（材料加工工程专业论文）水泥回转窑故障诊断系统的研究.pdf

摘要 同转窑烧成系统是新型干法水泥生产线上最重要的工艺环节，它的运行状况 直接影响水泥生产的产量、质量、能耗和环境污染程度。由予其工艺复杂，工况 恶劣，设备众多，控制规模庞大，一旦某环节出现故障，很难及时诊断出故障 原因，造成长时间停产。至今未见适合与新型回转窑烧成系统的故障诊断技术的 文献报道。因此，展开新型干法回转窑烧成系统的故障诊断技术的研究，并开发 出能对回转窑烧成系统工艺及设备进行故障预知和快速、正确诊断的系统具有理 沦和实际意义。 本文分析了新型干法回转窑烧成系统工艺过程，找出了常见故障征兆与原因 的关系，在充分了解现有诊断技术的基础上，从回转窑烧成系统工艺自身特征出 发，提出了一种基于故障案例分析和模糊推理的故障诊断算法，编制了相应的计 算机程序，建立了回转窑烧成系统的计算机故障诊断系统。 文中将回转窑烧成系统故障按性质不同分为工艺故障和设备故障，按照故障 渗断的要求将故障征兆分为四级：故障部件、故障位置、故障性质和严重程度。 故障征兆信息可以按照在线的方式从过程控制系统的实时数据库中获取，也可按 离线的方式由人工输入。所建立的回转窑烧成系统的计算机故障诊断系统具有案 例学习和案例库自丰富能力，从而使该系统具有不断提高其诊断成功率的能力。 这对水泥生产的优质、高产、低耗具有十分重要的意义。 鉴于新型干法水泥回转窑烧成系统的故障诊断的特殊性，它涉及到材料科 学、过程控制和计算机等学科，目前尚无成熟的诊断数学模型和计算机算法。本 文提出的基于故障案例分析和模糊推理的新型干法水泥回转窑烧成系统的故障 诊断算法以及所建立的计算机故障诊断系统，对水泥回转窑烧成系统的故障诊断 研究进行了初步的尝试和探讨，为进一步研究提供借鉴。 关键词：水泥回转窑，故障诊断，案例分析，模糊推理 浙江大学硕士学位论文 a b s t r a c t r o t a r yk i l nd e c o m p o s i t i o ni s t h em o s ti m p o r t a n tt e c h n i c st a c h ei nt h ec e m e n t p r o d u c t i o nl i n e ，a n di t sr u n n i n gs t a t u sa f f e c t st h eo u t p u t ，q u a l i t y , e n e r g yw a s t a g ea n d e n v i r o n m e n tp o l l u t i o nb e c a u s eo fi t s c o m p l i c a t e dt e c h n i c s ，a t r o c i o u sp r o d u c i n g e n v i o r m e n t ，n u m e r o u se q u i p m e n t sa n dl a r g es c a l ec o n t r o l ，o n c et h e r ei sf a u l ti ns o m e t a c h e ，i t sd i f f i c u l tt od i a g n o s et h er e a s o n ，l e a d i n gt ot h el o n gt i m es t o pp r o d u c t i o n b u tb yf i o wt h e r ei sn oc o r r e s p o n d i n gr e p o r to nf a u l td i a g n o s i st e c h n o l o g ya i m i n ga t r o t a r yk i l nd e c o m p o s i t i o ns y s t e m i nt h a t ，t h er e s e a r c ho nt h ef a u l td i a g n o s i st ot h e n e wk i n dr o t a r yk i l nd e c o m p o s i t i o ns y s t e m ，a n dt od e v e l o pai n g r e t e df a u l td i a g n o s i s s y s t e m ，w h i c hc a np r e d i c ta n dd i a g n o s et h er o t a r yk i l n sf a u l tr a p i d l y ，h a st h e o r ya n d a c t u a ls i g n i f i c a n c e o nt h eb a s eo f f u l l ya n a l y z i n gr o t a r yk i l nd e c o m p o s i t i o n st e c h n i c sp r o c e s s ，t h e r e l a t i o n s h i pb e t w e e n f a u l tp h e n o m e n o na n dr e a s o nh a sb e e nf o u n d o nt h eb a s eo f t h e c u r r e n tf a u l td i a g n o s i st e c h n o l o g ya n dr o t a r yk i l nd e c o m p o s t i o nt e c h n i c sc h a r a c t e r , a n e wf a u l t d i a g n o s i sa r i t h m e t i cb a s e d o nt h ef a u l t f u z z yc l a s s i f i c a t i o n a n dc b r ( c a s e b a s e dr e a s o n i n 曲h a sb e e nb r o u g h tf o r w a r d a n dt h ec o r r e s p o n d i n gc o m p u t e r p r o g r a m aa n df a u l td i a g n o s i ss y s t e m f o rt h er o t a r yk i l nh a sb e e nd e s i n e da n ds e tu p ， t h ef a u l td i a n o s i sf o rr o t a r yk i l nd e v i d e st h ef a u l ti n t ot e c h n i c sf a u l ta n d e q u i p m e n tf a u l ta c c o r d i n gt o t h ef a u l tp r o p e r t y , i n t ot o u rl e v e l s ：f a u l tp a r t ，f a u l t l o c a t i o n ，f a u l t c h a r a c t e ra n d d e g r e ea c c o r d i n g t ot h e d i a g n o s i s t h e f a u l t p h e n o m e n o ni n f o r m a t i o nc a l lb ei n p u tf r o mt h ep r o c e s sc o n t r o ls y s t e m sr e a lt i m e d a t a b a s eo nl i n e ，o rb ei n p u ta r t i f i c i a l l yo f fl i n e t h ec o m p u t e rf a u l td i a g n o s i ss y s t e m p o s s e s st h ef u n c t i o no f c a s es t u d ya n dc a s ed a t a t a s es e l fe n r i c h i n g ，w h i c hm a k e st h e s y s t e mc a r li m p o v ei t sd i a g o s i sc a p a b i l i t yc o n t i n u a l l y i th a si m p o r t a n ts i g n i f i c a n c et o t h ec e m e n t sh i g h q u a l i t y , l a r g e y i e l d 1 0 w - c o n s u m p t i o n p r o d u c t i o n w h e r e a st h ef a u l td i a g n o s i so nn e wk i n dc e m e n tr o t a r yl 【i l i lh a si t sp a r t i c u l a r i t y , i tr e l a t et om a t e r i a ls c i e n c e ，p r o c e s sc o n t r o la n dc o m p u t e rs c i e n c e ，t h e r ei sn om a t u r e d i a g n o s i sm a t h m a t i c sm o d e l a n d c o m p u t e ra r i t h m e t i c t h ef a u l td i a g n o s i sa r i t h m e t i c a n d s y s t e mb r o u g h tf o r w a r di nt h i sp a p e rh a sm a d ee l e m e n t a r yr e s e a r c ha n dd i s c u s s ， 浙江大学硕士学位论五 s u p p l y i n g h s ef o rr e f e r e n c ef o rf a r t h e rs t u d y k e y w o r d ：c e m e n tr o t a r yk i l n ， f a u l t d i a n o s i s ， c a s e a n a l y s i s ，f u z z y r e a s o n i n g 浙江大学硕士学位论文 第一章文献综述 1 1 水泥回转窑的故障诊断现状 目前我国正处于新型回转窑干法水泥生产技术的快速成长期。围绕新型回转 窑干法水泥生产技术，国内不少高校、研究所开展了大量的研究工作，不断有新 工艺、新设备和新的控制技术的涌现，其中主要是针对烧成系统展开，因为它是 新型回转窑干法水泥生产线上最重要的工艺环节。该系统运行的状况，直接影响 水泥生产的产量、质量、能耗以及环境污染的程度。自1 8 8 5 年回转窑问世后的 1 2 0 余年来，水泥工业生产技术虽已经历多次重大革新，但它作为水泥煅烧关键 技术设备，屡遭挑战，却至今仍葆青春。可见其具有独特的功能和品质【j j 。首先， 作为燃料燃烧装置，它具有广阔的空间和热力场，可以供应足够的空气，保证燃 料充分燃烧，为水泥煅烧提供必要的热量：第二，作为热交换装备，它具有比较 均匀的温度场，可以满足水泥熟料生产过程各个阶段的换热要求，特别是阿利特 矿物生成的要求：第三，作为化学反应器，随着水泥熟料矿物形成不同阶段的不 同需要，它既可分阶段地满足不同矿物形成对热量、温度的要求，又可以满足它 们对时间的要求；第四，作为输送设备，它具有更大的潜力，因为物料在回转窑 断面内的填充率、窑斜度和转速都是很低的。由此可见，回转窑具有多重功能和 优良品质。因此，在近半个世纪中，它一直单独承担着水泥生产过程中的熟料煅 烧任务。 回转窑煅烧是水泥生产中最重要的工艺环节，其中包含了复杂的热工和化工 过程，直接影响着水泥熟料的产量、质量和能耗。目前，对水泥回转窑的故障诊 断一般都靠人工进行。无法高效快速地完成回转窑的故障诊断。同时，由于回转 窑系统的复杂性，故障的表现存在着一定的模糊性和多样性；一种故障现象可能 由多个故障原因产生，或多种现象由同一个故障原因产生等；熟料在回转窑系统 的生产过程是一个理化反应过程，具有大惯性、纯滞后、非线性等特点，系统工 况十分复杂，难以建立精确的数学模型。这无疑又增加了人工诊断的盲目性。 在当前回转窑的集成控制技术中，主要集中监控的参数为温度、压力、风速、 电流、电压等。这些参数在一定程度上能监控回转窑的运行工况和工艺故障，但 对设备故障则起不到监控的作用。如回转窑简体的转动异常、托轮断轴、简体开 裂等，只能依靠人工诊断，这样的诊断方式不仅费时费力，而且效率低下，起不 到预防故障发生的效果。因此，在故障征召输入时，可以采用在线输入和离线人 工输入两种方式。 1 。2 故障定义及诊断意义 随着科学技术的发展，先进的工艺技术和设备不断地应用于工业生产，使生 产规模越来越大，工艺过程日趋复杂。这固然提高了产品的产量和质量以及劳动 生产率，但同时也给设备维护和工艺控制带来了新的难题。特别是传统的人工诊 断故障的方法已不适应于现代工业，因此生产线上某一环节一旦出现故障，很难 得到及时诊断和排除，影响生产的产量和质量，甚至造成生产瘫痪，给企业带来 巨大的经济损失。为了将工艺故障和设备故障的损失减d , n 最低程度，一方面必 须提高生产设备和生产工艺的可靠性，另一方面可以通过尽量缩短故障诊断和维 修的时唰来实现。生产设备的可靠性不论有多高，生产工艺不论多先进，其发生 故障都是不可避免的，因此生产企业最关心的还是在出现故障征兆时，如何对其 进行诊断。发生故障之后，如何及时对其进行排除。这就要求有一种对工艺和设 备故障具有预告和快速、正确诊断的手段，达到及时处理和排除工艺故障和设备 故障的目的。 从系统观点来看，故障定义为【2 ：系统在正常技术环境中，其预定功能失调 ( 包括元素功能失调，元素间联系也被破坏) 或约束条件不满足状态。它包括三 层含义：一是系统偏离正常功能，它的形成原因主要是因为系统的工作条件不正 常而产生的，通过参数调节，或零部件修复又可恢复正常；二是功能失效，是指 系统连续偏离正常功能，且其程度不断加剧，使机械设备基本功能不能保证，则 称之为失效p l 。以上两种统称为设备故障。还有一种是在生产设备正常的条件下， 工艺参数偏离正常幅值，引起的故障叫工艺故障。 从系统分析观点出发，工况监视与故障诊断可以理解为识别设备和工艺运行 状态的科学，也就是说利用检测方法和监视诊断手段，从所检测的信息特征判别 系统的工况状态。它的最终目的是提高设备效率、工艺运行可靠性、分析故障形 成原因，以防患于未然。它是设备安全可靠运行的关键技术之一，也是各种自动 化系统及一般机械系统提高效率和可靠运行性，进行预知维修及预知管理的基 础。 1 3 故障及故障诊断方法的分类 故障的类型因故障性质，状态不同可以分类如下：按工作状态分有间歇性故 障和永久性故障：按故障程度分有局部功能失效和整体功能失效的故障；按故障 形成速度分有急剧性故障和渐进性故障；按故障程度及形成速度分有突发性故障 和缓变性故障；按故障形成的原因分有操作或管理失误形成的故障和机器内在原 因形成的故障，以及随时间变化的故障和随机性故障。这些故障类型是相互交叉， 随着故障的发展，可从一种类型转为另一种类型【4 j 。 由于目前人们对故障诊断的理解不同，各工程领域都有其各自的方法，概括 起来有以下几种p j ： 1 ) 按诊断环境分，有离线人工分析、诊断和在线计算机辅助监视诊断，二者 要求有很大差别。 2 ) 按检测手段分a ) 振动检测诊断法：以机器振动作为信息源，在机器运行 过程中，通过振动参数的变化特征判别机器的运行状态；b ) 噪声检测诊断法， 以机器运行中的噪声作为信息源，在机器运行过程中，通过噪声参数的变化特征 判别机器的运行状态，但易受环境噪声影响：c ) 温度检测诊断法：以可观测的 温度作为信息源，在机器运行过程中，通过温度参数的变化特征判别机器的运行 状态；压力检测诊断法：以机械系统中的气体、液体的压力作为信息源，在 机器运行过程中，通过压力参数的变化特征判别机器的运行状态：e ) 声发射检 测诊断法：金属零件在磨损，变形，破裂过程中产生弹性波，以次弹性波为信息 源，在机器运行过程中，分析弹性波的频率变化特征判别机器的运行状态：d 润 滑油或冷却液中金属含量分析诊断法：在机器运行过程中，以润滑油或冷却液中 金属含量的变化，判别机器的运行状态：g ) 金相分析诊断法：某些运动的零件， 通过对其表面金属显微组织，残余应力，裂纹及物理性质进行检查，研究变化特 征，判别机器设备存在的故障及形成原因。 3 ) 按诊断方法原理分a ) 频域诊断法：应用频谱分析技术，根据频谱特征 的变化判别设备的运行状态及故障；b ) 时域诊断法：应用时间序列模型及其有 关的特性函数，判别设备的工况状态的变化：c ) 统计分析法：应用概率统计模 型及其有关的特性函数，实现工况状态监视与敝障诊断：d 1 信息理论分析法： 应用信息理论建立的特性函数，进行工况状态分析与故障诊断；e ) 模式识别法： 提取对工况状态反应敏感的特征量构成模式矢量设计台适的分类器，判别工况 状态：n 其他人工智能方法：如人工神经网络，专家系统等新发展的研究领域。 1 4 故障诊断的关键技术 1 4 1 故障诊断系统的主要环节 1 ) 信号的在线检测 它必须满足两方面的要求。一是在线( o n 1 i n e ) ，它是针对系统而言，对于 连续运行的机械设备是指机器运行过程中的检测，是在生产线上的进行，故属于 在线检测。二是动态过程具有多方面的信息，没有必要都检测，所选择的信号及 其在机器上的部位都要能敏感地反映工况特征信号变化。 2 ) 信号的特征的分析 鉴于直接检测信号大都是随机信号，它包括了大量的与故障无关的信息，一 般不宜用作判别量。需要用现代信号分析和数据处理方法把直接检测信号转换为 能表达工况状态的特征量。对于某些具有规律的信号，也可从波形结构上提取特 征量。特征分析的目的是用各种信号处理方法作为工具，找到工况状态与特征量 的关系，把反映故障的特征信息和与故障无关的特征信息分离开来，达到去伪存 真的目的。因此，信号处理是特征分析的一种工具，但不是唯一的工具。用作特 征分析的方法有频域分析，时域分析，统计分析，小波分析及波形结构分析等等。 3 ) 特征量的选择 用上述方法可以得到很多可表达系统动态行为的特征量，但没有必要都用来 判别工况状态。因为实际生产中，各个特征量对工况状态变化的敏感程度不同， 应但选择敏感性强，规律性好的特征量，达到去粗取精的目的。只有选择对具体 机器最敏感的特征量，才能加强监视诊断的针对性，特高诊断的准确性。特征量 的选择还要考虑判别的实时性，要求计算简单，如能在一定程度上表达工况状态 的物理含义，就更有利于对工况状态变化原因的分析。用模式识别方法进行状态 浙江大学硕士学位论文 分类时，特征量的数量以2 3 个为宣。特征量太少，误判率大，而特征量太多， 又使得判别函数复杂，计算最大，实时性差，且误判率并不因特征量的数量增多 而单调地减少。 4 ) 工况状态识别 工况状态识别就是状态分类问题，分类与诊断往往是一个概念，此处从生产 过程不同的目的考虑，把“分类”分成监视与诊断两个问题，工况监视的目的是 区分工况状态是正常还是异常，或者哪一部分不正常，便于进行运行管理，强调 在线和实时性。 5 ) 故障诊断 故障诊断首先需根据过程控制系统提供的信息，对当前工况状态及其发展趋 势作出确切的判断。故障诊断主要任务是针对异常工况，查明故障部位、性质、 程度以及发展趋势，这就不仅需要根据当前机组的实际运行工况，而且还需要考 虑机组的历史资料及领域专家的知识作出精确诊断。 1 4 2 常见的故障诊断方法 过程故障诊断是解决工业生产过程系统可靠性、安全性和科学决策问题的关 键技术之一，它与信号处理、计算机、自动控制、人工智能及系统工程等学科有 着密切的联系与交互，属于学科交叉和高新技术探索的领域，是近年来国际过程 系统工程学术界与工业界的研究热点之一，最近十余年间得到了极大发展。故障 诊断方法可以分为三大类：基于解析模型的方法、基于信号处理的方法以及基于 知识的方法 6 7 】。 1 ) 系统动态数学模型能够提供有关系统内部特性的信息，可以在故障诊断 中发挥重要作用。为了便于分析和处理，通常采用线性化的模型，在此基础上应 用现代控制理论中的状态观测器、滤波器或者参数估计算法，辅之以相应的统计 分析和决策方法，实现在线的故障检测与诊断。通常用于故障诊断的动态数学模 型要求具有较高的精确性，但对于许多实际系统，高精度的模型不容易建立，因 此，基于数学模型的故障诊断方法在实际生产过程中应用甚少【8 1 。 2 ) 过程系统发生故障表现在测量信号的异常变化上，因此可通过分析、处理 测量信号提取故障信息。对于生产过程而言，重要的工艺参数如温度、压力等的 变异电可以用信号处理的方法加以诊断。然而，当工艺参数变化缓慢时，信号处 理的方法往往就无能为力了。 3 ) 专家系统诊断技术是一种基于知识的故障诊断方法，也是理论较成熟、 应用较广泛的一种方法。但是专家系统不能从诊断的实例中获得新的知识，存在 知识获取的“瓶颈”，系统的能力局限于知识库中仅有的规则；而且专家知识表 述规则化有相当大的难度，在知识的推理上，传统的专家系统用串行方式，其推 理方法单一，控制策略不灵活，容易出现“匹配冲突”、“组合爆炸”及“无穷递 归”等问题。人工神经网络具有非线性、容错性和并行陛等特点，为解决故障诊 断专家系统存在的上述问题提供了有效的途径在知识获取上，神经网络不需要 由知识工程师整理、总结以及消化领域专家的知识，只需要用领域专家解决问题 的实例来训练神经网络。神经网络的不足之处在于未能充分利用许多特定领域中 专家积累起来的宝贵经验，只利用一些明确的故障诊断实例，而且需要有足够的 学习样本，才能保证诊断的可靠性。由于神经网络从故障实例中学到的知识只是 一些分布权重，而不是类似领域专家逻辑思维的产生式规则，因此，诊断推理过 程不能够被解释，缺乏透明度。 1 4 3 故障信息的获取与特征量的提取 信号检测的基本任务是获取有用的信息，是人类认识客观世界的手段1 0 】。 在设备运行过程中，适当的检测方法是发现故障信息的重要条件，因而也是故障 诊断技术中不可缺少的环节，涉及到根据检测对象选择合适的传感器、信号调理、 采样、信号处理及检测系统等多方面因素。 在设备的运行过程中，可以应用各种现代科学仪器( 包括计算机的软硬件) 获取种种信息，对设备的整体或部件进行诊断，判别工况正常还是异常。机器设 备的主要征兆信号有振动、温度、压力、流量等，但不是所有信号对工况状态都 很敏感，不同的机器在不同的运行状态下其特征信号的敏感程度是不相同的。特 征信号蕴含了机器运行状态的最本质信息，各种机器设备具有各自特征变化规 律。特征信号的获取，不仅与所选择的信号内容有关，且与传感器型号、传感器 的精度和测点等有关。 信号采集及特征量选取可以与过程控制同步进行，其主要步骤有信号滤波 浙江大学硕士学位论文 【9 】、信号放大、交直流分离 1 4 3 1 故障特征的选择 在进行设备状态过程控制与故障诊断时，首先必须确定合适的特征参数，用 来定量地表征装备运行状态的变化，因此恰当地选择特征参数是诊断的成败关键 t o j 。 能够对装备的运行状态进行定量描述的因素称为设备故障诊断中的特征参 数，简称特征。 1 ) 按测量对象分，特征参数包括加速度、速度、位移、温度、压力、应力、 电流、电压、功率、扭矩、转速、浓度等。 2 ) 按特征抽取的方法可分为：幅域参数、时域参数、频域参数。 设x ，为设备运行状态的特征参数，表示特征向量 x = x l ，x 2 ，x n 1 ( 1 1 ) 设q ，= ( 芦l ，2 ，m ) 为设备运行状态的m 个可能故障模式分类，则x 必 然属于m 个可能模式类中的一个。 特征选择就是在已有的n 个特征参数x 。中挑选n 个特征参数x k ( k = l ，2 ， n ，n n ) ，组成在某种准则函数j 意义下的最优特征子集。最优化在所有可能的 候选特征集x 上进行： j ( x n ) = m a x ( j ( x n ) ) ( 1 2 ) 由上式选择出的特征子集直接来源于原来的特征集，保留了原来对应特征的 物理意义。特征选择实质是从已有特征集合中剔除对设备故障诊断作用不大的特 征参数，形成新特征子集。 根据设备故障诊断的要求，为了更好地满足工程应用的要求，还需要考虑以 下的评价指标：灵敏度、稳定性、测试量和计算量、识别率等。 1 4 3 2 特征选择方法 特征选择需要从给定的一组特征参数x i ( i _ 1 ，2 ，n ) 中挑选r 1 个特征 参数( n 1 0 0 0 ； 3 1 增湿塔进水流量 3 0 t h 。 4 ) 窑尾堵料。 则表明有五个工艺故障征兆产生。 由于回转窑烧成系统的设备繁多，工艺复杂，工艺故障的出现，其可能原因 有很多种。既有可能是因为水泥生产工艺方面的原因，也有可能是机械设备本身 故障的原因。对于上述的三条工艺故障征召来说，可能的故障原因有： 1 ) 预热器破损漏风； 2 ) 生料预均化程度不够； 3 1 篦冷机过热： 4 1 煤粉仓煤粉过量，导致窑温升高； 5 、预热器空气分析仪故障； 6 1 增湿塔进水阀门松动； 7 ) 回转窑窑体倾斜： 8 ) 篦冷机润滑油泄漏。 由此可见，在回转窑烧成系统系统中，故障征兆与故障原因存在着复杂的对 应关系。一个故障征兆对应着多个可能故障原因。没有诊断速度快，精度高的算 法，将很难在短时间内找出真正的故障原因。因此，在回转窑烧成系统故障诊断 系统设计中，如何设计合适的算法，对故障实施诊断，是非常重要的。 因此，在本课题研究的故障诊断系统中，对于故障诊断推理算法的要求是： 1 ) 诊断推理速度快。 2 ) 诊断推理精度高 只有诊断推理速度快、精度高的算法，才能在故障发生后及时地找出故障原 因，最短时间内恢复生产，将故障带来的损失降低到最低。如果算法不能满足其 中任一要求的话，则诊断系统将没有实际应用意义。 3 ) 诊断算法简捷 简捷的算法有利于计算机语言的实现，也有利于系统的维护和升级。 浙江大学硕士学位论叉 4 ) 满足实时性要求 故障诊断系统是一个实时性系统，能够从过程控制系统中实时输入故障征 兆。算法设计应能实现这一功能。 5 ) 便于诊断知识的管理 护。 诊断知识是实现诊断推理的基础，算法设计应该便于知识的保存、组织和维 因此，在算法设计中，将考虑到以上因素，设计合适的故障诊断推理算法。 浙江大学硕士学位论文 笫三章水泥回转窑故障诊断算法研究 对于新型干法回转窑烧成系统故障诊断系统来说，设计合理的诊断算法是非 常重要的。回转窑烧成系统工艺复杂，没备众多，故障征兆多，故障原因复杂。 如果没有运算速度快，结果准确的算法，故障渗断系统将达不到预期效果而失去 其应用价值。 目前，针对故障诊断的算法很多，主要有基于神经网络的b p 算法，模糊推 理算法和基于案例的推理算法。它们各有其优缺点，依次讨论如下： 3 1 基于神经网络的b p 算法。 一个诊断总是形式化为一个四元式 3 4 】： d p = ( x ，y ，e ，x + ) ： x = ( x i ，x 2 ，x n ) 1 ，是一个非空的征兆集合； y = ( y l ，y 2 ，y m ) 1 ，是一个非空的故障原因集合： x + x ； e 互x x y x + 是x 的一个子集，表示目前已知的全体征兆。e 是定义在x y 上的关系 子集，即有关故障原因与征兆间因果关系方面的知识，最终表现为神经网络输入 层与输出层之间的连接权值。 反向传播网络( b a c k p r o p a g a t i o n ) ，简称b p 模型，是一种多层网络。b p 网 络是由输入层节点、输出层节点以及隐层节点构成，其中的隐层节点可以是一层 或多层。 b p 网络的相邻层采用全互连结构，如图3 1 所示【3 5 。 当有输入信号时，要首先向前传播到隐层节点，再传至下一隐层，直至最终 传至输出层节点输出，信号的传播是逐层递进的，且每经过一层的特性函数进行 变换。由于信号一直是向前传播至输出层，所以b p 网络是一种前馈网络。 在b p 网络中，要求节点的特性函数要可微，通常选用s 型函数， f ( x ) = ( 1 一e x ) 。 浙江大学硕士学住论文 装瀵 输入层隐层输出层 图3 1b p 网络结构 b p 网络的学习过程包括正向传播和反向传播两部分【3 6 。当给定网络一个输 入模式时，它由输入层至隐层进行计算，并向下一层传递，这样逐层传递和计算， 最后到输出层，产生一个输出模式，这是一个逐层状态更新的过程，称为正( 前) 向传播。如果实际输出模式与期望输出模式有误差，不满足要求，那么就将误差 信号沿原来的连接通路从输出层至输入层逐层传递，并修改各层的连接权值，使 误差减少，直至满足条件为止，这个过程称为反向传播。当所有训练模式都满足 要求时，我们认为b p 网络已经学习好。一旦b p 网络学习好了，用于求解现实 问题时，就只需要正向传播，不再进行反向传播。 b p 网络学习的具体步骤为【3 7 】： 1 从训练样本集中取一样例，把它的输入信息输入到网络中。 2 由网络向前计算出各层节点的输出。 3 计算网络的实际输出与期望输出的误差。 4 从输出层起始反向计算到第一个隐层，按一定原则向减小误差方向调整 网络的各个连接权值。 5 ，对训练样本集中的每一个样例重复以上步骤，直到对整个训练样例集中 的误差达到要求为止。 在以上步骤中，关键是第4 步，即按减小误差的方向调整连接权值。 以回转窑设备故障诊断为例，假设故障征兆有1 4 种，而相应的故障原因有 6 0 种。 以故障征兆x = ( x l ，x 2 ，x 1 4 ) 作为输入，故障原因y = ( y i ，y 2 ，y 6 0 ) 作为输出，以不同的故障原因导致的故障征兆为训练样本进行学习，从而建立故 障征兆与故障原因之间的映射关系。 二 一 珈卅 珈 浙江大学硕士擘位论文 x l ，x 2 ，x 1 4 分别代表托轮轴承座润滑油泄漏、红窑掉转等故障征兆， 而y l ，y 2 ，y 6 0 分别代表油封安装不当或磨损，油封压盖螺栓松动等原因。 输入单元数为1 4 个，输出单元为6 0 个。取每4 个隐含层单元对应一个输 入节点，共选择5 6 个隐含层节点。神经网络共1 3 0 个节点。各单元的输入与输 出的特征函数采用s i g m o i d 函数。设隐含层第外神经元的输入为= u 。一， 输出o ，为： o j 2 去 式中臼表示阀值，0 0 为调节s i g m o i d 函数形状的参数。 对任一故障征兆和故障原因，用1 ，一1 ，0 分别表示有，无和没有记录三种 信息。 以给定的故障征兆作为网络的输入训练网络，通过调节所有的连接权系数和 各神经元的阀值，使得在输出层神经元上得到理想的结果；然后再给出另外一个 故障征兆，要求网络继续完成对这对模式的学习。 当系统的平均误差e 满足式( 3 1 ) 时即可完成训练： e = ( 矿一g ) 2 2 1 0 0 ； 2 ) 窑托轮轴瓦温度 l o o ； 3 1 窑主电机电流 1 0 0 a 。 按照故障四级分类标准， 征兆1 的属性a = 机电设备，窑减速机，温度偏高，一般) 堂至苎兰堡主堂! ! 垒墨 _ _ - h d 一一 征兆2 的属性p ：= 托轮装置，轴瓦，温度过热，一般) 征兆3 的属性p ，= 机电设备，窑主电机，电流过大，一般) 如果在案例库中存在这样的案例 案例1 的属性p = 机电设备，窑减速机，温度偏高，严重) 案例2 的属p 2 一 托轮装置，轴瓦，温度过热，一般) 案例3 的属性p ，= 机电设备，窑主电机，电流过大，轻微) 对比这3 个对应的征兆和案例，可以看出，在4 个属性中，最重要的前3 个属性都完全相似，只有第四个属性不完全相似，即相似度占( a ，b ) 2 1 只n 只i 大于设定值兄，可以按照案例库中的案例判定其故障征兆可能原因。 即称问题s 与案例t 相似 有 t s ，以l q 如果在案例中搜索不到满足三个故障征兆相似度的案例，则采用模糊推理进 行诊断。 设故障出现的征兆有m 种，用p l , p ：，岛表示：可能出现的故障原因有m 种，用1 ，吒，表示h 。 构造故障征兆向量： p 2 p ，p ：，p 。) 各元素的隶属度组成的模糊向量： 4 2 0 p l “口2 一， ) 1 ， 可能的故障原因有m 个，构造故障原因向量： r = n ，乇，) 各元素的隶属度组成的模糊向量： b = ( “m “，2 ，“。) 7 故障原因r 与故障征兆p 的关系可用模糊关系矩阵来表示： 浙江大学硕士学住论交 。 w 2 月 - h 其中的为隶属度，表示第个故障现象对于第f 个原因的隶属程度， 0 ，l 】。 在实际的故障诊断中，出现的故障现象为 a 2 ( “小u 口2 ，“ ) 。 而b = w a 1w 1 2 w 2 lw 2 2 i 2 - “ u p l “，2 u p n 其中， “口= ( l “p i ) v ( w ，2 u p 2 ) v ( 垆 “胛) ， 1 ，m 上式中，w j 】 “p l 2 m i n ( w “p 1 ) ( w 1 1a u p i ) v ( w j 2a p 2 ) 2 m a x m i n ( w j i ，“川) ，r a i n ( 2 ，“p 2 ) 在b 中，最大隶属度m a x ( u 。u 。，“。) 所对应的故障原因为可能的故障原 因，同时，可以从b 中各隶属度的大小推断出现各个故障原因可能性的大小i 4 引。 又假如出现故障征兆： 1 ) 窑减速机温度 1 0 0 c ； 2 1 窑托轮轴瓦温度 1 0 0 ； 3 ) 窑主电机电流 1 0 0 a 。 记为故障征兆集p = p l , p ：，p 3 ， 各元素的隶属度组成的模糊向量： a = ( 0 9 ，0 9 ，0 9 ) 7 模糊向量a 的取值定义在( 0 8 ，1 ) ，一般取0 9 。 浙江大学硕士学位论文 可能故障原因有 4 4 , 4 5 ： 1 1 润滑油变质； 2 ) 润滑油不够； 3 1 主电机故障： 4 ) 油封安装磨损： 5 1 托轮歪斜过大。 记为故障原因集合r 一 ，吒，_ ，_ ，吩) 故障原因置信度b = ( “。“。，“。) 7 故障原因r 与故障征兆p 的模糊关系矩阵 w = w 1 1w 1 2 w 2 】w 2 2 w m jw i n 2 向b = w a b 中的最大元素u ( u ， 丑) ，即可认为u j 相对应的故障原因为当前故障可 能原因。u ， 从上述分析可以看出。模糊推理的关键在于模糊关系矩阵w 的建立a 需要 回转窑设备供应厂家和水泥生产企业技术人员不断从回转窑的生产和使用中积 累和丰富诊断知识。模糊推理求解的诊断过程同时也是一个不断修改完善案例库 的过程，每一次成功的诊断，都可以作为案例存入案例库。 3 2 2 诊断原则 果。 在诊断时应该注意以下两个原则4 6 1 ： 1 、最大隶属度原则： j y j = ：m a x o l ，y 2 ，y m ) 也就是取结果向量y 中值最大的分量所代表的故障原因作为推理的最终结 最大隶属度原则诊断法的优点是简单易行，有计算机上实时性好，缺点是它 浙江走学硕士学位论文 概括的信息量少。 2 ) 阀值原则 规定一个阀值水平 0 ，1 记a = - m a x ( y i ，y 2 ，y 。) ，若a x ，则作 “拒识”的判决，说明提供的故障信息( 征兆群) 不足，若。 ，则认为诊断 可行，诊断结果归入k ( 0 k m ) 。 在应用中常常将最大隶属度原则与阀值原则结合使用，例如当o 时拒判， 而当a x 时按最大隶属度原则判别。另外，也可采用浮动阀值、分值阀值等技 术，进一步提高诊断精度。 3 2 3 诊断推理步骤 集成推理算法的推理过程是由过程模型完成的，根据其体系结构，推理过程 可以按以下步骤进行【4 7 】： 1 ) 通过对新问题的关键特征或关键词赋值索引，来识别新问题的特征。 2 ) 从案例库中检索有相识索引的历史案例。 3 ) 调整检索到的案例求解方案，提出适用于新问题的求解方案。 4 ) 测试此方案，如果测试不成功，则转到( 5 ) ；否则转向( 7 ) 。 5 ) 判断问题描述失败的原因。 6 ) 如果原因存在于索引和选择算法，则修改索引规则。 7 ) 如果原因存在于调整过程，则进入( 6 ) 。 8 ) 使用因果分析来确定失败的原因，并通过修该试图改正这个方案，并转 到( 4 ) ，测试其修理后的方案。 9 ) 对现在的新问题进行索引赋值。 1 0 ) 把现在的新问题存入案例库中。 3 2 4 案例知识的表示和案例库组织 在本课题研究的故障诊断系统中，故障案例知识的表达主要分两个部分：一 部分是案例描述，另一部分是案例解决。案例描述包含了案例编号和故障征兆编 号。故障征兆编号是故障征兆数据库的编号，在这个数据库中，每一个故障征兆 都按照故障部件、故障位置、故障性质和严重程度分为了四级。案例解决部分包 浙江走学硕士学位论工 括了故障原因、置信度、维修建议及备注。 在实际的程序设计t p ，为了方便程序设计及数据库管理，所有的属性值p 均为数字代号。包括故障征兆中的四个征兆属性f 故障部件、故障位置、故障性 质、严重程度) ，以及故障原因，均用设定好的数字表示，这样可以极大地提高 运行速度，实现更快速的诊断。 数字由故障征兆字典和故障原因字典设定并管理。 在输入故障征兆并进行搜索时，首先被搜索的是征兆库。征兆库中故障征兆 四级分类编号是索引值。从征兆库中找到相应征兆后，再以故障征兆编号为索引 在案例库中搜索。 因此，实际上搜索过程是一个二级搜索，但由于采用编号而不是用文字描述 作索引，搜索过程迅速，而且征兆输入实现标准化，易于程序的实现。 考虑到回转窑烧成系统故障种类多，尤其是工艺故障多，每个故障征兆的诱 发原因多等特点，案例库的组织采用分散组织。即案例分解为一个征兆+ 一个原 因的组织方式。 以p 代表征兆，r 代表原因，如 c a s e l 2 p l + r l ； c a s e 2 = p l + r 2 ； c a s e 3 2 p l + r 3 ； c a s e 4 2 p 2 + r l ； 对于征兆相同的不同征兆，其故障原因置信度也不一样。 案例存储按照案例编号依次存放，这样案例应用、更新、维护更加灵活，而 且支持实时操作。 3 2 5 案例学习 案例的学习是c b r 中重要的部分 4 8 】，只有不断地学习新案例，更新旧案例 才能实现c b r 地正常运作。 由于初始案例库中的案例是有限的，因而需要在系统运行过程中不断地把新 案例加入到案例库中，以使案例中的案例更加丰富和完善，从而完成案例的自学 习。但是随着案例的不断加入，必然会使案例库越来越大，从而降低案例检索和 浙江太学硕士学位论文 推理的效率，因而需要制定合适的案例更新学习策略4 9 1 。 对于新形成的案例，诮算其案例库中存储的所有旧案例的相似度为 s = s l ，s 2 ，s 。) ( n 为旧案例数，0 s 。1 ) 在本课题中，学习机制是基于案例的学习。 若所有的s i ：o ，表明案例库中没有与新问题相匹配的案例，贝f j ) j n 入该案例； 若存在一个案例使得s i = l ，表明该案例与新案侧完全匹配，则抛弃新案例， 不存储。 若所有的s i 均小于某个给定的值e ( e o 1 ，具体值可由专家指定) ，则加 入该新案例。 采取以上的学习策略可以避免案例库的无限膨胀。 学习的主要任务是做出正确的索引及分类，提高推理的准确性。当几个案