基于規則與案例推理的汽輪發電機組故障診斷專家系統

張 強， 剡昌鋒， 王慧濱， 栗 宇

(1. 蘭州理工大學 機電工程學院，甘肅 蘭州 730050； 2. 92822部隊，福建 漳州 363000)

0 引言

汽輪發電機組是電力系統的關鍵設備，其運行的穩定性直接影響到整個電力系統的正常工作，但隨著機組智能化程度的提高，機組會受到各種不確定性因素的影響，導致機組出現不同的故障類型，輕則造成停機，重則會發生災難性事故[1]。故障診斷技術的實現是機組狀態維修最重要的環節之一，其機械設備的改進、維修技術和管理水平的提高，故障診斷狀態的評價等對設備的運行和維護起著重要的指導作用。

隨著發電裝備實現超臨界的跨越，汽輪發電機組內部結構日趨復雜化、智能化與系統化，其機組設備故障診斷技術逐漸走出了憑借經驗進行診斷的傳統階段，發展成集信號檢測與處理技術、人工智能技術等多學科相結合的一個研究領域[2]。人工智能故障診斷方法主要有：基于模糊的故障診斷、基于人工神經網絡的故障診斷[3]、基于數據挖掘的故障診斷、機器學習和專家系統等。專家系統作為智能故障診斷的一個重要分支，主要是利用相關領域專家的知識與經驗通過模擬人類專家思維的方式對故障進行推理的一種診斷方法[4]，其在解決大型復雜設備故障問題上具有一定的優勢。

目前，工程實際中運用的專家系統主要包括基于規則推理(Rule-Based Reasoning，RBR)專家系統、基于案例推理(Case-Based Reasoning，CBR)專家系統、基于模型專家系統[5]、基于模糊推理專家系統和基于人工神經網絡專家系統等。近年來，故障診斷專家系統在一些大型工業機械設備故障預測與診斷中發揮著重要的作用。徐紅燕[6]把網絡通訊、數據庫和Java等多種技術融入到遠程監測與故障診斷領域，研究了基于B/S模式的汽輪發電機組遠程狀態監測與故障診斷系統。M.Yang等[7]提出了基于模糊的規則推理和基于事例的推理方法的集成的汽輪機知識庫系統，對推理結果具有較高的準確性。J. David等[8]設計并開發了基于狀態識別的汽輪機故障診斷專家系統，能夠根據實時狀態監測識別故障。Dou. D等[9]研究了基于CLIPS和數據挖掘算法的旋轉機械故障診斷專家系統。

當前智能故障診斷技術的一個研究熱點就是集成的智能故障診斷技術，把多種適合該領域的故障診斷技術有效集成，可以發揮各自診斷方法自身的優點，對其不足之處進行彌補，從而提高故障診斷系統的高效性與準確性，對于電廠和電力系統減少重大事故具有重要意義。鑒于汽輪發電機組復雜內部結構故障特征的特點，采取單一的推理方式會降低專家系統的診斷能力，比如，RBR和CBR在汽輪發電機組故障診斷專家系統中有各自的優點和缺點，主要表現在：

(1) 在知識表示方面，基于RBR的專家系統知識獲取與維護困難、自學習能力較差和規則之間的相似性等問題導致推理能力下降，而基于CBR的故障診斷方法對多案例信息獲取容易、更新案例信息方便、具有自學習能力等優點。

(2) 在診斷推理方面，RBR診斷技術由于知識表示直觀統一和易于理解與實現，在診斷推理過程中不需要系統模型、具有推理解釋能力和推理效率較高等優點，彌補CBR診斷技術在推理過程過度依賴案例庫、診斷速度慢、推理過程不易理解、對歷史案例層次檢索效率較低和系統性不足等問題。

RBR與CBR集成的故障診斷系統滿足了汽輪發電機組故障診斷效率較低的問題，克服了各自診斷過程中的不足，充分利用規則推理和案例推理的優勢。本文中，針對汽輪發電機組故障診斷問題，探討智能故障診斷專家系統兩者集成的理論結構和推理方式，設計與開發的集成故障診斷系統提高了診斷能力和準確性。

1 集成的故障診斷專家系統研究

汽輪發電機組智能故障診斷專家系統的工作原理就是獲取多位該領域專家的經驗與知識，利用合適的知識表示方式建立知識庫，并采取有效的推理方法解決當前遇到的故障診斷問題[10]。建立RBR與CBR相結合的集成故障診斷專家系統，克服各自診斷過程中的不足，充分利用兩者推理過程的優勢并相互補充，提高故障診斷系統的診斷能力。

根據汽輪發電機組故障發生的類型和診斷推理方式，建立汽輪發電機組故障診斷專家系統集成的推理工作流程，圖1系統采用RBR與CBR混合推理機制，根據輸入的故障特征、特征權重與置信度，維修技術人員首先需要根據以往診斷經驗選擇RBR或CBR推理流程。當選擇CBR推理時，根據描述的故障特征信息通過案例索引機制診斷出設備發生的故障類型，再由案例檢索過程在該類源案例中檢索最相似的案例，分析具體故障實例是否滿足診斷要求，并對原案例進行修正和新案例學習；當選擇RBR進行初步推理時，需要判斷專家系統是否能夠診斷出汽輪機發電機組故障的原因并給出維修策略。如果診斷出了故障原因，進行實例測試并對規則進行學習；如果沒有診斷出具體的故障原因，轉到CBR推理流程。

圖1 集成推理工作流程圖

2 汽輪發電機組故障診斷專家系統

2.1 規則推理模塊的研究

汽輪發電機組智能故障診斷專家系統RBR模塊的設計就是首先把該領域專家的知識與經驗以一定知識表示的形式存儲在知識庫中，然后在合適的RBR推理方式下找出所匹配的規則，最后根據知識庫內存儲的事實和規則得出診斷結果[11]。規則推理對知識表示包括基于置信度的產生式規則、事實與自定義函數三大部分，通過產生式方法把領域專家對設備的診斷經驗和知識轉換成產生式規則(If…，Then…)的形式，根據汽輪發電機組的故障發生的機理、故障特征和專家系統推理機制的設計，知識存儲結構采取框架+規則相結合的形式。其中CLIPS語言環境中，常伴頻率的自定義模板特征描述為：

deftemplate harmonic -frequency “常伴頻率”

(slot value)

(slot weight)

(slot CF)

模板由一個模板名和幾個槽組成，事實是以框架表示的形式通過assert語言添加CLIPS環境中，利用deffunction語句與defrule語句向CLIPS環境中添加自定義函數與自定義規則。

知識表示方面，由于汽輪發電機組本身結構復雜性的特點，機組發生故障時特征表現復雜、多樣和不確定，所以知識表示中規則前后件與規則本身也存在一定的不確定性[12]。汽輪發電機組的不同故障特征對診斷結果起到不同的作用，在采用基于置信度的不確定性推理方法中需要考慮特征權重的影響，表1為提出的基于置信度的故障規則表。

表1 汽輪發電機組軸彎曲故障規則表

一條完整的產生式規則表示為：

IFE1(w1) ANDE2(w2) AND…ANDEn(wn) THENγH

式中：E為規則前件，主要包括每條規則征兆屬性值、每條特征的置信度閾值、故障特征的權重值wi；H為規則后件，主要包括規則知識的置信度CF(H,E)、該條規則的閾值γ。

圖2為RBR系統框圖，RBR模塊在開發過程中，各部分之間的緊密聯系構成系統的整體框架，系統推理效率的高低主要依據規則集的數量和推理方式的確定。

圖2 RBR系統框圖

知識工程師通過獲得領域專家的知識與經驗把故障信息總結成規則和函數的形式存儲在知識庫中[13]，RBR診斷過程中，通過人機界面顯示出診斷結果并把存儲在數據庫中的中間診斷結果通過解釋器顯示在人機交互界面上，完成RBR推理的工作流程。

表2是汽輪發電機組故障診斷中一組故障特征，在規則推理過程中首先需要判斷故障特征的置信度是否大于產生式規則表內相應故障特征的置信度閾值，如果大于置信度閾值，則規則表中該條故障特征被激活，反之，規則表內該條故障特征不會被激活。根據故障規則表1與故障特征表2的對比可知，常伴頻率將不會作為該條規則是否被激活的依據。

表2 汽輪發電機組故障特征表

對于規則前件而言，其故障特征總體的置信度為：

(1)

由公式(1)可以得到表2中故障特征的總體置信度值：

CF(E)=0.82×0.3+0.94×0.7+

0.9×0.4+0.92×0.52=1.742 4

已知證據E的可信度CF(E)和該條規則的置信度CF(H,E)，可得結論H的可信度計算公式如下所示：

CF(H)=CF(H,E)×Max{0，CF(E)}

(2)

在RBR推理過程中，根據公式(1)所求得CF(E)和表1中規則置信度，由公式(2)可得：

CF(H)=0.59×Max(0，1.742 4)=

0.59×1.742 4=

1.028 016>0.92

由于CF(H)值大于規則表中規則設定閾值γ，則該條規則將會被激發。

2.2 基于熵值法的故障特征權值確定

汽輪發電機組故障特征具有隨機性和無序性的特點，不同的特征屬性對故障診斷結果具有差異性[14]，案例檢索過程中判斷故障特征的權重值具有重要作用。熵值法對于特征的不確定性度量具有較好的效果，根據各個故障特征相對變化程度的大小判斷其對整體故障特征的影響。確定特征權重時，主要根據故障特征信息量的大小來決定，特征信息量越大，其不確定性越小，特征權重就越小。汽輪發電機組在發生故障時所表現的故障特征是隨機的，對故障發生所起的重要程度也是不相同的，故在確定各個特征權重之前要判斷故障特征之間的變異程度。

在汽輪發電機組故障診斷專家系統中案例庫有m個歷史案例，每個案例具有n個故障特征，則歷史案例的特征值矩陣可以表示為X=(xij)m×n，其中xij表示第i個案例的第j個特征的特征值。對于第j個特征，其特征值xij的差距越大，則該特征在整個特征參量庫中所起的作用將會越大；如果某個故障特征的特征值相等，則該特征在整個特征范圍內不起任何作用，其特征權重為零。

2.3 案例推理模塊的研究

2.3.1 CBR推理流程

CBR是根據檢索儲存在案例庫中與問題案例相似的歷史案例來解決當前故障問題的一種推理方法[15]。根據汽輪發電機組故障信息和故障特性的描述，案例庫CB可表示為CB=C1，C2，C3,…,Cm，汽輪發電機組故障診斷專家系統案例庫中一個完整的案例Ci由四維信息表示為Ci=(Ii，Fi，Ri，Mi)。

其中，Ii為故障信息，包括案例編號、故障發生時間、設備類型和設備單位等；Fi=(fi1，fi2，…，fin)為案例Ci特征屬性集，fin表示案例Ci的第n個特征，汽輪發電機組故障特征主要包括主導頻率、常伴頻率、軸心軌跡、進動與振動方向、振動變化情況和一些其他征兆信息等；Ri為故障診斷結果，包括故障原因和故障類別；Mi為維修策略，包括解決措施和診斷結果評價。

圖3為汽輪發電機組故障診斷專家系統CBR工作流程圖，主要包括案例檢索、案例重用、案例修改和案例學習4個部分。通過對故障信息的分析并把故障特征輸入專家系統診斷界面；利用案例搜索策略方法在案例庫中找出與問題案例相似的案例并判斷是否能夠解決當前故障問題；假如能夠解決故障問題，生成案例診斷報告并進行案例學習，如果不能夠診斷出故障問題，對檢索出的案例進行修正并驗證診斷結果的可行性，然后通過案例學習部分把新案例存儲在案例庫中。

圖3 CBR工作流程圖

2.3.2 案例索引

為了解決因案例庫龐大影響檢索效率的問題，提出了把歷史案例分類存儲的方式。

定義1：對于樣本空間U分成k個類U1，U2，…,Uk，其中Ua∩Ub=?，a≠b，且a，b=1,2，…，k，P(Ua)是類Ua在空間U所占的概率,故可知：

案例搜索策略在CBR中起到關鍵的作用，提出貝葉斯概率模型函數對問題案例進行索引，索引算法如下：

步驟1：根據公式(3)，計算問題案例的每個特征在每個類中所占的比例：

(3)

步驟2：計算問題案例的所有特征在每個類中所占的比例如式(4)所示：

(4)

步驟3：根據步驟2所計算的結果，按照公式(5)判斷問題案例所屬的類:

SM=P(X|Ua)P(Ua)

(5)

其中，在a=1，2，...，k的情況下，選擇最大的SM值，從而可以斷定最大SM值所對應的j值就是問題案例所屬的某一類。

2.3.3 案例檢索

在CBR推理過程中，案例檢索主要是計算問題案例與歷史案例之間故障特征的相似度量，首先根據局部相似度(Local Similarity，LS)計算問題案例與歷史案例之間各個特征之間的相似程度，然后根據各個故障特征的權重和相似度計算全局相似度(Global Similarity，GS)的大小，根據GS數值大小的排序計算出與問題案例最相似的歷史案例，計算方法如式(6)所示。

(6)

式中：X與Y表示兩個不同的案例；n表示案例特征項的數量；wj表示第j項特征的權重值。

機組故障特征的模糊不確定性導致診斷結果與維修決策也伴隨著一定的不確定性，本文提出的模糊決策理論解決案例檢索中特征不確定的問題。案例搜索策略是判斷歷史案例Xi與問題案例Y之間特征值的差異，采用改進的歐幾里德(Euclid)貼近度的方法評價兩個案例之間模糊數據集的相似程度。汽輪發電機組故障特征是離散的，設定案例庫中歷史案例集Ua={X1，X2，…,Xm}，其中U為有限論域，公式(7)為相似度的計算方法。

GS(Xi,Y)=

(7)

由于不同的故障特征在CBR過程中對診斷結果所起的作用存在一定的差異性，為了使CBR得出的故障結果與維修策略具有一定的準確性，故對公式(6)考慮特征權重的情況，公式(7)修改后表示為：

GS(Xi,Y)=

(8)

式中：wj為案例的特征權重；Y為問題案例。

鑒于汽輪發電機組故障診斷過程設備運行中故障特征的實際情況和對診斷結果準確性的要求，公式(8)故障特征的特征值變量xij是模糊不確定的，故需要計算隸屬度函數u(x)的數值來判斷故障特征之間的差異性，根據u(x)計算問題案例與歷史案例之間相似度的大小。

比如在汽輪發電機組故障診斷中要求軸承瓦溫度高的隸屬度時，采用S函數：

(9)

根據汽輪發電機組故障運行時對油液溫度的具體要求，需要對α，β，γ值進行限定，設定參數α=10，β=60，γ=90，可得函數為：

(10)

通過公式(10)可得：當溫度為50 ℃時，隸屬于溫度高的隸屬度為0.5；當油溫為80 ℃，通過上式可得隸屬于溫度高的隸屬度為0.875；當溫度為20 ℃，通過上式可得隸屬于溫度高的隸屬度為 0.031 25。

當問題案例的油液溫度為80 ℃，其中案例庫中一個歷史案例的油液溫度為50 ℃時，計算特征油液溫度隸屬于溫度高的局部相似度為：

LS(X,Y)=wj×LS(Xij,Yj)=

wj×(uXi(xij)-uY(yj))2=

0.26×(0.875-0.5)2=

0.26×0.140 625=

0.036 562 5

同樣的計算方法應用于汽輪發電機組其他故障特征相似程度的計算，根據所有故障特征的局部相似度值，利用公式(8)計算全局相似度的大小并進行排序，選擇相似度值較高的k個歷史案例供診斷技術人員參考借鑒使用。

3 集成專家系統實例測試

該智能故障診斷專家系統的開發與設計主要是聯合CLIPS專家系統開發工具、SQL數據庫和C#編程語言3種軟件來完成的。用CLIPS專家系統開發工具開發該系統的推理機模塊，用C#軟件設計系統的人機交互界面模塊，用SQL數據庫作為知識庫和案例庫存儲該故障診斷領域專家的知識與經驗。利用開發軟件的相互接口技術可以實現ClipsNet組件在Visual C#中的調用CLIPS編程和SQL Server在Visual C#.NET環境的嵌入技術，開發軟件的優勢互補使得設計的故障診斷專家系統可以滿足用戶和操作人員的需求。

該專家系統具體的診斷流程主要分為兩部分，圖4、圖5為RBR模塊，包括規則診斷與規則學習。

圖4 規則診斷

圖5 規則學習

圖6為CBR過程中經過案例檢索診斷出的問題案例所屬類型和維修策略。圖7表示案例學習模塊，主要作用就是為了把CBR修正之后的問題案例信息、故障特征信息、故障原因、維修策略和處理意見評價作為新案例存儲在案例庫中。其診斷流程為：

圖6 案例診斷

步驟1：進入汽輪發電機組故障診斷專家系統主頁面輸入帳號與密碼進入系統之后，根據分析所監測的故障信息并總結成故障特征的形式。圖4主要輸入汽輪發電機組故障特征相應的特征值、特征權重和置信度，在診斷結果欄里會出現具體的故障原因與解決策略。

圖4表示的案例故障特征為：

((主導頻率(值：“1X”)(權重：0.3)(置信度：0.82))

((常伴頻率(值：“2X”)(權重：0.24)(置信度：0.8))

((軸心軌跡(值：“圓或橢圓正進動”)(權重：0.7)(置信度：0.94))

圖7 案例學習

((相位特征(值：“較穩定”)(權重：0.4)(置信度：0.9))

((油液溫度(值：“84”)(權重：0.52)(置信度：0.92))

其診斷結果為：

故障名：軸臨時性彎曲

故障類型：轉子自身

故障可信度：0.59

故障原因：預負荷過大導致軸系應力集中，頻繁啟停機致使轉子熱變形不均勻。

維修策略：校直軸，按機組規定升速與加載，保證轉子動平衡。

步驟2：在規則推理過程得出診斷結果之后，把診斷結果和故障特征總結成產生式規則的形式，技術操作人員通過規則學習操作按鈕把該規則存儲在規則庫中，圖5規則學習豐富汽輪發電機組故障診斷專家系統的知識庫，為之后的故障診斷提供豐富的數據集。

如果規則推理中沒有得出合適的診斷結果，則需要轉入案例推理部分。

圖6所示案例診斷：如果在案例索引過程中根據輸入的故障特征屬性計算出故障類型為“轉子不對中”，其他故障特征為“突發性振動主要是以半頻分量0.5X(25 Hz)為主；突發性振動時，緩存在半頻分量外，還存在1.5X、2X諧波分量”。診斷結果為“軸承實際安裝標高與要求的揚度曲線偏差較大，機組運行中有些軸承輕載，造成軸承失穩”，處理意見為“調整軸承實際安裝標高”。

步驟4：圖7案例學習部分根據診斷結果將故障診斷的各種故障信息、參數、設備的型號、生產廠家等信息以一個完整的案例的形式存儲下來，根據該案例所屬的故障類型，進行分類存儲，完成學習過程。

可見，該汽輪發電機組故障診斷專家系統可以滿足汽輪發電機故障診斷的要求，系統的知識庫通過產生式規則的形式表示領域專家的知識與經驗，提出基于置信度的不確定性推理方法從規則庫中推理出故障發生的原因和維修策略。當RBR過程不能給出最有效的解決方案時，CBR過程根據問題案例和歷史案例故障特征的差異性，根據案例搜索策略得出故障發生的機理。融合CBR和RBR集成的推理方式增強了故障診斷系統的可靠性，提高了診斷效率。

4 結論

為解決汽輪發電機組故障診斷問題，提出的RBR與CBR集成的汽輪發電機組故障診斷專家系統，不僅克服了各自推理方式的局限性，在探討具體的推理過程中能夠充分利用歷史故障信息。

通過實例驗證，提出基于置信度的規則推理方法和案例搜索策略在對汽輪發電機組故障問題的處理方式上具有高效性與準確性，通過Visual Studio 2010的Windows窗體應用程序設計該專家系統界面具有易操作性。

參考文獻：

[1]王慧濱. 基于規則和案例推理的汽輪發電組故障診斷專家系統[D]. 蘭州：蘭州理工大學, 2014.

[2]文天柱, 許愛強, 王怡蘋. 基于可拓規則推理的故障診斷方法[J]. 北京航空航天大學學報, 2016, 42(3):506-513.

[3]任浩, 屈劍鋒, 柴毅,等. 深度學習在故障診斷領域中的研究現狀與挑戰[J]. 控制與決策, 2017, 32(8):1345-1358.

[4]梁銀林, 劉慶. 集成KPCA-SVM的汽輪發電機組故障診斷[J]. 電力科學與工程, 2017, 33(1):27-31.

[5]CERRADA M, PACHECO F, SANCHEZ R V, et al. SOA Based integrated software to develop fault diagnosis models using machine learning in rotating machinery[C]// Service-Oriented System Engineering. IEEE, 2017.

[6]司景萍, 馬繼昌, 牛家驊,等. 基于模糊神經網絡的智能故障診斷專家系統[J]. 振動與沖擊, 2017, 36(4):164-171.

[7]DENG X W, GAO Q S, ZHANG C, et al. Rule-based fault diagnosis expert system for wind turbine[J]. ITM Web of Conferences, 2017, 11:7005.

[8]SHAABAN S M, NABWEY H. A decision tree approach for steam turbine-generator fault diagnosis[J]. International Journal of Advanced Science and Technology, 2013, 51 :59-66.

[9]YU G. Fault feature extraction using independent component analysis with reference and its application on fault diagnosis of rotating machinery[J]. Neural Computing & Applications, 2015, 26(1):187-198.

[10]YAN C F，MA S M. Fault diagnostic expert system of rolling element bearing based on CLIPS[J]. Journal of Information & Computational Science, 2013, 10(10):3053-3062.

[11]YAN C F, WANG H B, ZHOU L L, et al. Fault diagnosis expert system of turbine generator sets based on rule reasoning and case reasoning[J]. Applied Mechanics & Materials, 2014, 513-517:4443-4448.

[12]LIU H C, YOU J X, YOU X Y, et al. Linguistic reasoning petri nets for knowledge representation and reasoning[J]. IEEE Transactions on Systems Man & Cybernetics Systems, 2016, 46(4):499-511.

[13]高瑜, 仝衛國. 基于關聯規則的一次風機故障預警方法研究[J]. 電力科學與工程, 2016, 32(10):42-46.

[14]譚巨興, 張清華, 王欽若,等. 旋轉機械設備智能故障診斷方法的研究[J]. 工業控制計算機, 2016, 29(1):36-38.

[15]倪秋華, 朱曉東. 汽輪發電機組狀態監測和故障診斷的發展與趨勢[J]. 汽輪機技術, 2011, 53(3):220-222.