汽轮发电机组转子振动故障的模糊聚类分析

针对汽轮发电机组多个振动故障与多个振动信号之间综合关系研究的不足，阐述了模糊聚类分析的理论、方法及聚类效果的判别原则，并将其应用于汽轮发电机组转子振动故障的诊断研究中．提出了合适的聚类参数，从而对多故障发生与多故障特征情况下的故障进行分层，指出应优先诊断的范围，从而使诊断工作量和诊断时间大为减少．理论计算与现场检查结果相符，并且与神经网络方法相比，在综合判断振动故障方面显示了优越性     

汽轮发电机多故障诊断的SOM神经网络方法

汽轮发电机组的振动故障具有多样性的特点,经常出现多种故障同时发生的情况.传统的BP神经网络方法可对单一故障有效诊断,若要对多故障进行诊断,则需对各种多故障样本进行学习,使输入空间在训练过程中被样本空间完全覆盖,将大大增加样本空间及学习训练负担,同时网络归纳、联想能力随之大幅度下降,诊断难以实施.因此,将自组织特征映射(SOM)神经网络应用于汽轮发电机组的振动多故障诊断,用单一故障样本对网络进行训练,根据输出神经元在输出层的位置对多故障进行判断.经实例分析证明,该方法可对多故障进行有效诊断.     

汽轮发电机组振动故障诊断中的改进BP算法

针对大型汽轮发电机组振动故障的特点,提出了一种基于改进算法的ＢＰ网络故障诊断模型,并对一实际汽轮发电机组振动故障事例进行诊断,结果表明,该方法是行之有效的。     

可拓理论与SOM网络相结合的多故障诊断方法

 针对采用SOM 网络进行多故障诊断时,要求多故障模式相似且不包含标准故障输出的限制,提出将SOM 网络与可拓理论相结合的多故障诊断方法.首先采用SOM 网络对训练样本进行聚类,得到故障模式及其聚类中心.然后针对每种故障模式的每个特征构造在聚类中心处取得最大值的关联函数,并以各特征的关联函数值为基础,设计多故障评价指标实现多故障诊断.最后采用汽轮发电机组振动信号的频谱数据对算法进行验证,结果表明该方法能够正确识别待诊断样本的单故障和多故障模式,具有可行性.     

改进的BP网络在汽轮发电机组故障诊断中的应用

提出了一种恒误差修正率控制的网络学习率和动量系数自适应调整方法，克服了网络训练收敛时间长和陷入局部最优的缺点；并根据大型汽轮发电机组振动故障的特点，建立了改进的BP网络故障诊断模型，对一实际汽轮机发电机组振动故障事例的诊断结果表明，该方法有效地提高了故障诊断的精度和可靠度。     

汽轮发电机组振动故障诊断的模糊输入方法

针对汽轮发电机组振动故障的特点,构造了一模糊神经网络（ＦＮＮ）诊断模型,讨论了网络的多种模糊化输入,输出方式,并对两种模糊输入方法进行了对比分析。最后运用该诊断方法与传统的ＢＰ网络诊断方法进行比较。结果表明：模糊神经网络诊断方法对汽轮发电机组振动故障的识别是有效的,且在分类模糊边界数据时优于ＢＰ网络诊断方法。     

基于神经网络的汽轮机故障智能诊断系统的设计

介绍了BP神经网络的结构和算法,分析了如何将BP神经网络用于机械设备的故障诊断.结合汽轮发电机组的故障特性,建立了汽轮发电机组故障诊断的神经网络模型,并利用该神经网络模型对汽轮发电机组的故障进行了诊断,诊断结果是正确和有效的.     

基于神经网络的水轮发电机组振动故障诊断专家系统的研究

针对神经网络的缺陷和水轮发电机组振动故障原因多、征兆多的特点，利用网络分块技术，把BP网络规模控制在可以接受的范围内，并将专家系统与神经网络相结合，较好地解决了知识获取和自学习的问题。通过实例验证，该网络模型能有效地分离各种故障类型，在水轮发电机组振动故障诊断中具有一定的诊断能力。     

汽轮发电机组轴系动力特性综合分析

分析了汽轮发电机组在基础干扰、碰摩、油膜涡动、松动、转子不对中，气流激振等故障发生时系统的动力学特性，给出了力学模型，对汽轮发电机组轴系故障诊断，具有一定的参考价值。     

基于本体的汽轮发电机组故障诊断知识建模

针对目前汽轮发电机组故障诊断领域知识术语复杂、系统异构、知识表示不完备以及共享和重复使用困难等问题,依据故障诊断需求,采用基于本体的知识表示方法,提出了一种适用于汽轮发电机组故障诊断领域的本体构建方法和知识表示模型.在解析了汽轮发电机组故障知识特性的前提下,定义了其本体概念、属性、关系、实例和公理,为知识表示提供了明确的形式化规格说明,并借助Protégé_4.3构建了包含汽轮发电机组的故障类型、故障特征、故障原因和维修策略等故障诊断领域本体,设计了一致性检验的算法.在此基础上,在SQI机械故障综合模拟实验台上模拟汽轮发电机组故障,通过FaCT++推理机实现本体知识推理测试.结果表明基于本体的汽轮发电机组故障诊断知识模型是可行的.     

汽轮发电机组故障诊断的复合式进化网络

提出了一种复合式神经网络结构,并用于大型汽轮发电机组的故障诊断．该神经网络集成一系列的ＢＰ网络,来完成故障分类任务．每个ＢＰ子网络只有一个输出结点并对应于一种特定的状态．子网络的权值通过基因算法进化确定,从而使训练过程可以实时进行．通过这种方法不仅可以对已知故障进行分类,而且可以对存在的新的故障进行识别．一种基于这种结构的实用诊断系统已经投入使用．     

BP算法在旋转机械故障诊断中的应用

分析了旋转机械故障的特性,在此基础上对基于BP算法的诊断方法进行了研究,建立了旋转机械故障诊断的神经网络模型,对基于BP网络的汽轮发电机组的故障进行了诊断。实验证明,基于BP网络的旋转机械故障诊断方法具有较高的使用价值。     

神经网络的多故障诊断层次模型研究

人工神经网络已成功应用到实际的故障诊断系统中，但大多主要用于单故障诊断情形。实际应用中，多故障同时出现的情况却普遍存在。基于神经网络的方法，构造了一种用于既能诊断单故障，又能诊断多故障的模型。通过实例与传统的诊断模型进行对比，说明了所提出诊断模型的可行性和有效性。     

基于变参数区间直觉模糊集的故障诊断方法研究

针对故障诊断效果经常受众多不确定模糊性因素影响的问题,利用直觉模糊集(IFS)能较好表达不确定性信息的优势,提出了基于区间直觉模糊集(IVIFS)的故障诊断新方法.介绍了IFS的概念,引出了IVIFS和带参IVIFS的定义及其内在联系;在IFS定义及隶属度、非隶属度、犹豫度关系的基础上,构建了激励惩罚型变参数IVIFS;对IVIFS在故障诊断中的应用进行了统计解释,并构建了基于变参数IVIFS的故障诊断模型;以风机的故障诊断实例为研究对象,对模型进行了验证,结果表明了该方法的有效性和可行性.     

一种数据驱动的湿法烟气脱硫系统的故障诊断方法

采用主元分析法(PCA)对火电厂湿法烟气脱硫系统进行故障诊断.利用PCA建立系统故障诊断模型,通过计算平方预测误差(SPE)来检测系统是否发生故障,若有故障发生则用Q贡献率法来分离故障,识别发生故障的原因.通过采集福州某电厂湿法烟气脱硫系统的历史数据进行Matlab仿真并在组态王中显示故障诊断曲线,表明用PCA法对湿法烟气脱硫系统故障具有良好的诊断效果.     

模拟电路故障诊断中故障重分类方法的研究

分析了模拟电路故障诊断中故障类重叠.针对在该情况下神经网络训练困难与故障诊断正确率低的问题,提出了一种适于模拟电路的、基于神经网络故障诊断的故障重分类方法,给出了该方法的数学模型.通过诊断示例表明,该方法在故障类存在重叠时,降低了神经网络的训练难度,故障诊断的正确率达到99%以上.     

基于伪标签-1D DenseNet-KNN的光伏阵列开集复合故障诊断方法

提出了一种基于伪标签-1D DenseNet-KNN的光伏阵列故障诊断方法,实现在少标签样本下的光伏阵列复合故障开集识别。首先,分析了各种常见单一故障及灰尘覆盖下复合故障的I-V曲线特性。然后,为了克服常规的半监督机器学习算法需手动提取数据特征,采用一种伪标签与1D DenseNet相结合的半监督方法自动提取特征。最后,将对训练数据提取的特征、训练数据预测的标签及测试样本提取的特征输入K最近邻（KNN）算法进行开集复合故障诊断。实验表明,该方法不仅能准确分类各种已知类样本,而且能识别出未知类别故障,并且模型的训练仅需少量标签数据。     

基于Sigma点卡尔曼滤波的燃气轮机气路故障诊断

针对燃气机复杂的机械和电子控制系统易发生故障的问题,利用Sigma点卡尔曼滤波进行了燃气轮机的在线非线性故障诊断.首先改进了燃气轮机滤波用离散非线性模型,提高了模型精度.采用单形采样构建Sigma点卡尔曼滤波器,降低了计算量.在Simulink平台实现了气路故障诊断系统,并进行了单故障、复合故障、渐变故障、突变故障的测试验证.结果表明:设计的诊断系统具有较高的检测、跟踪精度和故障模式、燃气轮机工况适应性.     

基于神经网络的故障诊断推理方法

针对传统诊断技术的局限性,研究了基于ＢＰ模型神经网络的故障诊断推理方法,它只需选择足够的具有代表性的故障样本训练神经网络,将代表故障的信息输入给训练好的神经网络,根据神经网络的输出结果,就可以判断发生故障的类型．神经网络一旦训练好,由于其具有容错性,不仅能诊断出已经出现过的故障,还能在一定范围内诊断出从未出现过的故障,使故障诊断智能化和简单化．仿真结果表明,基于神经网络的故障诊断方法是行之有效的