水電機(jī)組故障診斷的集成知識(shí)表示與推理

1、水電機(jī)組故障診斷的集成知識(shí)表示與推理ABSTRAT：Innsideratinfthediversityandthepliatinffaultdiagnsisknledgefrhydreletriset,aneetasynthesizingknledge-representatinusingneuralnetrk,fuzzyrulesandvisualizedtehniqueisprpsed.Andnthebasisftheknledgerepresentatin,anintegratedreasningethdispleted.AVibratinFaultDiagnsingExapleisgi

2、ventdenstratethattheabilitiesfaquiringandrepresentingknledgeandtheinferringeffiienyfhydreletrisetsfaultdiagnsisanbereasnablyiprved.KEYRDS：hydrauliengineering;faultdiagnsis;knledgerepresentatin1引言水電機(jī)組設(shè)備龐大、構(gòu)造復(fù)雜、誘發(fā)故障的原因很多。其常見故障有：機(jī)組軸承故障；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))；水輪機(jī)汽蝕與泥沙磨損；水輪發(fā)電機(jī)故障。確立恰當(dāng)?shù)?/p>

3、知識(shí)表示和推理方式是研制一個(gè)故障診斷專家系統(tǒng)的良好基矗迄今為止，設(shè)備故障診斷知識(shí)的表示多采用產(chǎn)生式規(guī)那么，但對(duì)大型機(jī)組而言，大量診斷知識(shí)難以歸納為規(guī)那么。理論證明1純粹使用產(chǎn)生式規(guī)那么表示法描繪故障診斷的知識(shí)遠(yuǎn)缺乏以反映引起機(jī)組故障原因的全部征兆。近年來，人們提出了一些將規(guī)那么和神經(jīng)網(wǎng)絡(luò)集成表示的方法13，這些方法大多是在規(guī)那么庫的根底上將規(guī)那么轉(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)那么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)庫的開放性和透明度較低、人機(jī)交互才能差等方面的缺乏。為充分

4、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)那么表示、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)理論中，獲得了良好效果。2集成知識(shí)表示方式2.1產(chǎn)生式模糊規(guī)那么表示法那么“定子橢圓度大，規(guī)那么置信度為0.8(一般取值范圍為01)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)那么中出現(xiàn)的導(dǎo)數(shù)那么反映了振動(dòng)與各狀態(tài)量之間的互相關(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yiyiyi1，xixixi1，取算術(shù)

5、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)那么劃分為多個(gè)相對(duì)獨(dú)立的規(guī)那么子集，形成各類規(guī)那么庫，以分類處理較為簡單的單一故障，如可將振動(dòng)故障規(guī)那么劃分為電氣振動(dòng)類規(guī)那么庫、機(jī)械振動(dòng)類規(guī)那么庫和水力振動(dòng)類規(guī)那么庫。此外，將互相耦合較強(qiáng)的規(guī)那么單獨(dú)成庫，以處理較為復(fù)雜的多重故障。再在分類規(guī)那么庫中對(duì)規(guī)那么進(jìn)展分層組織。對(duì)規(guī)那么庫進(jìn)展分類分層組織，能減少推理搜索空間，進(jìn)步推理效率，同時(shí)亦有利于實(shí)現(xiàn)對(duì)規(guī)那么庫的增減和修改，進(jìn)步系統(tǒng)的開放性和透明度。2.2可視化故障知識(shí)表示法人類知識(shí)積累的過程一般是從圖形和圖像開場，并逐漸走向抽象。隨著計(jì)算機(jī)技術(shù)的開展，使得我們可以采用圖表、聲

6、音、圖像作為知識(shí)的載體，即可視化知識(shí)表示。一般來說，一個(gè)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(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)出明顯缺乏，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。本文通過對(duì)典型故障的歷史記錄中有關(guān)聲音和圖像局部的信息進(jìn)展整理、剪輯和壓縮處理，形成大量后綴名為v、Avi、av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)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

7、用API函數(shù)進(jìn)展調(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)用那么通過LE(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。實(shí)際上，多媒體文件通常比擬龐大(以av聲音文件為例，一個(gè)可播放10s的錄音文件約有1B)，LE和DLL方式的引入有利于發(fā)揮inds高級(jí)編程的優(yōu)勢(shì)，防止可視化文件占用內(nèi)存過大的缺點(diǎn)，進(jìn)步專家系統(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)?？梢暬收现R(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)

8、才能，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)那么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(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)展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)展恰當(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(BakPrpagatin)和PNN(PrbabilistiNeuralNe

9、trk)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)視(uter-supervised)學(xué)習(xí)?？梢宰C明4，即使在形式空間中各樣本分布相交織的復(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?，F(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(diǎn)數(shù)等于經(jīng)過信號(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)練的詳細(xì)情況決定，輸出節(jié)點(diǎn)數(shù)等于典型案例庫中的故障個(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uiui(0，0，1i，0，0)iK(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)

10、視(self-supervised)學(xué)習(xí)，該模型特別適用于分屬各個(gè)形式的訓(xùn)練樣本較少，樣本的分類形式屬性的情況，因此該模型被我們選為類規(guī)那么庫的形式識(shí)別分類器，以盡可能全面地覆蓋整個(gè)故障集。用于形式識(shí)別的PNN，輸出層的輸出為形式樣本后驗(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，為某一故障形式的訓(xùn)練樣本，假如將X、Xi都?xì)w一化成單位矢量，那么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)；為平滑參數(shù)；i表示第i個(gè)需要分類的形式集合；P(X/i)為輸入矢量的類條件概率。假如有個(gè)

11、故障形式類別,PNN就有個(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)展自監(jiān)視，不斷調(diào)整網(wǎng)絡(luò)的連接權(quán)值，直至到達(dá)精度要求，所以，PNN可以滿足訓(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)展訓(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)Khnen模型對(duì)上述監(jiān)測(cè)量直接進(jìn)展故障特征提取，均無法滿足收斂性要求。因此在實(shí)際

12、運(yùn)用中，采用信號(hào)處理方法(如濾波、FFT、avelet分析等)對(duì)表征機(jī)組狀態(tài)的故障數(shù)據(jù)進(jìn)展預(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)展了濾波處理，然后對(duì)其進(jìn)展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分類器所用的局部訓(xùn)練樣本和測(cè)試樣本。經(jīng)過信號(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，收斂才能明顯增強(qiáng)。由表2可見，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)才能取決于網(wǎng)絡(luò)的學(xué)習(xí)程度，而僅僅依靠電廠的歷史故障記錄進(jìn)展訓(xùn)練是很難完全覆蓋整個(gè)故障

13、集的，應(yīng)不斷用新的故障樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)展訓(xùn)練更新。表1振動(dòng)故障PNN分類器采用的局部樣本和測(cè)試樣本的輸入量Tab.1AprtinfinputarrayftrainingandtestingpatternsfPNN編號(hào)樣本類型f/(26)f2fpfzf50Hz100Hz2(k1)f固有頻率1訓(xùn)練樣本0.000.000.000.000.000.000.000.000.002訓(xùn)練樣本1.000.000.000.000.000.000.000.000.003訓(xùn)練樣本0.000.000.000.001.000.000.000.000.004訓(xùn)練樣本0.000.000.000.000.000.001.00

14、0.000.005測(cè)試樣本0.750.130.000.080.020.000.030.000.03表2振動(dòng)故障PNN分類器采用的局部樣本和測(cè)試樣本的輸出量Tab.2AprtinfutputarrayftrainingandtestingpatternsfPNN編號(hào)樣本類型訓(xùn)練之前訓(xùn)練之后正常狀態(tài)電磁故障水力故障機(jī)械故障正常狀態(tài)電磁故障水力故障機(jī)械故障1訓(xùn)練樣本1.000.000.000.000.990.010.000.002訓(xùn)練樣本0.100.100.900.100.100.100.900.103訓(xùn)練樣本0.100.500.400.600.100.500.400.604訓(xùn)練樣本0.100.10

15、0.100.900.100.100.110.905測(cè)試樣本0.250.150.650.050.250.150.650.05轉(zhuǎn)貼于論文聯(lián)盟.ll.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)那么中含有一個(gè)取值在01之間的置信度。顯然，這些規(guī)那么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)那么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)那么的置信度進(jìn)展一定地修正。另一方面，為了與模糊規(guī)那么相銜接，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(01之間的數(shù))其實(shí)

16、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)根本根據(jù)。從水電機(jī)組故障發(fā)生的幾率來看，發(fā)生常見故障的可能性較大。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)將典型案例庫及其BP網(wǎng)絡(luò)分類器作為集成知識(shí)庫中優(yōu)先進(jìn)展推理的局部，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)那么庫及其PNN分類器執(zhí)行進(jìn)一步推理，其主要診斷過程如圖1所示。圖1振動(dòng)故障診斷集成專家系統(tǒng)診斷流程Fig.1aindiagnsingpredure4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)異常故障為例說明本專家系統(tǒng)

17、的診斷過程。該廠總裝機(jī)容量850，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)組平安運(yùn)行，對(duì)其進(jìn)展了穩(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，其它分量那么相對(duì)較校經(jīng)過神經(jīng)網(wǎng)絡(luò)故障分類器對(duì)FFT分析結(jié)果進(jìn)展再推理后，得出發(fā)活力械方面故障的結(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)那么庫執(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

18、平衡的診斷結(jié)論，提出“(1)作現(xiàn)場平衡(2)校正勵(lì)磁機(jī)轉(zhuǎn)子的處理意見。東方電機(jī)廠的專家經(jīng)現(xiàn)場會(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?？蓪?duì)發(fā)電機(jī)轉(zhuǎn)子進(jìn)展動(dòng)平衡實(shí)驗(yàn)和對(duì)不穩(wěn)定運(yùn)行區(qū)進(jìn)展補(bǔ)氣處理。圖2上機(jī)架振動(dòng)波形Fig.2Vibratingurvefupperspider圖3神經(jīng)網(wǎng)絡(luò)分類結(jié)果Fig.3lassifiedResultfPNN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，提出的解決方法也根本一樣。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