电站锅炉设备是一个复杂的系统，其故障诊断要求实时性强，推理效率高，定位准确，一旦出现故障征兆要立即做出准确判断，迅速采取措施，以避免酿成灾难性的事故。故障诊断涉及诊断知识的处理机制，实时数据库，知识库等诸多问题。传统的知识处理方式具有知识表达直观、模块性强、逻辑推理清晰等优点。但这种处理方式存在知识获取的瓶颈问题，推理效率低，自适应能力差，实时性差等局限性。这对于一个必须兼具准确、实用性、实时性并能不断完善和扩充的诊断系统来说是关键性的障碍，因此多年来人们一直在积极寻求各种解决方法，如采取多种知识表示方式及多种求解策略，提高系统的灵活性;采取机器学习的方法解决知识获取的瓶颈问题等。上述解决方案其根本目的在于达到将基于知识的符号处理方法与模糊神经网络充分有效的结合在一起，在建立一个强大的实时数据库，在统一的数据信息平台上，对各种故障征兆作深度处理。
对于电站锅炉故障诊断过程而言，锅炉设备的结构知识、功能知识、设备的历史运行数据、设备的故障数据、锅炉远行规程等都是重要的信息资源，全面掌握这些数据对于维护电厂的正常运行是十分重要的。
进行生产决策和管理等都是相当重要的。但是，目目前国内有相当数量的火电厂由于历史和技术方面的原因，生产线上的信息流失、沉淀，各应用系统之间的数据无法快速共享，这对于建立锅炉的实时监测诊断系统是非常不利的。因此，采用企业的信息资源管理标准建立锅炉实时数据库，即使故障诊断信息标准化和规范化，可有效地提高诊断过程推理效率和准确率。
锅炉故障诊断知识库实际上是发生异常事故的现象、发生异常征兆的参数以及相应处理措施共同组成的一个规则库，对于采用面向对象的知识表示方法而言，可以将它们视为不同的对象。这些对象之间的主要区别在于对象的属性值不同，因此只要应用数据库保存整个诊断系统全部故障征兆、故障类型、故障处理等属性值，并将其定义为各种不同的异常事件类，在处理诊断系统的“知识获取”这一“瓶颈”环节时，只要通过创建异常事件类的不同实例，既可继承相应事件类的属性值，动态的生成各种不同的对象，并将其作为经验样本，通过神经网络训练后，以网络权值的形式作为知识存贮起来。由于这些对象之间存在紧密的关联机制，因此比较适合应用成熟的关系数据库来存贮和管理这些对象的属性。本文重点讨论模糊神经网络及实时关系型数据库，最后简略提及系统实现和实验效果问题。
2 基于模糊神经网络的故障模式识别
故障诊断实质上是一种状态识别与分类问题，是根据传感器测量的各种状态参数来识别其运行状态，一旦发生异常即刻进行诊断，找出故障原因。目前人们已经提出并研究了多种故障诊断的方法。如模糊综合评判、模糊类聚分析、模式识别、人工神经网络、专家系统等，这些方法都各有其各自的优缺点。
人工神经网络以其独特的联想、记忆和学习功能在设备故障诊断领域受到了广泛的关注，神经网络对信息的处理是通过大量称为结点的简单处理单元的相互作用进行的。通过对经验样本的学习，将专家的知识以权值形式存贮在网络中，并利用网络的信息保持性来完成不精确的诊断推理，可以较好地模拟专家经验、直觉而不是复杂的推理过程。因此采用基于神经网络的自学习功能、联想记忆功能、分布式并发处理信息功能，在诊断系统的知识表示、获取和并行推理等方面具有一定的优势。模糊神经网络诊断是神经网络和模糊逻辑相集成的技术。模糊神经网络（fnn）是由两个或两个以上模糊神经元相互连接形成的网络。它的构造方法是将传统神经网络模糊化，这种fnn保留原来的神经网络结构，而将神经元进行模糊化处理，使之具有分析模糊信息的能力。
2.1 模糊神经元
模糊神经元的基本结构如图1所示。
模糊神经元的输入分别示论域u1，u2，…un中模糊集a1（x1）, a2（x2）,…, an（xn）,被“加权”的输入不是通过求和而是通过模糊累积运算来累积，根据具体情况还可以对输出y进行模糊运算。在模糊神经网络中，模糊神经元的设计应使之具有和非模糊神经元大致相同的功能，同时又要求它能反映神经元的模糊性质，具有模糊信息处理能力，其各个输入到输出的过程不一定总是相同的。
2.2 基于模糊规则描述的模糊神经元
在基于知识的系统中，常使用一组条件语句“if—then”规则来表示从人类专家那里得到的知识，这种知识常伴随着不确定性和模糊术语，因此在“if—then”中，前提和结论是作为模糊集来处理的。第i类神经元就是由这种规则描述。
图2表示一个具有n个输入和单输出的模糊神经元，其输入输出关系是由一个“if—then”规则表示:
if
and 
…and 
then yi=bi（y）
这里，x1,x2,…xn是当前输入，bi是第i神经元的当前输出，第i个神经元由模糊神经网络中所示的全部m个规则中的第i规则描述。也就是说每个神经元表示m个“if—then”规则中的一个。
根据模糊逻辑理论，第i个模糊神经元可以由一个模糊关系ri来描述:
ri=
×
×…×
×bi给定当前输入（模糊或非模糊）a1，a2，…，an,根据推断的复合规则，第i个规则给出的输出量是yi=a1o （a2o （…（an ri）…））
此处，“o”表示任意复合操作，所提出的模糊神经元中，输入是通过一个模糊条件语句或“if—then”规则与其输出相关联的。神经元的经验存贮在模糊关系ri中，其输出由当前输入和过去的经验ri组成。
第i类神经元的学习算法可由实际问题具体确定。模糊神经元的学习，可以通过“突触”调整或“躯体”调整来实现。“突触”调整的意思是不断对所有的输入进行修正，然后前向传递到神经元体。而“躯体”调整则是对过去的经验进行修正。
一般的模糊神经网络采用多层前向神经网络结构。由于神经元以及融入模糊成分的不同，便出现了不同类型的模糊神经网络。模糊神经网络继承了常规神经网络的学习算法，但由于模糊信息的特殊性，又形成了一些独特的算法。模糊神经网络融合了模糊逻辑和神经网络的优点，既能表示定性的知识，又具有自学习和处理定量数据的能力，是二者集成的结晶。在设备故障诊断中，其构造方法是将传统神经网络模糊化，它保留原来的神经网络结构，而将神经元进行模糊化处理，使之具有处理模糊信息的能力。网络结构等可参见文献[1][2][3][4]。
3 故障诊断数据库
在故障诊断过程中要采集大量时间序列数据，有众多的实时数据需要贮存、处理。因此实时数据库是很关键的，以锅炉运行规程为基础，建立锅炉故障诊断数据库，包括故障类型、故障征兆明细表、经验样本集表、参数征兆分析表等，实现知识的有效存贮、方便的管理和维护，为系统内部的推理提供方便。为了方便和将故障诊断系统纳入统一的数据信息平台，最好的选择是选用美国wonderware公司的insql server，它是用于工厂和过程数据的开发的实时关系型数据库。该数据库可通过wonderware i/o server连接超过500种的控制设备和数据采集系统，由于对模拟量和离散量数据的采集和存贮进行了优化设计，在相同的硬件环境下，insql server在很多方面都胜过所有普通的关系型数据库，使得在关系型数据库中存贮高速数据成为可能，可以高速捕捉数据。由于采用了数据压缩技术，可以在很小的空间中存贮数据，与普通关系型数据库相比，存贮同样的数据，insql server大约只占普通关系型数据所需容量的2%。例如对于一个有4000个变量、扫描速度从秒级到分级的工厂来说，存贮2个月的历史数据所需的磁盘空间一般情况下不会小于2gb，而用insql server只需40mb空间。由于减少了存贮空间，存贮硬件价格已变得愈来愈不重要。为确保用户获得高分辨率和高质量的数据，该数据库采用了loss-less无损压缩算法。一般数据库不支持时间序列数据，比如sql语言不支持时间序列数据，特别是无法控制返回数据的分辨率，也无法向用户主动提供数据。而insql server允许对分辨率和主动更新的控制，并在服务器上提供了基本的时间关系函数，如变化率和完整过程计算等。上述功能使故障诊断系统软件开发周期大大缩短。
4 故障诊断的工程实现
目前电站普通采用dcs系统，它的功能丰富，比如运行参数的监视、记录存贮，实时趋势与历史趋势显示等。以dcs系统为基础稍加改进，不仅可避免重复投资，充分发挥已有资源的潜力，更重要的是大大缩短了故障诊断系统的开发周期，是符合我国国情的。诊断系统的核心技术在于神经网络和专家系统如何有机结合，因为两者在知识获取、知识表示、推理机制等方面有许多差异，如果把所有的知识都转换成与热力参数相关，使参数征兆的提取和预处理符合神经网络的输入要求，那么问题就迎忍而解了。图4是热力参数征兆提取的系统结构示意图。
设备的故障诊断过程包括参数征兆的异常判别和故障诊断两个方面。前者是故障诊断的基础，对于采集到的反映设备运行状态的参数，需要通过征兆提取，根据设备正常工作特性及制定的标准（通常可设置为4种状态:正常、报警、危险报警、异常）判定其运行状态是属于正常还是异常，如果状态属于异常，就要进一步诊断找出故障。通常判断正常和异常状态是根据现场人员的经验或一个特定的标准，但在现场中，这个标准并不是很严格的。比如，某运行机组在额定工况下运行，其主蒸汽温度为540℃，在此额定值+5℃～-10℃均为正常状态，换句话说，可以以545℃、530℃为限作为判定主蒸汽温度状态的异常标准。但这个标准并不严格，有时主蒸汽温度比545℃略高或比530℃略低，机组还是处于正常运行状态，且若参数异常，到底是属于报警状态还是属于危险状态也是无法明确区别的。因此，可以说，正常和异常之间，异常程度之间的界限是模糊的，而模糊集合正是处理这些界限不分明的数学工具。对于一个模糊子集a表示某个特征参数x的取值范围，用“隶属度函数”μa（x）及其具体取值“隶属度”μa（x）（0≤μ≤1）来描述对a的隶属度。当μa（x）=0.1或1时，特征参数正处在严格的正常和异常状态;当μa（x）>0.4时，发出预报警信号;当μa（x）>0.5时，发出危险报警信号;当μa（x）>0.8时，发出异常报警信号。
5 结束语
故障诊断是很复杂的，本文以电站锅炉为背景，屏蔽了很多技术细节，概略地讨论了基于模糊神经网络的诊断方法，初步试验效果已经说明，该方法是合理有效的。
