CN111736574A - 一种通用的火电厂故障诊断系统及其诊断方法 - Google Patents
一种通用的火电厂故障诊断系统及其诊断方法 Download PDFInfo
- Publication number
- CN111736574A CN111736574A CN202010629746.4A CN202010629746A CN111736574A CN 111736574 A CN111736574 A CN 111736574A CN 202010629746 A CN202010629746 A CN 202010629746A CN 111736574 A CN111736574 A CN 111736574A
- Authority
- CN
- China
- Prior art keywords
- module
- neural network
- network model
- power plant
- thermal power
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012546 transfer Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 3
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种通用的火电厂故障诊断系统,包括数据采集模块,用于对火电厂的运行参数进行采集;数据筛选模块,通过对同一时段内具有关联性的运行参数进行对比,筛选有效数据;神经网络模型预测模块,包括一个输入层,两个隐藏层和一个输出层,相同隐藏层内的不同节点之间设置有第一传递函数集,不同隐藏层之间的节点之间设置有第二传递函数集;神经网络模型训练模块,用于对神经网络模型预测模块进行在线训练;故障诊断模块,用于根据神经网络模型预测模块得出的预测结果进行故障诊断。本发明能够改进现有技术的不足,提高了火电厂智能控制系统对运行故障的判定速度和准确度。
Description
技术领域
本发明涉及火电厂运行技术领域,尤其是一种通用的火电厂故障诊断系统及其诊断方法。
背景技术
随着火电厂智能化控制技术的发展,对于火电厂运行故障的诊断逐渐从人工判定转变为了控制系统自动判定。但是,由于火电厂的运行参数众多,现有的控制系统需要根据运行参数的不同分别进行独立的监控和运算,然后对结果进行综合判定,得到判定结果。这个过程运算量大、对突发故障的反应慢。
发明内容
本发明要解决的技术问题是提供一种通用的火电厂故障诊断系统及其诊断方法,能够解决现有技术的不足,提高了火电厂智能控制系统对运行故障的判定速度和准确度。
为解决上述技术问题,本发明所采取的技术方案如下。
一种通用的火电厂故障诊断系统,包括,
数据采集模块,用于对火电厂的运行参数进行采集;
数据筛选模块,通过对同一时段内具有关联性的运行参数进行对比,筛选有效数据;
神经网络模型预测模块,包括一个输入层,两个隐藏层和一个输出层,相同隐藏层内的不同节点之间设置有第一传递函数集,不同隐藏层之间的节点之间设置有第二传递函数集;
神经网络模型训练模块,用于对神经网络模型预测模块进行在线训练;
故障诊断模块,用于根据神经网络模型预测模块得出的预测结果进行故障诊断。
一种上述的通用的火电厂故障诊断系统的诊断方法,包括以下步骤:
A、数据采集模块采集火电厂的运行参数;
B、数据筛选模块对数据采集模块采集的火电厂运行参数进行筛选,通过对同一时段内具有关联性的运行参数进行对比筛选出有效数据;
C、神经网络模型训练模块使用历史有效数据对神经网络模型预测模块进行训练;
D、神经网络模型预测模块对实时有效数据进行计算,得出火电厂系统状态预测数据;
E、故障诊断模块根据神经网络模型预测模块得出的预测结果进行故障诊断。
作为优选,步骤B中,对运行参数进行筛选包括以下步骤,
B1、根据历史数据,建立不同运行参数之间的标准关联矩阵;根据实时数据,建立不同运行参数之间的实时关联矩阵集;标准关联矩阵和实时关联矩阵中的每个元素为其所在行与列对应的运行参数之间的关联系数;
B2、将实时关联矩阵集中不同时间下的实时关联矩阵与标准关联矩阵进行对比,提取相似度高于设定阈值的子矩阵;将从不同实时关联矩阵中提取的子矩阵进行对比,在子矩阵中选取预设时间段内关联系数偏差不大于设定阈值的元素所对应的运行参数对,作为这一时间段内的有效数据。
作为优选,步骤C中,在对神经网络模型预测模块进行训练的过程中,对相同隐藏层内的不同节点,建立节点进化的轨迹图,在轨迹图中筛选不同节点之间的进化交汇点,并生成不同进化交汇点之间的第一传递函数集;在后期的训练过程中,当节点的轨迹出现与历史轨迹图相同的部分时,通过第一传递函数集对相关节点进行直接更新而不进行训练;根据数据在两个隐藏层之间的变化,建立第二传递函数集。
作为优选,步骤D中,在使用神经网络模型预测模块对实时有效数据进行计算的过程中,使用第二传递函数集监控神经网络模型预测模块对实时有效数据的适应性,当实施有效数据在两个隐藏层之间的变化与现有的第二传递函数集的线性相关性降低至设定阈值之下时,启动神经网络模型训练模块对神经网络模型预测模块进行重新训练,训练之后更新第二传递函数集。
采用上述技术方案所带来的有益效果在于:本发明通过对原始数据进行有效性筛选,用来提高神经网络模型的预测准确度。本发明针对系统对数据实时性的要求,专门设计了筛选过程,不需要对每个数据进行逐一验证,而是利用关联矩阵进行筛选,有效提高了筛选效率。本发明所使用的神经网络模型中,在隐藏层中设置的第一传递函数集,用来实现对神经网络模型的快速训练,在隐藏层中设置的第二传递函数集,用来监控神经网络模型的适应性,从而可以保证神经网络模型预测结果的及时、准确。
附图说明
图1是本发明一个具体实施方式的原理图。
图中:1、数据采集模块;2、数据筛选模块;3、神经网络模型预测模块;4、神经网络模型训练模块;5、故障诊断模块。
具体实施方式
参照图1,本实施例包括,
数据采集模块1,用于对火电厂的运行参数进行采集;
数据筛选模块2,通过对同一时段内具有关联性的运行参数进行对比,筛选有效数据;
神经网络模型预测模块3,包括一个输入层,两个隐藏层和一个输出层,相同隐藏层内的不同节点之间设置有第一传递函数集,不同隐藏层之间的节点之间设置有第二传递函数集;
神经网络模型训练模块4,用于对神经网络模型预测模块3进行在线训练;
故障诊断模块5,用于根据神经网络模型预测模块3得出的预测结果进行故障诊断。
一种上述的通用的火电厂故障诊断系统的诊断方法,包括以下步骤:
A、数据采集模块1采集火电厂的运行参数;
B、数据筛选模块2对数据采集模块1采集的火电厂运行参数进行筛选,通过对同一时段内具有关联性的运行参数进行对比筛选出有效数据;
C、神经网络模型训练模块4使用历史有效数据对神经网络模型预测模块3进行训练;
D、神经网络模型预测模块3对实时有效数据进行计算,得出火电厂系统状态预测数据;
E、故障诊断模块5根据神经网络模型预测模块3得出的预测结果进行故障诊断。
步骤B中,对运行参数进行筛选包括以下步骤,
B1、根据历史数据,建立不同运行参数之间的标准关联矩阵;根据实时数据,建立不同运行参数之间的实时关联矩阵集;标准关联矩阵和实时关联矩阵中的每个元素为其所在行与列对应的运行参数之间的关联系数;
B2、将实时关联矩阵集中不同时间下的实时关联矩阵与标准关联矩阵进行对比,提取相似度高于设定阈值的子矩阵;将从不同实时关联矩阵中提取的子矩阵进行对比,在子矩阵中选取预设时间段内关联系数偏差不大于设定阈值的元素所对应的运行参数对,作为这一时间段内的有效数据。
步骤C中,在对神经网络模型预测模块3进行训练的过程中,对相同隐藏层内的不同节点,建立节点进化的轨迹图,在轨迹图中筛选不同节点之间的进化交汇点,并生成不同进化交汇点之间的第一传递函数集;在后期的训练过程中,当节点的轨迹出现与历史轨迹图相同的部分时,通过第一传递函数集对相关节点进行直接更新而不进行训练;根据数据在两个隐藏层之间的变化,建立第二传递函数集。
步骤D中,在使用神经网络模型预测模块3对实时有效数据进行计算的过程中,使用第二传递函数集监控神经网络模型预测模块3对实时有效数据的适应性,当实施有效数据在两个隐藏层之间的变化与现有的第二传递函数集的线性相关性降低至设定阈值之下时,启动神经网络模型训练模块4对神经网络模型预测模块3进行重新训练,训练之后更新第二传递函数集。
在神经网络模型预测模块3对实时有效数据的适应性处于较高水平时,在步骤B2中提取子矩阵时,下调提取的相似度阈值的设定值,并随着神经网络模型预测模块3对实时有效数据适应性的下降同步线性提高相似度阈值的设定值。这样可以利用对神经网络模型预测模块3的重复训练,最大程度上扩大有效数据的范围,降低由于数据筛选带来的信息丢失。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种通用的火电厂故障诊断系统,其特征在于:包括,
数据采集模块(1),用于对火电厂的运行参数进行采集;
数据筛选模块(2),通过对同一时段内具有关联性的运行参数进行对比,筛选有效数据;
神经网络模型预测模块(3),包括一个输入层,两个隐藏层和一个输出层,相同隐藏层内的不同节点之间设置有第一传递函数集,不同隐藏层之间的节点之间设置有第二传递函数集;
神经网络模型训练模块(4),用于对神经网络模型预测模块(3)进行在线训练;
故障诊断模块(5),用于根据神经网络模型预测模块(3)得出的预测结果进行故障诊断。
2.一种权利要求1所述的通用的火电厂故障诊断系统的诊断方法,其特征在于包括以下步骤:
A、数据采集模块(1)采集火电厂的运行参数;
B、数据筛选模块(2)对数据采集模块(1)采集的火电厂运行参数进行筛选,通过对同一时段内具有关联性的运行参数进行对比筛选出有效数据;
C、神经网络模型训练模块(4)使用历史有效数据对神经网络模型预测模块(3)进行训练;
D、神经网络模型预测模块(3)对实时有效数据进行计算,得出火电厂系统状态预测数据;
E、故障诊断模块(5)根据神经网络模型预测模块(3)得出的预测结果进行故障诊断。
3.根据权利要求2所述的通用的火电厂故障诊断系统的诊断方法,其特征在于:步骤B中,对运行参数进行筛选包括以下步骤,
B1、根据历史数据,建立不同运行参数之间的标准关联矩阵;根据实时数据,建立不同运行参数之间的实时关联矩阵集;标准关联矩阵和实时关联矩阵中的每个元素为其所在行与列对应的运行参数之间的关联系数;
B2、将实时关联矩阵集中不同时间下的实时关联矩阵与标准关联矩阵进行对比,提取相似度高于设定阈值的子矩阵;将从不同实时关联矩阵中提取的子矩阵进行对比,在子矩阵中选取预设时间段内关联系数偏差不大于设定阈值的元素所对应的运行参数对,作为这一时间段内的有效数据。
4.根据权利要求3所述的通用的火电厂故障诊断系统的诊断方法,其特征在于:步骤C中,在对神经网络模型预测模块(3)进行训练的过程中,对相同隐藏层内的不同节点,建立节点进化的轨迹图,在轨迹图中筛选不同节点之间的进化交汇点,并生成不同进化交汇点之间的第一传递函数集;在后期的训练过程中,当节点的轨迹出现与历史轨迹图相同的部分时,通过第一传递函数集对相关节点进行直接更新而不进行训练;根据数据在两个隐藏层之间的变化,建立第二传递函数集。
5.根据权利要求4所述的通用的火电厂故障诊断系统的诊断方法,其特征在于:步骤D中,在使用神经网络模型预测模块(3)对实时有效数据进行计算的过程中,使用第二传递函数集监控神经网络模型预测模块(3)对实时有效数据的适应性,当实施有效数据在两个隐藏层之间的变化与现有的第二传递函数集的线性相关性降低至设定阈值之下时,启动神经网络模型训练模块(4)对神经网络模型预测模块(3)进行重新训练,训练之后更新第二传递函数集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629746.4A CN111736574B (zh) | 2020-06-28 | 2020-06-28 | 一种通用的火电厂故障诊断系统及其诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629746.4A CN111736574B (zh) | 2020-06-28 | 2020-06-28 | 一种通用的火电厂故障诊断系统及其诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111736574A true CN111736574A (zh) | 2020-10-02 |
CN111736574B CN111736574B (zh) | 2023-12-05 |
Family
ID=72652671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010629746.4A Active CN111736574B (zh) | 2020-06-28 | 2020-06-28 | 一种通用的火电厂故障诊断系统及其诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111736574B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950908A (zh) * | 2021-02-03 | 2021-06-11 | 重庆川仪自动化股份有限公司 | 一种数据监测预警方法、系统、介质及电子终端 |
CN113010843A (zh) * | 2021-03-05 | 2021-06-22 | 中国核电工程有限公司 | 测量参数集的确定方法及装置、验证方法及故障诊断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694025A (zh) * | 2005-04-28 | 2005-11-09 | 南京科远控制工程有限公司 | 基于人工智能的火电厂自动控制系统 |
CN103983452A (zh) * | 2014-04-18 | 2014-08-13 | 中国人民解放军国防科学技术大学 | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 |
CN104390657A (zh) * | 2014-11-05 | 2015-03-04 | 浙江大学 | 一种发电机组运行参数测量传感器故障诊断方法及系统 |
CN104933444A (zh) * | 2015-06-26 | 2015-09-23 | 南京邮电大学 | 一种面向多维属性数据的多层聚类融合机制的设计方法 |
US20190005384A1 (en) * | 2017-06-29 | 2019-01-03 | General Electric Company | Topology aware graph neural nets |
CN109978048A (zh) * | 2019-03-22 | 2019-07-05 | 大唐环境产业集团股份有限公司 | 一种脱硫塔浆液循环泵故障分析与诊断方法 |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
CN110426637A (zh) * | 2019-07-04 | 2019-11-08 | 佛山科学技术学院 | 一种基于神经网络的电池故障诊断方法及装置 |
CN110555624A (zh) * | 2019-09-10 | 2019-12-10 | 合肥工业大学 | 一种考虑指标关联的电网调度运行综合评估方法 |
-
2020
- 2020-06-28 CN CN202010629746.4A patent/CN111736574B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694025A (zh) * | 2005-04-28 | 2005-11-09 | 南京科远控制工程有限公司 | 基于人工智能的火电厂自动控制系统 |
CN103983452A (zh) * | 2014-04-18 | 2014-08-13 | 中国人民解放军国防科学技术大学 | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 |
CN104390657A (zh) * | 2014-11-05 | 2015-03-04 | 浙江大学 | 一种发电机组运行参数测量传感器故障诊断方法及系统 |
CN104933444A (zh) * | 2015-06-26 | 2015-09-23 | 南京邮电大学 | 一种面向多维属性数据的多层聚类融合机制的设计方法 |
US20190005384A1 (en) * | 2017-06-29 | 2019-01-03 | General Electric Company | Topology aware graph neural nets |
CN109978048A (zh) * | 2019-03-22 | 2019-07-05 | 大唐环境产业集团股份有限公司 | 一种脱硫塔浆液循环泵故障分析与诊断方法 |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
CN110426637A (zh) * | 2019-07-04 | 2019-11-08 | 佛山科学技术学院 | 一种基于神经网络的电池故障诊断方法及装置 |
CN110555624A (zh) * | 2019-09-10 | 2019-12-10 | 合肥工业大学 | 一种考虑指标关联的电网调度运行综合评估方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950908A (zh) * | 2021-02-03 | 2021-06-11 | 重庆川仪自动化股份有限公司 | 一种数据监测预警方法、系统、介质及电子终端 |
CN112950908B (zh) * | 2021-02-03 | 2022-12-30 | 重庆川仪自动化股份有限公司 | 一种数据监测预警方法、系统、介质及电子终端 |
CN113010843A (zh) * | 2021-03-05 | 2021-06-22 | 中国核电工程有限公司 | 测量参数集的确定方法及装置、验证方法及故障诊断方法 |
CN113010843B (zh) * | 2021-03-05 | 2024-04-09 | 中国核电工程有限公司 | 测量参数集的确定方法及装置、验证方法及故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111736574B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN115270956B (zh) | 基于持续学习的跨设备增量轴承故障诊断方法 | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN109255440B (zh) | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 | |
CN109977624A (zh) | 基于深度神经网络的光伏电站缓变故障监测方法 | |
CN111736574B (zh) | 一种通用的火电厂故障诊断系统及其诊断方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN111460728A (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
CN111275136B (zh) | 基于小样本下的故障预测系统及其预警方法 | |
CN109062811B (zh) | 一种基于神经风格迁移的测试用例生成方法 | |
CN112669230A (zh) | 基于卷积神经网络的点云数据去噪方法 | |
CN115877068A (zh) | 基于深度学习的区域电网的电压暂降传播轨迹识别方法 | |
CN113484693B (zh) | 基于图神经网络的变电站二次回路故障定位方法及系统 | |
CN110750455A (zh) | 基于系统日志分析的智能在线自更新故障诊断方法和系统 | |
CN117170304B (zh) | 一种基于工业物联网的plc远程监测控制方法及系统 | |
CN115982655A (zh) | 一种基于决策树的缺失数据流程异常预测方法 | |
CN114757111B (zh) | 一种基于数字孪生技术的智能装备健康管理方法 | |
CN114980723B (zh) | 一种用于跨工况贴片机吸嘴的故障预测方法、系统 | |
CN108548669B (zh) | 一种工程装备传动系统故障诊断方法及系统 | |
CN113449409B (zh) | 海上风机故障诊断模型的样本数据的存储方法及设备 | |
CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
CN114372640A (zh) | 一种基于波动序列分类校正的风电功率预测方法 | |
JP6892848B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |