设备故障智能诊断

《设备故障智能诊断》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、Jiangsuuniversityofsderceandtechnalogy设备故障智能诊断实验报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、口坏等损坏；G4为汽伦给水泵轴承烧毁；G5为给水加热器泄漏；G6为主给水调节阀日控失调；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：标准故障发牛吋各特征参数值ZiZ2z3z4z5z6z7z8Z9Z10ZuZ】2Z】3G10.750.5().50.750.5().50.750.5().50.50.50.50.5g20.50.

2、50.50.50.50.50.50.50.250.250.50.50.5g30.50.50.50.50.50.50.50.50.250.250.50.50.5g40.50.5().5().50.5().5().500.2500.50.50.5g50.50.50.50.50.50.250.50.50.50.250.50.50.5g60.50.50.50.50.250.50.50.50.50.50.50.50.5g70.50.25().50.750.5().5().50.5().50.50.250.750.75Z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

3、位；Z4为蒸汽发生器二次侧顶端温度；Z5为蒸汽发牛器给水量；Z6为蒸汽发生器给水温度；Z7为蒸汽发牛器蒸汽量；Z8为汽伦给水泵转速；Z9为汽伦给水泵出口压力；Z10为汽轮给水泵流量；Z11为稳压辭水位；Z12为蒸汽发生器排污口放射性检测指标；Z13为冷凝辭排气口放射性检测指标。0.5为正常运行值，1.（）为上限关机值，（）•（）为下限关机值，（）.75与（）.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，所以在木实验中，它们被结合起來，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

4、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，去除兀余参数，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。图1诊断过程图、实验步』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和同，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別大的属性对结果产牛举足轻重的影响，而降低甚至排斥某些数量级较小的

5、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，使毎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井规格化、极大值规格化、极并规格化、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，根据学习样木中故障的种类数，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

6、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，这样原來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二｛兀/血,其中Xi=｛xil9切,…，恋｝为k维向量，将样木集X依据亲疏关系分成c个模糊了类,最后得到的分类结果是c个聚类中心刃(匸l,2,...,c)和一个隶属度矩阵U。P=(P1,P2,…,Pc)U=[//y]«=l,2,..,cj=l,2,...,n再为样木习属于分类，的隶屈度，满足以卜•规则。(1-1)0

7、标函数为：j=i/=1(1-2)d-3)其中me[L8]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妒'2c2a厂/工(心)心p=i10dqH0diJ=03/i,dtj=0d-4)的过程。Pi-工Ay兀j/工01J=1在公式(1・4)中，d尸通过不断迭代，最终得到c个聚类和每个聚类的聚类屮心刃。学习样本条件屈性值离散化处理具体过程的描述如下：①设定聚类数C、指数权重加以