摘 要：文章分析了基于知识模型库的水电机组故障诊断融合推理方法，描述了知识模型的层次组成，基于信号处理的人工神经网络诊断方法。
关键词：故障诊断;知识模型库;神经网络;融合推理
水电机组状态监测系统通过对机组各种参量的实时检测和监视，综合设备历史状况，能对机组作出故障诊断和趋势预报，及时评估设备性能，利于水电厂制定合理的设备检修维护制度，从而达到延长检修周期，缩短检修时间的目的。
1水电机组故障诊断特点
水电机组故障诊断主要包括水轮机诊断和发电机诊断，二者互为关联。
水轮机诊断包括：轴系、叶轮、叶片、导轴承、润滑系统、支撑系统、控制系统等部位故障的诊断。主要故障特征包括：油箱油位的升高和降低、油温的升高、轴瓦平均温度升高、轴瓦温度上升率、摆度升高、轴承振动升高、振动和摆度随转速、负荷变化的趋势、有无负荷的振动情况。
发电机诊断包括：定子线圈、定子磁心、转子、轴系等部位故障的诊断。定子线圈的诊断采用局部放电法(脉冲高频容量)用于检测线圈、线棒、线棒支撑的绝缘情况及线圈断路。定子铁芯和转子的诊断运用一组气隙测量传感器监测定子孔径和转子圆周、偏心所造成的动态气隙情况。
检测的参数一般有：机架振动、摆度、温度、电量、气隙、绝缘监测、气蚀、压力脉动等。
对于诊断导轴承、推力轴承以及其它一些复杂的故障，诊断系统要综合考虑分析各检测参数。
2故障诊断系统结构
机组故障诊断系统包括数据预处理和数据规范化、信息处理、故障诊断知识建模、故障检测、故障分离与估计、故障分类评价和决策、知识模型库、数据库、智能决策支持系统、人机对话界面、监控中心等。故障诊断系统构成见图1。
数据预处理和数据规范化模块对在线采样的可测变量先进行预处理以消除噪音，然后将其转化为规范数字信号输入数据库中。
信息处理、故障诊断知识建模模块将从机组录入的振摆、水压脉动等信号进行再处理并建成知识模型库。
知识模型库、数据库在故障检测、故障分离与估计、故障分类评价和决策模块实时起支撑性作用。 智能决策支持系统模块负责对机组不同的运行状态选择哪种或哪几种诊断方法，以及各诊断方法之间的集成，给出相应的故障处理方案，和优化运行决策与检修计划决策，并对知识模型库中的知识进行协调调用。
人机对话界面、监控中心分别负责机组信息的输入与输出，包括深层和浅层知识的录入、故障信息的输出，以及在判定故障时启动保护措施，通过执行机构去完成。另外还有数据的报表输出及打印等功能。
3知识模型库
如何具体实现故障诊断知识建模的功能，进行诊断知识模型的获取，形成知识模型库，从而实施在线故障检测、故障分离与估计、故障分类评价和决策模块的功能是系统的难点。
在文献[1]中，杨杰等提出了一种基于综合模型的故障诊断建模与推理的方法，即人工神经网、案例、规则和对象模型，来有效地进行诊断知识模型的获取。
水电机组的知识模型可由机组模型、诊断经验规则、诊断神经网模型、诊断案例4种方式来表示。
