基于改进Murphy规则的锅炉智能融合故障诊断方法

发布时间：2021-07-08 08:08

　　锅炉故障是火力发电厂的一个重要问题,它具有高温高压高耦合性的特点。针对这一问题,提出一种基于改进Murphy规则的智能融合故障诊断方法。首先利用Relief算法对锅炉的各个变量进行特征提取与选择,获得11个模型输入变量;然后利用SVM、LVQ、 PNN、BP 4种不同的分类器进行故障模型训练,并对每个模型进行性能评估;最后利用改进Murphy规则对4个分类器的结果进行融合,得到最终的故障诊断结果。运行结果证实该智能融合故障诊断方法可以有效诊断出锅炉故障,提高故障诊断的准确率,有效降低故障诊断的误报率与漏报率。 

【文章来源】：中国测试. 2020,46(07)北大核心

【文章页数】：8 页

【部分图文】：

BP网络结构

BP分类结果

随着机器学习，智能算法技术的飞速发展，已经有越来越多的数据分析技术被应用到了锅炉设备智能故障诊断中[6-8]，但值得注意的是没有哪种机器学习技术可以适合所有的模式识别，即使一种先进的智能学习技术可以完美地用于某些分类任务，但在其他情况下，它的性能可能不理想。为了提高故障检测系统的可靠性，把不同的智能分类器通过适当的融合技术组合在一起，以构建可靠的高质量分类器，提高智能融合故障诊断系统的诊断准确率。如图1所示，本系统利用SVM、LVQ、PNN、BP 4种不同的分类器并行工作，然后利用改进Murphy规则进行融合建立智能融合故障诊断系统进行故障检测。2 故障特征提取

【参考文献】：
期刊论文
[1]多源信息融合技术研究综述[J]. 李洋,赵鸣,徐梦瑶,刘云飞,钱雨辰.  智能计算机与应用. 2019(05)
[2]基于改进Jousselme证据距离的多传感器决策融合方法[J]. 张雅媛,孙力帆,郑国强.  仪表技术与传感器. 2019(07)
[3]基于多信息融合的变压器故障诊断[J]. 袁海满,吴广宁.  高压电器. 2018(09)
[4]基于大数据的火力发电远程监督诊断的研究与应用[J]. 李金拓.  仪器仪表用户. 2018(10)
[5]PNN神经网络模型在变压器故障诊断建模中的应用[J]. 岳军,黄诚,任瑞云.  自动化技术与应用. 2016(10)
[6]基于证据距离和模糊熵的加权证据融合新方法[J]. 侯晓东,蔡斌斌,金炜东,段旺旺.  广西师范大学学报(自然科学版). 2015(01)



本文编号：3271186