智能故障诊断技术的发展及应用_张培先

第3期(总第98期)

2001年6月

山　西　电　力

　EL EC T RIC 　POW ER SHAN X I

N o. 3(Ser. 98) June . 2001

　　　　　　　　　　　　

智能故障诊断技术的发展及应用

张培先, 董　泽, 刘吉臻

1)

2)

2)

(1. 山西省电力公司, 山西太原　030001; 2. 华北电力大学, 河北保定　071003)

摘要:介绍了国内外机械设备智能故障诊断技术的发展状况, 并分别对基于模糊理论、基于实例、基于专家系统、基于神经网络以及神经网络与专家系统相结合等多种智能故障诊断系统进行了分

析和评述。

关键词:故障诊断; 神经网络; 模糊逻辑; 实例推理

中图分类号:TP18　　　文献标识码:A 　　　文章编号:1671-0320(2001) 03-0057-03　　由于机械设备的日趋大型化、复杂化, 设备故障带来的危害愈加严重, 使得设备故障诊断在社会生产中的作用和地位日益突出。自60年代美国开始采用故障诊断技术以来, 这一技术逐渐受到世界各国工程研究人员的普遍重视。近年来, 人们已开发和研究了一些较成熟的诊断技术及方法。目前, 有关故障诊断的基础理论和应用技术研究的机构已遍及美国、日本的许多研究部门。我国的高等院校和科研机构也在设备的诊断技术研究和工程应用中形成了一定的规模, 并且取得了一批卓有成效的成果。

厚的基础, 因此该公司开发的旋转机械故障诊断系统(ADR3) 在国内外电站领域的应用很受用户的欢迎。

在欧洲也有不少公司从事故障诊断技术的研究、产品的开发及应用。如瑞士ABB 公司目前正在大力发展振动观察系统(Vibro -View ) , 并由诊断软件精确诊断机器故障。法国电气研究与发展部近年来发展了以监测与诊断辅助站的PSAD 系统, 用于大型电站机组监测与诊断。英国在60年代末, 由Collaco tt 的机械状态监测中心首先开始诊断技术的研究, 目前已有多家机构从事此项研究。

国内故障诊断技术从80年代中期开始进入了迅速发展的时期。目前, 在理论研究方面, 形成了具有我国特点的故障诊断理论, 出版了一系列相关的论著, 研制出了可与国际接轨的大型设备状态监测与故障诊断系统。

现在全国从事与电站设备故障诊断系统相关的单位就有数十家, 其中有高校、研究所、设备制造厂等。尽管国内起步比较晚, 但已开发出20种以上适合于电站汽轮机组的故障诊断系统和10余种可用来做现场简易故障诊断的便携式现场采集器。上海发电设备成套设计研究所、哈尔滨工业大学等单位都开发出了多种类型的故障诊断装置; 山东电力科学研究院和清华大学等单位在1997年共同开发了类似于美国西屋公司的AID 系统的“大型汽轮发电机组远程在线振动监测分析与诊断网络系统”, 通过网络方式将多个电厂的振动数据传输到山东电力科学研究院远程诊断中心站, 并通过中心站对振动数据进行远距离的监测分析与诊断。

我国的故障诊断技术发展很快, 但与国外相比, 1　国内外的发展与应用

国外故障诊断技术的发展优于我国, 已有30a ～40a 的历史。美国是最早开展故障诊断技术研究的国家。目前, 美国已有多家公司从事电站故障诊断系统的工作, 其中最知名的有:西屋公司(WHEC) , Bently 公司和IRD 公司。西屋公司从1976年开始电站在线计算机诊断工作, 1981年进行电站人工智能专家故障诊断系统的研究, 1984年应用于现场, 后来发展成网络化的汽轮发电机组诊断专家系统(AID) , 并建立了沃伦多故障运行中心(DOC) 。通过DOC 中心, 可以看到分布在全美20多个电厂的数据信息。Bently 公司在故障诊断方面起步较晚, 但该公司在转子动力学方面, 旋转机械故障机理的研究比较透彻, 在振动监测方面具有雄

收稿日期:2001-03-28

作者简介:张培先(1960-) , 男, 河北献县人, 1982年毕业于华北电

力学院热工测量及自动化专业, 高级工程师;

董　泽(1970-) , 男, 河北保定人, 1992年毕业于华北电力学院生产过程自动化专业, 讲师;

刘吉臻(1951-) , 男, 山西岚县人, 1978年毕业于华北电, 教授, 。

　·　58·

　　　　　　　　　　　　　　　　山　西　电　力　　　　　　　　　　　　　　2001年第3期

靠性较差; 诊断理论和机理的研究尚不很透彻; 多参数综合分析诊断应用较少; 故障诊断系统自身的可靠性较低等几个方面。

最多、应用最广的一类智能诊断技术。2. 3. 1　基于规则的诊断专家系统

早期的故障诊断专家系统都是基于规则的系统, 它是通过专家诊断经验的积累而建立的。这些

经验大多数由产生式的规则进行描述, 将征兆与潜在的故障联系起来。通过这些规则来模仿专家在故障诊断过程中的关联推理过程。这是一种基于经验知识而不是基于系统结构或行为过程知识的诊断方法, 因而也被称为基于浅知识的方法。

故障诊断领域中, 对征兆的描述、故障与征兆的关系等往往具有模糊属性, 如:温度“偏高”、振动“厉害”等。因此, 以模糊集表示的模糊语言变量能更准确地表示具有模糊特性的征兆和故障, 符合事物的客观本质, 而且能处理诊断中的不确定信息和不完整信息。所以, 建立故障与征兆的模糊规则, 即模糊产生式规则, 再进行模糊逻辑推理的诊断方法, 也成为基于诊断系统的研究热点之一。随着诊断对象复杂程度的增加, 基于规则的诊断系统的缺陷暴露, 如知识集不完备, 对诊断对象的依赖性强, 对没有考虑到的情况或新的诊断对象, 系统容易陷入困境。因此, 人们开始研究基于模型知识的诊断系统。2. 3. 2　基于模型知识的诊断专家系统

基于模型的故障诊断系统要求诊断对象的每一个环节具有明确的输入输出表达关系, 诊断时首先通过诊断对象的实际输出与期望输出之间的不一致, 生成引起这种不一致的原因集合, 然后根据诊断对象领域中的第一定律知识(具有明确科学依据知识) 及其内部特定的约束关系, 采用一定的算法, 找出可能的故障源。相对于基于经验知识(规则) 而言, 这种模型知识常被称为深知识。

模型知识处理不同于传统的数据建模处理, 建模处理主要用于那些没能够完全用数学精确描述的系统, 而知识处理主要用于那些没有精确数学模型或很难建立数学模型的复杂系统。近20年里, 基于模型知识的方法日益引起重视, 已经取得了重要进展, 如Reg gia 的节约覆盖集方法, Yag er 的模糊解释模型以及Dav is 的基于结构与功能的诊断推理模型等。

与基于经验知识相比, 基于模型知识的方法知识获取方便, 维护简单, 易于保证知识库的一致性和完备性。但是搜索空间大, 推理速度慢。所以, 近年来也发展了一些基于经验知识和模型知识相结合的诊断推理方法。如Davidzai 在浅知识的基础上引入因果“剧本”的方法。

, 2　智能故障诊断技术概述

智能诊断的优越性在于它综合多个专家的最佳经验, 其功能水平可达到或超过专家, 或具有专家的水平, 实现多故障、多过程、突发性故障的快速分析诊断。

2. 1　基于模糊理论的故障诊断

由于某些系统状态的不确定性, 或者获取的信息不完整, 因此出现了基于模糊理论的诊断方法。其中, 一种是基于模糊理论的诊断方法, 将模糊集划分成不同水平的子集, 以此来判断故障可能属于哪个子集。另一种是基于模糊关系及合成算法的诊断方法, 先建立征兆与故障类型之间的因果关系矩阵R , 再建立故障与征兆的模糊关系方程, 即F =S °R , 这里F 为模糊故障矢量; S 为模糊征兆矢量; “°”为模糊合成算子。

这种方法可解决诊断中的不确定性的问题, 但是, 模糊诊断知识获取困难, 尤其是故障与征兆的模糊关系较难确定, 学习能力差, 容易发生漏诊或误诊。另外, 由于模糊语言变量是用模糊数(即隶属度) 表示的, 如何实现语言变量与模糊数之间的转换, 是实现上的1个难点。2. 2　基于实例的故障诊断系统

实例推理(CBR , Case Based Reaso n ) 是人工智能领域中新兴的1种推理技术, 是1种使用过去的经验实例指导解决新问题的方法。1个故障实例可用1个多元组C =E , S , R , 来表示, 其中, E 、S 、R 、P 为4个有限的非空集合, 分别表示故障实例名、故障的征兆集、故障结论集和维修方案集。基于实例诊断的优点是根据过去实例解决新问题, 不需人从实例中提取规则, 降低了知识获取的负担, 解题速度快。在故障诊断方面, 实际的经验实例非常重要, 基于实例方法提供了一个快速有效的诊断途径。

基于实例推理的关键是建立一个有效的实例索引机制与实例组织方式。将CBR 引入故障诊断领域面临的问题是能搜集到诊断实例是有限的, 不可能覆盖所有解空间, 搜索时可能会漏掉最优解; 当出现异常征兆时, 由于找不到最佳匹配, 可能造成误诊或漏诊。另外, 还存在实例之间的一致性维护问题。

2. 3　故障诊断专家系统

　2001年6月　　　　　　　　　　　　　张培先, 等:智能故障诊断技术的发展及应用　　　　　　　　　　　　　　　·59·

在:适于人的思维, 容易理解; 知识可用基本规则表示, 无需输入大量的细节知识; 个别事实发生变化时易于修改; 能解释自己的推理过程。但同时由于目前知识处理技术局限性, 也存在如下缺点:

a ) 知识获取的瓶颈问题。知识的获取多是将领域专家的知识总结为规则加入知识库中, 知识获取效率低。另外, 领域专家的某些经验知识往往只能意会, 不能言传, 很难用一定的规则来描述。

b ) 推理机制的局限性。很多问题难以形式化, 知识库管理困难; 推理过程中, 因搜索空间大, 易产生“匹配冲突”, 进而带来“组合爆炸”、“无穷递归”等问题; 没有联想、记忆、类比等形象思维能力。

c) 自学习、自适应能力差。现行的故障诊断系统通常是以专业领域的经验知识为基础进行问题求解, 不能在实践中总结经验(成功或失败) 或从专业领域本身的发展中学习新的知识。

d) 不能确定性知识的处理困难。

在模糊规则诊断中, 一些简单的模糊逻辑算子往往难以满足推理的要求, 模糊隶属度函数的获得也比较困难。

2. 4　基于神经网络的智能故障诊断

神经网络在故障诊断中的应用始于80年代末期, Venka tasubramanian 等人率先将人工神经网络用于故障诊断中。目前神经网络故障诊断系统的研究已非常活跃。

2. 4. 1　模式识别的故障诊断神经网络

故障诊断实质上是一类模式分类和识别的问题。在传统的模式识别技术中, 模式分类的基本方法是利用判别函数来划分每一个类别。如何选择有效的判别函数形式, 以及在识别过程中如何对判别函数的有关参数进行修正, 对于传统的模式识别技术来说, 并不是一件容易的事。

人工神经网络作为一种自适应的模式识别技术不需要预先给出关于模式的经验知识和判别函数, 它通过自身的学习机制自动形成所要求的决策区域。它能充分利用状态信息, 对来自不同状态的信息逐一训练以获得某种映射关系, 而且网络可连续学习。当环境改变, 这种映射关系可以自适应, 以求对对象的进一步逼近。2. 4. 2　故障预测的神经网络

故障预测的神经网络主要以2种方式来实现:神经网络作函数逼近器, 对机组各工况下的某些参数进行拟合预测; 用动态神经网络对过程或工况参数建立动态模型而进行故障预测。函数逼近器的神络(如BP 网络) , 这种网络只代表了一类可通过代数方程描述的静态映射, 只适用于静态预测。动态神经网络是一个对动态时序建模的过程。人们已经提出了许多有效的网络结构, 其中包括全连接网络以及各种具有局部信息反馈结构的网络模型等, 这些网络本身具有相应的动态结构, 因此其预测是动态预测。动态神经网络已经在实际的非线性动态系统的建模和预测中得到了成功的应用。

神经网络在故障诊断领域中的应用显示了明显的优越性, 但也存在以下一些困难, 主要是:a) 训练样本获取的困难性, 神经网络故障诊断是建立在大量的故障样本训练基础之上, 系统性能受到所选训练样本的数量及其分布情况的限制;

b) 忽视了领域专家的诊断经验知识;

c) 权重形式的知识表达方式难以理解, 对诊断结果缺乏解释能力。

2. 5　神经网络与专家系统结合的诊断系统专家系统与神经网络的结合策略有层式和混合式2大类。在层式结合中, 专家系统与神经网络组成串联式结构, 分别完成所擅长的启发式逻辑推理或数据模式判别功能。在混合式结合系统中, 将专家系统构成神经网络, 把传统专家系统的基于符号的推理变成基于数值运算的推理, 以提高专家系统的执行效率并利用其学习能力解决专家系统的学习问题。考虑到模糊语言变量在表达具有模糊特性的征兆和故障方面的优势, 近年来, 将模糊逻辑、神经网络和专家系统结合在一起的智能诊断系统也成为研究的热点之一。

神经网络故障诊断专家系统是一类新的知识表达体系, 与传统的专家系统的高层逻辑模型不同, 它是一种低层数值模型, 信息处理是通过大量称之为节点的简单处理单元之间的相互作用而进行的。它采用分布式信息保持方式, 为专家知识的获取和表达以及推理提供了全新的方式。

神经网络与专家系统结合的诊断系统是最具有发展前景的, 也是目前人工智能领域的研究热点之一。

3　结束语

虽然智能故障诊断技术的实现尚存在一定的难度, 但它的确能解决许多传统的故障诊断系统无法解决的难题, 因而具有广阔的前景。随着研究的深入、相关仪器设备性能的不断提高以及生产使用单位的重视, 智能故障诊断技术也必将日益成熟。

)

　·　62·

　　　　　　　　　　　　　　　　山　西　电　力　　　　　　　　　　　　　　2001年第3期

以就资源化而言还有许多研究和开发工作要做。

c ) 随着粉煤灰生产工艺技术日趋成熟, 综合利用优惠政策不断出台, 粉煤灰制品具有广阔的市场。目前省公司所属各厂粉煤灰制品虽用灰量稳定, 但都存在掺灰量不大的问题, 因此开展高性能的粉煤灰和大掺量低水化热的粉煤灰混凝土的成套技术研究, 也是今后几年省公司粉煤灰利用的发展方向。

d ) 为适应形势发展需要, 各电厂以改变炉型(循环硫化床锅炉) 、装设脱硫设施以及采用洁净煤燃烧技术减少污染物排放, 因此开展脱硫石膏及其它洁净煤灰的利用技术及其制品的研究开发工作是今后几年省公司粉煤灰利用的发展方向。

Status Analysis and Prospect Study of Fly Ash

Comprehensive Utilization

ZHU yan

(S hanxi Electric Power Exploration and Design Institute , Taiyuan , Shanxi 　030001, China ) 　　Abstract :　Co mpr ehensiv e utili zatio n of energ y resour ces is o ne of the mo st impo rtant eco no mic and tech nical policies

fo r o ur eco no my a nd co nstr uc tion . Due to sudden incr ea se o f fly a sh caused by addition o f coal -fired po w er plants , the

compr ehe nsiv e utiliza tio n of fly ash beco mes mo re a nd mo r e im po rta nt . Fo r pro per utiliza tio n of fly a sh , it is necessa ry to know its pr esent sta tus so as to pro po se a co ntinuous dev elo pme nt po licy.

:　fly ash ; compr ehe nsiv e utiliza tio n ; sta tus ; pro spect 　　Key words

(上接第26页)

用, 二是锅炉燃用好煤不符合国家四部委关于综合利用电厂的有关规定, 小机组热电联产燃用12550k J /h的劣质煤, 利用循环流化床锅炉和热电比大于1. 0等有关要求。另外, 侯马电厂已运行30多年, 各种设备已到退役年限, 若需要长期稳定热电联产, 利用机组改造是不可行的。

d) 根据侯马市2000年规划, 工业热负荷137. 9t /h, 采暖热负荷408t /h。扩建2×50MW 双抽供热机组:配3×220t /h流化床锅炉, 燃用洗中煤和矸石, 抽汽量为220×2=440t /h。

该工程选用2×50MW 供热机组, 配3×220t /h流化床炉, 最大抽汽量为440t /h。工业负荷抽汽100t /h, 参数为P =1. 0M Pa , t =260·℃。采暖负荷抽汽为300t /h, 参数为P =0. 2M Pa , t =

260℃。

该工程按年运行小时数为5500h 计算, 采暖期为110d, 即2640h , 采暖室外计算温度为-8℃, 工业负荷疏水回收率为50%, 供汽时间5500h 。采暖供热参数为110/70℃。采暖最大负荷率利用小时数为1939. 2h 。经计算该工程热电比为139%>100%。根据国家四部委计交能(1998) 20号文热电联产的热电比在单机容号为50M W 以下时, 其平均值大于100%, 因此扩建热电厂是可行的。

4　结束语

侯马电厂位于市中心西南, 浍河边上, 向侯马市供热, 供热半径最远5km, 是集中供热的理想热源点, 是节省能源、减少污染、利国利民的好项目。

Analysis of Thermal Load in the Cogeneration Expansion Project

of Houma Power Plant

　　Abstract :　Reg ardily the hermo nic o f city elect ric po w er lo ad it analyses the causes and its ha rm and pro po ses meara res

to so lue the pr oblem. 　　Key words :　har mo ric; cause; measur e

PANG C hun -mei

(Shanxi Province Metallurgical Design Institute , Taiyuan , Shanxi 　030001, C hina )

(上接第59页)

参考文献:

[1]　吴今培. 智能故障诊断技术的发展和展望[J]. 振动、测试

与诊断, 1992, 19(2):79-86.

[2]　Becraft W. R . , et al. Integrated Neu ral Netw ork /Expert

Sys tem App roach for Fault Diagnosis [J ].Computer &Chemical Engin eering , 1993, 17(10):1001-1014.

Development and Application of Intelligent Fault Diagnosis System

ZHANG Pei -xian 1) , DONG Ze 2) , LIU Jiz -hen 2)

(1. S hanxi Electric Power C ompany , Taiyan , Shanxi 　030001, C hina ; 2. North China Electric Power University , Baoding , Hebei 　071003, C hina )

　　Abstract :　It intro duces the dev elo pm ent and the a pplica tio n of fault diag no sis sy stems, a nalyses a nd co mments o n so me

kinds o f intellig ent fault diagno sis sy stems, including fuzzy th eo r y based 、ca se based 、ex per t system based 、neural ne two rk based and hy brid neural netwo r k-ex per t system based fa ult diag no sis systems. 　　Key words :　fault diag no sis; ex per t system; neural ne two rk; fuzzy