基于模糊SOM神经网络的汽轮机通流部分故障诊断研究

汽轮机实际运行时通流部分经常出现故障,对其进行监测与诊断很有必要。以某600MW机组为对象,提出一种基于模糊理论与SOM神经网络相结合的故障诊断方法。该方法通过对故障样本进行训练,建立故障诊断模型,根据输出神经元在输出层上的位置对故障进行诊断,分析其所属故障模式。研究结果表明:基于SOM神经网络的汽轮机通流部分故障诊断方法是准确和可靠的。该方法克服了故障样本选取的困难,通过聚类功能,对故障模式分类实现了具体数字化和图形可视化,诊断结果简单和直观。     

基于知识与模糊神经网络的故障诊断技术

论述了建立规则型模糊神经网络的理论和方法,针对大型旋转机械提出了一种采用多层规则库结构及智能推理机的故障诊断技术,该技术以Ｒｕｌｅ型模糊联想记忆器作为诊断系统的分类和综合算法,把基于知识的符号处理方法与模糊神经网络有机结合在一起,讨论了模糊神经网络输入和输出模糊化的问题,为电厂汽轮发电机组故障诊断专家系统提供了新的思路。     

基于MATLAB的集成神经网络在给水泵故障诊断中的应用

针对大型火电站电动给水泵常见的振动故障,采用基于MATLAB的集成神经网络对给水泵的振动故障进行诊断。从单个神经网络开始,从信息融合的角度建立了集成神经网络故障诊断方法,探讨集成神经网络的实现策略和组建原则,并给出给水泵振动故障诊断的实例,证明该诊断方法提高了故障确诊率。     

基于MSET和模糊识别的凝汽器故障诊断

针对凝汽器的故障诊断问题,基于多元状态估计原理,采用模糊C均值聚类提取凝汽设备的运行状态矩阵,建立了设备的状态监测模型,以相似度指标衡量设备的运行状态,并以此作为参数模糊化的评判依据,获得凝汽器典型故障的专家知识库。在此基础上,根据模糊规则对设备的故障进行识别,提出了基于多元状态估计和模糊识别的故障诊断方法,并给出了该诊断方法的整体流程。以国内某600 MW机组凝汽器为例,采集实际运行数据进行建模与分析,结果表明:所提出的方法对设备参数的估计较为准确,具有一定的监测跟踪能力,并且能够及时准确地诊断设备故障,整体流程清晰直观,适合系统化应用。     

变速风力发电机变流器故障诊断方法

大型变距变速风力发电机组状态的监测与故障的诊断是保证机组长期稳定运行和安全发电的关键。文章针对变速风力发电机组中的变流器电路模型非线性强的特点,利用神经网络非线性映射特性,提出了采用基于波形直接分析的BP神经网络故障诊断方法。该方法能动态监视风力发电机变流器并网电路的工作状态,实时在线进行故障诊断和快速分析,确定变流器故障的部位和性质,可缩短风力发电机的故障停机时间。实际运行结果表明,该方法对变速风力发电机组的状态监测与故障诊断是有效的。     

大型汽轮发电机组模糊神经网络诊断模型研究

从模型设计基础出发,创立模糊神经网络诊断模型,给出它的突出特点,然后将其应用到大型汽轮发电机组故障诊断中,建立分级组合式神经网络诊断系统,通过诊断举例,分析了该模型的智能诊断机理和优越性。     

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。     

人工神经网络在汽轮发电机组故障诊断中的应用

论述了神经网络诊断方法与传统的诊断方法如Ｂａｙｅｓ统计诊断方法，模糊诊断方法及专家系统诊断方法等的差别，及神经网络在设备故障诊断中应用的优越性。然后通过对一实际汽轮发电机组的故障事例反复学习，最后建立起网络模型。通过实际验证该诊断模型具有很大的应用前景。     

CQPSO-BP算法在风电机组齿轮箱故障诊断中的应用

为实现风电机组齿轮箱故障模式的有效识别,提出一种基于混沌量子粒子群优化BP神经网络(CQPSOBP)的故障诊断方法。在该算法中,利用混沌序列来初始化粒子的初始角位置,可提高种群的遍历性;通过引入变异操作,避免算法陷入早熟收敛,并依此来对BP神经网络的初始权值和阈值进行优化。实例表明,同粒子群优化BP神经网络(PSO-BP)与BP网络的诊断结果相比,CQPSO-BP算法具有收敛速度快、识别精度高的优点,可有效用于风电机组齿轮箱的故障诊断系统中。     

基于DHNN指纹库的电网故障诊断方法

针对高维度、非线性的电力系统存在难以实现快速、精准和有效的故障诊断问题,提出了基于DHNN指纹库的电网故障诊断方法。首先利用离散Hopfield神经网络(DHNN)算法对电网遥信数据分类和建立各种基准信号权值,构建了基准信号集合的信号模板;其次基于该模板建立各类故障指纹值编码及其编码组合为一体的指纹库;最后以瀑布沟水电站布坡三线“B相瞬时故障,重合成功”故障为例验证该诊断方法的正确性。结果表明,基于DHNN指纹库的电网故障诊断方法与实际电网故障描述完全一致,可正确有效地提升电网故障诊断水平,同时还可将该方法推广应用于国内大型流域梯级电站群组合成的大规模高压电网的故障诊断中。     

基于模糊c-均值-粗糙集-自适应模糊神经网络推理系统集成的故障诊断

考虑模糊聚类的数据离散功能，粗糙集理论对决策系统的约简能力，以及模糊神经网络在模式识别方面具有的优势，提出了模糊c-均值(FCM)—粗糙集—白适应模糊神经网络推理系统(ANFIS)集成进行故障诊断的方案：首先，应用FCM聚类方法离散故障诊断数据中的连续属性值；然后，基于粗糙集理论计算诊断决策系统的约简，按照实际需要确定诊断条件；最后，根据系统约简设计ANFIS进行故障诊断。4135柴油机的实际诊断结果验证了文中提出集成故障诊断方案的可行性。在数据充分的条件下，该方案可以推广应用于其它机械设备。     

谐小波模糊神经网络应用于旋转机械的故障诊断

根据旋转机械复杂的故障特点，提出了结合谐小波分析、模糊理论和神经网络形成的谐小波模糊神经网络方法，并将其应用于旋转机械的故障诊断，实现了模糊故障诊断。通过计算机实现了全部算法。仿真和试验的结果表明：谐小波模糊神经网络在处理多故障耦合的情况时优势明显，故障诊断正确率高，证明该方法行之有效，为旋转机械的故障诊断提供了理论支持和新方法。图2表3参7     

计算智能在机械设备故障诊断中的应用

智能诊断是目前故障诊断领域研究的主要方向之一，阐述了传统人工智能与计算智能的基本概念以及分别应用二者进行故障诊断的基本原理和优缺点，介绍了计算智能理论，包括神经网络，模糊理论、模糊神经网络，遗传算法和粗糙集理论等，在机械设备故障诊断中的应用状况。     

Application of an adaptive neural network with symbolic rule extraction to fault detection and diagnosis in a power generation plant

Artificial neural networks have a good potential to be employed for fault diagnosis and condition monitoring problems in complex processes. In this paper, the applicability of the fuzzy ARTMAP (FAM) neural network as an intelligent learning system for fault detection and diagnosis in a power generation plant is described. The process under scrutiny is the circulating water (CW) system, with specific attention to the conditions of heat transfer and tube blockage in the CW system. A series of experiments has been conducted systematically to investigate the effectiveness of FAM in fault detection and diagnosis tasks. In addition, a set of domain rules has been extracted from the trained FAM network so that its predictions can be explained and justified. The outcomes demonstrate the benefits of employing FAM as an intelligent fault detection and diagnosis tool with an explanatory capability for monitoring and diagnosing complex processes in power generation plants.     

基于加权模糊优选理论的发动机磨粒智能识别

磨粒识别是实现发动机故障诊断和状态监测的关键环节；模糊优选理论应用于磨粒识别一般采用的都是均权模型。引进了一种模糊相对权重的概念，将其与模糊优选理论结合运用到铁谱分析的磨粒智能识别中，提出了一种新的基于加权模糊优选理论的磨粒识别方法，实际计算表明，该方法在发动机磨粒智能识别中取得了很好的识别效果。     

不平衡数据集下优化WGAN的风电机组齿轮障诊断方法

针对不平衡数据集下风电机组齿轮箱故障诊断准确率低以及故障特征不明显的问题,提出峭度指标与遗传算法优化Wasserstein距离生成对抗网络（WGAN）的故障诊断方法。首先将峭度指标作为语义标签映射到卷积层规格化故障特征,其次在反卷积网络中对宏基因组二进制编码并权重初始化,然后对不平衡样本集进行多点交叉和高斯近似变异,重点搜索局部故障点,最后将峭度作为有标签的负例输入判别器网络,重构反卷积和VGG神经网络提高权重剪裁,使WGAN网络成为半监督学习模型,正向判断更新权重并输出诊断结果。实验表明：该方法在不平衡数据集下诊断准确率达到98.69%,拥有更高的泛化能力和特征提取能力,实现了故障特征的增强。     

可变模糊优选神经网络综合评价模型

针对多指标评价问题中区间形式评价标准的处理方式和指标权重的确定方法直接影响评价的科学性及合理性,首次将可变模糊集理论和模糊优选神经网络有机结合,提出了一种新的评价模型———基于可变模糊集理论和模糊优选神经网络的综合评价模型,并应用模型对黄河流域9个行政分区的水资源可再生能力进行了综合评价。评价结果表明,黄河流域水资源可再生能力总体上较弱;新的评价模型是科学、合理的。     

风电机组故障智能诊断技术及系统研究

风电机组的状态监测和故障诊断是保证机组长期稳定运行和安全发电的关键。基于风电机组的基本结构,介绍了机组的故障类型和机理,论述了实际应用中机组的状态监测和故障诊断技术;基于BP神经网络的原理和优点,深入讨论了如何应用人工神经网络构建风电机组智能诊断系统,并给出了可行的系统设计方案和软件实现流程图。     

模糊自组织神经网络在汽轮机转子故障诊断中的应用

针对汽轮机转子故障分类问题,采用模糊数学和自组织特征映射神经网络方法诊断汽轮机转子的故障。该方法具有结构算法简单,无监督自学习和侧向联想等功能。