導(dǎo)語(yǔ)：水電機(jī)組故障診斷分析論文一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，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(jī)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(jiàn)故障有：①機(jī)組軸承故障；②機(jī)組振動(dòng)故障(根據(jù)振動(dòng)誘發(fā)原因，水電機(jī)組振動(dòng)大致可分為機(jī)械振動(dòng)、水力振動(dòng)、電氣振動(dòng))；③水輪機(jī)汽蝕與泥沙磨損；④水輪發(fā)電機(jī)故障。

確立恰當(dāng)?shù)闹R(shí)表示和推理方式是研制一個(gè)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(shí)的表示多采用產(chǎn)生式規(guī)則，但對(duì)大型機(jī)組而言，大量診斷知識(shí)難以歸納為規(guī)則。實(shí)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(shí)遠(yuǎn)不足以反映引起機(jī)組故障原因的全部征兆。近年來(lái)，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(kù)的基礎(chǔ)上將規(guī)則轉(zhuǎn)化為網(wǎng)絡(luò)表示，對(duì)于實(shí)時(shí)性要求較高、診斷規(guī)則較少和推理策略相對(duì)穩(wěn)定的診斷系統(tǒng)具有一定的優(yōu)勢(shì)。然而，對(duì)于包含水、機(jī)、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(shí)庫(kù)的開(kāi)放性和透明度較低、人機(jī)交互能力差等方面的不足。

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

2集成知識(shí)表示方式

2.1產(chǎn)生式模糊規(guī)則表示法

將水電機(jī)組故障診斷領(lǐng)域?qū)＜壹跋嚓P(guān)書(shū)籍中能用自然語(yǔ)言描述的普通診斷知識(shí)歸納為模糊規(guī)則，置信度由領(lǐng)域?qū)＜医o出，典型振動(dòng)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(dòng)幅值；If為勵(lì)磁電流；f為振動(dòng)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(dòng)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(jì)算一時(shí)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(hào)的測(cè)量噪音干擾。

根據(jù)機(jī)組故障特點(diǎn)，將診斷規(guī)則劃分為多個(gè)相對(duì)獨(dú)立的規(guī)則子集，形成各類規(guī)則庫(kù)，以分類處理較為簡(jiǎn)單的單一故障，如可將振動(dòng)故障規(guī)則劃分為電氣振動(dòng)類規(guī)則庫(kù)、機(jī)械振動(dòng)類規(guī)則庫(kù)和水力振動(dòng)類規(guī)則庫(kù)。此外，將相互耦合較強(qiáng)的規(guī)則單獨(dú)成庫(kù)，以處理較為復(fù)雜的多重故障。再在分類規(guī)則庫(kù)中對(duì)規(guī)則進(jìn)行分層組織。對(duì)規(guī)則庫(kù)進(jìn)行分類分層組織，能減少推理搜索空間，提高推理效率，同時(shí)亦有利于實(shí)現(xiàn)對(duì)規(guī)則庫(kù)的增減和修改，提高系統(tǒng)的開(kāi)放性和透明度。

2.2可視化故障知識(shí)表示法

人類知識(shí)積累的過(guò)程一般是從圖形和圖像開(kāi)始，并逐漸走向抽象。隨著計(jì)算機(jī)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(shí)的載體，即可視化知識(shí)表示。一般來(lái)說(shuō)，一個(gè)水電廠的故障記錄大多為某些常見(jiàn)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(shí)表示方法僅適用于利用文字和數(shù)據(jù)方面的知識(shí)信息，而在聲音和圖像等方面知識(shí)信息的處理上卻表現(xiàn)出明顯不足，可視化知識(shí)表示方法的引入為表示和利用這些知識(shí)信息提供了條件。

本文通過(guò)對(duì)典型故障的歷史記錄中有關(guān)聲音和圖像部分的信息進(jìn)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(shí)現(xiàn)可視化故障知識(shí)表示。然后，針對(duì)每一個(gè)典型故障設(shè)計(jì)一個(gè)DLL(動(dòng)態(tài)鏈接庫(kù))文件，每一個(gè)DLL設(shè)置一個(gè)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(jìn)行調(diào)用。關(guān)于某一個(gè)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(guò)OLE(對(duì)象的嵌入和鏈接)方法在DLL內(nèi)部的交互式窗口中實(shí)現(xiàn)。至此，我們通過(guò)利用動(dòng)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(jì)了一個(gè)可視化的典型案例庫(kù)。

實(shí)際上，多媒體文件通常比較龐大(以Wav聲音文件為例，一個(gè)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(jí)編程的優(yōu)勢(shì)，避免可視化文件占用內(nèi)存過(guò)大的缺點(diǎn)，提高專家系統(tǒng)的整體運(yùn)行速度，滿足診斷實(shí)時(shí)性的要求，確保可視化知識(shí)表示在實(shí)際系統(tǒng)中得以實(shí)現(xiàn)。可視化故障知識(shí)表示的引入既有利于增強(qiáng)整個(gè)系統(tǒng)知識(shí)的表達(dá)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(shí)也為用戶培訓(xùn)和實(shí)習(xí)提供了一條良好的途徑。

2.3神經(jīng)網(wǎng)絡(luò)知識(shí)表示法

傳統(tǒng)知識(shí)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(yǔ)言的邏輯量，并不擅長(zhǎng)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(dòng)、溫度、流量、水頭、效率、尾水脈動(dòng)、電流和功率等變量的記錄往往是進(jìn)行下一次診斷的極為有用的知識(shí)信息。因此，如何對(duì)這些知識(shí)信息進(jìn)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(gè)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(gè)有力的工具。本文選擇BP(BackPropagation)和PNN(ProbabilisticNeuralNetwork)前饋模型作為水電機(jī)組數(shù)值性知識(shí)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(cuò)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(kù)的故障分類器，其輸入節(jié)點(diǎn)數(shù)等于經(jīng)過(guò)信號(hào)預(yù)處理后的故障特征個(gè)數(shù)n，隱層節(jié)點(diǎn)數(shù)視訓(xùn)練的具體情況決定，輸出節(jié)點(diǎn)數(shù)等于典型案例庫(kù)中的故障個(gè)數(shù)K。每一個(gè)典型故障對(duì)應(yīng)一個(gè)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(gè)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(kù)的模式識(shí)別分類器，以盡可能全面地覆蓋整個(gè)故障集。

用于模式識(shí)別的PNN，輸出層的輸出為模式樣本后驗(yàn)概率估計(jì)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(jī)輸入向量，為某一故障模式的訓(xùn)練樣本，如果將X、Xi都?xì)w一化成單位矢量，則PNN的第i個(gè)節(jié)點(diǎn)的輸出yi可以表示為

(4)

式中Hi為PNN中第i個(gè)類別對(duì)應(yīng)的隱節(jié)點(diǎn)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(gè)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(gè)故障模式類別,PNN就有m個(gè)輸出節(jié)點(diǎn)，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(jī)輸入矢量的類條件概率。PNN無(wú)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(jìn)行自監(jiān)督，不斷調(diào)整網(wǎng)絡(luò)的連接權(quán)值，直至達(dá)到精度要求，所以，PNN能夠滿足訓(xùn)練的實(shí)時(shí)處理要求。

筆者曾嘗試直接用機(jī)組歷史故障記錄中的時(shí)序數(shù)據(jù)對(duì)多種神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果均不理想，以某水電廠的某一機(jī)組的水輪機(jī)振動(dòng)監(jiān)測(cè)系統(tǒng)為例，非電量監(jiān)測(cè)量(振動(dòng)、擺度、導(dǎo)葉行程、水壓等)就有19路信號(hào)，用多層BP網(wǎng)絡(luò)和自組織映射網(wǎng)絡(luò)Kohonen模型對(duì)上述監(jiān)測(cè)量直接進(jìn)行故障特征提取，均無(wú)法滿足收斂性要求。因此在實(shí)際運(yùn)用中，采用信號(hào)處理方法(如濾波、FFT、Wavelet分析等)對(duì)表征機(jī)組狀態(tài)的故障數(shù)據(jù)進(jìn)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(dòng)故障診斷為例，首先對(duì)振動(dòng)采樣信號(hào)進(jìn)行了濾波處理，然后對(duì)其進(jìn)行FFT分析，最后再將振動(dòng)信號(hào)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(dòng)故障PNN分類器所用的部分訓(xùn)練樣本和測(cè)試樣本。經(jīng)過(guò)信號(hào)預(yù)處理后,神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)大量減少，收斂能力明顯增強(qiáng)。由表2可見(jiàn)，訓(xùn)練后的PNN對(duì)訓(xùn)練樣本和測(cè)試樣本都能較好地識(shí)別。應(yīng)該指出，神經(jīng)網(wǎng)絡(luò)的分類和辯識(shí)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(jìn)行訓(xùn)練是很難完全覆蓋整個(gè)故障集的，應(yīng)不斷用新的故障樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)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(shí)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(gè)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(gè)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(shí)，本文利用了文［5］提出的基于置信度的模糊推理方法對(duì)規(guī)則的置信度進(jìn)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(hào)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(shí)就是各類故障發(fā)生的置信度。至此，本專家系統(tǒng)的各個(gè)階段的診斷推理過(guò)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(gè)根本依據(jù)。

從水電機(jī)組故障發(fā)生的幾率來(lái)看，發(fā)生常見(jiàn)故障的可能性較大。考慮到，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(kù)及其BP網(wǎng)絡(luò)分類器作為集成知識(shí)庫(kù)中優(yōu)先進(jìn)行推理的部分，僅當(dāng)不滿足典型案例相似精度要求時(shí)，系統(tǒng)才轉(zhuǎn)入類規(guī)則庫(kù)及其PNN分類器執(zhí)行進(jìn)一步推理，其主要診斷過(guò)程如圖1所示。

4診斷實(shí)例

以某水電廠#1機(jī)組在90年代初試運(yùn)行期間發(fā)生的振動(dòng)異常故障為例說(shuō)明本專家系統(tǒng)的診斷過(guò)程。該廠總裝機(jī)容量850MW，其機(jī)組發(fā)電機(jī)型號(hào)為SF200-56/2800，水輪機(jī)型號(hào)為HL220-LJ-550。#1機(jī)組試運(yùn)行期間,上機(jī)架振動(dòng)劇烈，為保證機(jī)組安全運(yùn)行，對(duì)其進(jìn)行了穩(wěn)定性全面測(cè)試，其上機(jī)架振動(dòng)波形如圖2所示。

經(jīng)過(guò)FFT分析上機(jī)架振動(dòng)頻譜特性，發(fā)現(xiàn)轉(zhuǎn)頻分量最大，其它分量則相對(duì)較小。經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)故障分類器對(duì)FFT分析結(jié)果進(jìn)行再推理后，得出發(fā)生機(jī)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(jìn)入機(jī)械故障規(guī)則庫(kù)執(zhí)行模糊推理。經(jīng)推理發(fā)現(xiàn)，上機(jī)架振動(dòng)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(jī))質(zhì)量失均，發(fā)電機(jī)同軸的勵(lì)磁機(jī)轉(zhuǎn)子不平衡”的診斷結(jié)論，提出“(1)作現(xiàn)場(chǎng)平衡(2)校正勵(lì)磁機(jī)轉(zhuǎn)子”的處理意見(jiàn)。東方電機(jī)廠的專家經(jīng)現(xiàn)場(chǎng)會(huì)診得出的診斷結(jié)論為：“發(fā)電機(jī)轉(zhuǎn)子不平衡是導(dǎo)致機(jī)組過(guò)速時(shí)振動(dòng)的根本原因，此外機(jī)組存在兩個(gè)由尾水旋轉(zhuǎn)渦帶引起的不穩(wěn)定運(yùn)行負(fù)荷區(qū)也是造成機(jī)組振動(dòng)的原因之一。可對(duì)發(fā)電機(jī)轉(zhuǎn)子進(jìn)行動(dòng)平衡實(shí)驗(yàn)和對(duì)不穩(wěn)定運(yùn)行區(qū)進(jìn)行補(bǔ)氣處理”。

從二者診斷結(jié)論來(lái)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(shí)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(lái)的優(yōu)異的并行性、容錯(cuò)力和魯棒性已經(jīng)是一個(gè)不可辯駁的事實(shí)，就水電機(jī)組診斷系統(tǒng)而言，運(yùn)用神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)處理監(jiān)測(cè)系統(tǒng)提供的大量的機(jī)組狀態(tài)數(shù)據(jù)也就成為必然選擇。基于規(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(qiáng)的自學(xué)習(xí)、聯(lián)想、容錯(cuò)和形式思維能力等優(yōu)點(diǎn)，與規(guī)則表示方式具有的模塊化、知識(shí)表示明確、和較強(qiáng)的邏輯思維能力等特點(diǎn)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(shí)獲取困難、容錯(cuò)性差及實(shí)時(shí)性難以滿足等問(wèn)題。此外，可視化知識(shí)的引入也將豐富知識(shí)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(shí)和知識(shí)學(xué)習(xí)，提供了一條新思路。

參考文獻(xiàn)：

［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(jī)械故障診斷的知識(shí)表示與推理［J］.東南大學(xué)學(xué)報(bào),1995,25(3).

［4］黃德雙.神經(jīng)網(wǎng)絡(luò)模式識(shí)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.