汽轮机故障诊断技术_第三章.pptVIP

* * * * * * 第四节 基于特征提取的故障分类模型 根据设备的故障特征集合V={v1,v2,…,vn},来建立故障特征集合V={v1,v2,…,vn}与故障集合U={u1,u2,…,un}之间的映射关系,称为故障建模，这种映射关系称之为故障分类模型。然后根据设备的实际故障特征集合V’={v’1,v’2,…,v’n}和已经建立起来的故障分类模型，来确认设备当前出现了何种故障的过程称为故障诊断。 故障智能诊断领域常见的故障分类模型有：基于特征的神经网络故障分类模型、模糊故障分类模型、基于特征的支持向量机的故障分类模型、基于混合智能系统的故障分类模型、混合式故障分类模型等。 第四节 基于特征提取的故障分类模型 一、基于特征的神经网络故障分类模型 下图是一个典型的BP神经网络的结构图。 故障分类模型可采用三层BP网络。设网络的输入层节点数为n，输出层节点数为m，则可以通过下式来确定隐层的节点数h，即 式中： 为1～10之间的常数 第四节 基于特征提取的故障分类模型 二、模糊故障分类模型 基于模糊推理的故障分类模型是一个典型的多输入多输出的模糊系统。对于多输入多输出的模糊系统，其研究的基本问题是如何描述输出（故障类型） 变量受n维输入（故障特征）变量 影响的变化规律。 其模糊规则可以用如下形式来表示： IF is and … is and … is , THEN is and … is and … is 其中， 和 是在 R内定义的模糊集 模糊规则集 模糊推理机 模糊化器 解模糊器 输出 第四节 基于特征提取的故障分类模型 举例： * * * * * * * * * * * * * * * * * * * * * * * * * * * * 汽轮机组故障特征的提取 第三章 故障特征（又称故障征兆）的提取是故障诊断领域的关键技术之一。故障特征提取是否准确、是否完备，直接影响故障诊断结论的准确性。在线故障诊断专家系统都应有自动提取故障特征的功能。本章主要论述汽轮机组故障特征的自动提取技术。 第一节故障特征的不确定性描述 机组故障征兆获取的最大困难在于征兆的不确定性，特别是需要把大多数征兆转化为人们习惯的语义表达方式。不确定性征兆一般不具有某一确定数值，需要用模糊语义的形式来表示。如一倍频振动增大（CF＝0.85），CF表示一倍频振动增大征兆的置信度。 置信度是一个模糊问题，需要领域专家给出，然而由于领域专家对当时设备的内部运行状态还不清楚，往往难于给出其置信度，此时诊断系统可以根据诊断对象的内部运行状态自动获取初始征兆的置信度。这种模拟领域专家表达初始征兆的置信度的方法需要选取某一函数来计算初始征兆的相对大小，该函数应满足如下要求： 第一节故障特征的不确定性描述 （1）由于检测信号混有噪声、检测装置与手段的误差及外界环境等干扰因素，此函数对于较弱的证据应采取不敏感态度，并能对其进行弱化； （2）当检测信号的幅值波动较大，且足以淹没噪声时，应采取敏感态度，并随波动的增大而增大敏感度，以达到强化的目的。 初始征兆获取置信度的方法如下： 设某检测信号x，其正常值为 ，上、下极限值分别为 和 ，则检测信号x的置信度可按下面的方法计算。 第一节故障特征的不确定性描述 对单限证据，且为上限时有 ? ? ? 对单限证据，且为下限时有 ? ? ? 第一节故障特征的不确定性描述 对双限证据有 ? ? ? 由此可知，当检测信号幅值大于上限时，该检测信号变大，置信度为1；当检测信号幅值小于下限时，该检测信号变小，置信度为1；当检测信号幅值介于上、下限之间时，该检测信号变大或变小，置信度为CF（x）。例如：一倍频振动限值为80 ，当检测到一倍频振动值为75 时，一倍频振动增大，置信度CF＝0.694。 第二节 从振动信号的频谱中提取故障特征 机械振动是汽轮机组状态最常见的外部表现形式。振动信号中包含了丰富的机组状态信息。当机组的状态发生变化时，