调压阀故障诊断研究综述与本体技术应用展望

2023-03-01周军李传钱朱斌刘诗桃梁光川

机床与液压 2023年2期

周军，李传钱，朱斌，刘诗桃，梁光川

(1.西南石油大学石油与天然气工程学院，四川成都 610500；2.中国石油西南油气田分公司，四川成都 610051)

0 前言

调压阀作为天然气管网中核心设备之一，根据用户需求调节管网下游压力，是保障居民燃气和企业天然气安全平稳供应的关键设备。由于高频率机械运动与长期处于在高压、腐蚀等恶劣环境中，调压阀异常和故障频发[1]。企业虽然针对调压阀的常规维护和检修制定严格的标准和流程，保障输送系统的可靠运行，但随着天然气站场调压阀自动化程度提升，对设备的运行监测、故障诊断和维护要求更高。传统的人工故障诊断维护方式缺乏实时性，无法满足诊断与维护需求[2-3]。为降低调压阀故障造成的经济损失和安全风险，提高调压阀故障诊断和维护效率，许多学者进行大量调压阀的故障诊断技术研究和现场应用。

故障诊断技术的发展可分起源阶段(1960s)、发展阶段(1980s)、智能化阶段(2000s)3个阶段。20世纪60年代，美国和英国相继成立机械故障诊断研究机构，开始进行故障诊断理论研究。20世纪80年代，科研人员逐渐深入研究设备故障机制，进行故障信号的特征提取，开展故障分类识别，系统化的故障诊断技术理论逐渐发展起来。20世纪末开始进入智能化研究阶段[4-5]。由于设备等其他因素，我国故障诊断研究起步较晚，20世纪80年代后，国内故障诊断技术研究开始走向正轨并迅速发展，国内部分高校和科研机构先后在天然气管网系统领域中开展设备故障诊断研究[6]，其中针对系统中调压阀故障诊断研究取得了不错的研究成果，初步实现系统的故障诊断及应用。

随着天然气管网系统智能化建设、SCADA系统的广泛应用、大数据和机器学习理论的深入研究，为调压阀智能故障诊断技术的发展提供更多的理论支撑和研究方向。为此，本文作者基于国内外相关文献，对故障诊断技术进行归纳总结，剖析调压阀故障诊断技术研究应用现状及问题，探讨自力式调压故障诊断技术发展方向，并在Web 3.0时代背景下，分析本体智能故障诊断技术的优势，面对天然气管网，甚至是石油与天然气行业，展望基于多理论融合的本体智能故障诊断技术应用前景。

1 故障诊断技术

故障诊断是一门多专业综合应用型技术，涉及统计学、计算机技术、传感器与检测、信号分析与数据处理、现代测量、自控工程、人工智能等多个学科[7]。经过长期的发展，慢慢形成以解析模型、知识及数据驱动为主的三类故障诊断方法。

1.1 基于模型

基于模型的方法是通过深入认识机械设备或系统内部机制和故障表征形式，建立设备数学解析模型，利用设备运行值与模拟值之间的残差，分析设备或系统运行时与系统表达的差异性，实现设备或系统故障诊断[8]。从数学分析或残差计算方式的角度，该方法可分为参数估计、状态估计和等价空间。状态估计方法是通过重构设备运行状态，计算模拟结果与实际运行数据的残差，分析残差序列，实现诊断故障，该方法适用于易建模、数据充足的线性设备系统[9-12]。等价空间方法是建立一个设备等价数学关系模型，分析静态与动态冗余，判断实际过程的设计值与等价关系模型的一致性。该方法易实现，但诊断故障性能相对较差[11-12]。参数估计方法通过统计分析模型参数变化，进行故障诊断，应用比较广泛的参数估计方法有卡尔曼滤波器方法、极大似然参数估计等[8,12]。

随着设备和系统越来越复杂，相应完整的故障诊断数学模型一般很难建立，虽然可以建立系统各模块的模型，并组合形成整个系统的近似模型，但其关联性较差，整个系统模型的的鲁棒性和泛化性并不稳定，并且实际生产中，系统容易受外界扰动等不确定因素的影响，所以该技术实际应用也存在诸多限制[13]。

1.2 基于知识

基于知识的故障诊断方法是以技术人员长期生产经验和设备历史故障信息总结得到的故障知识为基础，由知识定性描述设备运行中各单元的连接关系，建立故障特征及故障类空间的关系，进行故障知识的推理，实现故障诊断与决策[14-15]。该方法可划分为模式识别、专家系统和因果分析[16]。模式识别是利用设备运行数据和设备故障知识的关联性，通过贝叶斯、神经网络等分类器进行分类，最后实现诊断。专家系统是通过模拟专家诊断，通过推理并进行解释，实现故障诊断与决策。因果分析方法是基于设备的部分或全部故障特征，建立因果模型关系，实现故障检测与分析，包括符号定向图、故障树方法等[17]。

基于知识的故障诊断方法大多应用于输入、输出和变量数相对较小的系统，无需建立模型。该方法适用于有大量专家生产经验和故障知识的工业系统，但随着工业系统的发展，单一基于知识的方法已不再适用于当今大数据下的故障诊断[12]。

1.3 基于数据驱动

数据驱动方法通过数学分析和处理工业系统中收集到的海量数据，包括温度、压力等运行数据，深入挖掘数据潜在信息和知识，以此获得生产过程的运行状态，无需建立设备或系统的解析模型，无需获取大量的专家经验知识，即可实现故障诊断[18]。该方法也是一种获取“知识”的方法，但基于数据驱动获取数据知识与专家经验知识并不相同，它是真实反映设备生产运行状态的信息知识[12]。该方法可进一步划分为统计分析、主成分分析法、信号处理等方法[15]。人工智能技术的快速发展，为数据驱动的技术发展提供更为丰富的理论与研究方向[19]。

现代测量技术与数据存储技术的发展，数据观测、采集和存储技术越发成熟，各类工业系统过程中都积累了大量的数据，在当下数据经济时代，这些数据拥有巨大的潜在价值。基于数据驱动的故障诊断技术由于在数据分析和处理上的巨大优势，成为了故障诊断研究热点领域并蓬勃发展[12]。

2 调压阀故障诊断技术研究

20世纪90年代，美国相关研究人员将研究的重点放到影响调压阀性能稳定的因素上，根据实物设计以及运行经验，从实际运行情况分析导致调压阀出口压力波动的各类因素，为故障诊断研究奠定了一定基础[20]。与发达国家相比，我国调压阀故障诊断研究起步较晚，但随着天然气管网系统迅速发展完善，科研人员与相关机构均取得了不错的研究成果。调压阀故障诊断发展历程如图1所示。

图1 调压阀故障诊断发展历程[20-24]

随着工业系统的不断发展，现代设备运行状态受多种因素影响，参数关联性强[25]。单故障诊断方法往往是针对系统某部件或局部的故障诊断，已难以满足故障诊断的系统化需求[26]。因此多理论的融合故障诊断方法研究逐渐成为主流，研究者们基于数据驱动技术组合两组或多组不同算法理论的优势，进行大量融合故障诊断理论研究。通过总结近十年与调压阀故障诊断技术相关的文献发现：随着管网智能化的发展，大数据的崛起，多数调压阀故障诊断技术均是以故障数据为基础，基于数据驱动的多理论融合故障诊断技术，例如知识与数据驱动融合、模型与数据驱动融合等故障诊断。

2.1 基于模型与数据驱动融合

在当前大数据时代，数据驱动方法是故障诊断的主要发展方向，但是实际生产中，该方法仍然存在现实可行性的问题，如设备真实故障数据不足、记录不全的情况。为此许多学者融合基于模型故障诊断方法，通过精确认识调压阀内部机制，确定调压阀技术参数和功能要求，建立精确的调压阀系统数学模型以及仿真模型；通过模型计算与软件仿真获得高质量调压阀故障数据，为基于模型与数据驱动的融合故障诊断技术提供数据支撑。

目前进行调压阀故障诊断研究主要的仿真建模软件有DAMADICS、MATLAB和其他CFD软件。为解决实际生产过程中阀门故障数据不足的问题，文献[27]通过DAMADICS平台搭建了调压阀仿真模型，实现了调压阀故障的仿真，获得大量有效的调压阀故障数据，并在此基础上通过支持向量机和极限学习机2个方法，实现调压阀故障诊断。文献[28]通过MATLAB构建燃气调压阀数学仿真模型，分别基于经验模态分解的长短期记忆网络、深度神经网络与支持向量机算法，构建故障智能诊断模型。文献[29]通过MATLAB进行调压阀故障仿真和数据采集，采用支持向量机方法实现了故障诊断。文献[30]详细分析调压阀流场特性和常见故障机制，运用CAD与CFD软件建立流场模型，获得了不同工作状态的数值解；在此基础上，根据压力规律，基于阈值和分析残差算法，实现对调压阀泄漏和堵塞故障的诊断。针对调压阀单一故障，文献[31]根据调压阀工作的机制建立了调压阀机制模型，通过变分模态分解-多重多尺度熵方法和鲁棒随机向量函数链接网络，提取故障特征。针对实际应用中调压阀并发故障，文献[31]进一步提高常规随机向量函数链接网络的领域适应能力，建立并行领域适应随机向量函数链接网络的并发故障诊断模型，通过实验系统验证方法可行性，解决了调压阀并发故障诊断问题。

2.2 基于知识与数据驱动融合

基于数据驱动的方法从故障数据出发进行分析，对数据信号分析与处理来实现调压阀的故障识别与诊断，判断故障位置。但该方法并不能很好地解释故障诊断结论，无法满足操作人员进一步分析处理故障。基于知识的方法通过机械过程知识及故障知识，建立故障特征空间关系，可以很好地解释结论。为此，许多学者将2种方法组合，形成基于知识与数据驱动的融合故障诊断技术。

文献[32]根据专家经验分析划分故障类型，利用经验模态分析方法提取原始压力数据的能量特征，根据灰色关联熵理论分析关联度，实现故障分类与诊断。文献[33]利用小波包方法提取调压阀故障压力数据的特征，利用小波包能量方法对压力信号的频带进行分解，完成故障类型的识别和分类。同时，进一步将操作人员的经验知识与小波包方法相结合，形成知识和数据驱动的故障诊断方法。文献[34]将调压阀出口压力进行经验模态分解，结合优序图法判定专家诊断结果，建立最优支持向量机模型。文献[35]将机器学习方法引入到频谱分类中，结合支持向量机故障分类方法，解决噪声和检测机制非线性等问题，实现调压阀故障诊断。文献[36]进一步将基于散度核的机器学习方法引入故障分类，应用于调压阀中橡胶膜片的故障诊断的振动频谱分类，实现了调压阀故障诊断。文献[37]将主成分分析与RBF神经网络相结合，通过主成分分析将高维故障主数据降维，再通过RBF进行故障诊断分类，进一步优化诊断方法，取得了更好的调压阀故障诊断效果。对于传统支持向量机特征提取困难和卷积神经在样本不足时的分类能力问题，文献[38]采用多尺度卷积核并行方式提取调压阀出口压力的故障特征，将传统卷积神经网络中的分类器更换为支持向量机分类器，形成并验证该融合故障诊断方法。

2.3 多理论融合

随着信息处理技术的不断升级发展，各种机器学习、深度学习等人工智能算法和理论的不断更新升级，为调压阀故障诊断研究提供了更多的方向，多理论融合的故障诊断技术研究作为故障诊断研究领域的研究热点，在工业大数据的支持下，基于数据驱动的多理论融合故障诊断技术逐渐向着更深层次发展。

文献[39]通过Apriori对变量与故障间关联度进行分析，得到强关联规则故障知识；小波包分析和Apriori进行特征提取，实现调压阀故障诊断与安全预警。为解决模型稀疏性与预测样本类别关系问题，文献[27]在模型和数据驱动融合故障诊断基础上，将贝叶斯思想应用于极限学习机多分类器，保留原有极限学习机算法的特点和优势，取得了更好的故障诊断效果。针对机器学习方法故障样本不足的问题，文献[40]利用极限学习机速度更快和自动生成网络参数的能力，结合半监督极限学习机和迁移学习处理标签数据的优势，通过自编码器技术，提取数据特征。最后通过实验平台验证了该多理论融合的故障诊断技术的可行性。文献[41]对压力数据进行经验模态分解，结合专家与操作人员经验知识，结合粒子群算法，优化支持向量机分类器参数，建立调压阀故障诊断模型，形成多理论融合故障诊断方法。文献[42]利用t-SNE可视化降维算法将调压阀故障数据进行降维，使用SDP聚类分类集中数据，再利用支持向量机分类离散数据量较小的故障数据，实现了大数据驱动和并行SDP的调压阀故障诊断。

2.4 存在问题

当前调压阀故障诊断的研究，仍然缺乏系统的调压阀故障诊断知识获取和知识表示方面的认识和规范，各个故障诊断系统存在的异构性，故障诊断相互之间缺乏共同的理解。各个故障诊断系统间还存在“知识孤岛”问题，故障知识共享困难、知识重用困难、系统可拓展性差，故障诊断系统推理效率低、灵活性低。

调压阀故障诊断技术中以基于数据驱动的多理论融合故障诊断技术为主，系统大部分通过调压阀进出口压力数值作为故障特征，部分采用流量和温度数值作为故障特征，进行系统运行状态识别与故障诊断。虽然可以初步实现故障诊断，但系统需求的故障数据量大，质量要求高，实际生产中无法满足大量高质量故障数据的要求。因此部分研究的数据来自软件仿真或者室内实验，保障故障数据量，但在各种理论或理想条件下的研究成果，距离达到实际复杂的生产环境故障诊断要求还存在差距，各种故障诊断方法的泛化性并不理想。针对目前调压阀故障诊断系统存在的问题，文中提出引入本体技术进行调压阀智能故障诊断研究和探讨。

3 基于本体的故障诊断技术

本体(Ontology)来源于哲学，其为事物客观存在的本质[43]。GRUBER[44]提出：“本体是概念化的明确的规范说明”。STUDER等[45]将本体进一步明确定义为：“共享概念模型明确的形式化规范说明”，从概念化(Conceptualization)、明确性(Eplicit)、形式化(Formal)和共享性(Share)4个方面阐释了本体的含义。在知识工程和人工智能领域也称为本体论、本体语义。

3.1 本体理论

本体在知识工程和人工智能研究领域，目标为抽象知识的本质。GMEZ-PREZ和BENJAMINS[46]将本体建模基元总结归纳为概念或类、关系、函数、公理和实例。其关系示意如图2所示。

(1)类(Classes)：可以描述任何事物，将客观世界中同一类对象构成集合，归纳共性并抽象为一般描述。

(2)关系(Relations):本体中的关系表示概念之间的交互作用，一般用n维笛卡儿积表示概念类之间存在的n元关系，关系对应于对象元组的集合。

(3)函数(Functions)：是一类特殊的关系，是集合中多个类间映射关系的统一标准。

(4)公理(Axioms)：表示永远成立的声明，永远正确的结论，是一些永真式，用于描述关系之间的约束。

(5)实例(Instances)：属于某一概念或类的基本元素，代表实际对象。

图2 本体示意Fig. 2 Ontology schematic

本体技术作为强大的知识库构建技术和知识表示及推理技术，能规范化地表示领域专业知识，突破传统知识工程中严重依赖专家和主观因素的弊端，而且通过拓扑结构化的知识存储和展示机制，扩展知识规模，展现知识关联性，并进一步加深了知识的理解和实际应用效果[47]。本体论在提供管理、搜索、检索、维护、共享和查看信息的新方法方面有着巨大潜力，是语义Web、知识库、知识图谱等技术的核心元素和基础框架。它们为解决2个或多个信息系统之间的异构性问题提供了最佳解决方案，提供了一种通用知识，可供人工智能、语义Web服务、知识工程和计算机科学等不同领域共享和重用[48]。随着时间的推移和不同应用之间的快速发展，近年来对本体构建方法的需求越来越大[49]。

3.2 本体故障诊断技术研究现状

本体故障知识表示方法中，本体知识模型层次结构性强，保证了知识推理的正确率，有效解决其他方法推理能力和解释能力不足的问题。在智能诊断研究和知识工程领域，本体故障诊断术语的描述具有通用性，能清晰地定义故障知识的概念，建立明确的故障知识关系。其良好的知识规范性与关联性，可有效解决机械设备故障知识复杂、多源异构等问题，更易于共享、重用、更新和维护故障诊断知识[26]。

许多国内外研究者将本体技术引入各个工业机械故障诊断领域，进行了大量故障本体知识研究和故障诊断应用。目前大多数学者的本体建模思路几乎相同，故障诊断的本体类描述多数为故障现象、故障原因、故障部位、故障类型和故障维护。总结典型故障诊断本体关系如图3所示。

图3 典型故障诊断本体关系Fig.3 Typical fault diagnosis ontology relationship

电力工业发展较早，相关设备故障诊断理论研究较为丰富。针对电网网络故障，文献[50]对电网及其行为的细节进行分析，建立本体故障诊断模型，初步实现电网故障诊断。文献[51]基于故障知识，应用本体方法深度挖掘引发故障的深层次原因，建立发电站汽轮机故障诊断系统，并在实践中成功应用。文献[52]基于本体知识建模方法，建立风力发电机组故障诊断知识库，实现了设备设计企业与运行企业的专业设备知识共享和发电机组的故障诊断。除电力工业外，采矿等其他大型工业系统中的本体智能故障诊断研究也有很多。在采矿业井下大型采矿机故障诊断研究中，文献[53]通过建立采煤机的故障本体，结合语义网语言，实现采矿机的故障诊断。文献[54]基于提升机故障知识，建立本体故障诊断语义知识系统，实现提升机故障诊断。文献[55]同样基于提升机故障知识，构建本体知识库，在本体推理的基础上融合关联规则方法，实现故障现象到原因本体的推理。在机械制造设备领域，文献[56]构建了机床本体故障诊断知识模型，将故障诊断实例导入知识扩展平台，实现机床故障诊断与本体知识库拓展。在军用领域，文献[57]通过本体知识表示方法建立舰炮武器系统的故障诊断知识模型，并转化为贝叶斯网络模型，将本体技术的知识优势和贝叶斯网络的不确定推理优势进行结合，实现了舰炮武器系统的故障诊断。

多理论融合作为故障诊断技术领域的研究热点方向，基于本体的多理论融合故障诊断技术也受到许多学者关注。文献[58]建立汽轮发电机组的故障诊断本体知识库，利用本体信号分析结果建立与本体知识的关联，实现汽轮发电机的高效故障诊断。针对大型装载机故障诊断知识复杂和理解困难的问题，文献[59]建立了基于本体的故障诊断模型，结合案例推理技术，实现了高效、准确的故障诊断。在大型农业农机系统中，针对皮带传输故障诊断，文献[60]利用本体方法，进行故障知识表示，融合案例规则推理，建立本体皮带输送故障诊断系统，提升故障处理方案程序的标准性和规范性。此外，在智能制造领域，与无模型诊断相比，基于模型的故障诊断具有能够解释故障原因和传播的优势，但需要了解生产线的配置模型和特定于上下文的信息。本体建模可以在配置模型的基础上提供特定于上下文的信息，非常利于故障诊断。文献[61]提出了基于本体与模型融合的故障诊断方法，建立基于第一原理定性力学的动力学模型，使用数值优化最小化来自生产线的传感器数据与运行动力学模型的模拟数据之间的差异，以实现自动配置建模和故障诊断。当生产线运行正常时，使用语义网技术自动生成具有上下文特定信息的配置本体模型，并在生产线出现故障时使用生成的配置本体模型和信息进行诊断。

4 本体故障诊断技术应用展望

在Web3.0时代发展背景下，借助本体技术强大的知识获取、知识表达、知识共享和知识重用能力，不仅是解决调压阀故障诊断系统“知识孤岛”和系统异构性问题的有效手段之一，并且在整个天然气管网系统的故障诊断研究中，本体技术也有着巨大的潜在价值。进行基于本体的调压阀故障诊断系统研究，不仅有望进行不同设备故障知识的共享和重用，实现不同故障诊断系统的拓展和交流，并能显著降低不同类型调压阀故障诊断系统开发工作量，提高调压阀故障诊断系统中知识和数据利用率，实现天然气管网故障诊断系统价值的多元化。将本体技术引入天然气管网系统智能故障诊断领域，更有整个天然气管网系统的故障诊断知识的重用和共享，满足天然气管网的智能故障诊断与维护需求，为天然气管网智能化提供故障诊断技术升级，提升天然气管网故障诊断智能化水平。

本体故障诊断技术依托自身知识结构的优势，能进行高效的故障逻辑推理与故障知识的拓展，实现设备故障诊断与维护决策。在天然气管网中，调压阀运行信息变化趋势复杂且受多种因素影响，调压阀的运行参数与其他设备故障诊断间有关联性，基于本体的调压阀故障推理容易忽视了对设备运行数据价值的挖掘，难以对天然气管网系统故障信息进行全面的综合分析及诊断，而针对天然气管网的本体故障诊断理论方法的鲁棒性和泛化性也有待研究。在未来研究中，充分发挥本体技术自身的优势，融合其他基于数据驱动的人工智能算法，进行工业数据的知识挖掘，结合专家经验知识，建立天然气管网系统的故障知识本体，实现天然气管网故障诊断真正意义上的智能化。