1 引言 電站鍋爐設(shè)備是一個(gè)復(fù)雜的系統(tǒng)，其故障診斷要求實(shí)時(shí)性強(qiáng)，推理效率高，定位準(zhǔn)確，一旦出現(xiàn)故障征兆要立即做出準(zhǔn)確判斷，迅速采取措施，以避免釀成災(zāi)難性的事故。故障診斷涉及診斷知識(shí)的處理機(jī)制，實(shí)時(shí)數(shù)據(jù)庫(kù)，知識(shí)庫(kù)等諸多問(wèn)題。傳統(tǒng)的知識(shí)處理方式具有知識(shí)表達(dá)直觀、模塊性強(qiáng)、邏輯推理清晰等優(yōu)點(diǎn)。但這種處理方式存在知識(shí)獲取的瓶頸問(wèn)題，推理效率低，自適應(yīng)能力差，實(shí)時(shí)性差等局限性。這對(duì)于一個(gè)必須兼具準(zhǔn)確、實(shí)用性、實(shí)時(shí)性并能不斷完善和擴(kuò)充的診斷系統(tǒng)來(lái)說(shuō)是關(guān)鍵性的障礙，因此多年來(lái)人們一直在積極尋求各種解決方法，如采取多種知識(shí)表示方式及多種求解策略，提高系統(tǒng)的靈活性;采取機(jī)器學(xué)習(xí)的方法解決知識(shí)獲取的瓶頸問(wèn)題等。上述解決方案其根本目的在于達(dá)到將基于知識(shí)的符號(hào)處理方法與模糊神經(jīng)網(wǎng)絡(luò)充分有效的結(jié)合在一起，在建立一個(gè)強(qiáng)大的實(shí)時(shí)數(shù)據(jù)庫(kù)，在統(tǒng)一的數(shù)據(jù)信息平臺(tái)上，對(duì)各種故障征兆作深度處理。 對(duì)于電站鍋爐故障診斷過(guò)程而言，鍋爐設(shè)備的結(jié)構(gòu)知識(shí)、功能知識(shí)、設(shè)備的歷史運(yùn)行數(shù)據(jù)、設(shè)備的故障數(shù)據(jù)、鍋爐遠(yuǎn)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(duì)于維護(hù)電廠的正常運(yùn)行是十分重要的。 進(jìn)行生產(chǎn)決策和管理等都是相當(dāng)重要的。但是，目目前國(guó)內(nèi)有相當(dāng)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(yīng)用系統(tǒng)之間的數(shù)據(jù)無(wú)法快速共享，這對(duì)于建立鍋爐的實(shí)時(shí)監(jiān)測(cè)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(biāo)準(zhǔn)建立鍋爐實(shí)時(shí)數(shù)據(jù)庫(kù)，即使故障診斷信息標(biāo)準(zhǔn)化和規(guī)范化，可有效地提高診斷過(guò)程推理效率和準(zhǔn)確率。 鍋爐故障診斷知識(shí)庫(kù)實(shí)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(yīng)處理措施共同組成的一個(gè)規(guī)則庫(kù)，對(duì)于采用面向?qū)ο蟮闹R(shí)表示方法而言，可以將它們視為不同的對(duì)象。這些對(duì)象之間的主要區(qū)別在于對(duì)象的屬性值不同，因此只要應(yīng)用數(shù)據(jù)庫(kù)保存整個(gè)診斷系統(tǒng)全部故障征兆、故障類(lèi)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(lèi)，在處理診斷系統(tǒng)的“知識(shí)獲取”這一“瓶頸”環(huán)節(jié)時(shí)，只要通過(guò)創(chuàng)建異常事件類(lèi)的不同實(shí)例，既可繼承相應(yīng)事件類(lèi)的屬性值，動(dòng)態(tài)的生成各種不同的對(duì)象，并將其作為經(jīng)驗(yàn)樣本，通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，以網(wǎng)絡(luò)權(quán)值的形式作為知識(shí)存貯起來(lái)。由于這些對(duì)象之間存在緊密的關(guān)聯(lián)機(jī)制，因此比較適合應(yīng)用成熟的關(guān)系數(shù)據(jù)庫(kù)來(lái)存貯和管理這些對(duì)象的屬性。本文重點(diǎn)討論模糊神經(jīng)網(wǎng)絡(luò)及實(shí)時(shí)關(guān)系型數(shù)據(jù)庫(kù)，最后簡(jiǎn)略提及系統(tǒng)實(shí)現(xiàn)和實(shí)驗(yàn)效果問(wèn)題。 2 基于模糊神經(jīng)網(wǎng)絡(luò)的故障模式識(shí)別 故障診斷實(shí)質(zhì)上是一種狀態(tài)識(shí)別與分類(lèi)問(wèn)題，是根據(jù)傳感器測(cè)量的各種狀態(tài)參數(shù)來(lái)識(shí)別其運(yùn)行狀態(tài)，一旦發(fā)生異常即刻進(jìn)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(píng)判、模糊類(lèi)聚分析、模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)、專(zhuān)家系統(tǒng)等，這些方法都各有其各自的優(yōu)缺點(diǎn)。 人工神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的聯(lián)想、記憶和學(xué)習(xí)功能在設(shè)備故障診斷領(lǐng)域受到了廣泛的關(guān)注，神經(jīng)網(wǎng)絡(luò)對(duì)信息的處理是通過(guò)大量稱(chēng)為結(jié)點(diǎn)的簡(jiǎn)單處理單元的相互作用進(jìn)行的。通過(guò)對(duì)經(jīng)驗(yàn)樣本的學(xué)習(xí)，將專(zhuān)家的知識(shí)以權(quán)值形式存貯在網(wǎng)絡(luò)中，并利用網(wǎng)絡(luò)的信息保持性來(lái)完成不精確的診斷推理，可以較好地模擬專(zhuān)家經(jīng)驗(yàn)、直覺(jué)而不是復(fù)雜的推理過(guò)程。因此采用基于神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)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(shí)表示、獲取和并行推理等方面具有一定的優(yōu)勢(shì)。模糊神經(jīng)網(wǎng)絡(luò)診斷是神經(jīng)網(wǎng)絡(luò)和模糊邏輯相集成的技術(shù)。模糊神經(jīng)網(wǎng)絡(luò)（fnn）是由兩個(gè)或兩個(gè)以上模糊神經(jīng)元相互連接形成的網(wǎng)絡(luò)。它的構(gòu)造方法是將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模糊化，這種fnn保留原來(lái)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而將神經(jīng)元進(jìn)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(guò)求和而是通過(guò)模糊累積運(yùn)算來(lái)累積，根據(jù)具體情況還可以對(duì)輸出y進(jìn)行模糊運(yùn)算。在模糊神經(jīng)網(wǎng)絡(luò)中，模糊神經(jīng)元的設(shè)計(jì)應(yīng)使之具有和非模糊神經(jīng)元大致相同的功能，同時(shí)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(gè)輸入到輸出的過(guò)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(shí)的系統(tǒng)中，常使用一組條件語(yǔ)句“if—then”規(guī)則來(lái)表示從人類(lèi)專(zhuān)家那里得到的知識(shí)，這種知識(shí)常伴隨著不確定性和模糊術(shù)語(yǔ)，因此在“if—then”中，前提和結(jié)論是作為模糊集來(lái)處理的。第i類(lèi)神經(jīng)元就是由這種規(guī)則描述。[/align][align=left] 圖2表示一個(gè)具有n個(gè)輸入和單輸出的模糊神經(jīng)元，其輸入輸出關(guān)系是由一個(gè)“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(dāng)前輸入，bi是第i神經(jīng)元的當(dāng)前輸出，第i個(gè)神經(jīng)元由模糊神經(jīng)網(wǎng)絡(luò)中所示的全部m個(gè)規(guī)則中的第i規(guī)則描述。也就是說(shuō)每個(gè)神經(jīng)元表示m個(gè)“if—then”規(guī)則中的一個(gè)。 根據(jù)模糊邏輯理論，第i個(gè)模糊神經(jīng)元可以由一個(gè)模糊關(guān)系ri來(lái)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(dāng)前輸入（模糊或非模糊）a1，a2，…，an,根據(jù)推斷的復(fù)合規(guī)則，第i個(gè)規(guī)則給出的輸出量是yi=a1o （a2o （…（an ri）…）） 此處，“o”表示任意復(fù)合操作，所提出的模糊神經(jīng)元中，輸入是通過(guò)一個(gè)模糊條件語(yǔ)句或“if—then”規(guī)則與其輸出相關(guān)聯(lián)的。神經(jīng)元的經(jīng)驗(yàn)存貯在模糊關(guān)系ri中，其輸出由當(dāng)前輸入和過(guò)去的經(jīng)驗(yàn)ri組成。 第i類(lèi)神經(jīng)元的學(xué)習(xí)算法可由實(shí)際問(wèn)題具體確定。模糊神經(jīng)元的學(xué)習(xí)，可以通過(guò)“突觸”調(diào)整或“軀體”調(diào)整來(lái)實(shí)現(xiàn)?！巴挥|”調(diào)整的意思是不斷對(duì)所有的輸入進(jìn)行修正，然后前向傳遞到神經(jīng)元體。而“軀體”調(diào)整則是對(duì)過(guò)去的經(jīng)驗(yàn)進(jìn)行修正。 一般的模糊神經(jīng)網(wǎng)絡(luò)采用多層前向神經(jīng)網(wǎng)絡(luò)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(lèi)型的模糊神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)繼承了常規(guī)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，但由于模糊信息的特殊性，又形成了一些獨(dú)特的算法。模糊神經(jīng)網(wǎng)絡(luò)融合了模糊邏輯和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，既能表示定性的知識(shí)，又具有自學(xué)習(xí)和處理定量數(shù)據(jù)的能力，是二者集成的結(jié)晶。在設(shè)備故障診斷中，其構(gòu)造方法是將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模糊化，它保留原來(lái)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而將神經(jīng)元進(jìn)行模糊化處理，使之具有處理模糊信息的能力。網(wǎng)絡(luò)結(jié)構(gòu)等可參見(jiàn)文獻(xiàn)[1][2][3][4]。 3 故障診斷數(shù)據(jù)庫(kù) 在故障診斷過(guò)程中要采集大量時(shí)間序列數(shù)據(jù)，有眾多的實(shí)時(shí)數(shù)據(jù)需要貯存、處理。因此實(shí)時(shí)數(shù)據(jù)庫(kù)是很關(guān)鍵的，以鍋爐運(yùn)行規(guī)程為基礎(chǔ)，建立鍋爐故障診斷數(shù)據(jù)庫(kù)，包括故障類(lèi)型、故障征兆明細(xì)表、經(jīng)驗(yàn)樣本集表、參數(shù)征兆分析表等，實(shí)現(xiàn)知識(shí)的有效存貯、方便的管理和維護(hù)，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(tái)，最好的選擇是選用美國(guó)wonderware公司的insql server，它是用于工廠和過(guò)程數(shù)據(jù)的開(kāi)發(fā)的實(shí)時(shí)關(guān)系型數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)可通過(guò)wonderware i/o server連接超過(guò)500種的控制設(shè)備和數(shù)據(jù)采集系統(tǒng)，由于對(duì)模擬量和離散量數(shù)據(jù)的采集和存貯進(jìn)行了優(yōu)化設(shè)計(jì)，在相同的硬件環(huán)境下，insql server在很多方面都勝過(guò)所有普通的關(guān)系型數(shù)據(jù)庫(kù)，使得在關(guān)系型數(shù)據(jù)庫(kù)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(guān)系型數(shù)據(jù)庫(kù)相比，存貯同樣的數(shù)據(jù)，insql server大約只占普通關(guān)系型數(shù)據(jù)所需容量的2%。例如對(duì)于一個(gè)有4000個(gè)變量、掃描速度從秒級(jí)到分級(jí)的工廠來(lái)說(shuō)，存貯2個(gè)月的歷史數(shù)據(jù)所需的磁盤(pán)空間一般情況下不會(huì)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(jià)格已變得愈來(lái)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(kù)采用了loss-less無(wú)損壓縮算法。一般數(shù)據(jù)庫(kù)不支持時(shí)間序列數(shù)據(jù)，比如sql語(yǔ)言不支持時(shí)間序列數(shù)據(jù)，特別是無(wú)法控制返回?cái)?shù)據(jù)的分辨率，也無(wú)法向用戶主動(dòng)提供數(shù)據(jù)。而insql server允許對(duì)分辨率和主動(dòng)更新的控制，并在服務(wù)器上提供了基本的時(shí)間關(guān)系函數(shù)，如變化率和完整過(guò)程計(jì)算等。上述功能使故障診斷系統(tǒng)軟件開(kāi)發(fā)周期大大縮短。[/align] 4 故障診斷的工程實(shí)現(xiàn) 目前電站普通采用dcs系統(tǒng)，它的功能豐富，比如運(yùn)行參數(shù)的監(jiān)視、記錄存貯，實(shí)時(shí)趨勢(shì)與歷史趨勢(shì)顯示等。以dcs系統(tǒng)為基礎(chǔ)稍加改進(jìn)，不僅可避免重復(fù)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(kāi)發(fā)周期，是符合我國(guó)國(guó)情的。診斷系統(tǒng)的核心技術(shù)在于神經(jīng)網(wǎng)絡(luò)和專(zhuān)家系統(tǒng)如何有機(jī)結(jié)合，因?yàn)閮烧咴谥R(shí)獲取、知識(shí)表示、推理機(jī)制等方面有許多差異，如果把所有的知識(shí)都轉(zhuǎn)換成與熱力參數(shù)相關(guān)，使參數(shù)征兆的提取和預(yù)處理符合神經(jīng)網(wǎng)絡(luò)的輸入要求，那么問(wèn)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(shè)備的故障診斷過(guò)程包括參數(shù)征兆的異常判別和故障診斷兩個(gè)方面。前者是故障診斷的基礎(chǔ)，對(duì)于采集到的反映設(shè)備運(yùn)行狀態(tài)的參數(shù)，需要通過(guò)征兆提取，根據(jù)設(shè)備正常工作特性及制定的標(biāo)準(zhǔn)（通?？稍O(shè)置為4種狀態(tài):正常、報(bào)警、危險(xiǎn)報(bào)警、異常）判定其運(yùn)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(jìn)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(chǎng)人員的經(jīng)驗(yàn)或一個(gè)特定的標(biāo)準(zhǔn)，但在現(xiàn)場(chǎng)中，這個(gè)標(biāo)準(zhǔn)并不是很?chē)?yán)格的。比如，某運(yùn)行機(jī)組在額定工況下運(yùn)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(shuō)，可以以545℃、530℃為限作為判定主蒸汽溫度狀態(tài)的異常標(biāo)準(zhǔn)。但這個(gè)標(biāo)準(zhǔn)并不嚴(yán)格，有時(shí)主蒸汽溫度比545℃略高或比530℃略低，機(jī)組還是處于正常運(yùn)行狀態(tài)，且若參數(shù)異常，到底是屬于報(bào)警狀態(tài)還是屬于危險(xiǎn)狀態(tài)也是無(wú)法明確區(qū)別的。因此，可以說(shuō)，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(xué)工具。對(duì)于一個(gè)模糊子集a表示某個(gè)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(lái)描述對(duì)a的隸屬度。當(dāng)μa（x）=0.1或1時(shí)，特征參數(shù)正處在嚴(yán)格的正常和異常狀態(tài);當(dāng)μa（x）>0.4時(shí)，發(fā)出預(yù)報(bào)警信號(hào);當(dāng)μa（x）>0.5時(shí)，發(fā)出危險(xiǎn)報(bào)警信號(hào);當(dāng)μa（x）>0.8時(shí)，發(fā)出異常報(bào)警信號(hào)。 5 結(jié)束語(yǔ) 故障診斷是很復(fù)雜的，本文以電站鍋爐為背景，屏蔽了很多技術(shù)細(xì)節(jié)，概略地討論了基于模糊神經(jīng)網(wǎng)絡(luò)的診斷方法，初步試驗(yàn)效果已經(jīng)說(shuō)明，該方法是合理有效的。