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。     

采用核主元残差空间分析方法诊断传感器故障

将核主元的高维特征空间分为主元空间和残差空间,提出了1种基于残差空间的故障分离算法,其约简了反映主元空间的分项,使计算量大幅降低.应用该方法诊断传感器故障具有不受残差污染,易于实现等优点.对某600 MW机组回热系统测量数据进行分析结果表明,基于核主元残差空间分析传感器的故障诊断方法能够及时诊断出不同类型传感器的故障,即使在多个传感器同时出现故障时,也能够准确诊断出故障,并能够及时地分离出故障传感器.     

基于主分量灰色关联分析的凝汽器故障诊断

凝汽器的故障往往是由多种原因引起的,不同故障表现出的征兆又具有相似的特征,多种征兆的相关性造成了分析数据的困难.文中采用主分量分析法(PCA)对影响凝汽器故障的多种参数进行综合优化,将多个诊断用特征参数的信息融合到几个主分量上,各主分量之间没有明确的映射关系和明确的作用原理.提出了凝汽器灰色故障诊断系统,运用灰色关联度对诊断样本进行诊断.最后将主分量分析和BP神经网络相结合进行凝汽器的故障诊断,与所提方法进行了比较,仿真实例表明将主分量灰色关联分析法引入凝汽器故障诊断中是可行的,诊断结果可靠.     

电站关联规则的主元分析挖掘方法及传感器故障检测

提出了基于主成分分析的相似关联规则的数据挖掘方法,并利用最小二乘支持向量回归方法对传感器进行故障检测。通过主成分分析寻找具有相似关联规则的参数,利用参数间的相似关联关系,建立最小二乘支持向量回归模型,通过该模型生成残差对传感器进行状态监测和故障定位,并对故障数据进行重构,代替故障数据。通过某300 MW机组数据实例分析,表明该方法能准确快速地寻找具有较高相似关联规则的参数,并能给出可信的重构数据,具有一定的实用性。     

基于KPCA和LSSVM的过热器异常诊断

为提高过热器系统异常识别准确率,对核主元分析以及最小二乘支持向量机在过热器异常识别分类中的应用进行研究,提出了一种改进KPCA-LSSVM的过热器异常工况识别策略.采用核主元分析算法对获取到的过程数据提取主成分,并选择贡献度最大的主成分输入LSSVM中进行建模,建立KPCA-PSO-LSSVM分类模型对主汽温故障进行识...     

基于二次维数约简的油中溶解气体浓度预测

针对变压器油中溶解气体浓度的检测问题,提出基于二次维数约简的油中溶解气体浓度预测模型。首先,采用互信息变量选择方法选取预测模型的输入变量;然后,对输入变量进行相空间重构,采用核主元分析对重构相空间进行特征提取,达到数据降维、滤除数据噪声、消除变量间相关性的目的,并用Renyi熵信息测度确定核主元分析的模型参数;最后,将核主元分析提取的主元变量作为核极限学习机的输入,建立变压器油中溶解气体浓度的预测模型。与灰色预测模型、仅变量选择的预测模型、仅特征提取的预测模型的对比实验结果表明,所提出的基于二次维数约简的油中溶解气体浓度预测模型具有较优的预测精度和泛化能力。     

基于改进类均值核主元分析的控制系统传感器故障检测

针对复杂控制系统数据维度大、变量之间的耦合性高的特点,采用了一种基于粒子群优化的类均值核主元分析的故障检测方法。首先利用粒子群优化高斯径向基核函数的参数,避免其设置的盲目性,然后利用优化后的类均值核主元分析法将输入数据样本映射到高维特征空间中,构建类均值矢量进行主元分析,完成对控制系统传感器的故障检测。类均值矢量包含了原数据的全部信息,且维数低于故障类别,能够实现数据的无损失降维。实验结果表明,与传统核主元分析相比,该方法能有效提高控制系统传感器故障检测的准确性。     

基于支持向量回归的凝汽器真空软测量

汽器真空对机组运行的经济性和安全性均产生很大的影响,而影响凝汽器真空的因素较多,并且相互之间具有较强的耦合性.分析了影响凝汽器真空的因素,建立了基于支持向量回归的凝汽器真空的软测量计算模型,利用某200 MW机组的数据,对模型进行了验证.结果表明,采用支持向量回归算法得到的凝汽器软测量计算模型具有较好的泛化能力和稳定性,同时在凝汽器真空测点发生故障时能够准确计算真空值.为凝汽器真空冗余测量和故障诊断提供一种更简单的方法.     

基于小波包的多尺度主元分析在传感器故障诊断中的应用

由于传统的基于小波变换的多尺度主元分析(MSPCA)方法在检测高频类故障时的分辨能力不足，该文提出了基于小波包的MSPCA模型，并应用于传感器的故障诊断。首先对传感器数据进行正交小波包分解，得到小波包最佳分解树。根据最佳树的各个节点系数在对应的尺度上建立主元分析模型，根据这些主元分析模型在残差子空间利用平方预报误差统计量进行传感器故障检测，采用传感器有效度指标对故障传感器进行分离。最后以火电厂锅炉系统的传感器为例对设计的模型进行了验证，通过对传感器周期性干扰故障这种高频故障的诊断实例验证了基于小波包的MSPCA方法的有效性，其检测性能要优于基于小波变换的MSPCA模型。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析(PCA)和粗糙集理论结合继而构建决策树的故障诊断方法.该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策.测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率.