基于信息融合技术的大型水轮发电机故障诊断
贺建军，赵 蕊
(中南大学 信息科学与工程学院，湖南 长沙，410083)
摘 要：为了能够从多方面反映水轮发电机组系统状态，实现对水轮发电机组故障模式的自动识别与准确诊断，将信息融合技术应用于水轮发电机组故障诊断系统。根据故障特征量将故障进行分类处理，采用多个并联的BP子神经网络进行水轮发电机组故障的局部诊断，获得彼此独立的证据，再运用D-S证据理论融合算法对各证据进行融合，最终实现对水轮发电机组故障的准确诊断。诊断测试实验证明：采用该诊断系统可有效地提高诊断可信度，减少诊断的不确定性。
关键词：水轮发电机；故障诊断；信息融合；证据理论；神经网络
中图分类号：V263.6 文献标识码：A 文章编号：1672-7207(2007)02-0333-06
Hydroelectric generating sets fault diagnosis based on
information fusion technology
HE Jian-jun, ZHAO Rui
(School of Information Science and Engineering, Central South University, Changsha 410083, China)
Abstract：Hydroelectric generating sets(HGS) information fusion diagnosis system was built for reflecting the HGS system state in multi-aspects, realizing automatical identification of HGS fault patterns and accurately diagnosing the faults. After fault feature data were classified and processed, several shunt-wound BP networks were used to carry on local HGS fault diagnosis and acquire independent evidences each other. Then D-S evidence theory fusion algorithms were used to fuse evidences. Accurate HGS fault diagnosis was fulfilled finally．The diagnostic tests prove that the system is good to improve the reliability of the diagnosis and decrease the uncertainty markedly.
Key words：hydroelectric generating sets; fault diagnosis; information fusion; evidence theory; neural network
1 信息融合技术
信息融合技术[1-3]是利用计算机技术对按时序获得的传感器观测信息在一定准则下加以自动分析、优化综合以完成所需的决策和估计任务而进行的信息处理过程。信息融合的硬件基础是多传感器，加工对象是多源信息，信息融合的核心是协调优化和综合处理。信息融合的过程包括多传感器监测目标(信息采集)、信息分析、信息预处理、信息融合中心(特征提取、诊断识别)、结果输出等环节。融合一般从数据级融合、特征级融合、决策级融合[4]3个层次上来理解。即信息融合的过程是对多源信息处理的过程，通过信息计算的动态过程，使信息量递增，使无序信息变得有序。这是一个整体的过程，经过融合的信息具有冗余性、互补性、可靠性、实时性、低成本性。信息融合技术不是单一学科的技术，它几乎与当今所有新的研究方向相互交叉，并汇集了这些领域里的研究成果。信息融合技术以其多信息量、多层次、多手段等优点与特点，越来越成为信息处理领域的有力工具，目前已在自动目标识别[5-6]，图像处理[7-8]及故障诊断[9-10]等诸多领域获得广泛应用。这一技术在各国都得到了普遍重视，我国在信息融合领域还处于起步阶段，但得到广泛的重视，并在一些领域取得了实际成果。
2 基于信息融合的水轮发电机故障诊断
水轮发电机组的故障类型复杂多样，并且具有渐变和不规则性，单从某一方面进行故障诊断不完备，往往也不准确。在此，本文作者提出将多传感器信息融合技术应用于水轮发电机故障诊断系统，充分利用传感器资源，提高故障诊断精度、增加诊断结果的置信度。
信息融合技术应用于水轮发电机故障诊断系统能够有效的进行故障的定位识别。这一诊断系统包括以下几个环节：
a. 信号监测。利用多个不同类型传感器采集能反映水轮发电机设备运行状态的各种信息。
b. 信号分析。利用FFT变换对检测到的信号进行分析处理。
c. 特征抽取。这里应用基于Karhunen-loeve展开式的特征提取法对处理后信息进行特征压缩，以达到降低特征空间维数的目的。并提取与水轮发电机组设备状态有关的特征。
d. 局部故障诊断。利用多个并联的BP子神经网络对水轮发电机组不同类型故障进行初步诊断，获得彼此独立的证据。
e. 决策故障诊断。利用D-S证据理论对归一化后的子神经网络的输出进行融合处理，得到最终的诊断结果。诊断系统框图如图1所示。
图1 水轮发电机组信息融合故障诊断系统
Fig.1 HGS information fusion diagnosis system
2.1 神经融合故障诊断
单个神经网络通过对于多类典型故障样本的学习，可以记住这些故障的特性。因此，单个神经网络可以实现对于多类故障的诊断。但具有一定的缺点[11]：当设备的诊断特征参数较多时,必然造成网络结构过于庞大，使得网络训练时间长，甚至无法训练；同时，所构造的学习样本间出现矛盾的可能性随之增加，从而使网络的泛化能力较差，准确度降低，严重影响诊断的可靠性；对于新故障,必须添加新样本，对整个网络重新训练。
神经网络信息融合故障诊断系统是把整个故障特征参数空间和故障空间划分成若干个特征参数子空间和故障子空间，针对每一对特征参数子空间和故障子空间建立一子神经网络以实现特征参数子空间到故障子空间的映射，解决单个神经网络进行故障诊断的问题，各个子神经网络从不同侧面反映诊断设备故障，有效提高了确诊率。
BP神经网络是应用最广泛的一种神经网络方法，本文应用多个并联BP子神经网络构造局部信息融合中心对水轮发电机故障进行局部故障诊断。子神经网络建立的原则为[12]：
a. 子网络间相关性应尽量小；
b. 特征向量间的相关性应尽量小。采用不同类型的信号作为不同子神经网络的输入，这样既有利于保证不同输入向量的不相关性，更能考虑到设备诊断的实际情况从不同侧面对设备故障进行诊断研究。
2.1.1 BP子神经网络建立
理论分析结果表明，具有单隐层的BP神经网络能映射一切连续函数。虽然增加层数可以降低网络训练误差，提高精度，但是也使网络结构复杂化，训练时间延长。一般可通过增加隐层节点数提高网络精度，其训练效果往往比增加层数更明显。本文采用输入层，隐含层和输出层的单隐层的网络结构，结构图如图2所示。
图2 BP神经网络结构示意图
Fig.2 Schematic diagram of BP net structure
a. 网络输入。由于输入到网络的特征参数物理意义不同，幅值大小也不同，为了消除各种量纲的干扰，特征参数在输入到网络之前要进行归一化处理，使其规格化在[0,1]之间。各自子网络根据输入特征参数的多少各自确定其输入节点的个数。
b. 隐层节点的选择。隐含层节点的确定对于网络的精确性非常重要，选择不当会出现欠吻合或过吻合现象。尚无固定的公式用于计算隐含层节点数。一般用同一样本反复训练网络，不断改变隐含层节点数直到网络权值不再发生改变为止，根据最小测试误差原则选择节点数[13]。
c. 网络训练函数。本文采用带动量的学习规则函数训练BP子网络，采用带动量项学习规则会使训练速度加快。
d. 神经元传递函数。神经元传递函数能够使无限域输入映射为有限的输出，直接影响网络处理问题的能力。本文隐层节点和输出节点均采用对数S型传递函数LOGSIG。
2.2 D-S证据融合诊断决策
2.2.1 证据理论基本概念
证据理论又称为Dempster-Shafer理论或信任函数理论。在证据理论中，一个样本空间被称为一个识别框架，记为
。
定义[14] 设函数m满足
，且满足
，则m称为识别框架
上基本可信度分配，表示对A的精确信任。
命题的信任函数Bel也称为下限函数，表示对A的全部信任。似然函数Pl也称为上限函数，表示对A非假的信任程度。
2.2.2 D-S合成法则
D-S合成法则是一个反映证据联合作用的法则。给定几个同一识别框架上的基于不同证据的信度函数，如果这几批证据不是完全冲突的，那么就可以利用该合成法则计算出一个信度函数，而这个信度函数就可以作为那几批证据联合作用下产生的信度函数。
a. 2个信度函数的组合规则。
定义[15] 设Bel1和Bel2是同一识别框架
上的两个信度函数，m1和m2分别是其对应的基本可信度分配，若
且m(A)＞0, 则A为焦元。焦元分别为A1，A2，…，Ak和B1，B2，…，Bn，设
那么，合成后的基本可信度分配函数m：为
由m所给定信度函数的核心等于Bel1和Bel2核心的交。由m给定的信度函数称为Bel1和Bel2的直和。记为
。如果式(3)不成立，那么就说Bel1和Bel2的直和不存在。
b. 多个信度函数的组合规则。设Bel1，…，Beln是同一识别框架上的信度函数，m1，…，mn是对应的基本可信度分配，如果
存在且基本可信度分配为m，则n个信任函数的组合为：
由组合证据获得的最终证据与其次序无关。
2.2.3 证据理论融合决策
本文采用D-S证据融合对子神经网络局部诊断结果利用D-S证据组合规则进行融合和计算，最终实现故障的准确定位。首先，对各个子神经网络的输出进行归一化处理作为D-S融合的输入。
各个子神经网络归一化后的输出作为各个子故障空间中故障的基本可信度分配，再利用组合规则得到各个故障的最终可信度分配，最后利用决策判决规则进行判决。
3 诊断实例
选取水轮发电机常见的5种故障类型：转子不平衡、转子不对中、动静碰磨、尾水管偏心涡带、卡门涡进行诊断。在这5种故障发生机理和故障征兆的基础上，选取9种故障特征参数作为进行故障识别的信息。分为两类：5种频率结构(0.18-0.20f0, 1/6-1/2f0, f0, 2f0, 3f0, 其中f0为基频)和4种敏感参数(机组转速，机组负荷，蜗壳压力和机组流量)。
3.1 局部故障诊断
2个子神经网络分别采用3层BP神经网络。各自隐层神经元经反复训练分别确定为9个和8个，即各层神经元个数5/9/5, 4/8/5，总平方误差目标为0.02，置信门限为0.95。训练样本如表1和表2所示。
表1 子网络1输入训练样本
Table 1 First net input training swatch
表2 子网络2输入训练样本
Table 2 Second net input training swatch
网络采用教师学习方式，网络的目标输出如表3所示，当网络某个输出节点为“1”时表示对应故障发生；“0”表示对应故障不发生。
表3 人工神经网络目标输出
Table 3 Target output of ANN
根据某水轮发电机组实测信息，2个特征体各自采样值归一化后得到5种频率结构{0.01,0.02,0.96, 0.05,0.10}，4种敏感参数{0.91,0.10,0.12,0.09}。
各子神经网络调用各自样本，对网络自身进行训练后，将上述2组采样得到的特征值分别作为2个子神经网络的输入进行诊断。得到的网络误差变化曲线分别如图3和4所示。
图3 子网络1误差变化
Fig.3 First net learning error curve
图4 子网络2误差变化
Fig.4 Second net learning error curve
2个诊断子网络输出构成的故障矩阵为
3.2 决策故障诊断
由2个子网络的输出可知各自故障的置信度都小于置信度门限0.95，再利用证据融合算法对子网络输出进行决策诊断。首先对于子网络输出利用式(6)进行归一化处理(取2位有效数字)。处理后可得：
归一化后可以看出可能的故障为转子不平衡和动静碰磨，所以对这两种故障进行D-S证据组合。不同子网络的可信度分配如表(4)所示。m(A)表示对故障A的信任度，m(B)表示对故障B的信任度，m(θ)表示故障类型的不确定度。
表4 不同子网络的可信度
Table 4 Different net reliabilities
利用式(4)求出子网络1和子网络2融合后的各故障可信度分配如表(5)所列：
表5 子网络1和子网络2融合结果
Table 5 Two nets fusion results
对比表4和表5可知，融合后故障A的可信度提高，达到0.957，大于置信度门限0.95，而故障B的可信度下降；融合后的不确定度比原来2个传感器的不确定度下降，证明经过融合故障诊断的精度增大。由决策融合结果可知故障类型为转子不平衡。
4 结 论
采用BP神经网络和D-S证据理论的信息融合方法对水轮发电机典型故障进行诊断，由诊断实例可知信息融合技术应用于水轮发电机故障诊断系统，有效地提高了确诊率；使诊断结果具有更高的可靠性和精确性(诊断实例中故障A的可信度提高到0.957，大于置信门限0.95)，减少诊断的不确定性(诊断实例中不确定度降低为0.000 3，大大降低了不确定性)，为水轮发电机组故障诊断的研究提供了有效的方法和途径。
参考文献：
[1] 刘海英, 张池平. 基于多传感器信息融合技术[J]. 佳木斯大学学报, 2004, 22(1): 28-33.
LIU Hai-ying, ZHANG Chi-ping. A study on multi-sensor information fusion technology [J]. Journal of Jiamusi University (Natural Science Edition), 2004, 22(1): 28-33.
[2] 潘 泉, 于 昕, 程咏梅, 等. 信息融合理论的基本方法与进展[J]. 自动化学报, 2003, 29(4): 599-615.
PAN Quan, YU Xin, CHENG Yong-mei, et al. Essential methods and progress of information fusion theory [J]. Acta Altomatica Sinica, 2003, 29(4): 599-615.
[3] 范新南, 苏丽媛, 郭建甲. 多传感器信息融合综述[J]. 河海大学常州分校学报, 2005, 19(1): 1-5.
FAN Xin-nan, SU Li-yuan, GUO Jian-jia. Summary of multi-sensor information fusion[J]. Journal of Hehai University Changzhou Campus, 2005, 19(1): 1-5.
[4] 刘同明, 夏祖勋, 解洪成. 数据融合技术及其应用[M]. 北京：国防科技出版社, 1998: 1-20.
LIU Tong-ming, XIA Zu-xun, XIE Hong-cheng. The information fusion technology and application[M]. Beijing: National Defense Technology Press, 1998: 1-20.
[5] 曹治国, 吴一飞，张天序. 基于Rough集的信息融合目标识别方法[J]. 红外与激光工程, 2005, 34(1): 102-105.
CAO Zhi-guo, WU Yi-fei, ZHANG Tian-xu. Approach of target recognition by data fusion based on rough sets[J]. Infrared and Laser Engineering, 2005, 34(1): 102-105.
[6] 杨莘元, 蒲书缙, 马惠珠. 多传感器目标识别的优化融合[J]. 宇航学报, 2005, 26(1): 47-51.
YANG Shen-yuan, PU Shu-jin, MA Hui-zhu. Optimized fusion in multi-sensor target recognition[J]. Journal of Astronautics, 2005, 26(1): 47-51.
[7] 郭志强. 基于区域特征的小波变换图像融合方法[J]. 武汉理工大学学报, 2005, 22(2): 65-68.
GUO Zhi-qiang. Wavelet transform image fusion based on regional features[J]. Journal of Wuhan University of Technology, 2005, 22(2): 65-68.
[8] 夏明革, 何 友, 苏 峰, 等. 一种基于小波多尺度边缘检测的图像融合算法[J]. 电子与信息学报, 2005, 27(1): 56-59.
XIA Ming-ge, HE You, SU Feng, et al. Multiscale edge detection image fusion algorithm using wavelet transform[J]. Journal of Electronics and Information Technology, 2005, 27(1): 56-59.
[9] 赵道利, 马 薇, 梁武科, 等. 水电机组振动故障的信息融合诊断与仿真研究[J]. 中国电机工程学报, 2005, 25(20): 137-142.
ZHAO Dao-li, MA Wei, LIANG Wu-ke, et al. On data fusion fault diagnosis and simulation of hydroelectric units vibration[J]. Proceedings of the CSEE, 2005, 25(20): 137-142.
[10] 孔祥泉. 机载导弹电路多级信息融合技术的故障诊断[J]. 战术导弹技术, 2004, (2): 18-21.
KONG Xiang-quan. Fault diagnosis of airborne missile circuit based on hierarchical information fusion[J]. Tactical Missile Technology, 2004, (2): 18-21.
[11] 杨晓萍, 南海鹏, 张江滨. 信息融合技术在水轮发电机组故障诊断中的应用[J]. 水力发电学报, 2004, 23(6): 111-115.
YANG Xiao-ping, NAN Hai-peng, ZHANG Jiang-bin. Application of information fusion technology on fault diagnosis of hydropower generating unit[J]. Journal of Hydroelectric Engineering, 2004, 23(6): 111-115.
[12] 李 辉, 贾 嵘, 白 亮. 集成神经网络在水轮发电机组故障诊断中的应用[J]. 中国农村水利水电, 2005, (1): 100-102.
LI Hui, JIA Rong, BAI Liang. Application of integrated neutral network in hydraulic turbine generator’s fault diagnose[J]. China Country Waterpower Press, 2005, (1): 100-102.
[13] 彭敏放, 何怡刚, 王耀南. 基于神经网络与证据理论的模拟电路故障诊断[J]. 电路与系统学报, 2005, 10(1): 35-39.
PENG Min-fang, HE Yi-gang, WANG Yao-nan. Fault diagnosis of analog circuits based on neural network and evidence theory[J]. Journal of Circuits and Systems, 2005, 10(1): 35-39.
[14] 段新生. 证据理论与决策、人工智能[M]. 北京：中国人民大学出版社, 1993: 13-30.
DUAN Xin-sheng. Evidence Theory And decision-making, artificial aptitude[M]. Beijing: Renmin University of China Press, 1993: 13-30.
[15] 董彩凤, 马 平, 隗喜斌. 基于D- S推理的汽轮发电机组融合诊断[J]. 汽轮机技术, 2003, 45(2): 116-118.
DONG Cai-feng, MA Ping, WEI Xi-bin. Fault diagnosis based on the dempster-shafer theory of evidence for turbine generator set[J]. Turbine Technology, 2003, 45(2): 116-118.
收稿日期：2006-10-08
作者简介：贺建军(1965-)，男，湖南宁乡人，博士，教授；从事复杂机电系统耦合与解耦控制、复杂生产过程建模与优化控制研究
通讯作者：赵 蕊，女，硕士研究生；电话：13787064335; E-mail: zhaorui0303@126.com
