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。     

基于核主元分析的凝汽器系统故障诊断

采用核主元分析方法建立核主元模型,提取凝汽器系统的非线性冗余信息,在输入空间对数据进行重构,此重构的数据与原始样本数据具有残差,采用序贯概率比对残差进行检验能够及时发现凝汽器系统的故障,并通过综合分析可定位故障源.结合某台600MW机组凝汽器系统的故障进行诊断仿真验证结果表明,该方法能够准确识别故障,所建的故障诊断模型具有一定的准确性和实用性.     

基于BP神经网络的凝汽器故障诊断方法研究

凝汽器是汽轮机的一个重要的辅助设备 ,其工作情况的好坏直接影响到机组的安全和经济运行 ,因此 ,对凝汽器运行状态的监测与诊断受到电厂运行部门的普遍关注。介绍了应用人工神经网络中的 BP网络进行凝汽器的故障诊断 ,该方法计算简单 ,实用方便 ,且诊断结果具有相当程度的可靠性。     

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.     

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。     

运用模糊神经网络的凝汽器故障诊断系统

凝汽器系统运行中出现的故障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。为此,运用模糊理论与神经网络故障诊断方法,建立凝汽器故障诊断专家系统,采用模糊隶属度函数表示难以准确描述的专家知识,采用神经网络进行推理,使诊断结果具有较高的可靠性。     

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。     

基于核主元分析和多级神经网络集成的汽轮机故障诊断

提出一种基于核主元分析(KPCA)和多级神经网络集成的汽轮机故障诊断方法.该方法首先采用KPCA对汽轮机故障样本数据进行特征提取;然后计算相互独立训练出的多个神经网络个体在验证样本集上的泛化误差,并选择其中精确度较高的子神经网络作为集成的个体;最后采用基于正交最小二乘算法的径向基函数神经网络来集成各个子网的输出并得到最终的诊断结果.在某汽轮发电机组故障诊断中的应用表明,该方法具有较高的精确度和稳定性.     

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。     

基于核主元分析的凝汽器系统故障诊断

采用核主元分析方法建立核主元模型,提取凝汽器系统的非线性冗余信息,在输入空间对数据进行重构,此重构的数据与原始样本数据具有残差,采用序贯概率比对残差进行检验能够及时发现凝汽器系统的故障,并通过综合分析可定位故障源。结合某台600MW机组凝汽器系统的故障进行诊断仿真验证结果表明,该方法能够准确识别故障,所建的故障诊断模型具有一定的准确性和实用性。     

一种基于模糊规则和遗传算法的凝汽器故障诊断方法的研究

该文总结了汽轮机组凝汽器低真空常见故障，建立了凝汽器典型故障集。介绍了基于信息熵的故障征兆提取方法，建立了凝汽器故障征兆集。在利用模糊规则的故障诊断方法基础上，提出了一种基于模糊规则和遗传算法的凝汽器故障诊断方法。通过遗传算法对用于故障诊断的模糊规则进行精简，消除了低置信度规则的影响，从而提高了故障诊断效率。最后，将该文提出的方法用于某汽轮机组凝汽器故障诊断中，结果表明该方法行之有效，且易于工程实现。     

结合主分量分析法的神经网络在变压器故障诊断中的应用

全文分析了根据油中溶解气体,采用人工神经网络进行变压器的故障诊断时,不同的输入短量构成方式对诊断结果的影响,介绍了主分量分析法原理和步骤,由此构成的新矢量,降低了输入矢量的维数,提高了变量间的不相关性,实例检验结果表明,该方法是有效的。     

两种基于神经网络的故障诊断方法

复杂设备或系统的故障诊断中常采用神经网络构建故障映射关系，针对实际应用中神经网络存在收敛速度慢、学习记忆不稳定等不足，以一电站锅炉送风机为诊断对象研究了基于带有偏差单元的递归神经网络故障诊断方法。对状态检测系统采集的信号进行逻辑处理，分离出8个故障特征参数。以8种常见故障模式作为BP网络和递归神经网络的训练样本，对训练过程和仿真结果作了对比分析，结果表明该诊断方法在收敛速度、精度和稳定性能等方面均有良好改善，满足了系统在线故障诊断的需求。     

基于主元分析与现场数据的过热汽温动态建模研究

为克服试验建模与机理建模方法的不足，对利用现场数据建立过热汽温的动态模型进行了研究。通过对影响过热汽温的12个主要过程变量的运行数据进行主元分析，得到了2-3个主元，计算了各主元的贡献率、T^2统计量以及在T^2统计量较大时12个过程变量对第1主元的贡献，确定出过热器喷水流量是引起过热汽温变化的主导因素。基于现场数据，证明了过热汽温控制系统满足闭环可辨识性条件；并且建立了过热器喷水流量扰动下过热汽温的动态数学模型。对所建立的模型进行了仿真验证，模型反映了过热汽温的实际运行状况。     

燃煤电厂协调控制系统故障诊断与容错控制应用研究

基于多模型自适应滤波技术和线性二次型最优控制提出了电厂锅炉汽机协调控制系统的故障诊断和容错控制方案。建立了包含协调控制系统正常和可能发生的各种故障模式的系统模型集，并根据系统模型集以及系统实时输入输出数据进行多模型自适应滤波，从而实现故障诊断；然后根据故障诊断结果以及针对每个模型设计的线性二次型最优基本控制器，实现控制律的在线重组和主动容错控制。最后将上述故障诊断和容错控制方法应用于某300MW燃煤电厂协调控制系统中，仿真结果表明算法的有效性。     

基于主成分分析的径向基函数神经网络在电力系统负荷预测中的应用

径向基函数(RBF)神经网络应用于电力系统负荷预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降.针对这一问题,文中提出了一种应用于电力负荷预测的改进RBF神经网络新方法.具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效地解决了预测精度下降的问题.最后通过某省的实际算例验证了该方法的有效性.     

基于粗糙集理论和神经网络模型的变电站故障诊断方法

以变电站的开关继电保护信息为基础,提出了一种基于粗糙集理论和神经网络理论的变电站故障诊断方法.即利用粗糙集理论的知识约简和处理不确定信息的能力,对变电站的故障诊断知识进行分层挖掘,实行属性优选,再运用神经网络对故障诊断知识进行模式识别.变电站故障诊断实例表明了该方法能有效地缩小问题求解规模,且具有较强的抗干扰能力.     

垃圾热解实验研究及其神经网络预测模型

利用自行设计的较大物量(10g左右)的热重分析装置，就城市生活垃圾典型有机组分的混合热解特性进行了实验研究。参照该实验结果，利用化学反应动力学原理和BP神经网络理论建立了由热解动力学部分和7个BP神经网络子模型组成的垃圾热解预测模型。利用该模型可以通过输入垃圾的组分比例，方便地预测垃圾的总体热解特性，从而为垃圾焚烧装置的设计和运行提供指导。     

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。     

基于改进主元分析法的电力短期负荷预测方法及应用的研究

由各时点负荷分量组成的负荷时间序列中,各数据点间具有一定的相关性和差异性,在进行短期负荷预测时模型一般无法兼顾数据的共性和差异性.作者采用一种改进的主成分分析法,在不损失负荷原始数据主要信息的前提下提取负荷数据的主成分,有效地减少了预测模型的输入量.同时,针对电力系统短期负荷受温度影响较大的特点,将温度因素引入BP神经网络进行短期负荷预测,实例分析验证了该方法的有效性.