導語：水電機組故障診斷分析論文一文來源于網友上傳，不代表本站觀點，若需要原創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

水電機組設備龐大、結構復雜、誘發故障的原因很多。其常見故障有：①機組軸承故障；②機組振動故障(根據振動誘發原因，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水輪發電機故障。

確立恰當的知識表示和推理方式是研制一個故障診斷專家系統的良好基礎。迄今為止，設備故障診斷知識的表示多采用產生式規則，但對大型機組而言，大量診斷知識難以歸納為規則。實踐證明［1］

純粹使用產生式規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則和神經網絡集成表示的方法［1～3］，這些方法大多是在規則庫的基礎上將規則轉化為網絡表示，對于實時性要求較高、診斷規則較少和推理策略相對穩定的診斷系統具有一定的優勢。然而，對于包含水、機、電等多方面因素的高度復雜的水電系統，上述集成方法也暴露出復雜故障診斷困難、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雜性對知識表示的要求，本文提出適用于水電系統故障診斷的知識表示方法。利用產生式模糊規則表示、可視化故障知識表示及神經網絡表示等多種方法綜合集成的知識表示方法，應用于某水電廠水電機組故障診斷專家系統實踐中，取得了良好效果。

2集成知識表示方式

2.1產生式模糊規則表示法

將水電機組故障診斷領域專家及相關書籍中能用自然語言描述的普通診斷知識歸納為模糊規則，置信度由領域專家給出，典型振動故障規則如

若0且f＝fn(1)

則“定子橢圓度大”，規則置信度為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為轉速頻率。

規則中出現的導數則反映了振動與各狀態量之間的相互關系。

為了獲得導數關系，可用式(2)近似計算一時間序列的離散采樣數據

(2)

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

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

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。隨著計算機技術的發展，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、數據、圖表、曲線、照片、錄像等多種形式組成。傳統知識表示方法僅適用于利用文字和數據方面的知識信息，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，以實現可視化故障知識表示。然后，針對每一個典型故障設計一個DLL(動態鏈接庫)文件，每一個DLL設置一個入口指針以便于外部的故障診斷專家系統主程序利用API函數進行調用。關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，多媒體文件的調用則通過OLE(對象的嵌入和鏈接)方法在DLL內部的交互式窗口中實現。至此，我們通過利用動態鏈接的方法和多媒體技術，為電廠中典型故障設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揮Windows高級編程的優勢，避免可視化文件占用內存過大的缺點，提高專家系統的整體運行速度，滿足診斷實時性的要求，確保可視化知識表示在實際系統中得以實現。可視化故障知識表示的引入既有利于增強整個系統知識的表達能力，又為專家系統提供了更為直觀、形象、方便的解釋方式，同時也為用戶培訓和實習提供了一條良好的途徑。

2.3神經網絡知識表示法

傳統知識表示方式，如框架、規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地表示和推理一直是困擾傳統故障診斷專家系統的一個主要難題。

神經網絡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值性知識的載體和指示故障分類的故障分類器。

BP網絡是一種已成功獲得廣泛應用的

ANN前饋模型，其訓練方法是典型的外監督(outer-supervised)學習?？梢宰C明［4］，即使在模式空間中各樣本分布相交錯的復雜區域內，亦只需三層BP前饋網絡就可構成任意復雜的故障分類判別映射?，F采用三層BP網絡作為可視化典型案例庫的故障分類器，其輸入節點數等于經過信號預處理后的故障特征個數n，隱層節點數視訓練的具體情況決定，輸出節點數等于典型案例庫中的故障個數K。每一個典型故障對應一個K維導出矢量ui

ui＝(0，…，0，1i，0，…，0)i∈K(3)

PNN又稱為概率神經網絡，其訓練方法是典型的自監督(self-supervised)學習，該模型特別適用于分屬各個模式的訓練樣本較少，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為Parzen窗密度核函數［4］。令X為任一隨機輸入向量，為某一故障模式的訓練樣本，如果將X、Xi都歸一化成單位矢量，則PNN的第i個節點的輸出yi可以表示為

(4)

式中Hi為PNN中第i個類別對應的隱節點數；K(。)為Parzen窗密度核函數；α為平滑參數；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個輸出節點，由式(4)可知，網絡的隱層單元數正好等于參加訓練的總樣本數，輸出yi的結果即為隨機輸入矢量的類條件概率。PNN無需訓練，網絡能根據每次輸入樣本的特性，由類別屬性標記進行自監督，不斷調整網絡的連接權值，直至達到精度要求，所以，PNN能夠滿足訓練的實時處理要求。

筆者曾嘗試直接用機組歷史故障記錄中的時序數據對多種神經網絡模型進行訓練，訓練結果均不理想，以某水電廠的某一機組的水輪機振動監測系統為例，非電量監測量(振動、擺度、導葉行程、水壓等)就有19路信號，用多層BP網絡和自組織映射網絡Kohonen模型對上述監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)對表征機組狀態的故障數據進行預處理和故障特征初步提取，然后再將預處理后提取的特征量作為神經網絡的輸入。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練樣本和測試樣本。經過信號預處理后,神經網絡的輸入節點數大量減少，收斂能力明顯增強。由表2可見，訓練后的PNN對訓練樣本和測試樣本都能較好地識別。應該指出，神經網絡的分類和辯識能力取決于網絡的學習水平，而僅僅依靠電廠的歷史故障記錄進行訓練是很難完全覆蓋整個故障集的，應不斷用新的故障樣本對神經網絡進行訓練更新。

3診斷推理策略

本集成專家系統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則中含有一個取值在0～1之間的置信度。顯然，這些規則的前提具有一定的不確定性，特別是各個導數關系有很大的模糊性。因此，當規則前提在程度深淺上發生變化時，本文利用了文［5］提出的基于置信度的模糊推理方法對規則的置信度進行一定地修正。另一方面，為了與模糊規則相銜接，本系統信號分析的結論用一定的置信度表示，而ANN分類器得出的分類結果(0～1之間的數)其實就是各類故障發生的置信度。至此，本專家系統的各個階段的診斷推理過程都能在置信度上有所反映，置信度成為系統推理中確定故障發生可能性的一個根本依據。

從水電機組故障發生的幾率來看，發生常見故障的可能性較大。考慮到，專家系統的診斷應面向更為全面的故障集，因此應將典型案例庫及其BP網絡分類器作為集成知識庫中優先進行推理的部分，僅當不滿足典型案例相似精度要求時，系統才轉入類規則庫及其PNN分類器執行進一步推理，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生的振動異常故障為例說明本專家系統的診斷過程。該廠總裝機容量850MW，其機組發電機型號為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，對其進行了穩定性全面測試，其上機架振動波形如圖2所示。

經過FFT分析上機架振動頻譜特性，發現轉頻分量最大，其它分量則相對較小。經過神經網絡故障分類器對FFT分析結果進行再推理后，得出發生機械方面故障的結論，神經網絡分類結果如圖3所示。由PNN分析結果，專家系統進入機械故障規則庫執行模糊推理。經推理發現，上機架振動幅度隨工況改變，其中隨轉速變化顯著。最終，專家系統得出“轉子(主要是發電機)質量失均，發電機同軸的勵磁機轉子不平衡”的診斷結論，提出“(1)作現場平衡(2)校正勵磁機轉子”的處理意見。東方電機廠的專家經現場會診得出的診斷結論為：“發電機轉子不平衡是導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渦帶引起的不穩定運行負荷區也是造成機組振動的原因之一?？蓪Πl電機轉子進行動平衡實驗和對不穩定運行區進行補氣處理”。

從二者診斷結論來看，本專家系統的診斷結論趨于保守，但二者的診斷結論在“轉子不平衡”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結論

人工神經網絡在大規模數據處理中表現出來的優異的并行性、容錯力和魯棒性已經是一個不可辯駁的事實，就水電機組診斷系統而言，運用神經網絡實時處理監測系統提供的大量的機組狀態數據也就成為必然選擇。基于規則和神經網絡集成的智能系統，保留了神經網絡所具有的較強的自學習、聯想、容錯和形式思維能力等優點，與規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，較好地解決了傳統規則表示的專家系統知識獲取困難、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習，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.集成旋轉機械故障診斷的知識表示與推理［J］.東南大學學報,1995,25(3).

［4］黃德雙.神經網絡模式識別系統理論［M］.北京：電子工業出版社,1996.

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