基于独立成分分析的汽轮机状态监测方法

现代汽轮机由于结构紧凑,复杂,运行工况恶劣,导致传统的监测手段无法准确地反映设备的运行状态。传感器由于各个部件之间的耦合影响导致采样数据不稳定、不确定,也不能及时反映该部件的运行状态。因此,基于变工况条件下的实际运行问题,本文提出了基于独立成分分析的汽轮机状态监测方法。该方法能够将各个部件之间的互相影响进行分离,从而得到定义该部件运行的稳定状态参数。经过实验对比,发现利用经过独立成分分析的数据进行状态监测和异常检测,其模型误差要比利用原始数据的误差小30%。因此,该方法针对大型变工况汽轮机的状态监测具有很大的实际指导意义。

基于光滑支持向量回归的汽轮机振动分析

传统的时间序列分析方法如统计和神经网络并不适用于复杂的非线性系统。为此,引入了支持向量回归(SVR)算法用以解决复杂时间序列的预测问题,在Matlab6.5环境下编程实现SVR算法,对汽轮机振动数据进行拟合和预测,并与神经网络方法进行比较。为了降低计算的复杂度,在SVR的基础上,采用光滑化算法,对汽轮机振动时间序列进行预测分析。仿真结果表明,光滑支持向量回归(SSVR)在预测性能方面明显优于神经网络。与SVR相比,SSVR具有更好的收敛速度和精度,适于进行复杂动态系统的时间序列分析。

一种符号化的汽轮机效率异常检测方法

汽轮机异常检测对于其可靠和经济的运行具有重要的意义。考虑到异常数据和检测模型的敏感性和鲁棒性,本文提出了一种基于序列符号的异常检测方法,并将其应用于汽轮机回热器的异常检测。本文采用有限状态机评估回热器产生符号序列的后验概率,然后基于概率估计的模型用于检测异常。实验结果表明,模型具有理想的性能,并且基于估计的模型具有较强的鲁棒性。因此,本文所提出的方法可以很好地促进现有的基于符号动态分析的异常检测方法,特别是在汽轮机异常检测领域。