引言

汽輪發(fā)電機組是火力發(fā)電廠中的重要設備,其能否安全可靠運行對電廠及電力系統(tǒng)都有影響。而在實際運行中由于受到各種不確定性因素的影響,設備的運行工況在不斷發(fā)生改變,導致機組會出現(xiàn)多種多樣的故障,輕則停機影響正常生產,重則會對電廠甚至電網產生嚴重的后果。目前,火電廠汽輪機組都具有比較完善監(jiān)測和保護的手段,可以實時監(jiān)控主輔機的運行狀態(tài)。機組正常運行中的一些參數(shù)如振動、溫度、壓力等數(shù)值的大小可以反映機組各設備當前的運行狀態(tài)。

故障診斷技術發(fā)展的初期主要依靠維護人員憑借感官和簡單儀表進行診斷,診斷結果往往缺乏準確性和可移植性。隨著技術的進步,電站設備自動化水平的提高,故障診斷通過信號處理、可視化監(jiān)控和人工智能技術的廣泛應用,在監(jiān)視參數(shù)發(fā)生異常時即可通過計算機對設備故障進行診斷,進而得出建議和處理措施。

故障診斷技術的發(fā)展可以為機組的日常運行和參數(shù)監(jiān)控提供強有力的技術支撐,在設備出現(xiàn)異常時可以做出及時準確的判斷,對故障信息進行收集整理和完善也可以為設備的管理和后期維護提供科學的依據(jù)。

1基于案例推理系統(tǒng)的原理與機制

基于案例的推理是用歷史案例的信息或知識進行相似案例問題求解的一種推理方法,它可以讓人們通過對歷史案例的研究來獲取知識,以便從數(shù)據(jù)庫中匹配到類似的歷史案例,并相應地對這些歷史案例進行修正和完善,從而就當前的問題得出結論?；诎咐评硐到y(tǒng)還可以將問題分析與學習結合起來,在新的問題解決后積累關于新問題的經驗和知識,用于擴充案例庫?；诎咐评矸从沉巳祟惖乃枷肽Ｊ?按照其思想習慣,從已有的記憶和經驗中學習解決問題的思路和方法。在故障診斷的過程中,有些專家解決問題的方法也以這種思考模式為基礎。首先,由專業(yè)技術人員識別出當前問題包含的故障特征:然后據(jù)此獲得信息在案例庫中進行匹配,匹配到具有相類似故障特征的案例:再將當前的故障問題與過去的故障問題進行比較,看是否具有相類似的故障特征,如果匹配量高,則重復使用故障監(jiān)測,如果匹配量低,則進行調整以找到解決方案:最后記錄整個案例匹配、特征比對的過程和結果,此次經驗也可用來解決以后發(fā)生的類似故障[3]。

基于案例推理的步驟可分為:案例表示、案例檢索、匹配故障特征得出結論、案例修正、核對診斷結果并更新案例庫。流程圖如圖1所示。

案例表示:分析問題案例和歷史案例,提取問題案例和歷史案例的重要特征變量,并根據(jù)一定的表示方法將其表示為案例形式。

案例檢索:從系統(tǒng)案例庫中查詢一個或多個與問題案例相似的歷史案例,根據(jù)一定的算法匹配和計算相似度,得出問題案例和歷史案例對應的特征屬性,選擇出最相似的案例供用戶參考。

匹配故障特征得出結論:將問題案例與類似的歷史案例進行比較,選擇合適的部分作為問題案例的診斷結論,并在類似歷史案例的基礎上給出問題案例的維護建議。

案例修正:當前問題案例與歷史案例有一定的相似性,但考慮到其所處的特定環(huán)境,對問題案例進行相應的修正,以獲得問題的有效解決。

核對診斷結果并更新案例庫:將問題解決過程中獲得的知識存儲在系統(tǒng)案例數(shù)據(jù)庫中,并對最終方案的應用結果進行評估,進一步完善案例數(shù)據(jù)庫,為下一步的檢索提供參考數(shù)據(jù)。

2故障特征提取

2.1模糊粗糙集理論

在經典粗糙集理論中,一個信息系統(tǒng)中的各屬性只能是離散型或符號型的。然而在實際情況中,出現(xiàn)在信息系統(tǒng)中的各屬性經常是分明的或實值的。雖然連續(xù)的屬性值可以通過屬性離散化方法離散,但勢必會丟失一些重要信息,從而對分類結果產生不良影響。近些年來,許多研究者通過用模糊集來代替精確集、在論域上引入模糊相似關系代替等價關系,擴展經典粗糙集理論得到模糊粗糙集。

模糊粗糙集中對知識簡約做出了如下的相關定義:模糊關系RB定義為:

其中,RBeF(U×U),μRB(x,y)e[0,1]。

μRB(x,y)的大小反映了(x,y)隸屬于RB的程度。如果滿足:(1)對稱性:μRB(x,y)=μRB(y,x),Vx,yeU:(2)自反性:μRB(x,y)=1,VxeU:則稱RB是U上的模糊相似關系。

對于VxeU,定義:

式中,入為設定的閾值:REQ \* jc3 \* hps10 \o\al(\s\up 3((x)表示與x的相似度超過入的對象集合。

則基于模糊相似關系的入的REQ \* jc3 \* hps10 \o\al(\s\up 3(下近似被定義為:

X的REQ \* jc3 \* hps10 \o\al(\s\up 3(正域被定義為:

兩個屬性集c與D之間的依賴程度yC(D)定義為:

2.2模糊相似矩陣

信息系統(tǒng)s=<U,cUD,v,f>,U是包含n個案例的對象集合,up和uq是U中的任意兩個對象,.i(up)是條件屬性集c中對象up的條件屬性值,up和uq的相似度被定義為:

RB=sB(up,uq)(p=1~n,g=1~n),可以表示為一個模糊相似矩陣RB,RB被定義為:

設定閾值入e[0,1],如果rpq≥入,則uq與up相似類。如果rpq<入,則up與uq不相似,uq不屬于up的相似類。根據(jù)相似程度,RB被轉化為:

2.3對于條件屬性的重要度計算

以表1中的汽輪機3瓦振動故障相關特征為例,使用模糊粗糙集對特征的重要度進行計算。表1中所包含的數(shù)據(jù),"機組容量"特征是序數(shù)型數(shù)據(jù),"壓力等級"特征是名詞型數(shù)據(jù),其余特征是實值型數(shù)據(jù)。序數(shù)型數(shù)據(jù)和名詞型數(shù)據(jù)都將被轉換為符號型數(shù)據(jù),例如:

機組容量:{600,330,300}→{1,2,3}:

壓力等級:{亞臨界,超臨界}→{1,2}。

為了消除各種量綱之間的差異,對實值型數(shù)據(jù)使用極差標準化公式(9)進行標準化:

式中,v.pi是案例cp的屬性.i的屬性值:v.pi'為標準化后的案例cp的屬性.i的屬性值:max(v.pi)是屬性.i在所有案例中的最大值:min(v.pi)是屬性.i在所有案例中的最小值。

按式(6)、式(7)計算表中所有對象在全部條件屬性.1~.6下的模糊相似矩陣RC,RC被表示為:

對表1中的三種類型數(shù)據(jù)進行轉化,轉化后的特征值如表2所示。

設定閾值入=0.9,按式(8)重新計算模糊相似矩陣,重新計算得到的模糊相似矩陣為:

根據(jù)式(11),把所有對象進行分類:

由式(3)~(5),所以yC(D)=P0sC(D)=1.0。

按式(3)~(5),依次計算每個條件屬性關于D的重要程度,得到:

經過計算,性能特征"低壓軸封供汽溫度""低壓脹差"從C中去除后對分類決策的影響程度a=0,所以這兩個特征可以忽略,"負荷""潤滑油溫""瓦溫""真空"這4個特征保留下來用于識別故障。

3案例檢索與案例歸集

案例檢索是案例推理的核心部分,也是案例推理故障診斷系統(tǒng)的核心。案例檢索的可靠性在很大程度上決定了故障診斷系統(tǒng)的可靠性,其任務是在問題案例做出案例表示后,從歷史案例庫中找出最近的歷史案例。

在進行歷史案例檢索時采用最近鄰檢索策略,這種方法利用相似度理論來計算案例與案例間的關系然后加以評估,在與案例間的關系中找到一個最接近或多個比較接近的案例,把這些相似的案例作為案例檢索的結果。

在故障診斷中案例的歸集是在案例特征匹配中得不到高相似度的歷史案例最優(yōu)方案下,將當前故障解決后按照案例表示的形式把當前的故障案例直接添加到案例庫中。

案例的新增需要按照標準來進行。如果不嚴格控制新案例的添加和學習,則案例庫中同一類別的錯誤將以多個不同案例的形式呈現(xiàn),從而產生冗余的歷史案例,造成案例庫的冗余。這樣在案例調用、特征匹配的過程中,會使匹配次數(shù)增加,匹配時間延長,嚴重影響案例檢索的效率。

4結語

在汽輪機故障診斷系統(tǒng)的研究中,設備的性能和故障特征復雜且多樣,不易獲取。在故障特征提取中本文應用了模糊粗糙集理論,選取汽輪機3瓦振動故障相關特征作為案例,利用粗糙集相對約簡的不唯一性,對故障特征進行提取,建立對不同故障特征可以獨立診斷的故障診斷規(guī)則庫。應用了基于案例推理的方法,將案例以性能特征的方式進行表示,將冗余的設備性能特征去掉后,采用最近鄰檢索策略對保留下來的故障特征在案例庫中進行檢索,將問題解決過程中獲得的知識存儲在系統(tǒng)案例數(shù)據(jù)庫中,并對最終方案的應用結果進行評估,進一步完善案例數(shù)據(jù)庫,為下一步的檢索提供參考數(shù)據(jù)。