CN107958288A - 一种基于案例推理的汽轮机加热器故障诊断方法 - Google Patents
一种基于案例推理的汽轮机加热器故障诊断方法 Download PDFInfo
- Publication number
- CN107958288A CN107958288A CN201711375932.4A CN201711375932A CN107958288A CN 107958288 A CN107958288 A CN 107958288A CN 201711375932 A CN201711375932 A CN 201711375932A CN 107958288 A CN107958288 A CN 107958288A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- formal
- steam turbine
- formal notion
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
Abstract
本发明公开了一种基于案例推理的汽轮机加热器故障诊断方法，其中对于案例推理所需的知识，采用形式概念的方式进行结构性表达。同时提出的基于案例推理的汽轮机加热器故障诊断方法，对于汽轮机加热器不同故障模式下的历史案例集，可以通过调节参数k的取值，使得计算结果更为精确。本发明为电厂发电设备中的汽轮机加热器的故障诊断提供了一种更为智能的方式，能够及时快速地对设备进行故障诊断。
Description
技术领域
本发明涉及汽轮机加热器故障诊断领域，尤其涉及一种基于案例推理的汽轮机加热器故障诊断方法。
背景技术
汽轮机是电力系统的重要设备，其结构复杂，加热器作为汽轮机不可分割的一部分，一旦发生故障，应该及时快速准确诊断、修复，否则对电力系统的稳定运行会造成极大的压力，甚者可能导致整个电力系统无法正常供电，给人类的生活造成极大地不便，因此汽轮机加热器的故障诊断具有十分重要的意义。
目前电厂对汽轮机加热器的故障诊断主要依赖两种方式：定期检修和专家诊断。定期检修主要是停机后对发电设备的零部件进行检查，判断是否松动或出现裂口等。当发电设备在运行过程中出现故障，导致设备无法正常运行时，则需联系专家人员到现场进行故障诊断。
由于汽轮机加热器的专业性和特殊性，汽轮机加热器的故障诊断主要依赖电力方面经验丰富的专家，并且整个汽轮机加热器故障诊断的知识储备仍是由专家人员以经验教学的方式向下传播，导致汽轮机加热器的故障诊断对个人的依赖性较强。另外依赖个人的故障诊断具有很强的主观性，知识也可能存在片面性和不完整性。
发明内容
本发明的目的在于针对现有电厂故障诊断方式的不足，提供了一种基于案例推理的汽轮机加热器的智能故障诊断方法。
本发明的目的是通过以下技术方案来实现的：一种基于案例推理的汽轮机加热器故障诊断方法，该方法包括以下步骤：
步骤1、整理汽轮机加热器历史故障案例，将案例知识表达为形式背景的方式，形式背景为(G,M,I)的组合，其中G表示形式背景中的对象集，M表示形式背景中的属性集，I表示对象集与属性集的关系，即(g，m)∈I表示对象g含有属性m；
步骤2、在形式背景的基础上创建形式概念，形式概念为(A,B)的一个组合，其中A表示形式概念中的对象集，B表示形式概念中的属性集，并且满足h(A)＝B，r(B)＝A，其中h(A):＝{m∈M|gIm for all g∈A},r(B):＝{g∈G|gIm for all m∈B}；h(A)＝B表示对象集A所包含的全部相同属性集合等于B集合，r(B)＝A表示包含属性集B的全部对象集合等于A集合；形式概念的创建具体如下：
a.根据形式背景，找出汽轮机加热器历史故障案例集所有的属性；
b.将属性任意组合，找出所有可能的组合情况；
c.根据属性集合B找出对应的对象集A，组成备选的形式概念；
d.判断备选的形式概念是否满足h(A)＝B，如果满足，则为形式概念，否则抛弃该备选形式概念；
e.将找出的形式概念根据(A1,B1)≤(A2,B2)进行比较，确定上下层关系，构建具有结构层次的形式概念；
步骤3、基于汽轮机加热器历史故障案例知识的形式概念表达设计相应的相似案例检索算法，计算新发生的事件与历史案例的相似度sim，具体如下：
其中CP表示形式概念，CN表示新发生的事件，u表示新事件属性集与形式概念属性集所包含的相同属性，IN表示新发生事件的属性集，IP表示形式概念的属性集，N表示形式概念的个数，Fau表示新发生的事件与形式概念所具有的相同属性在形式概念中出现的频次，i表示新事件所包含的属性，表示新事件所包含的属性在形式概念中出现的频次，j表示形式概念所包含的属性，表示形式概念所包含的属性在形式概念中出现的频次；为可变正数。
本发明的有益效果是：本发明方法为电厂发电设备中的汽轮机加热器的故障诊断提供了一种更为智能的方式，能够及时快速地对汽轮机加热器故障进行诊断。此外，基于案例推理的汽轮机加热器故障诊断方法，先将汽轮机加热器不同故障模式下的历史案例集转化为形式概念。形式概念不仅反映了对象与属性的关系，也反映了对象与对象之间的关系，以及属性与属性之间的关系。设计的相似案例检索算法可以通过调节参数k的取值，使得计算结果更为精确。
附图说明
图1为实施例中#1高加正常疏水调节阀阀位偏大的形式概念图；
图2为实施例中新发生的事件与历史案例的相似度的计算结果比较图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
本发明提供的一种基于案例推理的汽轮机加热器故障诊断方法，该方法使历史案例得到了有效的利用，间接反映了对象之间、属性之间的相互关系，并且使得汽轮机加热器的故障诊断方式更为智能。该方法包括以下步骤：
步骤1、整理汽轮机加热器历史故障案例，将案例知识表达为形式背景的方式，形式背景为(G,M,I)的组合，其中G表示形式背景中的对象集，M表示形式背景中的属性集，I表示对象集与属性集的关系，即(g，m)∈I表示对象g含有属性m；
步骤2、在形式背景的基础上创建形式概念，形式概念为(A,B)的一个组合，其中A表示形式概念中的对象集，B表示形式概念中的属性集，并且满足h(A)＝B，r(B)＝A，其中h(A):＝{m∈M|gIm for all g∈A},r(B):＝{g∈G|gIm for all m∈B}；h(A)＝B表示对象集A所包含的全部相同属性集合等于B集合，r(B)＝A表示包含属性集B的全部对象集合等于A集合；将已有的汽轮机加热器故障案例表达为具有一定结构的形式概念，形式概念的创建具体如下：
a.根据形式背景，找出汽轮机加热器历史故障案例集所有的属性；
b.将属性任意组合，找出所有可能的组合情况；
c.根据属性集合B找出对应的对象集A，组成备选的形式概念；
d.判断备选的形式概念是否满足h(A)＝B，如果满足，则为形式概念，否则抛弃该备选形式概念；
e.将找出的形式概念根据(A1,B1)≤(A2,B2)进行比较，确定上下层关系，构建具有结构层次的形式概念；
步骤3、基于汽轮机加热器历史故障案例知识的形式概念表达设计相应的相似案例检索算法，计算新发生的事件与历史案例的相似度sim，具体如下：
其中CP表示形式概念，CN表示新发生的事件，u表示新事件属性集与形式概念属性集所包含的相同属性，IN表示新发生事件的属性集，IP表示形式概念的属性集，N表示形式概念的个数，表示新发生的事件与形式概念所具有的相同属性在形式概念中出现的频次，i表示新事件所包含的属性，表示新事件所包含的属性在形式概念中出现的频次，j表示形式概念所包含的属性，表示形式概念所包含的属性在形式概念中出现的频次；为可变正；为可变正数，其中k的值可调，通过调节k的值，可以使得计算结果更为精确。
案例推理作为专家系统中的一种方法，直接模拟人类思维模式，在遇到一个新的事件时，在案例库中检索与该事件最相类似的案例，作为新事件的参考解。案例推理能利用已有的知识和案例信息对新发生的故障及时进行诊断，并给出结果，极大的减轻了专家的工作负担，避免了个人诊断造成的主观性和片面性。电厂的发电设备从投运以来，积累了许多加热器的历史故障案例，为案例推理的实现提供了充足的知识材料。
实施例
以汽轮机加热器“#1高加正常疏水调节阀阀位偏大”故障模式为具体仿真对象，进行验证。文中的数据来自于某电厂，但由于历史案例信息表达的不规范，历史案例的故障现象描述中省略了一些进行故障原因判别的必要属性，导致无法由它所描述的现象推出它所给定的故障原因。因此，结合专业知识对历史案例进行了整理，提取出该故障模式下的特征模式集。整理出的特征模式集可以被看作是部分历史案例集(表1)。
在进行相似度计算之前，先要创建“#1高加正常疏水调节阀阀位偏大”故障特征模式集下的形式概念。先是故障模式集(表1)转化为形式背景(即对象与属性的0-1关系表)，如表2所示。然后在形式背景的基础上，根据形式概念的定义以及相应的算法创建具有一定组织架构的形式概念，如图1所示。表3表示每种特征模式所对应的故障原因。
针对汽轮机加热器“#1高加正常疏水调节阀阀位偏大”该类故障模式，通过试验选取k等于6进行仿真。
新事件的表现特征为{#1高加正常疏水调节阀阀位偏大、#1高加水位正常、疏水端差增大、#2高加正常疏水调节阀阀位正常}，即新事件的属性集为{Attr1，Attr2，Attr6，Attr8}。将本发明提出的相似度计算方法与现有的Tadrat提出的相似度算法和Shi提出的相似度算法进行结果验证，验证结果如图2所示，其中横坐标表示形式概念，纵坐标表示相似度。表4列出了三种相似度计算方法检索出的最相似案例以及相应的故障原因。
从图2中可以看出，Tadrat算法和Shi的算法得出的结果都是与C11最为相似，而通过本发明所提出的算法计算得出的结果与C3最为相似。经过验证，该事件的事故原因为高加汽侧严重泄漏，与本发明提出的相似度方法计算结果相同，而与Tadrat和Shi相似度方法的计算结果不同。并且结合专业知识进行分析，在所有的相关参数中，一旦疏水端差增大，其他参数对于结果的辅助分析作用就十分弱小，几乎可以忽略。
表1“#1高加正常疏水调节阀阀位偏大”历史案例集
表2“#1高加正常疏水调节阀阀位偏大”形式背景
Attr 1：#1高加正常疏水调节阀阀位偏大
Attr 2：#1高加水位正常
Attr 3：#1高加水位偏高
Attr 4：#1紧急事故疏水调节阀打开
Attr 5：#1紧急事故疏水调节阀阀位关闭
Attr 6：疏水端差增大
Attr 7：疏水端差正常
Attr 8：#2正常疏水调节阀阀位正常
Attr 9：#2正常疏水调节阀阀位增大
表3故障原因
表4计算结果
Claims (1)
1.一种基于案例推理的汽轮机加热器故障诊断方法，其特征在于，该方法包括以下步骤：
步骤1、整理汽轮机加热器历史故障案例，将案例知识表达为形式背景的方式，形式背景为(G，M，I)的组合，其中G表示形式背景中的对象集，M表示形式背景中的属性集，I表示对象集与属性集的关系，即(g，m)∈I表示对象g含有属性m。
步骤2、在形式背景的基础上创建形式概念，形式概念为(A，B)的一个组合，其中A表示形式概念中的对象集，B表示形式概念中的属性集，并且满足h(A)＝B，r(B)＝A，其中h(A)：＝{m∈M|gIm for all g∈A}，r(B)：＝{g∈G|gIm for all m∈B}；h(A)＝B表示对象集A所包含的全部相同属性集合等于B集合，r(B)＝A表示包含属性集B的全部对象集合等于A集合；形式概念的创建具体如下：
a.根据形式背景，找出汽轮机加热器历史故障案例集所有的属性；
b.将属性任意组合，找出所有可能的组合情况；
c.根据属性集合B找出对应的对象集A，组成备选的形式概念；
d.判断备选的形式概念是否满足h(A)＝B，如果满足，则为形式概念，否则抛弃该备选形式概念；
e.将找出的形式概念根据(A1，B1)≤(A2，B2)进行比较，确定上下层关系，构建具有结构层次的形式概念；
步骤3、基于汽轮机加热器历史故障案例知识的形式概念表达设计相应的相似案例检索算法，计算新发生的事件与历史案例的相似度sim，具体如下：
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mi>P</mi>
</msub>
<mo>,</mo>
<msub>
<mi>C</mi>
<mi>N</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>N</mi>
<mo>&cap;</mo>
</mrow>
</msub>
<msub>
<mi>I</mi>
<mi>P</mi>
</msub>
</mrow>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>k</mi>
<mfrac>
<msub>
<mi>F</mi>
<msub>
<mi>a</mi>
<mi>u</mi>
</msub>
</msub>
<mi>N</mi>
</mfrac>
</mrow>
</msup>
</mrow>
<mrow>
<msqrt>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mi>N</mi>
</msub>
</mrow>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>k</mi>
<mfrac>
<msub>
<mi>F</mi>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
</msub>
<mi>N</mi>
</mfrac>
</mrow>
</msup>
</mrow>
</msqrt>
<msqrt>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mi>P</mi>
</msub>
</mrow>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>k</mi>
<mfrac>
<msub>
<mi>F</mi>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
</msub>
<mi>N</mi>
</mfrac>
</mrow>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
其中CP表示形式概念，CN表示新发生的事件，u表示新事件属性集与形式概念属性集所包含的相同属性，IN表示新发生事件的属性集，IP表示形式概念的属性集，N表示形式概念的个数，表示新发生的事件与形式概念所具有的相同属性在形式概念中出现的频次，i表示新事件所包含的属性，表示新事件所包含的属性在形式概念中出现的频次，j表示形式概念所包含的属性，表示形式概念所包含的属性在形式概念中出现的频次；k为可变正数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711375932.4A CN107958288A (zh) | 2017-12-19 | 2017-12-19 | 一种基于案例推理的汽轮机加热器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711375932.4A CN107958288A (zh) | 2017-12-19 | 2017-12-19 | 一种基于案例推理的汽轮机加热器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107958288A true CN107958288A (zh) | 2018-04-24 |
Family
ID=61959265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711375932.4A Pending CN107958288A (zh) | 2017-12-19 | 2017-12-19 | 一种基于案例推理的汽轮机加热器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107958288A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902153A (zh) * | 2019-04-02 | 2019-06-18 | 杭州安脉盛智能技术有限公司 | 基于自然语言处理和案例推理的设备故障诊断方法及系统 |
| CN111611279A (zh) * | 2020-04-24 | 2020-09-01 | 中国电子科技集团公司第二十九研究所 | 一种基于测试指标相似度的微波组件故障诊断系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102176239A (zh) * | 2011-02-23 | 2011-09-07 | 电子科技大学 | 一种基于案例推理的厨具故障诊断方法 |
| CN105841966A (zh) * | 2016-04-06 | 2016-08-10 | 西安西热振动研究所有限公司 | 一种基于正向推理的汽轮发电机组振动故障诊断方法 |
| CN107168285A (zh) * | 2017-05-26 | 2017-09-15 | 大连理工大学 | 一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助方法及系统 |
-
2017
- 2017-12-19 CN CN201711375932.4A patent/CN107958288A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102176239A (zh) * | 2011-02-23 | 2011-09-07 | 电子科技大学 | 一种基于案例推理的厨具故障诊断方法 |
| CN105841966A (zh) * | 2016-04-06 | 2016-08-10 | 西安西热振动研究所有限公司 | 一种基于正向推理的汽轮发电机组振动故障诊断方法 |
| CN107168285A (zh) * | 2017-05-26 | 2017-09-15 | 大连理工大学 | 一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 方名菊等: "基于形式概念的汽轮机相似故障案例检索", 《山东科技大学学报（自然科学版）》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902153A (zh) * | 2019-04-02 | 2019-06-18 | 杭州安脉盛智能技术有限公司 | 基于自然语言处理和案例推理的设备故障诊断方法及系统 |
| CN111611279A (zh) * | 2020-04-24 | 2020-09-01 | 中国电子科技集团公司第二十九研究所 | 一种基于测试指标相似度的微波组件故障诊断系统及方法 |
| CN111611279B (zh) * | 2020-04-24 | 2023-09-12 | 中国电子科技集团公司第二十九研究所 | 一种基于测试指标相似度的微波组件故障诊断系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418277B (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
| CN106156485A (zh) | 电力变压器故障诊断方法及装置 | |
| CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
| CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
| CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
| Li et al. | Fault identification in PCA method during sensor condition monitoring in a nuclear power plant | |
| CN107276072A (zh) | 一种利用稳态信息定量评估电力系统暂态稳定裕度的方法 | |
| Ren et al. | A new reconstruction-based auto-associative neural network for fault diagnosis in nonlinear systems | |
| Gu et al. | Singular value diagnosis in dam safety monitoring effect values | |
| CN107103167A (zh) | 针对甩负荷工况的deh调速功能诊断方法及系统 | |
| CN107958288A (zh) | 一种基于案例推理的汽轮机加热器故障诊断方法 | |
| Zhang et al. | A new adaptive Mamdani-type fuzzy modeling strategy for industrial gas turbines | |
| CN112909939B (zh) | 一种基于故障前后潮流特征的电力系统暂态稳定评估方法 | |
| CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
| CN106354999B (zh) | 一种火电机组负荷振荡与负荷突变故障的在线诊断方法 | |
| Chen et al. | Study on planetary gear degradation state recognition method based on the features with multiple perspectives and LLTSA | |
| CN105279553B (zh) | 一种高加给水系统故障程度识别方法 | |
| Du Rand et al. | Fault diagnosis of generation IV nuclear HTGR components–Part I: The error enthalpy–entropy graph approach | |
| Ma et al. | An interpretability research of the Xgboost algorithm in remaining useful life prediction | |
| Zhang et al. | Estimating gas turbine compressor discharge temperature using Bayesian neuro-fuzzy modelling | |
| Wang et al. | Power plant data filtering based on Gaussian naive Bayesian classification and prediction error method | |
| Eustace | A real-world application of fuzzy logic and influence coefficients for gas turbine performance diagnostics | |
| Wu et al. | CNN-MLP-based transformer digital twin model construction and fault diagnosis and condition evaluation analysis | |
| Zhou et al. | Modeling and Fault Diagnosis of Pressurizer Based on Bond Graph | |
| He et al. | Research on fault diagnosis of thermodynamic system based on the network model of internet of things |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180424 |
|
| WD01 | Invention patent application deemed withdrawn after publication |