一、D-S证据理论在凝汽器故障诊断中的应用（论文文献综述）
鲁继瑶[1]（2021）在《基于信息融合的齿轮箱磨损故障诊断》文中认为齿轮箱作为机械设备的重要传动部件,其运行状态直接影响整体机械设备的稳定运行,由于其大多工作在高速度、重载荷、强冲击的恶劣工况下,因此齿轮箱故障频次较高。因磨损而产生的齿轮箱故障和失效是引发设备严重事故的主要原因之一。目前齿轮箱故障诊断通常采用振动监测、声信号监测和油液监测等方法。其中,振动监测与声信号监测易受噪声影响,不适用于恶劣环境及噪声频繁的工况。油液监测抗干扰能力强,适用于各类复杂工况。本文以装甲车辆齿轮箱故障诊断为研究对象,针对基于油液信息的齿轮箱磨损故障诊断算法展开研究,并针对单一故障诊断模型诊断精度低、稳定性较差,提出一种基于信息融合的齿轮箱磨损故障诊断方法。论文的研究内容如下:（1）研究齿轮箱磨损故障机理,分类齿轮箱的磨损失效形式和常见故障类型,对齿轮箱故障诊断技术展开研究,对比振动监测、声信号监测和油液监测方法的适用情况和优缺点。（2）基于齿轮箱的油液监测信息,分别建立BP神经网络（Back Propagation Neural Network,BPNN）、支持向量机（Support Vector Machine,SVM）和极限学习机（Extreme Learning Machine,ELM）三种特征级故障诊断模型。其中,针对传统BP神经网络识别准确率较低、收敛速度慢等缺点,提出采用增加动量项和自适应学习率的改进方法。对三种齿轮箱故障诊断分类模型的诊断结果进行对比分析。（3）建立三个特征级齿轮箱故障诊断模型,将单一故障诊断模型的输出结果作为证据体,通过模型的误差函数或识别错误率分别赋予各证据体基本概率分配函数,并基于D-S证据理论对各组证据进行融合,得出最终的诊断结果。鉴于经典D-S证据理论无法处理高度冲突证据的合成,提出基于证据距离加权的改进方法。最后,对齿轮箱信息融合系统进行抗干扰性验证。仿真实验结果表明,基于改进D-S证据理论融合的齿轮箱故障诊断方法可以有效提高齿轮箱磨损故障类型的识别准确率,并增强网络的抗干扰能力,能够较好的满足实际工程需要。
赵祥[2]（2019）在《基于粗糙集与证据理论的船舶发电机组故障诊断研究》文中研究表明在大数据的背景下,利用船舶运行数据对船舶设备进行故障诊断是未来发展的必然趋势,船舶发电机组作为船舶的重要组成部分,由于其工作环境恶劣,设备容易发生故障且这些故障通常难以快速发现,所以对其故障准确快速诊断是当下研究热点。船舶发电机组结构复杂,运行时产生的数据具有一定的冗余性与相关性,因此本文采用粗糙集理论对故障特征数据进行提取,之后利用证据理论对各个特征数据进行融合决策。采用粗糙集与证据理论相集合的方法不仅可以降低数据复杂程度,同时充分利用各个数据信息,使诊断结果更加合理可靠。本文首先搭建了船舶发电机组中发电机部分的励磁功率单元和柴油机的仿真模型,分别获取两种仿真对象在各个故障状态下的运行数据。励磁功率单元部分,分别对各个晶闸管故障进行仿真,获取了在各个触发角下运行的数据与波形;柴油机部分分别对正常运行、喷油正时提前、喷油正时滞后、喷油孔磨损和喷油孔堵塞这5种状态进行模拟运行,并获取各个状态下的运行数据。针对船舶发电机组运行的数据特点,本文提出了基于粗糙集和证据理论的故障诊断方法。由于故障数据具有冗余性,首先采用粗糙集理论对故障数据进行重要特征提取,并计算基本可信度供证据理论使用,该方法降低了数据的复杂度,同时其基本可信度具有客观性,避免了证据理论中基本可信度具有主观性的缺陷。通过采用证据理论对测试样本进行融合决策的诊断结果表明,基于粗糙集与证据理论的故障诊断方法具有较高的准确率,充分验证了该方法在船舶发电机组故障诊断中的有效性。在理论研究的基础上,为了与实际应用相结合,本文运用Visual Studio 2013和Matlab共同完成了船舶发电机组故障诊断软件,使计算更加方便,同时可对运算过程以及诊断结果进行直观的展示。
陈小龙[3]（2019）在《证据驱动型火电机组状态预警方法及其应用研究》文中研究表明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。
苏创世[4]（2019）在《基于优化ELM算法的电站凝汽器故障诊断》文中研究指明电力行业是国民经济的基础支撑行业,凝汽器是电站汽轮发电机组装置的重要组成部分,由它构成的凝器设备作为汽轮机热力循环中的冷却装置,所以凝汽器的故障诊断至关重要,并具有现实的安全意义和经济意义。本文阐述电站凝汽器故障诊断的现状及发展趋势,分析了凝汽器系统及常见故障类别和故障发生时的征兆。使用MATLAB为开发工具,以极限学习机（Extreme Learning Machine,ELM）算法为核心,首先使用奇异值分解法或者主成分分析法确定ELM算法的隐层节点数。然后,采用改进的遗传算法和改进的灰狼算法对ELM算法的输入层权值、阈值参数进行优化;采用改进的人工蜂群算法优化核极限学习机的核函数参数矩阵、惩罚系数,结合D-S证据理论。最后,依据以上理论方法进而建立故障诊断模型,采用故障征兆数据集训练模型,接着运用训练好的模型,对测试实例进行诊断,得到凝汽器的故障类别。另外,本文开发了基于B/S结构的凝汽器故障诊断系统,根据故障征兆数据可实现故障类别诊断。本文所提出的凝汽器故障诊断方法可有效的判别故障类别,可为凝汽器故障检修人员提供了可靠支持,最大限度降低维护成本,以保障电站的安全运行和经济效益。
杜景琦,赵明,殷捷,顾伟[5]（2018）在《电厂发电设备故障诊断方法综述》文中研究表明云南电网内电源形式多样,水火电并存、可再生能源发电快速发展。各种发电设备的性能对于电网以及电力用户的安全经济运行具有重要的影响,对相关设备的状态进行实时监测和诊断。典型诊断方法的算法原理,并结合现实需求对适用于发电设备故障诊断方法进行了展望。
杜景琦,赵明,殷捷,顾伟[6]（2017）在《电厂发电设备故障诊断方法综述》文中进行了进一步梳理云南电网内电源形式多样,水火电并存、可再生能源发电快速发展。各种发电设备的性能对于电网以及电力用户的安全经济运行具有重要的影响,对相关设备的状态进行实时监测和诊断。典型诊断方法的算法原理,并结合现实需求对适用于发电设备故障诊断方法进行了展望。
王宏宇[7]（2017）在《基于神经网络的凝汽器故障诊断系统》文中研究指明电厂运行中工质状态变化遵循朗肯循环。凝汽器是此循环的重要组成设备之一,起着冷源的作用:蒸汽在凝汽器内凝结成水,为锅炉提供给水。同时在凝汽器内形成真空。但电厂凝汽系统相对复杂,对真空的影响因素不容易准确判定,很可能会影响运行人员及时准确的对真空故障问题进行处理。因此,研究凝汽器故障诊断对电厂安全稳定、环保经济运行有着十分重要的意义。在凝汽器故障诊断方法的历史研究中通常以神经网络、故障树分析、模糊诊断和专家系统等方法为主。文中运用多方法融合的思想进行凝汽器故障诊断的研究,其主要研究内容和研究方法为:首先,分析研究凝汽器真空确定方法,找出影响凝汽器真空变化的因素。在查阅大量文献的基础上结合电厂原则性凝汽系统图,详细分析凝汽器的故障及各参数的变化。最终,总结出更为丰富的故障集和故障征兆集。其次,研究分析BP、RBF、Elman三种神经网络工作原理,通过对比选取两种神经网络,并对向量化处理的诊断实例进行初步诊断。将诊断结果借助于D-S证据理论进行融合,得出最终诊断结果。最后,考虑到电厂自动化控制系统的兼容性,使用C#语言开发基于D-S证据理论的凝汽器故障诊断系统及其界面。通过对以上内容的详细研究,结果表明:单一神经网络对于凝汽器故障诊断结果不明确,故障剥离能力差;基于D-S证据理论对两种神经网络诊断结果融合的方法,提高了诊断结果的准确度;实例证明开发凝汽器故障系统可以很好的辅助运行人员对事故的快速判断,为运行人员争取更多的事故处理时间,对保证电厂的安全运行有着一定的现实意义。
曹丽华,王宏宇,李勇[8]（2016）在《多神经网络与D-S证据理论融合的凝汽器故障诊断方法》文中研究表明在凝汽器故障诊断的研究历史中,人工神经网络有着举足轻重的作用。但由于单一神经网络自身缺点的存在,使得故障诊断的准确率不高。针对这一问题,使用BP神经网络和Elman神经网络对故障样本进行训练仿真,并将诊断结果借助于D-S证据理论进行融合。结果表明:多神经网络与D-S证据理论融合的方法可以很好的进行故障剥离,诊断出最终故障,从而提高凝汽器故障诊断的准确性。
李平,黄国梁,彭道刚,夏飞[9]（2014）在《基于神经网络和D-S证据的电厂凝汽器故障诊断研究》文中研究说明火电厂凝汽器是汽轮发电机组的重要辅机之一,其工作状况对整个电厂安全和经济运行都有着决定性的影响。结合信息融合思想,提出一种基于神经网络和D-S证据理论的电厂凝汽器故障综合诊断方法,首先通过BP神经网络和CPN神经网络得到各自的诊断结果作为决策层D-S证据理论的初始证据,再利用证据理论对这些结果进行融合,得到最终的故障诊断结果。通过实例数据诊断结果表明:与单一神经网络诊断结果相比,该方法减少了误差,提高了诊断可信度。
夏琳琳,王丹,杨有民,刘志强[10]（2014）在《融合并行Elman网络与D-S理论的凝汽器故障诊断》文中研究指明凝汽器是火电机组的重要辅助设备,为确保汽轮机组的热经济性和安全性,需准确检测出其早期潜伏性故障。首先引入粗糙集属性约简方法,将凝汽器系统的故障征兆参数空间划分为多个子征兆参数空间,将其作为多Elman网络的输入,实现对凝汽器的初步诊断。然后利用D-S理论融合算法对各证据体信息进行融合,利用组合规则实现对凝汽器故障的最终诊断。最后以某厂300MW汽轮发电机组凝汽系统后轴故障为例建模仿真,结果表明:基于多Elman网络的信息融合比单一网络的诊断具有更精确的识别能力,置信区间为[0.967 8 0.968 6],不确定性降为0.000 8。
二、D-S证据理论在凝汽器故障诊断中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、D-S证据理论在凝汽器故障诊断中的应用（论文提纲范文）
（1）基于信息融合的齿轮箱磨损故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及其意义 |
| 1.2 齿轮箱故障诊断技术 |
| 1.2.1 故障诊断技术研究概述 |
| 1.2.2 齿轮箱故障诊断国内外研究现状 |
| 1.3 信息融合技术 |
| 1.3.1 信息融合的定义及原理 |
| 1.3.2 信息融合的级别 |
| 1.3.3 信息融合技术的国内外研究现状 |
| 1.4 论文安排和主要内容 |
| 2 齿轮箱磨损故障机理和油液数据采集 |
| 2.1 齿轮箱磨损故障机理 |
| 2.1.1 磨损的定义 |
| 2.1.2 齿轮箱磨损过程分析 |
| 2.1.3 齿轮箱磨损失效分类 |
| 2.1.4 齿轮箱主要故障模式 |
| 2.2 齿轮箱油液数据采集及分析 |
| 2.2.1 集成油液传感器概述 |
| 2.2.2 常用油液性能指标分析 |
| 2.3 本章小结 |
| 3 齿轮箱特征级故障诊断算法研究 |
| 3.1 基于改进BP神经网络的齿轮箱故障诊断方法 |
| 3.1.1 BP神经网络的基本原理 |
| 3.1.2 基于BP神经网络的齿轮箱故障诊断 |
| 3.1.3 BP神经网络算法的改进 |
| 3.1.4 基于改进BP神经网络的齿轮箱故障诊断 |
| 3.1.5 改进前后的BP神经网络齿轮箱故障诊断比较分析 |
| 3.2 基于支持向量机的齿轮箱故障诊断方法 |
| 3.2.1 SVM的基本原理 |
| 3.2.2 核函数原理 |
| 3.2.3 基于支持向量机的齿轮箱故障诊断 |
| 3.3 基于极限学习机的齿轮箱故障诊断方法 |
| 3.3.1 极限学习机的基本原理 |
| 3.3.2 基于极限学习机的齿轮箱故障诊断 |
| 3.4 齿轮箱单一故障诊断模型对比分析 |
| 3.5 本章小结 |
| 4 基于改进D-S证据理论的齿轮箱故障诊断决策融合 |
| 4.1 经典D-S证据理论 |
| 4.1.1 基本概念 |
| 4.1.2 合成规则 |
| 4.1.3 决策准则 |
| 4.1.4 经典D-S证据理论的缺陷 |
| 4.2 基本概率分配函数 |
| 4.2.1 BP神经网络的基本概率赋值转换 |
| 4.2.2 SVM的基本概率赋值转换 |
| 4.2.3 ELM的基本概率赋值转换 |
| 4.3 改进的D-S证据理论 |
| 4.4 基于决策级信息融合的齿轮箱磨损故障诊断 |
| 4.5 基于信息融合齿轮箱故障诊断算法的抗干扰性分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）基于粗糙集与证据理论的船舶发电机组故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 发电机励磁功率单元故障诊断研究现状 |
| 1.2.2 柴油机燃油系统故障诊断研究现状 |
| 1.2.3 粗糙集与证据理论在故障诊断中研究现状 |
| 1.3 本文主要内容 |
| 2 基于粗糙集理论与证据理论的故障诊断方法 |
| 2.1 粗糙集理论 |
| 2.1.1 粗糙集理论基本概念 |
| 2.1.2 约简的基本定义 |
| 2.1.3 粗糙集基本约简方法 |
| 2.2 D-S证据理论 |
| 2.2.1 D-S证据理论基本概念 |
| 2.2.2 信任区间与不确定性表示 |
| 2.2.3 Dempster合成规则 |
| 2.3 故障诊断方法的实现 |
| 2.3.1 连续属性离散化 |
| 2.3.2 属性约简 |
| 2.3.3 基本可信度分配的获取过程 |
| 2.3.4 证据合成 |
| 2.4 小结 |
| 3 船舶发电机励磁功率单元故障诊断研究 |
| 3.1 船舶同步发电机励磁功率单元简介 |
| 3.2 船舶发电机励磁功率单元故障仿真与分类 |
| 3.2.1 励磁功率单元故障分类 |
| 3.2.2 励磁功率单元故障仿真 |
| 3.3 基于粗糙集与证据理论的励磁功率单元故障诊断 |
| 3.3.1 故障模型搭建 |
| 3.3.2 数据离散化 |
| 3.3.3 提取重要属性 |
| 3.3.4 获取基本可信度分配 |
| 3.3.5 证据合成 |
| 3.4 小结 |
| 4 船舶柴油机燃油系统故障诊断研究 |
| 4.1 船舶柴油机燃油系统简介 |
| 4.2 基于AVL BOOST船舶柴油机故障仿真 |
| 4.2.1 AVL BOOST模型搭建 |
| 4.2.2 柴油机故障仿真方案 |
| 4.3 基于粗糙集与证据理论的柴油机燃油系统故障诊断 |
| 4.3.1 故障模型搭建 |
| 4.3.2 数据离散化 |
| 4.3.3 提取重要属性 |
| 4.3.4 获取基本可信度分配 |
| 4.3.5 证据合成 |
| 4.4 小结 |
| 5 船舶发电机组故障诊断软件开发 |
| 5.1 故障诊断软件框架 |
| 5.2 故障诊断软件 |
| 5.2.1 软件开发 |
| 5.2.2 故障诊断算法的混合编程实现 |
| 5.2.3 软件的界面及功能介绍 |
| 5.3 小结 |
| 结论 |
| 参考文献 |
| 附录A 三项全桥电路单管故障负载电压数据 |
| 附录B 柴油机原始数据 |
| 附录C 关键算法代码 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（3）证据驱动型火电机组状态预警方法及其应用研究（论文提纲范文）
| 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 |
| 作者在攻读博士学位期间研究成果 |
（4）基于优化ELM算法的电站凝汽器故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究进展 |
| 1.3 电站故障诊断存在的问题及发展趋势 |
| 1.3.1 凝汽器故障诊断存在的问题 |
| 1.3.2 凝汽器故障诊断的发展趋势 |
| 1.4 本文主要工作 |
| 第2章 电站凝汽器系统简介 |
| 2.1 凝汽器系统组成及作用 |
| 2.2 凝汽器常见故障与征兆分析 |
| 2.3 凝汽器故障征兆数据集 |
| 2.4 凝汽器故障测试实例 |
| 2.5 本章小结 |
| 第3章 ELM及其改进算法 |
| 3.1 标准ELM算法 |
| 3.2 隐层节点数确定 |
| 3.2.1 奇异值分解 |
| 3.2.2 主成分分析法 |
| 3.3 KELM算法 |
| 3.4 本章小结 |
| 第4章 基于优化ELM算法的电站凝汽器故障诊断 |
| 4.1 基于改进遗传算法优化ELM算法的凝汽器故障诊断 |
| 4.1.1 遗传算法 |
| 4.1.2 遗传算法改进策略 |
| 4.1.3 改进遗传算法优化ELM算法应用 |
| 4.1.4 测试及实例仿真结果 |
| 4.2 基于改进灰狼算法优化ELM算法的凝汽器故障诊断 |
| 4.2.1 灰狼算法 |
| 4.2.2 灰狼算法改进策略 |
| 4.2.3 改进灰狼算法优化ELM算法应用 |
| 4.3 基于蜂群算法优化KELM算法的凝汽器故障诊断 |
| 4.3.1 人工蜂群算法 |
| 4.3.2 算法优化策略 |
| 4.3.3 改进人工蜂群优化ELM算法应用 |
| 4.4 本章小结 |
| 第5章 基于B/S结构的凝汽器故障诊断系统开发 |
| 5.1 系统简述 |
| 5.2 系统界面及功能概述 |
| 第6章 结论和展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（5）电厂发电设备故障诊断方法综述（论文提纲范文）
| 0前言 |
| 1 电厂常用故障诊断方法分类 |
| 2 基于数学模型的故障诊断 |
| 3 基于经验知识的故障诊断 |
| 3.1 专家系统 |
| 3.2 模糊逻辑 |
| 3.3 故障树 |
| 4 基于数据驱动的故障诊断 |
| 4.1 基于统计分析的故障诊断 |
| 4.1.1 主元分析法 |
| 4.1.2 Fisher分析判别法 |
| 4.1.3 偏最小二乘法 |
| 4.2 基于信号分析的故障诊断方法 |
| 4.3 基于人工智能的故障诊断方法 |
| 4.3.1 人工神经网络 |
| 4.3.2 支持向量机 |
| 4.3.3 证据理论 |
| 5故障诊断方法的发展趋势 |
| 6 结束语 |
（6）电厂发电设备故障诊断方法综述（论文提纲范文）
| 0前言 |
| 1 电厂常用故障诊断方法分类 |
| 2 基于数学模型的故障诊断方法 |
| 3 基于经验知识的故障诊断方法 |
| 3.1 专家系统 |
| 3.2 模糊逻辑 |
| 3.3 故障树 |
| 4 基于数据驱动的故障诊断方法 |
| 4.1 基于统计分析的故障诊断方法 |
| 4.1.1 主元分析法 |
| 4.1.2 Fisher分析判别法 |
| 4.1.3 偏最小二乘法 |
| 4.2 基于信号分析的故障诊断方法 |
| 4.3 基于人工智能的故障诊断方法 |
| 4.3.1 人工神经网络 |
| 4.3.2 支持向量机 |
| 4.3.3 证据理论 |
| 5 故障诊断方法的发展趋势 |
| 6 结束语 |
（7）基于神经网络的凝汽器故障诊断系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外与课题相关研究领域的研究进展及成果 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外文献综述分析 |
| 1.3 主要研究内容 |
| 第2章 凝汽设备系统常见故障及原因分析 |
| 2.1 凝汽设备的组成及任务 |
| 2.2 凝汽器内压力的确定 |
| 2.2.1 实际情况下凝汽器内压力的确定 |
| 2.2.2 理论情况下凝汽器内压力的确定 |
| 2.2.3 凝汽器运行中的真空主要影响因素分析 |
| 2.2.4 凝汽器运行时一些主要问题 |
| 2.3 凝汽系统中常见故障及故障征兆的建立 |
| 2.3.1 凝汽系统常见故障及故障征兆 |
| 2.3.2 凝汽器系统故障集及故障征兆集的建立 |
| 2.4 本章小结 |
| 第3章 凝汽器故障诊断方法中神经网络的选用 |
| 3.1 BP神经网络 |
| 3.1.1 BP神经网络的结构 |
| 3.1.2 BP神经网络的算法 |
| 3.1.3 改进的BP神经网络 |
| 3.2 RBF神经网络 |
| 3.2.1 径向基函数 |
| 3.2.2 RBF神经网络的结构 |
| 3.2.3 RBF神经网络的算法 |
| 3.3 ELMAN神经网络 |
| 3.4 神经网络的优缺点 |
| 3.4.1 BP和RBF神经网络的优缺点 |
| 3.4.2 Elman神经网络的优缺点 |
| 3.5 凝汽器故障诊断方法的确定 |
| 3.6 本章小结 |
| 第4章 D-S证据理论在凝汽器故障诊断中的应用 |
| 4.1 证据理论的基本理论 |
| 4.1.1 基本概率分配 |
| 4.1.2 信任函数 |
| 4.1.3 似然函数 |
| 4.2 融合规则 |
| 4.2.1 D-S组合规则 |
| 4.2.2 Yager组合规则 |
| 4.2.3 Inagaki组合规则 |
| 4.2.4 Dubois-Prade组合规则 |
| 4.2.5 平均分配规则 |
| 4.2.6 几种组合规则的计算 |
| 4.3 故障诊断实例 |
| 4.4 本章小结 |
| 第5章 凝汽器故障诊断系统的开发 |
| 5.1 凝汽器故障诊断系统的简述 |
| 5.1.1 开发环境的介绍 |
| 5.1.2 系统界面 |
| 5.2 诊断实例 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（8）多神经网络与D-S证据理论融合的凝汽器故障诊断方法（论文提纲范文）
| 0前言 |
| 1 基于D-S证据理论的凝汽器故障诊断模型 |
| 1.1 Elman网络结构与算法 |
| 1.1.1 Elman神经网络结构 |
| 1.1.2 Elman神经网络的算法 |
| 1.2 D-S证据理论的算法融合规则 |
| 2 凝汽器综合故障诊断应用实例 |
| 2.1 凝汽器故障样本 |
| 2.2 神经网络训练输出的故障向量与BPA间转换 |
| 2.3 诊断实例 |
| 3 结论 |
（9）基于神经网络和D-S证据的电厂凝汽器故障诊断研究（论文提纲范文）
| 1基于神经网络和D-S证据的凝汽器故障综合诊断模型 |
| 1. 1 神经网络结构及算法 |
| 1. 1. 1 CPN神经网络的算法 |
| 1. 1. 2 CPN神经网络的学习过程 |
| 1. 1. 3 CPN神经网络的重复训练 |
| 1. 1. 4 CPN神经网络的算法改进 |
| 1. 2 基于D-S证据的凝汽器集成故障诊断 |
| 1. 2. 1 D-S证据的组合规则 |
| 1. 2. 2 基本概率分配 |
| 1. 2. 3 D-S证据融合诊断 |
| 2 综合诊断实例 |
| 2. 1 凝汽器故障诊断样本 |
| 2. 2 凝汽器故障综合诊断模型参数初始化 |
| 2. 3 凝汽器综合诊断仿真结果比较 |
| 3 结语 |
（10）融合并行Elman网络与D-S理论的凝汽器故障诊断（论文提纲范文）
| 1 D-S理论* |
| 2融合并行Elman网络和D-S理论的诊断模型描述 |
| 2. 1粗糙集属性约简模块 |
| 2. 2 Elman网络实现初步诊断 |
| 2. 3 D-S理论的组合规则 |
| 2. 4决策层诊断结果 |
| 3数字仿真 |
| 3. 1故障现象与参数选择 |
| 3. 2结果与分析 |
| 4结束语 |
四、D-S证据理论在凝汽器故障诊断中的应用（论文参考文献）
- [1]基于信息融合的齿轮箱磨损故障诊断[D]. 鲁继瑶. 大连理工大学, 2021(01)
- [2]基于粗糙集与证据理论的船舶发电机组故障诊断研究[D]. 赵祥. 大连海事大学, 2019(07)
- [3]证据驱动型火电机组状态预警方法及其应用研究[D]. 陈小龙. 东南大学, 2019
- [4]基于优化ELM算法的电站凝汽器故障诊断[D]. 苏创世. 华北电力大学, 2019(01)
- [5]电厂发电设备故障诊断方法综述[J]. 杜景琦,赵明,殷捷,顾伟. 云南电力技术, 2018(05)
- [6]电厂发电设备故障诊断方法综述[J]. 杜景琦,赵明,殷捷,顾伟. 云南电力技术, 2017(05)
- [7]基于神经网络的凝汽器故障诊断系统[D]. 王宏宇. 东北电力大学, 2017(01)
- [8]多神经网络与D-S证据理论融合的凝汽器故障诊断方法[J]. 曹丽华,王宏宇,李勇. 汽轮机技术, 2016(02)
- [9]基于神经网络和D-S证据的电厂凝汽器故障诊断研究[J]. 李平,黄国梁,彭道刚,夏飞. 华东电力, 2014(06)
- [10]融合并行Elman网络与D-S理论的凝汽器故障诊断[J]. 夏琳琳,王丹,杨有民,刘志强. 化工自动化及仪表, 2014(04)