1　引言 字串5

　　生产过程故障基本可分两类［1］：一类是当故障发生后，过程系统由一个正常的稳定状态逐渐过渡到另一个非正常的稳定状态。如电站回热系统，当一台高压加热器因某根钢管破裂而导致给水泄漏时，由于对象本身的动态特性和控制系统的作用，机组将逐渐过渡到另一个稳定的状态，仍能维持运行；另一类是故障发生后，系统状态会逐渐恶化，直至崩溃。如电站锅炉发生水冷壁泄漏故障，如不及时处理，必然会导致机组运行逐渐恶化，直至炉膛熄火或机组迫停。上述两类故障的共同点是：当故障发生后，过程系统将经历一个由多个变量共同表现出来的特定的动态过程，直至系统重新稳定或崩溃。
　　生产过程的故障检测与诊断方法，基本上可分为基于对象机理模型的故障诊断和不依赖于对象模型的定性的故障诊断［2］。前者利用观测器或者滤波器对过程系统的状态和参数进行重构，并将模型输出与对象实际输出进行比较，形成残差序列，通过对残差序列的分析进行故障检测与诊断；后者实质上是一种典型故障模式的识别与匹配过程，其中包括故障诊断专家系统、故障树分析、人工神经网络方法等，这类诊断方法往往需要一些获取故障直接征兆的特殊传感检测装置。通常上述两类故障诊断方法，无论是残差序列分析，还是征兆信号匹配，都是根据某一时刻系统的状态进行故障检测与诊断，只有当故障发生到一定程度，系统状态与正常状态有着较大的偏差后，才能诊断出故障，因此存在故障检测与诊断的滞后性。 字串9
　　本文提出的生产过程早期故障检测与诊断方法，定性地利用了故障发生后系统中多个相关变量或征兆信息之间的解析冗余关系，将它们的动态趋势信息利用人工神经网络进行有效的融合，在一定程度上避免了上述常规故障诊断方法的缺点，减小了故障检测与诊断的滞后性，为运行人员争取了最多的故障处理时间和主动。

字串9

2　生产过程早期故障检测与诊断基本原理 字串4

　　本文提出的生产过程早期故障检测与诊断方法，根据多个变量的动态变化趋势信息，实现在故障动态变化过程中对故障进行早期检测与诊断，故障诊断策略如图1所示。 字串1

字串1

图1　生产过程早期故障检测与诊断策略
Fig.1　Early fault detection and diagnosis
algorithm for technical process 字串7

　　多层前馈神经网络由于其良好的泛化能力和对任意非线性函数的拟合能力，以及潜在的并行处理、自学习能力、容错能力，在故障检测和诊断中得到广泛的研究和实际应用［3，4］。本文采用滑动数据窗对原始数据进行动态滤波处理，再分别通过两级多层前馈神经网络完成测量数据或征兆的动态趋势信息的提取和故障检测与诊断，极大地提高了故障诊断的鲁棒性［5］，同时由于神经网络特有的自适应和自学习功能，能够使故障诊断系统始终保持较低的漏检率和误警率。
2.1　滑动数据窗滤波
　　作为一种数据滤波方法，滑动数据窗［6］能够有效跟踪变量动态趋势，捕捉故障渐变状态，并实现输入数据的规一化，图2表示了滑动数据窗滤波的基本原理。

字串4

图2　滑动数据窗滤波原理
Fig.2　Principle of moving time window

　　设变量i的采样周期为Δti，其时序向量Vi的长度为mi＋1，则其数据窗宽度Wi＝mi×Δti。数据窗高度Hi是一个绝对量，根据故障发生后变量i的变化幅度大小确定。从图2可以看出，数据窗右侧对应当前采样时刻，数据窗左侧对应以前第mi个采样时刻，数据窗纵向中心对应数据窗中所有数据的平均值。取数据窗中大于数据窗上限的数据为＋1，小于数据窗下限的数据为－1，其它数据为其在数据窗中的相对值，则变量i的原始时序向量Vi＝(v0i，v1i，…，vmii)被规一化为各分量处于＋1和－1之间的标准向量。上述滑动数据窗算法可以进一步描述为 字串7

字串6

式中　t＝0，…，mi　i＝1，…，n。
　　由于该故障诊断方法是通过各变量的动态趋势信息进行故障检测与诊断，因此数据窗的宽度Wi和高度Hi在一定程度上决定了故障检测的鲁棒性和快速性。当数据窗的宽度和高度增加时，故障检测的鲁棒性得到加强，但故障检测的快速性将下降；反之则故障检测的快速性得到加强但鲁棒性将受到影响。每个变量的数据窗参数，即Wi和Hi，可以根据故障先验知识由经验选取。
2.2　变量动态趋势提取神经网络
　　对变量i的规一化时间序列向量i，通过三层前馈神经网络提取该变量的动态变化趋势信息。该神经网络为故障诊断中的一级神经网络，完成变量i对模糊变量“增加”、“不变”、“减少”的隶属度tii、tis、tid的确定。所有神经元作用函数都采用log-
sigmoid函数，神经网络输入数据处于＋1和－1之间，输出处于0和＋1之间。
　　通过神经网络对样本的学习，模糊变量的隶属函数以神经元之间连接权值的形式存在于神经网络中。图3(a)表示了一组供神经网络学习的样本，其中时间序列1、2、3、4、5的目标输出分别为(1 0 0)τ、(0.5 0.5 0)τ、(0 1 0)τ、(0 0.5 0.5)τ、(0 0 1)τ。学习后权值确定的神经网络，用于数据动态趋势提取，并作为一个通用的功能模块存在于故障诊断系统。

字串9

(a)　　　　　　　　　(b) 字串2

图3　动态趋势提取神经网络学习样本及检验样本
Fig.3　Learning and test examples of
dynamic tread extraction ANN 字串5

　　故障检测与诊断时，得到故障诊断结果向量R＝(f1，f2，…，fk，N)，如果其中fi＝(fj)≥θf，且N≤θN，则认为系统发生故障i，阈值θf和θN由经验确定。文［7］采用输出神经元的二进制编码表示故障，以减少输出神经元的个数，本文通过试验发现这种方法增加了故障的重叠程度，对神经网络的泛化要求很高，增加了诊断难度，因此并未采用该方法。
　　二级神经网络通过对典型故障样本的学习，提取其中所蕴含的故障诊断规则，并以神经元之间权值的形式确定下来，供故障检测与诊断，因此故障样本的代表性和合理性在某种程度上决定了神经网络故障检测与诊断的性能，故障样本可以通过多种途径获取：
　　(1)通过对象故障工况的机理仿真获取。文［1］通过汽轮机热力系统的事故模型进行了事故工况的仿真，获得了大量的故障数据。
　　(2)通过对历史事故的数据记录获得。
　　(3)通过定性分析得到。对某些事故进行定性分析，可以确定故障发生后相关变量的变化趋势和幅度。

3　故障诊断系统的自学习

　　一个智能的故障检测与诊断系统的诊断推理过程，也应当是其本身不断学习和完善的过程。由于建立故障检测与诊断系统时，对故障知识的掌握程度有限，以及复杂对象本身的时变性、特殊性和不确定性，故障诊断系统在工作过程中应当根据对对象故障知识的不断认识和理解，以及故障模型知识与实际故障知识之间的差异，通过与用户的交互，不断学习和完善本身的故障诊断知识。
　　对本文提出的方法，故障诊断的智能性主要体现在二级神经网络的再训练和自学习。下面分别讨论故障检测与诊断系统对某故障进行了正确的报警(但有误差)、误警和漏警三种情况下的学习原则。
3.1　故障i正确报警
　　二级神经网络根据实时变量动态趋势信息向量T＝(t1i，t1s，t1d，t2i，t2s，t2d，…，tni，tns，tnd)正确诊断得故障i时，其输出的故障检测与诊断向量R＝(f1，f2，…，fk，N)在理想情况下应当仅fi＝1,其它神经元输出都为0。事实上由于故障诊断模型知识和实际对象故障知识之间的差异，往往是，fi<1，fj>0 (j≠i),N>0，因此应当将该实时变量动态趋势信息向量加入去掉故障样本集，对二级神经网络进行重新训练，即学习当前的故障知识，完善故障诊断模型。
3.2　故障i误警 字串7
　　当在T＝(t1i，t1s，t1d，t2i，t2s，t2d，…，tni，tns，tnd)下，对故障i作出了错误的报警，则以T为输入样本向量，R′＝(0，0，…，fi，…，0，0，1)，其中fi<θf，为目标输出向量，将该样本对加入原二级神经网络训练样本集，对二级神经网络重新训练，调整原有的故障模型知识。
3.3　故障i漏警
　　当在T＝(t1i，t1s，t1d，t2i，t2s，t2d，…，tni，tns，tnd)下，对故障i漏警，此时故障诊断系统的自学习分两种情况：如果故障i已经包括在原故障诊断系统中，则应当将该实时变量动态趋势信息向量加入原来故障信息表中故障i的故障样本集，对二级神经网络进行重新训练；如果故障i未包括在原故障诊断系统中，即先验故障中不含有故障i，在原二级神经网络中没有故障i对应的输出，则改变原二级神经网络的结构，添加一个输出神经元代表故障i，同时合理改变中间层神经元的个数，将该实时变量动态趋势信息向量作为故障i的训练样本，同时将原故障训练样本集中的输出向量都增加代表故障i的神经元输出，对新的二级神经网络进行重新训练和学习。
　　通过故障诊断系统的自学习，即使对故障先验知识不完备的故障检测与诊断系统，也可以在故障发生后，通过与用户的不断交互，逐渐建立完善的故障模型知识。 字串4

4　生产过程早期故障检测与诊断原理的应用

　　文［1］对某电站125MW机组高压回热系统进行了事故工况仿真。该系统由1#和2#高压加热器、除氧器、给水泵组成，加热器都具有蒸汽冷却段和疏水冷却段，系统采用疏水逐级自流连接。 图4中光滑曲线为仿真2#高加发生20％泄漏时，过程系统中相关变量的动态变化过程。事实上，有经验的运行人员常能通过图4中相关变量的变化趋势，对故障进行正确判断与定位。利用事故工况仿真数据，本文建立了高压加热器泄漏故障诊断子系统，并进行了2＃高压加热器泄漏故障检测与诊断仿真研究。

字串6

图4　2#高加发生20%泄漏时相关变量的变化过程
Fig.4　Changing process of some variables after 2# high
pressure heater having a 20% leakage

　　高压加热器泄漏故障诊断子系统模型的建立通过依赖变量信息表、二级神经网络信息表和故障信息表完成，分别如表1、表2和表3所示。

表1　高压加热器泄漏故障诊断子系统依赖变量信息表
Tab.1　Depended variables table of fault diagnosis
system for high pressure heater leakage

表2　高加泄漏故障诊断子系统二级神经网络信息表 字串5
Tab.2　Second level ANN information table of fault
diagnosis for high pressure heater leakage

表3　高压加热器泄漏故障诊断子系统故障信息表
Tab.3 fault information table of fault diagnosis
system for high pressure heater leakage 字串2

表4　高加泄漏故障诊断子系统二级神经网络训练样本集 字串9
Tab.4　Learning example set for second level ANN of fault
diagnosis system for high pressure heater leakage

图5　学习样本故障诊断仿真结果
Fig.5　Fault diagnosis simulation result of learning example 字串8

　　为检验故障诊断方法的泛化能力，对该故障诊断子系统分别输入15%泄漏量和25%泄漏量时的故障仿真数据，则故障捕获时间分别为系统发生故障后的13s和8s，比故障进入稳态提前了17s和
22s，可见该故障诊断方法具有良好的泛化能力。
　　为检验该故障诊断方法的鲁棒性和对噪声的抗干扰能力，在20%泄漏量故障仿真数据上叠加了正态随机分布干扰信号A×［N(0，1)］，A为噪声的幅值，以相应变量滑动滤波数据窗高度的百分数为单位，图4中非光滑曲线为叠加了20％噪声干扰的故障数据。仿真表明，直至噪声幅值为25%时，该故障诊断方法仍能正确进行故障检测与诊断，结果见图6，可见该故障诊断方法能够实现故障的鲁棒检测与诊断。当干扰幅值为33％时，仿真表明虽然能够对2＃故障正确报警，但也发生1＃故障的误警，故障诊断系统已无法正确工作。
　　在该故障诊断方法的实际应用中，上述表2、3、4的内容将随着故障检测与诊断系统的自学习作自适应变化，并非固定不变的。

5　结论

　　理论分析和故障仿真表明，本文提出的故障诊断方法，知识和结构表达简单，通用性和鲁棒性强，能够实现生产过程的早期故障检测与诊断，具有工程实用价值。具体如下： 字串2

图6　叠加了25％噪声的故障诊断仿真结果
Fig.6　Fault diagnosis simulation results
of fault data with 25% noise

　　(1)它是一种定性的故障诊断方法，不需要故障机理模型，因而具有良好的实用性和通用性，特别适合于那些无法建立机理模型的对象的故障诊断。
　　(2)它利用故障发生后的动态特性对故障进行捕获，能够实现在故障的动态变化过程中对故障进行早期的检测与诊断，减少了故障检测和诊断的滞后性，赢得了故障处理时间。
　　(3)由于该方法是基于对象发生故障后的动态特性，因此与对象的稳定工况无关，即具有全工况内的适用性。
　　(4)由于它通过滑动数据窗和一级多层前馈神经网络，对故障发生后系统中多个相关变量的动态变化趋势信息进行提取，再通过二级神经网络，对故障进行检测与诊断，因而具有良好的泛化能力和抗干扰能力，能够实现故障的鲁棒诊断。
　　(5)它具有良好的自学习和自适应能力，进一步保证了故障检测的鲁棒性，同时在故障先验知识不完备的情况下，故障诊断系统可以通过与用户的交互，逐步自动建立起完善的故障模型知识。 字串6

字串8

参考文献： 字串9

［1］胥传普.125MW汽轮机及其热力系统全工况实时仿真数学模型［D］.南京：东南大学，1986.
［2］Frank P M.Analytical and qualitative model based fault diagnosis-a survey and some new results［J］. European J.Control, 1989,5(2):6～28.
［3］Sorsa T,Koivo N.Application of artificial neural networks in process fault diagnosis［J］.Automatic,1993,29(4):843～849.
［4］Yunosuke,Kenneth A.Loparo.A neural-network approach to fault detection and diagnosis in industry processes［J］.IEEE Transaction on Control Systems Technology,1997,5(6):529～539.
［5］Patton R J.Robust model-based fault diagnosis :the state of the art,preprints of IFAC symposium on fault detection［J］.Supervision and Safety for Technical Process, 1994,(1):1～24.
［6］Li R,Olson J H,Chester D L.Dynamic fault detection and diagnosis using neural networks［J］.in Proc. 5th IEEE Symp ,Intell.Control,1990:1169～1174.
［7］Teodor Marcu and Letitia Mirea.Robust Detection and Isolation of Process Faults Using Neural Networks［J］.IEEE Control System,1997,10:72～79.