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(cè)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(duì)傳統(tǒng)故障監(jiān)測(cè)方法模型建立難、誤報(bào)率高的問題，結(jié)合工業(yè)過程的非線性特點(diǎn)，提出了一種基于粗糙集的工業(yè)過程故障監(jiān)測(cè)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(jiǎn)樹的增量式屬性約簡(jiǎn)方法應(yīng)用于工業(yè)過程狀態(tài)監(jiān)測(cè)中，闡述了工業(yè)過程知識(shí)獲取、狀態(tài)監(jiān)測(cè)和監(jiān)測(cè)性能評(píng)價(jià)方法.這種監(jiān)測(cè)方法在一定程度上提高了工業(yè)過程狀態(tài)監(jiān)測(cè)的效率和精度，具有一定的實(shí)際應(yīng)用價(jià)值.

粗糙集；工業(yè)過程；故障監(jiān)測(cè)

0 引言

伴隨著工業(yè)4.0時(shí)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(yùn)行比較穩(wěn)定，一些能夠?qū)I(yè)系統(tǒng)實(shí)時(shí)監(jiān)測(cè)的可靠有效的措施應(yīng)該被采取，以便第一時(shí)間發(fā)現(xiàn)故障并進(jìn)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(duì)性地選擇合適的監(jiān)測(cè)方法.

常用的故障監(jiān)測(cè)方法有3種，它們分別是基于解析模型、基于信號(hào)及基于知識(shí)推理的故障監(jiān)測(cè)方法[1]11-18.如果對(duì)系統(tǒng)運(yùn)行機(jī)理比較熟悉，數(shù)學(xué)解析模型可以準(zhǔn)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(cè)系統(tǒng)運(yùn)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(shí)施.當(dāng)我們可以及時(shí)準(zhǔn)確地采集到各部件的信號(hào)時(shí)，就可以使用基于信號(hào)的故障監(jiān)測(cè)方法，該方法在監(jiān)測(cè)系統(tǒng)故障時(shí)主要利用2項(xiàng)技術(shù)，一是信息融合技術(shù)；二是信號(hào)處理技術(shù).要想通過基于信號(hào)的故障監(jiān)測(cè)方法準(zhǔn)確找到故障點(diǎn)和信號(hào)之間的關(guān)系，就必須詳細(xì)了解系統(tǒng)的運(yùn)行機(jī)理[2]541-545.基于知識(shí)推理的故障監(jiān)測(cè)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(yàn)，并且要用機(jī)器學(xué)習(xí)和知識(shí)推理工具，進(jìn)而達(dá)到人工診斷的目的.那些非線性動(dòng)態(tài)復(fù)雜系統(tǒng)的故障監(jiān)測(cè)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(duì)上述各種故障監(jiān)測(cè)方法存在的問題，結(jié)合現(xiàn)代復(fù)雜工業(yè)過程的特點(diǎn)，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(jiǎn)樹的增量式屬性約簡(jiǎn)方法[5]125-129用在復(fù)雜工業(yè)過程狀態(tài)監(jiān)測(cè)中，闡述了知識(shí)獲取、狀態(tài)監(jiān)測(cè)和監(jiān)測(cè)性能評(píng)價(jià)方法.這種監(jiān)測(cè)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(cè)的效率和精度.

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

1 工業(yè)過程運(yùn)行狀況知識(shí)的獲取

為準(zhǔn)確監(jiān)測(cè)復(fù)雜工業(yè)過程的故障點(diǎn)，就必須實(shí)時(shí)準(zhǔn)確的監(jiān)視工業(yè)過程的運(yùn)行狀況.基于粗糙集的相關(guān)理論，可以按照下面的步驟進(jìn)行工業(yè)過程的信息采集和知識(shí)獲?。?/p>

1) 構(gòu)造故障監(jiān)測(cè)決策表，決策表構(gòu)造后，其中的條件信號(hào)是故障源信號(hào)，系統(tǒng)運(yùn)行狀態(tài)信號(hào)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(jìn)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(duì)表1中的冗余屬性進(jìn)行約簡(jiǎn)處理，去除冗余屬性的方法利用的是基于分明矩陣和約簡(jiǎn)樹的增量式屬性約簡(jiǎn)算法.

4) 進(jìn)行樣本值約簡(jiǎn)處理，決策表的離散化直接決定著知識(shí)獲取的準(zhǔn)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(gè)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(jìn)行表示.

表1 故障監(jiān)測(cè)決策表

2 工業(yè)過程故障點(diǎn)的知識(shí)獲取

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

1)單點(diǎn)故障

表2為單點(diǎn)故障源的故障監(jiān)測(cè)表，其中用Di={pi}表示一個(gè)故障源的決策屬性集，剩下的信號(hào)和系統(tǒng)狀態(tài)信號(hào)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(jī)隨機(jī)采集到的原始狀態(tài)數(shù)據(jù)組成m個(gè)決策表，同時(shí)依據(jù)基于分明矩陣和約簡(jiǎn)樹的增量式屬性約簡(jiǎn)算法對(duì)m個(gè)決策表進(jìn)行知識(shí)獲取，就會(huì)得到單點(diǎn)故障源的監(jiān)測(cè)規(guī)則.采用基于分明矩陣和約簡(jiǎn)樹的增量式屬性約簡(jiǎn)算法對(duì)每個(gè)決策表約簡(jiǎn)之后都可以得到故障源pi的一組故障監(jiān)測(cè)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(hào)的關(guān)系.所以，判斷某個(gè)樣本是否存在故障的方法為：拿某個(gè)樣本與該故障監(jiān)測(cè)規(guī)則進(jìn)行比對(duì)，若與該點(diǎn)的某條監(jiān)測(cè)規(guī)則矛盾，則證明這個(gè)點(diǎn)是故障點(diǎn)，同時(shí)依據(jù)矛盾的規(guī)則判斷出現(xiàn)故障點(diǎn)的原因是什么，如果和這個(gè)點(diǎn)的所有監(jiān)測(cè)規(guī)則都差不多，則表明該點(diǎn)工作正常，沒有故障發(fā)生.

表2 故障源信號(hào)pi的故障監(jiān)測(cè)決策表

2) 多點(diǎn)故障

目前，現(xiàn)代工業(yè)過程更加復(fù)雜，系統(tǒng)在運(yùn)行中，通常會(huì)出現(xiàn)多點(diǎn)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(diǎn)故障源決策表.假設(shè)同時(shí)考慮信號(hào)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(cè)決策表(見表3).

為了獲得故障點(diǎn)知識(shí)，可以把混合故障源信號(hào)進(jìn)行分解，因此對(duì)混合故障源信號(hào)知識(shí)的獲取方法同單點(diǎn)故障源信號(hào)知識(shí)獲取的方法相同.

表3 故障源信號(hào)pi和pj的聯(lián)合故障監(jiān)測(cè)決策表

3 工業(yè)過程故障監(jiān)測(cè)的步驟

上述故障監(jiān)測(cè)規(guī)則是指在正常情況下故障信號(hào)和系統(tǒng)工作情況信號(hào)間的對(duì)應(yīng)關(guān)系，即給出某一個(gè)故障點(diǎn)在其他故障信號(hào)及系統(tǒng)工作狀況信號(hào)的某種“狀態(tài)組合”下該點(diǎn)的信號(hào)值.由于總可以將故障決策表的各決策屬性組合成為一個(gè)決策屬性，因此筆者僅討論對(duì)某一個(gè)復(fù)雜系統(tǒng)運(yùn)行狀況進(jìn)行監(jiān)測(cè)的情況.

根據(jù)復(fù)雜工業(yè)過程的運(yùn)行狀況和DCS機(jī)采集到的數(shù)據(jù)，構(gòu)造故障監(jiān)測(cè)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(hào)組成的條件屬性集，D={q}是復(fù)雜工業(yè)過程運(yùn)行狀態(tài)信號(hào)組成的決策屬性集.采用合理的屬性約簡(jiǎn)算法對(duì)S=(U,R,V,f)進(jìn)行屬性約簡(jiǎn)處理，最終可以得到故障監(jiān)測(cè)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(cè)決策規(guī)則有協(xié)調(diào)性的特點(diǎn)，則復(fù)雜工業(yè)過程運(yùn)行狀態(tài)信號(hào)的一個(gè)取值和系統(tǒng)故障源信號(hào)的某個(gè)狀態(tài)組合的對(duì)應(yīng)關(guān)系表示一條決策規(guī)則，反過來，幾個(gè)系統(tǒng)故障源的某種狀態(tài)組合代表著一個(gè)系統(tǒng)運(yùn)行狀態(tài)信號(hào)的取值.由此可見，監(jiān)測(cè)規(guī)則分為正向監(jiān)測(cè)規(guī)則和反向監(jiān)測(cè)規(guī)則2種.正向監(jiān)測(cè)規(guī)則：假設(shè)在k種狀態(tài)信號(hào)下，用vq表示信號(hào)q的取值，則有(θ1∨θ2∨…∨θk)→ψd就變成了正向監(jiān)測(cè)規(guī)則.反向監(jiān)測(cè)規(guī)則：監(jiān)測(cè)決策表的約簡(jiǎn)告訴我們?cè)诒O(jiān)測(cè)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(cè)規(guī)則.正向故障監(jiān)測(cè)規(guī)則和反向故障監(jiān)測(cè)規(guī)則都可以被用作故障監(jiān)測(cè)，這和決策邏輯中的正向和反向推理是相對(duì)的.

決策邏輯是在粗糙集知識(shí)獲取以后進(jìn)行具體應(yīng)用的體現(xiàn)，它是采用知識(shí)進(jìn)行推理，進(jìn)而得到結(jié)論，從而進(jìn)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(shí)是一種用數(shù)據(jù)驅(qū)動(dòng)的推理方式，依據(jù)原本的事實(shí)，把它和規(guī)則庫中的規(guī)則進(jìn)行比較，如果滿足某種規(guī)則，就會(huì)執(zhí)行這條規(guī)則的結(jié)論；如果出現(xiàn)了新的事實(shí)，就會(huì)利用一樣的方法對(duì)新事實(shí)和原來的事實(shí)進(jìn)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(shí)是目標(biāo)驅(qū)動(dòng)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(shí).具體方法是：隨機(jī)確定一個(gè)目標(biāo)，接著找到和目標(biāo)結(jié)論有關(guān)系的規(guī)則，然后進(jìn)行規(guī)則的驗(yàn)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(biāo)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(diǎn)，其實(shí)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(jìn)行監(jiān)測(cè)的步驟是：

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

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

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

4) 在復(fù)雜工業(yè)系統(tǒng)運(yùn)行故障監(jiān)測(cè)決策表的故障源信號(hào)里找到使(θ1∨θ2∨…∨θk)∧～ψd成立的故障源信號(hào)點(diǎn)，同時(shí)判定這些點(diǎn)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(cè)性能分析方法

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

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

則誤報(bào)率為：1-γpi.

需要注意的是，這里的正確率僅表示故障監(jiān)測(cè)時(shí)正確分類的一種可能性，是一種對(duì)監(jiān)測(cè)效果的估計(jì)，并不代表實(shí)際工業(yè)過程中監(jiān)測(cè)的正確率.監(jiān)測(cè)的誤報(bào)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(duì)不一致性進(jìn)行補(bǔ)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(diǎn)，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(jiǎn)樹的增量式屬性約簡(jiǎn)方法應(yīng)用到工業(yè)過程狀態(tài)監(jiān)測(cè)中，闡述了工業(yè)過程知識(shí)獲取、狀態(tài)監(jiān)測(cè)和監(jiān)測(cè)性能評(píng)價(jià)方法.這種監(jiān)測(cè)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(cè)的效率和精度，具有一定的理論價(jià)值和實(shí)際應(yīng)用價(jià)值.

[1] 馬玉鑫.流程工業(yè)過程故障檢測(cè)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(jī)車電線路故障診斷方法[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2008,29(05).

[3] 張德齊.基于粗糙集理論的電機(jī)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(jì)算機(jī)工程與應(yīng)用,2009,45(07).

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

[責(zé)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(shí)別與智能系統(tǒng)研究。

TP277

A

1671-8127(2017)02-0080-04