水电机组故障诊断的集成知识表示与推理.docx

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 complication of fault diagnosis knowledge for hydroelectric set, a new metasynthesizing knowledge-representation using neural network, fuzzy rules and visualized technique is proposed. And on the basis of the knowledge representation, an integrated reasoning method is completed. A Vibration Fault Diagnosing Example is given to demonstrate that the abilities of acquiring and representing knowledge and the inferring efficiency of hydroelectric set‘s fault diagnosis can be reasonably improved.
KEY WORDS：hydraulic engineering; fault diagnosis; knowledge representation1　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，针对每一个典型故障设计一个DLL(动态链接库)文件，每一个DLL设置一个入口指针以便于外部的故障诊断专家系统主程序利用API函数进行调用。关于某一个典型故障的各种多媒体文件可看作为隶属该典型故障DLL文件的资源文件，多媒体文件的调用则通过OLE(对象的嵌入和链接)方法在DLL内部的交互式窗口中实现。至此，我们通过利用动态链接的方法和多媒体技术，为电厂中典型故障设计了一个可视化的典型案例库。
　　实际上，多媒体文件通常比较庞大(以Wav声音文件为例，一个可播放10s的录音文件约有1MB)，OLE和DLL方式的引入有利于发挥Windows高级编程的优势，避免可视化文件占用内存过大的缺点，提高专家系统的整体运行速度，满足诊断实时性的要求，确保可视化知识表示在实际系统中得以实现。可视化故障知识表示的引入既有利于增强整个系统知识的表达能力，又为专家系统提供了更为直观、形象、方便的解释方式，同时也为用户培训和实习提供了一条良好的途径。　神经网络知识表示法　　传统知识表示方式，如框架、规则和剧本等表示方式都只能处理类似人类自然语言的逻辑量，并不擅长表示大量的、多路的、数值性的变量，而水电厂中许多诸如振动、温度、流量、水头、效率、尾水脉动、电流和功率等变量的记录往往是进行下一次诊断的极为有用的知识信息。因此，如何对这些知识信息进行恰当地表示和推理一直是困扰传统故障诊断专家系统的一个主要难题。
　　神经网络的引入为解决以上难题提供了一个有力的工具。本文选择BP(Back Propagation)和PNN(Probabilistic Neural Network)前馈模型作为水电机组数值性知识的载体和指示故障分类的故障分类器。
　　BP网络是一种已成功获得广泛应用的
ANN前馈模型，其训练方法是典型的外监督 (outer-supervised) 学习。可以证明［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，隐层节点数视训练的具体情况决定，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，其训练方法是典型的自监督(self-supervised)学习，该模型特别适用于分属各个模式的训练样本较少，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，为某一故障模式的训练样本，如果将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。
　　如果有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
　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训练样本训练样本训练样本训练样本测试样本
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
　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训练样本训练样本训练样本训练样本测试样本
　　3　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
　Main diagnosing procedure4　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，得出发生机械方面故障的结论，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，其中随转速变化显着。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
　Vibrating curve of upper spider
图3　神经网络分类结果
　Classified Result of PNN 　　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问题。此外，可视化知识的引入也将丰富知识表示的概念，为人们多方面地理解如何更深层、更方便地获取知识和知识学习，提供了一条新思路。参考文献：［1］　Verlyn M J，John V　a composite syntax for expert system shell［J］.IEEE EXPERT, 1997, 25(6):61～65.
［2］　Patrick C, John A,Joan　of neural networks to expert systems and command and control systems［J］. IEEE EXPERT, 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］　Khan N A,et　management in a distributed knowledge based system［C］. Proc IJCAI‘85, 1985,318～320.