基于热力模型的燃气轮机气路故障预测诊断研究综述

为避免失修和过修,提高设备的可靠性和可用性,降低燃气轮机机组运维成本,用户宜采用预知维修策略。气路诊断是一种对正在演变或即将发生的恶化情况发布早期预警信息的有效技术。经过多年发展,气路诊断已经取得了许多基于燃气轮机(准)稳态的诊断算法理论成果,但尚未形成一个完整的科学体系。现今燃气轮机越来越需在电网支持模式下更灵活地运行(包括频繁变工况及瞬态加减载)。在此操作条件下,其使用寿命会比在基本负荷(准)稳态运行时消耗更快,因此,迫切需要考虑瞬态变工况下气路故障诊断与预测的新理论新方法。针对瞬态变工况下气路故障预测诊断的基础问题,提出了瞬态变工况下燃气轮机自适应气路故障预测诊断方法研究路线,包括研究可变几何部件及瞬态变工况运行模式的自适应动态热力建模方法;利用机组可测气路参数,研究基于部件特性线形状内在非线性自适应的气路诊断方法,实时诊断得到各主要部件健康参数;最后提出一种融合各主要部件健康参数的多维度时序预测方法,为实现复杂强非线性热力系统故障诊断与预测提出新方法。     

基于模型与数据混合驱动的燃气轮机气路故障诊断方法

为避免失修和过修,提高燃气轮机可靠性和可用性,本文提出了一种基于模型与数据混合驱动的燃气轮机气路故障诊断方法。首先,通过自适应热力建模策略构建待诊断对象的燃气轮机热力模型,通过设置不同的部件健康参数和入口边界条件,模拟得到部件健康参数向量与入口边界条件参数和气路可测参数向量一一对应的数据集;其次,利用深度学习进行回归建模,训练得到燃气轮机气路故障诊断模型;最后,根据实际燃气轮机入口边界条件参数和气路可测参数向量,通过已训练的诊断模型来实时诊断输出各气路部件的健康参数向量。仿真实验结果表明,通过本文所提出的方法,可以准确地得到各个通流部件量化的健康参数,其总体均方根误差不超过0.033%,最大相对误差不超过0.36%,表明该方法具有较大的应用潜力。     

M701F型燃气轮机性能分析

据文献[1]关于M701F型燃气轮机性能信息,利用ASPEN软件建立了较详细的系统及部件热力计算模型。首先对燃料流量和燃烧空气流量与压气机、透平和燃烧室的主要性能进行计算,然后将数据输入ASPEN软件进行模拟,得到较全面的燃气轮机性能参数。并在此基础上,研究燃气轮机随大气温度变化时的变工况性能。     

考虑透平逐级冷却的重型燃气轮机热力学建模及关键参数影响分析

透平冷却系统是现代重型燃气轮机的核心之一，如何考虑冷气掺混影响，是燃气轮机热力学建模和关键参数影响分析中需要解决的首要问题之一。随着燃气轮机总体设计的不断深化，需要更细化的热力性能计算模型，以进行关键部件和总体的协调匹配和保障设计性能的最终实现。为此，提出了基于透平一维气动分析的燃气轮机透平逐级掺混及总体热力性能计算方法，建立了重型燃气轮机热力性能模型，并对关键参数的影响和G/H级燃气轮机热力性能方案进行了研究。分析表明：透平初温、压比和冷却空气量是影响燃气轮机总体热力性能的关键参数，在总体设计中应做到三者统一协调，提高透平初温的同时需研究达到该温度水平需要的最少冷却空气量，分析最佳压比，并结合部件设计进行迭代计算和深入研究后最终确认。该研究结果可为自主化重型燃气轮机总体性能设计提供参考。     

基于模糊神经网络的水轮机调速器故障诊断

分析了水轮机调速器调节过程的故障机理,得到专家经验的故障诊断推理规则,利用模糊逻辑在表达专家知识方面的优势及神经网络的自学习能力,建立模糊神经网络,利用有限的推理规则对模糊神经网络进行训练,得到的模糊神经网络作为专家系统用于水轮机调速器的故障诊断,解决了故障样本获取困难、专家经验获取不足及模糊规则＂组合爆炸＂的问题,仿真实验证明该网络诊断结果正确,实用性较强。     

基于模糊神经网络的故障诊断在永磁直线同步电动机中的应用

针对永磁直线同步电机的特点，应用基于模糊神经网络的故障诊断方法，将模糊理论与神经网络融合在一起，实现了对该电机故障的模糊诊断。介绍了模糊神经网络的结构和学习方法，利用了一种阈值向量故障判别方法，使永磁直线同步电动机的故障判别灵活、可靠。仿真结果表明，该方法是行之有效的。     

融合热力学模型与人工智能的燃气轮机压气机典型故障预警方法研究

为实现压气机叶片积垢和喘振故障的提前预警,提出了一种融合热力学模型与人工智能的燃气轮机压气机典型故障预警方法。根据模块化思想搭建燃气轮机热力学性能仿真模型,并利用燃气轮机实际运行数据完成模型的动态标定,形成高精度燃气轮机性能分析模型,实现排气流量、透平进口温度、燃气轮机热耗率等关键指标的计算。在热力性能仿真模型的基础上,结合压气机典型故障专家经验及专业知识确定影响压气机故障的主要特征参数,抽象表征出压气机叶片积垢和喘振的预警模型。选取历史健康数据,采用人工神经网络算法对模型进行训练,获取偏差曲线,通过监测预警模型输出预测值与测量值之间的偏差变化,实现压气机典型故障的提前预警,给出了某GE 9F型燃气轮机压气机的实测数据的有效性验证实例。结果表明：该方法能精准捕捉压气机叶片积垢和喘振故障,相对于传统阈值报警方式,提高预警的时间窗口。该研究成果可直接在燃气轮机电厂侧部署,实时为运维人员的检修和维护决策提供指导。     

基于双通道特征融合并行优化的燃气轮机气路故障诊断方法

为解决当前燃气轮机基于数据驱动的气路故障诊断精度提升的问题,提出了一种基于双通道特征融合并行优化的气路故障诊断方法。该方法首先通过燃气轮机热力模型构建气路故障数据样本集;然后使用卷积神经网络及长短时记忆神经网络双通道并行挖掘数据的空间特征和时序特征,并在两通道中分别引入首层大卷积核及挤压激励网络的优化方法;最后将两通道提取的特征融合为一维张量,输入到全连接层进行气路故障类型识别。实验结果表明,相较于传统机器学习及深度学习的气路故障诊断方法,所提方法具有更优的辨识精度,平均诊断准确率达到了98.24%,具有实用性及可行性。     

热力发动机优化设计

热力发动机优化设计本书分四部分内容：第一部分采用作者所拟定的方法，对各种理想循环进行了优化分析，导出了计算各种热力发动机循环最佳性能参数和最经济性能参数的计算公式；第二部分讨论了燃气轮机动力装置各个部件的效率；第三部分对各种新型燃气轮机装置的实际循环...     

微型燃气轮机启动特性的模拟与分析

以研究微型燃气轮机的启动特性为主要目的,对微型燃气轮机系统进行仿真研究。在simulink仿真平台上,依据模块化建模方法,建立了微型燃气轮机的动态仿真模型。仿真模型建立在工程热力计算方法的基础上,考虑了系统部件特性的变化。在仿真程序的基础上,分析研究了微型燃气轮机的启动特性,结果可为系统的设计、控制和运行提供指导。     

融合粗糙集与神经网络的燃气轮发电机组振动故障诊断方法

针对燃气轮发电机组振动故障诊断中可测参数难以直接反映机组故障状态的问题,提出一种融合粗糙集理论和神经网络的燃气轮发电机组振动故障诊断方法。结合粗糙集对燃气轮发电机组振动信号原始特征数据进行约简,减少冗余信息。将粗糙集与神经网络有机结合,用优化了的神经网络诊断燃气轮发电机组振动故障。试验结果表明了所述方法的有效性,为燃气轮发电机组振动故障的快速诊断提供了可参考的新思路。     

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。     

基于BP算法的电站燃气轮机故障诊断

针对传统故障诊断方法在燃气轮机系统中应用的局限性,研究了基于ＢＰ算法的神经网络方法在电站燃气轮机故障诊断中的应用,通过选择足够的故障样本来训练神经网络,将代表故障的信息输入训练的神经网络后,由输出结果,就可以判断发生的故障种类,这样不仅减小了用于诊断的知识库,而且加快了计算速度,满足了实时在线诊断的要求。     

基于神经网络的变压器故障诊断

为了保障变压器在电力系统中能够安全有效的运行,提出了一种将RBF神经网络与模糊控制算法相结合对变压器进行故障诊断的方法。设计了具有6层神经网络的学习体系,并且将模糊隶属度函数引入到第2层中,加快了神经网络的学习速度。基于变压器故障的数据统计,通过对其内部的气体含量进行分析对故障类型进行分类。通过样本数据对所设计的模糊RBF神经网络进行故障诊断训练。实验结果表明,通过训练后的该模型对变压器的故障诊断具有更好的效果。     

基于WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法。首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络（WDCNN）模型,给予模型初始的权重。其次,在源域中,使用某型燃气轮机试车获得的大量正常运行样本更新WDCNN模型的权重;在目标域中,利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征,然后使用支持向量机（support vector machines, SVM）进行分类识别,从而达到燃气轮机故障识别的目的。试车数据实验结果表明,该方法能够实现96%的识别准确率,验证了将轴承数据集预训练的深度学习模型迁移到燃气轮机转子领域进行故障诊断的可行性。     

汽轮机通流部分在线故障诊断系统开发

介绍了一个汽轮机在线诊断系统，系统以VC 6.0作为前台开发工具，结合MS SQL Server作为后台数据库服务器，以隶属度函数具有自适应学习能力的模糊神经网络作为故障诊断模型，通过隶属度函数的在线自适应学习，在一定程度上能够反映汽轮机组热力参数的波动性，可以避免由于隶属度函数选取不当引起的误诊断和漏诊断的缺陷。该诊断方法不仅可以诊断出故障的类型，还可以诊断出故障的严重程度。经过电厂实际运行的检验，该系统运行稳定、结果正确，对提高电厂的安全运行起到了重要作用。     

基于自组织模糊神经网络的汽轮发电机组振动故障诊断系统

针对目前汽轮发电机组振动故障的模糊诊断系统精度较低的问题,将模糊理论与神经网络技术结合,构造了适合于大型复杂系统故障诊断的自组织模糊神经网络系统的体系结构.在此基础上,提出了一种新型的样本模糊自组织方式,利用快速傅里叶变换(FFT)分析方法和图形分析法提取足够多的故障征兆,再采用聚焦式模糊分段算法对故障征兆进行模糊化处理,然后建立合理的训练样本库,并将经过确认的故障数据增加到标准案例库中,以提高整个系统的诊断能力.其中,聚焦式模糊分段算法对故障征兆中正常与不正常的转折部分进行非线性聚焦,即离正常与不正常的分界值越近时,故障征兆的特征抽取密度越大,使得原来模糊的分界部分被清晰化,大大提高了诊断精度.最后,以108DAI专用检测系统作为硬件支持,设计和实现了600 MW汽轮发电机组常见振动故障的模糊诊断系统,并利用现场故障数据验证了该系统的有效性.     

一种结合模糊TOPSIS法和BP神经网络的变压器故障诊断方法

对变压器绝缘油采取色谱分析并进行故障诊断是目前变压器故障诊断的重要环节。针对传统故障诊断技术中降低状态检测与诊断系统的复杂度和增加系统采集的特征信息量的问题,首次提出将模糊TOPSIS 法用于状态检测信息处理。首先将TOPSIS 法在Vague集下进行扩展,把样本数据的多属性群问题转化为模糊多属性决策问题。然后计算Hausdorff矢量距离,得到可能解与理想解的相对贴近度,进行样本的优劣排序和聚类。在此基础上建立了简单的BP神经网络,实现了不同类型的模式识别。该方法可以快速、准确地判断变压器的运行状态,进而提高了变压器的安全、稳定及经济运行水平。     

基于改进RBF神经网络的光伏组件故障诊断

由于光伏组件的输出特性受多种因素混合影响,对光伏组件的故障检测是一个严峻的考验.为了保证故障诊断的实时性和精确性,采用多传感器法提取短路和开路故障特征,利用电压扫描法获取不均匀光照引起的热击穿和电击穿故障的判断依据,以故障特征为判据,给出一种基于K均值聚类算法的改进RBF神经网络的光伏组件故障诊断方法,在Matlab平台中,通过该方法对光伏组件发生的故障类型与故障定位进行仿真测试,结果表明:该测试方法进行故障诊断的正确率达到96.67％,而BP神经网络的正确率只有83.33％,验证了改进RBF神经网络的故障诊断方法的精确性与有效性.