水電機組故障診斷的集成知識表示與推理

1、水電機組故障診斷的集成知識表示與推理         07-03-08 11:15:00     作者：王晶 高峰 束洪春    編輯：studa20ABSTRACT：In consideration of the diversity and the complication of fault diagnosis knowledge for hydroelectric set, a new metasynthesizing knowle

2、dge-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 know

3、ledge and the inferring efficiency of hydroelectric set's fault diagnosis can be reasonably improved.KEY WORDS：hydraulic engineering; fault diagnosis; knowledge representation1引言水電機組設(shè)備龐大、結(jié)構(gòu)復(fù)雜、誘發(fā)故障的原因很多。其常見故障有：機組軸承故障；機組振動故障(根據(jù)振動誘發(fā)原因，水電機組振動大致可分為機械振動、水力振動、電氣振動)；水輪機汽蝕與泥沙磨損；水輪發(fā)電機故障。確立恰當?shù)闹R表示和推理方式是研制一

4、個故障診斷專家系統(tǒng)的良好基礎(chǔ)。迄今為止，設(shè)備故障診斷知識的表示多采用產(chǎn)生式規(guī)則，但對大型機組而言，大量診斷知識難以歸納為規(guī)則。實踐證明1純粹使用產(chǎn)生式規(guī)則表示法描述故障診斷的知識遠不足以反映引起機組故障原因的全部征兆。近年來，人們提出了一些將規(guī)則和神經(jīng)網(wǎng)絡(luò)集成表示的方法13，這些方法大多是在規(guī)則庫的基礎(chǔ)上將規(guī)則轉(zhuǎn)化為網(wǎng)絡(luò)表示，對于實時性要求較高、診斷規(guī)則較少和推理策略相對穩(wěn)定的診斷系統(tǒng)具有一定的優(yōu)勢。然而，對于包含水、機、電等多方面因素的高度復(fù)雜的水電系統(tǒng)，上述集成方法也暴露出復(fù)雜故障診斷困難、知識庫的開放性和透明度較低、人機交互能力差等方面的不足。為充分滿足水電機組故障診斷知識的多樣性和復(fù)雜

5、性對知識表示的要求，本文提出適用于水電系統(tǒng)故障診斷的知識表示方法。利用產(chǎn)生式模糊規(guī)則表示、可視化故障知識表示及神經(jīng)網(wǎng)絡(luò)表示等多種方法綜合集成的知識表示方法，應(yīng)用于某水電廠水電機組故障診斷專家系統(tǒng)實踐中，取得了良好效果。2集成知識表示方式2.1產(chǎn)生式模糊規(guī)則表示法將水電機組故障診斷領(lǐng)域?qū)＜壹跋嚓P(guān)書籍中能用自然語言描述的普通診斷知識歸納為模糊規(guī)則，置信度由領(lǐng)域?qū)＜医o出，典型振動故障規(guī)則如若0且ffn(1)則“定子橢圓度大”，規(guī)則置信度為0.8(一般取值范圍為01)式中Az為振動幅值；If為勵磁電流；f為振動頻率；fn為轉(zhuǎn)速頻率。規(guī)則中出現(xiàn)的導(dǎo)數(shù)則反映了振動與各狀態(tài)量之間的相互關(guān)系。為了獲得導(dǎo)數(shù)關(guān)系

6、，可用式(2)近似計算一時間序列的離散采樣數(shù)據(jù)(2)式中yiyiyi1，xixixi1，取算術(shù)平均值可有效地減小采樣信號的測量噪音干擾。根據(jù)機組故障特點，將診斷規(guī)則劃分為多個相對獨立的規(guī)則子集，形成各類規(guī)則庫，以分類處理較為簡單的單一故障，如可將振動故障規(guī)則劃分為電氣振動類規(guī)則庫、機械振動類規(guī)則庫和水力振動類規(guī)則庫。此外，將相互耦合較強的規(guī)則單獨成庫，以處理較為復(fù)雜的多重故障。再在分類規(guī)則庫中對規(guī)則進行分層組織。對規(guī)則庫進行分類分層組織，能減少推理搜索空間，提高推理效率，同時亦有利于實現(xiàn)對規(guī)則庫的增減和修改，提高系統(tǒng)的開放性和透明度。2.2可視化故障知識表示法人類知識積累的過程一般是從圖形和圖

7、像開始，并逐漸走向抽象。隨著計算機技術(shù)的發(fā)展，使得我們可以采用圖表、聲音、圖像作為知識的載體，即可視化知識表示。一般來說，一個水電廠的故障記錄大多為某些常見故障記錄，其故障記錄以文字、數(shù)據(jù)、圖表、曲線、照片、錄像等多種形式組成。傳統(tǒng)知識表示方法僅適用于利用文字和數(shù)據(jù)方面的知識信息，而在聲音和圖像等方面知識信息的處理上卻表現(xiàn)出明顯不足，可視化知識表示方法的引入為表示和利用這些知識信息提供了條件。本文通過對典型故障的歷史記錄中有關(guān)聲音和圖像部分的信息進行整理、剪輯和壓縮處理，形成大量后綴名為Mov、Avi、Wav等多媒體文件，以實現(xiàn)可視化故障知識表示。然后，針對每一個典型故障設(shè)計一個DLL(動態(tài)鏈

8、接庫)文件，每一個DLL設(shè)置一個入口指針以便于外部的故障診斷專家系統(tǒng)主程序利用API函數(shù)進行調(diào)用。關(guān)于某一個典型故障的各種多媒體文件可看作為隸屬該典型故障DLL文件的資源文件，多媒體文件的調(diào)用則通過OLE(對象的嵌入和鏈接)方法在DLL內(nèi)部的交互式窗口中實現(xiàn)。至此，我們通過利用動態(tài)鏈接的方法和多媒體技術(shù)，為電廠中典型故障設(shè)計了一個可視化的典型案例庫。實際上，多媒體文件通常比較龐大(以Wav聲音文件為例，一個可播放10s的錄音文件約有1MB)，OLE和DLL方式的引入有利于發(fā)揮Windows高級編程的優(yōu)勢，避免可視化文件占用內(nèi)存過大的缺點，提高專家系統(tǒng)的整體運行速度，滿足診斷實時性的要求，確?？?/p>

9、視化知識表示在實際系統(tǒng)中得以實現(xiàn)?？梢暬收现R表示的引入既有利于增強整個系統(tǒng)知識的表達能力，又為專家系統(tǒng)提供了更為直觀、形象、方便的解釋方式，同時也為用戶培訓和實習提供了一條良好的途徑。2.3神經(jīng)網(wǎng)絡(luò)知識表示法傳統(tǒng)知識表示方式，如框架、規(guī)則和劇本等表示方式都只能處理類似人類自然語言的邏輯量，并不擅長表示大量的、多路的、數(shù)值性的變量，而水電廠中許多諸如振動、溫度、流量、水頭、效率、尾水脈動、電流和功率等變量的記錄往往是進行下一次診斷的極為有用的知識信息。因此，如何對這些知識信息進行恰當?shù)乇硎竞屯评硪恢笔抢_傳統(tǒng)故障診斷專家系統(tǒng)的一個主要難題。神經(jīng)網(wǎng)絡(luò)的引入為解決以上難題提供了一個有力的工具。本

10、文選擇BP(Back Propagation)和PNN(Probabilistic Neural Network)前饋模型作為水電機組數(shù)值性知識的載體和指示故障分類的故障分類器。BP網(wǎng)絡(luò)是一種已成功獲得廣泛應(yīng)用的ANN前饋模型，其訓練方法是典型的外監(jiān)督 (outer-supervised) 學習?？梢宰C明4，即使在模式空間中各樣本分布相交錯的復(fù)雜區(qū)域內(nèi)，亦只需三層BP前饋網(wǎng)絡(luò)就可構(gòu)成任意復(fù)雜的故障分類判別映射。現(xiàn)采用三層BP網(wǎng)絡(luò)作為可視化典型案例庫的故障分類器，其輸入節(jié)點數(shù)等于經(jīng)過信號預(yù)處理后的故障特征個數(shù)n，隱層節(jié)點數(shù)視訓練的具體情況決定，輸出節(jié)點數(shù)等于典型案例庫中的故障個數(shù)K。每一個典型故

11、障對應(yīng)一個K維導(dǎo)出矢量uiui(0，0，1i，0，0)iK(3)PNN又稱為概率神經(jīng)網(wǎng)絡(luò)，其訓練方法是典型的自監(jiān)督(self-supervised)學習，該模型特別適用于分屬各個模式的訓練樣本較少，樣本的分類模式屬性已知的情況，因此該模型被我們選為類規(guī)則庫的模式識別分類器，以盡可能全面地覆蓋整個故障集。用于模式識別的PNN，輸出層的輸出為模式樣本后驗概率估計的充要條件是隱層單元函數(shù)為Parzen窗密度核函數(shù)4。令X為任一隨機輸入向量，為某一故障模式的訓練樣本，如果將X、Xi都歸一化成單位矢量，則PNN的第i個節(jié)點的輸出yi可以表示為(4)式中Hi為PNN中第i個類別對應(yīng)的隱節(jié)點數(shù)；K(。)為P

12、arzen窗密度核函數(shù)；為平滑參數(shù)；Wi表示第i個需要分類的模式集合；P(X/Wi)為輸入矢量的類條件概率。如果有m個故障模式類別, PNN就有m個輸出節(jié)點，由式(4)可知，網(wǎng)絡(luò)的隱層單元數(shù)正好等于參加訓練的總樣本數(shù)，輸出yi的結(jié)果即為隨機輸入矢量的類條件概率。PNN無需訓練，網(wǎng)絡(luò)能根據(jù)每次輸入樣本的特性，由類別屬性標記進行自監(jiān)督，不斷調(diào)整網(wǎng)絡(luò)的連接權(quán)值，直至達到精度要求，所以，PNN能夠滿足訓練的實時處理要求。筆者曾嘗試直接用機組歷史故障記錄中的時序數(shù)據(jù)對多種神經(jīng)網(wǎng)絡(luò)模型進行訓練，訓練結(jié)果均不理想，以某水電廠的某一機組的水輪機振動監(jiān)測系統(tǒng)為例，非電量監(jiān)測量(振動、擺度、導(dǎo)葉行程、水壓等)就有

13、19路信號，用多層BP網(wǎng)絡(luò)和自組織映射網(wǎng)絡(luò)Kohonen模型對上述監(jiān)測量直接進行故障特征提取，均無法滿足收斂性要求。因此在實際運用中，采用信號處理方法(如濾波、FFT、Wavelet分析等)對表征機組狀態(tài)的故障數(shù)據(jù)進行預(yù)處理和故障特征初步提取，然后再將預(yù)處理后提取的特征量作為神經(jīng)網(wǎng)絡(luò)的輸入。以振動故障診斷為例，首先對振動采樣信號進行了濾波處理，然后對其進行FFT分析，最后再將振動信號的頻譜作為PNN分類器的訓練樣本，表1和表2列出了振動故障PNN分類器所用的部分訓練樣本和測試樣本。經(jīng)過信號預(yù)處理后,神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點數(shù)大量減少，收斂能力明顯增強。由表2可見，訓練后的PNN對訓練樣本和測試樣本都

14、能較好地識別。應(yīng)該指出，神經(jīng)網(wǎng)絡(luò)的分類和辯識能力取決于網(wǎng)絡(luò)的學習水平，而僅僅依靠電廠的歷史故障記錄進行訓練是很難完全覆蓋整個故障集的，應(yīng)不斷用新的故障樣本對神經(jīng)網(wǎng)絡(luò)進行訓練更新。表1振動故障PNN分類器采用的部分樣本和測試樣本的輸入量Tab.1A portion of input array of training and testing patterns of PNN 編號樣本類型f/(26)f2fpfzf50 Hz100 Hz2(k1)f固有頻率1訓練樣本0.000.000.000.000.000.000.000.000.002訓練樣本1.000.000.000.000.000.000.000.000.003訓練樣本0.000.000.000.001.000.000.000.000.004訓練樣本0.000.000.000.000.000.001.000.000.005測試樣本0.750.130.000.080.020.000.030.000.03表2振動故障PNN分類器采用的部分樣本和測試樣本的輸出量Tab.2A portion of output array of training and testing patterns of PNN 編號樣本