基于动态数据挖掘的热力参数传感器故障诊断

针对火电机组热力参数动态数据的海量、高维特点,提出了一种基于动态数据挖掘的热力参数传感器故障诊断新方法。该方法通过对热力参数信号进行经验模态分解,获得一系列平稳的本征模态函数(intrinsic mode function,简称IMF)分量和一个趋势余量,实现传感器故障特征信息的动态挖掘。以各IMF分量和趋势余量的方差作为特征向量构建欧氏距离判别函数,结合径向基函数神经网络确认传感器是否发生故障。根据专家经验得到的规则分析传感器测量值与理论值之间的差值,判别传感器的故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明:该方法能够仅使用热力参数传感器正常状态下的样本,有效区分传感器故障造成的信号变化与机组本身正常负荷波动造成的信号变化,实现快速准确地对热力参数传感器的工作状态和故障类型进行判别。     

基于改进EMD与PNN的汽轮机通流部分故障诊断

根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。