基于大数据的汽轮机组状态监测

摘要

汽轮机也被称为蒸汽透平发动机，是一类应用广泛的旋转式蒸汽动力装置，是现代火力发电厂发电机组的主要设备，同时在冶金、化工、舰船动力装置领域也有大量的应用。汽轮机组作为常见的旋转机械，经常会遇到运行状态异常甚至发生重大故障导致整个工厂被迫停工的状况。在造成大量经济损失的同时，还会对工作人员的安全造成威胁。因此，设备往往需要进行状态监测以保证机组的正常运行，而且还需要周期性的维修与保养以避免发生损害性事故，而状态监测与异常分析技术的发展为旋转机械的实时监测和预测性维护提供了更有效、更多样化的方法。状态监测技术已成为预防设备潜在故障、减少非计划性被迫停运、进一步降低维护成本以及提高旋转机械系统的可靠性、可用性和可维护性的重要工具。 本文详细介绍了国内外机械系统状态监测技术的发展现状，可以看出，对于汽轮机组特殊的运行环境及其复杂的结构，并且在考虑设备的各类用途与应用条件时，信号处理技术和预测算法在旋转机械状态监测及分析中起着关键作用。本研究涉及到机械系统实测数据的不确定性和多变量相关性，以旋转机械不同位置采集而来的多变量时间序列数据为研究对象，介绍了一种概率信号处理方法及基于人工神经网络的数据预测模型，并针对发电机组的汽轮机设备建立了状态监测和异常分析算法。所建立的信号处理算法集成了三种先进的数据挖掘技术：离散小波包变换，贝叶斯假设检验和概率主成分分析。在此算法基础上，使用重构的数据建立模糊神经网络模型，以对设备未来数据进行预测分析。 本文针对基于数据挖掘算法的汽轮机组状态监测研究做了如下工作： （1）采用多分辨率小波分析方法将时间序列信号分解成不同级别的小波系数，分解得到的系数表示信号的多个时-频分辨率。然后使用贝叶斯假设检验理论消除每个级别小波系数可能存在的数据缺陷，避免了过度去噪的问题，并利用Welch方法的功率频谱密度来评估贝叶斯小波去噪方法的有效性。接下来使用概率主成分分析方法，降低多维时间序列数据的维度，解决了数据的多变量相关性和不确定性问题。之后使用所建立的算法和流程框架，针对发电厂汽轮机组21维变量的实际运行数据进行了分析。 （2）利用得到的重构数据建立了用于旋转机械状态数据预测的动态模糊神经网络模型，该模型基于非线性自回归移动平均法，将模糊聚类算法集成到径向基函数神经网络。采用最大化对数似然损失函数来训练模型。同样的，所建立的模型和程序通过汽轮机组21维变量的时间序列数据进行了有效性验证。

目录

第一个书签之前

摘 要

Abstract

1 绪论

1.1 研究背景及意义

1.2 旋转机械状态监测技术研究现状

1.3 研究内容与技术路线

1.4 算法编译工具介绍

2 基于数据挖掘算法的多变量时间序列数据处理方法

2.1 关于时间序列数据去噪方法

2.2 基于离散小波包变换的信号处理技术

2.2.1 小波分析概述

2.2.2 小波基函数

2.2.3 连续小波变换

2.2.4 离散小波变换

2.2.5 小波基的选取

2.2.6 离散小波包变换

2.2.7 贝叶斯阈值法

2.3 基于贝叶斯理论的阈值去噪方法

2.3.1 贝叶斯阈值法

2.3.2 先验分布

2.3.3 后验分布

2.3.4 贝叶斯假设检验

2.4 基于概率主成分分析的数据特征提取方法研究

2.4.1 关于多变量数据的特征提取方法

2.4.2 主成分分析基本原理

2.4.3 主成分分析步骤

2.4.4 概率主成分分析

2.5 算法流程及实现

2.6 本章小结

3 基于信号处理算法的汽轮机组状态监测实例

3.1 数据整理与预处理

3.1.1 数据来源

3.1.2 离群值分析

3.1.3 数据规约

3.2 贝叶斯小波去噪

3.2.1 离散小波包变换

3.2.2 贝叶斯阈值去噪

3.3 概率主成分分析

3.3.1 标准主成分分析确定降低维数

3.3.2 概率主成分分析提取信号特征

3.4 本章小结

4 基于神经网络模型的汽轮机组状态数据预测

4.1 模糊神经网络模型简介

4.1.1 径向基函数神经网络

4.1.2 模糊c均值聚类

4.2 模糊神经网络模型的构建

4.2.1 神经网络结构设计

4.2.2 训练神经网络模型

4.3 算法流程及实现

4.4 模型实例应用

4.4.1 构建输入输出向量并训练模型

4.4.2 验证模型并进行模拟预测

4.5 本章小结

5 结论与展望

参 考 文 献

致 谢

大连理工大学学位论文版权使用授权书