现代工业过程由许多设备组成，设备上装有传感器以监测运行数据并判断工作状态。正常工作时设备的参数会在正常的范围内，发生故障时，参数会超出正常范围，并形成一种故障信号呈现在监控系统中。故障信号中，由故障直接产生的属于主要故障信号，由主要故障传播而导致的信号属于次要故障信号。工业过程故障诊断的重点是将主要故障信号从次要故障信号中分离出来，找到故障的根本原因。一些研究者开发了基于模型的诊断系统(MBD：Model-BasedDiagnosis)，其中Lind[1]开发的多层流模型是一种比较有特色的建模方法。多层流试图把工业过程中各种设备的基本属性，包括质量流、能量流以及信息流提取出来，以此构建出工业过程的模型，并基于模型利用数字化的方法来分析工业过程。Larsson[2]和Dahlstrand[3]在多层流模型的基础上开发出了故障诊断的方法，Larsson描述了如何将模型与工厂过程设备的工作状态进行对应，并建立起各种工作状态之间的因果关系;而Dahlstrand则提出了一种故障信号的因果关系分析办法，可用来推理故障状态的主要故障信号。多层流模型在电厂故障诊断和可靠性领域中的应用和研究较多，Ouyang等[4]将多层流模型应用于核电厂的故障诊断中，并验证了SGTR故障诊断。杨明[5]、陈强[6]、王文林等[7]将多层流模型应用到核电厂可靠性的分析中，并结合故障树提出了不确定性分析的方法。李伟等[8]则探讨了基于多层流的警报分析办法。多层流模型在其他领域中也有应用，张少民等[9]将多层流模型应用到煤矿安全研究中，提出了可靠性时效分析的方法;Zang等[10]将多层流模型应用在高速铁路的运行控制系统，用于可能的故障预测。本文基于前面的研究，结合计算机有向图概念，在多层流模型和内置故障因果关系图的基础上，使用有向图的深度检索算法提取故障路径并生成故障传播树形结构，开发了故障分析和诊断的通用步骤与算法，并结合发电厂锅炉补给水除盐系统进行了验证，在实用性、适用性和理解性上较以往的研究具有较大优势，后续研究者可直接应用或者进行较为简单的修改，按步骤应用到其他的工业过程的故障诊断中，可使多层流模型得到进一步广泛应用。
1多层流模型和故障信号因果关系图
文献[1]和[2]对多层流的建模方法进行了较为详细的描述。图1是含有一个进水阀和出水阀的水箱系统的多层流模型，整个系统的目标是在流体流动供给的同时维持水箱中的水位。整个模型分为三层，最高一层是目标层，表示系统需要达到的目标;中间是经过抽象化的功能模块层，是工业过程的流动模型;底层则是设备物理层，包含工业过程中的物理设备。多层流模型将设备抽象成不同种类的功能模块，使得工业过程的运转成为能够数字化处理的流动模型。图2为多层流中各功能模块的状态关系，其中带箭头的连线表明了故障信号的因果关系，例如(进水管，H)指向(水箱，H)的箭头表明进水管流速高的时候可能会导致水箱水位高。在多层流模型中，各种设备部件都被抽象成标准化的功能模块，并生成如图2所示的故障信号因果关系图，成为故障诊断的基础模型。当设备出现故障时，根据故障的因果关系图可以找到故障信号的传播途径，此传播途径是故障状态的一种逻辑解释，其起点是故障的根本原因。对于一个特定的故障状态，可能存在多个传播路径和多种可能性。在故障诊断过程中，当获取了测量数据后，可以从图2(b)中保留测到的部件状态形成一个子图，并可以在子图中查询故障信号的因果关系，如图3所示。图3(a)是测得三个部件的状态后生成的故障信号因果关系图;图3(b)是仅仅测到进水和出水状态，而未测到水箱水位时得到的故障信号因果关系图。
2故障信号分析和主要故障信号判断
2.1列出所有可能的故障状态
由于某些设备没有安装传感器，当故障发生时，需要考虑到这些未测量的功能模块的状态有多种可能性，并生成不同的故障状态图。如图4所示，由于储水箱的液位没有测量，需要保留(水箱，H)和(水箱，L)两个节点，根据这两个状态可以将原始因果关系图分解
2.2在故障状态图中查找故障节点生成故障因果关系树
故障信号的传播路径可以用一个树型结构来表示，如图5所示。在故障信号因果关系树中，高一层的节点故障信号是下一层的节点故障信号的原因，而根节点则是主要故障信号。为描述算法，这里定义因果关系子树：如果一个因果关系树中所有的节点都能在另一个因果关系树中找到，那么前一个因果关系树是后一个的子树。图6中显示的是一个因果关系树和它的几个子树。子树只是部分故障信号的因果关系，因此在故障信号分析的过程中，找到更全面的树后子树可以被忽略。基于计算机图形学算法，在一个有向图中执行深度检索算法[11]可以生成树形结构，成为故障信号因果关系树。图5(b)即为从(水箱，L)节点开始执行深度检索算法生成的故障信号因果关系树。
2.3故障信号分析过程
(故障诊断)基于以上的描述，为获取所有可能的故障原因，利用多层流模型进行故障诊断的步骤具体如下：(1)为工业过程建立多层流模型，并按照功能模块之间的关系和测量数据建立故障信号因果关系图，此图中存在同一个功能模块的多种状态。(2)如果存在未知状态的功能件，按照图4的方法分解出所有可能的故障信号因果关系图。在分解出的图中，每个功能模块只有一种状态。(3)对上一步中得到的故障信号关系图执行下面的操作：①对于选定的故障信号关系图，依次选取故障信号节点，执行深度检索算法生成故障信号因果关系树;②两两对比故障信号因果关系树，如果发现一个树是另外一个树的子树，删除子树;③完成前两步后，剩余的故障关系树即为此故障状态的故障原因分析结果。图7是对图4所示的故障状态按照上述顺序获得的故障原因分析结果的过程。在图4中，出现了(进水管，H)和(出水管，L)两个故障信号，而水箱水位没有测量，因此，首先分解出两种故障状态图，分别保留(水箱，H)和(水箱，L);然后分别在两种故障状态图中执行深度检索算法生成所有的故障信号因果关系树;最后删除掉所有的子树，获得独立的故障信号因果关系树(图7中最后一列)。可以看到，图4的故障状态有两种解释：一种解释是(水箱，L)为主要故障，此故障信号导致了(进水管，H)和(出水管，L);另一种解释是存在两个独立的主要故障(进水管，H)和(出水管，L)，而(水箱，H)则是次要故障。
3本算法在发电厂锅炉补给水除盐系统中的应用验证
本文采用电厂锅炉补给水除盐系统来验证本故障诊断算法。电厂锅炉补水连续通过逆流再生阳离子交换器和逆流再生阴离子交换器，经过净化后再供给锅炉，如图8所示。两个交换器的正流管路上安装了压力传感器，以保证正向的除盐流动。进水处有阀门反馈控制，当测得有交换器水压波动时，反馈控制阀门开度以维持压力。由于压力信号也是上游到下游传递，因此可以对这个过程建模，如图9(a)所示，每个功能模块可以赋予压力测量数据来表征工作状态。当测得阳离子交换器压力高而阴离子交换器的压力低时，在其他阀门或者管路上没有传感器的时候，根据压力传递和反馈控制的逻辑关系，可以得到如图9(b)所示的故障信号因果关系图。由于“进水阀”、“管路1”和“管路2”没有测量压力，因此图9中的故障信号因果关系图根据这三个没有测量的功能模块可分解成8个独立的故障状态图，需要这8个独立的故障状态图中各自生成故障信号因果关系树，并删除子树得到如图10所示的诊断结果。图10中，深色的故障状态被诊断认为是可能的原始故障。其中结果3和结果4表明只有一个根本故障，结果1、7、8表明同时有两个根本故障，结果2、5、6显示同时有3个根本故障。多故障的可能性要低于单故障，因此诊断结果3和结果4是可能性最大的两个结果，即可能由于两个交换器之间的管路(管路1，L)或者阴离子交换器泄漏(阴离子交换器，L)导致后续压力降低，且因为反馈控制使得上游压力上升。在故障排查的时候应该重点检查阳离子交换器到阴离子交换器的管路或者阴离子交换器本身的管路与阀门是否发生泄漏。结果3、4的故障信号因果关系树如图11所示。由此看出，对于每个独立的故障状态都会有一个可能的故障原因解释，而故障状态的数量则跟没有测量的功能模块数量有关，在前面的除盐系统中，由于存在3个没有测量的功能模块，因此会有8种可能的故障状态，从而有8种诊断结果。在文献[3]中，采用有3个未测量的功能模块的双水箱系统作为例子，但最终只推导出5个诊断结果，而忽略了其他3个诊断结果。对比文献[3]的研究，本文提出的诊断算法能够得到更为完整的诊断结果。
4结论
本文描述了利用多层流模型对工业过程建模、生成故障信号图以及基于故障信号因果关系图诊断根本故障的算法和流程，并在发电厂的锅炉补给水除盐系统中进行了实际的故障诊断算法验证。相比于其他的故障诊断方法，本文提出的建模方法和诊断算法更为具体化，可按步骤参考应用到各个工业领域中，且能得到更为完整的诊断结果。通过文中的例子可以发现，由于算法的完备性使得简单的过程故障可能出现较多的诊断结果，从而加大了判断的难度。减少未知状态功能模块的数量可以减少诊断结果数量，提高诊断精度;也可以根据长期的运行经验，将每个部件的失效概率加入到模型中，并在诊断结果中对每个可能的状况计算失效概率，进行排序得到最有可能的故障诊断结果，便于优先关注概率较高的故障结果，快速确定并排除故障。
《基于多层流模型的故障诊断算法研究》来源：《机械工程与自动化》，作者：顾琳琳 欧阳军