关键词：轻微和早期故障；智能诊断；征兆缩放；模糊数学；神经网络
1引言生产过程中的设备故障往往经历一个从产生到发展、从轻微到严重的渐变过程。故障产生后设备征兆参数的变化也要经历由不明显到明显、不完全到完全的时间过程。若能在故障刚刚萌芽、程度尚轻微时尽早地准确识别故障，则与常规故障较为严重时的诊断相比其意义更为明显，这就是轻微故障的诊断问题。若能在故障产生后的较短时间内，当系统状态与正常状态偏差尚小，征兆还不完全的情况下给出正确的诊断结果，为运行人员争取更多的故障处理时间和主动性，称之为早期故障诊断。
鉴于生产过程轻微和早期故障诊断的必要性，本文提出一种结合征兆缩放技术和模糊知识表达的生产过程轻微和早期故障综合智能诊断方法。2轻微和早期故障智能诊断方法的基本过程图1为本文轻微和早期故障智能诊断方法的流程图。主要环节包括：①从机组DCS系统或从现场测量来的运行参数中选取特征参数（或经简单计算得到）并进行预处理，主要指运用数字滤波方法消除信号中的干扰和噪声；②对经过预处理的特征参数选取一定的缩放倍率，运用模糊知识表达方法计算不同类型故障征兆并进行合成、转化等处理；③运用模糊模式识别、神经网络等智能诊断模型对故障进行诊断，根据结果按照一定准则对特征参数缩放比例进行优化选择；④重复②、③步，从中选择最优的特征参数缩放倍率，对应的诊断结果作为最终结果。3故障诊断中的征兆缩放技术3.1采用征兆缩放技术的必要性及其基本思想
故障本身是复杂的，同一种故障程度变化的范围可能很大。由于现有不依赖以对象模型的故障诊断方法（包括模糊诊断方法、神经网络方法等），实质上是一种典型故障模式的识别和匹配过程，这给故障知识库中标准故障样本的选取带来困难。若取程度较为严重的故障作为标准样本，会使对轻微故障和早期故障的识别能力下降；若取故障程度较小的样本为标准样本，则当实际故障程度较大时二者相似性的差别又会增大。
常见处理办法是将某种故障细化为轻微、中等、严重等多个故障层次，作为多个故障处理，对应多个故障样本。对于复杂设备或系统，当存在较多类可能故障时其负面作用是明显的。若采用模糊诊断方法，将使模糊诊断矩阵十分庞大；采用神经网络方法，网络输出单元和训练样本的增加，直接导致神经网络结构更加复杂，网络训练收敛时间加长。这无疑会增加诊断过程的复杂性，降低诊断结果的可靠性。
为解决上述问题，本文首次在故障诊断中提出和采用了征兆缩放技术。其基本思想是：对于某一种故障，知识库中仅含一个征兆比较明显的典型故障样本。对于轻微故障或比典型样本程度更加严重的故障，通过故障特征参数变化值（变化率）不同比例的放缩寻找与典型故障样本的最佳匹配。征兆缩放技术将故障程度的多样性导致的知识库庞大问题，转变为特征参数的简单缩放和对缩放比例的寻优过程。
3.2征兆缩放技术的理论依据和实现关键
文[1]通过对锅炉四管泄漏故障的计算分析，指出排烟量、排烟温度、排烟焓等特征参数的变化随故障程度的增加是单调的，且与泄漏量成线性递增关系。其它设备或系统的故障是否也存在此规律呢？作者以某300MW火电机组高压加热器系统为例，选取各高加给水温升、端差等19个故障特征参数，在电厂全仿真机上对高加管系泄漏、进出水室短路等19个故障进行了详细的仿真实验。结果表明：当故障程度限制在一定范围内，在不会引起设备跳闸、解列等导致系统拓扑结构发生重大变化的前提下，各特征参数随各故障程度增加均是单调变化的，且近似满足线性关系[2]。可见，特征参数随故障程度增加的单调变化规律对生产过程故障具有一定普遍性，这一规律构成了征兆缩放技术的基础。
征兆缩放技术的关键是特征参数放缩比例的合理选择。这是一个寻优问题，需结合故障智能诊断模型的诊断结果加以判别。基本原则是使诊断结果对各故障的分离程度最高。4两类故障征兆的模糊知识表达及合成计算4.1征兆的模糊知识表达方法[4]
文[3]以电厂凝汽器为例，总结出生产过程故障征兆的3种主要类型：①参数升高或降低(增加或减小)；②参数A大于参数B；③参数波动。文中简要说明了各类征兆的表达方法，并指出对①类征兆，又有趋势型征兆和语义型征兆两种表达方法。两种方法各有优缺点，综合运用可增强对早期故障的诊断能力，并保证诊断结果的稳定可靠性。限于篇幅，文中没有讨论两种征兆如何具体表达并加以综合，这里具体讨论。
征兆的表达需借用模糊数学中隶属函数的概念。以语义型征兆为例，假定特征参数y在不同故障下的变化可能是双向的,预先设定的y最大变化范围为(y0-a，y0 b)。若征兆函数选取平方根函数形式，参数正常时征兆值取0，参数增大到上限时征兆值取1，参数减小到下限时征兆值取-1，则故障语义征兆值μ(y)的模糊计算式如下：式中y0为参数正常情况应达值，a,b分别为反向和正向变化最大幅度。
趋势型征兆μ(y’)的表达方法与语义型征兆的表达方法相似，这里不再赘述。
4.2语义型征兆和趋势型征兆的合成及转化
根据设备故障过程特征参数变化特点，可分为如下两种情形：
(1)趋势型征兆值和语义型征兆值符号相同,如图2(a)所示。合成征兆值m( )的计算式如下:
若μ(y)>0且μ(y’)>0，则：(2)趋势型征兆值和语义型征兆值符号相反，如图2(b)的ef段。这种情况下，语义型征兆比趋势型征兆更能真实体现特征参数与故障间的瞬态关系，因此合成征兆μ( )取语义型征兆值，即：运用上述征兆模糊表达方法经合成计算得到的故障征兆值为[-1， 1]区间的连续数值。为得到较为规范的典型故障样本知识库，需将连续型征兆转化为离散阶梯型数值征兆，如{-1，0，1}三值征兆集或{-1，-0.5，0，0.5，1}五值征兆集等，其关键是合理确定各转化阈值。5故障的模糊模式识别和神经网络诊断模型常见的故障智能诊断方法包括模糊模式识别、神经网络方法等。文[3]运用这两种方法对电站凝汽器故障进行了诊断，取得了较好效果。本文应用的两种诊断模[1][2]下一页
