王晨煜，范勁松，程 偉，彭 云

（1.重慶科技學(xué)院 石油與天然氣工程學(xué)院，重慶 401331；2.西南油氣田分公司重慶氣礦，重慶 401120）

天然氣作為一種清潔能源，其利用率得到不斷提升，這對天然氣流量計量提出了更高的要求[1-3]。智能自動化儀表功能的不斷完善，使得其在天然氣流量計量方面的應(yīng)用性越來越高[4]。天然氣流量計量儀表在使用過程中，容易受到環(huán)境、人為等因素的影響而產(chǎn)生故障，這將無法保證其計量穩(wěn)定性，甚至?xí)o燃?xì)夤編順O大的經(jīng)濟損害[5-6]。因此，采用有效方法對其故障進行識別，成為當(dāng)下亟待解決的問題[7-8]。

文獻[9]針對儀表故障問題，利用貝葉斯分類器實現(xiàn)故障類別的最終識別，但該方法因無法全面獲得故障映射、追溯故障原因，使得故障識別精度存在很大誤差。故障樹是實現(xiàn)故障分析的常用方法，它能夠通過構(gòu)建的故障樹分析模型捕捉故障及其引發(fā)原因之間的邏輯關(guān)系[10-11]。文獻[12]在獲取計量終端故障歷史數(shù)據(jù)的基礎(chǔ)上，利用貝葉斯網(wǎng)絡(luò)實現(xiàn)故障診斷與識別，但該方法容易引發(fā)故障誤識別問題。因此，本文研究基于故障樹的天然氣流量計量儀表故障自動化識別方法，利用故障樹分析模型確定故障因果關(guān)系的前提下，通過考慮融合決策的最小支持向量機分類器組提高故障識別精度。

1 天然氣流量計量儀表故障識別

1.1 基于模糊故障樹的天然氣流量計量儀表故障映射

本文采用模糊故障樹分析法實現(xiàn)天然氣流量計量儀表故障映射，即確定天然氣流量計量儀表故障底事件與頂事件之間的關(guān)系，有利于后續(xù)故障特征的準(zhǔn)確獲取?；跀U張原理，通過下式描述天然氣流量計量儀表故障頂事件具有的映射：

式中：f 為天然氣流量計量儀表故障頂事件具有的映射；對于頂事件u、v，U、V 為與之相對應(yīng)的故障論域；f（u）為二者之間的映射。F（U）、F（V）分別為U、V 的集合，故障論域集合中的頂事件映射關(guān)系通過下式表示：

式中：對于F（U）、F（V），A、B 為頂事件故障論域，A、B 之間具有逆像關(guān)系；f（A）為頂事件故障論域A、B間的映射，其計算公式描述為

天然氣流量計量儀表故障底事件由多種故障因素構(gòu)成，故其底事件論域可用U1×U2×U3×…Un表示，其底事件故障映射可通過下式表示：

式中：un為第n 個故障原因。

通過映射函數(shù)f 可實現(xiàn)天然氣流量計量儀表故障底事件至頂事件映射的確定，公式描述為

式中：對于底事件un，F(xiàn)（Un）為故障論域；AN、An分別為第N、n 個頂事件故障論域。

通過下式即可確定天然氣流量計量儀表故障底事件與頂事件之間的邏輯關(guān)系：

式中：f-1（v）為u、v 頂事件映射的逆過程；α 為閾值[13-14]。

1.2 基于KPCA 特征集成算法的天然氣流量計量儀表故障特征提取

核主成分分析（KPCA）算法通過非線性映射函數(shù)φ（·）實現(xiàn)原始天然氣流量計量儀表監(jiān)測數(shù)據(jù)向高維特征空間變換，再基于主成分分析算法（PCA）實現(xiàn)天然氣流量計量儀表故障特征的獲取。已知天然氣流量計量儀表監(jiān)測數(shù)據(jù)集x=｛x1，…，xk，…，xn｝，其樣本個數(shù)為n，數(shù)據(jù)維度為m，xk∈Rm。φ（xk）為映射后的數(shù)據(jù)點，設(shè)定數(shù)據(jù)已作中心化處理，即φ（xk）=0，通過下式確定其協(xié)方差矩陣：

因無法具體描述φ（·），使得λ?＝CF? 難以計算出具體值，其中。為此，設(shè)定k（xi，xj）=φ（xi）Tφ（xj）為核函數(shù)，將其代入式（7）中，可完成對稱正定核矩陣K 的確定，其公式描述為

通過式（9）可確定與特征值λk相對應(yīng)的單位特征向量?k，γ 為系數(shù)。xnew為一新的天然氣流量計量儀表監(jiān)測數(shù)據(jù)樣本，單位特征向量?k上的投影可通過下式表示：

通過方差累積貢獻率獲取天然氣流量計量儀表監(jiān)測數(shù)據(jù)高溫特征空間主元故障特征數(shù)量，其公式描述為

按由高到低順序?qū) 的特征值進行排列，當(dāng)排列靠前的j 個特征值累加結(jié)果與全部特征值求和結(jié)果之比不低于E 時，說明提取的主元可用于描述天然氣流量計量儀表監(jiān)測信息。當(dāng)K 不符合中心化規(guī)則時，需將其轉(zhuǎn)換為，其計算公式為

本文所用高斯核函數(shù)表達(dá)式為

式中：xi、xj分別為輸入的天然氣流量計量儀表監(jiān)測數(shù)據(jù)；σ 為核函數(shù)帶寬。參數(shù)2σ2在天然氣流量計量儀表故障特征提取中起著決定性作用。為實現(xiàn)天然氣流量計量儀表故障特征的全面準(zhǔn)確提取，并解決參數(shù)難以精準(zhǔn)控制的問題，本文設(shè)計了KPCA 特征集成算法，將作為原始參數(shù)，通過下式實現(xiàn)其他參數(shù)的設(shè)定：

1.3 天然氣流量計量儀表故障識別

利用故障樹對天然氣流量計量儀表故障進行分析，在對天然氣流量計量儀表故障進行識別時，故障樹的構(gòu)建是核心內(nèi)容，這將對天然氣流量計量儀表故障原因分析的準(zhǔn)確度具有直接影響。故障樹分析模型結(jié)構(gòu)如圖1 所示。T 為故障樹分析模型的頂層事件，中間事件數(shù)量為s，用M1～Ms標(biāo)記，底層事件數(shù)量為r，通過X1～Xr表示。

圖1 故障樹分析模型結(jié)構(gòu)Fig.1 Structure of fault tree analysis model

構(gòu)建天然氣流量計量儀表故障分析模型后，先對故障生成概率進行計算，再確定最小割集以捕捉不同故障因素之間的關(guān)系。事件發(fā)生概率與割集中變量數(shù)具有反比例關(guān)系，即變量數(shù)目減小，事件發(fā)生概率變大。故障生成概率可表示為

式中：P（Ki）為故障事件生成的模糊概率；Ki為故障發(fā)生的條件概率；n 為故障原因的最大值。

在此基礎(chǔ)上，構(gòu)建基于LS-SVM 融合決策的故障識別模型，多分類器組將多個結(jié)構(gòu)相同的最小支持向量機（LS-SVM）作為子分類器，利用其對天然氣流量計量儀表故障特征進行有監(jiān)督訓(xùn)練，通過自整定權(quán)值的決策模板法（SWDT）實現(xiàn)LS-SVM 多分類器診斷結(jié)果的融合決策，以提高天然氣流量計量儀表故障自動化識別精度。基于LS-SVM 融合決策的故障識別模型結(jié)構(gòu)如圖2 所示。

圖2 基于LS-SVM 融合決策的故障識別模型結(jié)構(gòu)Fig.2 Fault identification model structure based on LS-SVM fusion decision

在天然氣流量計量儀表故障識別過程中，通過混淆矩陣CM實現(xiàn)分類器Ck（k=1，2，…）故障類別識別誤差的描述，混淆矩陣可表示為

式中：Y為故障類別分類矩陣。依據(jù)Ck，h=max（Ck，i）條件建立決策輪廓及模板，分別為DP（x）、DTi，其計算公式描述為

式中：zi為第i 類故障樣本；Ni為數(shù)量。

2 實驗結(jié)果分析

以某天然氣流量計量儀表為實驗對象，該儀表核心部件主要包括計量、MCU 處理、數(shù)據(jù)顯示、電源電路等。獲取6 塊天然氣流量計量儀表運行數(shù)據(jù)，構(gòu)建樣本數(shù)據(jù)集，其中樣本數(shù)據(jù)總量10000 條，故障樣本數(shù)量為1000，其余均為正常樣本。采用本文方法對天然氣流量計量儀表故障進行識別，分析其故障識別能力。

將本文方法應(yīng)用到該天然氣流量計量儀表故障識別中，故障樹分析模型構(gòu)建結(jié)果如圖3 所示。

圖3 天然氣流量計量儀表故障樹Fig.3 Fault tree of natural gas flow metering instrument

分析圖3 可知，樣本數(shù)據(jù)集中各類故障均會使天然氣流量計量儀表黑屏，因此，將儀表黑屏作為其故障樹的頂事件，通過對頂事件的故障原因進一步剖析，即可完成通過邏輯門符號描述的天然氣流量計量儀表黑屏故障樹。其中線圈短路、線圈電壓異常、晶振故障、MCU 故障等12 種故障為中間事件，底層事件由22 個基本事件構(gòu)成，分別用X1～X22表示。

采用本文方法對天然氣流量計量儀表故障樹進行定性、定量分析，確定各類故障概率以及最小割集，實驗結(jié)果如表1 所示。分析表1 可知，采用本文方法可實現(xiàn)故障概率的確定，依據(jù)其數(shù)值大小，該天然氣流量計量儀表發(fā)生線圈短路、晶振故障、液晶電路元件損壞故障的概率較大。

表1 天然氣流量計量儀表黑屏故障定量、定性分析結(jié)果Tab.1 Quantitative and qualitative analysis results of black screen fault of natural gas flow metering instrument

采用本文方法對天然氣流量計量儀表故障進行識別，通過對6 塊天然氣流量計量儀表的故障識別結(jié)果進行分析，研究本文方法的故障識別能力，實驗結(jié)果如表2 所示。分析表2 可知，將本文方法應(yīng)用到天然氣流量計量儀表故障識別中，可識別各天然氣流量計量儀表的故障類型，并找到引起該故障的具體原因。

表2 天然氣流量計量儀表故障識別結(jié)果分析Tab.2 Analysis of fault identification results of natural gas flow metering instruments

通過對特征識別結(jié)果進行分析，驗證本文方法的特征提取性能，實驗結(jié)果如圖4 所示。分析圖4可知，本文方法可實現(xiàn)樣本特征的提取，能夠準(zhǔn)確區(qū)分正常樣本以及多種故障樣本之間的特征差異，無故障特征錯誤區(qū)分問題。

圖4 本文方法的特征提取性能分析Fig.4 Feature extraction performance analysis of the proposed method

以故障識別準(zhǔn)確度作為評價指標(biāo)，通過對比分析SWDT 算法引入前后故障識別準(zhǔn)確度差異，驗證本文方法的優(yōu)越性，實驗結(jié)果如圖5 所示。分析圖5可知，本文方法可有效提升天然氣流量計量儀表故障識別精度，相比應(yīng)用SWDT 融合決策前，故障提升精度增大了5%，達(dá)到94%左右。

圖5 本文方法故障識別效果分析Fig.5 Fault identification effect analysis of the proposed method

3 結(jié)語

以6 塊天然氣流量計量儀表為實驗對象，應(yīng)用本文方法對其運行樣本數(shù)據(jù)進行故障識別，通過對其故障識別結(jié)果等進行分析，驗證本文方法的優(yōu)越性。實驗結(jié)果表明，該方法可完成天然氣流量計量儀表故障樹分析模型的確定，并獲得故障概率和最小割集，可實現(xiàn)計量儀表故障類型以及故障原因的識別，且具有較高的識別精度。