一種基于模糊理論與數據融合的電廠故障診斷方法
【技術領域】
[0001] 本發明涉及一種故障診斷方法，特別涉及一種基于模糊理論與數據融合的電廠故 障診斷方法。
【背景技術】
[0002] 隨著科學技術的發展，故障診斷技術愈發地趨向于高效率、安全性、可靠性，其復 雜性也越來越高。電廠是一個復雜的、對安全性能要求非常高的系統，更有必要進行準確高 效地故障診斷。快速、準確地做出故障判斷并給出對應的專家性意見，有助于對故障進行快 速地修復，從而使損失降到最小。
[0003] 較為常見的故障診斷方法有基于專家系統的故障診斷方法、基于神經網絡的故障 診斷方法、基于模糊邏輯的故障診斷方法、基于數據融合的故障診斷方法等。每種診斷方法 都有其各自的優點與不足之處。對于電廠來說，考慮到其運行的復雜性，單純的一種方法并 不能做出準確的故障判斷，錯誤的診斷將影響電廠的故障修復，甚至產生更嚴重的后果，帶 來更大的損失。目前，相關文獻也公開了將多種方法同時進行故障診斷，但其方法之間的關 聯不強，只是單純地進行多次故障診斷，缺少創新性，并且增加了診斷時間。
【發明內容】
[0004] 本發明是針對現在電廠故障診斷方法存在的問題，提出了一種基于模糊理論與數 據融合的電廠故障診斷方法，將模糊理論、神經網絡與D-S證據理論合理高效地融合在一 起，形成一種新的故障診斷方法，將得到更加準確的診斷結果。該方法適用于各種具有復雜 性、模糊性、耦合性、隨機性的系統。
[0005] 本發明的技術方案為：一種基于模糊理論與數據融合的電廠故障診斷方法，具體 包括如下步驟：
[0006] 1)數據分類：將故障參數進行分類，將診斷網絡也分解成η個子網絡，將不同類別 的數據作為各個子網絡的輸入，分別進行故障診斷；
[0007] 2)根據數據樣本訓練神經網絡：將電廠原有的歷史故障數據作為神經網絡訓練 的樣本數據，將樣本輸入進行分類、故障征兆參數提取特征值；對于網絡訓練的輸出樣本， 發生的故障類型特征值取1，其他故障類型和正常狀態的特征值為0 ;如果未發生故障，則 正常狀態的特征值取1，其他故障類型為0 ;將每種故障和正常狀態對應的特征值組合成數 組，設共有m-ι種故障，加上1種正常狀態，則數組中共有m的元素，將此數組作為輸出樣 本；之后再進行神經網絡訓練，并保存網絡以備之后故障診斷的調用；
[0008] 3)數據模糊化處理：將待處理的故障數據經過對應的隸屬函數進行模糊化處理， 將模糊化處理過后的數據作為之后神經網絡的輸入；
[0009]4)神經網絡診斷：調用之前訓練好的神經網絡，將經隸屬函數模糊化后的數據對 應作為各個子神經網絡的輸入，共得到η組診斷結果；
[0010] 5)歸一化：將上一步得到的各組結果歸一化處理；
[0011] 6)D-S證據理論融合：將歸一化之后得到的各個診斷結果進行D-S證據理論融合： D-S證據理論融合先在兩組數據之間進行融合，再將結果與第三組數據融合，依次類推，直 到將所有數據融合完畢，得出最后診斷結果。
[0012] 所述步驟2)中故障征兆參數提取特征值的方法為：
[0013] A)如果征兆參數d大于最大正常值，則偏大的隸屬函數取1，正常和偏小的隸屬函 數都取〇 ;
[0014] B)如果征兆參數d小于最小正常值，則偏小的隸屬函數取1，正常和偏大的隸屬函 數都取〇 ;
[0015] C)如果征兆參數d介于最大與最小正常值之間，則正常的隸屬函數為1，偏小和偏 大的隸屬函數都取0。
[0016] 所述步驟3)中對應的隸屬函數公式如下：
[0017] 公式一偏小的隸屬函數：
[0018] 公式二正常的隸屬函數：i
nwl
[0019] 公式三偏大的隸屬函數：
[0020] 其中，d表示征兆參數，a、b、c和l、k、h為隸屬函數的常數參量；當系統正常運行 時，每個測量參數都有一個正常的數據范圍，設參數的最小正常值為ds、最佳正常值為4、 最大正常值為dq;保留二十分之一的劃分裕度，重新劃分參數界限：
[0021] 正常輸入下限值
[0022] 正常輸入中心值
[0023] 正常輸入上限值
[0024] 將點（ds，0. 5)、（L，0. 45)帶入公式一；將點（L，0. 5)、（d。，1)帶入公式二；將點（H， 0.45)、（dq，0.5)帶入公式三，求出常數a、b、c和l、k、h的值。
[0025] 本發明的有益效果在于：本發明基于模糊理論與數據融合的電廠故障診斷方法， 將神經網絡、模糊算法、D-S證據理論合理高效地結合起來，綜合其各自的優點，對于復雜的 電廠運行系統來說，其診斷結果更加準確；各算法之間銜接性強，關聯性高；診斷一次就可 以得到非常準確地診斷結果，診斷更加迅速，不需要分步診斷；適用性強，對于火電、核電等 電廠系統都使用。
【具體實施方式】
[0026] 基于模糊理論與數據融合的電廠故障診斷方法包括以下步驟：
[0027] (1)數據分類：電廠運行過程中，每一種故障都具有很多故障征兆參數，如果將所 有的故障參數用一個神經網絡進行故障診斷，會使診斷網絡輸入節點較多、診斷時間過長。 所以將故障參數進行分類，將診斷網絡也分解成η個子網絡，將不同類別的數據作為各個 子網絡的輸入，分別進行故障診斷，然后將各個子網絡的診斷結果進行數據融合，得到最終 結果。
[0028] (2)根據數據樣本訓練神經網絡：將電廠原有的歷史故障數據作為神經網絡訓練 的樣本數據，將樣本輸入進行分類、故障征兆參數提取特征值。對于網絡訓練的輸出樣本， 發生的故障類型特征值取1，其他故障類型和正常狀態的特征值為0 ;如果未發生故障，則 正常狀態的特征值取1，其他故障類型為0。將每種故障和正常狀態對應的特征值組合成數 組，設共有（m-ι)種故障，加上1種正常狀態，則數組中共有m的元素，將此數組作為輸出樣 本。之后再進行神經網絡訓練，并保存網絡以備之后故障診斷的調用；
[0029] 訓練樣本的故障征兆參數提取特征值的方法為：
[0030] a.如果征兆參數d大于最大正常值，則偏大的隸屬函數取1，正常和偏小的隸屬函 數都取〇 ;
[0031] b.如果征兆參數d小于最小正常值，則偏小的隸屬函數取1，正常和偏大的隸屬函 數都取0 ;
[0032] c.如果征兆參數d介于最大與最小正常值之間，則正常的隸屬函數為1，偏小和偏 大的隸屬函數都取〇.
[0033] (3)數據模糊化處理：將待處理的故障數據經過對應的隸屬函數進行模糊化處 理，將模糊化處理過后的數據作為之后神經網絡的輸入。3個隸屬函數公式如下：
[0034] 偏小的隸屬函數：
[0035] 正常的隸屬函數：：
[0036] 偏大的隸屬函數：
[0037] 其中，d表示征兆參數，a、b、c和l、k、h為隸屬函數的常數參量。當系統正常運行 時，每個測量參數都有一個正常的數據范圍，設參數的最小正常值為ds、最佳正常值為4、 最大正常值為dq。保留二十分之一的劃分裕度，重新劃分參數界限：
[0038] 正常輸入下限值
[0039] 正常輸入中心值：
[0040] 正常輸入上限值：
[0041] 將點（ds，0. 5)、（L，0. 45)帶入公式①；將點（L，0. 5)、（d。，1)帶入公式②；將點（H， 0· 45)、（dq，0· 5)帶入公式③，可求出常數a、b、c和1、k、h的值。
[0042] 由以上方法所得到的隸屬函數，可見越小于最小正常值的征兆參數的偏小隸屬函 數越接近于1，越接近最佳正常值的征兆參數的正常隸屬函數越接近于1，越大于最大正常 值的征兆參數的偏大隸屬函數越接近于1。并且，上述三個隸屬函數可以保證同一時刻每個 征兆參數的3個模糊子集的隸屬函數有且只有一個是大于0. 5的。
[0043] (4)神經網絡診斷：調用之前訓練好的神經網絡，將經隸屬函數模糊化后的數據 對應作為各個子神經網絡的輸入，共得到η組診斷結果（一個神經網絡得出一組診斷結果， 所以共η組診斷結果）。
[0044] (5)歸一化：將上一步得到的各組結果歸一化處理。設某一組診斷結果為y= (yi， y2…ym)，歸一化公式為：
[0045]
[0046] m-ιTBXI·1 早天d和1種正常狀態，所以每一個神經網絡產生的結果是一組 數組，包括m個元素。
[0047] (6)D-S證據理論融合：將歸一化之后得到的各個診斷結果進行D-S證據理論融 合。D-S證據理論融合先在兩組數據之間進行融合，再將結果與第三組數據融合，依次類推， 直到將所有數據融合完畢，得出最后結果。設兩組需要融合的數組為χ= (Χι，χ2，…，xj，y =(yi，y2,…，ym)，融合后的數組為z=(Zuz2,…，zm)。公式如下：
[0048]
[0049] 口即拓禾zmai，Zi,z2,…，zj?表示m-1個故障和1種正常狀態發生的 概率。
[0050] 以某電廠冷卻系統為例，以其冷卻系統的"左環路蒸汽發生器傳熱管破裂"、"右環 路蒸汽發生器傳熱管破裂"、"安全殼內左環路主蒸汽管道破裂"和"左環路主管道冷卻管段 破裂"四種故障作為故障空間，以此為例對本專利進行進一步說明。
[0051] ⑴數據分類：
[0052] 該冷卻系統復雜，相關數據較多，將所有數據進行分為以下6類：
[0053] 輻射參量：d4、dl3、dl