200 MW汽轮发电机组振动故障的模糊诊断系统

针对现有的汽轮发电机组振动故障的模糊诊断系统精度低这一问题,分析了造成其精度低的主要原因,提出了新的诊断策略。新策略在模糊综合评判模型的确定和模糊集隶属函数的设置这两个方面,采用与以往的诊断系统具有实质性不同的技术来实现模糊论断系统,即基于模糊评判的变重模型和模糊集扩展隶属函数的实现技术。在此基础上,采用新策略设计和实现了200MW汽轮发电机组振动故障的模糊诊断系统。系统的诊断结果表明,这一新的故障论断策略对于200MW汽轮发电机组的振动故障诊断是有效的。     

基于遗传神经网络的汽轮发电机组故障诊断研究

讨论了汽轮机故障诊断中的特征提取、数据处理和遗传神经网络结构。诊断系统的核心即神经网络分类系统可根据征兆区分不同故障。由于事先不知道故障征兆关系 ,所以诊断系统应有学习功能 ,基于遗传神经网络可满足这种要求。基于此提出的新故障诊断方法并应用汽轮发电机组故障诊断中 ,诊断结果与实际相符 ,从而验证了该方法的有效性和实用性     

汽轮发电机组振动故障诊断的Petri网模型

Petir网理论是以网络理论、代数理论等为数学基础的,可利用图形语言对故障诊断系统的结构、功能及流程进行系统的分析和描述,是异步并发诊断系统建模与分析的重要工具之一.作者在论述了Petri网矩阵描述方法的基础上,根据汽轮发电机组故障征兆与常见故障类型之间的关系,建立了一种基于Petri网的汽轮发电机组振动故障诊断模型.与传统的汽轮发电机组振动故障诊断方法相比,该模型仅使用简单的矩阵运算,诊断过程简单直观,速度快.实例分析表明,利用该模型可对汽轮发电机组的振动故障作出正确判断.     

汽轮发电机组故障诊断问题的研究

从系统论的角度分析了汽轮发电机组故障诊断问题的特征有：故障的阶段性,渐进性,并存在,征兆的相关性;数据和信息的不充分,不可靠性,征兆和故障的复杂映射性及故障表现的不一致性,根据这些诊断系统特征的需要采取了相应的措施,为汽轮发电机组故障诊断系统的研制提供了基础。     

汽轮发电机组故障智能诊断方法研究

该文针对汽轮发电机组故障特点，研究了用于故障智能诊断的神经网络结构，对传统的BP神经网络进行了改进，提出了神经网络的逐层优化法，优化后的神经网络更加适用于故障诊断。通过对汽轮发电机组常见故障的分析，提出了适用于汽轮机故障诊断的原因-征兆表，在此基础上对某热电厂的汽轮发电机组故障进行了诊断，诊断结果表明，该方法能够正确地诊断出存在的故障，具有实用价值。     

基于离散BAM网络的汽轮发电机组振动故障诊断的应用研究

本文针对常规频谱诊断方法的不足,详细论述了离散的BAM网络及其特性.进而讨论了汽轮发电机组常见典型振动故障的变化特征及其数字化描述方法,建立了基于BAM算法的神经网络的汽轮发电机组振动故障诊断模型,对实际机组故障进行了诊断,效果良好.通过分析,提出BAM网络在故障诊断领域中有广阔的应用前景.     

汽轮发电机组振动故障的综合诊断

引起汽轮发电机组振动的原因很多,征兆也多种多样,因此对振动原因准确判断必须根据多种征兆特征进行综合诊断。文中介绍了利用多征兆诊断振动故障的方法,并通过几个实例说明了综合诊断的可行性和实用性,为准确诊断振动故障提供了有效的工具。     

汽轮发电机组联轴器平行不对中在线诊断方法的研究

联轴器平行不对中是汽轮发电机组轴系典型故障之一。利用机组采集的联轴器两侧轴振信号、瓦振信号、健相信号和轴瓦温度,以及运用FFT频域和时域分析方法获得频谱特征和轴心轨迹对联轴器平行不对中进行智能诊断,以满足电站汽轮发电机组振动故障智能诊断的要求,考虑到故障征兆之间的相似性,提出了利用故障主征兆结合辅助征兆信息进行诊断的方法,并结合实际振动事故进行了诊断分析,得出了正确的诊断结果。     

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。     

汽轮发电机组的粒子群可拓故障诊断算法

为更准确方便地诊断汽轮发电机组的各种故障,引入了可拓故障诊断方法.描述了可拓故障诊断的基本步骤,采用粒子群算法优化确定经典域,提出了一种用于故障诊断的适应度函数形式.实例表明,该方法可避免神经网络需确定网络结构和优化参数过多的缺点,能有效诊断汽轮发电机组的振动故障,具有较高的准确性和实用性.     

基于混合模糊聚类分析的汽轮发电机组振动故障诊断

针对模糊C-均值(FCM)算法在汽轮发电机组振动故障诊断中的不足,提出了一种加权混沌优化FCM(WCOFCM)算法。WCOFCM算法首先将混沌优化策略与传统FCM算法相结合,用混沌变量搜索对模糊聚类目标函数进行全局寻优,并结合梯度算子,使方法有效收敛到极值点。然后依样本相似度原理对样本特征进行加权,对不同的特征赋予权重,突出敏感特征对聚类结果的主导作用,提高了聚类性能。最后依据聚类有效性函数指标自动确定聚类数,实现自适应分类。用该方法对国际标准测试数据进行了聚类分析实验,并将该方法应用于某发电厂汽轮发电机组振动故障诊断,其结果表明该方法有效降低了误分类率,能对汽轮发电机组振动故障进行有效诊断。     

基于发电集团生产信息网的远程振动监测与诊断系统研究

振动是汽轮发电机组运行中最常见的主要故障之一。对振动情况进行在线监测与故障诊断成为普遍的需要,各发电集团搭建的生产信息网为远程监测与故障诊断提供了平台。介绍了一种基于网络的汽轮发电机组远程振动监测与故障诊断系统,围绕数据流程和系统结构图,分析了该系统的基本构成及实施方案。该系统是集现场振动数据采集、网络通讯、状态监测、故障诊断和计算机网络等先进技术于一体的远程监测诊断系统,具有广阔的应用前景。     

无刷励磁同步发电机旋转整流器故障的模糊神经网络诊断

模糊神经网络是模糊逻辑与神经网络相结合而构成的 ,具备模糊技术和神经网络技术的优点 ,应用于电力系统故障诊断中 ,是一种使用方便的人工智能处理系统。基于模糊神经网络对无刷励磁同步发电机旋转整流器故障诊断进行研究。经过训练后的模糊神经网络 ,在对旋转整流器故障进行诊断时 ,有较高的准确性和有效性     

基于小波BP网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,将小波变换和BP网络结合构造了一个三层的小波BP网络故障诊断系统。在输入层对振动信号进行二进离散小波变换,提取其在多尺度下的细节系数作为故障特征向量,根据这些特征向量进行小波BP网络的学习,最后用该学习过的小波BP网络诊断故障并将此方法成功地应用于汽轮发电机组故障诊断。仿真结果表明此方法是可行和有效的。     

混合神经网络在变压器故障诊断中的应用

针对变压器故障诊断准确率低的问题提出了粒子群-自组织映射-学习矢量化(PSO-SOM-LVQ)混合神经网络算法。为了获取更加有效的SOM神经网络拓扑结构,首先采用PSO算法对SOM神经网络的权值向量加以改进,在此基础上融入LVQ神经网络,弥补了无监督学习SOM神经网络的不足。这种PSO、SOM和LVQ相结合的混合神经网络算法提高了变压器故障诊断的精度,减少了故障诊断的误差。通过仿真,对SOM、PSO-SOM和PSO-SOM-LVQ这3种算法进行了对比。对比结果表明,PSO-SOM-LVQ混合神经网络算法准确度最高,其故障诊断准确率为100%。由此可见,采用PSO-SOM-LVQ混合神经网络算法可有效提高变压器故障诊断的性能。     

基于分形和概率神经网络的水电机组故障诊断

水电机组振动信号属于非线性、非平稳信号，在不同尺度下呈现一定的相似性，是典型的分形信号。本文运用多重分形方法分析机组振动信号，提取信号的广义维数谱特征，并应用人工鱼群算法优化的概率神经网络进行故障诊断。诊断实例表明，多重分形和概率神经网络结合，能够准确辨别故障类型。与BP和RBF网络相比，该方法诊断识别率更高，速度更快，为机组运行维护人员提供更为可靠的参考依据。     

改进遗传算法和神经网络在汽轮发电机组故障诊断中的应用

遗传算法是一种模拟自然进化而提出的优化组合算法，是建立在遗传学基础上的参数搜索方法。文章针对多征兆、多故障的汽轮发电机组的故障诊断系统，对采用改进的GA和RBF径向基函数神经网络相结合进行故障模式识别的方法进行研究。仿真表明，该方法对于汽轮发电机组的故障诊断具有较高的实用价值。     

基于小波分析的汽轮发电机组振动信号消噪和特征提取

小波分析技术由于其良好的时频局部化性质,对突变和非平稳信号的分析具有良好的效果,已经成为信号消噪、特征提取和故障诊断的重要方法之一.针对汽轮发电机组的振动特征,采用基于最优小波包基的方法对汽轮发电机组的振动信号进行消噪处理,有效地剔除了汽轮发电机组表面振动信号的噪声干扰,提高了信号的信噪比;对消噪后的信号进行小波包分解,并将各相关频带进行能量特征提取,从而为汽轮发电机组振动信号的故障诊断提供了有力依据.     

基于Morlet小波核多类支持向量机的故障诊断

故障诊断问题实质上是一个模式识别问题,即多分类问题.采用Morlet小波来构造支持向量机(Support Vector Machine, SVM)的核函数,Morlet小波核SVM比普通SVM具有更好的鲁棒性和更强的泛化能力.在一对一算法的基础上实现Morlet小波核多类支持向量机的故障诊断,并将此方法成功应用于电厂汽轮发电机组的故障诊断.实验仿真结果表明Morlet小波核多类SVM故障分类器比BP神经网络训练和测试速度快,且其分类精度在高斯噪声干扰下还保持100%,比BP神经网络高出11.8%.因此该方法能够快速而准确地对电厂汽轮发电机组的故障进行诊断,满足电力系统实时操作的要求.