设备故障智能诊断

设备故障智能诊断实验报

告

2014年01月12日

一、实验任务

已知船舶核动力装置中蒸汽发生器常见的故障有：

G1为蒸汽出口阀卡死；

G2为汽轮给水泵进汽调节阀故障；

G3为汽轮给水泵叶轮、口环等损坏；

G4 为汽轮给水泵轴承烧毁；

G5为给水加热器泄漏；

G6 为主给水调节阀自控失调；

G7为U型蒸汽发生器传热管破损。

标准故障发生时个特征参数如下表：

标准故障发生时各特征参数值

Z1Z2Z3Z4Z5Z6Z7Z8Z9Z10Z11Z12Z13 G10.75 0.5 0.5 0.75 0.5 0.5 0.75 0.5 0.5 0.5 0.5 0.5 0.5 G20.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.25 0.25 0.5 0.5 0.5 G30.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.25 0.25 0.5 0.5 0.5 G40.5 0.5 0.5 0.5 0.5 0.5 0.5 0 0.25 0 0.5 0.5 0.5 G50.5 0.5 0.5 0.5 0.5 0.25 0.5 0.5 0.5 0.25 0.5 0.5 0.5 G60.5 0.5 0.5 0.5 0.25 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 G70.5 0.25 0.5 0.75 0.5 0.5 0.5 0.5 0.5 0.5 0.25 0.75 0.75 Z为参数集：

Z1为主冷却剂平均温度；

Z2为主冷却剂系统压力；

Z3为蒸汽发生器二次侧水位；

Z4为蒸汽发生器二次侧顶端温度；

Z5为蒸汽发生器给水量；

Z6为蒸汽发生器给水温度；

Z7为蒸汽发生器蒸汽量；

Z8为汽轮给水泵转速；

Z9为汽轮给水泵出口压力；

Z10为汽轮给水泵流量；

Z11为稳压器水位；

Z12为蒸汽发生器排污口放射性检测指标；

Z13为冷凝器排气口放射性检测指标。

0.5 为正常运行值, 1.0为上限关机值, 0.0为下限关机值, 0.75与0.25则是上下报警值对应的状态。

二、实验原理

由于模糊聚类、灰色系统理论与粗糙集理论的理论基础不同，它们在处理不确定型复杂系统时有很强的互补性，所以在本实验中，它们被结合起来，应用于设备故障诊断中。在故障诊断过程中，首先利用模糊c均值聚类对样本的参数进行离散化处理，求得各类别的聚类中心，接着基于粗糙集理论对设备特征参数进行约简，去除冗余参数，定量确定各特征参数的重要程度，然后根据约简的特征参数和各参数的重要程度，利用灰色关联分析的方法确定各种标准故障状态与目

前设备状态的关联度，从而找到设备的故障所在之处。

学习样本集条件属性

值量化

组织

决策表

最小

条件集

测试样本集

对应于对小条件属

性集的测试样本集

灰色关联

分析

结果

输出

条件属性

值离散化

模糊聚类粗糙集

聚类中心

图 1 诊断过程图

三、实验步骤

1、根据学习样本集，对条件属性值进行无量纲化处理，通过模糊c均值聚类对条件属性值离散化处理，从而形成决策表。

学习样本集中的每个样本都由若干个属性组成，每个属性的量纲和数量级都不相同，如果直接对原始数据进行计算，就会可能导致某些数量级特别大的属性对结果产生举足轻重的影响，而降低甚至排斥某些数量级较小的属性的作用，导致一个属性只要改变一下单位，也会改变结果。因此，必须对原始数据进行无量纲化处理，使每个属性值统一在某种共同的数据范围内。常用的无量纲化处理有标准差规格化、极大值规格化、极差规格化、均值规格化等，考虑到在实现无量纲化的同时，还应保持原有各指标的分辨力，经分析发现，均值规格化是最好的方法。

设备故障诊断模型属于非时序模型，学习样本集的样本是若干个属性值排列的一组数，它们的量纲不同，无量纲化处理不能采用横向初始化或横向均值化，只能采用纵向初始化或纵向均值化。

在原始数据无量纲化后，根据学习样本中故障的种类数，采用模糊c均值聚类算法将样本分成相应的若干类，从而获得若干个聚类中心。然后，对每个属性分别采用模糊c均值聚类算法离散化处理，输入的聚类数可以根据每个属性需要离散的粒度而定，取样本隶属度最大的类别作为该样本在该属性上的取值，这样原来连续的变量空间被映射到离散的特征空间。

模糊c均值聚类算法最初由Bezkek提出。考虑一个样本集X={x1,x2,…,x n}，其中x i={x i1, x i2,…, x ik}为k维向量，将样本集X依据亲疏关系分成c个模糊子类，最后得到的分类结果是c个聚类中心p i（i=1,2,…,c）和一个隶属度矩阵U。

P=(p1,p2,…, p c)

U=[

ij

μ]i=1,2,..,c;j=1,2,…,n

ij

μ为样本x j属于分类i的隶属度，满足以下规则。

1

1c

ij

i μ

==∑ (1-1)

1

0n

ij j n μ=<<∑ (1-2)

FCM 算法的目标函数为：

211(,)()||||n

c

m m ij j i j i J U P x p μ===-∑∑ (1-3)

其中m ∈[1，∞]

模糊c 均值聚类算法是一个通过公式(1-4)和(1-5)不断迭代使目标函数最小的过程。

ij μ=22111()/()

0100,0

c

m m ij ij ij p ij tj d d d d t i d --=⎧≠⎪⎪

⎪

=⎨

⎪∃≠=⎪⎪⎩

∑ (1-4)

p i =

1

1

/n

n

m

m

ij

j ij j j x μ

μ==∑∑ 0

在公式(1-4)中，d ij =2||||j i x p -，通过不断迭代，最终得到c 个聚类和每个聚类的聚类中心p i 。

学习样本条件属性值离散化处理具体过程的描述如下：

①设定聚类数c 、指数权重m 以及停止阀值ε，初始化隶属度矩阵U (0)，令变量l =0;

②通过U (l)和公式(1-5)计算模糊聚类中心p i (l )

③通过p i (l )和公式(1-4)计算新的隶属度矩阵U (l +1); ④计算∆=||U (l +1)- U (l )||=(1)

()

max max ||l l ij

ij i

j

μμ+-，如∆〉ε，则令l =l +1，则

转至第②步，否则停止迭代，根据最后的隶属度矩阵，将样本分成c 类。 2、利用粗糙集理论的约简能力，进行约简，形成最小条件属性集。

在学习样本集中，样本各属性的值被离散化后，可以很容易地构成一个决策系统，在决策系统中，有些条件属性可以从其它条件属性推导出来，相互之间存在着依赖关系，对于分类来说，这些条件属性是冗余的。我们需要对条件属性进行约简，形成最小条件属性集。

定义1 决策系统S ={U , A }，其中A =C ∪D ，且C ∩D =∅，C 为条件属性集，D