摘 要：文章分析了基于知識模型庫的水電機組故障診斷融合推理方法，描述了知識模型的層次組成，基于信號處理的人工神經網絡診斷方法。

關鍵詞：故障診斷;知識模型庫;神經網絡;融合推理

水電機組狀態監測系統通過對機組各種參量的實時檢測和監視，綜合設備歷史狀況，能對機組作出故障診斷和趨勢預報，及時評估設備性能，利于水電廠制定合理的設備檢修維護制度，從而達到延長檢修周期，縮短檢修時間的目的。

1水電機組故障診斷特點

水電機組故障診斷主要包括水輪機診斷和發電機診斷，二者互為關聯。

水輪機診斷包括：軸系、葉輪、葉片、導軸承、潤滑系統、支撐系統、控制系統等部位故障的診斷。主要故障特征包括：油箱油位的升高和降低、油溫的升高、軸瓦平均溫度升高、軸瓦溫度上升率、擺度升高、軸承振動升高、振動和擺度隨轉速、負荷變化的趨勢、有無負荷的振動情況。

發電機診斷包括：定子線圈、定子磁心、轉子、軸系等部位故障的診斷。定子線圈的診斷采用局部放電法(脈沖高頻容量)用于檢測線圈、線棒、線棒支撐的絕緣情況及線圈斷路。定子鐵芯和轉子的診斷運用一組氣隙測量傳感器監測定子孔徑和轉子圓周、偏心所造成的動態氣隙情況。

檢測的參數一般有：機架振動、擺度、溫度、電量、氣隙、絕緣監測、氣蝕、壓力脈動等。

對于診斷導軸承、推力軸承以及其它一些復雜的故障，診斷系統要綜合考慮分析各檢測參數。

2故障診斷系統結構

機組故障診斷系統包括數據預處理和數據規范化、信息處理、故障診斷知識建模、故障檢測、故障分離與估計、故障分類評價和決策、知識模型庫、數據庫、智能決策支持系統、人機對話界面、監控中心等。故障診斷系統構成見圖1。

數據預處理和數據規范化模塊對在線采樣的可測變量先進行預處理以消除噪音，然后將其轉化為規范數字信號輸入數據庫中。

信息處理、故障診斷知識建模模塊將從機組錄入的振擺、水壓脈動等信號進行再處理并建成知識模型庫。

知識模型庫、數據庫在故障檢測、故障分離與估計、故障分類評價和決策模塊實時起支撐性作用。 　　智能決策支持系統模塊負責對機組不同的運行狀態選擇哪種或哪幾種診斷方法，以及各診斷方法之間的集成，給出相應的故障處理方案，和優化運行決策與檢修計劃決策，并對知識模型庫中的知識進行協調調用。

人機對話界面、監控中心分別負責機組信息的輸入與輸出，包括深層和淺層知識的錄入、故障信息的輸出，以及在判定故障時啟動保護措施，通過執行機構去完成。另外還有數據的報表輸出及打印等功能。

3知識模型庫

如何具體實現故障診斷知識建模的功能，進行診斷知識模型的獲取，形成知識模型庫，從而實施在線故障檢測、故障分離與估計、故障分類評價和決策模塊的功能是系統的難點。

在文獻[1]中，楊杰等提出了一種基于綜合模型的故障診斷建模與推理的方法，即人工神經網、案例、規則和對象模型，來有效地進行診斷知識模型的獲取。

水電機組的知識模型可由機組模型、診斷經驗規則、診斷神經網模型、診斷案例4種方式來表示。