熱工過程中的故障不僅會影響機(jī)組的發(fā)電效率,而且可能引發(fā)嚴(yán)重的設(shè)備事故、機(jī)組非停和環(huán)境污染。故障診斷技術(shù)能夠及時(shí)發(fā)現(xiàn)并消除生產(chǎn)運(yùn)行過程中的異常狀態(tài),已成為提高熱工過程安全性和可靠性的一項(xiàng)重要途徑。熱工過程實(shí)時(shí)數(shù)據(jù)流不但為過程監(jiān)控提供信息基礎(chǔ),所形成海量歷史數(shù)據(jù)也為過程的診斷與分析提供了基礎(chǔ)條件,在此基礎(chǔ)上開展的數(shù)據(jù)建模及診斷方法研究具有重要的現(xiàn)實(shí)意義和工程實(shí)用價(jià)值。本文圍繞熱工過程數(shù)據(jù)驅(qū)動建模與過程診斷方法開展研究工作,主要研究內(nèi)容如下:(1)提出了一種基于MITNN(Modified input training neural network)的非線性建模方法,該方法采用NAG(Nesterov’s accelerated gradient algorithm)方法建立了高效的動量因子和學(xué)習(xí)率自適應(yīng)調(diào)整機(jī)制,有效提高了常規(guī)ITNN(Input training neural network)模型的訓(xùn)練速率和訓(xùn)練精度。(2)針對數(shù)據(jù)驅(qū)動建模過程中的“過擬合”問題,提出了一種新的融合過程先驗(yàn)知識的FITNN(Fusion input training neural network)非線性建模方法,建立了拉格朗日罰函數(shù)法約束處理機(jī)制,采用等式、不等式、單調(diào)性和凹凸性約束等數(shù)學(xué)形式將機(jī)理先驗(yàn)知識嵌入到網(wǎng)絡(luò)訓(xùn)練過程中,通過NAG方法完成網(wǎng)絡(luò)權(quán)值優(yōu)化。進(jìn)一步引入松弛變量擴(kuò)大了罰函數(shù)的優(yōu)化空間,有效降低了網(wǎng)絡(luò)權(quán)重的尋優(yōu)難度。通過仿真算例和工程算例說明所提算法的有效性。(3)針對故障診斷過程中的“殘差污染”問題,提出了一種基于重構(gòu)神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)故障診斷方法,將預(yù)設(shè)故障方向引入到常規(guī)AANN(Auto-associative neural network)和ITNN兩種方法的診斷過程中,分別建立了AANN和ITNN模型的重構(gòu)指數(shù)計(jì)算公式,通過分析不同預(yù)設(shè)故障方向下的重構(gòu)指數(shù)來定位故障點(diǎn)位置。文中進(jìn)一步給出了基于RBITNN(Reconstruction-based input training neural network)方法的故障診斷流程,可滿足單參數(shù)簡單故障和多參數(shù)復(fù)雜故障的診斷要求,仿真算例驗(yàn)證了所提算法的優(yōu)越性。(4)提出了一種基于協(xié)方差矩陣自適應(yīng)進(jìn)化策略(Covariance Matrix Adaptation Evolution Strategy,CMA-ES)和分支限界算法的IRBITNN(Improved reconstruction-based input training neural network)故障診斷方法,一方面采用CMA-ES方法取代遞推下降方法,提高了RBITNN對單個(gè)故障參數(shù)組合的重構(gòu)效率,另一方面建立了RBITNN重構(gòu)指數(shù)與預(yù)設(shè)故障參數(shù)數(shù)量的單調(diào)性模型,采用分支限界算法方法實(shí)現(xiàn)了故障分離過程中的參數(shù)組合優(yōu)化,在確保診斷準(zhǔn)確性的前提下顯著減少了故障分離時(shí)間。將該方法應(yīng)用于某燃?xì)庹羝?lián)合循環(huán)機(jī)組的故障診斷,仿真算例驗(yàn)證了所提方法的有效性,能夠滿足在線診斷的要求。
【學(xué)位單位】：東南大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2018
【中圖分類】：TM621

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳微;楊潔;;用于神經(jīng)網(wǎng)絡(luò)權(quán)值稀疏化的L_(1/2)正則化方法[J];中國科學(xué):數(shù)學(xué);2015年09期

2 宋玉寶;王樂樂;金理鵬;盧承政;姚燕;楊杰;;基于現(xiàn)場性能測試的脫硝裝置潛能評估及壽命預(yù)測[J];熱力發(fā)電;2015年05期

3 喬宗良;張蕾;周建新;司風(fēng)琪;徐治皋;;一種改進(jìn)的CPSO-LSSVM軟測量模型及其應(yīng)用[J];儀器儀表學(xué)報(bào);2014年01期

4 劉偉;司風(fēng)琪;徐治皋;;基于燃燒特征量和模糊C均值聚類的燃燒診斷[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年S2期

5 婁海川;蘇宏業(yè);謝磊;;融合過程先驗(yàn)知識的遞歸神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用[J];化工學(xué)報(bào);2013年05期

6 劉吉臻;曲亞鑫;田亮;常太華;;基于偏最小二乘回歸的鍋爐再熱汽溫建模[J];中國電機(jī)工程學(xué)報(bào);2011年11期

7 顧燕萍;趙文杰;吳占松;;基于最小二乘支持向量機(jī)的電站鍋爐燃燒優(yōu)化[J];中國電機(jī)工程學(xué)報(bào);2010年17期

8 董建勛;王松嶺;李永華;李辰飛;;選擇性催化還原煙氣脫硝過程數(shù)學(xué)模擬研究[J];熱能動力工程;2007年05期

9 趙征;劉吉臻;田亮;;基于數(shù)據(jù)融合的燃料量軟測量及煤質(zhì)發(fā)熱量在線校正[J];熱能動力工程;2007年01期

10 張勇;王介生;;基于PCA-RBF神經(jīng)網(wǎng)絡(luò)的浮選過程軟測量建模[J];南京航空航天大學(xué)學(xué)報(bào);2006年S1期

本文編號：2819911