基于神经网络的燃气轮机故障诊断系统设计与实现

发布时间：2017-09-02 23:26

  本文关键词：基于神经网络的燃气轮机故障诊断系统设计与实现

  更多相关文章： 燃气轮机 涡轮叶片 人工神经网络 OHF Elman 粗糙集

【摘要】：燃气轮机是目前重要的大型设备动力装置之一,在工业领域中得到了极为广泛的应用。燃气轮机因为结构错综复杂、工作环境十分恶劣,其部件很容易发生各类故障,将会直接影响整个设备的正常运转,造成重大的经济损失,甚至会危及到人身安全,因此,对燃气轮机进行故障诊断具有重大意义。涡轮叶片是燃气轮机运行的关键部件,长时间工作在高温高压环境下,极易发生故障,其是否能够正常工作直接影响整个设备的稳定,因此,将涡轮叶片作为燃气轮机的重点部位进行故障诊断技术的研究具有重要的实际工程意义。本文查阅并分析了大量动态系统的故障诊断技术,针对涡轮叶片的特点,着重探讨人工神经网络在叶片故障诊断中的有效性。同时,构建了基于回归神经网络的燃气轮机故障诊断系统。本文主要完成的工作包括:1)对燃气轮机及关键部件的失效退化原因进行详细研究,依据有关文献和燃气轮机实际运行情况资料对故障模式原理及其危害进行总结。对燃气轮机的涡轮叶片失效机理进行分析,建立燃气轮机涡轮叶片失效的故障树模型,基于故障树的燃气轮机故障模式分析对故障事件层次关系具有清晰化的效果。2)提出一种改进的Elman神经网络的故障诊断方法,提高诊断结果的准确性。采用人工神经网络(Artificial Neural Network,ANN)中的静态网络和动态网络分别对涡轮叶片故障进行诊断,Elman人工神经网络因其具有较好的动态特性从而表现出更优的测试结果。为提高诊断精度,进一步优化Elman网络的结构,通过添加可调权值,引入与当前时刻期望输出相关的前一时刻各层之间的传递数据,即OHF Elman神经网络,进一步提高了实验结果的准确性。3)提出融合粗糙集(Rough Set,RS)的OHF Elman人工神经网络故障诊断模型,提高故障诊断的效率和精度。利用粗糙集理论减少输入特征向量的维度,消除冗余信息,避免出现神经网络输入向量过大而降低网络训练速率和精度的现象,减少训练时间和计算量,从而提高神经网络对训练样本的学习效率。同时,神经网络处理粗糙集的后续工作,抑制了噪声对诊断模型的影响,提高了网络模型的学习与泛化能力。二者相互结合并协同工作,提高了故障诊断的水平。4)设计并实现了基于回归神经网络的燃气轮机故障诊断系统。系统可对燃气轮机采集数据进行显示、存储,并通过诊断模块对燃气轮机涡轮叶片的故障进行识别,为技术人员提供了技术支持,从而节省维护设备的成本。
【关键词】：燃气轮机 涡轮叶片 人工神经网络 OHF Elman 粗糙集
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP183;TK478
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-17
• 1.1 课题背景及研究意义9-10
• 1.2 国内外研究现状10-14
• 1.2.1 燃气轮机故障诊断技术10-13
• 1.2.2 燃气轮机故障诊断系统13-14
• 1.3 研究目标与内容14-15
• 1.4 论文的结构与安排15-17
• 第2章 燃气轮机工作原理及故障模式的研究17-27
• 2.1 燃气轮机简介17-18
• 2.2 燃气轮机工作原理18-19
• 2.3 燃气轮机的典型故障19-21
• 2.3.1 燃气轮机主要失效机理19-20
• 2.3.2 燃气轮机主要部件故障类型及成因20-21
• 2.4 燃气轮机叶片故障原因分析21-22
• 2.4.1 涡轮叶片简介21-22
• 2.4.2 涡轮叶片失效模式22
• 2.5 燃气轮机涡轮叶片故障树分析模型22-26
• 2.5.1 故障树分析法简介23-24
• 2.5.2 涡轮叶片故障树模型24-26
• 2.6 本章小结26-27
• 第3章 基于神经网络的燃气轮机故障诊断模型的建立27-57
• 3.1 人工神经网络简介27-34
• 3.1.1 神经网络的发展及应用27-28
• 3.1.2 神经网络理论28-34
• 3.2 BP神经网络34-38
• 3.2.1 BP神经网络模型34-35
• 3.2.2 BP网络学习算法35-38
• 3.3 Elman神经网络38-42
• 3.3.1 Elman网络结构38-39
• 3.3.2 Elman网络学习过程39-40
• 3.3.3 Elman网络学习算法40-42
• 3.4 OHF Elman神经网络42-45
• 3.4.1 OHF Elman网络结构及数学模型42-43
• 3.4.2 OHF Elman网络学习算法43-45
• 3.5 实验过程与结果分析45-55
• 3.5.1 提取故障信号的特征向量45-50
• 3.5.2 建立神经网络模型50
• 3.5.3 神经网络的设计50-54
• 3.5.4 实验结果对比54-55
• 3.6 本章小结55-57
• 第4章 基于RS-OHF Elman神经网络的故障诊断57-69
• 4.1 粗糙集理论57-60
• 4.1.1 粗糙集的基本概念57-59
• 4.1.2 粗糙集的知识推理过程59-60
• 4.2 粗糙集与神经网络中数据的预处理60-61
• 4.2.1 粗糙集连续属性的离散化60
• 4.2.2 分块决策表的属性约简方法60-61
• 4.3 基于RS-OHF Elman神经网络在燃气轮机故障诊断中的应用61-66
• 4.3.1 决策信息表的建立61-62
• 4.3.2 属性约减62-65
• 4.3.3 RS-OHF Elman神经网络的诊断结果65-66
• 4.4 Elman与改进Elman网络在燃气轮机故障诊断中应用的比较66-67
• 4.5 本章小结67-69
• 第5章 燃气轮机涡轮叶片故障诊断系统69-77
• 5.1 系统设计及开发环境69-71
• 5.1.1 系统需求分析69
• 5.1.2 系统总体框架69-70
• 5.1.3 系统开发环境70-71
• 5.2 燃气轮机诊断系统的设计与实现71-75
• 5.2.1 数据库设计71-72
• 5.2.2 系统界面72-75
• 5.3 本章小结75-77
• 结论77-79
• 参考文献79-85
• 攻读硕士学位期间所发表的学术论文85-87
• 攻读硕士学位期间参加的科研活动和获得的奖励87-89
• 致谢89

【相似文献】

中国期刊全文数据库 前10条

1 杨朔;蒋磊;;基于热力参数的燃气轮机故障诊断数学模型的研究[J];科学技术与工程;2008年04期

2 蒋磊;杨朔;;子方阵法在燃气轮机故障数学模型建立过程中的应用[J];科学技术与工程;2008年06期

3 贺星;孙丰瑞;刘永葆;周密;;基于热力学第二定律的燃气轮机故障性能研究[J];燃气轮机技术;2009年01期

4 蒋磊;陈e，

本文编号：781524