基于神经网络的凝汽器故障诊断系统

凝汽器是汽轮机的一个重要的辅助设备，本文提出了一种基于神经网络的凝汽器故障诊断方法，该方法具有较强的故障模式识别能力，为凝汽器故障诊断的自动化、科学化提供了一种有效的方法。     

RBF神经网络在凝汽器故障诊断中的应用

针对BP神经网络计算过程存在收敛速度慢的缺点,提出了RBF神经网络应用于凝汽器故障诊断的基本方法。介绍了RBF神经网络的结构、凝汽器的故障类型和征兆集的建立方法。对比了RBF神经网络与BP神经网络的诊断结果,证明RBF神经网络的在线诊断速度、诊断精度均优于BP神经网络,对凝汽器的故障诊断准确可靠。     

基于遗传-神经网络的凝汽器故障诊断研究

综合遗传算法的全局优化和神经网络的并行计算等特点 ,提出了一种基于遗传 -神经网络的凝汽器故障诊断的方法。用遗传算法来优化神经网络权值 ,克服了神经网络易陷入局部解的缺陷 ,使神经网络具有较好的全局性和收敛速度。具体故障诊断实例表明 ,该方法诊断准确 ,具有一定的应用价值     

汽轮机组凝汽器故障诊断方法的分析研究

结合凝汽器的实际运行状况和现场专家经验，介绍了3种凝汽器故障诊断方法：模糊模式识别、神经网络、模糊神经网络。用实例对几种方法进行分析比较，指出了凝汽器故障诊断方法的发展趋势。     

火电厂凝汽器泄漏故障诊断研究

为了解决凝汽器运行过程中,其水侧换热面的污染而导致真空恶化问题,建立了凝汽器水侧管壁清洁系数的监测模型。同时,通过研究凝汽器故障机理,建立了故障诊断知识库,并根据模糊神经网络和改进的BP算法相结合的方法建立了凝汽器故障诊断系统,以及时诊断出故障的位置和原因。实例验证,该故障诊断系统诊断的结果与与现场实际检查结果一致,有效可行。     

基于概率神经网络的凝汽器故障诊断研究

基于概率神经网络(PNN)提出了一种新的汽轮机组凝汽器故障诊断方法。PNN是一种可用于模式分类的神经网络,其实质是基于Bayes分类规则与Parzen窗的概率密度函数方法发展而来的一种并行算法。PNN可以克服反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,而且优于常见的凝汽器故障诊断方法:PNN学习规则简单,训练速度快,可以满足训练上实时处理的要求;训练不需要太多样本,模式分类能力强,而且具有很高的运算速度;抗干扰能力强,对传感器测量噪声具有较强的诊断鲁棒性;新的训练样本也很容易加入以前训练好的分类器中,很适用于在线检测。将该方法用于某汽轮机组凝汽器故障诊断中,仿真结果表明了该网络在分类应用中的快速性、准确性,而且易于工程实现。     

基于模糊神经网络的凝汽器故障诊断及其性能监测

凝汽器是凝汽式汽轮机的主要辅助设备,其凝汽器系统运行中出现故障的原因与故障征兆之间是非线性关系,具有复杂性、模糊性和随机性,难以用数学公式表示。针对此情况,结合模糊理论与神经网络2种故障诊断方法的优势,提出采用串联型模糊神经网络为凝汽器故障诊断模型,用Matlab 6.5矩阵式运算语言开发故障诊断及其性能监测软件。故障诊断软件包括征兆参数的获得、故障诊断及结果柱状图显示;性能分析软件主要是相关参数的计算及正常与变化工况曲线的比较。给出了某电厂100 MW汽轮发电机组诊断实例。     

凝汽器在线故障诊断系统

为保证火电厂凝汽器的安全可靠运行,实现故障诊断和操作指导,开发了凝汽器在线监测与故障诊断系统。介绍了系统的基本结构、主要功能和优点。系统采用了模糊神经网络与改进的BP算法相结合的故障诊断方法,能快速地、准确地判断出凝汽器故障所在。并通过现场实践进行了验证。     

基于神经网络和D-S证据的电厂凝汽器故障诊断研究

火电厂凝汽器是汽轮发电机组的重要辅机之一,其工作状况对整个电厂安全和经济运行都有着决定性的影响。结合信息融合思想,提出一种基于神经网络和D-S证据理论的电厂凝汽器故障综合诊断方法,首先通过BP神经网络和CPN神经网络得到各自的诊断结果作为决策层D-S证据理论的初始证据,再利用证据理论对这些结果进行融合,得到最终的故障诊断结果。通过实例数据诊断结果表明:与单一神经网络诊断结果相比,该方法减少了误差,提高了诊断可信度。     

模糊及神经网络在凝汽器故障诊断中的应用

基于模糊信息处理和多层前馈感知器提出了汽轮机凝汽设备的故障诊断方案。详细介绍了模糊量化过程,并对神经网络的训练知识获取、知识表示、训练、泛化（即进行诊断）等过程作了详细描述。最后应用该方案对某凝汽器进行了故障诊断仿真研究,结果表明该方法行之有效。     

基于模糊神经网络的凝汽器故障诊断研究

采用模糊神经网络进行凝汽器的故障诊断。根据某电厂的运行规程及运行经验构造了进行凝汽器故障诊断所需的全部17个隶属函数,利用这些隶属函数可以对各个输入进行模糊化处理,使之成为量化输入。对模糊BP网络进行训练,可以得到模糊BP网络的知识库结构。在此基础上,对一个凝汽器实际故障进行了诊断,得出了令人满意的结果。     

凝汽设备模糊神经网络故障类别诊断模型

火电厂汽轮机凝汽设备故障较多，且故障原因复杂。在对凝汽设备故障类别详细分析的基础上，建立了基于模糊神经网络的凝汽器故障类别诊断模型。该模型结合了模糊逻辑与人工神经网络(ANN)的优点，采用了先进的批处理自适应变尺度优化学习算法(MDFP)，减少了计算工作量，使故障诊断迅速，准确。仿真试验表明，模型故障类别诊断效果良好。     

基于多尺度行波功率的T接线路故障识别方法

为提高T接输电线路故障识别算法的精确性与可靠性,提出了一种基于多尺度行波有功功率和概率神经网络的T接输电线路故障识别方法。基于S变换分别计算区内3个行波保护单元多频率下的初始行波平均有功功率,并以此组成T接输电线路故障特征向量样本集。建立概率神经网络故障识别模型,并利用T接线路故障特征样本集对其进行训练和测试,从而识别出故障所在支路。仿真结果表明,所提算法在各种工况下均能快速准确地识别T接输电线路区内外故障所在支路,在近O点故障、数据丢失、噪声影响、CT饱和等情况下也能较好地识别故障支路。     

基于RBFNN的高压断路器机械故障诊断系统

高压断路器是电力系统中最重要的控制和保护设备,其故障检修和诊断一直是电力运行部门高度重视的问题。为了提高高压断路器故障诊断的效率和准确率,提出了高压断路器机械故障诊断的径向基函数神经网络(RBFNN)方法;并根据其基本原理建立了高压断路器操动机构故障诊断的RBFNN模型;利用Matlab工具,使用来自现场的实际数据,通过故障诊断仿真实例,分析、验证RBFNN模型的性能,并对不同方法进行了对比分析。结果显示RBFNN训练速度快、逼近误差小,对输入输出关系比较复杂的高压断路器操动机构的故障诊断有很高的判断效率和准确率。     

基于主元分析与神经网络的模拟电路故障诊断

主元分析具有数据压缩及特征提取的特性,而神经网络具有非线性映射和学习推理的优点.将二者结合起来,提出基于主元分析与神经网络的模拟电路故障诊断方法.通过对模拟电路的阶跃响应特征参数进行主元分析,提取主要参数,然后利用神经网络对各种状态下的特征向量进行分类决策,实现模拟电路的故障诊断.对标准电路仿真结果表明:该方法能够实现快速故障检测与定位,具有准确率高的特点.     

基于模糊神经网络的电力系统预想事故排序方法

提出了一种基于模糊神经网络的电力系统预想事故排序新方法。该方法首先定义了反映预想事故严重程度的有功性能指标,同时构造3层人工神经网络(ANN)并采用误差反向传播(BP)算法加以训练;其次对ANN的输入用模糊神经网络进行特征选择,减少了输入层和中间隐含层的神经元个数及训练时间;最后通过IEEE 30节点系统验证了所提方法的有效性,仿真结果说明采用模糊神经网络进行输入量特征选择预处理可减少神经网络的训练时间。     

基于双神经网络的模拟电路故障诊断

对模拟电路故障诊断提出了一种双神经网络的诊断方法,该方法通过将电路故障模式分类的预处理,再用双神经网络分别对不同的故障模式类进行诊断.仿真实验表明,该方法能够实现故障检测及定位,具有准确率高的特点.     

VMD-PE协同SNN的输电线路故障辨识方法

针对输电线路短路故障危害大、故障辨识率较低等问题,提出一种结合变分模态分解排列熵(VMD-PE)与孪生神经网络(SNN)的故障辨识方法,利用瞬时频率均值对VMD进行参数优化,确定分解层数K,通过VMD分解故障时的三相电压,计算分解后每个分量的排列熵,将其作为故障特征量;将故障特征输入到训练好的SNN中进行相似性度量,比较两个输入样本之间的相似程度,判别出输电线路短路故障类型。通过仿真实验验证了该方法的可行性,并与其他分类方法相对比,证明了该方法的准确性和优越性。