基于混合智能技术的抽油机电力故障诊断方法的研究∗

高伟华

（国家电网大庆供电公司客户服务中心 大庆 163300）

1 引言

人工智能经过数十年发展，已经广泛应用于工业生产辅助决策、故障诊断及工程监测的各领域，并发挥着极大的作用，如CM-BOSS系统［1］，PCRC生产预警监测系统［2］等。随着企业及工业生产规模不断扩大，对故障诊断和异常分析的精细化程度逐步提高，伴随知识体系的不断完善，单一智能方法已经无法满足当前对智能化故障诊断的实际需求［3］。于是，采用多种智能技术，合理设计生产异常故障诊断方法，提供切实可用的辅助分析方案成为提高智能化应用准确率和有效性的关键［4］。

领域决策者和专家的经验及思维方式对于智能化应用至关重要。虽然通过知识发现、不确定性推理等手段可以很好地发现异常发生规律，较好地解决相关领域内的故障认定，风险评价，措施优选等问题，但是依旧存在以下缺陷：1）针对生产异常故障诊断的知识准确率不高，自学习和自适应能力较差；2）故障诊断知识可复用性差，导致推理过程运算冗余较大，响应时间较长；3）工程预警、异常诊断等推理存在故障并发、复合异常等情况，倾向性和置信度计算不够准确。

针对上述问题，研究基于混合智能技术的抽油机电力故障诊断方法，定义生产异常规则结构，构建BP神经网络，实现知识发现及自适应自校正过程；采用多级框架结构构建知识库，降低知识推理过程的复杂性；引入论据累积的贝叶斯方法，提高复合异常的推理能力，并最终形成基于混合智能技术的抽油机电力故障诊断方法，以达到精确描述抽油机电力故障原因，扩展知识表达方式，提高故障诊断速度和准确率的目的。

2 生产异常规则结构

专家组对于领域内与事务相关的知识界定和分类较为准确，知识的结构具有一定通用性［4～5］。将知识的表达转化为抽象的逻辑表示形式是实现高效推理的基础。

规则结构是知识依据相同算法聚类抽象形成的闭包［6］，由结构主体 Rc和扩展集 RE组成，其中Rc算法实体由D-Ag算法库提供。以n位专家组成的专家组，领域内存在某事务W，给出与事务W相关的规则结构一般表述形式为

2.1 规则主体结构

定义导向函数T(n)，给出案例主体Rc的一般表述形式为

其中ID反应该规则唯一性，标准表达结构如式（1）所示

Desc表示该规则结构的自然语言描述；门类T(Frame)包括环切型和值切型；T(An)表示映射算法实体；权值T(Value)表示该隶属程度，反应该满足结论的程度；Ot表示规则结论。

2.2 规则扩展集结构

扩展集RE由描述支持规则推理和拟合运算的参数集合构成。参数集以数据实例形式存储，并以链表形式反应参数间关系。

扩展集包括必备线性因素和非必备线性因素。定义规则导向函数F(n)，给出其一般表示形式为

ID与Rc存在唯一映射关系；F(kind)标注扩展类型，反应扩展集递推方法；F(order)表示扩展集的指针序列；F(Value)表示规则槽值；F(desc)表示规则的自然语言描述。

于是，在一个规则内，Rc与RE的对应关系可描述为

其中U(RE|n)表示n维 RE子集（n＞1）；对应关系表达式满足T(Rcn)=U(RE|n)；运算复杂度如式（2）所示。

2.3 知识的表达方式

知识作为规则的实例化［7］，除继承FC规则闭包的全部元素外，包括事务类型Wk，框架对象Fr及用于计算槽值隶属度的G，给出知识的一般表示形式如下

其中，事务类型Wk包括反应事务发生类型及发生定级；框架对象Fr反应该知识所隶属框架对象；槽值隶属度的G用于计算框架匹配程度及规则满意度，用以进一步计算该知识满足推理后件的概率。

3 BP神经网络设计

BP网络是按层次结构构造［8～9］，包括一个输入层，一个输出层和一个（或多个）隐含层，一层内的节点（神经元）只和该层紧邻的下一层的各节点连接。

定义：wi，j表示上一层单元i到本层单元j的连接权。表示单元j的偏置。On表示单元n的输出。

1）提供训练集，输入数据向量为x1，x2…xn输入层节点j的输出为xj1=f(xj)，为了使BP网络隐含层的输入规范化，定义归一函数如式（4）所示：

其中 Xmin为节点输入的（2）隐含层及输出层的输入如式（5）所示：

偏置θj用来充当阈值，改变单元的活性。

2）将激活函数作用于输入向量逐级计算输出值。激活函数选用了S型函数对于节点J输出如式（6）所示。

3）BP网络的权值调整基于实际输出与期望输出的最小均方差如式（7）所示：

C表示输出层单元数；Tk表示输出层单元k的期望输出。

4）为了使学习以尽可能减小误差均方差的方式进行，因此，采用使E沿梯度方向下降的方式进行调整：

对于中间隐层，则采用递归的方法从输出节点K返回到中间隐层。

5）权重，单元偏置的修改公式为

用步骤5）多次修改网络权值，直到达到精度要求或网络不收敛。

由上式可知：当前一次的校正量过调时，惯性项与本次误差校正项符号相反，使得本次实际校正量减小，起到减振荡的作用；当前次校正量欠调时，惯性项与本次误差校正项符号相同，起到加速校正的作用。另外，动量因子还可以防止学习过程在错误表面上的表层局部最小化时终止。

4 抽油机电力故障知识库模型（UnM）设计

不确定性知识库（UnM）采用多级框架-产生式结构［10］。框架系统反应业务分类情况，产生式系统直接参与知识推理过程。

多级框架由多个单体框架构成。单体框架反应领域内与事务相关的推理描述；基本逻辑结构由槽集Kn、社会性关系Cm及行为信息U(f)组成。给出一般描述形式如下：

槽集Kn由多个槽构成。单体槽由知识K、槽值Kv、默认槽值 Kv'和槽值域Km⊂{0，1}组成，知识由RK-PS知识库提供，反应不同斜面的倾向度。

行为信息，也称为守护程序，表示在槽值未指定时，指向的修改动作，通常以WHEN CHANGED形式记录。

多级框架结构的级联关系由单体框架的社会性关系Cm描述。Cm反映框架本体与其他框架的子父类情况，标识其在多级框架的位置。定义单体框架Fm，其社会性关系Cm的一般表述形式如下：

其中，son_Fm表示Fm的子框架，定义标记变量sfn，则反映Fm在多级框架的位置标记方式如下：

P_Fm表示Fm的父类框架，用于校验子框架son_Fm的表述完整性，由于多级框架采用1-N映射，所以count(P_Fm)=1。

Is_End反映框架终结情况，也是区分框架实体行为发生标准。当Is_End=0，则继续索引子框架；当Is_End=1，执行守护程序WC。

F_Level描述框架的级别位置。F_Level与框架遍历算法的复杂度o(n)的关系如式（8）所示：

由此可知，通常情况下，F_Level≤4；同时，对于高阶高级框架系统可以采用经验分解法EMD或聚类算法拆解，降低其计算复杂度。

5 基于UnM的不确定性推理方法研究

不确定性推理方法（UnMF方法）以UnM知识库为基础，引入隶属度和槽值作为确信因子，采用正向推理方式，分析高幅变化数据，对可能框架实施推理并计算最优解。主要推理算法如下描述：

Start：递归父类框架；

S1.获取高幅变化案例，递归子框架；

S2.遍历分析终结框架Fz；

S3.获取槽集知识前件；

S4.反向定位父类规则集R；

S5.反射推理，定位匹配算法；

S6.计算规则R符合程度；

S7.计算框架满意度；

S8.判断事务发生概率；

S9.返回S2；

Result：给出超阈的框架U(Fz)，分析触发原因。

最终，返回域U(Fz)即为框架的匹配结果。其中，通过反射推理方法定位匹配算法是实现触发式运算实体主动运算的关键。

5.1 逆向定位算法

拟合算法或函数是规则R前件条件匹配计算的主体内容。通过规则R内描述的拟合算法，在算法库中搜索算法实体并实施条件匹配，是知识推理的关键步骤。反射推理方法是实现这一关键步骤的核心技术。

反射推理方法的作用对象是元数据，本质是一种定位、捕获和使用元数据的方法。元数据由算法库内算法实体构成。支持反射推理的组件由输入接口、定位模块、反射执行模型和校验模块组成。

以规则前件的条件匹配过程为例，反射推理具体执行步骤如下：

Start.基于算法描述获取目标算法；

S1.分析并获取算法的类型信息及参数定义；

S2.动态创建反射对象Rf；

S3.索引内搜索并定位目标算法实体P；

S4.创建实例 P′，赋值Rf；

S5.校验Rf，执行 P′；

End.返回计算结果。

最终返回结果将作为规则R的置信度，反射推理方法的知识推理过程存在并发冲突及不确定性界定问题。并发冲突可采用论据累积的贝叶斯方法解决，不确定性界定可通过确信因子计算判定。

5.2 论据累积的贝叶斯方法

定义知识k的事实论据 pH，隶属概率G(k)，权值V(k→r)，建立三者联系如式（9）所示

r表示知识k的隶属规则。定义事件E，H分别表示不同知识阐述的事实，H表示假设，事件关系为OR，重写贝叶斯公式如式（10）所示：

其中：p(H)为事件H发生的先验概率；p(E|H)为事件H发生后的论据E概率；p(﹁H)是事件H不发生的先验概率；p(E|﹁H)是事件H不发生时候论据E的概率。

由贝叶斯方法衍生，累计计算事实论据E下的非单一假设H1-Hi的发生概率；或给定多事实论据E1-En，反向推广假设H的发生概率。

假设事实H1-Hi、E1-En相互独立且完备，则H1-Hi|E的情况如式（11）描述：

对于H1-Hi|En的情况如式（12）描述：

由于所有组合条件的概率计算难度较大，所以忽略微小论据差异，并假设条件独立，式（13）描述了论据累计的贝叶斯方法。

5.3 校验算法

在获取不确定性多级框架满意度结果后，需要校验其可信度。设定单体框架误差精度λ0，依据距离偏移误差公式得：

其中ψps表示在槽值点Tps，预期结果F(Tps)与实际值dkps的偏移差；计算平均误差率

及最大误差率

当 λmax＜λ时，认为框架匹配度较高；当λ＜λmax，λ_＜λ时，认为框架结果发生局部偏差，将进行局部重新计算。当 λ＜λmax，λ＜ λ_时，认为该框架结果需要进行重新计算或舍弃。

6 设计实例

以HimF方法为理论基础，设计抽油机电力故障诊断模型，通过分析计算油井单井抽油机生产状态中的电力检测数据［11］，结合油藏地质学理论知识和生产经验，获取电力故障原因分析，实现故障推理诊断，并应用在大庆油田某采油厂地质大队、作业大队等相关单位。为了缩小地质师和作业工程师的初次界定范围，规避客观环境影响，通过与油藏学家及上游生产信息系统（PCEDM）设计师的反复交流和推敲［12］，建立电力故障诊断知识库，并定义抽油机电力故障原因代码对应关系，如表1所示。

表1 抽油机电力故障原因代码表

6.1 BP神经网络建立与训练

抽取了310个训练样本，100个正常样本，不平衡、断脱、偏磨各70个样本，每个样本都包括38个输入参数（32个采样点，6个特征值），所有样本均经过归一化处理。选用三层BP神经网络结构，其中，输入层有38个节点，隐层有15个节点，输出层有4个节点。

网络的初始权值和阈值：输入层至隐层的连接权wij、隐层至输出层的连接权vjk、隐层各单元的输出阈值θj、输出层各单元的输出阈值γj，都选取为（-1，1）之间的随机数，网络隐层的传递函数和输出的传递函数均采用S（sigmoid）型函数，利用动量BP算法，替代原BP算法中的梯度下降法训练神经网络，求出最佳网络连接权值和阈值。所建立的神经网络结构如图1所示。

图1 三层BP网络结构

利用选取的数据样本作为网络训练的原始样本，确定初始连接值和阈值后利用Delphi编程，训练的速度为0.1，训练误差精度为0.001，网络训练直到满足精度要求为止，得出最终的各个连接权值和阈值，训练结束，性能曲线见图2。

图2 训练性能曲线

使用20个校验样本，用校验数据对网络进行检验，检验结果如表2所示。

表2 校验结果

由实验数据可以看出，根据故障代码和检验结果，输出节点1的输出值为0.9214，已经比较接近1，可以判断为正常状态；不平衡状态时，输出点2的输出值是0.8687，也可以作出判断；其他状态所对应的输出点的输出值都在0.85以上，诊断结果与实测值具有良好的一致性，诊断误差满足要求，能够与实际的检验样本状态相吻合，可见该BP神经网络完全可以满足抽油机常见电力故障的诊断要求。

6.2 知识推理实例描述

定义KM2表示抽油杆断脱断电框架，框架内槽可用KM2C1-KM2C6表示。将KM2框架内的知识归结为表3所示规则。

表3 规则及知识表达实例

其中对象A表示槽的数据实体；KM2C2（电压骤减）是规则（对象A环比下降）中阈值参数等于0的特殊情况，KM2C4（电流值极小）是规则中阈值参数等于参数本身的特殊情况。给出槽（C）的权值（v）如下表示

6.3 实验结果对比

为进行并发测试，同时选用电压波动和电流曲线失衡异常作为并发测试条件［13］。给出单次周期内产量拟合实验离散点分布如图3所示。

图3 产油量离散点分布图

筛选某采油厂北六区块108口油井异常井，计算所有井的框架隶属程度。定义隶属程度阈值为55%。给出与真实情况的对比及与常规方法的数据对比分析如表4所示。

表4 多方法诊断结果数据对比

由表2、表4可得到以下结论：

1）基于改进的动量法BP神经网络的故障诊断结果与实测值具有良好的一致性，正确率可达86%以上，但需要足够典型的原始故障样本。

2）传统方法的并发误差率较大，处理单电机电力异常诊断同样存在误差，对于复杂因素的分析能力较差。

3）HimF方法准确率明显好于传统方法，但在曲线失衡和电机高速等多映射原因分析过程中依旧存在误差。

4）真实现场分析过程准确率较高，但成本消耗高，实时性较差。

以HimF方法为基础开发的抽油机电力故障诊断及预警系统，电力设备异常诊断辅助分析系统已经正常工作，因其对专家意见的深度合理分析，较好的自适应性和相对简单的应用过程受到了应用单位的较好评价。

7 结语

论文提出了一种基于混合智能技术的定义生产异常规则结构（PAC结构），设计基于的动量法BP神经网络实现对特征变化趋势和规律的描述；其次，采用规则-知识衍生方式，设计抽油机电力故障知识库结构；最后，采用正向推理方式，提出逆向定位算法，应用论据累积的贝叶斯方法实现冲突消解，完成基于混合智能技术的抽油机电力故障诊断方法（HimF方法）的研究，以此达到精确描述抽油机电力故障原因，扩展知识表达方式，提高故障诊断速度和准确率的目的。