基于模糊神经网络的环管反应器故障诊断

闫志国，郑 明，宣爱国，吴元欣

(武汉工程大学 绿色化工过程省部共建教育部重点实验室湖北省新型反应器与绿色化学工艺重点实验室，湖北 武汉 430073)

环管反应器是丙烯聚合工艺中的一个重要组成部分，该系统影响参数多、相关设备多且大多处于高温高压的工作环境，其故障发生率高、危害较大。传统的定时、周期性维修很难满足安全生产的需要，人工智能方法实时检测环管反应器运行设备参数，可根据各种参数的异常变化对系统进行故障预测与诊断，为设备的长时间平稳运行提供安全依据。

模糊神经网络(Fuzzy neural network，FNN)故障诊断方法通过对环管反应器运行流程的分析研究，提取故障及其征兆，结合模糊数学知识建立隶属函数来描述故障及征兆信息并进行推理，再借助神经网络对模糊信息进行自学习、分析，建立一定的信息诊断规则系统，在此基础上输入征兆信息进行计算即可得到正确的故障诊断结论。

1 模糊神经网络原理与结构

模糊神经网络故障诊断是一种将模糊数学理论和人工神经网络理论相结合的故障诊断方法。在模糊数学基础上建立模糊推理逻辑，通过隶属函数的方法，结合环管反应器系统运行的专业知识理论，建立满足人工神经网络软件输入输出的故障征兆知识库。人工神经网络软件通过调用知识库中的知识进行学习，建立满足系统故障处理要求的神经网络，进行故障信息的分析和处理，得到正确的故障诊断结论。

1.1 模糊神经网络原理

化工生产过程中故障与征兆之间并没有严格的定量或逻辑因果关系。对同一故障，可能会产生多种征兆；同一种征兆，可能对应有多种故障存在。基于模糊数学知识的模糊集表示的模糊变量语言能够更加准确地表示具有模糊特性的征兆和故障，符合事物的客观本质，还能处理诊断过程中的不完整信息和不确定信息；神经网络具有处理复杂多模式及进行联想、推测及记忆的功能，具有自组织学习、自学习能力。融合了二者优点的模糊神经网络技术就更加显现出了这种特性[1]。

假定考察一个系统的3种故障类型：y1=故障1、y2=故障2、y3=故障3，于是构成了故障集合Y={y1，y2，y3};故障征兆分为：x1=征兆1、x2=征兆2、x3=征兆3，构成了征兆集合X={x1，x2，x3}。

设经过模糊数学处理，对于故障类型征兆(x1)1的影响因素为70%、征兆2的影响因素为20%、征兆3的影响因素为10%；则有对x1的诊断向量为(0.7，0.2，0.1)、对x2为(0.3，0.4，0.3)、对x3为(0.3，0.3，0.4)。

于是得到一个故障与征兆的关系矩阵：

对于不同类型的故障，各个征兆因素的影响权重不同。假设某类征兆对故障的影响权重A=(0.5，0.3，0.2)，则，由模糊合成运算可得到故障诊断向量(B)如下：

=(0.5，0.3，0.3)

式中，·表示模糊算子。

根据隶属度最大原则，可知在权重A的影响下对于这类故障集最可能的影响因素是x1，即征兆1[2]。

基于模糊神经网络故障诊断的步骤一般如下：

(1)利用模糊数学知识将提取的故障征兆信息模糊化处理，处理后的数据要满足神经网络的输入输出要求，同时要确保数据具有较好的精确度；数据一般分成训练样本、检验样本和测试样本3部分。

(2)利用处理后的数据对神经网络进行训练，以获得比较合适的神经网络模型。主要依据运算得到的实际输出与目标输出之间的误差，较小则满足设计要求。

(3)利用检验数据来检测神经网络模型的性能和泛化能力；进一步修正网络直到模型性能达到要求。

(4)输入测试样本进行故障诊断。

1.2 模糊神经网络结构

4层模糊神经网络结构如图1所示。

图1 模糊神经网络结构

模糊神经网络的第1层为输入层。输入层的每个神经元对应一个输入变量，直接将输入数据传给第2层神经元。

第2层为模糊规则层。该层完成从特征信号向满足网络输入模式之间的转化，即将故障征兆变量信号转化为以隶属函数表示的模糊变量。

第3层为模糊推理层。该层应用神经网络算法完成推理诊断。

第4层为输出层。该层将第3层的数据进行清晰化输出，根据输出向量的隶属度来确定故障原因。各输出节点输出模糊数值大小代表该故障发生的可能性。

2 模糊理论对故障的表述

2.1 丙烯聚合环管反应器温度升高时故障征兆提取

通过对丙烯聚合环管反应器温度升高的故障机理进行分析，得到了环管反应器温度升高的故障原因及其征兆参数变化样本集，见表1。

表1 环管反应器温度升高时故障及其征兆参数变化

2.2 模糊逻辑推理

模糊逻辑推理是在模糊数学理论基础上，通过隶属函数的方法，结合环管反应器设备运行的专业理论，建立故障及征兆知识库。模糊逻辑推理中最重要的环节是隶属函数的确定。隶属函数就是根据环管反应器设备运行的影响因素(即征兆参数)对反应器设备的影响程度，来确定主要故障的自定义函数。常用的隶属函数形式有三角形函数、梯形函数、柯西函数和正态函数等。由于正态函数比较光滑平稳，结合环管反应器设备运行情况，在此选用正态函数来表示故障及其征兆的隶属函数[3，4]。

结合环管反应器设备的典型故障及其征兆所具有的特点，设a为被测参数的下限值；b为被测参数的上限值。对于单向变大的参数，a为保证机器正常运行的最低测量值；对于单向变小的参数，b为机器正常运行的最大测量值；对于双向波动的参数，a为保证设备正常运行的最低限值，但大于最低测量值，b为保证设备正常运行的最高限值，但小于最大测量值。

对于单向变大参数，隶属函数设为：

当x=b时，有f(b)<0.9，求得k(b-a)2<4ln10，为计算方便取k(b-a)2=10，代入函数式得:

对于单向变小参数，隶属函数设为：

当x=a时，有f(a)<0.1，求得k(a-b)2<4ln10，为计算方便取k(a-b)2=10，代入函数式得:

对于双向波动变化参数，隶属函数设为：

同上方法该函数中有f(a)=f(b)<0.1，化简得函数:

2.3 模糊神经网络训练样本的确定

结合故障发生时参数的变化值可以得到神经网络训练样本输入数据和输出数据及其对应故障原因。结果见表2、表3。

表2 神经网络训练样本输入数据

表3 神经网络训练样本输出数据及对应故障原因

表2中所取数据经Matlab中的模糊逻辑工具箱验证，具有较高的准确性。

3 神经网络设计

对于模糊化训练样本集，本系统选用BP神经网络进行学习训练。BP网络的设计，一般从网络层数、各层神经元个数、初始权重值及学习率等的选取进行考虑。

3.1 网络层数及各层神经元个数的确定

3.2 初始权重值及学习率的确定

由于BP网络系统具有非线性的特点，初始权重值的选择一般影响函数能否达到局部最小、是否收敛及训练时间的长短等。一般条件下，单独训练BP网络时，初始权重值的选择范围为(-1，1)之间的任意数。

神经网络的学习率直接影响每次训练权重值的变化量。大的学习率导致系统不稳定，小的学习率不能保证网络的误差值趋向最小误差。因此，一般选择比较小的学习率来保证网络的误差最小，其取值范围为(0.01，0.8)之间的任意数值[6]。在此学习率取值为0.01。

在获得神经网络输入输出数据及设定各种训练参数之后，直接在Matlab7.0中Command Windows界面进行编程或借用Mmatlab7.0自带的神经网络工具箱(Nntool)进行训练，得到满足计算需要的模糊神经网络，将其存储以供故障诊断时使用。

4 故障诊断实例

随机采用环管反应器发生故障时的现场参数运行数据，利用上述的正态函数进行模糊化处理，得到2组数据，如表4所示。

表4 神经网络故障诊断输入数据

将表4中数据输入模糊神经网络中进行计算，对应得到2组数据，如表5所示。

表5 神经网络故障诊断输出数据

依据模糊隶属度最大原则及表5可知，在样本1和样本2数据描述的参数变化下，最有可能产生的故障类型分别为y1(进料系统故障)和y5(夹套水循环泵故障)，与丙烯聚合现场故障记录相同。表明本方法是切实可行的。

5 结论

针对环管反应器发生故障时其故障征兆参数变化的复杂性、模糊性，采用模糊神经网络的方法进行故障诊断。故障诊断实例表明，基于模糊神经网络的故障诊断方法结合了模糊理论和神经网络的优点，容错力强、诊断速度快，能够准确地诊断丙烯聚合环管反应器的典型性故障。

[1] 陈意，王军，高占胜，等.基于分布式模糊神经网络的船舶机电故障诊断[J].中国航海，2008，31(1)：49-51，74.

[2] 朱剑英.智能系统非经典数学方法[M].武汉：华中科技大学出版社，2001：156-168.

[3] 吴志钢，林中达.基于模糊神经网络的凝汽器故障诊断系统[J].燃气轮机技术，2008，21(1)：42-45.

[4] 黄政淳，张德政.模糊神经网络在破碎机故障诊断系统中的应用[J].微计算机信息，2006，22(7)：207-208，206.

[5] 王正武，张瑞平.基于神经网络的故障模糊诊断研究[J].系统工程学报，2005，20(3)：300-334.

[6] 周强.基于模糊神经网络和遗传算法的故障诊断方法研究[D].大连：大连理工大学，2004.