船舶核动力装置模糊故障诊断实验报告.doc

一、实验任务 已知船舶核动力装置中蒸汽发生器常见的故障有：蒸汽出口阀卡死(G1)；汽轮给水泵进汽调节阀故障(G2)；汽轮给水泵叶轮、口环等损坏(G3)；汽轮给水泵轴承烧毁(G4)；给水加热器泄漏(G5)；主给水调节阀自控失调(G6)；U型蒸汽发生器传热管破损(G7)。标准故障发生时个特征参数如表1所示： 表1 标准故障发生时各特征参数值 Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 Z11 Z12 Z13 G1 0.75 0.5 0.5 0.75 0.5 0.5 0.75 0.5 0.5 0.5 0.5 0.5 0.5 G2 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.25 0.25 0.5 0.5 0.5 G3 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.25 0.25 0.5 0.5 0.5 G4 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0 0.25 0 0.5 0.5 0.5 G5 0.5 0.5 0.5 0.5 0.5 0.25 0.5 0.5 0.5 0.25 0.5 0.5 0.5 G6 0.5 0.5 0.5 0.5 0.25 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 G7 0.5 0.25 0.5 0.75 0.5 0.5 0.5 0.5 0.5 0.5 0.25 0.75 0.75 *注：Z1, Z2,…,Z13表示各传感器反馈的参数特征值。0.5 为正常运行值, 1.0为上限关机值, 0.0为下限关机值, 0.75与0.25则是上下报警值对应的状态。 本次实验需要通过编制模糊聚类算法，根据故障发生时，各传感器反馈的特征参数值，判断故障发生的具体部位，亦或按故障发生的可能性大小排列故障类型，从而方便快速诊断故障原因及类型。 二、实验原理 由于模糊聚类、灰色系统理论与粗糙集理论的理论基础不同，它们在处理不确定型复杂系统时有很强的互补性，所以在本实验中，它们被结合起来，应用于设备故障诊断中。如图1所示，在故障诊断过程中，首先利用模糊c均值聚类对样本的参数进行离散化处理，求得各类别的聚类中心，接着基于粗糙集理论对设备特征参数进行约简，去除冗余参数，定量确定各特征参数的重要程度，然后根据约简的特征参数和各参数的重要程度，利用灰色关联分析的方法确定各种标准故障状态与目前设备状态的关联度，从而找到设备的故障所在之处。 故障诊断图 三、实验1、根据学习样本集，对条件属性值进行无量纲化处理，通过模糊c均值聚类对条件属性值离散化处理，从而形成决策表。 模糊c均值聚类算法最初由Bezkek提出。考虑一个样本集X={x1,x2,…,xn}，其中xi={xi1, xi2,…, xik}为k维向量，将样本集X依据亲疏关系分成c个模糊子类，最后得到的分类结果是c个聚类中心pi（i=1,2,…,c）和一个隶属度矩阵U。 P=(p1, p2,…, pc) U=[]i=1,2,..,c;j=1,2,…,n 为样本xj属于分类i的隶属度，满足以下规则。 (1-1) (1-2) FCM算法的目标函数为： (1-3) 其中m[1，] 模糊c均值聚类算法是一个通过公式(1-4)和(1-5)不断迭代使目标函数最小的过程。 = (1-4) pi= 0ic (1-5) 在公式(1-4)中，dij=，通过不断迭代，最终得到c个聚类和每个聚类的聚类中心pi。 学习样本条件属性值离散化处理具体过程的描述如下： ①设定聚类数c、指数权重m以及停止阀值，初始化隶属度矩阵U(0)，令变量l=0; ②通过U(l)和公式(1-5)计算模糊聚类中心pi(l) ③通过pi(l)和公式(1-4)计算新的隶属度矩阵U(l+1); ④计算=||U(l+1)- U(l)||=，如〉，则令l=l+1，则转至第②步，否则停止迭代，根据最后的隶属度矩阵，将样本分成c类。 2、利用粗糙集理论的约简能力，进行约简，形成最小条件属性集。 在学习样本集中，样本各属性的值被离散化后，可以很容易地构成一个决策系统，在决策系统中，有些条件属性可以从其它条件属性推导出来，相互之间存在着依赖关系，对于分类来说，这些条件属性是冗余的。我们需要对条件属性进行约简，形成最小条件属性集。 定义1 决策系统S