CN107340370A - 一种用于火力发电机组水汽化学故障的模糊诊断方法 - Google Patents
一种用于火力发电机组水汽化学故障的模糊诊断方法 Download PDFInfo
- Publication number
- CN107340370A CN107340370A CN201710526960.5A CN201710526960A CN107340370A CN 107340370 A CN107340370 A CN 107340370A CN 201710526960 A CN201710526960 A CN 201710526960A CN 107340370 A CN107340370 A CN 107340370A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- thermal power
- water vapor
- generation unit
- power generation
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 66
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 238000010248 power generation Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 102000003712 Complement factor B Human genes 0.000 claims description 3
- 108090000056 Complement factor B Proteins 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 239000012535 impurity Substances 0.000 description 9
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 7
- 238000005260 corrosion Methods 0.000 description 7
- 230000007797 corrosion Effects 0.000 description 7
- 239000001257 hydrogen Substances 0.000 description 7
- 229910052739 hydrogen Inorganic materials 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 229910052681 coesite Inorganic materials 0.000 description 4
- 229910052906 cristobalite Inorganic materials 0.000 description 4
- 238000012631 diagnostic technique Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000377 silicon dioxide Substances 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 4
- 229910052682 stishovite Inorganic materials 0.000 description 4
- 229910052905 tridymite Inorganic materials 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- HHXYJYBYNZMZKX-UHFFFAOYSA-N 3,4:15,16-diepoxy-7-oxo-13(16),14-clerodadien-20,12-olide-(3alpha,4alpha)-form Natural products C12CCC3C4(C)CCCC(C)(C)C4CCC3(C)C1(C)CCC1C2(C)CCC1C(=C)C HHXYJYBYNZMZKX-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1813—Specific cations in water, e.g. heavy metals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种用于火力发电机组水汽化学故障的模糊诊断方法,所述方法包括下列步骤:根据待诊断的火力发电机组水汽化学故障的类型,确定模糊诊断的监测参数,作为模糊变量;根据确定的模糊变量,构建针对火力发电机组水汽化学故障的模糊诊断的模糊规则;根据构建的模糊规则,确定每个模糊变量对应的模糊关系矩阵;记录模糊变量的具体值,根据模糊关系矩阵,进行模糊诊断推理,得到诊断结果。与现有技术相比,本发明具有诊断速度快、诊断结果较为准确以及便于实现等优点。
Description
技术领域
本发明涉及火力发电机组的故障诊断领域,尤其是涉及一种用于火力发电机组水汽化学故障的模糊诊断方法。
背景技术
在火力发电厂的热力系统中,水和蒸汽作为工作介质完成能量的传递与转换。水在锅炉中吸收燃料燃烧产生的化学能,成为具有一定热能的蒸汽;蒸汽在汽轮机中绝热膨胀做功,将热能转化为机械能;汽轮机的高速转动带动发电机运行,进一步将机械能转化为电能;做过功的低温低压蒸汽在凝汽器中冷凝为水,与补给水一起重新进入锅炉。水汽在热力系统中的往复循环因此而形成。对于火电厂水汽循环系统而言,水汽品质是直接关系到整个机组的安全稳定运行的重中之重。无论采用怎样的水处理技术,水中杂质都是不可能完全被除净的,如果水汽杂质含量在允许范围内,则不会影响设备的运行,若其超过允许范围,则会造成设备腐蚀或结垢,引起机组热损失,降低效率,甚至造成事故。火力发电厂热力设备因水汽质量不良而诱发的各类事故所造成的经济损失巨大,燃料消耗也很惊人。据统计资料表明,我国工业锅炉因结垢、腐蚀造成的经济损失达3000万元/年,多消耗燃煤1000万吨/年。某发电厂在6年的时间内,由于锅炉结垢腐蚀直接损失达250万元,少发电2亿千瓦时,折合产值达1300万元。另据统计资料表明火电厂热力设备因水汽质量不良而引起的各类事故,占火电厂总事故数量的三分之一以上。
然而,这些事故的发生并不是无法预判和避免的,水汽内的杂质对热力设备的危害是一个渐变和积累的过程,水汽品质的恶化会在表征各种化学指标的监测值上体现出异常。实现在线化学仪表监测,并采用诊断技术对水汽质量故障做出正确的判断和及时的处理,不仅能使许多事故得以避免,热力系统的安全得到更好的保障,同时还可产生巨大的经济效益。如以一台200MW的机组锅炉为例,采用诊断技术避免一次运行中爆管事故,至少能避免500万千瓦时的电量损失,即可增加2000万的产值。如果平均每年每台机组少发生一次24小时的停电,则每年可减少近1.5亿千瓦时的电量损失,减少直接经济损失约1000万元,同时带来更大的间接效益——增加5亿元以上的社会财富。据有关资料介绍,澳大利亚仅用于防止锅炉腐蚀的费用即超过350万美元/年,而用于诊断技术的费用不超过上述费用的千分之一。在线仪表在火电厂的广泛应用和诊断技术的发展使得利用系统的水质监测进行故障诊断具备了可行性,人工智能技术在故障诊断上的应用更是将此技术提升到了一个新的水平。
水汽系统中的各种水汽状态相互紧密地联接在一起,各种水汽化学指标之间具有延续性、传递性以及同步关联性,故任一环节水质的变化都会引起连锁反应,这无疑增大了化学诊断的复杂度。对于单独的人类专家而言,面对大量的水汽监测指标,仅凭一人的经验和知识所作出的判断往往是片面的和缺乏时效性的,不利于针对具体故障采取迅速而准确的处理措施。应用智能技术,构建一个囊括大量故障信息及处理措施的水汽化学故障诊断专家系统,能够准确及时地指明故障原因,为运行人员提供切实的帮助与指导。
我国对火力发电机组水汽化学故障的诊断研究仍不够深入,应用水平较低,总体来说还存在着以下问题:1.许多电厂的化学故障诊断仍靠技术人员的经验,缺乏权威性和准确性。2.对大量数据如何更有效地利用以更准确地把握实际工况,尚待进一步研究。
发明内容
本发明的目的是针对上述问题提供一种用于火力发电机组水汽化学故障的模糊诊断方法。
本发明的目的可以通过以下技术方案来实现:
一种用于火力发电机组水汽化学故障的模糊诊断方法,所述方法包括下列步骤:
1)根据待诊断的火力发电机组水汽化学故障的类型,确定模糊诊断的监测参数,作为模糊变量;
2)根据步骤1)确定的模糊变量,构建针对火力发电机组水汽化学故障的模糊诊断的模糊规则;
3)根据步骤2)构建的模糊规则,确定每个模糊变量对应的模糊关系矩阵;
4)记录步骤1)中模糊变量的具体值,根据步骤3)确定的模糊关系矩阵,进行模糊诊断推理,得到诊断结果。
所述步骤2)具体为:
21)针对待诊断火力发电机组水汽化学故障所对应的故障结果,确定模糊诊断的结论论域;
22)将步骤1)确定的所有模糊变量作为规则前件,分别对每一个模糊变量进行论域划分;
23)确定步骤22)中进行论域划分后的模糊变量与结论论域之间的关系,得到所有的模糊子集,共同构成模糊规则。
所述对每一个模糊变量进行论域划分具体为:通过查阅文献资料,得到模糊变量在不同取值时对应的火力发电机组水汽化学故障状态,继而对模糊变量进行划分。
所述步骤3)具体为:
31)根据步骤2)构建的模糊规则,得到模糊变量与结论论域之间的对应关系;
32)根据步骤31)得到的对应关系,建立每个模糊变量与结论论域中所有元素的隶属度函数;
33)将每个模糊变量对应的隶属度函数构建成矩阵形式,即为该模糊变量对应的模糊关系矩阵。
所述模糊诊断推理包括一维模糊诊断推理或多维模糊诊断推理。
所述多维模糊诊断推理具体为:
41)根据步骤3)建立的每个变量对应的模糊关系矩阵,进行一维模糊诊断推理,得到对应的诊断结果B'i;
42)求取步骤41)得到的所有诊断结果B'i的交集B',即为多维模糊诊断推理的结果。
所述模糊变量的数量不多于10个。
与现有技术相比,本发明具有以下有益效果:
(1)由于在故障诊断过程中,并非所有的概念和知识都是严格精确的,大量知识是不精确和不确定的,因此本发明通过模糊诊断方法,将大部分不确定的知识及其之间的关系与精确获取的监测参数进行了结合,从而得到较为准确的故障诊断结果,解决了由于大部分参数不确定而无法进行较为准确诊断的问题。
(2)通过本发明提出的诊断方法,可以对火力发电机组水汽化学故障进行一个较为系统的诊断,比起依靠技术人员的经验来进行诊断相比,该方法诊断效果更加准确,可信度更高。
(3)在进行模糊诊断推理的过程中,可以根据实际情况选择一维模糊诊断推理或多维模糊诊断推理,诊断过程灵活,实用性能强。
(4)虽然模糊变量越多,诊断结果的准确性就越强,但是过多的模糊变量会降低诊断速度,降低诊断的及时性,因而本发明方法中的模糊变量的数量不多于10个,既保证了诊断的准确性,也不会降低诊断的及时性。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明提出的一种用于火力发电机组水汽化学故障的模糊诊断方法,包括下列步骤:
1)根据待诊断的火力发电机组水汽化学故障的类型,确定模糊诊断的监测参数,作为模糊变量(模糊变量的数量不多于10个);
2)根据步骤1)确定的模糊变量,构建针对火力发电机组水汽化学故障的模糊诊断的模糊规则:
21)针对待诊断火力发电机组水汽化学故障所对应的故障结果,确定模糊诊断的结论论域;
22)将步骤1)确定的所有模糊变量作为规则前件,分别对每一个模糊变量进行论域划分,具体为:
通过查阅文献资料,得到模糊变量在不同取值时对应的火力发电机组水汽化学故障状态,继而对模糊变量进行划分;
23)确定步骤22)中进行论域划分后的模糊变量与结论论域之间的关系,得到所有的模糊子集,共同构成模糊规则;
3)根据步骤2)构建的模糊规则,确定每个模糊变量对应的模糊关系矩阵,具体为:
31)根据步骤2)构建的模糊规则,得到模糊变量与结论论域之间的对应关系;
32)根据步骤31)得到的对应关系,建立每个模糊变量与结论论域中所有元素的隶属度函数;
33)将每个模糊变量对应的隶属度函数构建成矩阵形式,即为该模糊变量对应的模糊关系矩阵;
4)记录步骤1)中模糊变量的具体值,根据步骤3)确定的模糊关系矩阵,进行模糊诊断推理(包括一维模糊诊断推理或多维模糊诊断推理),得到诊断结果,其中,多维模糊诊断推理具体为:
41)根据步骤3)建立的每个变量对应的模糊关系矩阵,进行一维模糊诊断推理,得到对应的诊断结果B'i;
42)求取步骤41)得到的所有诊断结果B'i的交集B',即为多维模糊诊断推理的结果。
根据上述步骤,以凝汽器泄漏的诊断为例来说明模糊推理算法的应用:
凝汽器泄漏是火力发电厂最主要最常发生的故障之一,轻微的凝汽器泄漏如果能够被及时发现并得以妥善处理,不会对生产产生重大深远的影响,然而若泄漏未被及时发现,那么水汽品质将急剧劣化,严重时不仅有可能导致紧急停机造成巨额经济损失,进入水汽系统的诸多杂质更是有可能加速热力系统的腐蚀、结垢和积盐,对机组正常运行造成深远影响,对安全生产埋伏下长期隐患。因此,对凝汽器泄漏的监督是火电厂化学监督中极为重要的一部分。
在与凝汽器泄漏相关的诸多检测项目中,绝大部分我们都能够通过在线仪表或实验室测试获得较为精确的值,同时,凝汽器泄漏对这些项目的影响也是整体性的,一旦凝汽器发生泄漏,大部分检测项目会迅速地表现出不正常状态,故以模糊推理思想为基础,利用这些项目的精确值对凝汽器泄漏的程度进行综合性的诊断和评判,是一个便捷、直观且准确的方法。
与凝结水泄漏直接相关的指标包括凝结水氢电导率、凝结水Na+浓度、凝结水硬度、凝结水SiO2含量、炉水Cl-浓度等五项,其它检测项目如给水氢电导率、凝结水及给水的溶解氧浓度以及铜、铁含量、炉水的pH值等,虽然也会由于凝汽器泄漏而受到非常大的影响,但都不能直接反映出凝汽器泄漏的情况,而且很有可能受到诸多其它因素的干扰。故本实施例在利用模糊推理进行凝汽器泄漏程度的判断时,只选取凝结水氢电导率、凝结水Na+浓度、凝结水硬度、凝结水SiO2含量、炉水Cl-浓度这五个监测参数。
首先,根据上述内容构建判断凝汽器泄漏程度的模糊规则。
对于模糊结论,既然是判断凝汽器泄漏程度,我们即可将凝汽器泄漏程度的结论论域V设置为{无,轻微,明显,严重}。推理结果必是基于此论域的一个模糊子集,其中包含了结论对于不同凝汽器泄漏程度的隶属度。
本实施例选取凝结水氢电导率、凝结水Na+浓度、凝结水硬度、凝结水SiO2含量、炉水Cl-浓度进行模糊推理,即此五项为规则前件中的模糊变量,其各自的论域即为各项目的可能取值,我们要先将这五个参数的论域划分为数个等级,以便于各不同取值依据其等级标准构建模糊子集。《火力发电厂水汽化学监督导则》已经对凝结水电导率和凝结水硬度作出了相应的三级处理标准规定,此二者的等级划分可以此为依据。三级处理值的含义如下:一级处理值:有因杂质造成腐蚀、结垢、积盐的可能性,应在72小时内恢复至标准值;二级处理值:肯定有因杂质造成腐蚀、结垢、积盐的可能性,应在24小时内恢复至标准值;三级处理值:正在进行快速结垢、积盐、腐蚀,如水质不好转,应在4小时内停机。
故凝结水氢电导率和凝结水硬度划分等级标准如下:
表1 凝结水氢电导率等级划分标准
表2 凝结水硬度等级划分标准
另有一部分研究资料表明:当凝结水及炉水中的杂质含量达到规定允许值的1~2倍时,可确定凝汽器发生已泄漏;当杂质含量达到规定允许值的2~4倍时,可定为明显泄漏;当杂质含量达到规定允许值的4倍以上时,可定为严重泄漏。笔者所查阅的大量相关文献所持观点也与此相吻合,经综合参考多方资料后,另三个项目的等级划分标准可确定如下:
表3 凝结水Na+浓度等级划分标准
表4 凝结水SiO2含量等级划分标准
表5 炉水Cl-浓度等级划分标准
至此,各个模糊变量的模糊子集在获得精确值的情况下可方便地得出,其模糊命题也可构建起来。如此规则前件和结论都可确定,即可获得如下综合性多维模糊规则:
在规则确定之后,模糊子集可以通过隶属函数求得,那么接下来就要确定模糊关系矩阵。通过建立每个模糊变量论域中的元素与结论论域中的每个元素的隶属度,再由这些隶属度构建成矩阵形式,即可得到每个模糊变量的模糊矩阵。
隶属度列表如下:
表6 凝结水氢电导率对于凝汽器泄漏程度的隶属度
表7 凝结水硬度对于凝汽器泄漏程度的隶属度
表8 凝结水Na+浓度对于凝汽器泄漏程度的隶属度
表9 凝结水SiO2含量对于凝汽器泄漏程度的隶属度
表10 炉水Cl-浓度对于凝汽器泄漏程度的隶属度
故可得模糊矩阵如下:
至此,对凝汽器泄漏程度进行模糊推理所需要素均已完备,在进行推理时,系统可仅通过一个参数的值,进行一维的模糊推理诊断,也可以同时由2~5个参数的检测值,进行多维推理,两者都可获得准确结论,当然,所提供的模糊变量越多,准确性越高。
现获得监测值如下:凝结水硬度H=6.2(μmol/L),凝结水cSiO2=25.8(μg/L),炉水cCl-=1.8(mg/L),试对凝汽器泄漏程度进行模糊推理诊断。
首先确定模糊子集A2’,A4’和A5’:
因为H(μmol/L)=6.2处于5.0与20.0之间,故其对于“略高”和“高”均有隶属关系,可据降半梯形分布函数求得μ略高(6.2):
μ略高(6.2)=(20.0-6.2)/(20.0-5.0)=0.92
同时可得μ高(6.2):
μ高(6.2)=1-μ略高(6.2)=0.08
从而得到模糊子集A2’=(0,0.92,0.08)。
同理可得另两个模糊子集:
A4’=(0,0.81,0.19);
A5’=(0,0.67,0.33)
利用Tsukamoto法进行多维模糊推理
利用A2’,A4’和A5’进行模糊变换求得B2’,B4’和B5’:
对三者求交集,即得:
B’=B2’∩B4’∩B5’=(0,0.38,0.41,0.08)
可见,结论对于凝汽器泄漏程度为“轻微”、“明显”和“严重”的隶属度分别为0.38,0.41和0.08,对“明显”隶属度最高,对“轻微”次之,对“严重”最低。诊断结论不仅反映出最有可能发生的情况,同时还提供了其他情况的可能性以作为参考。
Claims (7)
1.一种用于火力发电机组水汽化学故障的模糊诊断方法,其特征在于,所述方法包括下列步骤:
1)根据待诊断的火力发电机组水汽化学故障的类型,确定模糊诊断的监测参数,作为模糊变量;
2)根据步骤1)确定的模糊变量,构建针对火力发电机组水汽化学故障的模糊诊断的模糊规则;
3)根据步骤2)构建的模糊规则,确定每个模糊变量对应的模糊关系矩阵;
4)记录步骤1)中模糊变量的具体值,根据步骤3)确定的模糊关系矩阵,进行模糊诊断推理,得到诊断结果。
2.根据权利要求1所述的用于火力发电机组水汽化学故障的模糊诊断方法,其特征在于,所述步骤2)具体为:
21)针对待诊断火力发电机组水汽化学故障所对应的故障结果,确定模糊诊断的结论论域;
22)将步骤1)确定的所有模糊变量作为规则前件,分别对每一个模糊变量进行论域划分;
23)确定步骤22)中进行论域划分后的模糊变量与结论论域之间的关系,得到所有的模糊子集,共同构成模糊规则。
3.根据权利要求2所述的用于火力发电机组水汽化学故障的模糊诊断方法,其特征在于,所述对每一个模糊变量进行论域划分具体为:通过查阅文献资料,得到模糊变量在不同取值时对应的火力发电机组水汽化学故障状态,继而对模糊变量进行划分。
4.根据权利要求1所述的用于火力发电机组水汽化学故障的模糊诊断方法,其特征在于,所述步骤3)具体为:
31)根据步骤2)构建的模糊规则,得到模糊变量与结论论域之间的对应关系;
32)根据步骤31)得到的对应关系,建立每个模糊变量与结论论域中所有元素的隶属度函数;
33)将每个模糊变量对应的隶属度函数构建成矩阵形式,即为该模糊变量对应的模糊关系矩阵。
5.根据权利要求1所述的用于火力发电机组水汽化学故障的模糊诊断方法,其特征在于,所述模糊诊断推理包括一维模糊诊断推理或多维模糊诊断推理。
6.根据权利要求5所述的用于火力发电机组水汽化学故障的模糊诊断方法,其特征在于,所述多维模糊诊断推理具体为:
41)根据步骤3)建立的每个变量对应的模糊关系矩阵,进行一维模糊诊断推理,得到对应的诊断结果Bi';
42)求取步骤41)得到的所有诊断结果Bi'的交集B',即为多维模糊诊断推理的结果。
7.根据权利要求1所述的用于火力发电机组水汽化学故障的模糊诊断方法,其特征在于,所述模糊变量的数量不多于10个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710526960.5A CN107340370A (zh) | 2017-06-30 | 2017-06-30 | 一种用于火力发电机组水汽化学故障的模糊诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710526960.5A CN107340370A (zh) | 2017-06-30 | 2017-06-30 | 一种用于火力发电机组水汽化学故障的模糊诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107340370A true CN107340370A (zh) | 2017-11-10 |
Family
ID=60219460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710526960.5A Pending CN107340370A (zh) | 2017-06-30 | 2017-06-30 | 一种用于火力发电机组水汽化学故障的模糊诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107340370A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995013572A1 (de) * | 1993-11-09 | 1995-05-18 | Siemens Aktiengesellschaft | Verfahren und einrichtung zum analysieren einer diagnose eines betriebszustandes einer technischen anlage |
CN2771505Y (zh) * | 2005-01-05 | 2006-04-12 | 江西理工大学 | 水轮发电机组监测及专家模糊诊断装置 |
CN103530502A (zh) * | 2013-09-26 | 2014-01-22 | 国家电网公司 | 一种负压系统状态判断方法及装置 |
CN104464854A (zh) * | 2014-12-24 | 2015-03-25 | 长沙理工大学 | 核电厂凝结水氧指标异常的诊断方法 |
CN106096272A (zh) * | 2016-06-12 | 2016-11-09 | 华电电力科学研究院 | 一种基于fahp的凝汽器真空降低影响因素的定量诊断方法 |
-
2017
- 2017-06-30 CN CN201710526960.5A patent/CN107340370A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995013572A1 (de) * | 1993-11-09 | 1995-05-18 | Siemens Aktiengesellschaft | Verfahren und einrichtung zum analysieren einer diagnose eines betriebszustandes einer technischen anlage |
CN2771505Y (zh) * | 2005-01-05 | 2006-04-12 | 江西理工大学 | 水轮发电机组监测及专家模糊诊断装置 |
CN103530502A (zh) * | 2013-09-26 | 2014-01-22 | 国家电网公司 | 一种负压系统状态判断方法及装置 |
CN104464854A (zh) * | 2014-12-24 | 2015-03-25 | 长沙理工大学 | 核电厂凝结水氧指标异常的诊断方法 |
CN106096272A (zh) * | 2016-06-12 | 2016-11-09 | 华电电力科学研究院 | 一种基于fahp的凝汽器真空降低影响因素的定量诊断方法 |
Non-Patent Citations (1)
Title |
---|
盛凯等: "基于CoM的iFIX VBA与MATLAB混合编程技术及其在火电厂水汽化学过程故障诊断系统中的应用", 《工业仪表与自动化装置》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107797063A (zh) | 基于scada的风电机组运行状态评估及故障诊断方法 | |
CN207263740U (zh) | 火力发电厂热力系统水汽检测装置 | |
CN108072524A (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
CN101377683B (zh) | 火力发电厂过热蒸汽温度异常自诊断方法 | |
CN105956785A (zh) | 一种风力发电机组运行状态评判方法 | |
Cao et al. | PCA-SVM method with sliding window for online fault diagnosis of a small pressurized water reactor | |
CN107516174A (zh) | 电厂技术监督策略库的生成方法 | |
CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
CN104457903A (zh) | 一种锅炉汽包水位保护方法 | |
CN107340370A (zh) | 一种用于火力发电机组水汽化学故障的模糊诊断方法 | |
CN106289754B (zh) | 一种基于统计控制技术的火电机组部件性能变化判定方法 | |
CN107290665A (zh) | 一种用于火力发电机组水汽化学故障的诊断系统及方法 | |
CN101852658B (zh) | 汽机带蒸冷和疏冷器加热器出水及疏水温度测算方法 | |
Hakim et al. | SCADA application for geothermal power plant | |
CN107958288A (zh) | 一种基于案例推理的汽轮机加热器故障诊断方法 | |
CN113298133A (zh) | 超临界机组锅炉爆管故障诊断方法 | |
Sompura et al. | A practical approach to improve alarm system performance: Application to power plant | |
CN114267465A (zh) | 压水反应堆核电机组出力异常判断方法 | |
Lu et al. | The dynamic hydropower troubleshooting information based on EMD multi-scale feature entropy extraction | |
Jianqiang et al. | Research on fuzzy recognition method of boiler four-tube leakage | |
CN106653119B (zh) | 核电厂凝结水系统阳电导率指标异常诊断装置及方法 | |
Bae et al. | Predictive fault detection and diagnosis of nuclear power plant using the two-step neural network models | |
Guo et al. | Development of knowledge base of fault diagnosis system in solar power tower plants | |
Yang et al. | Research on digital twin construction technology and application of large capacity utility boiler |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171110 |
|
RJ01 | Rejection of invention patent application after publication |