故障与维护计算机硬件论文提纲

论文题目：证据驱动型火电机组状态预警方法及其应用研究

摘要：对火电机组设备的实时运行状态进行监测,对设备可能的异常状态进行及时的预警并对异常原因进行诊断分析,是保障火电机组健康稳定运行,进而维护电网安全稳定运行的重要手段,也是一项极具挑战性的任务。针对设备运行状态存在的不精确性不确定性,复杂设备机理建模困难以及设备异常或故障样本缺乏的问题,论文研究了基于证据驱动的火电机组设备状态监测、预警及诊断方法的课题,内容涉及设备运行状态的挖掘与表征,设备状态监测及预警,异常状态预警原因分析等。此外,文中还介绍了证据驱动型火电机组状态预警方法在云南省发电设备状态预警平台上的实际应用情况。论文进行了如下主要研究与创新:提出了一种采用基于密度峰值的聚类方法（DPC）的设备运行状态挖掘方法,并基于证据理论框架对设备运行状态进行证据表征,构建设备典型状态证据库。DPC聚类方法可以根据设备历史运行数据的密度分布情况,合理地挖掘设备的典型运行状态,并且不需要预先给定聚类数目。采用证据的形式对设备状态进行表征,可充分表达设备状态的不精确和不确定性。此外,针对对海量数据直接进行DPC聚类分析存在的计算时间长,对计算机硬件要求高等问题,提出一种动态密度偏差抽样算法（DBS）。对海量运行数据进行抽样后再利用DPC方法进行设备状态挖掘,可以有效解决上述问题。动态密度偏差抽样算法很好地解决了传统密度偏差抽样算法中预计抽样数与实际抽样数偏差大的问题。基于调整兰德指数（ARI）,提出了一个可衡量动态DBS算法性能的指标,并根据该指标对动态DBS算法中相关参数的选择进行了研究。提出了一种基于改进证据分类器的设备状态监测与预警方法（CMEW-EKNN）。该方法仅仅基于设备的正常运行数据就可实现设备状态监测及异常状态的预警,解决了设备故障样本缺乏以及获取困难的难题。针对数据样本分布不均的问题,采用一种自适应折现因子用于证据分类器中的证据折现,使得预警模型的局部预警边界能够根据局部训练样本数据的分布特征自适应变化,从而提高预警方法的准确性与鲁棒性。此外,基于留一交叉验证法和变步长渐增迭代法,对折现因子的大小进行了宏观的调整,在不破坏其自适应能力的前提条件下,可以使得预警方法的性能最优。CMEW-EKNN可以对设备状态进行实时监测并给出设备状态的衍变趋势,对设备潜在的异常或故障及时发出警报,防止设备异常状态进一步恶化。提出了一种新的用于k近邻准确搜索的距离计算方法,可使得设备出现异常时k近邻的搜索更准确。基于证据分类器的状态监测与预警方法中,k近邻的搜索过程是根据设备当前状态点与设备状态库中的典型状态点之间的距离来确定,因此某一个或多个运行变量的值发生异常都会导致k近邻搜索过程产生偏差。而设备或过程的运行变量可分为输入和输出两种类型。当设备状态出现异常时,往往表现为一个或多个输出变量的异常偏离,而输入变量受设备异常状态的影响较小。论文采用设备输入空间距离和输出空间距离平方的加权和来进行设备实时状态点k近邻的搜索,有效降低了设备输入输出惯性延迟和输出变量异常偏移对k近邻搜索精度造成的影响。提出了一种基于近邻残差的设备异常状态预警原因反演分析方法。针对传统的基于模型的残差生成方法依赖于机理建模的问题,论文基于k近邻（KNN）的核心思想,以构建的设备典型状态证据库为参照集生成近邻残差,避免了机理建模的困难。采用证据分类器中的证据融合思想将近邻残差进行融合,可对设备异常变量进行定位,进而判断预警发生时设备是发生了真实的异常还是出现了新的状态。针对设备异常或故障数据样本缺乏的问题,论文采用对近邻残差的衍变方向进行评估的方法,结合专家知识或经验,对设备可能的异常原因作出诊断分析,从而为设备的检修提供指导建议。采用高压加热器和凝汽器的如泄漏、结垢等多种不同类型突变与缓变异常的仿真数据对本文状态预警算法的有效性进行了验证。论文中利用现场仅有的一些实际异常数据对状态预警方法的性能进行了一定的测试,但还不充分。针对设备异常或故障数据样本缺乏的实际情况,建立了台州第二发电厂高压加热器和凝汽器的动态仿真模型,并对这两个设备的多种异常状态进行了仿真,以此获得异常测试数据。利用仿真获得的设备正常运行数据,建立了设备典型状态证据库。基于该状态证据库,采用本文中提出的设备状态预警方法,对设备不同的异常状态进行了检测与诊断测试,以此验证了证据驱动型设备状态预警方法对不同类型异常状态进行检测与诊断的能力。

关键词：状态监测;预警;证据理论;证据分类器;状态挖掘;自适应折现因子;建模仿真;火电机组

学科专业：动力工程及工程热物理

摘要

Abstract

主要符号说明

第1章 绪论

1.1 选题背景及意义

1.2 国内外研究进展

1.2.1 基于模型的状态监测与预警方法

1.2.2 基于信号处理的状态监测与预警方法

1.2.3 基于知识的状态监测与预警方法

1.3 当前研究中存在的问题

1.3.1 状态监测及预警方法存在的问题

1.3.2 证据理论在故障预警领域中应用存在的问题

1.4 本文的主要研究思路及内容

1.5 论文主要创新点

第2章 证据理论及证据分类器

2.1 引言

2.2 证据理论

2.3 融合法则

2.3.1 TBM与法则

2.3.2 基于与权函数的谨慎融合法则

2.3.3 证据融合示例

2.4 经典证据KNN分类器

2.4.1 基本原理

2.4.2 参数选择

2.5 本章小结

第3章 设备典型状态挖掘及证据表征方法研究

3.1 引言

3.2 特征选择与提取

3.3 基于DPC的设备典型状态挖掘

3.3.1 设备典型状态挖掘思路

3.3.2 聚类算法

3.3.3 基于DPC的设备典型状态挖掘

3.4 设备运行状态的证据表征

3.5 基于动态DBS的设备典型样本选择方法

3.5.1 密度偏差抽样方法

3.5.2 动态密度偏差抽样方法

3.5.3 动态DBS性能分析及参数选择

3.6 实际应用算例

3.6.1 一次风机运行状态挖掘案例

3.6.2 高压加热器运行状态挖掘案例

3.7 本章小结

第4章 基于证据分类器的状态监测与预警方法研究

4.1 引言

4.2 正常运行数据驱动的异常检测方法

4.2.1 主元分析法

4.2.2 FD-kNN故障检测方法

4.3 自适应折现因子证据分类器EKNN

4.3.1 EKNN的“距离抑制分类”特性

4.3.2 自适应折现因子

4.4 基于改进EKNN的状态监测及预警方法

4.4.1 基本思想及框架

4.4.2 基于改进EKNN的状态监测及预警

4.4.3 预警阈值选择

4.4.4 留一法参数选择

4.4.5 邻域快速搜索方法

4.4.6 数值模拟示例分析

4.5 CMEW-EKNN在火电机组设备上的实际应用

4.5.1 实际应用Ⅰ:一次风机

4.5.2 实际应用Ⅱ:高压给水加热器

4.5.3 计算结果及讨论

4.6 本章小结

第5章 基于近邻残差的预警原因反演方法研究

5.1 引言

5.2 基于证据反演方法的异常变量定位

5.2.1 k近邻精准搜索

5.2.2 异常变量定位

5.2.3 参数选择

5.3 基于近邻残差及专家知识的预警原因诊断

5.3.1 近邻残差衍变趋势分析

5.3.2 基于专家知识的预警原因诊断

5.4 实际应用案例

5.4.1 实际应用Ⅰ:一次风机

5.4.2 实际应用Ⅱ:高压给水加热器

5.5 本章小结

第6章 基于仿真建模的设备状态监测及预警算法验证

6.1 引言

6.2 仿真对象介绍

6.2.1 高压加热器

6.2.2 凝汽器

6.3 高压加热器仿真建模

6.3.1 高压加热器动态数学模型

6.3.2 高加水位自动控制

6.3.3 高压加热器Simulink仿真

6.3.4 高加全工况仿真及异常状态仿真

6.4 凝汽器仿真建模

6.4.1 凝汽器动态数学模型

6.4.2 凝汽器全工况仿真及异常状态仿真

6.5 基于仿真结果的状态监测、预警及诊断算法验证

6.5.1 高压加热器异常状态检测

6.5.2 凝汽器异常状态检测

6.6 本章小结

第7章 状态预警方法在火电机组设备上的实际应用

7.1 引言

7.2 系统软件集成技术及应用

7.3 平台设计及集成方案

7.3.1 硬件平台架构

7.3.2 软件平台架构

7.4 现场实际应用情况

7.5 设备状态证据库更新

7.6 本章小结

第8章 论文总结与展望

8.1 总结

8.2 展望

致谢

参考文献