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】
[0001] 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】
[0002] 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。
[0003] 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】
[0004] 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。
[0005] 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：
[0006] 1)数据分类：将故障参数进行分类，将诊断网络也分解成η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；
[0007] 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-ι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；
[0008] 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；
[0009]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η组诊断结果；
[0010] 5)归一化：将上一步得到的各组结果归一化处理；
[0011] 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。
[0012] 所述步骤2)中故障征兆参数提取特征值的方法为：
[0013] 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 数都取〇 ;
[0014] 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 数都取〇 ;
[0015] 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。
[0016] 所述步骤3)中对应的隶属函数公式如下：
[0017] 公式一偏小的隶属函数：
[0018] 公式二正常的隶属函数：i
nwl
[0019] 公式三偏大的隶属函数：
[0020] 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4、 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：
[0021] 正常输入下限值
[0022] 正常输入中心值
[0023] 正常输入上限值
[0024] 将点（ds，0. 5)、（L，0. 45)带入公式一；将点（L，0. 5)、（d。，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。
[0025] 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】
[0026] 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：
[0027] (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η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。
[0028] (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-ι)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；
[0029] 训练样本的故障征兆参数提取特征值的方法为：
[0030] 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 数都取〇 ;
[0031] 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 ;
[0032] 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 大的隶属函数都取〇.
[0033] (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：
[0034] 偏小的隶属函数：
[0035] 正常的隶属函数：：
[0036] 偏大的隶属函数：
[0037] 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4、 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：
[0038] 正常输入下限值
[0039] 正常输入中心值：
[0040] 正常输入上限值：
[0041] 将点（ds，0. 5)、（L，0. 45)带入公式①；将点（L，0. 5)、（d。，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1、k、h的值。
[0042] 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。
[0043] (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η组诊断结果（一个神经网络得出一组诊断结果， 所以共η组诊断结果）。
[0044] (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= (yi， y2…ym)，归一化公式为：
[0045]
[0046] m-ιTBXI·1 早天d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。
[0047] (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χ= (Χι，χ2，…，xj，y =(yi，y2,…，ym)，融合后的数组为z=(Zuz2,…，zm)。公式如下：
[0048]
[0049] 口即拓禾zmai，Zi,z2,…，zj?表示m-1个故障和1种正常状态发生的 概率。
[0050] 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。
[0051] ⑴数据分类：
[0052] 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：
[0053] 辐射参量：d4、dl3、dl