導(dǎo)語：水電機組故障診斷分析論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

ABSTRACT：Inconsiderationofthediversityandthecomplicationoffaultdiagnosisknowledgeforhydroelectricset,anewmetasynthesizingknowledge-representationusingneuralnetwork,fuzzyrulesandvisualizedtechniqueisproposed.Andonthebasisoftheknowledgerepresentation,anintegratedreasoningmethodiscompleted.AVibrationFaultDiagnosingExampleisgiventodemonstratethattheabilitiesofacquiringandrepresentingknowledgeandtheinferringefficiencyofhydroelectricset''''sfaultdiagnosiscanbereasonablyimproved.

KEYWORDS：hydraulicengineering;faultdiagnosis;knowledgerepresentation

1引言

水電機組設(shè)備龐大、結(jié)構(gòu)復(fù)雜、誘發(fā)故障的原因很多。其常見故障有：①機組軸承故障；②機組振動故障(根據(jù)振動誘發(fā)原因，水電機組振動大致可分為機械振動、水力振動、電氣振動)；③水輪機汽蝕與泥沙磨損；④水輪發(fā)電機故障。

確立恰當(dāng)?shù)闹R表示和推理方式是研制一個故障診斷專家系統(tǒng)的良好基礎(chǔ)。迄今為止，設(shè)備故障診斷知識的表示多采用產(chǎn)生式規(guī)則，但對大型機組而言，大量診斷知識難以歸納為規(guī)則。實踐證明［1］

純粹使用產(chǎn)生式規(guī)則表示法描述故障診斷的知識遠不足以反映引起機組故障原因的全部征兆。近年來，人們提出了一些將規(guī)則和神經(jīng)網(wǎng)絡(luò)集成表示的方法［1～3］，這些方法大多是在規(guī)則庫的基礎(chǔ)上將規(guī)則轉(zhuǎn)化為網(wǎng)絡(luò)表示，對于實時性要求較高、診斷規(guī)則較少和推理策略相對穩(wěn)定的診斷系統(tǒng)具有一定的優(yōu)勢。然而，對于包含水、機、電等多方面因素的高度復(fù)雜的水電系統(tǒng)，上述集成方法也暴露出復(fù)雜故障診斷困難、知識庫的開放性和透明度較低、人機交互能力差等方面的不足。

為充分滿足水電機組故障診斷知識的多樣性和復(fù)雜性對知識表示的要求，本文提出適用于水電系統(tǒng)故障診斷的知識表示方法。利用產(chǎn)生式模糊規(guī)則表示、可視化故障知識表示及神經(jīng)網(wǎng)絡(luò)表示等多種方法綜合集成的知識表示方法，應(yīng)用于某水電廠水電機組故障診斷專家系統(tǒng)實踐中，取得了良好效果。

2集成知識表示方式

2.1產(chǎn)生式模糊規(guī)則表示法

將水電機組故障診斷領(lǐng)域?qū)＜壹跋嚓P(guān)書籍中能用自然語言描述的普通診斷知識歸納為模糊規(guī)則，置信度由領(lǐng)域?qū)＜医o出，典型振動故障規(guī)則如

若0且f＝fn(1)

則“定子橢圓度大”，規(guī)則置信度為0.8(一般取值范圍為0～1)

式中Az為振動幅值；If為勵磁電流；f為振動頻率；fn為轉(zhuǎn)速頻率。

規(guī)則中出現(xiàn)的導(dǎo)數(shù)則反映了振動與各狀態(tài)量之間的相互關(guān)系。

為了獲得導(dǎo)數(shù)關(guān)系，可用式(2)近似計算一時間序列的離散采樣數(shù)據(jù)

(2)

式中Δyi＝y(tǒng)i－yi－1，Δxi＝xi－xi－1，取算術(shù)平均值可有效地減小采樣信號的測量噪音干擾。

根據(jù)機組故障特點，將診斷規(guī)則劃分為多個相對獨立的規(guī)則子集，形成各類規(guī)則庫，以分類處理較為簡單的單一故障，如可將振動故障規(guī)則劃分為電氣振動類規(guī)則庫、機械振動類規(guī)則庫和水力振動類規(guī)則庫。此外，將相互耦合較強的規(guī)則單獨成庫，以處理較為復(fù)雜的多重故障。再在分類規(guī)則庫中對規(guī)則進行分層組織。對規(guī)則庫進行分類分層組織，能減少推理搜索空間，提高推理效率，同時亦有利于實現(xiàn)對規(guī)則庫的增減和修改，提高系統(tǒng)的開放性和透明度。

2.2可視化故障知識表示法

人類知識積累的過程一般是從圖形和圖像開始，并逐漸走向抽象。隨著計算機技術(shù)的發(fā)展，使得我們可以采用圖表、聲音、圖像作為知識的載體，即可視化知識表示。一般來說，一個水電廠的故障記錄大多為某些常見故障記錄，其故障記錄以文字、數(shù)據(jù)、圖表、曲線、照片、錄像等多種形式組成。傳統(tǒng)知識表示方法僅適用于利用文字和數(shù)據(jù)方面的知識信息，而在聲音和圖像等方面知識信息的處理上卻表現(xiàn)出明顯不足，可視化知識表示方法的引入為表示和利用這些知識信息提供了條件。

本文通過對典型故障的歷史記錄中有關(guān)聲音和圖像部分的信息進行整理、剪輯和壓縮處理，形成大量后綴名為Mov、Avi、Wav等多媒體文件，以實現(xiàn)可視化故障知識表示。然后，針對每一個典型故障設(shè)計一個DLL(動態(tài)鏈接庫)文件，每一個DLL設(shè)置一個入口指針以便于外部的故障診斷專家系統(tǒng)主程序利用API函數(shù)進行調(diào)用。關(guān)于某一個典型故障的各種多媒體文件可看作為隸屬該典型故障DLL文件的資源文件，多媒體文件的調(diào)用則通過OLE(對象的嵌入和鏈接)方法在DLL內(nèi)部的交互式窗口中實現(xiàn)。至此，我們通過利用動態(tài)鏈接的方法和多媒體技術(shù)，為電廠中典型故障設(shè)計了一個可視化的典型案例庫。

實際上，多媒體文件通常比較龐大(以Wav聲音文件為例，一個可播放10s的錄音文件約有1MB)，OLE和DLL方式的引入有利于發(fā)揮Windows高級編程的優(yōu)勢，避免可視化文件占用內(nèi)存過大的缺點，提高專家系統(tǒng)的整體運行速度，滿足診斷實時性的要求，確?？梢暬R表示在實際系統(tǒng)中得以實現(xiàn)?？梢暬收现R表示的引入既有利于增強整個系統(tǒng)知識的表達能力，又為專家系統(tǒng)提供了更為直觀、形象、方便的解釋方式，同時也為用戶培訓(xùn)和實習(xí)提供了一條良好的途徑。

2.3神經(jīng)網(wǎng)絡(luò)知識表示法

傳統(tǒng)知識表示方式，如框架、規(guī)則和劇本等表示方式都只能處理類似人類自然語言的邏輯量，并不擅長表示大量的、多路的、數(shù)值性的變量，而水電廠中許多諸如振動、溫度、流量、水頭、效率、尾水脈動、電流和功率等變量的記錄往往是進行下一次診斷的極為有用的知識信息。因此，如何對這些知識信息進行恰當(dāng)?shù)乇硎竞屯评硪恢笔抢_傳統(tǒng)故障診斷專家系統(tǒng)的一個主要難題。

神經(jīng)網(wǎng)絡(luò)的引入為解決以上難題提供了一個有力的工具。本文選擇BP(BackPropagation)和PNN(ProbabilisticNeuralNetwork)前饋模型作為水電機組數(shù)值性知識的載體和指示故障分類的故障分類器。

BP網(wǎng)絡(luò)是一種已成功獲得廣泛應(yīng)用的

ANN前饋模型，其訓(xùn)練方法是典型的外監(jiān)督(outer-supervised)學(xué)習(xí)。可以證明［4］，即使在模式空間中各樣本分布相交錯的復(fù)雜區(qū)域內(nèi)，亦只需三層BP前饋網(wǎng)絡(luò)就可構(gòu)成任意復(fù)雜的故障分類判別映射。現(xiàn)采用三層BP網(wǎng)絡(luò)作為可視化典型案例庫的故障分類器，其輸入節(jié)點數(shù)等于經(jīng)過信號預(yù)處理后的故障特征個數(shù)n，隱層節(jié)點數(shù)視訓(xùn)練的具體情況決定，輸出節(jié)點數(shù)等于典型案例庫中的故障個數(shù)K。每一個典型故障對應(yīng)一個K維導(dǎo)出矢量ui

ui＝(0，…，0，1i，0，…，0)i∈K(3)

PNN又稱為概率神經(jīng)網(wǎng)絡(luò)，其訓(xùn)練方法是典型的自監(jiān)督(self-supervised)學(xué)習(xí)，該模型特別適用于分屬各個模式的訓(xùn)練樣本較少，樣本的分類模式屬性已知的情況，因此該模型被我們選為類規(guī)則庫的模式識別分類器，以盡可能全面地覆蓋整個故障集。

用于模式識別的PNN，輸出層的輸出為模式樣本后驗概率估計的充要條件是隱層單元函數(shù)為Parzen窗密度核函數(shù)［4］。令X為任一隨機輸入向量，為某一故障模式的訓(xùn)練樣本，如果將X、Xi都歸一化成單位矢量，則PNN的第i個節(jié)點的輸出yi可以表示為

(4)

式中Hi為PNN中第i個類別對應(yīng)的隱節(jié)點數(shù)；K(。)為Parzen窗密度核函數(shù)；α為平滑參數(shù)；Wi表示第i個需要分類的模式集合；P(X/Wi)為輸入矢量的類條件概率。

如果有m個故障模式類別,PNN就有m個輸出節(jié)點，由式(4)可知，網(wǎng)絡(luò)的隱層單元數(shù)正好等于參加訓(xùn)練的總樣本數(shù)，輸出yi的結(jié)果即為隨機輸入矢量的類條件概率。PNN無需訓(xùn)練，網(wǎng)絡(luò)能根據(jù)每次輸入樣本的特性，由類別屬性標(biāo)記進行自監(jiān)督，不斷調(diào)整網(wǎng)絡(luò)的連接權(quán)值，直至達到精度要求，所以，PNN能夠滿足訓(xùn)練的實時處理要求。

筆者曾嘗試直接用機組歷史故障記錄中的時序數(shù)據(jù)對多種神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，訓(xùn)練結(jié)果均不理想，以某水電廠的某一機組的水輪機振動監(jiān)測系統(tǒng)為例，非電量監(jiān)測量(振動、擺度、導(dǎo)葉行程、水壓等)就有19路信號，用多層BP網(wǎng)絡(luò)和自組織映射網(wǎng)絡(luò)Kohonen模型對上述監(jiān)測量直接進行故障特征提取，均無法滿足收斂性要求。因此在實際運用中，采用信號處理方法(如濾波、FFT、Wavelet分析等)對表征機組狀態(tài)的故障數(shù)據(jù)進行預(yù)處理和故障特征初步提取，然后再將預(yù)處理后提取的特征量作為神經(jīng)網(wǎng)絡(luò)的輸入。以振動故障診斷為例，首先對振動采樣信號進行了濾波處理，然后對其進行FFT分析，最后再將振動信號的頻譜作為PNN分類器的訓(xùn)練樣本，表1和表2列出了振動故障PNN分類器所用的部分訓(xùn)練樣本和測試樣本。經(jīng)過信號預(yù)處理后,神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點數(shù)大量減少，收斂能力明顯增強。由表2可見，訓(xùn)練后的PNN對訓(xùn)練樣本和測試樣本都能較好地識別。應(yīng)該指出，神經(jīng)網(wǎng)絡(luò)的分類和辯識能力取決于網(wǎng)絡(luò)的學(xué)習(xí)水平，而僅僅依靠電廠的歷史故障記錄進行訓(xùn)練是很難完全覆蓋整個故障集的，應(yīng)不斷用新的故障樣本對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練更新。

3診斷推理策略

本集成專家系統(tǒng)的推理實際上是基于置信度的模糊推理。如前所述，在一定前提下每一條模糊診斷規(guī)則中含有一個取值在0～1之間的置信度。顯然，這些規(guī)則的前提具有一定的不確定性，特別是各個導(dǎo)數(shù)關(guān)系有很大的模糊性。因此，當(dāng)規(guī)則前提在程度深淺上發(fā)生變化時，本文利用了文［5］提出的基于置信度的模糊推理方法對規(guī)則的置信度進行一定地修正。另一方面，為了與模糊規(guī)則相銜接，本系統(tǒng)信號分析的結(jié)論用一定的置信度表示，而ANN分類器得出的分類結(jié)果(0～1之間的數(shù))其實就是各類故障發(fā)生的置信度。至此，本專家系統(tǒng)的各個階段的診斷推理過程都能在置信度上有所反映，置信度成為系統(tǒng)推理中確定故障發(fā)生可能性的一個根本依據(jù)。

從水電機組故障發(fā)生的幾率來看，發(fā)生常見故障的可能性較大?？紤]到，專家系統(tǒng)的診斷應(yīng)面向更為全面的故障集，因此應(yīng)將典型案例庫及其BP網(wǎng)絡(luò)分類器作為集成知識庫中優(yōu)先進行推理的部分，僅當(dāng)不滿足典型案例相似精度要求時，系統(tǒng)才轉(zhuǎn)入類規(guī)則庫及其PNN分類器執(zhí)行進一步推理，其主要診斷過程如圖1所示。

4診斷實例

以某水電廠#1機組在90年代初試運行期間發(fā)生的振動異常故障為例說明本專家系統(tǒng)的診斷過程。該廠總裝機容量850MW，其機組發(fā)電機型號為SF200-56/2800，水輪機型號為HL220-LJ-550。#1機組試運行期間,上機架振動劇烈，為保證機組安全運行，對其進行了穩(wěn)定性全面測試，其上機架振動波形如圖2所示。

經(jīng)過FFT分析上機架振動頻譜特性，發(fā)現(xiàn)轉(zhuǎn)頻分量最大，其它分量則相對較小。經(jīng)過神經(jīng)網(wǎng)絡(luò)故障分類器對FFT分析結(jié)果進行再推理后，得出發(fā)生機械方面故障的結(jié)論，神經(jīng)網(wǎng)絡(luò)分類結(jié)果如圖3所示。由PNN分析結(jié)果，專家系統(tǒng)進入機械故障規(guī)則庫執(zhí)行模糊推理。經(jīng)推理發(fā)現(xiàn)，上機架振動幅度隨工況改變，其中隨轉(zhuǎn)速變化顯著。最終，專家系統(tǒng)得出“轉(zhuǎn)子(主要是發(fā)電機)質(zhì)量失均，發(fā)電機同軸的勵磁機轉(zhuǎn)子不平衡”的診斷結(jié)論，提出“(1)作現(xiàn)場平衡(2)校正勵磁機轉(zhuǎn)子”的處理意見。東方電機廠的專家經(jīng)現(xiàn)場會診得出的診斷結(jié)論為：“發(fā)電機轉(zhuǎn)子不平衡是導(dǎo)致機組過速時振動的根本原因，此外機組存在兩個由尾水旋轉(zhuǎn)渦帶引起的不穩(wěn)定運行負荷區(qū)也是造成機組振動的原因之一?？蓪Πl(fā)電機轉(zhuǎn)子進行動平衡實驗和對不穩(wěn)定運行區(qū)進行補氣處理”。

從二者診斷結(jié)論來看，本專家系統(tǒng)的診斷結(jié)論趨于保守，但二者的診斷結(jié)論在“轉(zhuǎn)子不平衡”這一引起故障的根本原因上是一致的，提出的解決方法也基本相同。所以，本文提出的知識表示和推理方法是有效可行的，起到了智能診斷的效果。

5結(jié)論

人工神經(jīng)網(wǎng)絡(luò)在大規(guī)模數(shù)據(jù)處理中表現(xiàn)出來的優(yōu)異的并行性、容錯力和魯棒性已經(jīng)是一個不可辯駁的事實，就水電機組診斷系統(tǒng)而言，運用神經(jīng)網(wǎng)絡(luò)實時處理監(jiān)測系統(tǒng)提供的大量的機組狀態(tài)數(shù)據(jù)也就成為必然選擇?；谝?guī)則和神經(jīng)網(wǎng)絡(luò)集成的智能系統(tǒng)，保留了神經(jīng)網(wǎng)絡(luò)所具有的較強的自學(xué)習(xí)、聯(lián)想、容錯和形式思維能力等優(yōu)點，與規(guī)則表示方式具有的模塊化、知識表示明確、和較強的邏輯思維能力等特點相融合，較好地解決了傳統(tǒng)規(guī)則表示的專家系統(tǒng)知識獲取困難、容錯性差及實時性難以滿足等問題。此外，可視化知識的引入也將豐富知識表示的概念，為人們多方面地理解如何更深層、更方便地獲取知識和知識學(xué)習(xí)，提供了一條新思路。

參考文獻：

［1］VerlynMJ，JohnVC.Buildingacompositesyntaxforexpertsystemshell［J］.IEEEEXPERT,1997,25(6):61～65.

［2］PatrickC,JohnA,JoanM.Applicationofneuralnetworkstoexpertsystemsandcommandandcontrolsystems［J］.IEEEEXPERT,1987,16(4):118～125.

［3］楊建剛，等.集成旋轉(zhuǎn)機械故障診斷的知識表示與推理［J］.東南大學(xué)學(xué)報,1995,25(3).

［4］黃德雙.神經(jīng)網(wǎng)絡(luò)模式識別系統(tǒng)理論［M］.北京：電子工業(yè)出版社,1996.

［5］KhanNA,etal.Uncertaintymanagementinadistributedknowledgebasedsystem［C］.ProcIJCAI''''85,1985,318～320.