火電廠凝汽器系統(tǒng)故障診斷系統(tǒng)研究畢業(yè)設(shè)計

《火電廠凝汽器系統(tǒng)故障診斷系統(tǒng)研究畢業(yè)設(shè)計》由會員分享，可在線閱讀，更多相關(guān)《火電廠凝汽器系統(tǒng)故障診斷系統(tǒng)研究畢業(yè)設(shè)計（22頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、單擊此處編輯母版標題樣式,單擊此處編輯母版文本樣式,第二級,第三級,第四級,第五級,*,*,2018,畢業(yè)論文答辯,Lorem ipsum dolor sit amet,consectetur adipisicing elit.,題目：火電廠凝汽器系統(tǒng)故障診斷系統(tǒng)研究,學院：,目錄,課題背景及意義,1,2,人工神經(jīng)網(wǎng)絡(luò),BP,診斷機理,3,硬件部分及解決方案,4,軟件部分及關(guān)鍵技術(shù)難點,5,結(jié)論,6,國內(nèi)外研究現(xiàn)狀,2,課題背景及意義,凝汽設(shè)備主要有凝汽器、循環(huán)水泵、凝結(jié)水泵、抽氣設(shè)備以及它們之間的連接管道和附件組成,右圖為最簡單的凝汽設(shè)備原則性系統(tǒng)圖。凝汽設(shè)備的工作過程是汽輪機做完工的排氣進

2、入凝汽器并在其中凝結(jié)成水,排氣凝結(jié)出釋放出的熱量被循環(huán)水泵送入凝汽器冷卻管中被冷卻水帶出進入冷卻設(shè)備,凝結(jié)水通過凝結(jié)水泵從凝汽器底部的集水箱中抽出,升壓后送入主凝結(jié)水系統(tǒng)。當比體積很大的排氣在密閉的凝汽其中凝結(jié)成水時,其體積驟然縮小,使凝汽器形成高度真空。凝汽器內(nèi)形成高度的真空,外界空氣就會通過處于真空狀態(tài)下的不嚴密處漏人凝汽器的汽側(cè)空間,為了防止這些不凝結(jié)氣體在凝汽器中逐漸積累,使凝汽器的真空下降,需要采用抽氣設(shè)備將空氣不斷地從凝汽器中抽出,從而維持凝汽器的真空,保證機組安全經(jīng)濟運行。,綜上所述,凝汽設(shè)備的主要任務(wù)是,(1)在汽輪機排氣口建立并維持高度真空度；,(2)將汽輪機排氣凝結(jié)成潔凈的

3、凝結(jié)水作為鍋爐給水重復(fù)利用。,原理圖,3,課題背景及意義,研究意義,課題背景,凝汽設(shè)備是汽輪發(fā)電機組的重要輔機之一，其主要功能是保證汽輪機排汽在凝汽器中不斷地凝結(jié)，并使凝汽器達到所要求的真空值，是火電廠熱力循環(huán)中的重要一環(huán)，對于整個火電廠的安全經(jīng)濟運行都 有重要影響。,凝汽器的故障包括低真空、凝結(jié)水過冷、冷卻管泄露、冷卻管振動等，其中，最常見的故障是低真空，這是本課題研究的重點。引起凝汽器低真空的原因很多，有時幾種因素同時出現(xiàn)，這給故障診斷帶來了困難。本課題就是想在詳細分析影響凝汽器真空的各種因素及征兆的基礎(chǔ)上，借助于計算機，利用模糊神經(jīng)網(wǎng)絡(luò)的診斷方法，能使一 般的運行人員也可以準確快速地找出

4、故障原因，并采取正確的措施進行處理。,4,國內(nèi)外研究狀況,美國已發(fā)展成為網(wǎng)絡(luò)化的汽輪發(fā)電機組智能化故障診斷專家系統(tǒng)，其三套人工智能診斷軟件（汽輪機TurbineAID，發(fā)電機GenAID，水化學ChemAID)共有近萬條診斷規(guī)則；,日本在 火電廠故障診斷技術(shù)研究方面亦處于世界領(lǐng)先水平，日本的日立公司研制出了指導火電廠運行和維護的專家系統(tǒng)；,國內(nèi)在智能診斷方面的研究已蓬勃展開，國內(nèi)多所大學、研究所、電廠和有關(guān)生產(chǎn)廠家紛紛投入人力、物力進行這方面的研究，并取得了一定的研究成果。有關(guān)大型旋轉(zhuǎn)機械故障診斷技術(shù)，已開發(fā)出近20套多 種類型的故障診斷裝置，并用于電廠各大型汽輪發(fā)電機組和石化企業(yè)壓縮機組的

5、狀態(tài)監(jiān)測和故障診斷。,5,人工神經(jīng)網(wǎng)絡(luò),BP,診斷機理,BP網(wǎng)絡(luò)是一種多層前饋性神經(jīng)網(wǎng)絡(luò),其神經(jīng)元的傳遞函數(shù)S型函數(shù),輸出量位0到1之間的連續(xù)量,它利用誤差反向傳播算法對網(wǎng)絡(luò)進行訓練，其可靠性強，故在函數(shù)逼近，模式識別，信息分類及數(shù)據(jù)壓縮等領(lǐng)域得到了廣泛的應(yīng)用。由于它的數(shù)學意義明確，學習算法步驟分明，使得應(yīng)用背景更加廣泛，可以實現(xiàn)輸入到輸出的任意非線性映射。目前,在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中,絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP網(wǎng)絡(luò)及其變化形勢，它也是前向網(wǎng)絡(luò)網(wǎng)絡(luò)的核心部分,體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)的精華。,BP網(wǎng)絡(luò)主要用于以下四個方面,(1)函數(shù)逼近用輸入向量和相應(yīng)的輸出向量訓練一個網(wǎng)絡(luò)逼近一個函數(shù)；,

6、(2)模式識別用一個待定的輸出向量將它與輸入向量聯(lián)系；,(3)分類把輸入向量所定義的合適方式進行分類；,(4)數(shù)據(jù)壓縮減少輸出向量為數(shù)以便于傳輸或存儲。,6,BP,診斷流程圖,硬件部分及解決方案,本課題通過檢測凝汽器真空度、凝結(jié)水泵出口壓力、凝結(jié)水泵電動機電流、循環(huán)水溫、循環(huán)水泵電動機電流、循環(huán)水泵出口壓力、凝結(jié)水電導率、凝結(jié)水過冷度此8方面來檢測凝汽器故障,此8方面可用壓力傳感器、電流表、凝結(jié)水電導儀、溫度傳感器、智能傳感器來監(jiān)測。具體故障診斷參數(shù)采集整理過程如右圖所示。,BP網(wǎng)絡(luò)診斷以及難點內(nèi)容,本文在熟悉和掌握火電廠凝汽器運行機理特點、了解其故障過程本質(zhì)的基礎(chǔ)上，搜集凝汽器常見故障參數(shù)數(shù)

7、據(jù)，設(shè)置人工神經(jīng)網(wǎng)絡(luò)凝汽器故障診斷，本文采用BP診斷進行故障類型識別。,利用MATLAB數(shù)學建模軟件，并對其進行二次開發(fā)，對上述模型進行人工智能培訓，記憶各故障數(shù)據(jù)，并著重分析凝汽器故障產(chǎn)生的可能參數(shù)，從真空度、凝結(jié)水泵出口壓力、凝結(jié)水泵電動機電流、循環(huán)水溫，循環(huán)水泵電動機電流、循環(huán)水泵出口壓力、凝結(jié)水電導率、凝結(jié)水過冷度等8個主要參數(shù)分析，對常見的循環(huán)水泵嚴重事故、凝汽水管臟污、凝汽器滿水、真空系統(tǒng)不嚴密、凝汽器銅管破裂5種故障類型進行準確的識別。,學會MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的應(yīng)用設(shè)計；,特征數(shù)據(jù)的篩選，模擬故障信號，實現(xiàn)系統(tǒng)的故障識別功能；,學習調(diào)用函數(shù)與創(chuàng)建診斷,GUI,界面；,對最

8、終的故障診斷系統(tǒng)進行準確率的提高。,9,BP網(wǎng)絡(luò)數(shù)據(jù)采集函數(shù),function train_data,test_data=ReadData(),data=load(data.txt);,data1=data(find(data(:,9)=1),:);,data2=data(find(data(:,10)=1),:);,data3=data(find(data(:,11)=1),:);,data4=data(find(data(:,12)=1),:);,data5=data(find(data(:,13)=1),:);,train=data1(1:12,:);data2(1:12,:);data

9、3(1:12,:);data4(1:12,:);data5(1:12,:);,train_data=train(:,1:8);,test=data1(13:16,:);data2(13:16,:);data3(13:16,:);data4(13:16,:);data5(13:16,:);,test_data=test(:,1:8);,End,數(shù)據(jù)表格,BP,網(wǎng)絡(luò)創(chuàng)建函數(shù),pn為歸一化處理后的訓練集向量空間,%net 建立的BP神經(jīng)網(wǎng)絡(luò),functionnet=createBP(pn,num_hidden,func_hidden,func_out,trainfunc,goal,epochs,le

10、arn_rate),fprintf(開始構(gòu)建BP神經(jīng)網(wǎng)絡(luò));,%輸入隱含層單元數(shù)，num_hidden儲存該值的變量,num_hidden=input(輸入隱含層神經(jīng)元個數(shù):(40:20:100);,%輸入輸入層與隱含層之間的傳遞函數(shù)，func_hidden儲存該字符串的變量，func_hidden=input(請輸入輸入層與隱含層之間的傳遞函數(shù)；,%(tansig,purelin),s)，輸入隱含層與輸出層之間的傳遞函數(shù)；,%func_out儲存該字符串的變量，func_out=input(請輸入隱含層與輸出層之間的傳遞函數(shù)；,%輸入BP訓練函數(shù)，trainfunc儲存該字符串的變量，tra

11、infunc=input(請輸入BP網(wǎng)絡(luò)訓練函數(shù):(trainrp),s)；,%輸入訓練目標，goal儲存該值的變量，goal=input(請輸入訓練目標（0.01）(1e5):);,%輸入訓練次數(shù)，epochs儲存該值的變量，epochs=input(請輸入訓練次數(shù):(8000);,%輸入學習速率，learn_rate儲存該值的變量，learn_rate=input(請輸入學習速率(0.1):(0.005);,fprintf(開始構(gòu)建BP神經(jīng)網(wǎng)絡(luò),請等待.);,net=newff(minmax(pn),num_hidden,5,func_hidden,func_out,trainfunc);

12、,%調(diào)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，構(gòu)建BP神經(jīng)網(wǎng)絡(luò),net.trainParam.goal=goal;%設(shè)置訓練目標,net.trainParam.epochs=epochs;%訓練迭代數(shù),net.trainParam.lr=learn_rate;%設(shè)置學習速率,fprintf(BP神經(jīng)網(wǎng)絡(luò)搭建結(jié)束！);,BP網(wǎng)絡(luò)訓練函數(shù),%net BP神經(jīng)網(wǎng)絡(luò),%pn 為歸一化處理后的訓練集,%t 訓練集對應(yīng)的目標集,%返回參數(shù),%net 訓練后的神經(jīng)網(wǎng)絡(luò),%tr 訓練過程記錄,functionnet,tr=trainBP(net,pn,t),disp(開始訓練BP神經(jīng)網(wǎng)絡(luò)，這個過程比較長，需耐心等待.)

13、;,net,tr=train(net,pn,t);,disp(神經(jīng)網(wǎng)絡(luò)訓練結(jié)束！);,BP網(wǎng)絡(luò)準確率統(tǒng)計函數(shù),%net 已經(jīng)訓練好的神經(jīng)網(wǎng)絡(luò),%pnewn 歸一化處理后的測試集 向量空間,%pn 歸一化處理后的訓練集 向量空間,%num_train 每個用于訓練的圖片數(shù)目,%num_test 每個用于測試的圖片數(shù)目,%返回參數(shù),%result_test 測試的輸出結(jié)果向量空間,%result_train 訓練的輸出結(jié)果向量空間,%count_test 分類正確的測試集數(shù)目整型,%count_train 分類正確的訓練集數(shù)目整型,%Test_reg 測試集識別率,%Train_reg 訓練集識別

14、率,%Total_reg 總識別率,function Test_reg=result(net,pnewn,pn,num_train,num_test),fprintf(測試神經(jīng)網(wǎng)絡(luò),統(tǒng)計識別正確的圖片數(shù)nn);,%測試模擬結(jié)果,%計算在得出的結(jié)果中，被正確識別出來的測試集圖片數(shù)目,if(I(1,(f-1)*num_test+g)=f),count_test=count_test+1;,end,end,for h=1:num_train,%計算在得出的結(jié)果中，被正確識別出來的訓練集圖片數(shù)目,if(B(1,(f-1)*num_train+h)=f),count_train=count_train+

15、1;,end,end,end,%計算出所有測試集的圖片總數(shù),GUI,界面創(chuàng)建函數(shù),edit4=uicontrol(h_f,style,edit,position,126,360,60,40,string,backgroundcolor,g);,.,edit11=uicontrol(h_f,style,edit,position,574,360,60,40,string,backgroundcolor,g);,以上為對8個數(shù)據(jù)參數(shù)的文本框及內(nèi)容字符串數(shù)字高度等進行編程；,button_recg=uicontrol(h_f,style,push,string,訓練,position,20 50 1

16、50 50,callback,train);,%訓練按鈕調(diào)用程序為GUIrecg里面的函數(shù),button_match=uicontrol(h_f,style,push,string,bp識別,position,400 50 180 50,callback,GUIrecg);,%bp識別按鈕調(diào)用程序為GUIrecg里面的函數(shù)；,最終,GUI,界面效果,實驗證明,為驗證前文設(shè)立的故障診斷學習狀態(tài)模型是否可靠以及最終編程模擬是否準確，故在本課題進行試驗來對前文進行的模擬結(jié)果進行驗證，通過檢測各故障的分析數(shù)據(jù)狀態(tài)，來與模擬結(jié)果進行對比來確定模型的可靠性和準確性。,本章將分具體故障類型將試驗過程進行完整分析。試驗步驟為依次進行真空系統(tǒng)不嚴密、凝汽管臟污、循環(huán)水泵嚴重事故、凝汽器滿水、凝汽管破裂五種故障進行數(shù)據(jù)模擬分析，每種故障隨機選取5組故障數(shù)據(jù)參數(shù)，將其帶入故障診斷界面，并依次進行訓練和BP診斷，在訓練完成后觀察器圖象的重合性是否達到要求，如果達到要求則進行BP診斷；否則，進行再次訓練學習，直到達到標準進行BP診斷。,真空系統(tǒng)不嚴密故障數(shù)據(jù)驗證,以下數(shù)據(jù)依次帶入測試數(shù)據(jù)框內(nèi)，點擊bp識別，判斷