CN107290665A - 一种用于火力发电机组水汽化学故障的诊断系统及方法 - Google Patents

Abstract

本发明涉及一种用于火力发电机组水汽化学故障的诊断系统及方法，所述系统包括：人机接口，用于接收外界用户的输入参数；水汽化学故障知识库，用于存储水汽化学故障的诊断依据；综合数据库，用于存储用户的身份信息并验证身份；推理机，分别与综合数据库和水汽化学故障知识库连接，用于接收用户输入的信息并进行推理诊断；解释机，分别与人机接口、综合数据库和知识库连接，用于对水汽化学故障知识库反馈的诊断结果进行统一化整理；所述方法包括：对火力发电机组进行水汽化学故障的模糊诊断得到故障类型；根据故障类型进行可信度推理诊断，得到对应的故障原因和可信度。与现有技术相比，本发明具有系统化、诊断全面以及准确性高等优点。

Description

一种用于火力发电机组水汽化学故障的诊断系统及方法

技术领域

本发明涉及火力发电机组的故障诊断领域，尤其是涉及一种用于火力发电机 组水汽化学故障的诊断系统及方法。

背景技术

在火力发电厂的热力系统中，水和蒸汽作为工作介质完成能量的传递与转换。 水在锅炉中吸收燃料燃烧产生的化学能，成为具有一定热能的蒸汽；蒸汽在汽轮机 中绝热膨胀做功，将热能转化为机械能；汽轮机的高速转动带动发电机运行，进一 步将机械能转化为电能；做过功的低温低压蒸汽在凝汽器中冷凝为水，与补给水一 起重新进入锅炉。水汽在热力系统中的往复循环因此而形成。对于火电厂水汽循环 系统而言，水汽品质是直接关系到整个机组的安全稳定运行的重中之重。无论采用 怎样的水处理技术，水中杂质都是不可能完全被除净的，如果水汽杂质含量在允许 范围内，则不会影响设备的运行，若其超过允许范围，则会造成设备腐蚀或结垢， 引起机组热损失，降低效率，甚至造成事故。火力发电厂热力设备因水汽质量不良 而诱发的各类事故所造成的经济损失巨大，燃料消耗也很惊人。据统计资料表明， 我国工业锅炉因结垢、腐蚀造成的经济损失达3000万元/年，多消耗燃煤1000万 吨/年。某发电厂在6年的时间内，由于锅炉结垢腐蚀直接损失达250万元，少发 电2亿千瓦时，折合产值达1300万元。另据统计资料表明火电厂热力设备因水汽 质量不良而引起的各类事故，占火电厂总事故数量的三分之一以上。

然而，这些事故的发生并不是无法预判和避免的，水汽内的杂质对热力设备的 危害是一个渐变和积累的过程，水汽品质的恶化会在表征各种化学指标的监测值上 体现出异常。实现在线化学仪表监测，并采用诊断技术对水汽质量故障做出正确的 判断和及时的处理，不仅能使许多事故得以避免，热力系统的安全得到更好的保障， 同时还可产生巨大的经济效益。如以一台200MW的机组锅炉为例，采用诊断技术 避免一次运行中爆管事故，至少能避免500万千瓦时的电量损失，即可增加2000 万的产值。如果平均每年每台机组少发生一次24小时的停电，则每年可减少近1.5 亿千瓦时的电量损失，减少直接经济损失约1000万元，同时带来更大的间接效益 ——增加5亿元以上的社会财富。据有关资料介绍，澳大利亚仅用于防止锅炉腐蚀 的费用即超过350万美元/年，而用于诊断技术的费用不超过上述费用的千分之一。 在线仪表在火电厂的广泛应用和诊断技术的发展使得利用系统的水质监测进行故 障诊断具备了可行性，人工智能技术在故障诊断上的应用更是将此技术提升到了一 个新的水平。

水汽系统中的各种水汽状态相互紧密地联接在一起，各种水汽化学指标之间具有延续性、传递性以及同步关联性，故任一环节水质的变化都会引起连锁反应，这 无疑增大了化学诊断的复杂度。对于单独的人类专家而言，面对大量的水汽监测指 标，仅凭一人的经验和知识所作出的判断往往是片面的和缺乏时效性的，不利于针 对具体故障采取迅速而准确的处理措施。应用智能技术，构建一个囊括大量故障信 息及处理措施的水汽化学故障诊断专家系统，能够准确及时地指明故障原因，为运 行人员提供切实的帮助与指导。

我国对火力发电机组水汽化学故障的诊断研究仍不够深入，目前仍是凭借工作人员的经验来进行故障诊断，这种方法十分容易导致因工作人员自身原因而造成的 故障诊断错误，而且也不具有普适性，无法全面、完整的对火力发电机组水汽化学 故障给出令人信服的诊断结果。

发明内容

本发明的目的是针对上述问题提供一种用于火力发电机组水汽化学故障的诊 断系统及方法。

本发明的目的可以通过以下技术方案来实现：

一种用于火力发电机组水汽化学故障的诊断系统，所述系统包括：

人机接口，用于接收外界用户的输入参数并向外界用户进行信息反馈；

水汽化学故障知识库，与人机接口连接，用于存储火力发电机组水汽化学故障 的诊断依据；

综合数据库，与人机接口连接，用于存储用户的身份信息并对人机接口接入的 用户进行身份验证；

推理机，分别与综合数据库和水汽化学故障知识库连接，用于接收通过综合数 据库身份验证的用户输入的信息，结合水汽化学故障知识库对信息进行推理诊断， 并将诊断结果反馈至水汽化学故障知识库；

解释机，分别与人机接口、综合数据库和知识库连接，用于对水汽化学故障知 识库反馈的诊断结果进行统一化整理，并反馈至人机接口。

所述水汽化学故障知识库包括：

模糊诊断知识库，用于存储火力发电机组水汽化学故障的模糊诊断依据；

可信度推理诊断知识库，用于存储火力发电机组水汽化学故障的可信度推理诊断依据。

所述模糊诊断知识库包括模糊参数等级划分标准表、模糊诊断规则表和模糊诊断结论表。

所述可信度推理诊断知识库包括诊断项目表、参数控制标准表、故障症状表、 诊断结论表和每个参数的独自诊断规则表。

所述诊断结果包括故障类型、故障原因和故障原因的可信度。

一种用于如上所述诊断系统的用于火力发电机组水汽化学故障的诊断方法，所述方法包括下列步骤：

1)对火力发电机组进行水汽化学故障的模糊诊断，得到火力发电机组当前存 在的水汽化学故障类型；

2)根据步骤1)中得到的水汽化学故障类型，对火力发电机组进行水汽化学 故障的可信度推理诊断，得到与该水汽化学故障类型对应的故障原因和故障原因的 可信度。

所述步骤1)具体为：

11)根据人机接口输入的信息，确定模糊诊断中模糊变量的具体数值；

12)根据水汽化学故障知识库中存储的每个模糊变量对应的模糊关系矩阵，结 合步骤11)中得到的模糊变量的具体数值，进行模糊诊断推理；

13)根据模糊诊断推理的结果，得到当前的故障类型以及该故障类型的严重程度。

所述步骤2)具体为：

21)根据步骤1)中确定的故障类型，读取人机接口输入的信息中与该故障类 型相关的化学信息参数；

22)将步骤21)中得到的化学信息参数代入至水汽化学故障知识库中存储的 可信度推理诊断规则，进行可信度推理诊断，得到与该水汽化学故障类型对应的故 障原因和故障原因的可信度；

23)将故障原因按照可信度进行排序，将可信度最高的故障原因作为诊断结果 进行反馈。

与现有技术相比，本发明具有以下有益效果：

(1)通过建立用于火力发电机组水汽化学故障的诊断系统，对水汽化学故障 进行系统化的诊断，便于工作人员的操作，同时通过建立水汽化学故障知识库代替 传统的工作人员的经验，诊断方法更为全面和客观，因而使得故障诊断的结果更加 准确。

(2)通过人机接口进行用户和诊断系统的交互，同时利用综合数据库对用户 的身份进行了验证，避免了非工作人员对该诊断系统的错误利用，和火力发电机组 重要信息的泄露。

(3)通过解释机，对诊断的结果进行统一化整理，使得诊断的故障类型和故 障原因实现一一对应，同时将故障原因的可信度按照从大到小依次排序，便于用户 的查看。

(4)水汽化学故障知识库包括模糊诊断知识库和可信度推理诊断知识库，涵 盖内容全面，保证了模糊诊断和可信度推理诊断的顺利实现。

(5)该用于火力发电机组化学故障的诊断方法，通过模糊诊断确定水汽化学 故障类型，再通过可信度推理诊断得到该故障类型的故障原因和该故障原因的可信 度，通过两种诊断方式保证了诊断的准确性。

(6)将故障原因按照可信度大小排序，并将可信度最大的故障原因反馈给用 户，这种方式保证了诊断结果的准确性达到最高。

附图说明

图1为用于火力发电机组水汽化学故障的诊断系统的结构示意图；

图2为用于火力发电机组水汽化学故障的诊断方法的流程图；

其中，1为人机接口，2为水汽化学故障知识库，3为推理机，4为综合数据 库，5为解释机。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范 围不限于下述的实施例。

本发明提出的一种用于火力发电机组水汽化学故障的诊断系统和方法，系统结构如图1所示，包括：人机接口1，用于接收外界用户的输入参数并向外界用户进 行信息反馈；水汽化学故障知识库2，与人机接口1连接，用于存储火力发电机组 水汽化学故障的诊断依据；综合数据库4，与人机接口1连接，用于存储用户的身 份信息并对人机接口1接入的用户进行身份验证；推理机3，分别与综合数据库4 和水汽化学故障知识库2连接，用于接收通过综合数据库4身份验证的用户输入的 信息，结合水汽化学故障知识库2对信息进行推理诊断，并将诊断结果反馈至水汽 化学故障知识库2；解释机5，分别与人机接口1、综合数据库4和知识库连接， 用于对水汽化学故障知识库2反馈的诊断结果进行统一化整理，并反馈至人机接口 1。

其中，水汽化学故障知识库2包括：模糊诊断知识库，用于存储火力发电机组 水汽化学故障的模糊诊断依据；可信度推理诊断知识库，用于存储火力发电机组水 汽化学故障的可信度推理诊断依据。模糊诊断知识库包括模糊参数等级划分标准 表、模糊诊断规则表和模糊诊断结论表。可信度推理诊断知识库包括诊断项目表、 参数控制标准表、故障症状表、诊断结论表和每个参数的独自诊断规则表。诊断结 果包括故障类型、故障原因和故障原因的可信度。

如图2所示，该方法包括下列步骤：

1)对火力发电机组进行水汽化学故障的模糊诊断，得到火力发电机组当前存 在的水汽化学故障类型：

11)根据人机接口1输入的信息，确定模糊诊断中模糊变量的具体数值；

12)根据水汽化学故障知识库2中存储的每个模糊变量对应的模糊关系矩阵， 结合步骤11)中得到的模糊变量的具体数值，进行模糊诊断推理；

13)根据模糊诊断推理的结果，得到当前的故障类型以及该故障类型的严重程度；

2)根据步骤1)中得到的水汽化学故障类型，对火力发电机组进行水汽化学 故障的可信度推理诊断，得到与该水汽化学故障类型对应的故障原因和故障原因的 可信度：

21)根据步骤1)中确定的故障类型，读取人机接口1输入的信息中与该故障 类型相关的化学信息参数；

22)将步骤21)中得到的化学信息参数代入至水汽化学故障知识库2中存储 的可信度推理诊断规则，进行可信度推理诊断，得到与该水汽化学故障类型对应的 故障原因和故障原因的可信度；

23)将故障原因按照可信度进行排序，将可信度最高的故障原因作为诊断结果 进行反馈。

根据上述步骤，来具体说明该系统和方法：

关于推理诊断

在故障诊断的推理过程中，并非所有的概念和知识都是严格精确的，大量知识 是不精确和不确定的，在本发明所研究的水汽过程化学故障诊断的范畴内，除了各 化学参数的监测值能够被精确地获取外，与各参数相关的许多表述、概念也都是不 精确的，甚至各故障症状、规则以及推理过程和结论都具有一定的不确定性，为了 使诊断能够顺利地进行下去，有必要使用某种算法来对不确定知识及其之间的关系 进行处理。本实施例采取模糊逻辑和可信度相结合的推理算法。

以凝汽器泄漏的诊断为例来说明模糊推理算法的应用：

凝汽器泄漏是火力发电厂最主要最常发生的故障之一，轻微的凝汽器泄漏如果能够被及时发现并得以妥善处理，不会对生产产生重大深远的影响，然而若泄漏未 被及时发现，那么水汽品质将急剧劣化，严重时不仅有可能导致紧急停机造成巨额 经济损失，进入水汽系统的诸多杂质更是有可能加速热力系统的腐蚀、结垢和积盐， 对机组正常运行造成深远影响，对安全生产埋伏下长期隐患。因此，对凝汽器泄漏 的监督是火电厂化学监督中极为重要的一部分。

在与凝汽器泄漏相关的诸多检测项目中，绝大部分我们都能够通过在线仪表或实验室测试获得较为精确的值，同时，凝汽器泄漏对这些项目的影响也是整体性的， 一旦凝汽器发生泄漏，大部分检测项目会迅速地表现出不正常状态，故以模糊推理 思想为基础，利用这些项目的精确值对凝汽器泄漏的程度进行综合性的诊断和评 判，是一个便捷、直观且准确的方法。

与凝结水泄漏直接相关的指标包括凝结水氢电导率、凝结水Na⁺浓度、凝结水 硬度、凝结水SiO₂含量、炉水Cl^－浓度等五项，其它检测项目如给水氢电导率、凝 结水及给水的溶解氧浓度以及铜、铁含量、炉水的pH值等，虽然也会由于凝汽器 泄漏而受到非常大的影响，但都不能直接反映出凝汽器泄漏的情况，而且很有可能 受到诸多其它因素的干扰。故本文在利用模糊推理进行凝汽器泄漏程度的判断时， 只选取凝结水氢电导率、凝结水Na⁺浓度、凝结水硬度、凝结水SiO₂含量、炉水 Cl^－浓度这五个监测参数。

首先，根据上述内容构建判断凝汽器泄漏程度的模糊规则。

对于模糊结论，既然是判断凝汽器泄漏程度，我们即可将凝汽器泄漏程度的结 论论域V设置为{无，轻微，明显，严重}。推理结果必是基于此论域的一个模糊 子集，其中包含了结论对于不同凝汽器泄漏程度的隶属度。

本实施例选取凝结水氢电导率、凝结水Na⁺浓度、凝结水硬度、凝结水SiO₂含量、炉水Cl^－浓度进行模糊推理，即此五项为规则前件中的模糊变量，其各自的 论域即为各项目的可能取值，我们要先将这五个参数的论域划分为数个等级，以便 于各不同取值依据其等级标准构建模糊子集。《火力发电厂水汽化学监督导则》已 经对凝结水电导率和凝结水硬度作出了相应的三级处理标准规定，此二者的等级划 分可以此为依据。三级处理值的含义如下：一级处理值：有因杂质造成腐蚀、结垢、 积盐的可能性，应在72小时内恢复至标准值；二级处理值：肯定有因杂质造成腐 蚀、结垢、积盐的可能性，应在24小时内恢复至标准值；三级处理值：正在进行 快速结垢、积盐、腐蚀，如水质不好转，应在4小时内停机。

故凝结水氢电导率和凝结水硬度划分等级标准如下：

表1 凝结水氢电导率等级划分标准

表2 凝结水硬度等级划分标准

另有一部分研究资料表明：当凝结水及炉水中的杂质含量达到规定允许值的 1～2倍时，可确定凝汽器发生已泄漏；当杂质含量达到规定允许值的2～4倍时， 可定为明显泄漏；当杂质含量达到规定允许值的4倍以上时，可定为严重泄漏。笔 者所查阅的大量相关文献所持观点也与此相吻合，经综合参考多方资料后，另三个 项目的等级划分标准可确定如下：

表3 凝结水Na⁺浓度等级划分标准

表4 凝结水SiO₂含量等级划分标准

表5 炉水Cl^－浓度等级划分标准

至此，各个模糊变量的模糊子集在获得精确值的情况下可方便地得出，其模糊 命题也可构建起来。如此规则前件和结论都可确定，即可获得如下综合性多维模糊 规则：

在规则确定之后，模糊子集可以通过隶属函数求得，那么接下来就要确定模糊 关系矩阵。通过建立每个模糊变量论域中的元素与结论论域中的每个元素的隶属 度，再由这些隶属度构建成矩阵形式，即可得到每个模糊变量的模糊矩阵。

隶属度列表如下：

表6 凝结水氢电导率对于凝汽器泄漏程度的隶属度

表7 凝结水硬度对于凝汽器泄漏程度的隶属度

表8 凝结水Na⁺浓度对于凝汽器泄漏程度的隶属度

表9 凝结水SiO₂含量对于凝汽器泄漏程度的隶属度

表10 炉水Cl^－浓度对于凝汽器泄漏程度的隶属度

故可得模糊矩阵如下：

至此，对凝汽器泄漏程度进行模糊推理所需要素均已完备，在进行推理时，系 统可仅通过一个参数的值，进行一维的模糊推理诊断，也可以同时由2～5个参数 的检测值，进行多维推理，两者都可获得准确结论，当然，所提供的模糊变量越多， 准确性越高。

现获得监测值如下：凝结水硬度H＝6.2(μmol/L)，凝结水c_SiO2＝25.8(μg/L)，炉水c_Cl－＝1.8(mg/L)，试对凝汽器泄漏程度进行模糊推理诊断。

(1)首先确定模糊子集A₂’，A₄’和A₅’：

因为H(μmol/L)＝6.2处于5.0与20.0之间，故其对于“略高”和“高”均有隶 属关系，可据降半梯形分布函数求得μ_略高(6.2)：

μ_略高(6.2)＝(20.0-6.2)/(20.0-5.0)＝0.92

同时可得μ_高(6.2)：

μ_高(6.2)＝1-μ_略高(6.2)＝0.08

从而得到模糊子集A₂’＝(0,0.92,0.08)。

同理可得另两个模糊子集：

A₄’＝(0,0.81,0.19)；

A₅’＝(0,0.67,0.33)

(2)利用Tsukamoto法进行多维模糊推理

利用A₂’，A₄’和A₅’进行模糊变换求得B₂’，B₄’和B₅’：

对三者求交集，即得：

B’＝B₂’∩B₄’∩B₅’＝(0,0.38,0.41,0.08)

可见，结论对于凝汽器泄漏程度为“轻微”、“明显”和“严重”的隶属度分别 为0.38，0.41和0.08，对“明显”隶属度最高，对“轻微”次之，对“严重”最低。 诊断结论不仅反映出最有可能发生的情况，同时还提供了其他情况的可能性以作为 参考。

模糊推理算法以这种方式应用到凝汽器泄漏诊断之中，能够快速准确地获得结论，取得较佳效果。面对水汽过程中更多参数的故障诊断，本实施例将以模糊逻辑 和可信度不确定推理相结合的算法来进行，下面即对此内容进行论述。

人们在对某一特定事物进行认识时，通常可根据自身经验对这一事物的真伪程度进行判断。根据经验而产生的对某一事物为真的相信程度即称为可信度(CF， CertaintyFactor)。基于可信度的不确定推理是E.H.Shortliffe等人于20世纪70 年代在确定性理论(Theory of Comfirmation)的基础上提出的一种不确定推理模型， 这种方法比较直观，不确定性测度的计算也比较简单，因而在许多专家系统中得到 有效的应用，获得成功的医疗诊断专家系统MYCIN就是依据这一模型建立起来 的。

在不确定推理模型中，可信度CF(h,e)作为不确定性测度，表示结论h在证据 e下主观信任度的一种修改量，其计算公式如下：

CF(h,e)＝1,P(h)＝1；

CF(h,e)＝(P(h∣e)-P(h))/(1-P(h)),P(h∣e)>P(h)；

CF(h,e)＝0,P(h∣e)＝P(h)；

CF(h,e)＝(P(h∣e)-P(h))/P(h),P(h∣e)<P(h)；

CF(h,e)＝-1,P(h)＝0

其中，P(h)为结论成立的先验概率；P(h∣e)为在证据e出现的条件下，结论h 成立的条件概率。

由上述CF(h,e)的计算公式可比较直观地看出可信度CF(h,e)的以下意义：

(1)若CF(h,e)＞0，则P(h∣e)＞P(h)。说明证据e的出现增加了结论h为真 的概率，即增加了h为真的可信度。CF(h,e)的值越大，增加h为真的可信度就越 大。若CF(h,e)＝1，则可推出P(h∣e)＝1，即证据e的出现使h为真。

(2)若CF(h,e)＜0，则P(h∣e)＜P(h)。说明证据e的出现减少了结论h为真 的概率，即增加了h为假的可信度。CF(h,e)的值越小，增加h为假的可信度就越 大。若CF(h,e)＝-1，则可推出P(h∣e)＝0，即证据e的出现使h为假。

(3)若CF(h,e)＝0，则P(h∣e)＝P(h)，表示h与e独立，即证据e的出现对h 没有影响。

当已知P(h∣e)和P(h)时，通过上述计算公式即可求出CF(h,e)。但是，在实际 应用中，获得P(h∣e)和P(h)的值是比较困难的，反而CF(h,e)的值可比较容易地通 过领域专家直接给出，在这种情况下，CF(h,e)的值即反映了领域专家对不确定知 识增加或减少信任的程度。

CF模型给出用可信度表示不确定性知识时进行推理的基本方法，为基于可信 度的不确定推理奠定了基础，在人工智能的发展史中占有重要地位。为了使可信度 方法能够求解更多的问题，人们在CF模型的基础上又提出了一些更具一般性的处 理方法，下面即对本课题所采用的带有阈值限度及加权因子的不确定性推理进行介 绍。

证据的不确定性表示

在介绍带有阈值限度的不确定性推理之前，首先要阐明CF(e)作为证据的不确 定性测度的含义。证据的不确定性测度仍然用可信度表示，即证据e的不确定性表 示为CF(e)，其取值范围为[0,1]，即：

0≤CF(e)≤1

CF(e)的值越大，表示其可信度越高。在本课题中，对于初始证据，其值由各 化学参数的监测值通过模糊逻辑计算得出；对于以前面推理所得结论作为当前推理 证据的情况，其值由推理计算得到。

带有阈限的规则表示

在带有阈值限度的不确定性推理中，产生式规则用下述形式表示：

if e then h(CF(h,e),λ)

其中：

e为规则的前提条件，h为结论。e既可以是一个简单证据，也可以是多个简 单证据的合取与析取。

CF(h,e)是规则的可信度，也称为规则强度，它指出相应规则为真的可信程度， 其取值范围为(0,1]，即：

0＜CF(h,e)≤1

CF(h,e)的值越大，表示相应规则的可信度越高。

λ为规则的阀值，它是对相应知识的可应用性所规定的一个限度，只有规则的 相应证据e的可信度CF(e)达到或超过这个限度，即CF(e)≥λ时，相应的规则才有 可能被应用。λ的取值范围为(0,1]，即：

0＜λ≤1

在CF模型中，若有两条顺序规则if e₁then e₂和if e₂then e₃的可信度为CF(e₂,e₁) 和CF(e₃,e₂)，则证据e₁的出现使结论e₃成立的可信度CF(e₃,e₁)为：

CF(e₃,e₁)＝CF(e₃,e₂)·max[0,CF(e₂,e₁)]

故对于带有阈限规则的结论h而言，其可信度CF(h)的计算方法为：

CF(h)＝CF(h,e)·CF(e)

因为在相应的规则可被启用的情况下，无需考虑顺序规则计算方法中要从0 与CF(e)之中提取最大值的因素，此时结论h的可信度等于规则强度与证据可信度 的乘积。

例如：有如下规则：

if蒸汽SiO₂含量高then汽包内部汽水分离系统存在缺陷，效率较低,(0.8,0.7)

同时在综合数据库4有症状：蒸汽SiO₂含量高，且其可信度CF(e)＝0.75。

则CF(e)＝0.75＞λ＝0.7，故结论的可信度CF(h)为：

CF(h)＝0.8×0.75＝0.6

加权的不确定推理

当某条规则的前件含有多个证据时，每个证据对结论的支持程度显然是不相同的，或者说各个证据对结论具有不同的重要程度。为对含有不同重要性证据的不确 定推理进行计算，可在规则中为每个证据引入加权因子，使不同的证据具有不同的 “权值”。

加权的规则表示

在加权的不确定行推理中，规则用以下形式表示：

if e₁(w₁)∧e₂(w₂)∧e₃(w₃)∧…∧e_n(w_n)then h(CF(h,e),λ)

其中：

w_i称为证据e_i的加权因子，权值的取值范围一般规定为[0,1]，且应满足归一 化条件，即：

0≤w_i≤1；i＝1,2,3,…,n

如果证据e_i对结论h成立的重要性较高，则应使e_i具有较大的权值；如果证 据e_i具有较大的独立性，而其它证据对它有依赖关系，则应使e_i具有较大的权值。 证据权值的确定应通过领域专家给出。

例如：设置如下一条关于磷酸盐隐藏的加权规则：

三种基本不确定性测度的计算及冲突消解

证据组合的不确定计算

对于证据组合：

e＝e₁(w₁)∧e₂(w₂)∧e₃(w₃)∧…∧e_n(w_n)

若n个证据的权值满足归一化条件，则n个证据的合取组合e的可信度CF(e) 为：

例如：对于所举示例，若综合数据库4中存在以下证据：

炉水磷酸根含量较低可信度CF(e₁)＝1.0；

锅炉处于升负荷阶段可信度CF(e₂)＝1.0；

可见，综合数据库4中所提供的证据比规则前件所要求的证据少一项，即“炉 水pH值不断升高”，若使用无加权的不确定推理，则此规则不可被启用。但是， 应用加权的不确定推理，只要综合数据库4中所提供证据的合取组合的可信度CF(e) ≥λ，规则即可被启用。

故规则可被启用，并推出结论“炉管内发生磷酸盐隐藏现象”，且此时结论的 可信度CF(h)为：

CF(h)＝0.8×0.7＝0.56

由此例可以看出，对规则引入加权因子，可在某些重要程度相对较弱的证据未 被提供的情况下，同样对仅有的不完整证据进行推理，这是加权的不确定推理的一 项重要优势。

并行规则的不确定计算

设有多条加权规则(e1，e2，…，en)有相同的结论，即：

若n条规则都满足：

CF(ei)≥λi,i＝1,2,3,…,n

且都被使用，则首先分别对每条规则求出结论可信度CF_i(h)，即：

CF_i(h)＝CF(h,ei)·CF(ei)

然后再利用加权求和法求出结论h的可信度CF(h)：

顺序规则的不确定计算

若顺序使用两条规则：

R1:if e1 then e2(CF(e2,e1),λ1)；

R2:if e2 then h(CF(h,e2),λ2)

若CF(e1)≥λ1，且规则R1被启用，则e2的可信度CF(e2)为：

CF(e2)＝CF(e2,e1)·CF(e1)

若CF(e2)≥λ2，且规则R2被启用，则h的可信度CF(h)为：

CF(h)＝CF(h,e2)·CF(e2)＝CF(h,e2)·CF(e2,e1)·CF(e1)

加权规则的冲突消解

若存在两条加权规则：

R1:if e1 then h1(CF(h1,e1),λ1)；

R2:if e2 then h2(CF(h2,e2),λ2)

且与综合数据库4中的证据经过匹配后可得：

CF(e1)≥λ1；CF(e2)≥λ2

则这两条规则均可被启用。若同时此二者发生了冲突，则消解冲突的方法为: 对发生冲突的规则的组合证据可信度值进行比较，选择组合证据可信度大的规则优 先执行。若结论之间仍然发生冲突，则根据所求得的CF(h)，优先选择可信度高的 结论。

关于水汽化学故障知识库2的构建

首先获取诊断相关知识，另外各相关参数的控制标准也已通过查阅专业文献获得。在实际构建知识库之前，先对可信度推理的所有知识按照故障症状、诊断结论、 建议措施、故障解释、诊断规则信息(包括各诊断规则中各故障症状的权值、规则 阈值、规则强度)进行分类集中；对于模糊推理知识，要单独以参数等级划分标准、 规则、结论进行集中。

知识库由Access数据库系统进行构建实现。模糊诊断部分包括模糊参数等级 划分标准表、模糊诊断规则表、模糊诊断结论表；可信度推理诊断部分包括诊断项 目表、参数控制标准表、故障症状表、诊断结论表，以及各参数独自的诊断规则表； 此外数据库内还有用于权限认证的用户密码表。各数据表都含有一主关键字段以唯 一地标识每条不同的记录，某些表还含有外部关键字段以与其他表建立关联，表与 表之间都直接或间接地建立了对应关系，从而所有表通过这种对应关系形成一个完 整的知识数据库。知识库中各数据表的结构如下：

模糊参数等级划分标准表

存放相关参数的模糊子集划分标准。

表11 模糊参数等级划分标准表的结构

模糊诊断规则表

存放模糊诊断所需的模糊关系矩阵，因为本实施例是以凝汽器泄漏的诊断为 例，故此表中存储各参数的标准与凝汽器泄漏程度之间的模糊关系矩阵。

表12 模糊诊断规则表的结构

模糊诊断结论表

存放模糊诊断结论、建议措施和故障解释。

表13 模糊诊断结论表的结构

诊断项目表

存放可信度诊断的所有项目。

表14 诊断项目表的结构

参数控制标准表

存放所有诊断相关参数的控制标准值。

表15 参数控制标准表的结构

故障症状表

存放所有化学参数故障诊断可能涉及的故障症状以及各故障症状所对应的代码。

表16 故障症状表的结构

诊断结论表

存放所有化学参数故障诊断可能涉及的诊断结论、结论代码、建议措施和故障 解释。

表17 诊断结论表的结构

诊断规则表

存放某项化学参数故障诊断的所有规则、规则对应的每个故障症状的权值、对 应结论的结论代码、规则的阈值和强度。

表18 诊断规则表的结构

需要说明的是，在每个诊断项目的诊断规则表中，每一行表示一条规则，每个 可能的故障症状(“故障症状1”至“故障症状n”)都对应一个字段，用于存放每 条规则对应于该故障症状的权值，若在某条规则的前件中包含有该故障症状，则该 字段存放相应权值，若不包含该字段，则显然权值为0，该字段内容即为“0”。这 种构建方法使程序在推理计算中能够对该项目的所有规则一起进行矩阵计算，从而 避免对每条规则进行逐一检索，提高了诊断效率。

用户密码表

存放用户名和密码。

表19 用户密码表的结构

在各表结构搭建完毕后，将所获取的知识填充到对应的数据表，以确实形成知 识数据库。

在上述知识库搭建完毕后，利用Visual Basic编写权限认证、条目查找、知识 库条目的添加、修改和删除的程序，实现知识库的全面管理功能。

Claims (8)

1.一种用于火力发电机组水汽化学故障的诊断系统，其特征在于，所述系统包括：

人机接口，用于接收外界用户的输入参数并向外界用户进行信息反馈；

水汽化学故障知识库，与人机接口连接，用于存储火力发电机组水汽化学故障的诊断依据；

综合数据库，与人机接口连接，用于存储用户的身份信息并对人机接口接入的用户进行身份验证；

推理机，分别与综合数据库和水汽化学故障知识库连接，用于接收通过综合数据库身份验证的用户输入的信息，结合水汽化学故障知识库对信息进行推理诊断，并将诊断结果反馈至水汽化学故障知识库；

解释机，分别与人机接口、综合数据库和知识库连接，用于对水汽化学故障知识库反馈的诊断结果进行统一化整理，并反馈至人机接口。

2.根据权利要求1所述的用于火力发电机组水汽化学故障的诊断系统，其特征在于，所述水汽化学故障知识库包括：

模糊诊断知识库，用于存储火力发电机组水汽化学故障的模糊诊断依据；

可信度推理诊断知识库，用于存储火力发电机组水汽化学故障的可信度推理诊断依据。

3.根据权利要求2所述的用于火力发电机组水汽化学故障的诊断系统，其特征在于，所述模糊诊断知识库包括模糊参数等级划分标准表、模糊诊断规则表和模糊诊断结论表。

4.根据权利要求2所述的用于火力发电机组水汽化学故障的诊断系统，其特征在于，所述可信度推理诊断知识库包括诊断项目表、参数控制标准表、故障症状表、诊断结论表和每个参数的独自诊断规则表。

5.根据权利要求1所述的用于火力发电机组水汽化学故障的诊断系统，其特征在于，所述诊断结果包括故障类型、故障原因和故障原因的可信度。

6.一种用于如权利要求1所述诊断系统的用于火力发电机组水汽化学故障的诊断方法，其特征在于，所述方法包括下列步骤：

1)对火力发电机组进行水汽化学故障的模糊诊断，得到火力发电机组当前存在的水汽化学故障类型；

2)根据步骤1)中得到的水汽化学故障类型，对火力发电机组进行水汽化学故障的可信度推理诊断，得到与该水汽化学故障类型对应的故障原因和故障原因的可信度。

7.根据权利要求6所述的用于火力发电机组水汽化学故障的诊断方法，其特征在于，所述步骤1)具体为：

11)根据人机接口输入的信息，确定模糊诊断中模糊变量的具体数值；

12)根据水汽化学故障知识库中存储的每个模糊变量对应的模糊关系矩阵，结合步骤11)中得到的模糊变量的具体数值，进行模糊诊断推理；

13)根据模糊诊断推理的结果，得到当前的故障类型以及该故障类型的严重程度。

8.根据权利要求6所述的用于火力发电机组水汽化学故障的诊断方法，其特征在于，所述步骤2)具体为：

21)根据步骤1)中确定的故障类型，读取人机接口输入的信息中与该故障类型相关的化学信息参数；

22)将步骤21)中得到的化学信息参数代入至水汽化学故障知识库中存储的可信度推理诊断规则，进行可信度推理诊断，得到与该水汽化学故障类型对应的故障原因和故障原因的可信度；

23)将故障原因按照可信度进行排序，将可信度最高的故障原因作为诊断结果进行反馈。