基于免疫克隆与模糊聚类的汽轮机故障诊断方法的研究

提出了一种免疫克隆选择算法与模糊C-均值聚类算法相结合的混合聚类算法,是一种有监督学习和无监督学习结合的算法.该算法首先用克隆选择算法对模糊聚类中心的选取进行指导,然后进行聚类.仿真结果表明,将该算法用于汽轮机的故障诊断,能够正确地诊断出存在的故障,提高了故障诊断的准确性和有效性,其性能优于模糊C-均值聚类的故障诊断方法.     

基于聚类分析与加权模糊逻辑的汽轮机组振动故障诊断方法研究

针对汽轮机组振动故障诊断中故障征兆的使用问题,提出了一种基于聚类分析与加权模糊逻辑相结合的故障诊断方法。利用振动的频谱特征对振动故障的几种常见故障模式进行分类,形成故障模式类,从而可以在故障模式类层次区分开属于不同性质的故障模式,解决类间的识别问题,进而缩小故障模式的识别范围。对于同一故障类中的故障模式,采集不同类型的故障征兆,利用粗糙集理论建立故障诊断决策表,提取对故障识别有贡献的故障征兆构建故障诊断规则,再应用知识依赖度为故障诊断规则的前提条件分配权重,克服了主观分配权重存在的不足,减少了故障诊断推理过程中的不确定性影响。再应用加权模糊逻辑对故障诊断规则进行推理,根据推理结果对故障模式进行识别。该方法既充分利用了振动的频谱特征这一重要故障征兆作为故障诊断的初步判断依据,又综合利用了反映故障不同方面信息的不同类型的故障征兆,从而做到更加准确地进行故障识别。     

基于核主元分析和最小二乘支持向量机的中速磨煤机故障诊断

为了对火电厂磨煤机作出早期故障预测并有效判别其故障类型,提出了基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的磨煤机故障诊断新方法,并采用该方法对某电厂的HP碗式中速磨煤机的故障特征数据进行了仿真试验.结果表明:该方法可提取变量的特征信息,以有效地捕捉变量间的非线性关系,从而能有效地处理故障征兆与故障类型之间的不确定性,具有很好的分辨力,而且故障诊断的正确率很高.     

动态加权模糊聚类在变压器故障诊断中的应用研究

摘要： 为提高变压器故障诊断准确率,提出了一种基于遗传算法的动态加权模糊C均值聚类算法。该算法使用把聚类中心作为染色体的浮点数的编码方式,染色体长度可变,不同的长度对应于不同的故障聚类数;并使用权值区别不同样本点对故障划分的影响程度。将该算法应用于电力变压器油中溶解气体分析（DGA）数据分析,实现了变压器的故障诊断。经过大量实例分析,并将结果与其他算法进行对比,表明该算法具有较高的诊断精度。     

基于模糊C均值聚类的光伏阵列故障诊断方法

提出基于模糊C均值聚类的光伏阵列故障诊断方法。采用基于模糊C均值聚类的方法,对给定外界环境下不同故障类型的故障特征量进行聚类分析,得到故障类型和故障特征量的模糊映射关系;通过基于正态分布的隶属度函数算法,计算待诊断样本与各故障模式间的隶属度大小。对隶属度大小进行排序,得到待诊断样本的故障类型。通过Matlab仿真验证方法的正确性和有效性。     

柴油机模糊诊断专家系统的研究

介绍了一种以关系数据库为基础的机车柴油机多征兆模糊故障诊断专家系统,研究了多征兆模糊产生式规则的诊断知识表示和知识库的建立;利用ADO技术实现对知识库的访问和诊断管理。在柴油机故障诊断应用中,该数据库取得了良好的效果。     

火电厂锅炉运行故障诊断专家系统的研究

在火电厂锅炉运行故障诊断中,难以建立对象的精确数学模型,且故障征兆和故障原因之间具有一定的模糊性,采用模糊专家系统可以避免建模的困难,并能在信息不确定的情况下给出合理的解释。给出了该系统的结构,简单介绍了其各模块的功能。研究了模糊事实的表示和基于规则的知识的表示,介绍了推理过程,给出了汽包满水故障诊断实例。该系统通过检测实时数据库中出现的征兆,生成相应的模糊事实,结合规则库中的知识,诊断出可能出现的故障。     

基于MSET和模糊识别的凝汽器故障诊断

针对凝汽器的故障诊断问题,基于多元状态估计原理,采用模糊C均值聚类提取凝汽设备的运行状态矩阵,建立了设备的状态监测模型,以相似度指标衡量设备的运行状态,并以此作为参数模糊化的评判依据,获得凝汽器典型故障的专家知识库。在此基础上,根据模糊规则对设备的故障进行识别,提出了基于多元状态估计和模糊识别的故障诊断方法,并给出了该诊断方法的整体流程。以国内某600 MW机组凝汽器为例,采集实际运行数据进行建模与分析,结果表明:所提出的方法对设备参数的估计较为准确,具有一定的监测跟踪能力,并且能够及时准确地诊断设备故障,整体流程清晰直观,适合系统化应用。     

基于FCM-FM算法的光伏阵列故障诊断

工作于自然环境的光伏阵列故障频发,及时对故障进行定位和分类对于提高光伏电站运行水平具有重要意义。针对光伏阵列的常见故障类型（短路、开路、局部遮挡等）,基于运行数据提出无监督模糊C均值（FCM）聚类与模糊隶属（FM）算法相结合的光伏阵列故障诊断方法。论文首先对光伏阵列典型故障的产生机理进行分析并提取故障特征参数;然后,采用FCM聚类方法对光伏阵列典型故障样本数据进行分类,得到不同故障的聚类中心;最后,利用FM算法计算运行数据与聚类中心的隶属度,判定故障类型。基于数字模拟实验和实证测试,验证上述方法的有效性。分析结果表明,本文方法可有效判别光伏阵列的典型故障,诊断结果准确、可靠。     

旋转机械振动故障的模糊诊断

在分析了旋转机械振动故障诊断存在的困难之后,建立了故障机理研究和故障诊断的数学模型。根据征兆对故障的肯定和否定程度,提出了故障诊断的模糊筛选矩阵,实现了对复杂故障的诊断。     

基于动态时间归整技术的电站过程故障诊断方法

对于像电站这样的复杂工业过程,基于数学模型的故障诊断方法难以应用.为此,提出了一种基于动态时间归整（DTW）技术的故障诊断方法.该方法不依赖过程数学模型,而是基于过程数据分析来进行故障诊断,因而适合在电站生产过程中应用.首先,通过历史数据分析和过程知识,建立故障模式库.然后在故障诊断过程中利用DTW技术将检测样本与故障模式库进行模式匹配.最后根据相似性尺度找出故障模式库中与之最匹配的故障样本,从而得出诊断结果.以电站主汽温控制过程为例对该方法进行了仿真研究.实验结果表明,该方法具有较高的诊断精度,并对电站生产过程的时变特性具有良好的鲁棒性.图2表3参8     

基于隶属度和规则的层次分类诊断模型

提出了一个基于模糊隶属度和规则的分类层次诊断模型。针对该模型,首先以汽轮机通流部分故障为对象,讨论了层次分类的方法,根据结构和故障分解的原则建立了故障诊断树;其次根据热力参数的实际情况,选择模糊隶属度函数并确定隶属度函数的算法;最后综合这两种方法的优点,设计了故障节点的知识组织结构,把每个故障节点的知识库分成工况参数、初始证据源、证据模式、神经网络信息、模糊规则库、索引知识等6个部分。该模型既减少了故障判断的搜索数量,又把诊断所需的各种模糊不确定的知识用模糊神经网络的权重来表示,知识的获取通过模糊神经网络的训练进行,解决了知识获取的"瓶颈"问题。经过实际故障诊断验证,该模型对于通流部分故障诊断具有很好的适用性。图2表4参2。     

Application of an adaptive neural network with symbolic rule extraction to fault detection and diagnosis in a power generation plant

Artificial neural networks have a good potential to be employed for fault diagnosis and condition monitoring problems in complex processes. In this paper, the applicability of the fuzzy ARTMAP (FAM) neural network as an intelligent learning system for fault detection and diagnosis in a power generation plant is described. The process under scrutiny is the circulating water (CW) system, with specific attention to the conditions of heat transfer and tube blockage in the CW system. A series of experiments has been conducted systematically to investigate the effectiveness of FAM in fault detection and diagnosis tasks. In addition, a set of domain rules has been extracted from the trained FAM network so that its predictions can be explained and justified. The outcomes demonstrate the benefits of employing FAM as an intelligent fault detection and diagnosis tool with an explanatory capability for monitoring and diagnosing complex processes in power generation plants.     

基于BP网络的故障诊断方法及其在电站中的应用

电站机组可能会发生各种故障，有些故障没有明显征兆。为能诊断这类故障，需要新的方法。提出了根据当前技术条件下可以测量到的参数，而不一定是故障特征参数，进行故障诊断的思路。介绍了BP人工神经网络的结构和学习方法，提出了基于BP网络的模式识别能力，建立电站性能监测与诊断系统的新思路和方法。利用该方法，对电站设备性能下降故障的程度进行了成功诊断。图2表2参3     

基于布谷鸟搜索算法优化BP模糊Petri网的水电机组故障诊断

针对水电机组故障诊断的复杂性和传统算法存在的缺点,提出采用布谷鸟搜索算法优化BP模糊Petri网进行故障诊断。首先利用布谷鸟搜索算法的全局搜索功能对网络参数寻优,将得出的全局最优解作为BP模糊Petri网的最优初始参数,再用选取的故障样本数据对模糊Petri网进行学习训练,建立故障特征集到故障类型集的映射关系以实现故障分类。仿真试验表明,该故障诊断方法收敛速度快、准确率高,可应用于实际水电机组故障诊断。     

发动机点火系统模糊诊断方法的研究

本文对基于模糊理论的发动机点火系统故障诊断方法进行了初步的研究，给出了体现诊断专家经验知识的模糊诊断国，提出了诊断系统的组成结构以及模糊诊断的基本过程，并且针对东风EQ6100型汽车发动机点火系统的常见故障进行了实例诊断，结果表明，利用模糊理论对发动机的点火系统进行故障诊断，是一种行之有效的方法。     

Data-driven fault diagnosis for PEMFC systems of hybrid tram based on deep learning

The running state of the hybrid tram and the service life of fuel cell stacks are related to the fault diagnosis strategy of the proton exchange membrane fuel cell (PEMFC) system. In order to accurately detect various fault types, a novel method is proposed to classify the different health states, which is composed of simulated annealing genetic algorithm fuzzy c-means clustering (SAGAFCM) and deep belief network (DBN) combined with synthetic minority over-sampling technique (SMOTE). Operation data generated by the tram are clustered by SAGAFCM algorithm, and valid data are selected as fault diagnosis samples which include the training sample and the test sample. However, the fault samples are usually unbalanced data. To reduce the influence of unbalanced data on the fault diagnosis accuracy, SMOTE is employed to form a new training sample by supplementing the data of the small sample. Then DBN is trained by the new training sample to obtain the fault diagnosis model. In this paper, the proposed method can well distinguish the four health states, which are high deionized water inlet temperature fault, hydrogen leakage fault, low air pressure fault and the normal state, with an accuracy of 99.97% for the training sample and 100% for the test sample.     

基于趋势提取的稳态检测方法

提出一种新的火电机组运行过程的稳态检测方法。通过滑动窗滤波将数据动态趋势标准化，建立了BP神经网络提取趋势，得到稳定性模糊隶属度矢量，通过模糊推理计算出系统的稳定因子（SF），从而判断系统工况是否稳定。在某负荷变化过程的稳态检测实例中，与多种方法进行了对比，结果表明稳态趋势检测方法具有较高的准确性。将该方法用于某电厂125MW机组抽汽系统的多传感器故障检测系统中，有效地降低了过渡过程带来的误诊率，表明该方法具有一定的工程实用价值。图4表1参16