并发故障信息DSmT融合算法应用研究.docVIP

并发故障信息DSmT融合算法应用研究 　　摘要：针对主冷却泵长期工作在高温、高压及高辐射的恶劣工作环境中，其并发故障存在较高概率并难以诊断，提出一种DSmT决策级融合算法，构建了泵主轴转子不平衡、泵主轴转子不对中及主轴损坏的DSmT辨识理论框架，由实测采集数据综合确定DSmT故障特征信度赋值，利用DSmT对多个独立证据源进行决策判断得出主冷却剂泵故障及并发故障的诊断结果.实验结果表明该方法能有效识别主冷却剂泵并发故障特征，具有一定的理论基础及工程应用价值. 　　关键词：DSmT（中文全称）；并发故障；信息融合；故障识别 　　中图分类号：TL99 文献标识码：A 　　核电厂运行事件综合报告统计[1]显示：发生故障率较高的设备主要集中在核反应堆中主冷却系统，主冷却剂泵（下文简称主泵）是核岛中唯一高速旋转的设备，在长期的高温、高转速的工况下其故障及并发故障占有极高的比例.主泵早期故障特征十分微弱，受轴系复杂结构和信号传播介质的影响，其微弱动态故障信号具有较高的隐蔽性和不确定性，极易被人忽略[2].核电站主泵常见故障有主轴损坏、轴裂纹、轴破裂、主泵上的螺栓腐蚀、主泵的密封损坏甚至破裂、汽蚀作用导致主泵的损坏等[3]. 　　故障诊断实质是一个多源信息融合过程，信息融合的多维信息处理方式，使得信息融合在解决主泵故障诊断的不确定性问题时具有独特的优越性.主泵进行信息融合故障诊断时应用多种传感器，把分布在不同位置的多个同类或异类传感器所提供的多源信息进行综合处理，可以有效降低探测的不确定性，形成对核设备系统环境相对一致的感知描述，得到一个准确可靠的分析判断结果，这对提高核电站安全状态的目标识别估计能力，及时排除核动力装置故障非常有效. 　　针对核动力装置故障诊断问题的公开文献数量有限，从信息融合的层次划分角度看，按照输入信息的抽象层次可将信息融合划分为数据层融合、特征层融合和决策层融合.文献[4]研究了数据层上使用小波分析方法从主泵主轴不对中、初始弯曲和开裂纹3个典型故障振动曲线中提取有效故障特征信息.文献[5]研究了特征层上使用小波包方法，在无动不平衡频率的频带内得主泵出裂纹振动的特征频率.本文在此研究基础上尝试在信息融合决策层中采用DSmT融合算法，针对主泵故障识别难以决策问题，构建DSmT故障和并发故障模型，验证并发故障DSmT融合算法的有效性和准确性. 　　1基于DSmT的故障诊断融合方法 　　DSmT[6]（DezertSmarandache theory）是信息融合算法中的新分支，它是DS证据理论（ DS vidence theory，简称DST）的扩展.DSmT能够组合成以信任函数表达不确定、高冲突、不精确的独立信源集合，当信源间的冲突变大或者元素模糊、相对不精确时，DSmT能够解决复杂的静态或动态融合问题.它不但能实现DST的功能，还很好地弥补DST在处理高冲突甚至相互矛盾证据时的缺陷，因此它也被称为似真和冲突推理理论（Plausible and Paradoxical Reasoning Theory）.采用DSmT冲突比例重分配的规则，可以化简各类证据间的矛盾信息，重新分配不符合实际的故障诊断证据. 　　1.1并发故障信息DSmT融合策略 　　当前核动力装置的结构越来越精细，辅助自动化程度越来越高，因而并发故障的发生可能性越来越大，并发故障的类型也越来越多，其中以主泵并发故障的概率值最高.DSmT的不确定表达方式能够充分表征主泵故障信息中的不确定性，应用于主泵的故障诊断有着独特的优势.利用DSm对各证据的广义信息分配m（A）即故障特征进行融合处理，来确定各故障特征间的融合信度分配. 　　DST辨识框架Θ由n个完备且排他的元素θi（i=1，2，…，n）组成，即Θ={θ1，θ2，…，θn}.辨识框架中元素θi（i=1，2，…，n）相互排斥，即θk∩θl= （ k≠l； k，l=1，2，…，n ）.当DST应用于核动力装置故障诊断时，令θi表示核设备的故障模式，由于θi间具有排他性使得并发故障在DST框架下无法表示，因此DST故障诊断方法仅适用于单一故障诊断，并不能实现对核设备并发故障诊断要求. 　　DSmT提出了描述、分析和组合有效信息的新形式，DSmT中的辨识框架Θ是在DST基础上放宽排他性约束而建立起来的，它允许鉴别框中命题间存在矛盾因素.DSmT辨识框架中元素没有要求必须是互斥的硬性条件，即DSmT中Θ元素不必规定θk∩θl= （ k≠l； k，l=1，2，…，n ）.相对于DST幂集2Θ概念，DSmT扩展为超幂集DΘ概念，对辨识框架Θ中元素进行并（∪）和交（∩）运算产生集合.经分析发现并发故障诊断理论框架可直接产生，用元素之间“交”表示并发故障.假如主泵的两种故障模式分别用θ1和θ2表示，那么