CN105279553A - 一种高加给水系统故障程度识别方法 - Google Patents
一种高加给水系统故障程度识别方法 Download PDFInfo
- Publication number
- CN105279553A CN105279553A CN201510631395.XA CN201510631395A CN105279553A CN 105279553 A CN105279553 A CN 105279553A CN 201510631395 A CN201510631395 A CN 201510631395A CN 105279553 A CN105279553 A CN 105279553A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- output
- node
- severity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了属于热力系统故障诊断技术领域的一种高加给水系统故障程度识别方法。获取不同类型、不同严重程度的故障样本,并进行标准化处理;利用不同类型的故障样本建立概率神经网络故障诊断模型;针对每一类故障,建立前向神经网络程度识别模型;概率神经网络故障诊断模型中输入实时故障样本数据,输出故障类型;选择与故障类型相对应的前向神经网络程度识别模型;在选定的前向神经网络程度识别模型中连续输入实时故障样本数据,前向神经网络识别并输出故障严重程度;显示故障类型与故障严重程度。诊断速度快、识别精度高;能有效识别故障的严重程度,并给出故障严重程度数值;可用于额定工况、不同稳态工况及变工况下高加给水系统故障诊断。
Description
技术领域
本发明属于热力系统故障诊断技术领域,特别涉及一种高加给水系统故障程度识别方法。
背景技术
在大型火电机组热力系统中,高加给水系统工作环境恶劣,长期承受高温高压的给水和汽轮机抽汽的冲刷,运行中还受到机组负荷突变、旁路切换等因素的影响,易发生内部泄漏、短路等故障。高加给水系统频发故障,不仅降低机组运行的经济性,严重时会危及汽轮机本体及机组运行人员的安全。因此,对高加给水系统进行实时监测和故障诊断十分必要。随着对系统安全性和可靠性要求的进一步提高,人们不仅希望在高加给水系统发生故障后能够对故障进行诊断,更希望能够根据系统运行状态或早期的故障征兆,按故障的严重程度和发展趋势制定合理的维修策略和检修方案,以缩短设备维修的时间,提高设备利用率,减少设备停机时间,延长机组寿命。
目前高加给水系统故障诊断方法主要有人工神经网络、模糊模式识别、故障树、多元统计、支持向量机、因果图等。现有方法将高加给水系统故障诊断视为模式识别问题,根据选定的故障特征参数,仅能诊断故障的类型,并不能识别故障的严重程度。另外,现有方法往往是在系统运行稳定后,假定高压加热器的汽、水参数基本不变的前提下,对某一具体高压加热器进行定性的、孤立的分析,没有从故障发生后高加给水系统运行参数的整体变化规律考虑。
本发明提出一种高加给水系统故障程度识别方法,建立了两级神经网络集成诊断模型,一级用于诊断故障类型,二级用于识别故障的严重程度,具有较高的诊断速度和精度,并能有效识别故障的严重程度;可适用于额定工况、不同稳态工况以及变工况动态过程故障诊断。
发明内容
本发明的目的在于提出一种高加给水系统故障程度识别方法,其特征在于,包括如下步骤:
1)获取高加给水系统不同类型、不同严重程度的故障样本,并对故障样本进行标准化处理;
2)利用步骤1)得到的不同类型的故障样本确定概率神经网络结构,建立概率神经网络,训练概率神经网络,在训练过程中,采用粒子群算法优化概率神经网络的参数,对训练好的概率神经网络进行测试以建立概率神经网络故障诊断模型;
3)针对每一类故障,利用步骤1)得到的不同严重程度的故障样本确定前向神经网络结构,建立前向神经网络,训练前向神经网络以确定其权值和阈值;对训练好的前向神经网络进行测试以建立前向神经网络程度识别模型;
4)在建立好的概率神经网络故障诊断模型中输入采集到的实时故障样本数据,输出故障类型;
5)根据步骤4)输出的故障类型,选择与之相对应的前向神经网络程度识别模型;
6)在选定的前向神经网络程度识别模型中连续输入实时故障样本数据,前向神经网络识别并输出故障严重程度;
7)显示高加给水系统的故障类型与故障严重程度。
所述输出故障严重程度的具体步骤为:
步骤201:确定前向神经网络输出层节点的输出,计算公式为:
式(1)中,Oi(k)为前向神经网络第i个输出节点在第k次的输出;n为输出层节点数目;
步骤202:在前向神经网络的所有输出层节点中选择输出值最大的节点l,计算公式为:
Ol(k)=max{Oi(k)}i=1,2,...,n(2)
式(2)中,Ol(k)为前向神经网络第l个输出节点在第k次的输出;
步骤203:在输出层节点中,确定输出值最大节点l的相邻节点l-1和l+1;
步骤204:从相邻节点中选择输出值更大的节点g,公式为:
Og(k)=max{Ol-1(k),Ol+1(k)}(3)
式(3)中,Og(k)为前向神经网络第g个输出节点在第k次的输出;
步骤205:计算故障的严重程度,公式如下:
式(4)中,S为故障的严重程度;M为输出层节点l对应的故障严重程度;N为输出层节点g对应的故障严重程度;
步骤206:输出故障严重程度的具体数值。
本发明的有益效果是针对目前高加给水系统故障诊断方法仅能诊断故障的类型,并不能识别故障的严重程度、没有考虑故障发生后高加给水系统运行参数的整体变化规律的问题,提出了一种高加给水系统故障程度识别方法;将高加给水系统作为整体考虑,采用概率神经网络诊断故障类型,具有较高的诊断速度和精度;采用前向神经网络有效识别故障的严重程度,并能给出故障严重程度的具体数值;可用于额定工况、不同稳态工况以及变工况动态过程故障诊断,在高加给水系统在线故障诊断中具有广泛的适用性。
附图说明
图1为一种高加给水系统故障程度识别方法流程图。
具体实施方式
本发明提出一种高加给水系统故障程度识别方法,下面结合附图和具体实施例对本发明作详细说明。
图1所示为一种高加给水系统故障程度识别方法流程图,包括如下步骤:
1)获取高加给水系统不同类型、不同严重程度的故障样本,并对故障样本进行标准化处理;
2)利用步骤1)得到的不同类型的故障样本确定概率神经网络结构,建立概率神经网络,训练概率神经网络,在训练过程中,采用粒子群算法优化概率神经网络的参数,对训练好的概率神经网络进行测试以建立概率神经网络故障诊断模型;
3)针对每一类故障,利用步骤1)得到的不同严重程度的故障样本确定前向神经网络结构,建立前向神经网络,训练前向神经网络以确定其权值和阈值;对训练好的前向神经网络进行测试以建立前向神经网络程度识别模型;
4)在建立好的概率神经网络故障诊断模型中输入采集到的实时故障样本数据,输出故障类型;
5)根据步骤4)输出的故障类型,选择与之相对应的前向神经网络程度识别模型;
6)在选定的前向神经网络程度识别模型中连续输入实时故障样本数据,前向神经网络识别并输出故障严重程度;
7)显示高加给水系统的故障类型与故障严重程度。
其中,输出故障严重程度的具体步骤为:
步骤201:确定前向神经网络输出层节点的输出,计算公式为:
式(1)中,Oi(k)为前向神经网络第i个输出节点在第k次的输出;n为输出层节点数目;
步骤202:在前向神经网络的所有输出层节点中选择输出值最大的节点l,计算公式为:
Ol(k)=max{Oi(k)}i=1,2,...,n(2)
式(2)中,Ol(k)为前向神经网络第l个输出节点在第k次的输出;
步骤203:在输出层节点中,确定输出值最大节点l的相邻节点l-1和l+1;
步骤204:从相邻节点中选择输出值更大的节点g,公式为:
Og(k)=max{Ol-1(k),Ol+1(k)}(3)
式(3)中,Og(k)为前向神经网络第g个输出节点在第k次的输出;
步骤205:计算故障的严重程度,公式如下:
式(4)中,S为故障的严重程度;M为输出层节点l对应的故障严重程度;N为输出层节点g对应的故障严重程度;
步骤206:输出故障严重程度的具体数值。
本发明以某600MW火电机组高加给水系统为实施例,3台高压加热器按抽汽口压力由高到低依次称为#1高压加热器、#2高压加热器和#3高压加热器;各高压加热器传热方式均为过热-凝结-疏冷3段式,疏水均为逐级自流,正常疏水和危急疏水调节阀均由协调控制系统控制。根据理论分析和运行经验,高压加热器的故障主要集中在管系泄漏和进出水室短路两类重要故障,因此重点研究这两类故障的严重程度识别;从高加给水系统整体考虑,分析故障发生后高加给水系统运行参数的整体变化规律,相应地选择各高加给水端差、疏水端差、给水温升、调门总开度共12个故障特征参数。
借助火电机组仿真系统,在额定工况(600MW)下在对各高压加热器的管系泄漏故障和进出水室短路故障进行详细的仿真实验。管系泄漏故障分别选取泄漏程度为1%、3%、5%、7%、9%的故障;进出水室短路故障分别选取故障程度为10%、20%、30%、40%、50%的故障。分别获取5种不同程度的管系泄漏故障样本,每种故障程度200个样本,共1000个样本;5种不同程度的进出水室短路故障样本,每种故障程度200个样本,共1000个样本,并对故障样本进行标准化处理。
概率神经网络的结构为4层,其中输入层12个节点,输出层1个节点。每类故障样本中选择75%用于训练,25%用于测试。采用训练样本训练概率神经网络,在训练过程中,运用粒子群算法优化概率神经网络的参数,然后用测试样本对训练好的概率神经网络进行测试,以建立概率神经网络故障诊断模型。粒子群算法中:种群规模为30,惯性权重从0.9线性下降到0.5,学习因子为2.0,最大迭代次数为1000。
前向神经网络的结构为4层,其中输入层12个节点,输出层5个节点,隐含层采用双隐层结构,每个隐层15个节点。分别针对每一类故障,利用不同严重程度的故障样本建立前向神经网络,训练前向神经网络以确定其权值和阈值;对训练好的前向神经网络进行测试以建立前向神经网络程度识别模型,用于识别每一类故障的严重程度。选取每种程度故障样本75%用于训练前向神经网络,25%用于测试前向神经网络的性能。
采集实时故障样本数据,送入概率神经网络故障诊断模型,概率神经网络故障诊断模型输出故障的类型;根据故障的具体类型,选择与故障类型相对应的前向神经网络程度识别模型;将实时故障样本数据连续输入选定的前向神经网络程度识别模型,前向神经网络识别故障的严重程度,并输出故障严重程度的具体数值;最后,显示故障类型与故障的严重程度。
为了方便比较,分别采用本发明提出的故障程度识别方法、人工神经网络故障诊断方法、支持向量机故障诊断方法进行高加给水系统的故障诊断;三种方法的故障诊断精度比较如表1所示。
表1三种故障诊断方法的诊断精度比较
由表1可以看出,本发明提出的故障程度识别方法能够准确地诊断高加给水系统的故障类型,其故障诊断性能明显优于其他两种故障诊断方法。
采用本发明提出的故障程度识别方法进行高加给水系统的故障诊断,其故障严重程度识别结果的绝对误差如表2所示。
表2故障严重程度识别结果的绝对误差
故障类型 | 故障严重程度识别结果的绝对误差 |
#1高压加热器管系泄漏故障 | 0.628 |
#2高压加热器管系泄漏故障 | 1.213 |
#3高压加热器管系泄漏故障 | 1.753 |
#1高压加热器进出水室短路故障 | 4.625 |
#2高压加热器进出水室短路故障 | 5.327 |
#3高压加热器进出水室短路故障 | 5.639 |
由表2可以看出,本发明提出的故障程度识别方法能够有效识别高加给水系统故障的严重程度,并且能够给出精确的故障严重程度数值。
本发明提出了一种高加给水系统故障程度识别方法,将高加给水系统作为整体考虑,采用概率神经网络诊断故障类型,具有较高的诊断速度和精度;采用前向神经网络有效识别故障的严重程度,并能给出故障严重程度的具体数值;可用于额定工况、不同稳态工况以及变工况动态过程故障诊断,在高加给水系统在线故障诊断中具有广泛的适用性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种高加给水系统故障程度识别方法,其特征在于,包括如下步骤:
1)获取高加给水系统不同类型、不同严重程度的故障样本,并对故障样本进行标准化处理;
2)利用步骤1)得到的不同类型的故障样本确定概率神经网络结构,建立概率神经网络,训练概率神经网络,在训练过程中,采用粒子群算法优化概率神经网络的参数,对训练好的概率神经网络进行测试以建立概率神经网络故障诊断模型;
3)针对每一类故障,利用步骤1)得到的不同严重程度的故障样本确定前向神经网络结构,建立前向神经网络,训练前向神经网络以确定其权值和阈值,对训练好的前向神经网络进行测试以建立前向神经网络程度识别模型;
4)在建立好的概率神经网络故障诊断模型中输入采集到的实时故障样本数据,输出故障类型;
5)根据步骤4)输出的故障类型,选择与之相对应的前向神经网络程度识别模型;
6)在选定的前向神经网络程度识别模型中连续输入实时故障样本数据,前向神经网络识别并输出故障严重程度;
7)显示高加给水系统的故障类型与故障严重程度。
2.根据权利要求1所述一种高加给水系统故障识别方法,其特征在于,所述输出故障严重程度的具体步骤为:
步骤201:确定前向神经网络输出层节点的输出,计算公式为:
式(1)中,Oi(k)为前向神经网络第i个输出节点在第k次的输出;n为输出层节点数目;
步骤202:在前向神经网络的所有输出层节点中选择输出值最大的节点l,计算公式为:
Ol(k)=max{Oi(k)}i=1,2,...,n(2)
式(2)中,Ol(k)为前向神经网络第l个输出节点在第k次的输出;
步骤203:在输出层节点中,确定输出值最大节点l的相邻节点l-1和l+1;
步骤204:从相邻节点中选择输出值更大的节点g,公式为:
Og(k)=max{Ol-1(k),Ol+1(k)}(3)
式(3)中,Og(k)为前向神经网络第g个输出节点在第k次的输出;
步骤205:计算故障的严重程度,公式如下:
式(4)中,S为故障的严重程度;M为输出层节点l对应的故障严重程度;N为输出层节点g对应的故障严重程度;
步骤206:输出故障严重程度的具体数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510631395.XA CN105279553B (zh) | 2015-09-29 | 2015-09-29 | 一种高加给水系统故障程度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510631395.XA CN105279553B (zh) | 2015-09-29 | 2015-09-29 | 一种高加给水系统故障程度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105279553A true CN105279553A (zh) | 2016-01-27 |
CN105279553B CN105279553B (zh) | 2017-08-29 |
Family
ID=55148533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510631395.XA Expired - Fee Related CN105279553B (zh) | 2015-09-29 | 2015-09-29 | 一种高加给水系统故障程度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105279553B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930629A (zh) * | 2016-07-13 | 2016-09-07 | 大唐南京环保科技有限责任公司 | 一种基于海量运行数据的在线故障诊断方法 |
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
CN111624973A (zh) * | 2019-02-28 | 2020-09-04 | 北京新能源汽车股份有限公司 | 一种故障信号分级测试方法、装置及汽车 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102425777A (zh) * | 2011-11-11 | 2012-04-25 | 上海电力学院 | 过热蒸汽温度高报警状态触发故障诊断的方法 |
CN104142254A (zh) * | 2014-08-06 | 2014-11-12 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
-
2015
- 2015-09-29 CN CN201510631395.XA patent/CN105279553B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102425777A (zh) * | 2011-11-11 | 2012-04-25 | 上海电力学院 | 过热蒸汽温度高报警状态触发故障诊断的方法 |
CN104142254A (zh) * | 2014-08-06 | 2014-11-12 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
WANG XIAOXIA: "A novel ensemble classifier for fault diagnosis of thermal system under different operational conditions", 《PROCEEDINGS OF THE 34TH CHINESE CONTROL CONFERENCE》 * |
王晓霞等: "基于粒子群和最近邻的热力系统变工况动态过程故障诊断方法", 《动力工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930629A (zh) * | 2016-07-13 | 2016-09-07 | 大唐南京环保科技有限责任公司 | 一种基于海量运行数据的在线故障诊断方法 |
CN105930629B (zh) * | 2016-07-13 | 2017-09-05 | 大唐南京环保科技有限责任公司 | 一种基于海量运行数据的在线故障诊断方法 |
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
CN111624973A (zh) * | 2019-02-28 | 2020-09-04 | 北京新能源汽车股份有限公司 | 一种故障信号分级测试方法、装置及汽车 |
Also Published As
Publication number | Publication date |
---|---|
CN105279553B (zh) | 2017-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522600B (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
CN107301884B (zh) | 一种混合式核电站故障诊断方法 | |
CN105955069B (zh) | 一种基于在线仿真的核电站系统级状态监测方法 | |
Volponi et al. | The use of Kalman filter and neural network methodologies in gas turbine performance diagnostics: a comparative study | |
RU2667691C1 (ru) | Способ диагностирования неисправности и система диагностирования неисправности | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
CN109491358B (zh) | 一种面向百万千瓦超超临界机组锅炉动态信息的控制性能监测方法 | |
Ma et al. | An intelligent power plant fault diagnostics for varying degree of severity and loading conditions | |
CN112632845B (zh) | 基于数据的小型反应堆在线故障诊断方法、介质及设备 | |
CN105279553A (zh) | 一种高加给水系统故障程度识别方法 | |
Wang et al. | Improved methods of online monitoring and prediction in condensate and feed water system of nuclear power plant | |
Wang et al. | Research on anomaly detection and positioning of marine nuclear power steam turbine unit based on isolated forest | |
Zhao et al. | Gas turbine exhaust system health management based on recurrent neural networks | |
Nozari et al. | Model-based fault detection and isolation using neural networks: An industrial gas turbine case study | |
Du Rand et al. | Fault diagnosis of generation IV nuclear HTGR components–Part I: The error enthalpy–entropy graph approach | |
Li et al. | Design of comprehensive diagnosis system in nuclear power plant | |
CN116929670A (zh) | 一种基于自更新mset的高压加热器泄漏诊断方法 | |
CN113298133B (zh) | 超临界机组锅炉爆管故障诊断方法 | |
Addel-Geliel et al. | Application of model based fault detection for an industrial boiler | |
Jiang et al. | Research recognition of aircraft engine abnormal state | |
Farber et al. | Using multiple-model adaptive estimation and system identification for fault detection in nuclear power plants | |
Eustace | A real-world application of fuzzy logic and influence coefficients for gas turbine performance diagnostics | |
Zou et al. | Fault diagnosis of shield machine based on SOM-BP neural network fusion | |
Ma et al. | Process monitoring of the pneumatic control valve using canonical variate analysis | |
Jasmani et al. | Measurement Selections for Multi-Component Gas Path Diagnostics Using Analytical Approach and Measurement Subset Concept |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170829 Termination date: 20180929 |
|
CF01 | Termination of patent right due to non-payment of annual fee |