3．1第一層

診斷知識模型由一般到特殊分四層組織：第一層描述最一般的診斷知識，由水輪機(jī)、發(fā)電機(jī)的機(jī)組模型組成。運(yùn)行模型描述了機(jī)組正常工作時(shí)的形態(tài)，故障模型描述了機(jī)組在故障時(shí)的形態(tài)，它們被用于基于模型的診斷、真值維護(hù)和解釋。第二層描述一般的診斷知識，由根據(jù)水電機(jī)組的技術(shù)標(biāo)準(zhǔn)、規(guī)程和專家診斷經(jīng)驗(yàn)歸納出的診斷規(guī)則組成，用于基于規(guī)則的診斷。第三層是根據(jù)類似診斷事例經(jīng)訓(xùn)練構(gòu)造的人工神經(jīng)網(wǎng)模型，用于基于神經(jīng)網(wǎng)模型的診斷。第四層由案例-子案例等級框架表示組成，它描述各電廠機(jī)組或電廠各機(jī)組間的特殊診斷案例知識，用于基于案例的診斷。

機(jī)組定量信息描述一般包括參數(shù)描述和狀態(tài)描述兩種。

參數(shù)描述指由機(jī)組參數(shù)的顯著變化來描述故障的發(fā)生如溫度量、電量等的量值越閾或突變。狀態(tài)描述指由機(jī)組開、停機(jī)過程及機(jī)組運(yùn)行狀態(tài)來描述所包含的故障信息。

由機(jī)組定量信息描述形成的運(yùn)行模型和故障模型，構(gòu)成機(jī)組模型子庫，形成模型知識庫的第一層。由該層支持的基于機(jī)組模型的故障診斷方法有：參數(shù)估計(jì)診斷法和狀態(tài)估計(jì)診斷法。

參數(shù)估計(jì)診斷法在進(jìn)行故障檢測、故障分離與估計(jì)、故障分類評價(jià)和決策時(shí)，診斷的過程參數(shù)為機(jī)組模型模擬量與機(jī)組實(shí)際運(yùn)行參數(shù)的比較值，所得殘余偏差為二者之間的相對變化值。在系列殘余偏差中包含有各種故障信息，結(jié)合機(jī)組模型庫中相應(yīng)模型對基本殘差序列采用統(tǒng)計(jì)檢驗(yàn)法，檢測機(jī)組的故障部位和原因，并進(jìn)一步分離、估計(jì)與決策。

狀態(tài)估計(jì)診斷法由根據(jù)水電生產(chǎn)過程的控制邏輯來判斷機(jī)組是否有故障狀態(tài)，可由機(jī)組監(jiān)控系統(tǒng)直接支持。

3．2第二層

基于標(biāo)準(zhǔn)和經(jīng)驗(yàn)歸納出的診斷規(guī)則，故障可分為確定性故障和不確定性故障兩種。

對于確定性故障，也就是一般的產(chǎn)生式故障，可建立用于邏輯推理的知識模型庫。而對于非確定性故障，一般采用模糊產(chǎn)生式規(guī)則來表示故障診斷知識，即用模糊關(guān)系矩陣來表示前提條件與結(jié)論之間的因果關(guān)系。

此外，還可采用可信度方法、概率方法等來描述其不確定性?？蓪@些方法進(jìn)行充分收集，整理優(yōu)化后形成一個(gè)較完整的診斷推理機(jī)制。

3．3第三層

根據(jù)類似故障診斷事例訓(xùn)練構(gòu)造的人工神經(jīng)網(wǎng)模型，其實(shí)質(zhì)是一個(gè)故障分類和識別過程。人工神經(jīng)網(wǎng)絡(luò)在此作為一個(gè)自適應(yīng)的模式識別技術(shù)，利用自身的學(xué)習(xí)機(jī)制，通過對案例樣本的學(xué)習(xí)，自動(dòng)形成相對應(yīng)的決策區(qū)域。而且樣本變化時(shí)，如案例增加時(shí)，神經(jīng)網(wǎng)絡(luò)訓(xùn)練所獲得的映射關(guān)系可以自適應(yīng)，達(dá)到對準(zhǔn)確診斷的進(jìn)一步逼近。

3．4第四層

該層知識由案例-子案例等級框架表示組成，形成了最特殊知識的診斷案例子庫。

對機(jī)組在線狀態(tài)的信息診斷同案例子庫中的案例描述進(jìn)行匹配，得出解策略。

以上四層次知識模型子庫既有其獨(dú)立性又緊密關(guān)聯(lián)。當(dāng)機(jī)組的新類型故障被診斷出來后，可對其進(jìn)行描述，添加到案例-子案例等級框架中。新類型故障同框架內(nèi)的原有相似故障可用于構(gòu)造和訓(xùn)練新的神經(jīng)網(wǎng)模型，加入到第三層的人工神經(jīng)網(wǎng)絡(luò)模型子庫中去。

新類型故障同原有相似類型故障的診斷方法規(guī)則，加入到第二層的規(guī)則子庫中去。

而以上三層的知識表示如可以采用定量信息表示，又可建模加入到第一層的機(jī)組模型庫中。

4融合診斷推理

對于復(fù)雜故障的診斷，不能簡單地僅通過某一種方法診斷出來，有效的方法是將各檢測信息有效結(jié)合判斷的融合診斷法。

文獻(xiàn)[2]中，彭濤等提出一種基于信號處理的人工神經(jīng)網(wǎng)絡(luò)診斷方法，即基于小波變換的特征提取、基于遺傳算法的特征選擇和基于神經(jīng)網(wǎng)絡(luò)的狀態(tài)識別理論。

該方法可將機(jī)組多個(gè)傳感器信號，如振擺、氣蝕、水壓脈動(dòng)信號等，用加權(quán)法實(shí)現(xiàn)信息的初級融合，按給定的小波函數(shù)進(jìn)行小波變換，提取其特征成分，用遺傳算法搜索選擇輸入?yún)?shù)中最為重要的特征參數(shù)，與已知目標(biāo)特征信息一起作為訓(xùn)練樣本，送神經(jīng)網(wǎng)絡(luò)訓(xùn)練，實(shí)現(xiàn)狀態(tài)識別和故障診斷。 　　對某些復(fù)雜檢測信息也采用小波變換法，如對于絕緣監(jiān)測中所測局部放電數(shù)據(jù)的處理，針對其局放信號微弱、噪聲大的特點(diǎn)，采用小波變換進(jìn)行分析，可充分利用小波分析良好的時(shí)頻分析特性。 理的策略，直至給出最佳處理方案，得出最精確的預(yù)測控制和診斷結(jié)果。

5結(jié)束語

水電機(jī)組的設(shè)計(jì)、制造、安裝和大修中，都對機(jī)組各狀態(tài)參數(shù)提出規(guī)定和要求，但由于水電機(jī)組在運(yùn)行過程中存在不規(guī)則的水力干擾，不僅不同機(jī)型不同容量不同結(jié)構(gòu)的機(jī)組，實(shí)際運(yùn)行參數(shù)量值及其變化規(guī)律不一樣，而且同一電站同一機(jī)型的幾臺機(jī)組，運(yùn)行參數(shù)實(shí)際也難一致。如一般機(jī)組瓦溫帶滿負(fù)荷時(shí)比空載時(shí)高3～5℃，而有的機(jī)組帶負(fù)荷后溫度并沒有上升，甚至略有下降。又如有些機(jī)組上機(jī)架振動(dòng)達(dá)1 mm而能長期運(yùn)行，有的水導(dǎo)運(yùn)行擺度達(dá)到0.8 mm，瓦溫卻正常，運(yùn)行也穩(wěn)定。因此，要在故障診斷推理系統(tǒng)內(nèi)制定一個(gè)統(tǒng)一的標(biāo)準(zhǔn)，難度很大，而且到目前為止，尚未有一個(gè)國際性的狀態(tài)監(jiān)測標(biāo)準(zhǔn)。

從實(shí)際的大修內(nèi)容看，主要是因空蝕、磨損、腐蝕、老化、疲勞引起的零部件損壞和構(gòu)件松動(dòng)，但要直接測量，尤其象橡膠密封老化程度的在線測量是十分困難的，甚至是不可能的。所以在故障診斷推理系統(tǒng)的監(jiān)控中心中設(shè)置人工干預(yù)功能，適時(shí)補(bǔ)充案例層知識，實(shí)現(xiàn)人機(jī)結(jié)合、智能互補(bǔ)是必要的。而把人融合到整個(gè)系統(tǒng)中去，還可以根據(jù)各自機(jī)組的特點(diǎn)，對某些診斷進(jìn)行重新設(shè)置或修正，形成針對機(jī)組特點(diǎn)的智能高效推理機(jī)制。以達(dá)到對各自機(jī)組故障的最精確預(yù)測和診斷。