多源信息融合技术在火电厂热力系统故障诊断中的应用研究

论文摘要

由于火电设备日趋于高参数、大容量、复杂化,其安全经济运行对社会的影响越来越大。发电设备一旦出现故障,其损失和造成的影响是巨大的,因此需要及时监测设备的运行状况,识别故障早期征兆,对故障部位、故障程度和发展趋势作出准确判断,以提高机组的可靠性和可利用率。而热力系统是火电厂生产的主要部分,这一部分的故障诊断就显得尤为重要了。本课题依托于原国家电力公司电力行业青年促进基金项目:《多传感器信息融合技术在火电厂状态评估中的应用》。论文从如何提高故障诊断的确诊率和容错性出发,针对火电厂热力系统故障诊断中多信息的特点,将多源信息融合技术引入到设备故障的诊断中,围绕火电厂热力系统故障诊断展开了以下研究:1.针对火电厂热力设备测点多、数据间存在强相关性等特点,将主分量和神经网络相结合的融合诊断方法引入火电厂凝汽系统的故障识别。利用主分量分析实现热力设备的故障特征优选,由主分量贡献率确定神经网络的输入空间,比较分析了主分量BP网络和主分量RBF网络对凝汽系统故障诊断的优缺点。通过凝汽系统故障诊断实例,验证了该方法可以有效地简化网络结构,提高网络的分类精度。2.针对热力系统故障具有异步、离散等特点,建立故障诊断的神经Petri网模型。以信息熵作为属性约简的标准,从大量的故障征兆信息中获得最小的诊断规则,建立最优的Petri网模型。由于单纯的故障诊断Petri网缺乏自学习功能,将神经网络引入Petri网。通过对火电机组凝汽系统故障诊断研究表明:基于信息熵、神经网络和Petri网相结合的故障诊断方法改善了它们各自诊断的能力。用神经Petri网对故障诊断系统建模,增加了网的表达能力,适用性强。该方法为Petri网应用于热力系统故障诊断提供了一条有效途径。3.由于火电厂热力系统故障过程大部分属于缓变故障,从设备正常运行到出现故障征兆再到发生故障灾害是一个较慢的过程,其间设备许多状态量的变化是连续的。针对上述特点,本文提出了基于分层的混合模型融合诊断策略,将灰色理论、特征评估、神经网络有机地结合起来,完成故障子空间的识别,最后根据多属性决策对设备状态进行综合评价。通过制粉系统实际数据仿真验证了该方法的有效性和可行性。该方法有利于早期故障的准确识别,并对故障程度以及故障趋势作出准确判断。

论文目录

• 中文摘要
• 英文摘要
• 第一章 绪论
• 1.1 研究的目的及其意义
• 1.2 火电厂故障诊断存在的问题及发展趋势
• 1.2.1 火电厂故障诊断存在的问题
• 1.2.2 火电厂故障诊断系统的发展趋势
• 1.3 多源信息融合技术与火电厂故障诊断
• 1.3.1 多源信息融合技术用于火电厂故障诊断的动因
• 1.3.2 多源信息融合诊断方法
• 1.3.3 多源信息融合技术在火电厂中的应用前景
• 1.4 论文的主要内容
• 第二章 多源信息融合诊断技术
• 2.1 引言
• 2.2 多源信息融合技术
• 2.2.1 多源信息融合概述
• 2.2.2 多源信息融合的结构功能模型
• 2.2.2.1 检测融合结构模型
• 2.2.2.2 状态融合结构模型
• 2.2.3 数据融合的过程
• 2.2.4 融合识别的框架问题
• 2.3 故障诊断系统中不确定性信息
• 2.3.1 诊断系统的不确定性产生原因
• 2.3.1.1 诊断信息的不确定性
• 2.3.1.2 知识的不确定性
• 2.3.1.3 推理过程的不确定性
• 2.3.2 诊断知识不确定性的分类
• 2.3.2.1 模糊信息引起的知识不确定性
• 2.3.2.2 灰色信息引起的知识不确定性
• 2.3.2.3 未确知信息引起的知识不确定性
• 2.3.3 故障诊断系统中不确定性的处理方法
• 2.3.3.1 基于概率论的不确定性处理方法
• 2.3.3.2 基于模糊理论的不确定性处理方法
• 2.3.3.3 基于灰色理论的不确定性处理方法
• 2.3.3.4 基于D-S证据理论的不确定性处理方法
• 2.4 火电厂热力设备故障诊断的信息融合功能模型
• 2.5 对信息融合样本的主要要求
• 2.6 本章小结
• 第三章 主分量分析和神经网络相结合的融合诊断策略
• 3.1 引言
• 3.2 基于主分量分析的特征优选方法
• 3.2.1 主分量分析法概述
• 3.2.2 主分量分析法的特征提取
• 3.2.3 主分量个数的选取方法
• 3.3 神经网络故障识别方法
• 3.3.1 BP神经网络故障诊断模型及其算法
• 3.3.1.1 BP神经网络模型
• 3.3.1.2 BP网络学习规则
• 3.3.1.3 BP网络设计
• 3.3.2 RBF神经网络诊断模型及其算法
• 3.3.2.1 RBF网络模型
• 3.3.2.2 网络输出
• 3.3.2.3 RBF网络学习过程
• 3.4 主分量和神经网络相结合的凝汽系统故障识别
• 3.4.1 凝汽系统故障征兆集的建立
• 3.4.2 主分量分析法的凝汽系统故障特征提取
• 3.4.3 基于PCA-BP网络的凝汽系统故障诊断实例
• 3.4.3.1 网络训练和测试
• 3.4.3.2 主分量个数选取对凝汽系统故障识别的影响
• 3.4.4 基于PCA-RBF网络的凝汽系统故障诊断实例
• 3.4.4.1 分布常数的选取
• 3.4.4.2 网络的测试
• 3.4.5 PCA-BP网络和PCA-RBF网络性能的比较
• 3.5 本章小结
• 第四章 基于信息熵和神经Petri网融合诊断策略
• 4.1 引言
• 4.2 Petri网的故障诊断原理
• 4.2.1 Petri网的定义与图示方法
• 4.2.1.1 Petri网的图形表示
• 4.2.1.2 Petri网的定义
• 4.2.1.3 Petri网的使能规则
• 4.2.2 基于Petri网的系统状态变迁的关联矩阵求解法
• 4.2.3 Petri网的故障诊断过程
• 4.2.4 产生式规则的Petri网表示
• 4.3 用信息熵法确定最佳故障特征集和最佳诊断步骤
• 4.3.1 信息熵融合方法
• 4.3.2 信息熵的最佳特征选择
• 4.3.3 基于信息熵的凝汽系统故障集优选
• 4.3.4 基于信息熵的凝汽系统故障诊断Petri网模型
• 4.3.5 诊断实例
• 4.3.6 本节小结
• 4.4 基于信息熵的故障诊断神经Petri网模型（INPN）
• 4.4.1 引言
• 4.4.2 神经网络与Petri网
• 4.4.3 故障神经Petri网的定义
• 4.4.4 凝汽系统故障诊断神经Petri网模型的建立
• 4.4.5 诊断实例
• 4.5 本章小结
• 第五章 基于分层的混合模型融合诊断策略
• 5.1 引言
• 5.2 分层混合模型的融合诊断功能框图
• 5.3 基于特征评估的数据预处理
• 5.3.1 数据的归一化处理
• 5.3.2 特征评估法
• 5.4 灰色理论与组合神经网络
• 5.4.1 灰色关联分析法
• 5.4.2 组合神经网络
• 5.5 多属性决策模型
• 5.6 火电厂制粉系统故障诊断实例分析
• 5.6.1 制粉系统的特点
• 5.6.2 故障样本数据的获取
• 5.6.3 数据的预处理
• 5.6.4 故障程度的关联划分
• 5.6.5 神经网络的初步诊断
• 5.6.6 多属性决策
• 5.7 本章小结
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 攻读博士学位论文期间发表的学术论文
• 攻读博士学位期间参加的科研工作
• 个人简历