李 莉 李 軍
(1. 新疆新能發(fā)展有限責(zé)任公司大山口水電廠 2. 新疆電力有限公司博湖縣供電公司)
水電廠管網(wǎng)故障檢測系統(tǒng)中的傳感器數(shù)量眾多,信號繁復(fù),數(shù)據(jù)結(jié)構(gòu)復(fù)雜,因此其數(shù)據(jù)分析與處理模型存在著諸多困難。新疆大山口水電廠2013年引進(jìn)了國外的IFC公司的水電廠管網(wǎng)故障檢測系統(tǒng),但通過實(shí)踐發(fā)現(xiàn),該系統(tǒng)的性能尚有待提高,如:管損檢測系統(tǒng)中的傳感器種類較多,傳回的信號較多,而整個檢測系統(tǒng)建設(shè)分為多期進(jìn)行,采用的傳感器型號和規(guī)格不盡相同,F(xiàn)DDC模型的數(shù)據(jù)結(jié)構(gòu)的動態(tài)類型較少,難以完全兼容上述信息,后續(xù)的信息融合非常困難。國內(nèi)外眾多研究人員針對這些問題開展了一系列的工作:文獻(xiàn)[1]中討論管網(wǎng)的數(shù)學(xué)建模問題;文獻(xiàn)[2-3]討論了在管網(wǎng)故障檢測中引入智能算法的相關(guān)問題與解決措施;文獻(xiàn)[4-5]研究了復(fù)雜管網(wǎng)仿真建模以及相關(guān)的故障診斷算法;文獻(xiàn)[6]研究了基于神經(jīng)網(wǎng)絡(luò)的水電廠系統(tǒng)故障診斷方法;文獻(xiàn)[7]研究了液體管網(wǎng)的智能優(yōu)化設(shè)計(jì)策略。但在實(shí)際應(yīng)用中,上述研究成果暴露出一些問題,基于已有研究成果,綜合大山口水電廠的實(shí)際項(xiàng)目要求,本文提出了一種基于經(jīng)驗(yàn)進(jìn)化的水電廠管網(wǎng)故障檢測模型 FDEE(Water Pipe Network Fault Diagnosis Model based on Experience Evolution)。
針對現(xiàn)場需求和研究成果的不足,F(xiàn)DEE與傳統(tǒng)的檢測模型相比,進(jìn)行了以下主要改進(jìn),模型的總體結(jié)構(gòu)與主要處理流程如圖1所示。
圖1 FDEE模型結(jié)構(gòu)
圖1為FDEE模型的結(jié)構(gòu)與處理流程,從圖中可以看出該模型主要包括四個模塊:專家經(jīng)驗(yàn)處理模塊、現(xiàn)場數(shù)據(jù)直接判斷模塊、現(xiàn)場數(shù)據(jù)融合判斷模塊以及用以存儲數(shù)據(jù)的專家經(jīng)驗(yàn)庫模塊?;谶@些模塊,F(xiàn)DEE模型充分利用了管網(wǎng)故障檢測過程中的歷史數(shù)據(jù)與專家經(jīng)驗(yàn),破除了以前工作中的一些問題與瓶頸,如:現(xiàn)有模型(本文的研究主體對象為 IFC公司的 FDDC模型)的問題根源之一是歷史數(shù)據(jù)與處置經(jīng)驗(yàn)應(yīng)用不充分,過分依賴傳感器生成的信息。當(dāng)傳感網(wǎng)絡(luò)復(fù)雜到一定程度,出現(xiàn)故障“蝴蝶效應(yīng)”時,現(xiàn)有模型一方面難以應(yīng)付大批量的告警數(shù)據(jù),另一方面浪費(fèi)了大量已有的成功案例等經(jīng)驗(yàn)數(shù)據(jù)[8]。針對這些情況,F(xiàn)DEE模型將既有的歷史處置經(jīng)驗(yàn)與現(xiàn)場實(shí)時數(shù)據(jù)相融合,在進(jìn)行復(fù)雜判斷前,先將檢測數(shù)據(jù)與歷史處置經(jīng)驗(yàn)(專家經(jīng)驗(yàn))進(jìn)行匹配,通過對專家經(jīng)驗(yàn)庫的搜索,檢索到一定的歷史經(jīng)驗(yàn),對當(dāng)前的管網(wǎng)故障檢測實(shí)施信息支持,在一定程度上解決了這些問題。FDEE模型研究了新型的管網(wǎng)故障檢測專家經(jīng)驗(yàn)應(yīng)用算法。這部分算法的核心是匹配算法,主要解決了管網(wǎng)故障診斷系統(tǒng)對歷史專家經(jīng)驗(yàn)難以利用的瓶頸。其主體思路是提取現(xiàn)場數(shù)據(jù)的特征,與專家經(jīng)驗(yàn)庫中的案例進(jìn)行匹配,生成初次判斷,加速檢測過程;在檢測結(jié)果生成,并得到驗(yàn)證后,將相關(guān)數(shù)據(jù)反饋給專家?guī)?,使其中的信息得以進(jìn)化,以便提供更為全面、精準(zhǔn)的專家經(jīng)驗(yàn)。
首先將整個水電廠管網(wǎng)的故障問題視為一個可測度空間(向量構(gòu)成空間):(X, P( X ))。其中的測度函數(shù)第一位為:: P( X ) → NR,當(dāng)且僅當(dāng)(?)=[0,0]時成立。而對于其中的模糊測度可以有:另有:M={μ| μl≤ μ≤ μr};如果為可測度空間(X, P( X))上的模糊測度值[9],則存在可測度函數(shù) f:X→(-∞,+∞)。進(jìn)一步可以定義其關(guān)于的積分有:綜上所述,有: yl(f)=是經(jīng)典的 Choquet積分。其詳細(xì)的處理步驟如下。
Step1:檢測開始,初始化參數(shù)和最大循環(huán)次數(shù)。
Step2:計(jì)步器設(shè)為 0,開始進(jìn)行專家經(jīng)驗(yàn)/現(xiàn)場數(shù)據(jù)集合的初步匹配,即通過專家經(jīng)驗(yàn)與現(xiàn)場數(shù)據(jù)匹配 , 將 現(xiàn) 場 數(shù) 據(jù) X = {x1, x2,… ,xn}生 成 一 個 μ 在P( X)上的模糊測度。
Step3:如果有專家經(jīng)驗(yàn)/現(xiàn)場數(shù)據(jù)集合的高匹配項(xiàng),則直接告警,并跳轉(zhuǎn)到 Step6,如果沒有則進(jìn)行下一步;其中的關(guān)鍵算法參見下文。
Step4:通過閾值,對現(xiàn)場數(shù)據(jù)進(jìn)行直接判斷。
Step5:對現(xiàn)場數(shù)據(jù)進(jìn)行融合處理,即:進(jìn)一步對集合 x1,x2,… ,xn進(jìn)行排序和刪除誤匹配點(diǎn),可以生成有并進(jìn)行下列處理:
進(jìn)一步得到:
Step6:計(jì)步器加1;如果在閾值判斷中檢測到了故障或有高匹配項(xiàng),則告警,并在結(jié)束處理后根據(jù)式(3)更新專家?guī)?,促使專家?jīng)驗(yàn)進(jìn)化;如果都沒有,但計(jì)步器超過閾值,則退出,重新獲取現(xiàn)場數(shù)據(jù)。
如上所述,F(xiàn)DEE模型采用了新型的專家經(jīng)驗(yàn)/現(xiàn)場數(shù)據(jù)匹配算法,該匹配算法的描述如下。
假設(shè)專家經(jīng)驗(yàn)/現(xiàn)場數(shù)據(jù)集合分別為X={ x1, x2,… ,xm}與 Y = { y1,y2,… ,yn};匹配算法的詳細(xì)實(shí)施步驟如下。
Step1:計(jì)步器設(shè)置為0。
Step2:對專家經(jīng)驗(yàn)/現(xiàn)場數(shù)據(jù)集合X和Y進(jìn)行初始匹配;即:可以根據(jù) X集合的某點(diǎn) xi,得到剩下n-1個點(diǎn)的匹配上下文環(huán)境:
式中,i=1,2,…,m,而K是故障劃分?jǐn)?shù)。以此類推,可以定義 Y集合的某點(diǎn) yj的上下文 hj(k),從而定義xi和yj的匹配代價,有:
至此,可以通過匈牙利法對兩個集合進(jìn)行初始匹配。初始處理后,可以有兩個對應(yīng)的排列X={ x1, x2,… ,xn}和 Y = { y1,y2,… ,yn}, 其 中 的 雙 元 組(xi, yi)是最初的匹配元組。至此,現(xiàn)場數(shù)據(jù)集 X可以構(gòu)建一個中值圖 GX(VX,EX)來映射到專家經(jīng)驗(yàn)集中。假設(shè)某個獨(dú)立點(diǎn)(特征)xi是專家經(jīng)驗(yàn)集中的一個對應(yīng)節(jié)點(diǎn)vi,有: VX= v1,… ,vn。
首先進(jìn)行精度匹配,刪除其中的誤匹配項(xiàng)目;此時,如果xj和xi能夠符合連接條件:xj是xi在經(jīng)驗(yàn)集中最近的點(diǎn),且而μ為VX為節(jié)點(diǎn)間所有距離的中值則二者相關(guān),可以通過排序求得一個 GX(VX,EX)的鄰接矩陣:
接著可以利用經(jīng)驗(yàn)集 Y建造一個 GY(VY,EY)的鄰接矩陣AY。并通過相似計(jì)算法來求得二者的匹配度,有 A=|AX-AY|,可得:
由于專家經(jīng)驗(yàn)集中的數(shù)據(jù)量很大,如果直接進(jìn)行匹配,將會有較多的誤匹配,并且系統(tǒng)資源消耗較多,因此需要通過刪除算法縮小兩個需要匹配的集合,具體的算法參見文獻(xiàn)[1]。對雙方集合進(jìn)行刪除誤匹配點(diǎn)后,將有和k<n。此時,可以開展深度匹配,由下式進(jìn)行判斷:
由式(8)進(jìn)一步得:
其中的U(r)=r2logr2是匹配核函數(shù);而相關(guān)參數(shù)a和w可以如下得之:
Step3:將現(xiàn)場數(shù)據(jù)的參數(shù)變換;將 X1轉(zhuǎn)化成專家經(jīng)驗(yàn)集中的X。
Step4:計(jì)步器加1,此時如果計(jì)算次數(shù)超過計(jì)算次數(shù)限制 Mmax或匹配度超過設(shè)定的閾值,則停止;反之退回到Step2。
為驗(yàn)證FDEE模型的性能,在新疆庫爾勒市大山口水電廠對其進(jìn)行了實(shí)地測試。對比對象為未經(jīng)修改的IFC公司的FDDC模型(2012年上線);測試環(huán)境共包括475個(套)傳感器檢測點(diǎn)和相關(guān)的配套設(shè)施(包括主控站和二級監(jiān)測站)。對比中,F(xiàn)DEE模型和 FDDC模型均運(yùn)行在主控站,對整個檢測系統(tǒng)獲取的數(shù)據(jù)進(jìn)行處理,并進(jìn)行性能對比。最終的測試結(jié)果如下:
1)檢測精度:如圖2所示,F(xiàn)DEE模型的檢測精度明顯高于 FDDC模型(由于水電廠的傳感網(wǎng)絡(luò)規(guī)模較大且結(jié)構(gòu)復(fù)雜,造成FDDC模型誤檢率很高,曾極大地影響了整個系統(tǒng)的效能發(fā)揮)。在10個檢測周期中,F(xiàn)DEE模型的平均誤報率低于27%,顯示了良好的檢測精度,減少了管損人員的人工出勤次數(shù),降低了對應(yīng)的開銷。
圖2 誤檢率對比
2)檢測效率:如圖3所示,F(xiàn)DEE模型的檢測效率明顯高于 FDDC模型。在 10個檢測周期中,F(xiàn)DEE模型充分利用了之前的專家經(jīng)驗(yàn),使得平均檢測發(fā)現(xiàn)時耗(從故障發(fā)生到檢測告警之間的時間差),均大大少于 FDDC模型,而檢測時耗的降低,為管網(wǎng)故障的早期預(yù)警和管損處理贏得了寶貴的時間。
圖3 發(fā)現(xiàn)時耗對比
3)系統(tǒng)開銷:如圖 4所示,F(xiàn)DEE模型的檢測性能超出了 FDDC模型,但由于經(jīng)驗(yàn)進(jìn)化的整個處理過程,相對平均地分?jǐn)傇谡麄€檢測過程中,因此其系統(tǒng)開銷(此處重點(diǎn)關(guān)注了內(nèi)存占用率)與 FDDC模型相當(dāng),甚至有部分檢測周期內(nèi)的平均內(nèi)存占用率低于 FDDC模型(原因是處理速度較快,匹配的系統(tǒng)開銷少于現(xiàn)場數(shù)據(jù)直接或融合檢測的系統(tǒng)開銷),實(shí)際應(yīng)用時并不需要配置高性能服務(wù)器,可以沿用原有設(shè)備就獲得較高的檢測性能,模型的性價比較高。
圖4 系統(tǒng)開銷對比
下面以2017年8月17日的一次故障排除作業(yè)闡述FDEE模型的微觀應(yīng)用過程。下表是系統(tǒng)獲取的傳感器檢測信息。
表 檢測信息(2017-08-17)
兩種檢測模型在PTH-27檢測點(diǎn)的檢測量1和2發(fā)生異常變化時,都將實(shí)施故障診斷操作,但方法上卻大相徑庭。FDDC模型將直接把該檢測點(diǎn)的上行和下行管線作為故障線路上報,后續(xù)的人工檢測工作量很大。而FDEE模型將首先進(jìn)行專家經(jīng)驗(yàn)庫匹配,自動輸入?yún)?shù)為上表PTH-27檢測信息以及該檢測點(diǎn)的上下行管道的拓?fù)浣Y(jié)構(gòu)等,通過匹配算法得到專家經(jīng)驗(yàn)記錄;并根據(jù)專家經(jīng)驗(yàn)記錄,進(jìn)行上下管線的檢測信息查詢,從而判斷該故障是PTH-27-02檢測的管線故障導(dǎo)致的。管損人員在處理完該項(xiàng)故障之后,將反饋信息至FDEE模型,調(diào)整專家經(jīng)驗(yàn)庫對應(yīng)記錄的經(jīng)驗(yàn)值,并生成此次處理的對應(yīng)記錄促進(jìn)專家經(jīng)驗(yàn)進(jìn)化。
針對水電廠管網(wǎng)故障模型存在的種種問題,提出了一種基于經(jīng)驗(yàn)進(jìn)化的水電廠管網(wǎng)故障檢測模型,給出了FDEE模型的基本原理與關(guān)鍵算法,并詳述了經(jīng)驗(yàn)進(jìn)化算法的細(xì)節(jié)。最終的實(shí)驗(yàn)結(jié)果表明,F(xiàn)DEE模型的故障檢測精度和處理效率較高,較之 FDDC模型,需要的系統(tǒng)資源也比較少,能夠適應(yīng)水電廠生產(chǎn)的實(shí)際需要,實(shí)用性和適用性較強(qiáng)。
[1] 胡小英, 吳九輔, 程環(huán). 支狀管網(wǎng)的數(shù)學(xué)模型[J]. 工業(yè)儀表與自動化裝置, 2004, 1(3): 58-60.
[2] 高相銘, 劉付斌, 楊世鳳. 基于極限學(xué)習(xí)機(jī)的供水管網(wǎng)故障智能診斷方法[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2013,34(8): 2887-2891.
[3] 鄭德忠, 何樂, 周潯. 基于 Fuzzy理論的供熱管網(wǎng)故障診斷系統(tǒng)的研究[J]. 傳感技術(shù)學(xué), 2003, 1(9): 367-370.
[4] 李楠楠, 郄志紅, 古田均. 供水管網(wǎng)爆管故障診斷的PSO-SVM方法[J]. 系統(tǒng)工程理論與實(shí)踐, 2012, 32(9):2104-2110.
[5] 姜春雷, 郭遠(yuǎn)博, 付興濤. 基于多傳感器數(shù)據(jù)融合的供熱管網(wǎng)泄漏檢測技術(shù)[J]. 大慶石油學(xué)院學(xué)報, 2011,35(3): 91-96.
[6] 曾婧, 李訓(xùn)銘. 基于神經(jīng)網(wǎng)絡(luò)的水電廠故障診斷優(yōu)化[J]. 控制工程, 2009, 16(9): 111-114.
[7] 喬俊飛, 佟磊, 潘廣源. 基于改進(jìn)蟻群算法的 Hanoi給水管網(wǎng)優(yōu)化設(shè)計(jì)[J]. 控制工程, 2013, 20(5): 483-488.
[8] 爨瑩, 陳曉妮. 受限最小生成樹算法在城鎮(zhèn)管網(wǎng)布局優(yōu)化中的應(yīng)用研究[J]. 西安石油大學(xué)學(xué)報(自然科學(xué)版), 2011, 26(1): 82-87.
[9] 崔之健, 王菁, 張曉陽, 等. 基于遺傳算法的油氣集輸管網(wǎng)運(yùn)行效率優(yōu)化[J]. 西安水電廠大學(xué)學(xué)報(自然科學(xué)版), 2008, 23(6): 59-63.