程可利用一些控制策略.

反向推理：所謂反向推理，其實是目標驅(qū)動的一種推理方法，此過程主要是找到那些證明不需要采用規(guī)則的事實.具體方法是：隨機確定一個目標，接著找到和目標結(jié)論有關(guān)系的規(guī)則，然后進行規(guī)則的驗證，但是這之前需要看能否滿足有關(guān)的規(guī)則，如果滿足，則目標就被證明.為了抑制循環(huán)現(xiàn)象的發(fā)生，此過程可利用一些控制策略.

混合推理：混合推理吸取了正向和反向推理的優(yōu)點，其實是一種正向和反向推理的循環(huán)和混合方法.從而避免了數(shù)據(jù)的盲目采集.

利用決策規(guī)則進行監(jiān)測的步驟是：

1) 在復(fù)雜工業(yè)系統(tǒng)運行故障監(jiān)測決策表時，當樣本x|=(θ1∨θ2∨…∨θk)，但x|=～ψd時，即可初步判定系統(tǒng)存在故障.如果對系統(tǒng)運行狀況取值進行各種假設(shè)之后還可能導(dǎo)致某些樣本和故障監(jiān)測規(guī)則矛盾的話，就進行步驟2，否則，診斷結(jié)果就認為系統(tǒng)有故障發(fā)生.

2) 在各故障源pi的故障監(jiān)測決策表中，當x|=ψd，且x|=～(θ1∨θ2∨…∨θk)時，即可初步判定系統(tǒng)在故障源pi上有故障出現(xiàn)，先對pi的取值進行各種假設(shè)之后，若還是不符合工業(yè)系統(tǒng)運行狀況的故障監(jiān)測規(guī)則，就直接跳至步驟3進行處理，否則就說明故障源pi為此工業(yè)過程的故障點.

3) 在各故障源pi的故障監(jiān)測決策表中，從其他故障源中找到使ψd∧(～(θ1∨θ2∨…∨θk))成立的信號，同時判斷那些點是否有故障.先對那些點的取值進行各種假設(shè)后，若還不符合工業(yè)系統(tǒng)運行狀況的故障監(jiān)測規(guī)則，就直接跳至步驟4進行處理，否則就說明這些點為此工業(yè)過程的故障點.

4) 在復(fù)雜工業(yè)系統(tǒng)運行故障監(jiān)測決策表的故障源信號里找到使(θ1∨θ2∨…∨θk)∧～ψd成立的故障源信號點，同時判定這些點是否有故障.步驟3與步驟4構(gòu)成了混合推理.

4 故障監(jiān)測性能分析方法

可以利用故障監(jiān)測的正確率和誤報率來定量分析故障監(jiān)測決策規(guī)則中各信號源之間影響程度的大小.

設(shè)在∑中，信號源pi共有k種狀態(tài)，與故障監(jiān)測決策規(guī)則中關(guān)于決策j的規(guī)則相匹配的對象為Oij，則正確率有如下表達式：

則誤報率為：1-γpi.

需要注意的是，這里的正確率僅表示故障監(jiān)測時正確分類的一種可能性，是一種對監(jiān)測效果的估計，并不代表實際工業(yè)過程中監(jiān)測的正確率.監(jiān)測的誤報率主要是由狀態(tài)空間模型的不完備性、不一致性引起的，但若事先對不一致性進行補充就可以將正確率最終提高到1.

5 結(jié)語

本文結(jié)合工業(yè)過程的非線性化特點，把基于概率分布的混合決策表離散化方法及基于分明矩陣和約簡樹的增量式屬性約簡方法應(yīng)用到工業(yè)過程狀態(tài)監(jiān)測中，闡述了工業(yè)過程知識獲取、狀態(tài)監(jiān)測和監(jiān)測性能評價方法.這種監(jiān)測方法在一定程度上提高了復(fù)雜工業(yè)過程狀態(tài)監(jiān)測的效率和精度，具有一定的理論價值和實際應(yīng)用價值.

[1] 馬玉鑫.流程工業(yè)過程故障檢測的特征提取方法研究[D].上海:華東理工大學(xué),2014.

[2] 王冬梅，王繼成.基于粗糙集的機車電線路故障診斷方法[J].長春工業(yè)大學(xué)學(xué)報(自然科學(xué)版),2008,29(05).

[3] 張德齊.基于粗糙集理論的電機故障診斷方法研究[D].錦州:渤海大學(xué),2015.

[4] 黃景濤.基于粗集和概率分布的混合決策表離散化算法[J].計算機工程與應(yīng)用,2009,45(07).

[5] 侯 楓.基于分明矩陣和約簡樹的增量式屬性約簡算法[J].計算機工程與應(yīng)用,2011,46(11).

[責任編輯 梧桐雨]

Fault Monitoring Methods of Industrial Processes Based on Rough Set

LIU Fengnian

(SanmenxiaPolytechnic,Sanmenxia472000,China)

In order to deal with the problem of difficulty to establish model and high rate of false positives about traditional method of failure monitoring, according to the nonlinearity characteristics of the industrial process, a method for industrial process status monitoring was presented in this thesis. With this method, incremental algorithms for attribute reduction based on discernibility matrix and reduction tree and novel algorithm for discretization of mixed decision table based on probability distribution are applied to industrial process condition monitoring. This paper expounds the method of industrial process of knowledge acquisition and condition monitoring and performance evaluation. This kind of monitoring method improved the efficiency and precision of the industrial process condition monitoring, and it has certain value of practical application.

rough set; industrial processes; fault monitoring

2016-11-21

劉豐年(1982- )，男，河南三門峽人，三門峽職業(yè)技術(shù)學(xué)院講師，碩士，主要從事模式識別與智能系統(tǒng)研究。

TP277

A

1671-8127(2017)02-0080-04