基于ANFIS-SOM神经网络的汽轮机通流部分故障诊断研究

汽轮机通流部分运行时会出现各种故障,有些故障具有隐秘性,不易察觉,有必要对其进行监测与诊断。将工程应用中效果较好的自适应模糊推理神经网络(ANFIS)与自组织特征映射(SOM)网络的相结合,集二者之所长,建立一种新型ANFIS—SOM神经网络,并以电厂运行故障数据做了计算分析。结果表明:基于新网络的故障诊断效果得到极大的提高,为汽轮机故障诊断提供了新思路。     

基于SOM神经网络的柴油机燃油系统故障诊断

利用神经网络的非线性映射,及其高度的自组织和自学习能力,将SOM网络应用于柴油机的故障诊断。利用夹持式传感器获得柴油机喷射系统的燃油压力波形,对波形进行时域分析和特征提取。根据所取得故障信息及其对应的故障类型来构造网络结构,用单一故障样本对网络进行训练,根据输出神经元在输出层的位置对故障进行判断。通过仿真实验验证SOM神经网络在柴油机故障诊断的正确性。经实例分析证明,该方法可对故障进行有效诊断。     

基于隶属度和规则的层次分类诊断模型

提出了一个基于模糊隶属度和规则的分类层次诊断模型。针对该模型,首先以汽轮机通流部分故障为对象,讨论了层次分类的方法,根据结构和故障分解的原则建立了故障诊断树;其次根据热力参数的实际情况,选择模糊隶属度函数并确定隶属度函数的算法;最后综合这两种方法的优点,设计了故障节点的知识组织结构,把每个故障节点的知识库分成工况参数、初始证据源、证据模式、神经网络信息、模糊规则库、索引知识等6个部分。该模型既减少了故障判断的搜索数量,又把诊断所需的各种模糊不确定的知识用模糊神经网络的权重来表示,知识的获取通过模糊神经网络的训练进行,解决了知识获取的"瓶颈"问题。经过实际故障诊断验证,该模型对于通流部分故障诊断具有很好的适用性。图2表4参2。     

基于特征通流面积分析和级组故障诊断试验的1000 MW汽轮机机组功率恢复研究与工程应用

对某1 000 MW机组出力不足现象进行分析,通过开展故障诊断试验,基于弗留格尔公式对级组特征通流面积进行计算和分析,诊断出机组出力不足的主要原因为汽轮机通流面积减少。机组揭缸检修期间采取喷丸清理、叶片补焊等措施,机组出力得以恢复。通过汽轮机通流部分故障诊断,解决机组出力不足等问题,验证了该方法的准确性和有效性,为机组通流部分的状态监测与故障诊断提供了成功案列。     

基于特征通流面积的汽轮机变工况性能分析

阐述了基于留格尔公式提出的特征通流面积概念的定义及计算方法,在IAPWS-IF97公式基础上,利用Vis-ual Basic 6.0平台初步开发了汽轮机组通流部分特征通流面积计算软件,并以国产600MW超临界机组为研究对象,对机组变工况下级组的特征通流面积进行了计算和分析。研究结果表明:汽轮机级组的特征通流面积在通流部分尺寸不发生变化时,其值保持不变,并且变工况下其计算精度能满足工程要求,可以作为机组通流能力及通流部分故障诊断的准则参数,为机组通流部分的状态监测与故障的精确诊断提供依据。     

汽轮机通流能力诊断指标基准值的确定方法

利用特征通流面积进行汽轮机通流部分的故障诊断时,确定诊断指标的基准值是一项重要的基础工作。研究了汽轮机通流能力诊断指标基准值的选择方法,并且根据汽轮机级组特征通流面积的变化规律,将汽轮机通流部分分为调节级、中间级组和末级,对这三段分别选用不同的方法确定其基准值。     

基于BP神经网络的汽轮机最末级组相对内效率应达值的确定

当采用级组的相对内效率来诊断汽轮机通流部分的故障时,需要将各级组的实测相对内效率与对应负荷下的应达值进行比较,来诊断出故障发生的部位以及故障的严重程度.对于由最后一段抽汽与低压缸排汽构成的最末级组,由于其排汽处于湿蒸汽区,目前尚无成熟准确的测量排汽焓的技术.所以很难确定最末级组相对内效率的应达值.在分析了影响凝汽式汽轮机最末级组相对内效率的主要因素后,给出了利用BP神经网络确定汽轮机最末级组相对内效率应达值的方法,为汽轮机通流部分的故障诊断奠定了基础.     

基于主成分分析与支持向量机的汽轮机故障诊断

汽轮机故障诊断的一大难题是故障样本的缺乏,由于支持向量机针对小样本情况能取得很好的效果,为此,提出基于主成分分析与支持向量机的故障诊断方法,首先采用主成分分析方法对汽轮机故障数据进行故障特征提取,将特征向量作为支持向量分类器的输入,按照汽轮机的故障类型训练分类函数.对于支持向量机参数的选取,提出了基于错分样本数的蚁群优化算法.在小样本情况下对汽轮发电机组故障诊断进行了仿真研究.结果表明,应用该算法可以正确且有效地诊断多类汽轮机故障.     

汽轮机通流部分故障诊断基准值的研究

当汽轮机相对内效率降低时,有时很难判断出是由汽轮机本体通流部分故障直接引起的,还是由于回热系统出现经济件下降故障间接引起的,这就给汽轮机通流部分故障诊断基准值的确定带来了难度.为此,综合考虑汽轮机通流部分与回热系统的特点后,采用级组的相对内效率来评价汽轮机各段通流部分的运行状态,并根据各个级组相对内效率影响因素的不同,给出了不同级组相对内效率基准值的确定方法.运行中,将级组相对内效率的实测值与基准值进行对比,有利于快速确定引起汽轮机整机相对内效率降低的原因和部位,为汽轮机通流部分的故障诊断奠定了基础.     

300MW汽轮机高压缸通流部分故障的热参数模糊诊断

分析了３００ＭＷ汽轮机高压缸通流部分故障与热力过程参数的关系，提出了对汽轮机通流部分故障分层次模糊诊断的方法，并用电厂运行中采集到的实际故障参数对这种方法进行了考核，得到了比较满意的结果。     

基于EEMD-LSTM的汽轮机转子碰磨故障诊断模型及其工程应用

汽轮机转子与静子间的碰磨严重影响着机组的安全运行。为了解决汽轮机转子发生在早期和中期的碰磨故障难以通过基于振动信号检测诊断方法进行有效识别的问题,本文提出一种基于EEMD-LSTM的汽轮机转子碰磨故障诊断方法。首先,该方法通过声发射技术监测汽轮机转子的碰磨故障信号;然后,利用EEMD信号分解方法处理获取的声发射信号,并提取能量特征参数和相关的时域特征参数,从而获得碰磨故障特征数据集;最后,利用划分的数据集对LSTM神经网络进行训练与测试,从而获得碰磨故障诊断模型。工程应用结果表明,本文提出的方法能够有效识别机组在不同转速时期的早期碰磨故障,且故障诊断的准确率较高。     

电站汽轮机组通流部分故障分析及诊断

该文研究了电站汽轮机组通流部分故障的特性并进行分类。讨论了建立热参数故障诊断知识库的方法。最后，给出了结垢故障的热力故障诊断表。     

基于动态时间归整技术的电站过程故障诊断方法

对于像电站这样的复杂工业过程,基于数学模型的故障诊断方法难以应用.为此,提出了一种基于动态时间归整（DTW）技术的故障诊断方法.该方法不依赖过程数学模型,而是基于过程数据分析来进行故障诊断,因而适合在电站生产过程中应用.首先,通过历史数据分析和过程知识,建立故障模式库.然后在故障诊断过程中利用DTW技术将检测样本与故障模式库进行模式匹配.最后根据相似性尺度找出故障模式库中与之最匹配的故障样本,从而得出诊断结果.以电站主汽温控制过程为例对该方法进行了仿真研究.实验结果表明,该方法具有较高的诊断精度,并对电站生产过程的时变特性具有良好的鲁棒性.图2表3参8     

模糊自学习故障诊断在柴油机电控系统中的应用

将模糊规则的推理方法和神经网络的自学习方法应用在柴油机电控系统的故障诊断上。根据对发动机故障专家经验的总结,将输入故障信息定义为故障现象,将输出故障结果定义为故障点,采用模糊推理规则的方法建立由现象到故障点的诊断模型,实现对柴油机电控系统的故障诊断。故障诊断模型的故障样本是在12V150电控柴油机上通过大量试验获得的,故障诊断模型采用BP神经网络的自学习方法进行训练。将诊断结果同实际测试结果相比较,证明了该方法的正确性。     

大功率汽,轮机通流部分故障诊断特征规律的研究

介绍了汽轮机调节阀阀杆断落、喷嘴磨损、叶片断阻塞静叶、通流部分结垢、通流部分固体颗粒磨损、汽缸进水、大轴弯曲、动静元件轴向碰磨、蒸汽振荡和真空恶化等１０种故障的特征信号、征兆和诊断规则。给出了基于可靠性理论的故障诊断模型和应用实例。     

基于自组织网络的燃气轮机燃料系统的故障诊断研究

针对燃气轮机燃料系统在实际运行过程具有故障征兆多,单一、标准故障数据难以得到的特点,提出一种基于自组织神经网络的燃料系统故障诊断方法。该方法通过建立燃料系统故障诊断模型,选择合适的燃料系统故障特征参数形成合理的故障诊断分析网络。以某型工业燃气轮机燃料系统为例进行分析,选取燃气阀开度、燃气阀压差和燃气控制压力3个监测参数作为故障诊断模型网络的输入,以系统中常见的3种典型故障燃气管路泄漏、燃气过滤器堵塞、燃气阀故障作为网络的输出。以实际运行数据作为网络测试样本,对该燃机实际运行故障进行测试。测试结果表明:该方法可以有效地诊断出燃料系统的3种典型故障,同时支持在线诊断,具有较好的工程应用价值。     

基于ARMA及神经网络的汽轮机振动故障诊断研究

根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型的汽轮机转子振动故障水平方向与垂直方向的数据所建立的汽轮机转子振动故障序列自回归滑移平均(ARMA)模型,由ARMA模型参数计算自谱函数值,建立汽轮机转子振动故障时间序列的自谱函数图谱。对不同类故障所建立ARMA模型的自谱函数图谱分析表明:故障征兆信息较明显,有较好的故障区分度。另外由于ARMA模型的特征向量浓缩了原时间序列信号的全部信息,对ARMA模型的特征向量参数利用多节点输入双隐层BP神经网络完成p维欧氏空间到二维欧氏空间的非线性映射,对汽轮机转子振动故障状态进行诊断。诊断结果表明:对应故障类型的ARMA模型样本通过训练后的神经网络在二维欧氏空间中能较好地对故障进行分类,同类故障的检验样本与目标函数值在欧氏空间具有最小距离,表明基于ARMA模型的二维欧氏空间双隐层神经网络故障诊断方法有较高的故障辨识能力。     

基于加权最小二乘支持向量机改进算法的汽轮机通流部分故障诊断研究

汽轮机通流部分故障特征数据较多、故障类型复杂,很难建立精确的机理模型。提出一种基于加权最小二乘支持向量机(Weighted Least Squares Support Vector Machines,WLS-SVM)的改进算法,该算法用输出变量的留一交叉检验误差取代原有误差确定加权系数,解决了WLS-SVM由于加权系数与模型支持值相互影响,样本在剔除与不剔除之间反复变化而不收敛的问题。实验结果表明该方法能有效地剔除异常样本,减少故障特征量的数目,提高了校正模型的稳健性及WLS-SVM特征预测的速度和预测的精度。     

基于故障树和概率神经网络的风电机组故障诊断方法

风电机组各传动设备之间耦合性强,故障发生的原因复杂、多样,使用单一的故障诊断方法受自身的局限性影响,诊断效果不太理想。针对这一问题,通过分析风力发电机组转速故障数据及其影响因素,以风力发电机转速超限故障为例,提出一种基于故障树和概率神经网络的风电机组发电机转速超限故障智能诊断方法。首先,给出多层故障树构建方法,使用故障树分析法得到故障模式。然后,根据故障树节点关系规则和故障模式,提取风力发电机运行数据的特征值,建立概率神经网络的故障诊断模型,根据实际运行故障样本训练网络,将训练后的网络用于故障诊断。现场实验表明,基于故障树和概率神经网络算法对于风力发电机转速故障诊断准确率显著。     

多层传递函数的量子神经网络在汽轮机故障诊断中的应用

针对汽轮机故障分类边界的模糊性和故障模式之间存在交叉数据的诊断不确定问题,将多层传递函数的量子神经网络用于汽轮机发电机组的故障诊断,提出了量子神经网络的学习算法.以某热电厂汽轮机组被确诊的不对中故障为例,证明了这一方法的有效性.