水电机组故障诊断的集成知识表示与推理.docxVIP

水电机组故障诊断的集成知识表示与推理

ABSTRACT：Inconsiderationofthediversityandthecomplicationoffaultdiagnosisknowledgeforhydroelectricset,anewmetasynthesizingknowledge-representationusingneuralnetwork,fuzzyrulesandvisualizedtechniqueisproposed.Andonthebasisoftheknowledgerepresentation,anintegratedreasoningmethodiscompleted.AVibrationFaultDiagnosingExampleisgiventodemonstratethattheabilitiesofacquiringandrepresentingknowledgeandtheinferringefficiencyofhydroelectricset‘sfaultdiagnosiscanbereasonablyimproved.

KEYWORDS：hydraulicengineering;faultdiagnosis;knowledgerepresentation1引言水电机组设备庞大、结构复杂、诱发故障的原因很多。其常见故障有：①机组轴承故障；②机组振动故障(根据振动诱发原因，水电机组振动大致可分为机械振动、水力振动、电气振动)；③水轮机汽蚀与泥沙磨损；④水轮发电机故障。

确立恰当的知识表示和推理方式是研制一个故障诊断专家系统的良好基础。迄今为止，设备故障诊断知识的表示多采用产生式规则，但对大型机组而言，大量诊断知识难以归纳为规则。实践证明［1］

纯粹使用产生式规则表示法描述故障诊断的知识远不足以反映引起机组故障原因的全部征兆。近年来，人们提出了一些将规则和神经网络集成表示的方法［1～3］，这些方法大多是在规则库的基础上将规则转化为网络表示，对于实时性要求较高、诊断规则较少和推理策略相对稳定的诊断系统具有一定的优势。然而，对于包含水、机、电等多方面因素的高度复杂的水电系统，上述集成方法也暴露出复杂故障诊断困难、知识库的开放性和透明度较低、人机交互能力差等方面的不足。

为充分满足水电机组故障诊断知识的多样性和复杂性对知识表示的要求，本文提出适用于水电系统故障诊断的知识表示方法。利用产生式模糊规则表示、可视化故障知识表示及神经网络表示等多种方法综合集成的知识表示方法，应用于某水电厂水电机组故障诊断专家系统实践中，取得了良好效果。2集成知识表示方式产生式模糊规则表示法将水电机组故障诊断领域专家及相关书籍中能用自然语言描述的普通诊断知识归纳为模糊规则，置信度由领域专家给出，典型振动故障规则如

若0且f＝fn(1)则“定子椭圆度大”，规则置信度为(一般取值范围为0～1)

式中Az为振动幅值；If为励磁电流；f为振动频率；fn为转速频率。

规则中出现的导数则反映了振动与各状态量之间的相互关系。

为了获得导数关系，可用式(2)近似计算一时间序列的离散采样数据(2)式中Δyi＝yi－yi－1，Δxi＝xi－xi－1，取算术平均值可有效地减小采样信号的测量噪音干扰。

根据机组故障特点，将诊断规则划分为多个相对独立的规则子集，形成各类规则库，以分类处理较为简单的单一故障，如可将振动故障规则划分为电气振动类规则库、机械振动类规则库和水力振动类规则库。此外，将相互耦合较强的规则单独成库，以处理较为复杂的多重故障。再在分类规则库中对规则进行分层组织。对规则库进行分类分层组织，能减少推理搜索空间，提高推理效率，同时亦有利于实现对规则库的增减和修改，提高系统的开放性和透明度。可视化故障知识表示法人类知识积累的过程一般是从图形和图像开始，并逐渐走向抽象。随着计算机技术的发展，使得我们可以采用图表、声音、图像作为知识的载体，即可视化知识表示。一般来说，一个水电厂的故障记录大多为某些常见故障记录，其故障记录以文字、数据、图表、曲线、照片、录像等多种形式组成。传统知识表示方法仅适用于利用文字和数据方面的知识信息，而在声音和图像等方面知识信息的处理上却表现出明显不足，可视化知识表示方法的引入为表示和利用这些知识信息提供了条件。

本文通过对典型故障的历史记录中有关声音和图像部分的信息进行整理、剪辑和压缩处理，形成大量后缀名为Mov、Avi、Wav等多媒体文件，以实现可视化故障知识表示。然后，针