隨著控制理論的不斷完善和發展，以及計算機技術在工業控制領域的廣泛應用，控制系統的自動化水平、控制品質均得到了顯著的改善和提高。在追求控制系統良好控制性能的同時，對提高系統的可靠性和可維修性也提出了越來越高的要求。對于火電廠生產過程控制來說，目前提高其可靠性的方法是提高系統各部件的可靠性，增加硬件冗余，但這將使系統成本和規模增加。為此，可采用實時故障診斷技術，建立一套監控系統，使其能在系統故障前期或發生故障時迅速地檢測且分離故障，進而采取必要的措施防止故障擴大，達到提高系統可靠性，減少維修時間和成本的目的。另外，火電廠生產過程控制系統回路眾多，控制設備(傳感器和執行器等)分布廣泛，完全靠人力來檢查和發現故障極費時費力。據統計，尋找系統故障花費的時間占系統修復時間的90％左右。為此，本文對火電廠生產過程控制的故障診斷及其實現進行了研究。
1 基于神經網絡技術的故障診斷專家系統

本文提出的基于神經網絡技術的專家系統就是力圖模擬人類專家分析問題的過程，利用神經網絡及專家系統反向推理的特點開發出一套混合診斷系統

1.1 基于神經網絡技術的專家系統的結構和功能

基于神經網絡技術的專家系統的結構如圖1所示。信號預處理主要承擔數據采集和知識表述的規范化。神經網絡充當專家系統的正向推理機，它接收規范化處理后的原始證據輸入，給出處理后的結果，然后利用專家系統的反向推理對其結果進行驗證，從而提高整個系統的推理速度和診斷的正確率?？刂浦行目刂浦麄€系統的輸入輸出以及系統的運行。

1.2 基于神經網絡的專家系統的工作過程

診斷系統在投入運行前，神經網絡要進行訓練，訓練后的網絡方可進入運行。診斷過程如下：

(1)系統從現場采集數據，對數據進行初步處理，并啟動神經網絡診斷模塊進行分析診斷，然后將診斷結果送入候選故障集；

(2)啟動故障診斷專家系統，利用其反向推理機制對候選故障集中的故障進行驗證。在診斷過程中，若診斷結果正確則整個診斷系統不作任何改變，若診斷結果發生了漏診斷，則系統在控制中心的調度下，啟動學習機構，對專家系統的知識庫進行修正。若發生誤診斷則可修改專家系統知識庫。

2 基于神經網絡技術的專家系統的應用

將基于神經網絡技術的專家系統應用到電廠補給水處理系統中。該系統主要包括預處理、機械處理、一級除鹽和二級除鹽四部分。本文以預處理為例，預處理工藝流程：生水(生水加熱器(二個)→澄清池(三座)→澄清水箱(三臺)→澄清水泵(五臺)，分別至生活消防水系統及鍋爐補給水除鹽系統。生水采用加凝聚劑和助凝劑進行處理。

2.1 神經網絡結構

針對預處理多測點、多故障的特點，該系統采用整體結構分散化與子網絡組合化相結合的神經網絡來完成診斷。一方面，分層后的網絡(見圖2)比原網絡規模小得多，從而使訓練時間大為減少；另一方面，相互無關的故障與原因之間除去完全沒有必要的權值連接(或令權值=0)減小了規模，而且由于各故障診斷采用并聯組合式，具備神經網絡大規模并行處理的特征，這樣既可以提高診斷速度和準確度，又可同時診斷多個故障。圖2中，故障定位網絡主要完成故障的定位。通過對測試信號的判斷將故障進行分類，其輸出對應第二層的輸入。第二層網絡包括澄清池部分3個子網絡，清水箱部分3個子網絡，每個子網絡均采用三層BP網絡結構。6個子網的結構和工作過程基本相同，以2#澄清池診斷網絡為例，進行仿真研究。

2.2 神經網絡訓練

根據故障機理分析和該領域的專家知識，可以得到2#澄清池系統的故障征兆集、故障原因集。

該系統的故障征兆可由以下可測的工藝參數表征：澄清池入口溫度、澄清池出口溫度、澄清池入口流量、澄清池入口調節門開。度、澄清池出口濁度、澄清池泥渣。將故障征兆進行歸一化處理計算，得到6個[0，1]之間的故障征兆特征值，X=(X1，X2，…，X6)作為神經網絡的輸入。

常見的故障有：傳感器斷線故障，F1～F4；調節門偏差F5、調節門卡死F6、調節門滯環F7、粘調節門滯滑動F8、調節門漏流F9；出口濁度高F10、入口流量大F11；系統正常用F0表示。共12種故障模式，記為Y=(Y1，Y2，…，Y12)作為神經網絡的輸出。由閥值函數判定輸出層神經元的最終輸出結果：

隱含層：隱含層的節點數和神經元數目選擇，目前理論尚無指導，本系統隱含層選取10個神經元。這樣構成6-10-12的三層BP網絡結構。

BP網絡的訓練樣本來自電廠相應故障的累計數據。表1列出了故障樣本，其中每個樣本均有6個特征值，選擇足夠多的代表正常狀態和故障狀態的樣本，采用BP算法對6-10-12網絡進行訓練。在系統總誤差為0.01，步長為0.5時，網絡訓練10 000次，或直到滿足性能要求時停止訓練，否則增加訓練次數。

2.3 仿真

網絡訓練完后，用其他故障樣本進行測試其對應的診斷結果見表2。神經網絡故障診斷推理過程舉例如下：根據本文故障診斷的特點，防止誤診斷和漏診斷，通過試驗，取φ=0.90，診斷效果最佳。表1中“樣本1”輸入神經網絡，對應網絡輸出為表2中的“樣本1”所在行，依次類推。表1中的樣本1對應的網絡輸出值均小于0.90，說明無故障，代表系統正常工作；樣本2對應的網絡輸出，只有Y2>0.90，說明有“F2”故障存在。然后啟動專家系統，對該結果進行驗證和解釋。測試結果表明，該網絡對已訓練過的樣本有很好的識別能力。

3 結 語

采用神經網絡和專家系統相結合構造新型的神經網絡專家系統，是智能系統發展的必然趨勢。將神經網絡與專家系統相結合對電廠生產過程進行故障診斷，是這種新型診斷方法的一種嘗試。診斷結果表明對于已學過的樣本知識，網絡輸出與期望結果充分相符，表明該網絡能夠正確地進行故障診斷，而且能進行多故障的同時診斷。為了進一步提高網絡輸出的精度，還需要加強對樣本數據收集、處理的規范化，使診斷結果更加準確。