《火電廠凝汽器系統(tǒng)故障診斷系統(tǒng)研究畢業(yè)設(shè)計(jì)》由會(huì)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(jì)（22頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。
1、單擊此處編輯母版標(biāo)題樣式,單擊此處編輯母版文本樣式,第二級(jí),第三級(jí),第四級(jí),第五級(jí),*,*,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(xué)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(jī)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(diǎn),5,結(jié)論,6,國(guó)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(jiǎn)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(jī)做完工的排氣進(jìn)
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(jìn)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(dāng)比體積很大的排氣在密閉的凝汽其中凝結(jié)成水時(shí),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(huì)通過處于真空狀態(tài)下的不嚴(yán)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(jī)組安全經(jīng)濟(jì)運(yùn)行。,綜上所述,凝汽設(shè)備的主要任務(wù)是,(1)在汽輪機(jī)排氣口建立并維持高度真空度；,(2)將汽輪機(jī)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(jī)組的重要輔機(jī)之一，其主要功能是保證汽輪機(jī)排汽在凝汽器中不斷地凝結(jié)，并使凝汽器達(dá)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(duì)于整個(gè)火電廠的安全經(jīng)濟(jì)運(yùn)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(dòng)等，其中，最常見的故障是低真空，這是本課題研究的重點(diǎn)。引起凝汽器低真空的原因很多，有時(shí)幾種因素同時(shí)出現(xiàn)，這給故障診斷帶來了困難。本課題就是想在詳細(xì)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(jì)算機(jī)，利用模糊神經(jīng)網(wǎng)絡(luò)的診斷方法，能使一 般的運(yùn)行人員也可以準(zhǔn)確快速地找出
4、故障原因，并采取正確的措施進(jìn)行處理。,4,國(guó)內(nèi)外研究狀況,美國(guó)已發(fā)展成為網(wǎng)絡(luò)化的汽輪發(fā)電機(jī)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(jī)TurbineAID，發(fā)電機(jī)GenAID，水化學(xué)ChemAID)共有近萬(wàn)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(dǎo)火電廠運(yùn)行和維護(hù)的專家系統(tǒng)；,國(guó)內(nèi)在智能診斷方面的研究已蓬勃展開，國(guó)內(nèi)多所大學(xué)、研究所、電廠和有關(guān)生產(chǎn)廠家紛紛投入人力、物力進(jìn)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(jī)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(jī)組和石化企業(yè)壓縮機(jī)組的
5、狀態(tài)監(jiān)測(cè)和故障診斷。,5,人工神經(jīng)網(wǎng)絡(luò),BP,診斷機(jī)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(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其可靠性強(qiáng)，故在函數(shù)逼近，模式識(shí)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(xué)意義明確，學(xué)習(xí)算法步驟分明，使得應(yīng)用背景更加廣泛，可以實(shí)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(shí)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(shì)，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(gè)方面,(1)函數(shù)逼近用輸入向量和相應(yīng)的輸出向量訓(xùn)練一個(gè)網(wǎng)絡(luò)逼近一個(gè)函數(shù)；,
6、(2)模式識(shí)別用一個(gè)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(jìn)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(chǔ)。,6,BP,診斷流程圖,硬件部分及解決方案,本課題通過檢測(cè)凝汽器真空度、凝結(jié)水泵出口壓力、凝結(jié)水泵電動(dòng)機(jī)電流、循環(huán)水溫、循環(huán)水泵電動(dòng)機(jī)電流、循環(huán)水泵出口壓力、凝結(jié)水電導(dǎo)率、凝結(jié)水過冷度此8方面來檢測(cè)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(dǎo)儀、溫度傳感器、智能傳感器來監(jiān)測(cè)。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(diǎn)內(nèi)容,本文在熟悉和掌握火電廠凝汽器運(yùn)行機(jī)理特點(diǎn)、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(jìn)行故障類型識(shí)別。,利用MATLAB數(shù)學(xué)建模軟件，并對(duì)其進(jìn)行二次開發(fā)，對(duì)上述模型進(jìn)行人工智能培訓(xùn)，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(dòng)機(jī)電流、循環(huán)水溫，循環(huán)水泵電動(dòng)機(jī)電流、循環(huán)水泵出口壓力、凝結(jié)水電導(dǎo)率、凝結(jié)水過冷度等8個(gè)主要參數(shù)分析，對(duì)常見的循環(huán)水泵嚴(yán)重事故、凝汽水管臟污、凝汽器滿水、真空系統(tǒng)不嚴(yán)密、凝汽器銅管破裂5種故障類型進(jìn)行準(zhǔn)確的識(shí)別。,學(xué)會(huì)MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的應(yīng)用設(shè)計(jì)；,特征數(shù)據(jù)的篩選，模擬故障信號(hào)，實(shí)現(xiàn)系統(tǒng)的故障識(shí)別功能；,學(xué)習(xí)調(diào)用函數(shù)與創(chuàng)建診斷,GUI,界面；,對(duì)最
8、終的故障診斷系統(tǒng)進(jìn)行準(zhǔn)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(xùn)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(chǔ)存該值的變量,num_hidden=input(輸入隱含層神經(jīng)元個(gè)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(chǔ)存該字符串的變量，func_hidden=input(請(qǐng)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(chǔ)存該字符串的變量，func_out=input(請(qǐng)輸入隱含層與輸出層之間的傳遞函數(shù)；,%輸入BP訓(xùn)練函數(shù)，trainfunc儲(chǔ)存該字符串的變量，tra
11、infunc=input(請(qǐng)輸入BP網(wǎng)絡(luò)訓(xùn)練函數(shù):(trainrp),s)；,%輸入訓(xùn)練目標(biāo)，goal儲(chǔ)存該值的變量，goal=input(請(qǐng)輸入訓(xùn)練目標(biāo)（0.01）(1e5):);,%輸入訓(xùn)練次數(shù)，epochs儲(chǔ)存該值的變量，epochs=input(請(qǐng)輸入訓(xùn)練次數(shù):(8000);,%輸入學(xué)習(xí)速率，learn_rate儲(chǔ)存該值的變量，learn_rate=input(請(qǐng)輸入學(xué)習(xí)速率(0.1):(0.005);,fprintf(開始構(gòu)建BP神經(jīng)網(wǎng)絡(luò),請(qǐng)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(xùn)練目標(biāo),net.trainParam.epochs=epochs;%訓(xùn)練迭代數(shù),net.trainParam.lr=learn_rate;%設(shè)置學(xué)習(xí)速率,fprintf(BP神經(jīng)網(wǎng)絡(luò)搭建結(jié)束！);,BP網(wǎng)絡(luò)訓(xùn)練函數(shù),%net BP神經(jīng)網(wǎng)絡(luò),%pn 為歸一化處理后的訓(xùn)練集,%t 訓(xùn)練集對(duì)應(yīng)的目標(biāo)集,%返回參數(shù),%net 訓(xùn)練后的神經(jīng)網(wǎng)絡(luò),%tr 訓(xùn)練過程記錄,functionnet,tr=trainBP(net,pn,t),disp(開始訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，這個(gè)過程比較長(zhǎng)，需耐心等待.)
13、;,net,tr=train(net,pn,t);,disp(神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束！);,BP網(wǎng)絡(luò)準(zhǔn)確率統(tǒng)計(jì)函數(shù),%net 已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),%pnewn 歸一化處理后的測(cè)試集 向量空間,%pn 歸一化處理后的訓(xùn)練集 向量空間,%num_train 每個(gè)用于訓(xùn)練的圖片數(shù)目,%num_test 每個(gè)用于測(cè)試的圖片數(shù)目,%返回參數(shù),%result_test 測(cè)試的輸出結(jié)果向量空間,%result_train 訓(xùn)練的輸出結(jié)果向量空間,%count_test 分類正確的測(cè)試集數(shù)目整型,%count_train 分類正確的訓(xùn)練集數(shù)目整型,%Test_reg 測(cè)試集識(shí)別率,%Train_reg 訓(xùn)練集識(shí)別
14、率,%Total_reg 總識(shí)別率,function Test_reg=result(net,pnewn,pn,num_train,num_test),fprintf(測(cè)試神經(jīng)網(wǎng)絡(luò),統(tǒng)計(jì)識(shí)別正確的圖片數(shù)nn);,%測(cè)試模擬結(jié)果,%計(jì)算在得出的結(jié)果中，被正確識(shí)別出來的測(cè)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(jì)算在得出的結(jié)果中，被正確識(shí)別出來的訓(xùn)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(jì)算出所有測(cè)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(duì)8個(gè)數(shù)據(jù)參數(shù)的文本框及內(nèi)容字符串?dāng)?shù)字高度等進(jìn)行編程；,button_recg=uicontrol(h_f,style,push,string,訓(xùn)練,position,20 50 1
16、50 50,callback,train);,%訓(xùn)練按鈕調(diào)用程序?yàn)镚UIrecg里面的函數(shù),button_match=uicontrol(h_f,style,push,string,bp識(shí)別,position,400 50 180 50,callback,GUIrecg);,%bp識(shí)別按鈕調(diào)用程序?yàn)镚UIrecg里面的函數(shù)；,最終,GUI,界面效果,實(shí)驗(yàn)證明,為驗(yàn)證前文設(shè)立的故障診斷學(xué)習(xí)狀態(tài)模型是否可靠以及最終編程模擬是否準(zhǔn)確，故在本課題進(jìn)行試驗(yàn)來對(duì)前文進(jìn)行的模擬結(jié)果進(jìn)行驗(yàn)證，通過檢測(cè)各故障的分析數(shù)據(jù)狀態(tài)，來與模擬結(jié)果進(jìn)行對(duì)比來確定模型的可靠性和準(zhǔn)確性。,本章將分具體故障類型將試驗(yàn)過程進(jìn)行完整分析。試驗(yàn)步驟為依次進(jìn)行真空系統(tǒng)不嚴(yán)密、凝汽管臟污、循環(huán)水泵嚴(yán)重事故、凝汽器滿水、凝汽管破裂五種故障進(jìn)行數(shù)據(jù)模擬分析，每種故障隨機(jī)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(jìn)行訓(xùn)練和BP診斷，在訓(xùn)練完成后觀察器圖象的重合性是否達(dá)到要求，如果達(dá)到要求則進(jìn)行BP診斷；否則，進(jìn)行再次訓(xùn)練學(xué)習(xí)，直到達(dá)到標(biāo)準(zhǔn)進(jìn)行BP診斷。,真空系統(tǒng)不嚴(yán)密故障數(shù)據(jù)驗(yàn)證,以下數(shù)據(jù)依次帶入測(cè)試數(shù)據(jù)框內(nèi)，點(diǎn)擊bp識(shí)別，判斷
火電廠凝汽器系統(tǒng)故障診斷系統(tǒng)研究畢業(yè)設(shè)計(jì)
