基于改进鸡群算法和相关向量机的燃气轮机气路故障诊断技术研究

在管道输送过程中,燃气轮机的健康状态与管道的安全平稳运行密切相关。为提高燃驱压缩机组燃气轮机气路故障诊断的准确率,以双轴燃气轮机为对象,通过建模获得不同气路故障类型的数据集,引入相关向量机(RVM)模型对典型气路故障进行分类诊断,并采用改进鸡群算法(ECSO)对RVM模型的超参数进行寻优。结果表明,ECSO-RVM模型的分类精度为95.55%,明显优于支持向量机(SVM)、径向基核函数(RBF)神经网络、反向传播(BP)神经网络、改进蜂群算法-自适应模糊推理系统(IABC-ANFIS)和深度置信网络(DBN)等模型;在添加不同程度高斯白噪声的条件下,ECSO-RVM模型的分类精度始终保持在80%以上,说明该模型的分类精度、抗噪声能力和泛化能力较好,可用于燃气轮机气路故障的快速识别和诊断。

基于CEEMD-FCM的天然气储运压缩机气阀故障识别技术

为实现天然气储运过程中往复式压缩机气阀故障的快速识别与诊断,采用互补集合经验模态分解(CEEMD)算法对信号进行模态分解,并借助相关系数和能量熵值原理提取信号特征参数;利用人工蜂群(ABC)算法寻找样本初始聚类中心,对模糊C均值聚类(FCM)算法进行优化,完成气阀状态的识别。结果表明:采用CEEMD算法对气阀状态信号进行特征提取,可有效解决经验模态分解(EMD)模态混叠和集合经验模式分解(EEMD)重构误差的问题;与其余组合模型相比,CEEMD-ABC-FCM模型的聚类效果最佳,总分类精度为95%,迭代步数和计算时间最短,可识别不同气阀状态的波形信号。研究结果可为压缩机故障诊断与识别提供理论指导。

基于IPSO-LSSVM的离心式压缩机性能预测方法

针对离心式压缩机实际性能曲线与厂家提供的性能曲线存在差异的问题,以某压气站SCADA运行数据为基础,采用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)法对压缩机的性能曲线进行预测,同时结合改进粒子群(Improved Particle Swarm Optimization,IPSO)算法优化LSSVM模型,构建基于IPSO-LSSVM的离心式压缩机性能预测方法。结果表明:采用可变惯性权重和添加扰动因子后的IPSO算法的迭代速率更快,与其他预测模型相比,IPSO-LSSVM模型的预测精度最高,出口压力的MRE、RMSE分别为0.57%、0.055 6,出口温度的MRE、RMSE分别为0.30%、0.137 4。新建预测模型具有较好的预测精度和拟合效果,可为压缩机性能预测及制定防喘振措施提供理论依据。(图8,表2,参21)