基于免疫克隆与模糊聚类的汽轮机故障诊断方法的研究

提出了一种免疫克隆选择算法与模糊C-均值聚类算法相结合的混合聚类算法,是一种有监督学习和无监督学习结合的算法。该算法首先用克隆选择算法对模糊聚类中心的选取进行指导,然后进行聚类。仿真结果表明,将该算法用于汽轮机的故障诊断,能够正确地诊断出存在的故障,提高了故障诊断的准确性和有效性,其性能优于模糊C-均值聚类的故障诊断方法。

基于高斯混合模型的汽轮机振动故障诊断

采用高斯混合模型(GMM)与小波包分析相结合的方法,对汽轮机振动故障进行了诊断研究。首先对振动故障信号进行小波包分解,去除干扰信号,提取包含故障特征信息的频段作为故障特征矢量。以此特征矢量建立GMM,并用建立的模型识别各种故障。利用在Bently实验台上测得的实验数据进行建模及故障识别。计算结果中,当模数M=12时,GMM识别故障的正确率约80%～90%,表明GMM结合小波包分析进行汽轮机振动故障诊断的方法能取得较好的效果。

改进D-S算法在船舶汽轮机故障诊断中的应用研究

针对汽轮机组的故障特征,将多个传感器获得的实时信号进行特征提取,对D-S证据理论在应用中不合理处进行改进。应用比较的结果表明,改进后的算法公式可信度明显提高,不确定性大大降低。

基于信息融合技术的船舶汽轮机故障诊断和预测的研究

汽轮机是船舶电力系统的重要组成部件,其系统运转的好坏关系到船舶航行的顺利进行,对船舶汽轮机故障诊断及预测是保障其良好运行的前提。传统的汽轮机故障诊断是对不同类型数据源进行单维度网络分析,随着设备复杂度的增加,故障诊断及预测的准确性与实效性已经越来越不能满足现代船舶故障诊断系统的要求。本文对汽轮机的故障采集数据进行多维度融合,建立集成神经网络的船舶汽轮机故障诊断及预测模型,最后进行仿真。

基于序列数据异常趋势识别的故障诊断方法

在专家诊断经验中经常会采用序列数据的变化趋势作为诊断依据。由于重大设备诊断缺乏故障样本,多以专家经验为依据,使一般的定性趋势分析方法不易在智能诊断系统中直接应用。因此,提出了一种融合专家经验的序列数据趋势识别方法。该方法基于专家对趋势特征的描述,以模糊矢量形式描述序列数据的变化趋势。然后通过趋势识别决策树,实时判断数据趋势类型。将该方法应用于汽轮机故障案例中,验证了该方法提取的趋势特征可有效提高汽轮机故障诊断模型的准确度。

电厂汽机摩擦振动故障分析与诊断

汽轮机静、动摩擦是引起摩擦振动的常见原因。摩擦振动故障的准确诊断和检测对提高汽轮机的安全性能至关重要。目前,在 摩擦误差诊断中,主要根据振动、频谱、波形或轴轨变化来分析振动特性。对电厂汽轮机摩擦振动故障进行了分析。