隨著控制理論的不斷完善和發(fā)展，以及計算機技術在工業(yè)控制領域的廣泛應用，控制系統(tǒng)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(tǒng)良好控制性能的同時，對提高系統(tǒng)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(tǒng)各部件的可靠性，增加硬件冗余，但這將使系統(tǒng)成本和規(guī)模增加。為此，可采用實時故障診斷技術，建立一套監(jiān)控系統(tǒng)，使其能在系統(tǒng)故障前期或發(fā)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(tǒng)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(tǒng)回路眾多，控制設備(傳感器和執(zhí)行器等)分布廣泛，完全靠人力來檢查和發(fā)現(xiàn)故障極費時費力。據(jù)統(tǒng)計，尋找系統(tǒng)故障花費的時間占系統(tǒng)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(xiàn)進行了研究。
1 基于神經網絡技術的故障診斷專家系統(tǒng)
本文提出的基于神經網絡技術的專家系統(tǒng)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(tǒng)反向推理的特點開發(fā)出一套混合診斷系統(tǒng)
1.1 基于神經網絡技術的專家系統(tǒng)的結構和功能
基于神經網絡技術的專家系統(tǒng)的結構如圖1所示。信號預處理主要承擔數(shù)據(jù)采集和知識表述的規(guī)范化。神經網絡充當專家系統(tǒng)的正向推理機，它接收規(guī)范化處理后的原始證據(jù)輸入，給出處理后的結果，然后利用專家系統(tǒng)的反向推理對其結果進行驗證，從而提高整個系統(tǒng)的推理速度和診斷的正確率?？刂浦行目刂浦麄€系統(tǒng)的輸入輸出以及系統(tǒng)的運行。
1.2 基于神經網絡的專家系統(tǒng)的工作過程
診斷系統(tǒng)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(tǒng)從現(xiàn)場采集數(shù)據(jù)，對數(shù)據(jù)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(tǒng)，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(tǒng)不作任何改變，若診斷結果發(fā)生了漏診斷，則系統(tǒng)在控制中心的調度下，啟動學習機構，對專家系統(tǒng)的知識庫進行修正。若發(fā)生誤診斷則可修改專家系統(tǒng)知識庫。
2 基于神經網絡技術的專家系統(tǒng)的應用
將基于神經網絡技術的專家系統(tǒng)應用到電廠補給水處理系統(tǒng)中。該系統(tǒng)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(tǒng)及鍋爐補給水除鹽系統(tǒng)。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(tǒng)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(guī)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(guī)模，而且由于各故障診斷采用并聯(lián)組合式，具備神經網絡大規(guī)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(jù)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(tǒng)的故障征兆集、故障原因集。
該系統(tǒng)的故障征兆可由以下可測的工藝參數(shù)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(jié)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，F(xiàn)1～F4；調節(jié)門偏差F5、調節(jié)門卡死F6、調節(jié)門滯環(huán)F7、粘調節(jié)門滯滑動F8、調節(jié)門漏流F9；出口濁度高F10、入口流量大F11；系統(tǒng)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(shù)判定輸出層神經元的最終輸出結果：
隱含層：隱含層的節(jié)點數(shù)和神經元數(shù)目選擇，目前理論尚無指導，本系統(tǒng)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(shù)據(jù)。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(tài)和故障狀態(tài)的樣本，采用BP算法對6-10-12網絡進行訓練。在系統(tǒng)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(shù)。
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(jù)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(tǒng)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(tǒng)，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(tǒng)相結合構造新型的神經網絡專家系統(tǒng)，是智能系統(tǒng)發(fā)展的必然趨勢。將神經網絡與專家系統(tǒng)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(shù)據(jù)收集、處理的規(guī)范化，使診斷結果更加準確。