汽轮发电机组的振动故障一般都不是单一故障，经常出现几种故障同时发生的情况但多故障的诊断问题目前还未能很好解决，原因是：1）系统复杂，多故障的研究不够深入；2）工程实际中多机组同时运行，互相影响，多故障发生的机会多，诊断分析更加困难；3）诊断方法不够成熟由于规则和知识库的限制，专家系统等人工智能方法对多故障的处理力不从心，在神经网络诊断技术中，如将各种多故障的组合作为训练样本，将使网络规模非常庞大，网络的归纳联想能力将大幅度下降，甚至完全失败本文提出的基于概率因果模型与遗传算法结合的诊断方法，把概率因果模型的似然值函数作为遗传算法的适应值函数，能够对汽轮发电机组振动的多故障进行诊断1概率因果模型一个简单的诊断问题可表示为P=（D，M，C，M），其中D=d1，d2，。"，dn为故障的有限非空m1，m2，…，mn为征兆的有限非空集；CG DXM为定义在DXM上的有序关系子集；MGM为己知的征兆集合问题的解是在己知征兆集合M下最可能发生的假设Dj，即在所有可能假设的解之间具有最高先验概率的故障集因此，一个诊断的最大似然值问题对于概率因果模型，需了解以下定义和假设1.1定义和假设令dfD为原因事件，m/6M为结果事件，则定义：诊断假设（上nd；）A（八di），即所有在Di中的故障均存在，而其它故障均不存在。
己知存在的征兆M+=（A m，）A mM（Am，），即所有在M中的征兆均存在，而其它征兆均不存在。
在己知di存在的情况下，di引起m，（m，：di发生）的概率为P（m.，*对所有的原因事件（故障）diZD，己知其先验概率0 孤-把两上父泣体的部七哜加以替她汽轮发电几譬故障遗传算法新法bookmark2在遗传算法应用于汽轮发电机组的故障诊断时，由于稳态繁殖每次用多少子代个体取代父代个体的数量不易确定，一般都采用没有重串的稳态繁殖选择方法，这样有效地避免了“早熟”现象的产生，提高了故障诊断的正确率。 新方法为概率因果模型与遗传算法的有机结合。在己知征兆从时，概率因果模型给出了描述某一假设Di发生可能性大小的函数，将它作为遗传算法的适应值函数，汽轮发电机组的故障诊断就转换为最优化求解问题根据故障求解的概率因果模型，首先要确定故障诊断问题的故障集合D，先验概率Pi，征兆集合M，故障与特征之间的因果强度C等表1为不同故障时的先验概率，表2为故障D与征兆M之间的因果强度Cj，其中，drdn是汽轮发电机组的几种较常见的故障；m8是频谱的8个特征频率，分别为0. 01~0.39/（/为汽轮发电机组的旋转频率），0.40~0.49/，Q 50/，0.51~0.99/，1.0/，20/，3.0~5.0/，>5.0/；Pi是根据长期积累的经验确定的各种故障发生的频度；G/是某故障发生时的各特征频谱的谱峰能量归一化值本文应用遗传算法求解汽轮发电机组故障诊断问题时，初始群体为50个，Pc为0.6，Pm为Q01，并采用没有重串的稳态繁殖选择方法来防止遗传算法“早熟”现象的发生表1不同故障下的先验概率表2：不同故障集D和征兆集M下的因果强度Cj注：d|d分别为不对中；不平衡；轴承座松动；轴承与轴瓦松动；转子碰摩；油膜涡动；推力轴承损坏；汽流激振；联轴节损坏；轴承扭振；轴承对轴颈偏心3诊断实例例1对某电厂的汽轮发电机组进行分析时，发现其在Q己出现，即M 1，m2，m3，m4）经程序分析得到结果为故障d3和d8，即汽轮发电机组出现了轴承座松动和汽流激振两种故障，实际验证诊断结果正确如Pm在0. 3之间取值时，诊断结果均为d3 Pm对诊断结果有较大的影响。 例2分析另一厂的汽轮发电机组时，发现m5~ms均高于正常值，故设M=（m5，m6，m7，m8）经程序分析结果为故障d1和d5，即不对中和转子碰摩故障实际验证诊断结果正确。若Pc在0. 3和0.9之间取值时，诊断结果均为d1和d5若Pc>0.3时，则诊断结果错误可见，Pc对诊断结果有较大影响。 择好种群数、Pc和Pm的前提下，诊断正确率>80%，表明本文提出的诊断方法可行4结论新方法诊断可靠性和实用性较高，但应注意：a把握好“征兆”的标准，即征兆值达到什么限度才认为其出现，这是诊断成败的关键因素之一；b.选择Pc和Pm具有相当大的弹丨生本文编制的程序分析表明，不同的Pc和Pm对诊断结果影响较大，本文中这两个参数是根据经验选取的，具体选取标准尚需进一步研究