Аннотация

Если в генераторе возникает какое-то ненормальное явление, то информацию, поступающую от датчиков нужно использовать для определения причины ненормального режима. Но причинно-следственные связи, необходимые для осуществления диагностического процесса достаточно сложны.

В данной работе освещен новый метод диагностики основанный на нечеткой логике нейронных сетей и нечеткой структуре нейронной сети. Этот метод связан с теорией нечетких множеств с помощью нейронной сетевой технологией.

Особенно эффективным оказывается метод нечеткой организации для получения причинно-следственных связей, что в последствии дает возможность получить нечеткие множества. Кроме того подтвержденные причинно-следственные связи записываются в базу знаний.

Результаты показывают, что новая система диагностики может диагностировать большое количество ситуаций и выдавать правильные решения с достоверной вероятностью в пределах от 92 до 98 процентов.

Введение

Наряду с развитием современной науки и техники, турбогенераторы на ТЭС становятся все более крупными и сложными в целях повышения эффективности. Широкое внедрение крупных турбогенераторов на тепловых электростанциях принесло огромную экономическую выгоду, но так-же стало причиной ряда проблем [1].

Ремонт и техническое обслуживание этих агрегатов очень дорог. Поэтому следует свести к минимуму возможность несчастных случаев и избежать негативных последствий. Поэтому, для ТЭС очень важным звеном является система диагностирования.

Для диагностики и устранения неисправностей крупных турбогенераторов должны быть изучены глубоко следующие проблемы: исследование механизма разрушения, выяснение причины и её «симптомов», метод обработки данных «симптомов».

Крупный турбогенератор является своего рода сложной системой. Он состоит из тысяч частей и компонентов, связанных с эксплуатацией, обслуживанием и управлением. Каждая часть мощных турбогенераторов разработана и эксплуатируется в определенном критическом состоянии и взаимодействует друг с другом. Если любая часть выйдет из строя, то это приведет к выходу из строя всей системы.

Связь возникновения и развития аварии с её «симптомами» – очень сложная задача. Таким образом, существенный прогресс может быть достигнут только путем долгих исследований. Есть две существенные трудности диагностики неисправностей крупных турбогенераторов. С одной стороны очень трудно или даже невозможно их смоделировать, а с другой – связи между «симптомами», неисправностями и причинами настолько сложны, что сам процесс диагностики содержит нечеткости.

Исходя из текущих исследований механизма развития аварийной ситуации, одна из основных мер для повышения точности диагностирования заключается в разработке эффективной системы обработки данных.

В настоящее время многие интеллектуальные методы, такие как системы диагностики основанные на нечеткой логике нейронных сетей, а также экспертные системы диагностики применяются на мощных турбогенераторах [2-4]. Что касается экспертной системы диагностики, есть еще много проблем, таких как автоматизированное приобретение знаний, создание и поддержка баз знаний, организация и структуризация диагностических знаний. Учеными и экспертам в этой области уже сделан некоторый прорыв, но эти методы еще не применяются на практике.

Соответственно, системы нечеткой диагностики и нейронные системы и сети могут быть реализованы более просто. Однако их диагностическая точность не может удовлетворить области применения. Таким образом, в данной статье освещается применение теории нечетких множеств связанных с нейронной сетевой технологией и системой нечетких нейронных сетей. Особенно эффективным методом нечеткой организации для подготовки образцов нейронной сети являются причины, «симптомы», последствия которые связываются заданием нечетких множеств, которые затем заносятся в базы знаний.

Литература

1. Yang Ping, “Study on intelligent fault diagnosis of complex system,” Ph.D dissertation of South China University of Technology, Guangzhou, China, 1998, pp. 40-67
2. Cheng shu, Gao qinhe, Yu junjun, “Expert system of fault diagnosis based on neural network and regulations,” Proceeding of the 3rd world congress on intelligent control and automation, Hefei, China, 2000, pp. 327-329
3. Diqi zhu, shenglin Yu, “Neural networks data fusion algorithm of electronic equipment fault diagnosis,” Proceeding of the 5rd world congress on intelligent control and automation, Hangzhou, China, 2004, pp. 1815-1818
4. Ruixin Li, Dongfeng Wang, Pu Han, Jun Zhang, “Fault Diagnosis of turbo-generator based on RBF neural network,” Proceeding of the second international conference on machine learning and cybernetics. Xi’an, China, 2003, pp. 3125-3129
5. Yang Ping, Yang Jun-hua, Wu Jie, “Varying-weight Model of Fuzzy Comprehensive Evaluation and its Application in Fault Diagnosis,” Control theory and applications, Vol.17 NO.5, 2000, pp. 707-710
6. Yang Ping, Liu Sui-sheng. “Microwave Measurement System of Density and Moisture Content Based on Focus Fuzzy Clustering Algorithm,” Proceedings of 3rd international symposium on instrumentation science and technology, Vol.1, Xi’an, China, 2004, pp. 922-928