灰色理论PNN和D-S集成的汽轮机组故障诊断

汽轮机组发生故障的原因多且复杂,若是仅采用单一的故障诊断方法进行故障诊断,可能会存在误诊或漏诊的问题.为了解决此类问题,同时为了提高故障诊断的可靠性,所以引入D-S理论进行融合故障诊断.针对汽轮发电机组故障的特点,提出了一种基于灰色理论-PNN(概率神经网络)和D-S理论集成的故障融合诊断策略.该策略先采用灰色理论和P...     

基于GA-GRNN数据挖掘的SCR脱硝系统建模优化研究

火电厂选择性催化还原法(SCR)烟气脱硝系统是处理燃煤机组烟气排放NOx污染的主要途径,但该系统具有多输入变量、环境影响复杂、时变非线性等特征,因此建立准确的系统模型是SCR优化控制的基础。提出了一种融合遗传算法(GA)主元分析和广义回归神经网络(GRNN)数据挖掘的SCR系统建模方法。首先使用GA对运行数据进行变量选择优化计算;然后将最优变量作为GRNN的输入量,利用数据挖掘技术建立SCR系统数据模型。基于某电厂机组运行数据的实例分析表明,该方法建立的模型具有复杂度低、精度高、泛化能力强等优点。     

变速恒频双馈风电系统风力机转矩模糊PID控制

由于环境风速变化的随机性和不确定性以及风电系统非线性、强耦合的特点,如果采用传统PID控制,仅以特定的PID参数难以在不同风速下对风力机转速进行实时跟踪控制。在变速恒频双馈风电系统中,针对变速风力机非线性、转动惯量大的特点,根据风力机最大风能追踪特性,在低于额定风速下,提出了风力机转速跟踪的模糊PID控制策略,从而使风力机在最佳转矩下运行。通过仿真试验,验证了模糊PID控制的调节品质,表明其对非线性系统风力机具有良好的控制效果。     

神经网络预测控制算法及其应用

针对电站中具有大惯性和变参数等特性的主汽温系统，提出了一种神经网络预测控制算法。该方法是用神经网络来实现预测控制算法中的模型预测和优化计算。将这种算法用于主汽温控制的仿真研究表明，该控制方案表现出良好的控制品质并能适应被控对象参数的变化，具有较强的鲁棒性和自适应能力。它明显优于传统的PID控制。     

基于ARM的嵌入式远程监测系统研究与设计

介绍了ARM处理器的特点和嵌入式系统ARM硬件平台设计,分析了嵌入式Linux操作系统的移植、Linux内核及文件系统的下载方法。设计了基于ARM和嵌入式Web Server的远程监测系统结构,重点分析了嵌入式Web Server技术、CGI程序设计方法及嵌入式Web Server的移植。该系统在工业远程监测系统中具有广阔的应用前景。     

一种关于Agent的模糊认知逻辑

由于经典逻辑不能表示模糊事实,而且Agent也不能利用经典逻辑的方法从模糊事实里获取知识,为了克服经典逻辑方面的不足,提出了一种关于Agent的模糊认知逻辑.首先,介绍了模糊认知逻辑和规则,该方法用数字来表示模糊事实,用模糊逻辑来获取知识.其次,引入了一种反向推理逻辑,利用该方法研究了条件和结论的相关性.最后,主要介绍Agent采用模糊认知逻辑获取知识的过程.     

基于改进 Faster R-CNN 的电厂雨排口 污染物泄漏检测

针对监控图像中电厂雨排口出现的废弃油污泄漏问题,提出一种基于改进Faster区域卷积神经网络(Faster R-CNN)的电厂雨排口污染物泄漏检测算法。改进Faster R-CNN检测算法首先使用ResNet-50作为主干网络,在此基础上构建多尺度特征图金字塔结构(FPN),实现高层语义和低层语义之间的信息融合,提高了检测精度;其次采用CIoU损失和DIoU-NMS方法,提高Faster R-CNN中边框回归的准确度;最后引入Focal Loss损失函数,解决了区域建议网络(RPN)生成的锚点冗余导致R-CNN阶段出现正负样本不均衡问题。实验结果表明,此改进算法在真实样本中表现良好,平均准确率达到90.2%,与原Faster R-CNN算法相比较,准确率提高,误报率和漏报率明显下降,可有效应用于实际生产环境中。     

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。     

基于改进 YOLO v5 的电厂管道油液泄漏检测

针对电厂油库、化水车间等关键区域油液管道时常发生泄漏问题,本文提出了一种基于改进YOLO v5的电厂关键区域管道油液泄漏检测方法,通过融入CBAM注意力机制模块,加强对管道油液泄漏区域图像的特征学习与特征提取,同时弱化复杂背景对检测结果的影响;在此基础上运用了双向特征金字塔网络进行多尺度特征融合,减少冗余计算,同时提升算法对小目标的检测能力;最后采用Focal EIoU Loss作为损失函数,使回归过程更加专注于高质量锚框,加快收敛速度,提高模型的回归精度和鲁棒性。实验结果表明,本文所提出的改进算法在真实样本中表现良好,平均准确率达79.6%,较原YOLO v5s目标检测算法提高了38.4%,在电厂复杂背景下的误报率和漏报率明显下降,可有效应用于实际生产环境中。     

火电厂主汽温控制系统的免疫PID串级控制

火电厂主汽温控制系统具有大惯性、大延迟和时变等特性,采用常规PID串级控制方法的主汽温系统难以获得满意的控制效果。生物免疫系统是一种在大量干扰和不确定性环境中都具有很强鲁棒性和自适应性的系统。借鉴生物免疫反馈响应过程的调节规律,提出将免疫PID串级控制策略应用到火电厂主汽温控制中,针对某超临界600MW锅炉高温过热器在4个典型工况点的仿真研究表明,该策略的控制效果优于常规的PID串级控制,它能适应对象参数的变化,具有较强的鲁棒性和自适应能力。图5表2参8。