CN105427200A - 一种基于模糊理论与数据融合的电厂故障诊断方法 - Google Patents
一种基于模糊理论与数据融合的电厂故障诊断方法 Download PDFInfo
- Publication number
- CN105427200A CN105427200A CN201510746357.9A CN201510746357A CN105427200A CN 105427200 A CN105427200 A CN 105427200A CN 201510746357 A CN201510746357 A CN 201510746357A CN 105427200 A CN105427200 A CN 105427200A
- Authority
- CN
- China
- Prior art keywords
- normal
- data
- fault
- subordinate function
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 8
- 208000024891 symptom Diseases 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000005855 radiation Effects 0.000 description 6
- 238000001816 cooling Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003381 stabilizer Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于模糊理论与数据融合的电厂故障诊断方法,将神经网络、模糊算法、D-S证据理论合理高效地结合起来,综合其各自的优点,对于复杂的电厂运行系统来说,其诊断结果更加准确;各算法之间衔接性强,关联性高;诊断一次就可以得到非常准确地诊断结果,诊断更加迅速,不需要分步诊断;适用性强,对于火电、核电等电厂系统都使用。
Description
技术领域
本发明涉及一种故障诊断方法,特别涉及一种基于模糊理论与数据融合的电厂故障诊断方法。
背景技术
随着科学技术的发展,故障诊断技术愈发地趋向于高效率、安全性、可靠性,其复杂性也越来越高。电厂是一个复杂的、对安全性能要求非常高的系统,更有必要进行准确高效地故障诊断。快速、准确地做出故障判断并给出对应的专家性意见,有助于对故障进行快速地修复,从而使损失降到最小。
较为常见的故障诊断方法有基于专家系统的故障诊断方法、基于神经网络的故障诊断方法、基于模糊逻辑的故障诊断方法、基于数据融合的故障诊断方法等。每种诊断方法都有其各自的优点与不足之处。对于电厂来说,考虑到其运行的复杂性,单纯的一种方法并不能做出准确的故障判断,错误的诊断将影响电厂的故障修复,甚至产生更严重的后果,带来更大的损失。目前,相关文献也公开了将多种方法同时进行故障诊断,但其方法之间的关联不强,只是单纯地进行多次故障诊断,缺少创新性,并且增加了诊断时间。
发明内容
本发明是针对现在电厂故障诊断方法存在的问题,提出了一种基于模糊理论与数据融合的电厂故障诊断方法,将模糊理论、神经网络与D-S证据理论合理高效地融合在一起,形成一种新的故障诊断方法,将得到更加准确的诊断结果。该方法适用于各种具有复杂性、模糊性、耦合性、随机性的系统。
本发明的技术方案为:一种基于模糊理论与数据融合的电厂故障诊断方法,具体包括如下步骤:
1)数据分类:将故障参数进行分类,将诊断网络也分解成n个子网络,将不同类别的数据作为各个子网络的输入,分别进行故障诊断;
2)根据数据样本训练神经网络:将电厂原有的历史故障数据作为神经网络训练的样本数据,将样本输入进行分类、故障征兆参数提取特征值;对于网络训练的输出样本,发生的故障类型特征值取1,其他故障类型和正常状态的特征值为0;如果未发生故障,则正常状态的特征值取1,其他故障类型为0;将每种故障和正常状态对应的特征值组合成数组,设共有m-1种故障,加上1种正常状态,则数组中共有m的元素,将此数组作为输出样本;之后再进行神经网络训练,并保存网络以备之后故障诊断的调用;
3)数据模糊化处理:将待处理的故障数据经过对应的隶属函数进行模糊化处理,将模糊化处理过后的数据作为之后神经网络的输入;
4)神经网络诊断:调用之前训练好的神经网络,将经隶属函数模糊化后的数据对应作为各个子神经网络的输入,共得到n组诊断结果;
5)归一化:将上一步得到的各组结果归一化处理;
6)D-S证据理论融合:将归一化之后得到的各个诊断结果进行D-S证据理论融合:D-S证据理论融合先在两组数据之间进行融合,再将结果与第三组数据融合,依次类推,直到将所有数据融合完毕,得出最后诊断结果。
所述步骤2)中故障征兆参数提取特征值的方法为:
A)如果征兆参数d大于最大正常值,则偏大的隶属函数取1,正常和偏小的隶属函数都取0;
B)如果征兆参数d小于最小正常值,则偏小的隶属函数取1,正常和偏大的隶属函数都取0;
C)如果征兆参数d介于最大与最小正常值之间,则正常的隶属函数为1,偏小和偏大的隶属函数都取0。
所述步骤3)中对应的隶属函数公式如下:
公式一偏小的隶属函数:
公式二正常的隶属函数:
公式三偏大的隶属函数:
其中,d表示征兆参数,a、b、c和l、k、h为隶属函数的常数参量;当系统正常运行时,每个测量参数都有一个正常的数据范围,设参数的最小正常值为ds、最佳正常值为do、最大正常值为dq;保留二十分之一的划分裕度,重新划分参数界限:
正常输入下限值:
正常输入中心值:
正常输入上限值:
将点(ds,0.5)、(L,0.45)带入公式一;将点(L,0.5)、(do,1)带入公式二;将点(H,0.45)、(dq,0.5)带入公式三,求出常数a、b、c和l、k、h的值。
本发明的有益效果在于:本发明基于模糊理论与数据融合的电厂故障诊断方法,将神经网络、模糊算法、D-S证据理论合理高效地结合起来,综合其各自的优点,对于复杂的电厂运行系统来说,其诊断结果更加准确;各算法之间衔接性强,关联性高;诊断一次就可以得到非常准确地诊断结果,诊断更加迅速,不需要分步诊断;适用性强,对于火电、核电等电厂系统都使用。
具体实施方式
基于模糊理论与数据融合的电厂故障诊断方法包括以下步骤:
(1)数据分类:电厂运行过程中,每一种故障都具有很多故障征兆参数,如果将所有的故障参数用一个神经网络进行故障诊断,会使诊断网络输入节点较多、诊断时间过长。所以将故障参数进行分类,将诊断网络也分解成n个子网络,将不同类别的数据作为各个子网络的输入,分别进行故障诊断,然后将各个子网络的诊断结果进行数据融合,得到最终结果。
(2)根据数据样本训练神经网络:将电厂原有的历史故障数据作为神经网络训练的样本数据,将样本输入进行分类、故障征兆参数提取特征值。对于网络训练的输出样本,发生的故障类型特征值取1,其他故障类型和正常状态的特征值为0;如果未发生故障,则正常状态的特征值取1,其他故障类型为0。将每种故障和正常状态对应的特征值组合成数组,设共有(m-1)种故障,加上1种正常状态,则数组中共有m的元素,将此数组作为输出样本。之后再进行神经网络训练,并保存网络以备之后故障诊断的调用;
训练样本的故障征兆参数提取特征值的方法为:
a.如果征兆参数d大于最大正常值,则偏大的隶属函数取1,正常和偏小的隶属函数都取0;
b.如果征兆参数d小于最小正常值,则偏小的隶属函数取1,正常和偏大的隶属函数都取0;
c.如果征兆参数d介于最大与最小正常值之间,则正常的隶属函数为1,偏小和偏大的隶属函数都取0.
(3)数据模糊化处理:将待处理的故障数据经过对应的隶属函数进行模糊化处理,将模糊化处理过后的数据作为之后神经网络的输入。3个隶属函数公式如下:
偏小的隶属函数: ①
正常的隶属函数: ②
偏大的隶属函数: ③
其中,d表示征兆参数,a、b、c和l、k、h为隶属函数的常数参量。当系统正常运行时,每个测量参数都有一个正常的数据范围,设参数的最小正常值为ds、最佳正常值为do、最大正常值为dq。保留二十分之一的划分裕度,重新划分参数界限:
正常输入下限值: ④
正常输入中心值: ⑤
正常输入上限值: ⑥
将点(ds,0.5)、(L,0.45)带入公式①;将点(L,0.5)、(do,1)带入公式②;将点(H,0.45)、(dq,0.5)带入公式③,可求出常数a、b、c和l、k、h的值。
由以上方法所得到的隶属函数,可见越小于最小正常值的征兆参数的偏小隶属函数越接近于1,越接近最佳正常值的征兆参数的正常隶属函数越接近于1,越大于最大正常值的征兆参数的偏大隶属函数越接近于1。并且,上述三个隶属函数可以保证同一时刻每个征兆参数的3个模糊子集的隶属函数有且只有一个是大于0.5的。
(4)神经网络诊断:调用之前训练好的神经网络,将经隶属函数模糊化后的数据对应作为各个子神经网络的输入,共得到n组诊断结果(一个神经网络得出一组诊断结果,所以共n组诊断结果)。
(5)归一化:将上一步得到的各组结果归一化处理。设某一组诊断结果为y=(y1,y2…ym),归一化公式为:
因为有m-1个故障类型和1种正常状态,所以每一个神经网络产生的结果是一组数组,包括m个元素。
(6)D-S证据理论融合:将归一化之后得到的各个诊断结果进行D-S证据理论融合。D-S证据理论融合先在两组数据之间进行融合,再将结果与第三组数据融合,依次类推,直到将所有数据融合完毕,得出最后结果。设两组需要融合的数组为x=(x1,x2,…,xm),y=(y1,y2,…,ym),融合后的数组为z=(z1,z2,…,zm)。公式如下:
经融合之后的结果z数组,z1,z2,…,zm则表示m-1个故障和1种正常状态发生的概率。
以某电厂冷却系统为例,以其冷却系统的“左环路蒸汽发生器传热管破裂”、“右环路蒸汽发生器传热管破裂”、“安全壳内左环路主蒸汽管道破裂”和“左环路主管道冷却管段破裂”四种故障作为故障空间,以此为例对本专利进行进一步说明。
(1)数据分类:
该冷却系统复杂,相关数据较多,将所有数据进行分为以下6类:
辐射参量:d4、d13、d14;
压力参量:d3、d5、d11、d12;
水位参量:d6、d7、d8、d15;
流量参量:d9、d10、d16;
温度参量:d2、d17;
功率参量:d1;
将功率参量和水位参量作为一个子网络的输入,将辐射参量和流量参量作为一个子网络的输入,将温度参量和压力参量作为一个子网络的输入。使得各个子网络的输入节点数接近。
如表1所示,为该冷却系统故障征兆参数正常范围表。
表1
序号 | 最小正常值 | 最佳正常值 | 最大正常值 |
d1 | 850 | 907 | 950 |
d2 | 37.326 | 39.29 | 41.255 |
d3 | 0.001396 | 0.00147 | 0.001543 |
d4 | 5.615 | 5.91 | 6.206 |
d5 | 14.7 | 15.2 | 16 |
d6 | 2.56 | 5.4 | 6.2 |
d7 | 10.45 | 10.478 | 10.5 |
d8 | 10.45 | 10.478 | 10.5 |
d9 | 235.7 | 243 | 250.3 |
d10 | 235.7 | 243 | 250.3 |
d11 | 5.84 | 5.85 | 5.865 |
d12 | 5.84 | 5.85 | 5.865 |
d13 | 144 | 152 | 160 |
d14 | 144 | 152 | 160 |
d15 | 0 | ||
d16 | 3600 | 3611 | 3620 |
d17 | 287.9 | 295.15 | 301.4 |
d1:堆芯功率(MW);d2:安全壳内温度(℃);d3:安全壳内压力(MPa);d4:安全壳内辐射剂量(mSV);d5:稳压器压力(MPa);d6:稳压器水位(m);d7:左环路蒸汽发生器水位(m);d8:右环路蒸汽发生器水位(m);d9:左环路蒸汽发生器蒸汽产量(kg/s);d10:右环路蒸汽发生器蒸汽产量(kg/s);d11:左环路蒸汽发生器压力(MPa);d12:右环路蒸汽发生器压力(MPa);d13:左环路主蒸汽辐射剂量(mSV);d14:右环路主蒸汽辐射剂量(mSV);d15:地坑水位(m);d16:左环路冷却剂流量(t/h);d17:左环路冷却剂平均温度(℃)。
(2)根据数据样本训练神经网络:将电厂原有的历史故障数据作为神经网络训练的样本数据,将样本输入进行分类、提取特征值。之后再进行神经网络训练,并保存网络以备之后故障诊断的调用。共3个子神经网路,5个故障类型(4种故障状态和1种正常状态)。
将样本数据进行特征提取。将征兆参数di特征提取过后变为[Ti1Ti2Ti3]。
如果di小于最小正常值,则Ti1取1,Ti2和Ti3取0;
如果di大于最大正常值,则Ti3取1,Ti1和Ti2取0;
如果di介于最小正常值和最大正常值之间,则Ti2取1,Ti1和Ti3取0;
神经网络1训练样本如下表2:样本输入包括功率参量和水位参量
表2
神经网络2训练样本如下表3:样本输入包括辐射参量和流量参量,T为样本输入,O为期望输出。
表3
序号 | T41 | T42 | T43 | T131 | T132 | T133 | T141 | T142 | T143 | O1 | O2 | O3 | O4 | O5 |
F1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 |
F2 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 |
F3 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 |
F4 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 |
N | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 |
序号 | T91 | T92 | T93 | T101 | T102 | T103 | T161 | T162 | T163 | O1 | O2 | O3 | O4 | O5 |
F1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 |
F2 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 |
F3 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 |
F4 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
N | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 |
神经网络3训练样本如下表4:样本输入包括温度参量和压力参量,T为样本输入,O为期望输出。
表4
序号 | T21 | T22 | T23 | T171 | T172 | T173 | T31 | T32 | T33 | O1 | O2 | O3 | O4 | O5 |
F1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 |
F2 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 |
F3 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 |
F4 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 |
N | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 |
序号 | T51 | T52 | T53 | T111 | T112 | T113 | T121 | T122 | T123 | O1 | O2 | O3 | O4 | O5 |
F1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 |
F2 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 |
F3 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 |
F4 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 |
N | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 |
(3)数据模糊化处理:将待处理的故障数据经过对应的隶属函数进行模糊化处理,将模糊化处理过后的数据作为之后神经网络的输入。3个隶属函数公式如下:
公式一偏小的隶属函数:①
公式二正常的隶属函数:②
公式三偏大的隶属函数:③
其中,d表示征兆参数值。
以故障2“右环路蒸汽发生器传热管破裂”为例,其征兆参考数据如下:
d1=907;d2=40;d3=0.00147;d4=5.9;d5=15.05;d6=5.318;d7=10.478;d8=10.5356;d9=243;d10=243;d11=5.85;d12=5.85;d13=152;d14=6257;d15=0;d16=3611;a17=295.15;
按照前面介绍的方法,求出每一个征兆参数对应的a、b、c和l、k、h常量。然后将检测到的的征兆参数带入对应的隶属函数,进行模糊化处理。
(4)神经网络诊断:调用之前训练好的神经网络,将模糊化后的数据按照分组依次对应各个子神经网络的输入,共得到3组诊断结果:
网络1的诊断结果为A=[0.02960.73010.19760.03430.3132];
网络2的诊断结果为B=[0.03520.85620.04090.04440.0227];
网络3的诊断结果为C=[0.01500.37270.10220.09860.1452];
(5)归一化:将上一步得到的各组结果归一化处理,得到:
A’=[0.02270.55950.15140.02630.2400]
B’=[0.03520.85670.04090.04450.0227]
C’=[0.02040.50800.13930.13440.1979]
(6)D-S证据理论融合:将归一化之后得到的各个诊断结果进行D-S证据理论融合。
先将A’与B’进行融合,得出:D=[0.00160.97240.01260.00240.0111];
再用D与C’进行融合,得出:P=[0.00010.99140.00350.00060.0044]。
其中P矩阵中的每个元素依次代表5种故障发生的概率。由诊断结果得出P(2)=0.9914,其值最大,即表示故障2:“右环路蒸汽发生器传热管破裂”发生的概率最大。
本发明只进行一次故障诊断。相比其他文献介绍的“多种方法多次单独诊断”方法更加节省时间。本发明提高模糊理论、神经网络与D-S证据理论的衔接性与关联性。相比其他方法,结果更加准确。
Claims (3)
1.一种基于模糊理论与数据融合的电厂故障诊断方法,其特征在于,具体包括如下步骤:
1)数据分类:将故障参数进行分类,将诊断网络也分解成n个子网络,将不同类别的数据作为各个子网络的输入,分别进行故障诊断;
2)根据数据样本训练神经网络:将电厂原有的历史故障数据作为神经网络训练的样本数据,将样本输入进行分类、故障征兆参数提取特征值;对于网络训练的输出样本,发生的故障类型特征值取1,其他故障类型和正常状态的特征值为0;如果未发生故障,则正常状态的特征值取1,其他故障类型为0;将每种故障和正常状态对应的特征值组合成数组,设共有m-1种故障,加上1种正常状态,则数组中共有m的元素,将此数组作为输出样本;之后再进行神经网络训练,并保存网络以备之后故障诊断的调用;
3)数据模糊化处理:将待处理的故障数据经过对应的隶属函数进行模糊化处理,将模糊化处理过后的数据作为之后神经网络的输入;
4)神经网络诊断:调用之前训练好的神经网络,将经隶属函数模糊化后的数据对应作为各个子神经网络的输入,共得到n组诊断结果;
5)归一化:将上一步得到的各组结果归一化处理;
6)D-S证据理论融合:将归一化之后得到的各个诊断结果进行D-S证据理论融合:D-S证据理论融合先在两组数据之间进行融合,再将结果与第三组数据融合,依次类推,直到将所有数据融合完毕,得出最后诊断结果。
2.根据权利要求1所述基于模糊理论与数据融合的电厂故障诊断方法,其特征在于,所述步骤2)中故障征兆参数提取特征值的方法为:
A)如果征兆参数d大于最大正常值,则偏大的隶属函数取1,正常和偏小的隶属函数都取0;
B)如果征兆参数d小于最小正常值,则偏小的隶属函数取1,正常和偏大的隶属函数都取0;
C)如果征兆参数d介于最大与最小正常值之间,则正常的隶属函数为1,偏小和偏大的隶属函数都取0。
3.根据权利要求2所述基于模糊理论与数据融合的电厂故障诊断方法,其特征在于,所述步骤3)中对应的隶属函数公式如下:
公式一偏小的隶属函数:
公式二正常的隶属函数:Pn=e-b(d-k)2;
公式三偏大的隶属函数:
其中,d表示征兆参数,a、b、c和l、k、h为隶属函数的常数参量;当系统正常运行时,每个测量参数都有一个正常的数据范围,设参数的最小正常值为ds、最佳正常值为do、最大正常值为dq;保留二十分之一的划分裕度,重新划分参数界限:
正常输入下限值:
正常输入中心值:
正常输入上限值:
将点(ds,0.5)、(L,0.45)带入公式一;将点(L,0.5)、(do,1)带入公式二;将点(H,0.45)、(dq,0.5)带入公式三,求出常数a、b、c和l、k、h的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510746357.9A CN105427200A (zh) | 2015-11-05 | 2015-11-05 | 一种基于模糊理论与数据融合的电厂故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510746357.9A CN105427200A (zh) | 2015-11-05 | 2015-11-05 | 一种基于模糊理论与数据融合的电厂故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105427200A true CN105427200A (zh) | 2016-03-23 |
Family
ID=55505382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510746357.9A Pending CN105427200A (zh) | 2015-11-05 | 2015-11-05 | 一种基于模糊理论与数据融合的电厂故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105427200A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156790A (zh) * | 2016-06-08 | 2016-11-23 | 北京工业大学 | 一种应用于传感器网络的分布式协作算法和数据融合机制 |
CN107273924A (zh) * | 2017-06-06 | 2017-10-20 | 上海电力学院 | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 |
CN107274112A (zh) * | 2017-07-07 | 2017-10-20 | 许寅卿 | 改良油中溶解气体的诊断算法模型 |
CN108761263A (zh) * | 2018-05-24 | 2018-11-06 | 深圳大图科创技术开发有限公司 | 一种基于证据理论的故障诊断系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361242A (zh) * | 2014-11-20 | 2015-02-18 | 青岛理工大学 | 基于数据驱动和随机直觉模糊策略的轴承故障诊断方法 |
-
2015
- 2015-11-05 CN CN201510746357.9A patent/CN105427200A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361242A (zh) * | 2014-11-20 | 2015-02-18 | 青岛理工大学 | 基于数据驱动和随机直觉模糊策略的轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
孙雅囡: "基于模糊神经网络和D_S证据理论的故障诊断方法研究", 《中国舰船研究》 * |
常继彬: "基于模糊神经网络的中央空调智能故障诊断研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156790A (zh) * | 2016-06-08 | 2016-11-23 | 北京工业大学 | 一种应用于传感器网络的分布式协作算法和数据融合机制 |
CN106156790B (zh) * | 2016-06-08 | 2020-04-14 | 北京工业大学 | 一种应用于传感器网络的分布式协作算法和数据融合机制 |
CN107273924A (zh) * | 2017-06-06 | 2017-10-20 | 上海电力学院 | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 |
CN107273924B (zh) * | 2017-06-06 | 2020-05-15 | 上海电力学院 | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 |
CN107274112A (zh) * | 2017-07-07 | 2017-10-20 | 许寅卿 | 改良油中溶解气体的诊断算法模型 |
CN107274112B (zh) * | 2017-07-07 | 2021-11-26 | 国网上海市电力公司 | 改良油中溶解气体的诊断算法模型 |
CN108761263A (zh) * | 2018-05-24 | 2018-11-06 | 深圳大图科创技术开发有限公司 | 一种基于证据理论的故障诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105427200A (zh) | 一种基于模糊理论与数据融合的电厂故障诊断方法 | |
Garg | An approach for analyzing the reliability of industrial system using fuzzy Kolmogorov’s differential equations | |
CN101227331B (zh) | 一种减少网络入侵检测系统误告警方法 | |
Liu et al. | A fault diagnosis method based on signed directed graph and matrix for nuclear power plants | |
CN104850750B (zh) | 一种核电站反应堆保护系统可靠性分析方法 | |
Cao et al. | PCA-SVM method with sliding window for online fault diagnosis of a small pressurized water reactor | |
CN108020781A (zh) | 一种断路器故障诊断方法 | |
CN103675355A (zh) | 风速仪监测方法和系统 | |
CN111445037B (zh) | 一种基于证据理论的汽轮机故障诊断方法、系统及设备 | |
Abubakar et al. | Performance assessment of industrial system (African Textile Manufacturers, LTD) through copula linguistic approach | |
CN105787815B (zh) | N-2故障的筛选方法和系统 | |
Liu et al. | Diagnosis of break size and location in LOCA and SGTR accidents using support vector machines | |
CN107895194B (zh) | 一种核电厂主冷却剂系统故障诊断方法 | |
Jung et al. | Development of measures to estimate truncation error in fault tree analysis | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
Du Rand et al. | Fault diagnosis of generation IV nuclear HTGR components–Part I: The error enthalpy–entropy graph approach | |
CN107526851A (zh) | 两状态系统的go法中可靠度计算方法 | |
Mwaura et al. | Adaptive Neuro-Fuzzy Inference System (ANFIS) based modelling of incipient steam generator tube rupture diagnosis | |
Han et al. | Fault diagnosis of hydraulic variable pitch for wind turbine based on qualitative and quantitative analysis | |
CN114580549A (zh) | 一种基于cnn-lstm的核电厂故障诊断方法及装置 | |
Du Rand et al. | Fault diagnosis of generation IV nuclear HTGR components–Part II: The area error enthalpy–entropy graph approach | |
Sarkar et al. | Fault tree analysis of Rukhia gas turbine power plant | |
Hossain et al. | Analysis of a pressurised water reactor-based nuclear accident using PCTRAN simulator and fuzzy expert system | |
CN109783957B (zh) | 一种用于高温泵设计的多变量多目标并行优化方法 | |
Gelso et al. | An algorithm based on structural analysis for model-based fault diagnosis. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160323 |