瞬态变工况下电厂燃气轮机气路故障诊断方法研究

为避免失修和过修,提高电厂燃气轮机可靠性和可用性,降低运维成本,确保其安全稳定、绿色高效运行,提出了一种适用于瞬态变工况且包含可变几何压气机的电厂燃气轮机气路故障诊断方法。推导了压气机IGV开度变化对压气机流量特性线和效率特性线的影响数学关系式,建立了以燃气轮机性能分析与气路故障诊断为目的高精度燃气轮机热力模型,并提出了适用于瞬态变工况且包含可变几何的电厂燃气轮机气路故障诊断策略。通过现场实际机组运行测试,验证了所提出的方法具有良好的诊断准确性与实时性,实现了在瞬态变工况下的故障辨识。     

燃气轮机气路调节系统故障研究

压气机是燃气轮机的重要设备,其性能的高低直接影响燃机最大输出能力及性能,而压气机进口可转导叶开度的变化,对提升压气机的运行效率及联合循环能效水平具有重要影响。目前可转导叶调节系统由于设备复杂、频繁动作,存在潜在故障风险。针对气路调节系统故障,从系统结构和装配标准角度提出分析故障的方法,并在同类型机组进行推广应用,结果表明该方法可以快速实现故障诊断,帮助检修人员尽早发现故障部件和部位。针对此类设计结构问题,给出设计制造优化建议,并从现场安装、停机检修、运行维护方面提出综合运维策略,保证机组安全稳定运行,为今后相似机组运维提供参考。     

基于参数关联性的电站参数异常点清洗方法

针对电站参数虚假数据和异常状态点的区分问题,提出了一种将关联规则、基于密度模式的空间数据聚类(DBSCAN)算法和改进高斯核相关向量机（RVM）相结合的清洗方法。首先,引入关联规则分析参数间的关联性,找出强关联参数组合;然后,利用DBSCAN算法初步检测异常点,给出了结合关联参数的清洗流程,区分了虚假数据和系统异常状态点;最后,使用RVM清洗虚假数据,并通过改进高斯核空间样本点形式降低时间成本。案例结果表明,基于参数关联性的清洗方法能有效提高清洗的准确性和时效性。     

高维空间可分性指标在转子诊断系统优化中的应用

二叉树相关向量机系统中正负类样本的选取往往通过方差进行可分性度量。常用的高斯核函数是在高维空间中完成分类,由于高维空间中数据点存在度量集中现象,欧氏距离往往并不能较好地度量样本点的可分性。分数范数计算出的高维空间距离差异性更大,故构造了一种基于分数范数的样本点距离度量指标。基于该指标优化各层分类器样本选取,通过实验1验证了基于高维可分性指标优化后的系统相较于欧氏距离优化后的系统在分类精度上有了较为显著的提高;实验2表明优化后的系统与智能诊断算法相比,在分类精度和耗时方面也具有优势。     

基于HVD的振动故障诊断方法研究

由于旋转机械振动信号具有非线性、非平稳性,为了准确诊断故障,介绍了一种基于希尔伯特振动分解(Hilbert Vibration Decomposition,HVD)的振动信号时频分析方法,并在此基础提出了HVD边际谱和时频三维谱用于振动信号的进一步分析。通过与经验模态分解(Empirical Mode Decomposition,EMD)方法对比发现,HVD方法克服了模态混叠和幅值失真缺陷,具有更高的分解精度,而且其边际谱和时频三维谱更加清晰地展示出信号各频率的变化情况。对仿真信号及转子实际振动信号进行实验研究,清晰地展现了故障特征,取得了良好的分析效果,证明了HVD方法及其边际谱、三维谱在处理非线性、非平稳问题上的有效性。     

基于近似熵和集成经验模态分解的转子多故障诊断方法研究

为了提高汽轮机转子多故障分类的准确率,提出一种集成经验模态分解(EEMD)、近似熵和支持向量机相结合的多状态分类方法。首先进行EEMD得到各频段的单分量信号;再求出熵值作为故障信号的特征向量输入到基于二叉树的支持向量机中实现多状态分类。对比近似熵、模糊熵和能量法这三种方法,实验结果验证了利用EEMD和熵理论相结合的方法量化故障信号非线性特征的正确性。同时也表明在欧氏空间中,近似熵值组成的特征向量彼此间的距离最远,分类效果也最好。     

遗传算法对SVR风速预测模型的多参数优化

实验分析发现:通过相空间重构法求出的嵌入维数E和时间延迟τ往往不是支持向量回归机(SVR)预测模型的最优参数。针对此问题,建立了一种基于遗传算法(GA)的多参数同步优化的SVR预测方法。利用GA方法对E、τ和SVR模型中的惩罚因子C、核函数宽度γ进行同步优化获得全局最优解,建立SVR风速预测模型。对比单纯优化C、γ的模型,以2组风速数据为例进行实验研究,建立的模型预测误差约为6.56%和7.74%。而对比模型的误差为12.00%和9.30%。这一结果表明,同时对E、τ、C、γ进行优化的模型相对于单纯优化C、γ的模型,预测精确度大大提高。