1 引言 電站鍋爐設備是一個復雜的系統，其故障診斷要求實時性強，推理效率高，定位準確，一旦出現故障征兆要立即做出準確判斷，迅速采取措施，以避免釀成災難性的事故。故障診斷涉及診斷知識的處理機制，實時數據庫，知識庫等諸多問題。傳統的知識處理方式具有知識表達直觀、模塊性強、邏輯推理清晰等優點。但這種處理方式存在知識獲取的瓶頸問題，推理效率低，自適應能力差，實時性差等局限性。這對于一個必須兼具準確、實用性、實時性并能不斷完善和擴充的診斷系統來說是關鍵性的障礙，因此多年來人們一直在積極尋求各種解決方法，如采取多種知識表示方式及多種求解策略，提高系統的靈活性;采取機器學習的方法解決知識獲取的瓶頸問題等。上述解決方案其根本目的在于達到將基于知識的符號處理方法與模糊神經網絡充分有效的結合在一起，在建立一個強大的實時數據庫，在統一的數據信息平臺上，對各種故障征兆作深度處理。 對于電站鍋爐故障診斷過程而言，鍋爐設備的結構知識、功能知識、設備的歷史運行數據、設備的故障數據、鍋爐遠行規程等都是重要的信息資源，全面掌握這些數據對于維護電廠的正常運行是十分重要的。 進行生產決策和管理等都是相當重要的。但是，目目前國內有相當數量的火電廠由于歷史和技術方面的原因，生產線上的信息流失、沉淀，各應用系統之間的數據無法快速共享，這對于建立鍋爐的實時監測診斷系統是非常不利的。因此，采用企業的信息資源管理標準建立鍋爐實時數據庫，即使故障診斷信息標準化和規范化，可有效地提高診斷過程推理效率和準確率。 鍋爐故障診斷知識庫實際上是發生異常事故的現象、發生異常征兆的參數以及相應處理措施共同組成的一個規則庫，對于采用面向對象的知識表示方法而言，可以將它們視為不同的對象。這些對象之間的主要區別在于對象的屬性值不同，因此只要應用數據庫保存整個診斷系統全部故障征兆、故障類型、故障處理等屬性值，并將其定義為各種不同的異常事件類，在處理診斷系統的“知識獲取”這一“瓶頸”環節時，只要通過創建異常事件類的不同實例，既可繼承相應事件類的屬性值，動態的生成各種不同的對象，并將其作為經驗樣本，通過神經網絡訓練后，以網絡權值的形式作為知識存貯起來。由于這些對象之間存在緊密的關聯機制，因此比較適合應用成熟的關系數據庫來存貯和管理這些對象的屬性。本文重點討論模糊神經網絡及實時關系型數據庫，最后簡略提及系統實現和實驗效果問題。 2 基于模糊神經網絡的故障模式識別 故障診斷實質上是一種狀態識別與分類問題，是根據傳感器測量的各種狀態參數來識別其運行狀態，一旦發生異常即刻進行診斷，找出故障原因。目前人們已經提出并研究了多種故障診斷的方法。如模糊綜合評判、模糊類聚分析、模式識別、人工神經網絡、專家系統等，這些方法都各有其各自的優缺點。 人工神經網絡以其獨特的聯想、記憶和學習功能在設備故障診斷領域受到了廣泛的關注，神經網絡對信息的處理是通過大量稱為結點的簡單處理單元的相互作用進行的。通過對經驗樣本的學習，將專家的知識以權值形式存貯在網絡中，并利用網絡的信息保持性來完成不精確的診斷推理，可以較好地模擬專家經驗、直覺而不是復雜的推理過程。因此采用基于神經網絡的自學習功能、聯想記憶功能、分布式并發處理信息功能，在診斷系統的知識表示、獲取和并行推理等方面具有一定的優勢。模糊神經網絡診斷是神經網絡和模糊邏輯相集成的技術。模糊神經網絡（fnn）是由兩個或兩個以上模糊神經元相互連接形成的網絡。它的構造方法是將傳統神經網絡模糊化，這種fnn保留原來的神經網絡結構，而將神經元進行模糊化處理，使之具有分析模糊信息的能力。 2.1 模糊神經元 模糊神經元的基本結構如圖1所示。 [align=left] 模糊神經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”的輸入不是通過求和而是通過模糊累積運算來累積，根據具體情況還可以對輸出y進行模糊運算。在模糊神經網絡中，模糊神經元的設計應使之具有和非模糊神經元大致相同的功能，同時又要求它能反映神經元的模糊性質，具有模糊信息處理能力，其各個輸入到輸出的過程不一定總是相同的。 2.2 基于模糊規則描述的模糊神經元 在基于知識的系統中，常使用一組條件語句“if—then”規則來表示從人類專家那里得到的知識，這種知識常伴隨著不確定性和模糊術語，因此在“if—then”中，前提和結論是作為模糊集來處理的。第i類神經元就是由這種規則描述。[/align][align=left] 圖2表示一個具有n個輸入和單輸出的模糊神經元，其輸入輸出關系是由一個“if—then”規則表示: 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是當前輸入，bi是第i神經元的當前輸出，第i個神經元由模糊神經網絡中所示的全部m個規則中的第i規則描述。也就是說每個神經元表示m個“if—then”規則中的一個。 根據模糊邏輯理論，第i個模糊神經元可以由一個模糊關系ri來描述: 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給定當前輸入（模糊或非模糊）a1，a2，…，an,根據推斷的復合規則，第i個規則給出的輸出量是yi=a1o （a2o （…（an ri）…）） 此處，“o”表示任意復合操作，所提出的模糊神經元中，輸入是通過一個模糊條件語句或“if—then”規則與其輸出相關聯的。神經元的經驗存貯在模糊關系ri中，其輸出由當前輸入和過去的經驗ri組成。 第i類神經元的學習算法可由實際問題具體確定。模糊神經元的學習，可以通過“突觸”調整或“軀體”調整來實現。“突觸”調整的意思是不斷對所有的輸入進行修正，然后前向傳遞到神經元體。而“軀體”調整則是對過去的經驗進行修正。 一般的模糊神經網絡采用多層前向神經網絡結構。由于神經元以及融入模糊成分的不同，便出現了不同類型的模糊神經網絡。模糊神經網絡繼承了常規神經網絡的學習算法，但由于模糊信息的特殊性，又形成了一些獨特的算法。模糊神經網絡融合了模糊邏輯和神經網絡的優點，既能表示定性的知識，又具有自學習和處理定量數據的能力，是二者集成的結晶。在設備故障診斷中，其構造方法是將傳統神經網絡模糊化，它保留原來的神經網絡結構，而將神經元進行模糊化處理，使之具有處理模糊信息的能力。網絡結構等可參見文獻[1][2][3][4]。 3 故障診斷數據庫 在故障診斷過程中要采集大量時間序列數據，有眾多的實時數據需要貯存、處理。因此實時數據庫是很關鍵的，以鍋爐運行規程為基礎，建立鍋爐故障診斷數據庫，包括故障類型、故障征兆明細表、經驗樣本集表、參數征兆分析表等，實現知識的有效存貯、方便的管理和維護，為系統內部的推理提供方便。為了方便和將故障診斷系統納入統一的數據信息平臺，最好的選擇是選用美國wonderware公司的insql server，它是用于工廠和過程數據的開發的實時關系型數據庫。該數據庫可通過wonderware i/o server連接超過500種的控制設備和數據采集系統，由于對模擬量和離散量數據的采集和存貯進行了優化設計，在相同的硬件環境下，insql server在很多方面都勝過所有普通的關系型數據庫，使得在關系型數據庫中存貯高速數據成為可能，可以高速捕捉數據。由于采用了數據壓縮技術，可以在很小的空間中存貯數據，與普通關系型數據庫相比，存貯同樣的數據，insql server大約只占普通關系型數據所需容量的2%。例如對于一個有4000個變量、掃描速度從秒級到分級的工廠來說，存貯2個月的歷史數據所需的磁盤空間一般情況下不會小于2gb，而用insql server只需40mb空間。由于減少了存貯空間，存貯硬件價格已變得愈來愈不重要。為確保用戶獲得高分辨率和高質量的數據，該數據庫采用了loss-less無損壓縮算法。一般數據庫不支持時間序列數據，比如sql語言不支持時間序列數據，特別是無法控制返回數據的分辨率，也無法向用戶主動提供數據。而insql server允許對分辨率和主動更新的控制，并在服務器上提供了基本的時間關系函數，如變化率和完整過程計算等。上述功能使故障診斷系統軟件開發周期大大縮短。[/align] 4 故障診斷的工程實現 目前電站普通采用dcs系統，它的功能豐富，比如運行參數的監視、記錄存貯，實時趨勢與歷史趨勢顯示等。以dcs系統為基礎稍加改進，不僅可避免重復投資，充分發揮已有資源的潛力，更重要的是大大縮短了故障診斷系統的開發周期，是符合我國國情的。診斷系統的核心技術在于神經網絡和專家系統如何有機結合，因為兩者在知識獲取、知識表示、推理機制等方面有許多差異，如果把所有的知識都轉換成與熱力參數相關，使參數征兆的提取和預處理符合神經網絡的輸入要求，那么問題就迎忍而解了。圖4是熱力參數征兆提取的系統結構示意圖。 設備的故障診斷過程包括參數征兆的異常判別和故障診斷兩個方面。前者是故障診斷的基礎，對于采集到的反映設備運行狀態的參數，需要通過征兆提取，根據設備正常工作特性及制定的標準（通常可設置為4種狀態:正常、報警、危險報警、異常）判定其運行狀態是屬于正常還是異常，如果狀態屬于異常，就要進一步診斷找出故障。通常判斷正常和異常狀態是根據現場人員的經驗或一個特定的標準，但在現場中，這個標準并不是很嚴格的。比如，某運行機組在額定工況下運行，其主蒸汽溫度為540℃，在此額定值+5℃～-10℃均為正常狀態，換句話說，可以以545℃、530℃為限作為判定主蒸汽溫度狀態的異常標準。但這個標準并不嚴格，有時主蒸汽溫度比545℃略高或比530℃略低，機組還是處于正常運行狀態，且若參數異常，到底是屬于報警狀態還是屬于危險狀態也是無法明確區別的。因此，可以說，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學工具。對于一個模糊子集a表示某個特征參數x的取值范圍，用“隸屬度函數”μa（x）及其具體取值“隸屬度”μa（x）（0≤μ≤1）來描述對a的隸屬度。當μa（x）=0.1或1時，特征參數正處在嚴格的正常和異常狀態;當μa（x）>0.4時，發出預報警信號;當μa（x）>0.5時，發出危險報警信號;當μa（x）>0.8時，發出異常報警信號。 5 結束語 故障診斷是很復雜的，本文以電站鍋爐為背景，屏蔽了很多技術細節，概略地討論了基于模糊神經網絡的診斷方法，初步試驗效果已經說明，該方法是合理有效的。