首页专业论文技术应用政策标准解决方案常用资料经验交流教育培训企业技术专家访谈电力期刊
您现在的位置:北极星电力网 > 技术频道 > 专业论文 > 水电机组故障诊断的集成知识表示与推理

水电机组故障诊断的集成知识表示与推理

北极星电力网技术频道    作者:3   2007/12/21 17:27:14   

 关键词:  水电机组 电机 故障诊断

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。实践证实[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,学习。可以证实[4],即使在模式空间中各样本分布相交错的复杂区域内,亦只需三层BP前馈网络就可构成任意复杂的故障分类判别映射。现采用三层BP网络作为可视化典型案例库的故障分类器,其输入节点数等于经过信号预处理后的故障特征个数n,隐层节点数视练习的具体情况决定,输出节点数等于典型案例库中的故障个数K。每一个典型故障对应一个K维导出矢量uiui=(0,…,0,1i,0,…,0)  i∈K             (3)  PNN又称为概率神经网络,其练习方法是典型的自监督(self-supervised)学习,该模型非凡适用于分属各个模式的练习样本较少,样本的分类模式属性已知的情况,因此该模型被我们选为类规则库的模式识别分类器,以尽可能全面地覆盖整个故障集。  用于模式识别的PNN,输出层的输出为模式样本后验概率估计的充要条件是隐层单元函数为Parzen窗密度核函数[4]。令X为任一随机输入向量,为某一故障模式的练习样本,假如将X、Xi都归一化成单位矢量,则PNN的第i个节点的输出yi可以表示为                (4)式中 Hi为PNN中第i个类别对应的隐节点数;K(。)为Parzen窗密度核函数;α为平滑参数;Wi表示第i个需要分类的模式集合;P(X/Wi)为输入矢量的类条件概率。  假如有m个故障模式类别,PNN就有m个输出节点,由式(4)可知,网络的隐层单元数正好等于参加练习的总样本数,输出yi的结果即为随机输入矢量的类条件概率。PNN无需练习,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能够满足练习的实时处理要求。  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练习,练习结果均不理想,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分类器的练习样本,表1和表2列出了振动故障PNN分类器所用的部分练习样本和测试样本。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,练习后的PNN对练习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练习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练习更新。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 AportionofinputarrayoftrainingandtestingpatternsofPNN编号样本类型f/(2~6)f2fpfzf50Hz100Hz2(k+1)f固有频率1练习样本0.000.000.000.000.000.000.000.000.002练习样本1.000.000.000.000.000.000.000.000.003练习样本0.000.000.000.001.000.000.000.000.004练习样本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 AportionofoutputarrayoftrainingandtestingpatternsofPNN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练习样本1.000.000.000.000.990.010.000.002练习样本0.100.100.900.100.100.100.900.103练习样本0.100.500.400.600.100.500.400.604练习样本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,非凡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,系统才转入类规则库及其PNN分类器执行进一步推理,其主要诊断过程如图1所示。图1 振动故障诊断集成专家系统诊断流程Fig.1 Maindiagnosingprocedure4 诊断实例  以某水电厂#1机组在90年代初试运行期间发生的振动异常故障为例说明本专家系统的诊断过程。该厂总装机容量850MW,其机组发电机型号为SF200-56/2800,水轮机型号为HL220-LJ-550。#1机组试运行期间,上机架振动剧烈,为保证机组安全运行,对其进行了稳定性全面测试,其上机架振动波形如图2所示。  经过FFT分析上机架振动频谱特性,发现转频分量最大,其它分量则相对较小。经过神经网络故障分类器对FFT分析结果进行再推理后,得出发生气械方面故障的结论,神经网络分类结果如图3所示。由PNN分析结果,专家系统进入机械故障规则库执行模糊推理。经推理发现,上机架振动幅度随工况改变,其中随转速变化显著。最终,专家系统得出“转子(主要是发电机)质量失均,发电机同轴的励磁机转子不平衡”的诊断结论,提出“(1)作现场平衡(2)校正励磁机转子”的处理意见。东方电机厂的专家经现场会诊得出的诊断结论为:“发电机转子不平衡是导致机组过速时振动的根本原因,此外机组存在两个由尾水旋转涡带引起的不稳定运行负荷区也是造成机组振动的原因之一。可对发电机转子进行动平衡实验和对不稳定运行区进行补气处理”。图2 上机架振动波形Fig.2 Vibratingcurveofupperspider图3 神经网络分类结果Fig.3 ClassifiedResultofPNN  从二者诊断结论来看,本专家系统的诊断结论趋于保守,但二者的诊断结论在“转子不平衡”这一引起故障的根本原因上是一致的,提出的解决方法也基本相同。所以,本文提出的知识表示和推理方法是有效可行的,起到了智能诊断的效果。5 结论  人工神经网络在大规模数据处理中表现出来的优异的并行性、容错力和鲁棒性已经是一个不可辩驳的事实,就水电机组诊断系统而言,运用神经网络实时处理监测系统提供的大量的机组状态数据也就成为必然选择。基于规则和神经网络集成的智能系统,保留了神经网络所具有的较强的自学习、联想、容错和形式思维能力等优点,与规则表示方式具有的模块化、知识表示明确、和较强的逻辑思维能力等特点相融合,较好地解决了传统规则表示的专家系统知识获取困难、容错性差及实时性难以满足等参考文献:[1] VerlynMJ,JohnVC.Buildingacompositesyntaxforexpertsystemshell[J].IEEEEXPERT,1997,25(6):61~65.[2] PatrickC,JohnA,JoanM.Applicationofneuralnetworkstoexpertsystemsandcommandandcontrolsystems[J].IEEEEXPERT,1987,16(4):118~125.[3] 杨建刚,等.集成旋转机械故障诊断的知识表示与推理[J].东南大学学报,1995,25(3).[4] 黄德双.神经网络模式识别系统理论[M].北京:电子工业出版社,1996.[5] KhanNA,etal.Uncertaintymanagementinadistributedknowledgebasedsystem[C].ProcIJCAI''85,1985,318~320.

来源:王晶高峰束洪春
友情链接
北极星工程招聘网北极星电气招聘网北极星火电招聘网北极星风电招聘网北极星水电招聘网北极星环保招聘网北极星光伏招聘网北极星节能招聘网招标信息分类电子资料百年建筑网PLC编程培训

广告直拨:   媒体合作/投稿:陈女士 13693626116

关于北极星 | 广告服务 | 会员服务 | 媒体报道 | 营销方案 | 成功案例 | 招聘服务 | 加入我们 | 网站地图 | 联系我们 | 排行

京ICP证080169号京ICP备09003304号-2京公网安备11010502034458号电子公告服务专项备案

网络文化经营许可证 [2019] 5229-579号广播电视节目制作经营许可证 (京) 字第13229号出版物经营许可证新出发京批字第直200384号人力资源服务许可证1101052014340号

Copyright © 2022 Bjx.com.cn All Rights Reserved. 北京火山动力网络技术有限公司 版权所有