基于神经网络的火电厂生产过程故障诊断专家系统

随着控制理论的不断完善和发展，以及计算机技术在工业控制领域的广泛应用，控制系统的自动化水平、控制品质均得到了显著的改善和提高。在追求控制系统良好控制性能的同时，对提高系统的可靠性和可维修性也提出了越来越高的要求。对于火电厂生产过程控制来说，目前提高其可靠性的方法是提高系统各部件的可靠性，增加硬件冗余，但这将使系统成本和规模增加。为此，可采用实时故障诊断技术，建立一套监控系统，使其能在系统故障前期或发生故障时迅速地检测且分离故障，进而采取必要的措施防止故障扩大，达到提高系统可靠性，减少维修时间和成本的目的。另外，火电厂生产过程控制系统回路众多，控制设备(传感器和执行器等)分布广泛，完全靠人力来检查和发现故障极费时费力。据统计，寻找系统故障花费的时间占系统修复时间的90％左右。为此，本文对火电厂生产过程控制的故障诊断及其实现进行了研究。

1 基于神经网络技术的故障诊断专家系统

本文提出的基于神经网络技术的专家系统就是力图模拟人类专家分析问题的过程，利用神经网络及专家系统反向推理的特点开发出一套混合诊断系统

1.1 基于神经网络技术的专家系统的结构和功能

基于神经网络技术的专家系统的结构如图1所示。信号预处理主要承担数据采集和知识表述的规范化。神经网络充当专家系统的正向推理机，它接收规范化处理后的原始证据输入，给出处理后的结果，然后利用专家系统的反向推理对其结果进行验证，从而提高整个系统的推理速度和诊断的正确率。控制中心控制着整个系统的输入输出以及系统的运行。

1.2 基于神经网络的专家系统的工作过程

诊断系统在投入运行前，神经网络要进行训练，训练后的网络方可进入运行。诊断过程如下：

(1)系统从现场采集数据，对数据进行初步处理，并启动神经网络诊断模块进行分析诊断，然后将诊断结果送入候选故障集；

(2)启动故障诊断专家系统，利用其反向推理机制对候选故障集中的故障进行验证。在诊断过程中，若诊断结果正确则整个诊断系统不作任何改变，若诊断结果发生了漏诊断，则系统在控制中心的调度下，启动学习机构，对专家系统的知识库进行修正。若发生误诊断则可修改专家系统知识库。

2 基于神经网络技术的专家系统的应用

将基于神经网络技术的专家系统应用到电厂补给水处理系统中。该系统主要包括预处理、机械处理、一级除盐和二级除盐四部分。本文以预处理为例，预处理工艺流程：生水(生水加热器(二个)→澄清池(三座)→澄清水箱(三台)→澄清水泵(五台)，分别至生活消防水系统及锅炉补给水除盐系统。生水采用加凝聚剂和助凝剂进行处理。

2.1 神经网络结构

针对预处理多测点、多故障的特点，该系统采用整体结构分散化与子网络组合化相结合的神经网络来完成诊断。一方面，分层后的网络(见图2)比原网络规模小得多，从而使训练时间大为减少；另一方面，相互无关的故障与原因之间除去完全没有必要的权值连接(或令权值=0)减小了规模，而且由于各故障诊断采用并联组合式，具备神经网络大规模并行处理的特征，这样既可以提高诊断速度和准确度，又可同时诊断多个故障。图2中，故障定位网络主要完成故障的定位。通过对测试信号的判断将故障进行分类，其输出对应第二层的输入。第二层网络包括澄清池部分3个子网络，清水箱部分3个子网络，每个子网络均采用三层BP网络结构。6个子网的结构和工作过程基本相同，以2#澄清池诊断网络为例，进行仿真研究。

2.2 神经网络训练

根据故障机理分析和该领域的专家知识，可以得到2#澄清池系统的故障征兆集、故障原因集。

该系统的故障征兆可由以下可测的工艺参数表征：澄清池入口温度、澄清池出口温度、澄清池入口流量、澄清池入口调节门开。度、澄清池出口浊度、澄清池泥渣。将故障征兆进行归一化处理计算，得到6个[0，1]之间的故障征兆特征值，X=(X1，X2，…，X6)作为神经网络的输入。

常见的故障有：传感器断线故障，F1～F4；调节门偏差F5、调节门卡死F6、调节门滞环F7、粘调节门滞滑动F8、调节门漏流F9；出口浊度高F10、入口流量大F11；系统正常用F0表示。共12种故障模式，记为Y=(Y1，Y2，…，Y12)作为神经网络的输出。由阀值函数判定输出层神经元的最终输出结果：

隐含层：隐含层的节点数和神经元数目选择，目前理论尚无指导，本系统隐含层选取10个神经元。这样构成6-10-12的三层BP网络结构。

BP网络的训练样本来自电厂相应故障的累计数据。表1列出了故障样本，其中每个样本均有6个特征值，选择足够多的代表正常状态和故障状态的样本，采用BP算法对6-10-12网络进行训练。在系统总误差为0.01，步长为0.5时，网络训练10 000次，或直到满足性能要求时停止训练，否则增加训练次数。

2.3 仿真

网络训练完后，用其他故障样本进行测试其对应的诊断结果见表2。神经网络故障诊断推理过程举例如下：根据本文故障诊断的特点，防止误诊断和漏诊断，通过试验，取φ=0.90，诊断效果最佳。表1中“样本1”输入神经网络，对应网络输出为表2中的“样本1”所在行，依次类推。表1中的样本1对应的网络输出值均小于0.90，说明无故障，代表系统正常工作；样本2对应的网络输出，只有Y2>0.90，说明有“F2”故障存在。然后启动专家系统，对该结果进行验证和解释。测试结果表明，该网络对已训练过的样本有很好的识别能力。

3 结 语

采用神经网络和专家系统相结合构造新型的神经网络专家系统，是智能系统发展的必然趋势。将神经网络与专家系统相结合对电厂生产过程进行故障诊断，是这种新型诊断方法的一种尝试。诊断结果表明对于已学过的样本知识，网络输出与期望结果充分相符，表明该网络能够正确地进行故障诊断，而且能进行多故障的同时诊断。为了进一步提高网络输出的精度，还需要加强对样本数据收集、处理的规范化，使诊断结果更加准确。