水电机组故障诊断的集成知识表示与推理.docVIP

　　水电机组故障诊断的集成知识表示与推理 ABSTRACT：In consideration of the diversity and the plication of fault diagnosis knoetasynthesizing knoethod is pleted. A Vibration Fault Diagnosing Example is given to demonstrate that the abilities of acquiring and representing knoproved. KEY 个输出节点，由式(4)可知，网络的隐层单元数正好等于参加训练的总样本数，输出yi的结果即为随机输入矢量的类条件概率。PNN无需训练，网络能根据每次输入样本的特性，由类别属性标记进行自监督，不断调整网络的连接权值，直至达到精度要求，所以，PNN能够满足训练的实时处理要求。 　　笔者曾尝试直接用机组历史故障记录中的时序数据对多种神经网络模型进行训练，训练结果均不理想，以某水电厂的某一机组的水轮机振动监测系统为例，非电量监测量(振动、摆度、导叶行程、水压等)就有19路信号，用多层BP网络和自组织映射网络Kohonen模型对上述监测量直接进行故障特征提取，均无法满足收敛性要求。因此在实际运用中，采用信号处理方法(如滤波、FFT、Wavelet 分析 等)对表征机组状态的故障数据进行预处理和故障特征初步提取，然后再将预处理后提取的特征量作为神经网络的输入。以振动故障诊断为例，首先对振动采样信号进行了滤波处理，然后对其进行FFT分析，最后再将振动信号的频谱作为PNN分类器的训练样本，表1和表2列出了振动故障PNN分类器所用的部分训练样本和测试样本。经过信号预处理后,神经网络的输入节点数大量减少，收敛能力明显增强。由表2可见，训练后的PNN对训练样本和测试样本都能较好地识别。应该指出，神经网络的分类和辩识能力取决于网络的学习水平，而仅仅依靠电厂的历史故障记录进行训练是很难完全覆盖整个故障集的，应不断用新的故障样本对神经网络进行训练更新。 表1　振动故障PNN分类器采用的部分样本和测试样本的输入量 Tab.1　A portion of input array of training and testing patterns of PNN 编号样本类型f/(2～6)f2fpfzf50 Hz100 Hz2(k＋1)f固有频率1训练样本0.000.000.000.000.000.000.000.000.002训练样本1.000.000.000.000.000.000.000.000.003训练样本0.000.000.000.001.000.000.000.000.004训练样本0.000.000.000.000.000.001.000.000.005测试样本0.750.130.000.080.020.000.030.000.03表2　振动故障PNN分类器采用的部分样本和测试样本的输出量 Tab.2　A portion of output array of training and testing patterns of PNN 编号样本类型训 练 之 前训 练 之 后正常状态电磁故障水力故障机械故障正常状态电磁故障水力故障机械故障1训练样本1.000.000.000.000.990.010.000.002训练样本0.100.100.900.100.100.100.900.103训练样本0.100.500.400.600.100.500.400.604训练样本0.100.100.100.900.100.100.110.905测试样本0.250.150.650.050.250.150.650.053　诊断推理策略 　　本集成专家系统的推理实际上是基于置信度的模糊推理。如前所述，在一定前提下每一条模糊诊断规则中含有一个取值在0～1之间的置信度。显然，这些规则的前提具有一定的不确定性，特别是各个导数关系有很大的模糊性。因此，当规则前提在程度深浅上发生变化时，本文利用了文［5］提出的基于置信度的模糊推理 方法 对规则的置信度进行一定地修正。另一方面，为了与模糊规则相衔接，本系统信号 分析 的结论用一定的置信度表示，而ANN分类器得出的分类结果(0～1之间的数)其实就是各类故障发生的置信度。至此，本专家系统的各个阶段的诊断推理过程都能在置信度上有所反映，置信度成为系统推理中确定故障发生可能性的一个根本依据。 　　从水电机组故障发生的几率来看，发生常见故障的可能性较大。考虑到，专家系统的诊断应面向更为全面的故障集，因此应将典型案例库及其BP 网络 分类器作为集成知识库中优先进行推理的部分，仅当不满足典型案例相似精度要求时，系统才转