超超临界锅炉主汽压力与其影响因素的微分分析

根据能量守恒定律、阀门压损公式以及弗留格尔公式,通过严密的数学推导,得到了稳定工况下超超临界锅炉主蒸汽压力与其影响因素的微分关系式。该关系式全面的反映了影响主蒸汽压力变化的各种因素,由该关系式可以得到各影响因素对主蒸汽压力变化影响的相对敏感度。针对无调阀的1 000 MW机组进行了实例计算,比较了各因素对主蒸汽压力变化的影响,得到了稳定工况时各因素对主蒸汽压力变化影响的规律。所得结论可为超超临界锅炉在稳定工况下的运行控制及相关研究提供理论依据。     

汽轮机转子故障诊断算法应用研究

对汽轮机转子故障进行诊断是确保汽轮机安全运行的关键。振动信号的分析在汽轮机转子故障诊断中广泛应用。应用小波包分析方法提取振动信号特征值,进一步作为BP神经网络的输入量,建立信号特征与其故障类型的非线性映射关系,利用神经网络实现故障诊断。仿真结果表明,该方法可以有效地对汽轮机转子故障进行诊断。     

基于人工鱼优化的神经网络汽轮机振动故障诊断

建立了人工鱼群神经网络模型,利用人工鱼的聚群、追尾和觅食行为训练RBF神经网络的权系数,提高了神经网络的收敛速度和精度.依据此模型提出一种故障诊断方法,并应用于汽轮机振动故障分析.仿真结果表明:本算法与BP及RBF算法相比具有较高的故障诊断准确率和较好的泛化能力.     

基于IGA-SVM的汽轮机故障诊断研究

针对支持向量机相关参数很难预先确定合适的取值,而这些相关参数又对其分类精度有着很大影响的问题,本文利用改进的遗传算法(IGA)对支持向量机的相关参数进行了优化.将改进遗传算法优化的支持向量机(IGA-SVM)算法应用于汽轮机故障诊断中,并与标准遗传算法优化的支持向量机(GA-SVM)算法的识别结果进行比较.结果表明,IGA-SVM算法对故障数据能够得到较优的分类辨识结果,对汽轮机的故障诊断有显著的指导作用.     

Hilbert-Huang变换在汽轮机故障诊断中的应用

汽轮机故障诊断的核心是汽轮机振动信号处理。在现场采集的汽轮机振动信号是一个非线性非平稳信号,在使用传统的信号处理方法进行处理时都不能取得理想的效果。为了更加有效的对汽轮机振动信号进行处理,介绍了一种时频分析方法Hilbert-Huang变换,使用该方法对汽轮机振动信号进行分析,可以将故障信号从高频到低频逐个分解出来,从而根据故障信号特征频率进行汽轮机故障诊断。并且,通过仿真实验证明了使用该方法处理汽轮机振动信号可以取得较好的效果。     

基于人工免疫算法的机组振动故障诊断方法

将人工免疫算法的负向选择原理应用于汽轮机转子振动故障诊断中,并提出疫苗作用抗体的改进办法。该方法利用转子正常工作样本和少量振动故障样本即可得到合理的抗体集,具有边检测边学习,不断动态调整的功能,在故障诊断时可以给出快速、准确的识别。最后通过转子实验台取得的振动数据验证了算法的有效性,检测结果表明准确率达到95%。     

模拟电路故障的支持向量机集成诊断新方法

为了解决支持向量机应用于多类别模拟故障诊断时泛化性能较低导致诊断精度难以提高的问题,提出了一种基于支持向量机集成的模拟电路故障诊断新方法.首先,通过将本次迭代中不可分区域的样本加入训练集来构造下一次迭代的训练集,以提高基分类器间的差异性;然后选择分类精度不低于平均分类精度的基分类器进行集成,以提高整体诊断精度.实验表明,该方法应用于线性及非线性模拟电路均取得了良好的诊断效果.     

基于神经网络与遗传算法的汽轮机数据挖掘研究

针对当前专家系统知识获取瓶颈的难题,提出了基于神经网络与遗传算法的汽轮机数据挖掘方法.将汽轮机故障历史数据首先进行模糊化及离散化处理,接着构造一个多层的前向神经网络,然后通过教师示教的方式训练构造好的神经网络,最后进行基于遗传算法的神经网络优化.以神经网络为知识本体,提出了汽轮机故障诊断分类规则的挖掘算法,实现了基于神经网络与遗传算法的汽轮机数据挖掘和故障诊断仿真系统,其诊断正确率达到了84%.实验表明该方法可行,对汽轮机故障诊断系统的设计具有借鉴意义和深入研究的价值.     

变精度粗集模型在故障诊断专家系统中的应用

将变精度粗集模型应用于故障诊断专家系统的知识获取和知识库的更新；利用变精度知识约简和正则条件熵进行故障特征选择，实现最简诊断知识的获取，以建立专家系统知识库；利用属性的相对依赖性实现知识库的维护与更新．滚动轴承故障诊断的实验结果表明，该方法有效地克服了传统规则式故障诊断专家系统的不足，实现了故障诊断功能．     

模糊支持向量机在汽轮机故障诊断中的应用

阐述了模糊支持向量机的原理。考虑到各类样本的不同影响,在基于风险的基础上,通过确定各个样本的模糊隶属度,引入模糊支持向量机的概念,将这一理论应用于汽轮机减速箱的故障诊断中,使一类样本点中只包含正常样本。实验结果表明了该方法的可行性与有效性。     

基于IFA-XGBoost的燃气轮机故障诊断

涡轮叶片是燃气轮机中工作环境最恶劣的部件,叶片状态的实时监测与诊断至关重要。针对XGBoost(eXtreme gradient boosting)易受其超参数的影响,提出了一种改进萤火虫算法(IFA)优化XGBoost的故障诊断方法。将种群多样性的位置更新策略和动态步长更新措施引入萤火虫算法(FA)中,解决其收敛速度慢、易陷入局部最优等问题,使其能够更好地确定模型参数。实验结果表明,与未优化的XGBoost模型和FA-XGBoost模型相比,建立的IFA-XGBoost模型具有很好的识别效果,准确率达到96.87%,能更好地应用于叶片故障诊断。     

基于改进果蝇算法优化PNN的变压器故障诊断研究

为了提高电力变压器故障诊断准确率,通过分析变压器油中溶解气体数据,提出了一种定向变步长的果蝇算法(DVSFOA)与概率神经网络(PNN)相结合的变压器故障诊断模型。由于PNN的参数平滑因子对输出结果影响较大,对果蝇算法位置公式进行更新调整,对平滑因子进行参数寻优,将优化结果赋值给PNN模型进行网络训练,得到了用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法具有较高的诊断精度,收敛速度快,整体性能高。     

基于人工免疫方法的变压器故障诊断

将人工免疫方法引人变压器油中溶解气体分析,利用增加抗原、记忆抗体类别信息等方法对变压器故障样本进行学习,获取更多表征故障样本特征的记忆抗体集并进行分类．通过对变压器故障数据的仿真研究表明：与IEC三比值法相比,该算法具有较高的诊断准确率．     

Elman神经网络在变压器故障诊断中的应用

变压器是电力系统中的枢纽设备之一,其运行情况将直接影响电力系统的安全运行。传统的变压器故障诊断方法不仅判断变压器中存在的故障的准确率低,而且对综合性故障也无法准确判断。应用E lm an神经网络进行变压器故障诊断,极大的提高了诊断准确率,提高电力系统运行可靠性。     

基于改进PSO-BP混合算法的电力变压器故障诊断

采用粒子群算法和反向传播神经网络建立一种新型变压器故障诊断网络模型,设计故障诊断方法.仿真分析结果表明：基于该网络模型的诊断方法与传统的三比值法相比较,具有较好的故障识别与分类能力,显著提高了诊断准确率,将在电力设备故障诊断中有良好应用前景.     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP（Back—Propagation）网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35．4％,收敛速度提高了44．9％,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90．8％。     

10kV电力网短路故障定距算法

在线加信诊断法为10kV 电力网短路故障的诊断提供了较好的手段.使用传输线的输入阻抗特性导出定矩公式.在判定故障分支后可准确地定位故障.     

智能故障诊断技术在核动力装置中的应用研究

核动力装置对系统的安全性能要求较高．为了让操作员在发生故障时，避免产生错误的判断及操作，一种较好的方法是将智能故障诊断技术应用到核动力装置故障诊断系统中．利用粗糙集的数据约简技术提取精简的规则，基于这些规则建立的模糊神经网络具有更好的拓扑结构，学习速度大大提高，容错能力强；RBF神经网络有着良好的局部性能，诊断单个故障的能力要优于模糊神经网络，且网络不用训练，诊断实时性好．将粗糙集理论所构建的模糊神经网络与RBF神经网络相结合，能充分发挥各自的优点．为了验证该方法的有效性，以核动力装置蒸汽发生器U形管破裂等故障为例，进行了仿真实验研究．研究结果表明该邦联网络具有良好的诊断准确性、实时性和可扩充性，得到了预期的效果．     

基于信息融合和加权证据理论的故障诊断系统的研究与实践

为了较全面地获得设备的故障状态信息,增加故障诊断的可信度,考虑故障诊断过程中不同故障特征对特定故障的贡献率,提出了加权证据理论的多故障特征信息融合的故障诊断方法,建立了多故障特征信息融合诊断模型。经实验表明,该方法能有效提高故障诊断的准确性并且具有较好的实用性。