, ,
(海軍工程大學 船舶與動力學院,武漢 430033)
艦船冷凝器運行工況惡劣、結構復雜,故障率較高。傳統的故障診斷大多依賴于診斷人員的經驗積累,這受制于人的主觀因素,也難以實現診斷知識的有效積累和傳播。范例推理和規則推理是決策支持領域常用的2種推理策略,二者各有其長[1],混合推理機的構建就是綜合上述2種推理方法,對待不同的故障情況采用不同的診斷推理機制,有效實現艦船冷凝器的故障診斷。
混合推理機的推理機制是范例推理和規則推理的結合運用。首先構建故障范例庫,在出現新故障時判斷在范例庫中是否存在與新故障相同或相似的歷史故障范例,存在則進行范例推理,否則進行規則推理,其結果均通過解釋機輸出,并且將最終診斷結果添加到范例庫中,實現系統的自學習。
故障范例庫是混合推理機實現推理的基礎,范例庫的內容和構建形式直接影響到下一步推理方式的選取。范例庫中歷史故障范例并非機械的排列和添加,要實現新故障與歷史故障的比較,建議范例庫中的故障范例采用二級目錄存儲,即故障名稱及相應的故障特性參數表征。取冷凝器傳熱管破裂故障為例,采用二級目錄存儲即為:
Cl-的質量分數是0.02×10-6;冷卻劑過冷度3.8 ℃;水位892 mm;冷凝水進出口溫差9.2 ℃;壓力0.014 5 MPa。
如此一來,所有的歷史故障范例均按照統一的形式存儲于故障范例庫中,既便于后續的范例搜索,也便于新舊范例之間的相似性比較。
范例推理的實現過程主要有兩步,即檢索與修正,而后是診斷結果的反饋。其中檢索尤為重要,檢索的目的是找出與新范例相同或者相似的舊范例,至于如何判斷二者是否相同或相似,在多大程度上相似,則需要建立相似性函數將其量化。范例推理中常用的相似性函數有Tversky對比匹配函數、k-NN算法、多參數相似性函數、Weber算法等,在此采用修正k-NN算法,即相對距離量度法:
D(X,Y)=(∑iWi·D(Xi,Yi)r)1/r
仍以冷凝器傳熱管破裂為例,假設出現一新故障情況按照二級目錄描述為:
Cl-的質量分數是0.018×10-6;冷卻劑過冷度3.6 ℃;水位886 mm;冷凝水進出口溫差9.3 ℃;壓力為0.015 1 MPa。
依據各故障特性參數對故障的表征程度分別賦其權值0.60、0.15、0.12、0.08、0.05,按照上述公式計算可得:
D(X,Y)=(∑Wi·D(Xi,Yi)r)1/r
=0.042 4
折合成百分數:D(X,Y)=4.24%。
據診斷經驗,取D0=5%,顯然D(X,Y) 此時認為范例庫中存在相似范例,可以借鑒舊范例對新故障進行診斷,在此前提下對舊范例進行修正之后即可得出診斷結論,本次診斷結論同樣采用相同的存儲形式添加到范例庫中,整個范例推理過程結束。 相反,如果D(X,Y)>D0,則認為范例庫中不存在相同或相似范例,轉而實施規則推理。 目前在故障診斷領域經常采用的規則推理方法有粗糙集理論、Bayes網絡、神經網絡、模糊算法、決策樹分析等,其中粗糙集理論作為一種處理具有信息不確定、不精確、不完善系統的新數學工具,是目前應用較多的一種歸納學習方法,被廣泛運用于機器學習、專家系統等領域[2]。 針對艦船冷凝器的故障診斷,采用粗糙集的知識表達和挖掘關聯規則的遺傳算法。 首先引入信息表的概念,信息表是一個三元組,即: S=(U,A,V) 式中:U是對象的集合;A=C∪D是屬性集。如果C∩D=?,則信息表(U,A)被稱作決策表,其中C和D為A的子集,分別稱作A的條件屬性和決策屬性,采用遺傳算法挖掘關聯規則,即推理規則。 記條件屬性集C中滿足φi的記錄數為Cover(φi),假設決策屬性集中存在di,且φi、di之間存在關聯性,則定義φi→di的可信度R為: R(φi→di)=Cover(φi→di)/Cover(φi) 可信度越高說明由條件屬性φi到決策屬性di的可能性越大,如果:R(φi→di)=1,則φi→di肯定成立。 參照冷凝器歷史診斷記錄建立條件屬性表和決策屬性表分別如下[3]: 表3 條件屬性表 表4 決策屬性表 約簡后得到規則如下: 表5 約簡規則表 注:表中雙箭頭表示顯著升高或降低,單箭頭表示略微升高或降低。 計算每一條規則的可信度之后采納可信度高的規則作為推理依據,具體如下: R(φ1→d1)=4/5 R(φ3→d1)=3/5 R(φ4→d1)=2/5 R(φ5→d1)=2/5 R(φ6→d1)=2/5 R(φ2→d2)=2/4 R(φ3→d2)=2/4 R(φ4→d2)=2/4 R(φ5→d2)=3/4 建立各條屬性記錄和決策記錄之間的可信度后,記: 依據P(di)大小排序,取概率最大者為診斷結果。 推理規則形成之后設備狀態檢測系統可以直接與推理機連通,得到推理結果。通過規則推理得到的結論同樣可以添加到范例庫中,進一步強化系統功能。 針對所構建的混合推理機,通過計算機編程進行仿真試驗。具體由VC++6.0可視化編程實現,通過建立人機交互界面如圖1[4]。 在故障參數特征表示欄目框中輸入當前故障的各個參數值,而后設定參考指標值后,可以依次點擊范例搜尋和規則提取模塊實現范例推理和規則推理,最終結果可以通過診斷結果查詢模塊得到詳細結果,并可通過范例添加模塊實現反饋學習,在故障診斷過程中也可以通過診斷進程模塊形象體現系統診斷過程。圖中顯示的只是系統的主界面,依次進入各模塊后將有分界面展示各步診斷過程,并且各界面均采用對話框形式,可以有效結合系統固有知識和人員經驗知識實施診斷。支撐各個界面的則是基于MFC 類庫的龐大語言程序。 圖1 系統人機交互主界 混合推理機的構建可使范例推理和規則推理兩種推理機制取長補短,同時又可相互促進,無論采取哪種推理方式得到的推理結果都可以反饋到故障范例庫中,在一定程度上也實現了系統的自學習。所提出的混合推理機制也同樣適用于其它具有多狀態參數特征的民、軍用設備的故障診斷工作。 [1] 楊善林,倪志偉.機器學習與智能決策支持系統[M].北京:科學出版社,2003. [2] 蔡自興,徐光祐.人工智能及其應用[M].北京:清華大學出版社,2004. [3] 陳 恬,孫健國.粗糙集與神經網絡在航空發動機氣路故障診斷中的應用[J].航空動力學報,2006,21(1):207-212. [4] 趙 森,廖 望,梁乘銘.Visual C++程序設計教程[M].北京:冶金工業出版社,2006.4 規則推理的具體實現
5 仿真試驗框架簡介
6 結束語