基于数据清洗和动态神经网络的风电机组齿轮箱油温预警方法研究

齿轮箱是风电机组运行的关键设备。针对风电机组齿轮箱故障发生频繁、运行维护成本高等问题,提出了一种基于数据采集与监控（SCADA）系统异常数据清洗和动态神经网络的建模方法,对风机齿轮箱油池温度进行了建模。随后采用统计过程控制方法分析残差,根据残差分布特征计算阈值上下限,实现了齿轮箱油池温度异常状态预警。最后以双馈式风力发电机组为研究对象进行建模分析并给出实例,验证了该模型对齿轮箱油池温度预警的实用性和有效性。     

海上风电机组的在线监测与故障预警

从海上风电机组的故障诊断与状态监测技术出发,对故障进行了统计,给出了状态监测的主要参数,从中选取温度参数作为分析对象.通过温度时序图分析,分为正常运行、故障形成、即将发生故障3种状态进行监测,采用神经网络与遗传算法相结合的方法进行了故障诊断.结果表明,通过温度变化可以预知风电机组即将发生故障,便于及时预警并采取预防措施.     

基于卷积神经网络的风电机组轴承机械故障智能诊断方法

在风力发电机组运行中轴承机械故障发生概率较高,而传统诊断依靠人工专家来进行故障特征识别,难以实现风电机组自动化故障检测和智能运维。基于振动信号检测、信号变换、卷积神经网络识别的轴承故障智能诊断思路,设计了具有三对卷积-池化层和两层全连接层的深度卷积神经网络模型和诊断算法。基于公开数据集对所提出方法进行了实验验证,并对基于振动信号经过振动灰度图、短时傅里叶变换时频图和连续小波变换时频图三种不同信号变换方式对诊断模型准确率的影响进行了比较和分析。实验结果证明所提出轴承机械故障智能诊断方法的有效性,为风电机组机械故障诊断和智能化运维提供了新的思路。     

精密机械热动态误差模糊神经网络建模研究

结合模糊逻辑与人工神经网络的优点,提出精密机械热动态误差的模糊神经网络模型,并在多变量模糊模型后件结构与参数辨识中提出了主分量分析建模的新方法.基于语言控制规则的模糊模型,采用模糊推理方法,建模的关键在于结构辨识和参数辨识. 采用主分量分析方法可有效地辨识模型后件的结构与参数.为克服建模用的有效数据量少于后件参数,而无法建立相应的模糊模型这一问题,采用一种多变量系统的模糊神经网络建模方法,利用神经网络具有学习的能力,通过使用适当数量的具有充分激励信息的优选数据组作为学习样本对神经网络进行训练,从而建立起模糊神经网络模型.当辨识的模型精度达不到要求时,可应用模糊神经网络的多次训练获取更高的模型精度.实测数据建模表明,模糊神经网络模型能有效地描述热动态误差.     

基于纵横交叉算法优化BP神经网络的风机齿轮箱故障诊断方法

风电机组齿轮箱的运行工况比较复杂,容易发生故障. 针对常规BP（Back Propagation）神经网络故障诊断容易陷入局部最优的问题,提出一种基于纵横交叉算法（Crisscross Optimization Algorithm,CSO）优化BP神经网络的风电齿轮箱故障诊断新方法. 考虑到风电齿轮箱振动信号的波动性和非线性,首先从信号中提取故障特征参数,建立带评价因子的误差分析模型,然后通过纵横交叉算法优化BP的权值和阈值对神经网络进行训练,最后用训练好的神经网络对样本进行测试. 经实验仿真并与其他方法的对比,验证了本文方法用于风电机组故障诊断有效性及优越性.     

基于动态模糊神经网络的超临界机组协调控制

为改善超临界机组的协调控制品质,研究了基于动态模糊神经网络(DFNN)的机组负荷与主汽压特性逆模型建模方法,借助火电机组全范围仿真机获取的仿真数据进行离线建模。以上述模型为基础,提出一种模型离线训练与在线校正相结合的协调系统DFNN逆控制方案,编制了实时控制算法。通过与仿真机进行实时双向数据交换,开展了详细的协调控制仿真试验。结果表明:采用DFNN逆控制,机组在大幅变工况下负荷与主汽压响应的快速性与机组原PID控制相比有较为显著的提高,有效改善了机组的协调控制品质。     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

基于神经网络的主汽温控制系统

针对火电厂主汽温被控对象的大迟延、模型不确定性,设计了基于神经网络的主汽温控制系统。系统结构为串级系统。内回路采用常规比例调节器,外回路采用带辨识器的单神经元ＰＩＤ控制器。辨识器为３层ＢＰ网络结构,以广义δ规则为学习规则。控制器学习算法为有监督的Ｈｅｂｂ算法,教师信号由系统定值和辨识器输出构成。对系统在多种工况下的仿真结果表明,所设计的系统在控制品质、鲁棒性方面明显优于主汽温常规ＰＩＤ控制系统。     

基于汽缸压力辨识的发动机失火故障诊断

针对发动机失火故障,提出了一种利用傅里叶级数和L-M算法优化BP神经网络的故障诊断方法。利用AMESim发动机模型进行稳态工况实时仿真,应用L-M算法优化BP神经网络预测节气门开度与发动机汽缸做功频率的关系,同时借助傅里叶级数辨识缸内压力,将由曲轴转速实时映射的汽缸压力模型与所辨识的缸内压力模型进行比较,得出失火诊断结果;并对辨识的压力模型进行相位和频率补偿,提高了诊断精度及诊断方法泛化性。在出现失火故障后再次进行相位和频率补偿,使辨识的模型具有强跟踪性。任取两个节气门开度值进行试验验证,结果表明:本文方法在发动机稳态工况下,无论高转速小负载还是低转速大负载,均可以准确识别出单缸连续失火故障和多缸随机失火故障,验证了本文方法的准确性。     

基于径向基神经网络的双馈风力发电机低电压穿越控制研究

根据风力机能量转化机理及风电机组运行状态,建立了双馈感应发电机(DFIG)完整的5阶数学模型,分析了其电流控制方案,提出了一种基于径向基(RBF)神经网络辨识的PI控制器自适应控制算法.利用RBF神经网络进行在线辨识,并根据被控对象的Jacobian信息在线调整PI控制器参数,以改善系统的动态响应特性和提高系统的低电压穿越(LVRT)能力.通过构建系统的Simulink仿真模型进行仿真.结果表明,该控制算法有效地抑制了由电压跌落引起的电流震荡,缩短了系统的故障恢复时间,增加了系统的自适应性和鲁棒性,从而提高了系统的低电压穿越(LVRT)能力.     

一种基于神经网络预测模型的DMC算法及其仿真

研究了一种基于神经网络预测模型的动态矩阵控制(DMC)算法,首先利用多层前馈神经网络辨识对象模型,同时预测对象的未来输出,然后用DMC算法进行滚动优化和反馈校正。通过对一类化工反应器非线性系统的仿真,结果表明该算法在非线性对象的任意工作点都可以通过神经网络辨识获得工作点附近的近似线性模型,具有较好的实时性。     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

基于自适应模糊神经网络的水轮机特性辨识研究

利用自适应模糊神经网络(ANFIS)较强的非线性逼近能力,建立了辨识模型,对水轮机非线性特性进行了辨识.训练算法采用最小二乘和梯度下降结合的算法来训练参数,模型能很好地辨识水轮机特性,并有一定的透明性,为研究智能水轮发电机控制策略提供了有效的建模方法.     

基于PSO的RBF神经网络在热工系统辨识中的应用

在神经网络辨识大迟延对象时,模型类中迟延时间多是根据经验估测的,而不同的值对神经网络辨识的精度和效率就会不同。针对上述问题,将基于正交最小二乘(OLS)算法的径向基(RBF)神经网络和粒子群优化(PSO)算法相结合对热工系统的复杂对象进行辨识仿真。通过对电厂一次风量数据和平均床温数据的仿真实验结果表明,在RBF神经网络对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳迟延时间,从而得到更精确的模型并提高辨识效率,可以取得良好的效果。     

基于极端随机树的火电厂再热器故障预警算法研究

针对火电厂锅炉再热器欠温问题存在的故障隐患,研究了随机森林、极端随机树和梯度提升决策树3种集成学习算法对再热蒸汽温度的预测效果。再通过预测值与真实值之间存在的残差,可以在一定程度上反映故障隐患信息。采用滑动窗口法精确计算预警阈值,分别对3种算法的预警效果进行了对比分析,确定了极端随机树与滑动窗口法相结合的预警模型初始报警时刻最早,预测效果最为准确。     

DSmT的主冷却剂泵并发故障融合方法分析

针对核电站主冷却剂泵故障特征微弱难以有效辨识及DST仅能解决在无高冲突辨识框架下的单一故障诊断等问题,提出一种基于DSmT决策级主冷却剂泵并发故障融合诊断模型．采用核主泵自由DSm模型和混合DSm模型对含有故障信息的多个独立证据源进行动态融合计算;分析核主泵DSmT故障特征信度赋值变化,确定主冷却剂泵故障(并发故障)诊断总决策. 结果表明, 将核仿真机采集TS、SS、VS和DS多源传感器数据直接对基本概率函数进行赋值,得出主冷却剂泵故障(并发故障)决策结果与实际工况相符,实例验证了所提方法的可行性、有效性及准确性．     

基于BP神经网络的舰载导弹垂直发射系统建模与仿真研究

建立了舰载导弹垂直发射的基于BP网络的辨识模型,讨论了网络的学习算法,结合舰载导弹垂直发射的实际情况,给出了基于BP网络的改进算法.并通过对动力学模型和BP模型的对比研究,讨论了神经网络建模的可行性.     

风电机组故障诊断中不确定性信息处理的贝叶斯网络方法

针对风电机组故障信息耦合性、模糊性的不确定性特点,结合贝叶斯网络在处理不确定性问题上的优势,提出了风电机组故障诊断的贝叶斯网络方法.重点研究了该方法的两个关键问题,即风电机组故障诊断的贝叶斯网络建模和贝叶斯网络推理.构建了一种基于事故树分析方法的三层CME贝叶斯网络模型并解析了贝叶斯网络的故障推理过程,通过风电机组齿轮箱的故障诊断实例验证了上述模型的可行性和贝叶斯网络推理的有效性.研究成果对具有相关不确定性问题的机电设备故障诊断有借鉴意义.     

流化床垃圾焚烧炉烟气停留时间计算及预测

保证焚烧烟气在大于850 ℃区域内停留2 s以上是保证垃圾稳定燃烧和避免二次污染的重要途径,但目前只采用炉膛出口热电偶测温对其定性评估,难以定量计算和预测烟气在高温区域停留时间. 本研究基于热力学计算方法、运行参数关联性分析和多种机器学习算法（反向传播神经网络、循环神经网络、随机森林算法）,对我国某典型生活垃圾循环流化床焚烧锅炉开展了烟气高温段（>850 ℃）停留时间计算、关键运行参数关联计算和停留时间预测模型构建等研究. 结果表明,炉膛温度、一二次风温度和压力等10个关键运行参数与高温烟气停留时间具有强关联性和预测性. 循环神经网络预测模型相对最优,其拟合度及准确性较反向神经网络、随机森林算法更高,均方根误差(MSE)为0.11626,预测值与真实值的平均绝对误差为1.174%. 本研究可以用于预测炉内高温区域烟气温度变化,为炉内焚烧工况优化和污染物减排超前调控提供支撑.     

基于铝电解过程神经网络建模的研究

目的利用神经网络铝对电解过程进行辨识建模,以解决采用常规方法难以建立模型的问题.方法分别利用递归神经网络（Elman神经网络）和延时神经网络（加入延时单元的BP神经网络）对铝电解过程进行辨识建模,并将二者的辨识结果进行了比较.结果递归Elman神经网络能更好地跟踪铝电解生产过程,并且网络结构简单误差小.结论笔者提出的递归Elman神经网络建模方案更适合于对铝电解过程进行辨识建模.