王猛
山东济华燃气有限公司 山东济南250000
摘要：为有效完成中低压燃气调压器安全运维，及时处理其各项故障问题，通过采用文献研究法与实验分析法相结合的方式，在使用故障自诊断技术的基础上对其进行优化处理。通过实验测试与仿真模拟的方式，证明在故障自诊断技术的专家打分中引入优序图法，对各项输入样本进行归一化处理以及运用基于径向基核函数的支持向量机算法和网格搜索法进行参数优化，对于提升故障自诊断的精确性与有效性具有显著的促进作用。
关键词：中低压燃气调压器；故障自诊断技术；技术优化；技术测试
一、中低压燃气调压器故障自诊断技术优化分析
（一）引入优序图法优化专家打分
在当前应用在中低压燃气调压器的故障自诊断技术中，普遍采用专家打分模式，用以实现对燃气调压器不同运行状态的专业化、精准辨别。但由于专家技术人员数量相对较多，其在打分评价和判定样本中受到个人专业能力、实践经验、采用标准等多方面的影响，往往会出现打分结果不一致的情况。为此，本文提出在优化中低压燃气调压器故障自诊断技术时，需要将优序图法引入其中实现专家打分的全面优化。
优序图法主要通过以两两比较的方式，对各标准可信度进行对比分析，并将各因素可信度用直观形象的矩阵图进行清晰表示，为决策决议提供重要参考。在两两比较中，对于各标准一般使用棋盘格式，如标准个数为n时，需要填入的棋盘空格即有个。比较对象与被比较对象分别为第一列与第一行的各项。在基于优序图法的专家打分中，各专家占据的权重值，需要采用如下公式进行精准计算：
.png)
在这一公式当中n代表着全部专家人数，其中第i名专家的权重值则用进行表示，经过两两对比后，相应的赋值为，其取值通常为1或0或0.5。通常中低压燃气调压器的故障状态有两种，分别为预警与报警，前者严重程度相对较低，后者严重程度相对较高。在此基础上，除正常状态外，需要按照燃气调压器发出的预警信号所对应的故障类型及其预警状态高低，对燃气调压器运行状态进行细分。而后根据样本各状态的判断结果，对各专家加权平均进行精准计算，由此使得每一种状态均有一个专家打分值与之相对应，选取得分最高的即代表该样本最终决策状态，并直接输出相应结果即可。
（二）各输入数据进行归一化处理
由于在中低压燃气调压器故障自诊断中需要采集的样本数据量较大，且样本数据类型多种多样，因此为有效保障后续数据统计分析结果的精准无误，本文在技术优化中要求各项输入数据在统计计算前需要一并进行归一化的预处理。即：
.png)
在这一公式当中，所有样本内包含的元素数据用进行表示，i的取值范围为1到10的正整数。与分别表示训练集内全体元素当中的最大与最小值[1]。此次优化中令全部输入数据以归一化方式进行预处理，使得初始数据整理并划分成[0，1]中的某个值，此举能够使得样本中某项突出值的占比可以得到大幅降低。在归一化处理中通过使用若干不同元素构成各组输入样本，对于提升测试集准确率也具有一定的促进作用。
（三）运用机器学习算法优化参数
为了使得中低压燃气调压器在故障自诊断中具有更高的自学习应用能力，从而可以自动、精准、高效完成判别燃气调压器各种故障状态及其对应类型的效果，帮助相关工作人员及时发现中低压燃气调压器中的故障问题或安全隐患，第一时间有针对性地对其进行正确处理，本文还尝试将机器学习算法引入其中对参数进行全面优化。当前机器学习算法中应用较为广泛、准确率相对较高的算法即为支持向量机算法，在将该算法运用在中低压燃气调压器故障自诊断当中，首先需要工作人员立足实际，合理选用相适宜的核函数类型。通过参考相关研究资料，证明相较于线性与多项式等核函数类型，径向基核函数的准确率最高，超过90%。因此本文在参数优化中选择使用基于径向基核函数的支持向量机算法。
在选取支持向量机算法参数的过程中，考虑到中低压燃气调压器故障自诊断与精度要求、泛化能力等均要求较高，因此经过综合考量，本文最终选用网格搜索法对该故障自诊断模型参数进行优化。这主要是由于网格搜索法具有误差与手动计算量小，能够实现最佳状态自调整。在此过程中，首先需要对参数C、g搜索范围和步长进行科学设定。假设惩罚参数C总共有P个，核函数参数g共计有Q个，则参数总数及其搜索范围应当为。其次，在二维网格内依照特定步长寻找最优值，以支持向量机算法训练准确率为此基础对最优参数C以及最优参数g、最优算法模型进行统一明确[2]。如果在完成整个搜索过程后仍未获取与规定准确率相符合的参数，则需要对搜索范围及步长进行重新设定，直至获得具有最佳分类效果的参数。
二、中低压燃气调压器故障自诊断技术测试分析
（一）故障自诊断的测试方式
为了有效检验本文提出的中低压燃气调压器故障自诊断技术优化措施的应用价值，本文以某中低压燃气调压器在2019年冬季，产生的所有出口压力数据作为样本参数。按照上述优化方式与既有中低压燃气调压器故障自诊断系统，建立了经过优化处理的故障自诊断模型，通过对样本参数进行离线测试并对模型优化之前与优化之后，在中低压燃气调压器故障自诊断及其精准性方面进行比较分析，由此判断优化后故障自诊断模型的应用性。经过优化处理的故障自诊断模型中，经由压力测量变送器采集得到的各项出口压力数据直接传输至主机内，而后采用EMD分解对信号进行初步处理，同时采用引入优序图法的专家打分模式补充相应判据。此后依次进行输入样本和使用支持向量机算法开展机器学习，在对参数C与g进行优化后直接输出分类器判断结果，分类预测样本的各种运行状态[3]。在测试过程中，本文通过使用专门的编程工具软件和仿真模拟系统，并将其与在中低压燃气调压器当中安装的各个智能监测装置进行相互连接，由此直接完成样本数据的采集与导出。
（二）优化前后测试结果对比
根据测试结果显示，在对中低压燃气调压器故障自诊断进行优化之前，实验中随机选择的90个样本中，故障诊断结果正确的样本数量仅有60个，整体的诊断准确率为66.67%。其中故障自诊断系统在判别燃气调压器正常状态时具有较高的精准度，而在判别燃气调压器为喘振预警时，在对应的16个样本数据中出现了两例误判，诊断准确度为87.50%。但在判别用气低峰与高峰时的出口压力低、高状态中，其平均准确率不足50%。导致这一情况出现的原因，主要为优化前的故障自判断系统难以明确区分低频故障部分，缺乏充足完善的学习判据以及训练样本量偏小。在采用上述方式进行优化处理后，故障自诊断系统在判别燃气调压器的正常状态、喘振故障预警与报警中的准确率能够达到100%，在判别基于用气高峰的出口压力低预警与低预报时，其平均准确率达到91.50%。而在判别用气低峰出口压力高预警时，在20个测试样本中仅有一例误差，其准确率达到95.00%。由于优化后采用机器学习算法，可以获得更多样本数量，并在样本数据分析处理中运用了归一化处理的方式，配合使用基于优序图法的专家打分模块，使得故障自判断的精准率得到极大提升，输出状态也具有较高的精准度。
结束语：综上所述，在优化中低压燃气调压器故障自诊断技术时，将优序图法引入专家打分模块中，针对各项输入样本，统一对其进行归一化处理，并采用径向基核函数的支持向量机算法和网格搜索法进行参数优化，可以有效丰富样本数量，达到提高故障自诊断精准度的效果。对于正在实现中低压燃气调压器故障自诊断效果的全面优化意义重大。
参考文献：
[1]李琪. 中低压燃气调压器智能预警技术应用与优化[D].北京建筑大学,2020.
[2]李夏喜,王嵩梅,雷岩,等.浅谈智能化燃气调压器故障监测及判别系统实现及管理分析[J].电子元器件与信息技术,2019,3(09):96-98.
[3]衣光宇.燃气调压器的故障及其诊断分析[J].化工管理,2019(16):150+155.