0 引言

    工業生產過程運行中，由于設備或人為等因素常常會出現一些故障，會嚴重影響產品質量甚至對人身安全造成危害。傳統的更新方法的缺點在于過度依賴于當前證據的作用，而忽略了歷史證據的作用。本文通過對原始證據更新規則進行改進，提出了改進的證據更新規則的動態故障診斷算法^[1-5]，應用到硝酸生產裝置故障診斷系統中，確定自動生產裝置故障的辨識框架并生成診斷證據，診斷證據進行動態的實時更新，將更新融合后的證據進行故障決策^[6]，并與目前廣泛使用的原始證據理論和原始單獨模糊推理進行分析對比，探討改進的證據更新規則的動態故障診斷算法的優勢。本文利用證據更新，對歷史證據進行實時更正，從而得到更全面可靠的決策。該方法在智能性、實時性和精確性方面對工業生產裝置的故障診斷效果都得到了有效的提高。

1 故障分析

    以稀硝酸生產過程系統為例，稀硝酸生產過程系統非常復雜，通過對邏輯控制關系和系統分析得到7個已知故障和5個故障特征參數，從而進行故障特征參數和故障模式分析。稀硝酸生產過程系統故障特征參數及故障模式如表1所示。

    故障診斷數據是采集系統的氣氨流量值、氨空比值、工藝水流量值、入出口壓力值，按照故障模式對稀硝酸生產過程系統進行分析。共提取可檢測信號98項，根據提取的故障數據找出故障。

2 辨識框架的生成

3 改進的診斷證據更新過程 

3.1 更新規則的建立

    改進的全部更新過程如圖1所示。

    改進的證據更新規則具有實時性和證據的可信性，更新結果既與當前證據有關，也與歷史證據有關，利用當前證據來更新先前所獲取的故障診斷證據，完成了歷史證據與當前證據的信息整合，解決了模糊理論的缺陷問題，完全適用于動態的故障診斷情況。

3.2 故障決策 

    故障診斷的關鍵一步是故障決策[7-10]。首先需要Pignistic變換，是在更新后k+1時刻進行變換，故障決策是根據基本置信度轉換成Pignistic函數來進行的^[11-16]。首先采集故障特征的在線監測值x₁，x₂，…，x_n，通過改進的證據更新規則來獲取更新后的診斷證據，再經過Pignistic變換得出概率值。

    Pignistic概率函數為：

4 故障診斷實驗分析 

    動態故障診斷分析以生產稀硝酸為例，構造出模糊規則總數為1 247個，生產稀硝酸的故障特征參數模糊語言集如下：

    U₁=(A_1，1，A_1，2，A_1，3，A_1，4，A_1，5，A_1，6，_A1，7)，j=7

    U₂=(A_2，1，A_2，2，A_2，3，A_2，4，A_2，5，A_2，6，A2_，7)，j=7

    U₃=(A_3，1，A_3，2，A_3，3，A_3，4，A_3，5，A_3，6)，j=6

    U₄=(A_4，1，A_4，2，A4_，3，A4，4，A_4，5，A_4，6，A_4，7，A_4，8)，j=8

    U₅=(A_5，1，A_5，2，A_5，3，A_5，4，A_5，5，A_5，6，A_5，7，A_5，8)，j=8

    通過采集稀硝酸生產過程系統故障特征參數的在線監測值，分析并計算在新型模糊推理規則下故障特征參數的實時監測值所屬的模糊語言的項置信度。利用0時刻的稀硝酸生產過程系統故障特征參數在線監測值，確定一條前項模糊規則，再經過新型模糊推理獲得此刻的故障診斷證據。稀硝酸生產過程系統故障特征參數的在線監測值及被選中的語言項歸一化置信度如表3所示。

    因為有5種故障特征參數，則共有32種組合，即JNR=32條規則，從而得到特征參數監測值所選模糊規則前項如表4所示(部分數據)。特征參數監測值所選模糊規則后項如表5所示(部分數據)。根據改進的證據更新規則得出Pignistic概率值和k=1時刻的診斷證據如表6和表7所示。

    最后根據故障決策準則做出故障診斷，在K=1時刻故障Y₇發生，經過實驗診斷分析結果與設定的故障模式一致。對診斷結果的進行對比分析，根據稀硝酸生產過程系統狀態值采樣給出900個采樣數據點，每個故障有100個采樣點經過模糊神經網絡訓練，根據稀硝酸生產過程系統的已知在線診斷獲得245個測試數據，經過原始證據理論、模糊推理和改進型證據更新規則3種方法對比，測試結果如表8所示。

    從故障診斷結果的對比分析可以看出，改進的證據更新規則在工業生產動態故障診斷領域中具有更好的應用優勢，并發揮了重要作用。

5 結論

    本文提出的改進的證據更新規則的動態故障診斷算法在工業領域解決了動態的故障診斷的問題。新型的模糊推理和原始的模糊推理相比較，其推理結果更加精確，確保了證據更新的實時性，進而確保了診斷結果的實時性。通過檢測系統的實時運行狀態可以全面反映實際工況，給出各部件的維修建議，達到故障診斷的目的，體現了人工智能故障診斷在工業生產中的重要作用。利用證據更新對歷史證據進行實時更正，從而得到更全面可靠的決策，來提高產品質量和經濟效益，在人身安全方面也有了更好的保障。

參考文獻

[1] KULASEKERE E C，PREMARATNE K，DEWASURENDRA D A，et al.Conditioning and updating evidence[J].International Journal of Approximate Reasoning，2004，36(1)：75-108.

[2] DEMPSTER A P.Upper and lower probabilities induced by a multivalued mapping[J].The Annals of Mathematical Statistics，1967，38(2)：325-339.

[3] 宋曉靜.基于證據理論的工業報警器設計方法研究[D].杭州：杭州電子科技大學，2012.

[4] 史健.基于證據理論的動態融合方法研究[D].杭州：杭州電子科技大學，2012.

[5] 王玉成.沖突證據的相似性度量方法及其在信息融合故障診斷中的應用[D].杭州：杭州電子科技大學，2011.

[6] 張鎮.基于證據推理與更新規則的動態融合方法及其應用研究[D].杭州：杭州電子科技大學，2016.

[7] 徐曉濱，張鎮，李世寶，等.基于診斷證據靜態融合與動態更新的故障診斷方法[J].自動化學報，2016，42(1)：107-108.

[8] 董煒，陳衛征，徐曉濱，等.基于模糊區間優化的模糊推理故障診斷方法[J].北京工業大學學報，2012，38(12)：1905-1912.

[9] 吳祎，周強，吳文軍，等.動態辨識框架下條件證據更新的故障檢測方法[J].計算機應用研究，2015，32(8)：2370-2373.

[10] 柳新軍，張東來，李安壽，等.基于BIT技術的PCU故障診斷和性能監測系統[J].電子技術應用，2019，45(5)：34-37.

[11] 宋玉琴，朱紫娟，姬引飛.基于粗糙集優化的信息融合故障診斷系統[J].電子技術應用，2015，41(8)：143-145，148.

[12] OUKHELLOU L，DEBIOLLES A，DENCEUX T，et al.Fault diagnosis in railway track circuits using dempster-shafer classifier fusion[J].Engineering Applications of Artificial Intelligence，2010，23(1)：116-123.

[13] ZHANG Q H，HU Q，SUN G X，et al.Concurrent fault diagnosis for rotating machinery based on vibration sensors[J].International Journal of Distributed Sensor Networks，2013，75(8)：93-102.

[14] UX B，ZHOU Z，WEN C L.Data fusion algorithm of fault diagnose considering sensor measurement uncertainty[J].International Journal on Smart Sensing and Intelligent Systems，2013，6(1)：170-190.

[15] WEN C L，XU X B，LI Z L.Research on unified description and extension of combination rules of evidence based on random set theory[J].Chinese Journal of Electronics，2008，17(2)：279-284.

[16] DUBOIS D，PRADE H.Updating with belief funcations, ordinal conditional functions and possibility measure[C].Proceedings of the 6th Annual Conference on Uncertainty in Artificial Intelligence，Cambridge，Amsterdam：Elsevier Science，1990：311-329.

作者信息:

朱玉華，曲萍萍

(沈陽工業大學 化工過程自動化學院，遼寧 遼陽111003)