Untitled Document

大型汽轮发电机组混合智能诊断方法的研究

　　　　　　　　　　　　　　　　　　　　 倪维斗 蒋东翔
　　
　　文　摘　针对大型汽轮发电机组的状态监测与故障诊断问题，为了克服单一故障诊断方法的局限性，对现有大型设备故障诊断方法作了全面的分析和比较之后，提出并探讨了多种故障诊断技术集成的混合智能诊断方法。该方法根据设备故障诊断过程的不同阶段和具体任务，综合利用了模糊数学、模糊模式识别、模糊人工神经网络、基于规则的诊断专家系统等多种故障诊断原理，并且已经分别在电站热力系统的故障诊断和机组振动故障诊断中实际应用。
　　关键词　大型电站；状态监测；故障诊断；模糊数学；模式识别；人工神经网络；专家系统
　　
　　　Abstract　In order to improve the ability of condition monitoring and fault diagnostic system, a hybrid intelligent diagnostic method for condition monitoring and fault diagnosis of large steam turbine generator sets is proposed. This method integrates different intelligent diagnostic techniques, includes signal analysis, fuzzy logic, fuzzy pattern recognition, fuzzy neural network and knowledge-based systems. It has been used to monitor, analyze and diagnose the condition of thermal system and vibration faults of machinery in power plants.
　　Key words　large power plants; condition monitoring; fault diagnosis; fuzzy logic; pattern recognition; artificial neural network; expert systems
　　
　　近几年来，设备故障诊断技术和方法的研究与应用得到了迅速发展。信息检测技术中各种新型智能传感器的研制；新的信号分析与处理技术和方法的研究；以及人工智能、神经网络和专家系统等技术均在设备故障诊断领域得到了相当广泛的应用。然而，这些方法针对某一特定的对象进行故障诊断时有其各自的优点和不足，实践表明单一一种方法很难完成设备故障诊断的最终目标，必须利用多种方法才能获得用户满意的结果。
　　目前，设备故障诊断方法大体上可分为算法诊断、基于规则的诊断和基于模型的诊断3类。算法诊断通常是指传统的软件程序，它是由逻辑和算法构成，例如FFT频谱分析、模式识别、模糊数学、人工神经网络等。算法诊断适合于快速实时的应用领域，以及需完成数学上更精确的数值计算任务，可以充分发挥计算机快速计算的优点，但是，诊断知识和推理是混合在程序中，知识是隐含的，且不利于诊断知识的扩充和修改。基于规则的诊断主要是利用领域专家的启发式经验知识，通常又称为“浅知识”，它具有知识表达直观、推理机制简单、求解效率高等特点，但同时专家的经验知识又具有不确定性、不精确性和不完全性，以及知识获取困难等缺陷。基于模型的诊断在很大程度上克服了上述不足，它主要是利用诊断对象的结构、功能和行为等方面的知识，通常又称为“深知识”［1～3］。然而要想获得一个精确的模型对于某些诊断对象来说还是有一定的难度。基于模型的诊断又分为定性模型和定量模型两种。
　　本文针对大型汽轮发电机组的故障诊断问题，探讨多种诊断方法集成的混合智能诊断技术。其中集成了模糊数学、模式识别、人工神经网络、基于规则的专家系统的诊断推理等方法。
1　特征参数的提取与模糊预处理
　　设备故障诊断过程包括状态异常判别和故障诊断(或故障分类)两个方面。状态的异常判别是故障诊断的起点和基础，对于从传感器采集到的反映设备运行的状态参数，需要通过一定的分析处理(或称为特征提取)，根据设备的正常工作特性及制定的判断标准(通常设置三种状态：正常、报警和危险)判定其运行状态是属于正常还是异常，如果状态属于异常，则需要进一步诊断(既分类)并找出故障原因。
　　通常判断正常和异常状态是根据现场运行人员的经验或一个特定的标准值。然而，在实际现场应用过程中，这个标准值并不是很严格的。例如轴承振动50μm作为判断机械振动状态异常的标准，但在实际现场应用时，轴承振动在50μm左右还能正常运行。因此，正常和异常之间的界限是模糊的。模糊集合正是处理这些边界不分明或模糊情况的数学工具，这里把模糊集合的概念引入到设备运行状态的异常判别。
　　对于一个模糊子集 表示一特征参数x的取值范围，用“隶属函数”μA(x)及其具体取值“隶属度”μA(xi) (0≤μ≤1)来描述xi对 的隶属度。当μA(xi)＝0或1时，特征参数处在严格的正常和异常状态；当μA(xi)>0.45时，发出预警信号；当μA(xi)>0.5时，发出报警信号；当μA(xi)>0.8时，发出危险警报信号。
　　根据选择的特征参数和异常报警方式的不同，其隶属函数μA(xi)选取相应的形式。特征参数异常报警方式可分为上限、下限和上下限同时报警等，例如对汽轮发电机组，振动过大即为上限报警方式；发电机真空度降低即为下限报警方式；轴向位移即为上下限报警方式；相应的隶属函数μA(xi)的选取见图1。具体隶属函数可选取升半Cauchy函数、降半Cauchy函数和两种的结果［4］。
　　如果把模糊集合概念引入特征向量中，将有模糊特征向量和模糊特征空间的概念。一旦设备发生异常，就可采用模糊模式识别的方法进行故障分类。
2　模糊模式识别与模糊综合评判
2.1　模糊模式识别的故障分类方法
　　故障的模糊识别就是把由测量的特征参数组成的一个模糊特征向量 ＝［μA1(x1)，μA2 (x2)，…，μAn(xn)］(或称待识别模式)，归入到故障模式类 1， 2，…， m-1中一个与它相似的模式中。模糊识别方法主要采用3种方式：① 最大隶属原则；② 最小距离原则；③ 择近原则［4，5］。下面给出最小距离原则的原理。
　　具体的距离有许多不同的定义，其中常用度量两个模糊子集 和 之间的距离有：海明(Hamming)距离；欧几里得(Euclidean)距离；敏可夫斯基(Minkowskey)距离等。
　　Minkowskey距离为：
　　式中q为正数，显然当q=1和q=2时分别为Hamming距离和Euclidean距离。
　　最小的距离分类原则是：设在论域U上有N个模糊子集 1， 2，…， n。若i∈{1,2,…,n}使m( , i)=min1≤j≤n( , j)，则 与 i的距离最小， 应归入模式 i，其中m( , i)代表上面定义的某一种距离。
　　模糊模式识别的故障分类方法的关键是故障模式类模糊向量的确定。
2.2　模糊综合评判的故障分类方法（略）
3　模糊人工神经元网络
　　模糊神经元网络是结合了模糊系统的模糊知识表示和人工神经网络的学习能力组成的一种新的网络结构［6］。一个模糊神经网络可以描述事件的模糊特性，利用模糊算法实现信息的模糊推理，其结构可表示为单层或多层的人工神经元网络，利用学习算法完成网络的训练。这种基于模糊逻辑的定性推理和人工神经网络的定量自适应数值处理的结合用于设备的故障诊断，是一种具有很大潜力的故障诊断方法。
　　本文根据模糊预处理方法的不同，给出两种模糊神经元的基本结构模型见图2。图2(a)是直接把输入参数通过模糊预处理Hi得到的模糊向量作为神经元的输入，则模糊神经元的输出向量为
式中：wi为网络权系数；μA(x)为xi的模糊隶属函数，在用于设备故障诊断时可取图1的形式。
　　(b)中的模糊预处理Gi采用了图3的处理方法，也就是一个参数经Gi预处理后可得到5个分别描述参数x负最大、负中、小、正中、正最大的模糊定量值。在设备故障诊断中，这5个值可代表运行参数的负危险、负报警、正常、正报警、正危险5种状态。模糊神经元的输出向量为
　　具体的模糊神经元网络结构可采用BP网络或自组织网络及其模糊算法［5，6］。
4　基于知识的诊断专家系统
　　基于知识的诊断推理方法包括：基于“浅知识”规则和“深知识”模型的诊断。基于规则的诊断主要是利用领域专家的启发式经验知识，知识是利用IF-THEN规则形式表示。诊断推理采用模式匹配的方法，其推理过程包括由征兆到故障的正向推理和由故障到征兆的反向推理。但由于人类专家的经验知识又具有不确定性、不精确性和不完全性，在实现基于规则诊断推理过程中人们提出了多种不确定性和不精确性推理方法如基于确定性因子CF模型的诊断推理、基于证据理论的诊断推理、基于模糊逻辑的合情推理、基于概率理论的诊断推理等。图4为基于知识的诊断系统KBDS或称为专家诊断系统EDS的基本结构。目前，大多数基于知识的诊断系统采用专家系统工具软件实现。代表性的专家系统工具软件如：CLIPS，ART，G2等，也有部分系统是由C或C++语言实现［5，7］。
　　基于模型的诊断在很大程度上克服上述不足，它主要是利用诊断对象的结构、功能和行为等方面的知识，其知识表示可采用事实与规则、以及数学模型或公式来描述，诊断推理采用模式匹配、逻辑算法和算法程序来实现。基于模型的诊断又分为定性模型和定量模型两种。基于模型的故障诊断方法是当前人工智能在故障诊断应用研究中的热点和难点，也是克服基于规则诊断某些缺点的有效途径。 5　汽轮发电机组混合智能诊断的推理控制策略
　 汽轮发电机组混合智能诊断推理的控制策略，是通过对大型电站设备结构功能的分析、实现现场运行条件的了解、以及现有设备故障诊断方法的对比分析和部分方法的实践应用，提出了大型汽轮发电机组分层次的混合智能诊断方法和分布式的诊断推理控制策略。分层次的混合智能诊断方法体现在诊断过程的不同阶段，采用了相应的诊断方法，如在数据和征兆预处理阶段采用了模糊数学处理方法；在故障分类阶段视诊断对象分别采用了模糊模式识别、模糊综合评判、模糊神经元网络等；在进一步寻找故障原因和进行故障验证阶段采用了基于知识的诊断方法，也就是利用规则知识推理得出故障原因和处理对策，利用模型知识推理验证。分布式的诊断推理控制策略体现在整体系统的具体实现方面采用了分布式的系统结构，从而形成了大型电站设备分布式智能监测与诊断系统(DIMADS)［5，8］。
6　结　论
　　本文对现有设备智能诊断方法作了较全面的分析和对比，针对大型汽轮发电机组故障诊断问题，根据设备故障诊断过程，提出了分层次分布式的混合智能诊断方法，该方法集成了模糊逻辑进行数据预处理；模糊模式识别、模糊综合评判、模糊神经元网络进行故障分类；基于规则的诊断专家系统推理寻找故障原因和进行故障验证。本文介绍的方法已经在“大型火电机组性能与振动远程在线监测与诊断系统”中实际应用［9］，主要用于电站热力设备的诊断和机组振动诊断。