[发明专利]一种热力系统故障的模糊最近邻融合诊断方法

摘要

本发明公开了属于热力系统故障诊断技术领域的一种热力系统故障的模糊最近邻融合诊断方法。获取机组工作在额定工况下热力系统故障的特征参数，确定额定工况下特征参数的正常值；采用征兆计算方法对特征参数进行标准化处理，运用引力搜索算法获取典型故障原型；根据特征参数的实测值和正常值计算实时故障征兆；比较实时故障征兆与典型故障原型的相似性，模糊最近邻分类器给出故障隶属度；神经网络融合模糊最近邻分类器给出的故障隶属度，进行二次诊断，给出最终的诊断结果。具有诊断速度快、诊断精度高的优点；可用于额定工况、不同稳态工况下的热力系统故障诊断；通过对故障特征参数的实时预测，可适用于变工况动态过程热力系统故障诊断。

主权项

1.一种热力系统故障的模糊最近邻融合诊断方法，其特征在于，包括如下步骤：1)获取机组工作在额定工况下热力系统故障的特征参数，确定额定工况下特征参数的正常值；2)采用征兆计算方法对热力系统故障的特征参数进行标准化处理，运用引力搜索算法获取热力系统的典型故障原型以反映不同热力系统故障的特征；3)根据热力系统故障特征参数的实测值和正常值计算实时故障征兆；4)比较实时故障征兆与典型故障原型的相似性，模糊最近邻分类器给出故障隶属度；5)将每个模糊最近邻分类器给出的故障隶属度送入神经网络，神经网络融合模糊最近邻分类器给出的故障隶属度，进行二次诊断，给出最终的诊断结果；所述运用引力搜索算法获取热力系统的典型故障原型的具体步骤为：步骤201：给定种群规模n，最大迭代次数T_max，随机初始化个体的速度v_i和位置x_i，i为正整数，i＝1,2,...,n，个体依次编码为训练集中不同类型故障样本的特征，个体的速度是与位置同维的向量，且个体的初始速度设置为零；步骤202：在训练集T上计算每个个体的适应度值，计算公式为：式(1)中，X_k为第k个样本；N为样本总数；h(X_k)指出样本X_k是否被正确分类，若正确分类，h(X_k)＝1，否则，h(X_k)＝0；t为迭代次数；步骤203：将每个个体的当前位置设置为个体极值p_i，i＝1,2,...,n；将种群中适应度值最小的个体位置设置为全局极值g；步骤204：计算每个个体的惯性质量M_i(t)，计算公式为：式(2)中，fit_i(t)为个体i第t次迭代的适应度值；fit_best(t)和fit_worst(t)分别表示第t次迭代时种群中所有个体最好的适应度值和最坏的适应度值，fit_best(t)和fit_worst(t)的计算公式分别为：步骤205：计算每个个体在d维所受的作用力F_i^d(t)，计算公式如下：式(5)中，rand_j为[0,1]之间的随机数；为第t次迭代时个体j对个体i在d维的作用力，的计算公式为：式(6)中，G(t)为第t次迭代时的引力常数；R_ij(t)为个体i和个体j之间的欧式距离；ε是一个常数，防止分母为零；和分别为个体j和个体i第t次迭代时在第d维空间上的位置；步骤206：计算每个个体在d维的加速度的计算公式为：步骤207：更新每个个体的速度和位置，计算公式为：式(8)、(9)中，和为在t次迭代时粒子i在d维的速度和位置；和为在t+1次迭代时粒子i在d维的速度和位置；rand_i，rand₁和rand₂为[0,1]之间的随机数；为粒子i个体极值的第d维；g^d(t)为全局极值的第d维；步骤208：计算每个个体的适应度值；对于每个个体，将其适应度值与个体极值p_i作比较，如果适应度值小于个体极值p_i，则将其位置设置为个体极值p_i；将其适应度值与全局极值g作比较，如果适应度值小于全局极值g，则将其位置设置为全局极值g；步骤209：返回步骤204循环迭代，直到达到最大迭代次数或满足精度要求为止；步骤210：输出热力系统的典型故障原型，算法结束；所述模糊最近邻分类器给出故障隶属度的具体步骤为：步骤301：计算待分类样本X_q与故障原型P_i^j之间的距离，计算公式为：式(10)中，X_q为待分类样本，且X_q＝(X_q1,X_q2,…,X_qm)^T，T表示转置；m为样本的维数；P_i^j为第j类故障的第i个原型；d(P_i^j,X_q)为待分类样本X_q与原型P_i^j之间的距离；C为故障类别的数目；S为每类故障的原型数目；步骤302：计算待分类样本与每类故障原型的最近距离dist(ω_j,X_q)，计算公式为：式(11)中，dist(ω_j,X_q)为待分类样本与每类故障原型的最近距离；ω_j为故障类别；步骤303：计算待分类样本属于每一故障类别的隶属度μ_jq(ω_j,X_q)，计算公式为：步骤304：得到待分类样本属于相应故障类别的隶属度向量μ_q，公式为：μ_q＝[μ_1q,μ_2q,…,μ_Cq]^T    (13)式(13)中，μ_q为待分类样本属于相应故障类别的隶属度向量，T表示转置。