【论文精选】基于参数学习的燃气调压器故障诊断网络优化

219mze · 发表于 2024-8-30 21:19:21

官网注册后

http://www.gasheat.cn

免费下载论文

http://www.gasheat.cn/Periodical/index.html

作者：田露，郝学军，李琪

第1作者单位：北京建筑大学环境与能源工程学院

摘自《煤气与热力》2022年7月刊

参考文献示例

田露，郝学军，李琪.基于参数学习的燃气调压器故障诊断网络优化［J］.煤气与热力，2022，42（7）：B31-B36.

关联推广

1

调压器、调压站

2

检测和抢险设备

1 概述

随着我国城镇燃气行业连续快速发展，政府、社会对燃气输配系统的安全运营、用户体验、节能环保提出了更高的需求［1］。

燃气调压器运行故障直接影响到下游供气压力的稳定，轻则导致供气压力反常引起工业用户制品报废、民用燃气设备运行故障，重则导致停止供气或超压放散，停气检修后的恢复供气过程亦可能产生燃气泄漏、火灾或爆炸事故［2］。

高中压调压器的故障诊断、检测、保养、守护管理等针对排除潜在的安全隐患拥有重大道理。因为高中压燃气调压器结构繁杂、与管网相互影响、缺少已有故障案例［3］，本文利用专家先验知识，创立高中压燃气调压器贝叶斯网络模型。在该模型基本上，应用最大期望EM参数学习的办法优化，最后得到更恰当的检修次序，并与实质案例进行比较验证。

2 创立贝叶斯网络故障诊断拓扑模型

贝叶斯网络结构学习即利用样本数据和先验信息，找到与样本数据匹配程度最高的贝叶斯网络拓扑结构。再依靠行业专家对科研对象的整体把握，得出各原因之间的相互功效关系，统计先验信息，得到调压器显现区别故障表征时，对应出现故障原由的统计概率，以下简叫作统计概率。搭建贝叶斯网络，结合该网路，得出调压器显现区别故障表征时，对应出现故障原由的计算概率，以下简叫作计算概率。

2.1 获取统计概率及要求概率

在诊断网络中，子节点暗示顶层故障，即故障表征；父节点暗示底层故障，即故障原由。高中压调压器贝叶斯网络模型故障节点类型及名叫作见表1。本文中的F1，F2，F3，F4，X1，…，X9为复用变量，暗示事件亦暗示随机变量。

表1 高中压调压器贝叶斯网络模型故障节点类型及名叫作

为保证安全，会对燃气调压器进行即时检修及更换，现有故障案例样本较少。因此呢请拥有资质的燃气专家对调压器故障表征问题进行问卷填写，按照问卷结果，统计在区别故障表征出现的要求下故障原由出现的统计概率（以下简叫作统计概率），见图1。

图1 区别故障表征出现的要求下故障原由出现的统计概率

结合专家经验，对调压器故障原由出现或不出现的要求下，故障表征出现的可能性进行赋值，填写在问卷中，按照问卷结果，得出在各故障原由出现或不出现的要求下故障表征出现的要求概率（以下简叫作要求概率），见表2~5。表中b1~ b9为中间参数，1暗示出现，0暗示不出现。要求概率用以暗示贝叶斯网络中各节点的关联程度，以下表格包括了每一个节点与其他节点之间存在依赖关系的所有要求概率［3］。

表2 调压器出口压力过高对应要求概率

表3 调压器出口压力过低对应要求概率

表4 调压器喘振对应要求概率

表5 调压器关闭不严对应要求概率

2.2 搭建贝叶斯网络

按照以上所有先验信息，得到映射关系，创立贝叶斯网络拓扑结构，高中压燃气调压器故障贝叶斯网络拓扑结构见图2。

图2 高中压燃气调压器故障贝叶斯网络拓扑结构

按照以上统计概率、要求概率及映射关系，运用MATLAB平台搭建高中压燃气调压器贝叶斯网络故障诊断结构，此为原贝叶斯网络故障诊断拓扑模型，将用于优化，以及后续生成若干组贝叶斯网络训练数据。

3 应用最大期望EM算法进行参数学习

故障诊断的关键是精细的贝叶斯网络建模，原贝叶斯网络的节点要求概率基于专家经验的赋值得到，存在必定主观性。因此需要利用故障案例训练数据集进行参数学习，对原贝叶斯网络模型进行修正，弥补依赖专家知识建模的不足［4］。

详细方式为：输入原贝叶斯网络模型，基于参数学习办法，利用训练数据集，经过EM算法更新优化每一个网络节点的要求概率，得到优化后贝叶斯网络，并输出更为准确的计算概率。

3.1 训练数据集的形成

经过某燃气机构次高压调压站及高压调压站的检修台账统计数据得到若干组训练数据，经过原贝叶斯网络训练亦可得到若干组训练数据，对这些数据进行筛选和预处理，得到1 000组训练数据，形成训练数据集。每组数据包括13个随机变量，即4个故障表征随机变量和9个故障原由随机变量，1暗示出现，0暗示不出现。将训练数据集输入EM算法进行参数学习。

3.2 最大期望EM算法

贝叶斯网络的参数学习指的是确定网络结构后，经过合适的参数学习办法，利用训练数据集对节点间的概率依存关系进行训练，调节更新贝叶斯网络内在关系的节点要求概率［5］。

因为燃气调压器故障诊断拥有重大安全道理，并且现实要求中，贝叶斯网络参数学习所需要的数据集很大可能会存在区别程度的数据缺失，为了学习结果的精确性，本文采用拥有迭代优化思想的最大期望EM算法。

EM算法整体是求解收敛到局部最优参数的过程，重点思想是先以某种方式初始化局部最优参数，再经过期望计算和最大化期望值两步迭代来持续地修正直到收敛［6］。详细应用为：EM算法输入为贝叶斯网络、训练数据集、收敛阈值；首要经过E步期望计算，而后经过M步最大化期望计划，再进行持续迭代优化的过程；最后输出为更新贝叶斯网络节点要求概率。

从当前节点要求概率到下一代节点要求概率的计算过程如下。

①E步期望计算

经过概率分布函数，求出对数似然函数的期望值，数学表达式见文献［6］。

②M步最大化期望计划

修改概率分布函数取值，使对数似然函数达到最大值的期望存在。这儿运用最大似然估计，数学表达式见文献［6］。

经过持续迭代以上2个过程，进行参数的更新优化，最后得到更为准确的贝叶斯网络模型。

在MATLAB平台中可经过调用最大期望和最大似然估计函数，完成全部参数学习的创立、求解和优化。寻优过程中，将全部贝叶斯网络所构建的条件概率（表2~5）代入EM算法中，进行持续迭代，寻找最优解［7-8］。

3.3 全局联合树推理

为了加强运算速度，使EM算法能够有效应用，需要利用推理引擎机制，用来完成全部贝叶斯参数学习模型转换、细化和求解。在EM算法参数学习基本上，贝叶斯网络调用全局联合树推理引擎（global_joint_inf_engine）［4］。其中转换和细化是将贝叶斯网络转换成一个次结构联合树，经过定义在联合树上的信息传递过程，进行概率计算。信息传递法使得信息能够依次传遍联合树的所有子节点和父节点，并使联合树满足全局一致性。

4 结果分析

经过统计概率结合优化后的要求概率，计算得出在故障表征出现要求下各故障原由出现的计算概率（以下简叫作计算概率），计算概率由大到小排序，做为故障节点定位次序。经过概率变化（统计概率与计算概率差值的绝对值）分析计算概率的准确性。

①出口压力过高故障

在出口压力过高出现要求下各故障原由出现的计算概率、统计概率、概率变化见图3。

图3 在出口压力过高出现要求下各故障原由出现的计算概率、统计概率、概率变化

由计算概率可得，最有可能诱发出口压力过高故障的原由是气质杂质冲击阀芯导致阀口处泄漏。并确定故障节点定位次序为X2→X1→X3，即当调压器出现出口压力过高故障时，检修人员应根据气质杂质冲击阀芯导致阀口处泄漏→密封件破损老化→指挥器故障次序进行检修。

②出口压力过低故障

在出口压力过低出现要求下各故障原由出现的计算概率、统计概率、概率变化见图4。

图4 在出口压力过低出现要求下各故障原由出现的计算概率、统计概率、概率变化

由计算概率可得，最有可能诱发出口压力过低故障的原由指的是挥器故障。确定故障节点定位次序为X3→X5→X4→X6，即当调压器出现出口压力过低故障时，检修人员应根据指挥器故障→阀筒壁气蚀损害→皮膜破损→调压站进口段的过滤器出现堵塞次序进行检修。

③喘振故障

在喘振出现要求下各故障原由出现的计算概率、统计概率、概率变化见图5。

图5 在喘振出现要求下各故障原由出现的计算概率、统计概率、概率变化

由计算概率可得，最有可能诱发喘振故障的原由指的是挥器故障。并确定故障节点定位次序为X3→X8→X7，即当调压器发生喘振故障时，检修人员应根据指挥器故障→法兰盘螺栓螺母松动→信号管安装故障次序进行检修。

④关闭不严故障

在关闭不严出现要求下各故障原由出现的计算概率、统计概率、概率变化见图6。

图6 在关闭不严出现要求下各故障原由出现的计算概率、统计概率、概率变化

由计算概率可得，最有可能诱发关闭不严故障的原由是阀口或阀筒磨损。并确定故障节点定位次序为X9→X3，即当调压器出现关闭不严故障时，检修人员应根据阀口或阀筒磨损→指挥器故障次序进行检修。

⑤小结

概率变化总体在30%以内，说明概率变化在可控范围内，同期亦说明计算概率的准确度高。

5 结果验证

为验证参数学习优化的概率分布准确性，选择某燃气机构多个次高压站及高压站的检修统计台账与检测报告单。重点检修内容包含：法兰水线、信号管接头、弹簧检测、阀筒检测、进出口端耐磨环及密封圈、筒壁气蚀刮痕等；重点掌控数据包含：入口压力、出口压力、调节阀开度、流量记录等。

总结多个次高压调压站及高压调压站调压器检修守护台账记录及历史故障拆解检测记录，结合构建的贝叶斯网络拓扑结构，进行调压器故障表征归类及故障原由统计，见表6。

表6 调压器故障表征归类及故障原由统计

由表6能够看出，实质案例故障统计与计算概率总体一致，反映了参数学习优化贝叶斯网络的正确性。6 结论及展望①当调压器出现出口压力过高故障时，检修人员应根据气质杂质冲击阀芯导致阀口处泄漏→密封件破损老化→指挥器故障次序进行检修。②当调压器出现出口压力过低故障时，检修人员应根据指挥器故障→阀筒壁气蚀损害→皮膜破损→调压站进口段的过滤器出现堵塞次序进行检修。③当调压器出现喘振故障时，检修人员应根据指挥器故障→法兰盘螺栓螺母松动→信号管安装故障次序进行检修。④当调压器出现关闭不严故障时，检修人员应根据阀口或阀筒磨损→指挥器故障次序进行检修。⑤因为贝叶斯网络模型的强大学习能力，且不依赖于数据完备性，因此输入训练数据集，并采用EM算法进行参数学习后，能够对原模型进行较为准确的调节和优化。参数学习既规避了无要求相信专家知识的片面性，亦很好地给将来不需要固定网络结构和要求概率的模型自学习打下基本，针对缺少故障案例的高中压燃气调压器故障诊断拥有实用道理。

参考文献：［1］潘继平，杨丽丽，王陆新，等. 新形势下中国天然气资源发展战略思考［J］. 国际石油经济，2017（6）： 12-18.［2］傅娟. 燃气管道在线焊接要求及热工特性模拟（硕士学位论文）［D］. 哈尔滨：哈尔滨工业大学，2011：5-10.［3］李琪，郝学军. ARIMA模型在燃气调压器故障诊断的应用［J］. 煤气与热力， 2019（10）：B07-B12.［4］张慧莹，宁媛，邵晓非. 设备学习中的贝叶斯网络及其推理分析［J］. 现代机械，2012（2）：91-94.［5］PEARL J. Fusion，propagation，and structuring in belief networks［J］. Artificial Intelligence，1986（3）：241-288.［6］雷江南. 贝叶斯网络参数学习算法科研与实现（硕士学位论文）［D］. 西安：西安电子科技大学，2018：23-29.［7］张连文，郭海鹏. 贝叶斯网引论［M］. 北京：科学出版社，2006：17-39.［8］裴迪. 基于贝叶斯网络的货车空气制动系统故障诊断科研（硕士学位论文）［D］. 北京：北京交通大学，2018：42-59.（本文责任编辑：网友投稿刘灵芝）同类论文

1、基于贝叶斯网络的燃气调压器故障诊断科研

2、小波包和Apriori算法燃气调压器故障诊断与预警

3、小波包和RBF神经网络的燃气调压器故障诊断

4、ARIMA模型在燃气调压器故障诊断的应用

维普免费下载《煤气与热力》论文（现刊和过刊均可）

日前，《煤气与热力》杂志社有限机构在维普网站http://cqvip.com/开通论文免费下载服务，论文刊出后两个月后，可在维普网站查找，并直接免费下载。在维普网站免费下载《煤气与热力》论文过程如下：

1. 在维普网站注册会员。

2. 搜索出《煤气与热力》论文，点击进入。

3. 论文免费下载界面截图见上图。点击“免费下载”，可直接下载该论文。

声明：本文著作权（版权）归《煤气与热力》杂志社所有，严禁任何微X号及媒介未经授权许可随意转载。PS: 当然欢迎大众转发到伴侣圈！

更加多论文请登录煤气与热力杂志官方网站，免费注册会员阅读电子期刊。阅读过程：登录http://www.gasheat.cn/→页面右上角注册会员→注册成功后点击《煤气与热力》→期刊索引→点击某期期刊封面就可阅读当期文案。