本文選題：鍋爐監(jiān)測(cè)　切入點(diǎn)：機(jī)器學(xué)習(xí)　出處：《華中科技大學(xué)》2015年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：近年來(lái),我國(guó)清潔能源的崛起、新排放標(biāo)準(zhǔn)的頒布促使傳統(tǒng)的火電機(jī)組擔(dān)任更多的調(diào)峰任務(wù)、進(jìn)行大量的環(huán)保改造,經(jīng)常處于非設(shè)計(jì)工況運(yùn)行,這樣將對(duì)鍋爐系統(tǒng)設(shè)備的安全可靠運(yùn)行帶來(lái)嚴(yán)峻考驗(yàn)。在此背景下,對(duì)鍋爐的主機(jī)和輔機(jī)的運(yùn)行狀態(tài)進(jìn)行在線(xiàn)實(shí)時(shí)監(jiān)測(cè),進(jìn)而實(shí)現(xiàn)在線(xiàn)診斷和預(yù)測(cè),對(duì)保障鍋爐機(jī)組長(zhǎng)期穩(wěn)定運(yùn)行具有重要意義,本文嘗試引入機(jī)器學(xué)習(xí)方法建立鍋爐主輔機(jī)的狀態(tài)監(jiān)測(cè)模型。首先采用了基于聚類(lèi)的爐膛穩(wěn)態(tài)判別法,對(duì)實(shí)時(shí)的爐膛工況進(jìn)行判別。通過(guò)采集大量的運(yùn)行歷史數(shù)據(jù),引入K-Means方法和快速搜索密度峰值方法,建立穩(wěn)態(tài)判別模型,結(jié)果顯示采用改進(jìn)型的快速搜索密度峰值方法建模效果較好。爐膛穩(wěn)態(tài)的判定為下文主機(jī)燃燒狀態(tài)監(jiān)測(cè)提供了狀態(tài)基礎(chǔ),在穩(wěn)態(tài)的基礎(chǔ)上才能實(shí)施主機(jī)的燃燒狀態(tài)監(jiān)測(cè)。鍋爐主機(jī)狀態(tài)監(jiān)測(cè)的關(guān)鍵問(wèn)題是對(duì)爐膛內(nèi)部燃燒狀態(tài)的在線(xiàn)監(jiān)測(cè),本文提出一種基于數(shù)值模擬和機(jī)器學(xué)習(xí)的爐膛內(nèi)部監(jiān)測(cè)方法。首先,對(duì)爐膛進(jìn)行模型構(gòu)造、網(wǎng)格劃分,盡量多地對(duì)變化參數(shù)設(shè)置模擬工況,然后,以模擬結(jié)果為數(shù)據(jù)源,采用ELM和SVM來(lái)構(gòu)建爐膛燃燒的回歸模型,根據(jù)溫度、速度和氮氧化物濃度的回歸結(jié)果表明該方法效果較好。基于前述的鍋爐穩(wěn)態(tài)判別,應(yīng)用此模型對(duì)當(dāng)前的工況進(jìn)行計(jì)算,快速獲得當(dāng)前的溫度、速度、成分濃度的分布,使運(yùn)行人員實(shí)時(shí)掌握燃燒狀態(tài)。鍋爐輔機(jī)主要包括磨煤機(jī)、風(fēng)機(jī)、給水泵等,根據(jù)對(duì)其故障樹(shù)的分析可知振動(dòng)是設(shè)備故障的主要原因之一。分析其振動(dòng)的特征,本文提出了結(jié)合相空間重構(gòu)和極限學(xué)習(xí)機(jī)的振動(dòng)軟測(cè)量方法,并以磨煤機(jī)的振動(dòng)烈度為例,對(duì)該方法的結(jié)果進(jìn)行驗(yàn)證分析,證明該方法具有較高的精度。對(duì)于其他重要的輔機(jī)參數(shù),本文開(kāi)發(fā)了基于ARMAX時(shí)序參數(shù)回歸預(yù)測(cè)的軟件工具,用戶(hù)只需簡(jiǎn)單設(shè)置即可對(duì)參數(shù)進(jìn)行趨勢(shì)預(yù)測(cè)。
[Abstract]:In recent years, with the rise of clean energy and the promulgation of new emission standards, the traditional thermal power units take on more peak-shaving tasks, carry out a large number of environmental protection reforms, and often operate in off-design conditions. This will bring a severe test to the safe and reliable operation of boiler system equipment. Under this background, on-line real-time monitoring of the running state of the main engine and auxiliary machine of the boiler will be carried out, and then the on-line diagnosis and prediction can be realized. This paper attempts to introduce the machine learning method to establish the condition monitoring model of the boiler main and auxiliary machine. Firstly, the method of judging the steady state of the furnace based on clustering is adopted. Through collecting a large number of running history data, introducing K-Means method and fast searching peak density method, the steady-state discriminant model is established. The results show that the improved fast searching peak density method is effective in modeling, and the determination of furnace steady-state provides a state basis for monitoring the combustion state of the main engine below. Only on the basis of steady state can the combustion state of main engine be monitored. The key problem of boiler mainframe condition monitoring is the on-line monitoring of combustion state in furnace. In this paper, a method of furnace internal monitoring based on numerical simulation and machine learning is proposed. Firstly, the furnace is modeled, meshed, and simulated conditions are set up as much as possible, and then the simulation results are used as the data source. The regression model of furnace combustion is constructed by using ELM and SVM. According to the regression results of temperature, velocity and nitrogen oxide concentration, the method is proved to be effective. Based on the steady-state discrimination of boiler, the model is used to calculate the current working conditions. The distribution of current temperature, speed, composition and concentration can be obtained quickly, so that the operators can grasp the burning state in real time. The boiler auxiliary machinery mainly includes coal mill, fan, feed water pump and so on. According to the analysis of the fault tree, the vibration is one of the main reasons of the equipment fault. After analyzing the characteristics of the vibration, this paper puts forward the method of vibration soft sensing combined with the phase space reconstruction and the ultimate learning machine, and takes the vibration intensity of the coal mill as an example. The results of this method are verified and analyzed, and it is proved that the method has high precision. For other important auxiliary machine parameters, a software tool based on ARMAX time series parameter regression prediction is developed in this paper. The user can predict the trend of the parameters simply by setting them up.
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TM621.2

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張洋;;張敏靈:勇拓機(jī)器學(xué)習(xí)研究新航程[J];中國(guó)發(fā)明與專(zhuān)利;2012年12期

2 羅霖;;大規(guī)模機(jī)器學(xué)習(xí)問(wèn)題研究[J];艦船電子工程;2013年02期

3 蔡慶生;一種機(jī)器學(xué)習(xí)發(fā)現(xiàn)系統(tǒng)[J];北京理工大學(xué)學(xué)報(bào);1990年S2期

4 陳新中,王道平,王建斌;故障診斷專(zhuān)家系統(tǒng)中機(jī)器學(xué)習(xí)方法的研究[J];西安建筑科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2000年01期

5 柏宏權(quán);韓慶年;;機(jī)器學(xué)習(xí)在適應(yīng)性教學(xué)系統(tǒng)中的應(yīng)用研究[J];南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版);2007年04期

6 羅兵;甘俊英;章云;;自動(dòng)質(zhì)量檢測(cè)中的分層機(jī)器學(xué)習(xí)方法[J];儀器儀表學(xué)報(bào);2007年12期

7 張龍璨;柳斌;李芝棠;;機(jī)器學(xué)習(xí)分類(lèi)下網(wǎng)絡(luò)流量的特征選取[J];廣西大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年S1期

8 趙正晚;孫潔;祝熠英;;一種面向機(jī)器學(xué)習(xí)的情境識(shí)別機(jī)制[J];寧波工程學(xué)院學(xué)報(bào);2011年04期

9 孫承意,謝克明,程明琦;基于思維進(jìn)化機(jī)器學(xué)習(xí)的框架及新進(jìn)展[J];太原理工大學(xué)學(xué)報(bào);1999年05期

10 于振洋;;回歸模型中基于機(jī)器學(xué)習(xí)的流量預(yù)測(cè)算法[J];淮海工學(xué)院學(xué)報(bào)(自然科學(xué)版);2012年01期

相關(guān)會(huì)議論文 前10條

1 王玨;;歸納機(jī)器學(xué)習(xí)[A];2001年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2001年

2 王昊;李銀波;紀(jì)志梁;;利用機(jī)器學(xué)習(xí)方法預(yù)測(cè)嚴(yán)重藥物不良反應(yīng)-呼吸困難[A];中國(guó)化學(xué)會(huì)第28屆學(xué)術(shù)年會(huì)第13分會(huì)場(chǎng)摘要集[C];2012年

3 吳滄浦;;智能系統(tǒng)與機(jī)器學(xué)習(xí)的新領(lǐng)域[A];西部大開(kāi)發(fā) 科教先行與可持續(xù)發(fā)展——中國(guó)科協(xié)2000年學(xué)術(shù)年會(huì)文集[C];2000年

4 周晴杰;徐立鴻;吳啟迪;;機(jī)器學(xué)習(xí)串級(jí)結(jié)構(gòu)的初步探討[A];1998年中國(guó)控制會(huì)議論文集[C];1998年

5 李剛;郭崇慧;林鴻飛;楊志豪;唐煥文;;基于詞典法和機(jī)器學(xué)習(xí)法相結(jié)合的蛋白質(zhì)名識(shí)別[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

6 徐禮勝;李乃民;王寬全;張冬雨;耿斌;姜曉睿;陳超海;羅貴存;;機(jī)器學(xué)習(xí)在中醫(yī)計(jì)算機(jī)診斷識(shí)別系統(tǒng)中的應(yīng)用思考[A];第一屆全國(guó)中西醫(yī)結(jié)合診斷學(xué)術(shù)會(huì)議論文選集[C];2006年

7 蔡健平;林世平;;基于機(jī)器學(xué)習(xí)的詞語(yǔ)和句子極性分析[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

8 黃金鐵;李景銀;周建常;;對(duì)高爐爐況評(píng)價(jià)模型參數(shù)的機(jī)器學(xué)習(xí)——一個(gè)三類(lèi)線(xiàn)性模式分類(lèi)器的實(shí)現(xiàn)[A];1995中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1995年

9 程國(guó)建;蔡磊;潘華賢;;核向量機(jī)在大規(guī)模機(jī)器學(xué)習(xí)中的應(yīng)用[A];第十一屆中國(guó)青年信息與管理學(xué)者大會(huì)論文集[C];2009年

10 張鈸;張鈴;;統(tǒng)計(jì)學(xué)習(xí)理論及其應(yīng)用[A];2001年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2001年

相關(guān)重要報(bào)紙文章 前10條

1 黎驪/文 [美] Tom M.Mitchell 著;機(jī)器學(xué)習(xí)與智能化社會(huì)[N];中國(guó)郵政報(bào);2003年

2 IBM大數(shù)據(jù)專(zhuān)家 James Kobielus　范范 編譯;機(jī)器學(xué)習(xí)已成為大數(shù)據(jù)基石[N];網(wǎng)絡(luò)世界;2014年

3 本報(bào)記者 房琳琳;合久必分：分布式“機(jī)器學(xué)習(xí)”應(yīng)運(yùn)而生[N];科技日?qǐng)?bào);2014年

4 雨辰;機(jī)器學(xué)習(xí)類(lèi)圖書(shū)為什么火爆[N];中華讀書(shū)報(bào);2014年

5 百度公司技術(shù)副總監(jiān) 多媒體部負(fù)責(zé)人 余凱;深度學(xué)習(xí)與多媒體搜索技術(shù)演進(jìn)[N];中國(guó)信息化周報(bào);2013年

6 本報(bào)記者 余建斌;機(jī)器學(xué)習(xí)與互聯(lián)網(wǎng)搜索[N];人民日?qǐng)?bào);2011年

7 本報(bào)記者 張曄邋通訊員 李瑋;周志華：永不墨守成規(guī)[N];科技日?qǐng)?bào);2008年

8 記者　 彭德倩;機(jī)器學(xué)習(xí)精度提升近6個(gè)百分點(diǎn)[N];解放日?qǐng)?bào);2006年

9 本報(bào)記者 閔杰;大數(shù)據(jù)熱 高端人才缺[N];中國(guó)電子報(bào);2013年

10 沈建苗 編譯;如何成為大數(shù)據(jù)科學(xué)家[N];計(jì)算機(jī)世界;2013年

相關(guān)博士學(xué)位論文 前10條

1 董春茹;機(jī)器學(xué)習(xí)中的權(quán)重學(xué)習(xí)與差分演化[D];華南理工大學(xué);2015年

2 姚明臣;機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中的若干問(wèn)題研究[D];大連理工大學(xué);2016年

3 趙玉鵬;機(jī)器學(xué)習(xí)的哲學(xué)探索[D];大連理工大學(xué);2010年

4 胡巍;面向格結(jié)構(gòu)的機(jī)器學(xué)習(xí)[D];上海交通大學(xué);2009年

5 張義榮;基于機(jī)器學(xué)習(xí)的入侵檢測(cè)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2005年

6 錢(qián)線(xiàn);快速精確的結(jié)構(gòu)化機(jī)器學(xué)習(xí)方法研究[D];復(fù)旦大學(xué);2010年

7 梁錫軍;稀疏優(yōu)化在機(jī)器學(xué)習(xí)中的若干應(yīng)用[D];大連理工大學(xué);2013年

8 蔣剛;核機(jī)器學(xué)習(xí)方法若干問(wèn)題研究[D];西南交通大學(xué);2006年

9 陳慧靈;面向智能決策問(wèn)題的機(jī)器學(xué)習(xí)方法研究[D];吉林大學(xué);2012年

10 周偉達(dá);核機(jī)器學(xué)習(xí)方法研究[D];西安電子科技大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 毛海斌;基于半監(jiān)督機(jī)器學(xué)習(xí)的情感分類(lèi)領(lǐng)域適應(yīng)問(wèn)題研究[D];南京理工大學(xué);2015年

2 安軍輝;基于微博數(shù)據(jù)的微博用戶(hù)性別判斷研究[D];華中師范大學(xué);2015年

3 陳召陽(yáng);基于機(jī)器學(xué)習(xí)的改性麥槽吸附重金屬構(gòu)效關(guān)系模型研究[D];江西理工大學(xué);2014年

4 王成;基于半監(jiān)督機(jī)器學(xué)習(xí)的文本情感分析技術(shù)[D];南京理工大學(xué);2015年

5 孫科;基于Spark的機(jī)器學(xué)習(xí)應(yīng)用框架研究與實(shí)現(xiàn)[D];上海交通大學(xué);2015年

6 劉江龍;基于機(jī)器學(xué)習(xí)的射頻指紋定位方法研究[D];電子科技大學(xué);2015年

7 張蕾;基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)輿情采集技術(shù)研究與設(shè)計(jì)[D];電子科技大學(xué);2014年

8 施宇;基于數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的木馬檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

9 施應(yīng)敏;基于機(jī)器學(xué)習(xí)的Femtocell信道頻譜與功率資源分配算法的研究[D];南京郵電大學(xué);2015年

10 裴松年;基于機(jī)器學(xué)習(xí)的分類(lèi)算法研究[D];中北大學(xué);2016年

，

本文編號(hào)：1582327