热工过程海量数据流模型分析及诊断方法研究

发布时间：2020-09-16 13:31

　　热工过程中的故障不仅会影响机组的发电效率,而且可能引发严重的设备事故、机组非停和环境污染。故障诊断技术能够及时发现并消除生产运行过程中的异常状态,已成为提高热工过程安全性和可靠性的一项重要途径。热工过程实时数据流不但为过程监控提供信息基础,所形成海量历史数据也为过程的诊断与分析提供了基础条件,在此基础上开展的数据建模及诊断方法研究具有重要的现实意义和工程实用价值。本文围绕热工过程数据驱动建模与过程诊断方法开展研究工作,主要研究内容如下:(1)提出了一种基于MITNN(Modified input training neural network)的非线性建模方法,该方法采用NAG(Nesterov’s accelerated gradient algorithm)方法建立了高效的动量因子和学习率自适应调整机制,有效提高了常规ITNN(Input training neural network)模型的训练速率和训练精度。(2)针对数据驱动建模过程中的“过拟合”问题,提出了一种新的融合过程先验知识的FITNN(Fusion input training neural network)非线性建模方法,建立了拉格朗日罚函数法约束处理机制,采用等式、不等式、单调性和凹凸性约束等数学形式将机理先验知识嵌入到网络训练过程中,通过NAG方法完成网络权值优化。进一步引入松弛变量扩大了罚函数的优化空间,有效降低了网络权重的寻优难度。通过仿真算例和工程算例说明所提算法的有效性。(3)针对故障诊断过程中的“残差污染”问题,提出了一种基于重构神经网络的非线性系统故障诊断方法,将预设故障方向引入到常规AANN(Auto-associative neural network)和ITNN两种方法的诊断过程中,分别建立了AANN和ITNN模型的重构指数计算公式,通过分析不同预设故障方向下的重构指数来定位故障点位置。文中进一步给出了基于RBITNN(Reconstruction-based input training neural network)方法的故障诊断流程,可满足单参数简单故障和多参数复杂故障的诊断要求,仿真算例验证了所提算法的优越性。(4)提出了一种基于协方差矩阵自适应进化策略(Covariance Matrix Adaptation Evolution Strategy,CMA-ES)和分支限界算法的IRBITNN(Improved reconstruction-based input training neural network)故障诊断方法,一方面采用CMA-ES方法取代递推下降方法,提高了RBITNN对单个故障参数组合的重构效率,另一方面建立了RBITNN重构指数与预设故障参数数量的单调性模型,采用分支限界算法方法实现了故障分离过程中的参数组合优化,在确保诊断准确性的前提下显著减少了故障分离时间。将该方法应用于某燃气蒸汽联合循环机组的故障诊断,仿真算例验证了所提方法的有效性,能够满足在线诊断的要求。
【学位单位】：东南大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：TM621

【参考文献】