一种基于证据理论的汽轮机故障诊断方法、系统及设备，属于汽轮机故障诊断领域。为了解决利用现有的D‑S证据理论进行故障诊断存在准确性有待于提高的问题。本发明专利技术的方法首先确定汽轮机的故障类别框架，然后利用多组传感器输出故障的基本概率赋值作为诊断故障的证据；计算诊断证据的最大概率赋值、最小概率赋值，得到最优概率赋值；计算诊断证据之间的确定度、差异度，得到冲突度；利用冲突度和D‑S证据理论融合规则，对诊断证据的最优概率赋值进行融合并归一化处理输出故障的决策概率赋值；按照决策规则对决策概率赋值进行判断，输出诊断结果。主要用于汽轮机的故障诊断。
【技术实现步骤摘要】
一种基于证据理论的汽轮机故障诊断方法、系统及设备
本专利技术涉及一种汽轮机故障诊断方法、系统及设备，属于汽轮机故障诊断领域。
技术介绍
汽轮机作为发电厂最重要的动力设备，一旦出现故障，造成经济和安全的影响都非常大，后果不堪设想。加强汽轮机状态监测和故障诊断可以保证汽轮机安全运行，减少事故发生，保障人身财产安全，保障国民经济稳健发展。汽轮机运行机理复杂，现场环境不确定因素较多，如何根据汽轮机的故障特征及时准确对汽轮机故障进行诊断是非常难的。因此，快速准确对汽轮机故障进行诊断成为一个亟需解决的热门问题。D-S证据理论凭借着其对不确定信息能够合理、准确表示的优势，被广泛应用在故障诊断领域中。但是D-S证据理论中的融合规则对证据间的冲突度量存在一定缺点，不利于快速准确得出诊断结果。
技术实现思路
本专利技术为了解决利用现有的D-S证据理论进行故障诊断存在准确性有待于提高的问题。一种基于证据理论的汽轮机故障诊断方法，该方法包括以下步骤：(1)确定汽轮机的故障类别框架Q＝{q1,q2,…,qn}，qi代表故障类别框架Q中的第i个故障，i＝1,2,…,n，n为故障个数。(2)根据汽轮机运行原理，用l组传感器监测故障的特征参数，输出故障的基本概率赋值mj(qi)，作为诊断故障的证据，j代表第j组传感器，也代表第j条证据，j＝1,2,…,l，qi代表第i个故障，i＝1,2,…,n，n为故障个数。(3)根据传感器输出的故障基本概率赋值，计算诊断证据的最大概率赋值Bj(qi)。<br>其中，mj(qi)为第j条诊断证据第i个故障qi的基本概率赋值，mj(C)为第j条诊断证据第i个故障qi所属集合C的基本概率赋值，Q为故障类别框架。(4)根据传感器输出的故障基本概率赋值，计算诊断证据的最小概率赋值Pj(qi)。其中，mj(qi)为第j条诊断证据第i个故障qi的基本概率赋值，mj(C)为第j条诊断证据第i个故障qi所属集合C的基本概率赋值，Q为故障类别框架。(5)根据最大概率赋值和最小概率赋值，计算诊断证据的最优概率赋值m'j(qi)。其中，Bj(qi)和Pj(qi)分别为第j条诊断证据第i个故障qi的最大概率赋值和最小概率赋值。(6)根据诊断证据的最优概率赋值，计算诊断证据之间的确定度Ahj。其中，m'h(qi)、m'j(qi)分别为第h条、第j条诊断证据第i个故障qi的最优概率赋值。(7)根据诊断证据的最优概率赋值，计算诊断证据之间的差异度Dhj。其中，m'h(qi)、m'j(qi)分别为第h条、第j条证据第i个故障qi的最优概率赋值。(8)根据诊断证据之间的确定度Ahj和差异度Dhj，计算诊断证据之间的冲突度Shj。(9)利用诊断证据之间的冲突度和D-S证据理论融合规则，对诊断证据的最优概率赋值进行融合并归一化处理输出故障的决策概率赋值，计算公式如下：(10)按照最大的决策概率赋值对应的故障即是汽轮机当前故障的决策规则，对决策概率赋值进行判断，输出诊断结果。本专利技术的优点在于：1.本专利技术通过最大概率赋值和最小概率赋值得到最优概率赋值，能够合理、准确地表征故障特征。2.本专利技术通过诊断证据之间确定度和差异度得到诊断证据之间的冲突度，能够准确地表征证据之间的冲突。3.本专利技术通过冲突度改进D-S证据理论，克服了D-S证据理论的不足，能够得到合理的诊断结果，能够快速准确的进行故障诊断。附图说明图1为本专利技术的流程图。具体实施方式具体实施方式一：本实施方式为一种基于证据理论的汽轮机故障诊断方法，为了更清楚地描述本专利技术的实施方案，下面通过一个具体的例子对本专利技术做出详细说明。(1)现对某电厂的某套汽轮机进行故障诊断，根据已有故障记录可知，该汽轮机可能发生的故障有q1、q2、q3，则该汽轮机故障类别框架Q＝{q1,q2,q3}。(2)通过故障汽轮机的现场传感器输出每个故障qi的基本概率赋值mj(qi)，i＝1,2,3，j＝1,2,3,4，如表1所示，并将这些数据作为诊断证据的基本概率赋值。表1故障的基本概率赋值{q1}{q2}{q3}{q1q2q3}m10.60.10.10.2m20.70.050.050.2m30.30.40.150.15m40.750.10.10.05(3)根据公式(1)计算诊断证据的最大概率赋值Bj(qi)，如表2所示。表2诊断证据的最大概率赋值(4)根据公式(2)计算诊断证据的最小概率赋值Pj(qi)，如表3所示。表3诊断证据的最小概率赋值{q1}{q2}{q3}P10.71420.14290.1429P20.82860.08570.0857P30.35190.46350.1846P40.78640.10680.1068(5)根据公式(3)计算诊断证据的最优概率赋值m'j(qi),如表4所示。表4诊断证据的最优概率赋值{q1}{q2}{q3}m'10.73220.13340.1334m'20.85000.07500.0750m'30.35240.46700.1806m'40.78780.10610.1061(6)根据公式(4)计算诊断证据之间的确定度Ahj，如诊断证据1和诊断证据2之间的确定度如下：A12＝0.8822。(7)根据公式(5)计算诊断证据之间的差异度Dhj，如诊断证据1和诊断证据2之间的差异度如下：D12＝0.2346，(8)根据公式(6)计算诊断证据之间的冲突度Shj，如诊断证据1和诊断证据2之间的冲突度如下：S12＝0.2101(9)根据公式(7)和公式(8)对所有诊断证据的最优概率赋值进行融合，归一化处理输出故障的决策概率赋值，如表5所示。表5故障的决策概率赋值{本文档来自技高网...
【技术保护点】
1.一种基于证据理论的汽轮机故障诊断方法，其特征在于，包括以下步骤：/n(1)确定汽轮机的故障类别框架Q＝{q
【技术特征摘要】
1.一种基于证据理论的汽轮机故障诊断方法，其特征在于，包括以下步骤：
(1)确定汽轮机的故障类别框架Q＝{q1,q2,…,qn}，qi代表故障类别框架Q中的第i个故障，i＝1,2,…,n，n为故障个数；
(2)根据汽轮机运行原理，用l组传感器监测故障的特征参数，输出故障的基本概率赋值mj(qi)，作为诊断故障的证据，j代表第j组传感器，也代表第j条证据，j＝1,2,…,l；
(3)根据传感器输出的故障基本概率赋值，计算诊断证据的最大概率赋值Bj(qi)；
(4)根据传感器输出的故障基本概率赋值，计算诊断证据的最小概率赋值Pj(qi)；
(5)根据最大概率赋值和最小概率赋值，计算诊断证据的最优概率赋值m'j(qi)；
其中，Bj(qi)和Pj(qi)分别为第j条诊断证据第i个故障qi的最大概率赋值和最小概率赋值；
(6)根据诊断证据的最优概率赋值，计算诊断证据之间的确定度Ahj；
(7)根据诊断证据的最优概率赋值，计算诊断证据之间的差异度Dhj；
(8)根据诊断证据之间的确定度Ahj和差异度Dhj，计算诊断证据之间的冲突度Shj；
(9)利用诊断证据之间的冲突度和D-S证据理论融合规则，对诊断证据的最优概率赋值进行融合并归一化处理输出故障的决策概率赋值，计算公式如下：
(10)按照最大的决策概率赋值对应的故障即是汽轮机当前故障的决策规则，对决策概率赋值进行判断，输出诊断结果。
2.根据权利要求1所述的一种基于...
【专利技术属性】
技术研发人员：贾韧锋，唐立志，周阳，杨兆瀚，何志强，赵世舟，马宇婷，白钰，
申请(专利权)人：中国船舶重工集团公司第七零三研究所，
类型：发明
国别省市：黑龙;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。