4 ;
[0054] 压力参量：d3、d5、dll、dl2 ;
[0055] 水位参量：d6、d7、d8、dl5 ;
[0056] 流量参量：d9、dlO、dl6 ;
[0057] 温度参量：d2、dl7;
[0058] 功率参量：dl;
[0059] 将功率参量和水位参量作为一个子网络的输入，将福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。
[0060] 如表1所示，为该冷却系统故障征兆参数正常范围表。
[0061] 表 1
[0062]
[0063]
[0064] dl:堆芯功率（MW) ;d2 :安全壳内温度（°C) ;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);dlO:右环路 蒸汽发生器蒸汽产量（kg/s);dll:左环路蒸汽发生器压力（MPa) ;dl2 :右环路蒸汽发生器 压力（MPa) ;dl3 :左环路主蒸汽辐射剂量（mSV) ;dl4 :右环路主蒸汽辐射剂量（mSV) ;dl5 : 地坑水位（m) ;dl6 :左环路冷却剂流量（t/h) ;dl7 :左环路冷却剂平均温度（°C)。
[0065] (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）。
[0066] 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[TnTl2Tl3]。
[0067] 如果di小于最小正常值，则Tu取1，Τ12和Τ13取0 ;
[0068] 如果di大于最大正常值，则Tl3取1，Tu和Τ12取0 ;
[0069] 如果di介于最小正常值和最大正常值之间，则Tl2取1，Tu和Τ13取0 ;
[0070] 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
[0071] 表 2
[0072]
[0073] 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，Τ为样本输入， 〇为期望输出。
[0074] 表 3
[0075]
[0076] 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， 〇为期望输出。
[0077] 表 4
[0078]
[0079] (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：
[0080] 公式一偏小的隶属函数：
[0081] 公式二正常的隶属函数：
[0082] 公式三偏大的隶属函数：
[0083] 其中，d表示征兆参数值。
[0084] 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：
[0085]dl= 907 ；d2 = 40 ；d3 = 0. 00147 ；d4 = 5. 9 ；d5 = 15. 05 ；d6 = 5. 318 ；d7 = 10. 478 ；d8 = 10. 5356 ；d9 = 243 ；dl0 = 243；dll= 5. 85 ；dl2 = 5. 85 ；dl3 = 152 ；dl4 = 6257 ；dl5 = 0 ；dl6 = 3611 ；al7 = 295. 15 ；
[0086] 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。
[0087] (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：
[0088]网络1的诊断结果为A=[0· 0296 0· 7301 0· 1976 0· 0343 0· 3132];
[0089]网络2的诊断结果为B=[0· 0352 0· 8562 0· 0409 0· 0444 0· 0227];
[0090]网络3的诊断结果为C=[0· 0150 0· 3727 0· 1022 0· 0986 0· 1452];
[0091](5)归一化：将上一步得到的各组结果归一化处理，得到：
[0092] Af =[0.0227 0.5595 0.1514 0.0263 0.2400]
[0093]B? = [0. 0352 0. 8567 0. 0409 0. 0445 0. 0227]
[0094] C=[0. 0204 0. 5080 0. 1393 0. 1344 0. 1979]
[0095] (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。
[0096]先将A'与B'进行融合，得出：D=[0· 0016 0· 9724 0· 0126 0· 0024 0· 0111];
[0097]再用D与C'进行融合，得出：P=[0· 0001 0· 9914 0· 0035 0· 0006 0· 0044]。
[0098] 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。
[0099] 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。
【主权项】
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； 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〇 ;如果未发生故障，则正常 状态的特征值取1，其他故障类型为〇 ;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； 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η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 取〇 ; 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 ; 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。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：公式三偏大的隶属函数：其中，d表示征兆参数，a、b、c和1、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Clci、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：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)、（(1。，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。
【专利摘要】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。
【IPC分类】G06N3/04, G06Q50/08
【公开号】CN105427200
【申请号】CN201510746357
【发明人】茅大钧, 代宪亚, 刘国建, 赵庆, 肖礼, 李丹, 朱传强
【申请人】上海电力学院
【公开日】2016年3月23日
【申请日】2015年11月5日