CN105427200A

CN105427200A - 一种基于模糊理论与数据融合的电厂故障诊断方法

Info

Publication number: CN105427200A
Application number: CN201510746357.9A
Authority: CN
Inventors: 茅大钧; 代宪亚; 刘国建; 赵庆; 肖礼; 李丹; 朱传强
Original assignee: Shanghai University of Electric Power
Current assignee: Shanghai University of Electric Power; University of Shanghai for Science and Technology
Priority date: 2015-11-05
Filing date: 2015-11-05
Publication date: 2016-03-23

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

一种基于模糊理论与数据融合的电厂故障诊断方法

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：

P_{h} = \frac{1}{1 + e^{- c (d - h)}};

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d_s、最佳正常值为d_o、最大正常值为d_q；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：

L = d_{s} + \frac{d_{q} - d_{s}}{20};

正常输入中心值：

N = \frac{d_{q} + d_{s}}{2};

正常输入上限值：

H = d_{q} - \frac{d_{q} - d_{s}}{20};

将点(d_s，0.5)、(L，0.45)带入公式一；将点(L，0.5)、(d_o，1)带入公式二；将点(H，0.45)、(d_q，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：

P_{l} = 1 - \frac{1}{1 + e^{- a (d - l)}}

①

正常的隶属函数：

P_{n} = e^{- b {(d - k)}^{2}}

②

偏大的隶属函数：

P_{h} = \frac{1}{1 + e^{- c (d - h)}}

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d_s、最佳正常值为d_o、最大正常值为d_q。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：

L = d_{s} + \frac{d_{q} - d_{s}}{20}

④

正常输入中心值：

N = \frac{d_{q} + d_{s}}{2}

⑤

正常输入上限值：

H = d_{q} - \frac{d_{q} - d_{s}}{20}

⑥

将点(d_s，0.5)、(L，0.45)带入公式①；将点(L，0.5)、(d_o，1)带入公式②；将点(H，0.45)、(d_q，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…y_m)，归一化公式为：

Y_{i} = \frac{y_{i}}{Σ_{i = 1}^{m} y_{i}}

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,…,x_m)，y＝(y₁,y₂,…,y_m)，融合后的数组为z＝(z₁,z₂,…,z_m)。公式如下：

\{\begin{matrix} K = \underset{i &NotEqual; j}{Σ} x_{i} \times y_{j} \\ z_{i} = \frac{x_{i} \times y_{i}}{1 - K} \end{matrix}

经融合之后的结果z数组，z₁,z₂,…,z_m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[T_i1T_i2T_i3]。

如果di小于最小正常值，则T_i1取1，T_i2和T_i3取0；

如果di大于最大正常值，则T_i3取1，T_i1和T_i2取0；

如果di介于最小正常值和最大正常值之间，则T_i2取1，T_i1和T_i3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

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

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：

5)归一化：将上一步得到的各组结果归一化处理；

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:

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：

P_{e} = 1 - \frac{1}{1 + e^{- a (d - e)}};

公式二正常的隶属函数：P_n＝e^-b(d-k)²；

公式三偏大的隶属函数：

P_{h} = \frac{1}{1 + e^{- c (d - h)}};

正常输入下限值：

L = d_{d} + \frac{d_{q} - d_{s}}{20};

正常输入中心值：

N = \frac{d_{q} + d_{s}}{2};

正常输入上限值：

H = d_{q} - \frac{d_{q} - d_{s}}{20};