1 引言 電站鍋爐設備是一個復雜的系統(tǒng)，其故障診斷要求實時性強，推理效率高，定位準確，一旦出現(xiàn)故障征兆要立即做出準確判斷，迅速采取措施，以避免釀成災難性的事故。故障診斷涉及診斷知識的處理機制，實時數(shù)據(jù)庫，知識庫等諸多問題。傳統(tǒng)的知識處理方式具有知識表達直觀、模塊性強、邏輯推理清晰等優(yōu)點。但這種處理方式存在知識獲取的瓶頸問題，推理效率低，自適應能力差，實時性差等局限性。這對于一個必須兼具準確、實用性、實時性并能不斷完善和擴充的診斷系統(tǒng)來說是關鍵性的障礙，因此多年來人們一直在積極尋求各種解決方法，如采取多種知識表示方式及多種求解策略，提高系統(tǒng)的靈活性;采取機器學習的方法解決知識獲取的瓶頸問題等。上述解決方案其根本目的在于達到將基于知識的符號處理方法與模糊神經(jīng)網(wǎng)絡充分有效的結(jié)合在一起，在建立一個強大的實時數(shù)據(jù)庫，在統(tǒng)一的數(shù)據(jù)信息平臺上，對各種故障征兆作深度處理。 對于電站鍋爐故障診斷過程而言，鍋爐設備的結(jié)構(gòu)知識、功能知識、設備的歷史運行數(shù)據(jù)、設備的故障數(shù)據(jù)、鍋爐遠行規(guī)程等都是重要的信息資源，全面掌握這些數(shù)據(jù)對于維護電廠的正常運行是十分重要的。 進行生產(chǎn)決策和管理等都是相當重要的。但是，目目前國內(nèi)有相當數(shù)量的火電廠由于歷史和技術(shù)方面的原因，生產(chǎn)線上的信息流失、沉淀，各應用系統(tǒng)之間的數(shù)據(jù)無法快速共享，這對于建立鍋爐的實時監(jiān)測診斷系統(tǒng)是非常不利的。因此，采用企業(yè)的信息資源管理標準建立鍋爐實時數(shù)據(jù)庫，即使故障診斷信息標準化和規(guī)范化，可有效地提高診斷過程推理效率和準確率。 鍋爐故障診斷知識庫實際上是發(fā)生異常事故的現(xiàn)象、發(fā)生異常征兆的參數(shù)以及相應處理措施共同組成的一個規(guī)則庫，對于采用面向?qū)ο蟮闹R表示方法而言，可以將它們視為不同的對象。這些對象之間的主要區(qū)別在于對象的屬性值不同，因此只要應用數(shù)據(jù)庫保存整個診斷系統(tǒng)全部故障征兆、故障類型、故障處理等屬性值，并將其定義為各種不同的異常事件類，在處理診斷系統(tǒng)的“知識獲取”這一“瓶頸”環(huán)節(jié)時，只要通過創(chuàng)建異常事件類的不同實例，既可繼承相應事件類的屬性值，動態(tài)的生成各種不同的對象，并將其作為經(jīng)驗樣本，通過神經(jīng)網(wǎng)絡訓練后，以網(wǎng)絡權(quán)值的形式作為知識存貯起來。由于這些對象之間存在緊密的關聯(lián)機制，因此比較適合應用成熟的關系數(shù)據(jù)庫來存貯和管理這些對象的屬性。本文重點討論模糊神經(jīng)網(wǎng)絡及實時關系型數(shù)據(jù)庫，最后簡略提及系統(tǒng)實現(xiàn)和實驗效果問題。 2 基于模糊神經(jīng)網(wǎng)絡的故障模式識別 故障診斷實質(zhì)上是一種狀態(tài)識別與分類問題，是根據(jù)傳感器測量的各種狀態(tài)參數(shù)來識別其運行狀態(tài)，一旦發(fā)生異常即刻進行診斷，找出故障原因。目前人們已經(jīng)提出并研究了多種故障診斷的方法。如模糊綜合評判、模糊類聚分析、模式識別、人工神經(jīng)網(wǎng)絡、專家系統(tǒng)等，這些方法都各有其各自的優(yōu)缺點。 人工神經(jīng)網(wǎng)絡以其獨特的聯(lián)想、記憶和學習功能在設備故障診斷領域受到了廣泛的關注，神經(jīng)網(wǎng)絡對信息的處理是通過大量稱為結(jié)點的簡單處理單元的相互作用進行的。通過對經(jīng)驗樣本的學習，將專家的知識以權(quán)值形式存貯在網(wǎng)絡中，并利用網(wǎng)絡的信息保持性來完成不精確的診斷推理，可以較好地模擬專家經(jīng)驗、直覺而不是復雜的推理過程。因此采用基于神經(jīng)網(wǎng)絡的自學習功能、聯(lián)想記憶功能、分布式并發(fā)處理信息功能，在診斷系統(tǒng)的知識表示、獲取和并行推理等方面具有一定的優(yōu)勢。模糊神經(jīng)網(wǎng)絡診斷是神經(jīng)網(wǎng)絡和模糊邏輯相集成的技術(shù)。模糊神經(jīng)網(wǎng)絡（fnn）是由兩個或兩個以上模糊神經(jīng)元相互連接形成的網(wǎng)絡。它的構(gòu)造方法是將傳統(tǒng)神經(jīng)網(wǎng)絡模糊化，這種fnn保留原來的神經(jīng)網(wǎng)絡結(jié)構(gòu)，而將神經(jīng)元進行模糊化處理，使之具有分析模糊信息的能力。 2.1 模糊神經(jīng)元 模糊神經(jīng)元的基本結(jié)構(gòu)如圖1所示。 [align=left] 模糊神經(jīng)元的輸入分別示論域u1，u2，…un中模糊集a1（x1）, a2（x2）,…, an（xn）,被“加權(quán)”的輸入不是通過求和而是通過模糊累積運算來累積，根據(jù)具體情況還可以對輸出y進行模糊運算。在模糊神經(jīng)網(wǎng)絡中，模糊神經(jīng)元的設計應使之具有和非模糊神經(jīng)元大致相同的功能，同時又要求它能反映神經(jīng)元的模糊性質(zhì)，具有模糊信息處理能力，其各個輸入到輸出的過程不一定總是相同的。 2.2 基于模糊規(guī)則描述的模糊神經(jīng)元 在基于知識的系統(tǒng)中，常使用一組條件語句“if—then”規(guī)則來表示從人類專家那里得到的知識，這種知識常伴隨著不確定性和模糊術(shù)語，因此在“if—then”中，前提和結(jié)論是作為模糊集來處理的。第i類神經(jīng)元就是由這種規(guī)則描述。[/align][align=left] 圖2表示一個具有n個輸入和單輸出的模糊神經(jīng)元，其輸入輸出關系是由一個“if—then”規(guī)則表示: if [img=91,48]http://www.ca800.com/maga/images/20031016163783404.gif[/img] and [img=93,48]http://www.ca800.com/maga/images/200310161634337179.gif[/img]…and [img=93,48]http://www.ca800.com/maga/images/20031016164774352.gif[/img] then yi=bi（y） 這里，x1,x2,…xn是當前輸入，bi是第i神經(jīng)元的當前輸出，第i個神經(jīng)元由模糊神經(jīng)網(wǎng)絡中所示的全部m個規(guī)則中的第i規(guī)則描述。也就是說每個神經(jīng)元表示m個“if—then”規(guī)則中的一個。 根據(jù)模糊邏輯理論，第i個模糊神經(jīng)元可以由一個模糊關系ri來描述: ri=[img=93,48]http://www.ca800.com/maga/images/20031016165546200.gif[/img]×[img=93,48]http://www.ca800.com/maga/images/200310161653982521.gif[/img]×…×[img=93,48]http://www.ca800.com/maga/images/200310161655537867.gif[/img] ×bi給定當前輸入（模糊或非模糊）a1，a2，…，an,根據(jù)推斷的復合規(guī)則，第i個規(guī)則給出的輸出量是yi=a1o （a2o （…（an ri）…）） 此處，“o”表示任意復合操作，所提出的模糊神經(jīng)元中，輸入是通過一個模糊條件語句或“if—then”規(guī)則與其輸出相關聯(lián)的。神經(jīng)元的經(jīng)驗存貯在模糊關系ri中，其輸出由當前輸入和過去的經(jīng)驗ri組成。 第i類神經(jīng)元的學習算法可由實際問題具體確定。模糊神經(jīng)元的學習，可以通過“突觸”調(diào)整或“軀體”調(diào)整來實現(xiàn)?！巴挥|”調(diào)整的意思是不斷對所有的輸入進行修正，然后前向傳遞到神經(jīng)元體。而“軀體”調(diào)整則是對過去的經(jīng)驗進行修正。 一般的模糊神經(jīng)網(wǎng)絡采用多層前向神經(jīng)網(wǎng)絡結(jié)構(gòu)。由于神經(jīng)元以及融入模糊成分的不同，便出現(xiàn)了不同類型的模糊神經(jīng)網(wǎng)絡。模糊神經(jīng)網(wǎng)絡繼承了常規(guī)神經(jīng)網(wǎng)絡的學習算法，但由于模糊信息的特殊性，又形成了一些獨特的算法。模糊神經(jīng)網(wǎng)絡融合了模糊邏輯和神經(jīng)網(wǎng)絡的優(yōu)點，既能表示定性的知識，又具有自學習和處理定量數(shù)據(jù)的能力，是二者集成的結(jié)晶。在設備故障診斷中，其構(gòu)造方法是將傳統(tǒng)神經(jīng)網(wǎng)絡模糊化，它保留原來的神經(jīng)網(wǎng)絡結(jié)構(gòu)，而將神經(jīng)元進行模糊化處理，使之具有處理模糊信息的能力。網(wǎng)絡結(jié)構(gòu)等可參見文獻[1][2][3][4]。 3 故障診斷數(shù)據(jù)庫 在故障診斷過程中要采集大量時間序列數(shù)據(jù)，有眾多的實時數(shù)據(jù)需要貯存、處理。因此實時數(shù)據(jù)庫是很關鍵的，以鍋爐運行規(guī)程為基礎，建立鍋爐故障診斷數(shù)據(jù)庫，包括故障類型、故障征兆明細表、經(jīng)驗樣本集表、參數(shù)征兆分析表等，實現(xiàn)知識的有效存貯、方便的管理和維護，為系統(tǒng)內(nèi)部的推理提供方便。為了方便和將故障診斷系統(tǒng)納入統(tǒng)一的數(shù)據(jù)信息平臺，最好的選擇是選用美國wonderware公司的insql server，它是用于工廠和過程數(shù)據(jù)的開發(fā)的實時關系型數(shù)據(jù)庫。該數(shù)據(jù)庫可通過wonderware i/o server連接超過500種的控制設備和數(shù)據(jù)采集系統(tǒng)，由于對模擬量和離散量數(shù)據(jù)的采集和存貯進行了優(yōu)化設計，在相同的硬件環(huán)境下，insql server在很多方面都勝過所有普通的關系型數(shù)據(jù)庫，使得在關系型數(shù)據(jù)庫中存貯高速數(shù)據(jù)成為可能，可以高速捕捉數(shù)據(jù)。由于采用了數(shù)據(jù)壓縮技術(shù)，可以在很小的空間中存貯數(shù)據(jù)，與普通關系型數(shù)據(jù)庫相比，存貯同樣的數(shù)據(jù)，insql server大約只占普通關系型數(shù)據(jù)所需容量的2%。例如對于一個有4000個變量、掃描速度從秒級到分級的工廠來說，存貯2個月的歷史數(shù)據(jù)所需的磁盤空間一般情況下不會小于2gb，而用insql server只需40mb空間。由于減少了存貯空間，存貯硬件價格已變得愈來愈不重要。為確保用戶獲得高分辨率和高質(zhì)量的數(shù)據(jù)，該數(shù)據(jù)庫采用了loss-less無損壓縮算法。一般數(shù)據(jù)庫不支持時間序列數(shù)據(jù)，比如sql語言不支持時間序列數(shù)據(jù)，特別是無法控制返回數(shù)據(jù)的分辨率，也無法向用戶主動提供數(shù)據(jù)。而insql server允許對分辨率和主動更新的控制，并在服務器上提供了基本的時間關系函數(shù)，如變化率和完整過程計算等。上述功能使故障診斷系統(tǒng)軟件開發(fā)周期大大縮短。[/align] 4 故障診斷的工程實現(xiàn) 目前電站普通采用dcs系統(tǒng)，它的功能豐富，比如運行參數(shù)的監(jiān)視、記錄存貯，實時趨勢與歷史趨勢顯示等。以dcs系統(tǒng)為基礎稍加改進，不僅可避免重復投資，充分發(fā)揮已有資源的潛力，更重要的是大大縮短了故障診斷系統(tǒng)的開發(fā)周期，是符合我國國情的。診斷系統(tǒng)的核心技術(shù)在于神經(jīng)網(wǎng)絡和專家系統(tǒng)如何有機結(jié)合，因為兩者在知識獲取、知識表示、推理機制等方面有許多差異，如果把所有的知識都轉(zhuǎn)換成與熱力參數(shù)相關，使參數(shù)征兆的提取和預處理符合神經(jīng)網(wǎng)絡的輸入要求，那么問題就迎忍而解了。圖4是熱力參數(shù)征兆提取的系統(tǒng)結(jié)構(gòu)示意圖。 設備的故障診斷過程包括參數(shù)征兆的異常判別和故障診斷兩個方面。前者是故障診斷的基礎，對于采集到的反映設備運行狀態(tài)的參數(shù)，需要通過征兆提取，根據(jù)設備正常工作特性及制定的標準（通?？稍O置為4種狀態(tài):正常、報警、危險報警、異常）判定其運行狀態(tài)是屬于正常還是異常，如果狀態(tài)屬于異常，就要進一步診斷找出故障。通常判斷正常和異常狀態(tài)是根據(jù)現(xiàn)場人員的經(jīng)驗或一個特定的標準，但在現(xiàn)場中，這個標準并不是很嚴格的。比如，某運行機組在額定工況下運行，其主蒸汽溫度為540℃，在此額定值+5℃～-10℃均為正常狀態(tài)，換句話說，可以以545℃、530℃為限作為判定主蒸汽溫度狀態(tài)的異常標準。但這個標準并不嚴格，有時主蒸汽溫度比545℃略高或比530℃略低，機組還是處于正常運行狀態(tài)，且若參數(shù)異常，到底是屬于報警狀態(tài)還是屬于危險狀態(tài)也是無法明確區(qū)別的。因此，可以說，正常和異常之間，異常程度之間的界限是模糊的，而模糊集合正是處理這些界限不分明的數(shù)學工具。對于一個模糊子集a表示某個特征參數(shù)x的取值范圍，用“隸屬度函數(shù)”μa（x）及其具體取值“隸屬度”μa（x）（0≤μ≤1）來描述對a的隸屬度。當μa（x）=0.1或1時，特征參數(shù)正處在嚴格的正常和異常狀態(tài);當μa（x）>0.4時，發(fā)出預報警信號;當μa（x）>0.5時，發(fā)出危險報警信號;當μa（x）>0.8時，發(fā)出異常報警信號。 5 結(jié)束語 故障診斷是很復雜的，本文以電站鍋爐為背景，屏蔽了很多技術(shù)細節(jié)，概略地討論了基于模糊神經(jīng)網(wǎng)絡的診斷方法，初步試驗效果已經(jīng)說明，該方法是合理有效的。