一、大型汽轮发电机组故障诊断专家系统的改进与完善（论文文献综述）
钱泽琛[1]（2021）在《汽轮发电机组远程振动监测和故障诊断系统研究》文中认为二十一世纪的中国经济发展突飞猛进,有力的带动着电力行业的发展。目前,我国电力行业仍以传统火电厂发电为主,汽轮发电机组在运行过程中,一旦发生故障,将会对电网以及电厂的经济效益产生非常大的影响。为避免故障的发生,需要对汽轮发电机组状态进行监测,并对其所发生的故障进行诊断。我国大部分振动监测和故障诊断系统是基于C/S模式下开发的,C/S系统由于受到局域网的局限,并不能满足当下需求。随着网络信息技术的发展,对汽轮发电机组远程振动监测和故障诊断成为一种可能,本文针对汽轮发电机组开发一套远程振动监测和故障诊断系统。本文首先对汽轮发电机组振动监测和故障诊断系统的发展和国内外研究现状进行详细调研,并且对振动监测技术和故障诊断技术原理进行研究,为系统开发奠定理论基础。通过对不同模式下的系统优缺点对比,最终选择以B/S模式作为系统开发模式。为避免B/S系统由于系统维护等原因造成不能使用,因此配套开发C/S系统。通过对B/S系统和C/S系统的功能需求、数据储存方式需求进行分析,初步确定开发方案。本文对B/S系统和C/S系统进行开发时,选用.NET作为开发平台,SQL Server数据库作为数据储存容器,C#语言、HTML5语言作为开发语言。系统主要开发功能包括振动监测、历史数据查看、信息配置、报警提醒和故障诊断功能,可实现对汽轮发电机组的远程振动监测和在线故障诊断。本文对系统的功能开发过程、使用技术详细介绍,针对实时监测、故障诊断和报警功能重点研究。成功开发系统后进行测试,并将最终结果进行展示。
朱俊杰[2]（2021）在《汽轮发电机组能效诊断与维护决策系统研究》文中研究指明为减少煤炭资源消耗,确保我国能源行业绿色发展,实现“碳达峰、碳中和”目标,需要不断挖掘汽轮发电机组节煤潜力。随着清洁能源装机比重不断增大,我国电力生产结构不断调整,大部分汽轮发电机组开始承担调峰任务,在低负荷运行过程中,机组能源利用效率偏低,汽轮发电机组节能压力不断增大。在此背景下,开展汽轮发电机组能效诊断与维护决策技术研究具有重要意义。首先,对汽轮发电机组热力系统进行能效分析,确定用来表征机组能效状态的能效状态指标体系,总结、梳理出引起汽轮发电机组能效状态异常的相关异常模式以及故障模式。其次,依靠本体理论建立了汽轮发电机组能效诊断知识库,将引起机组能效指标异常的相关典型故障模式以及异常模式录入知识库中,并与其所属系统设备、相关征兆、原因、维护措施关联起来,作为系统能效诊断的依据。再次,确定了系统能效诊断功能的相关规则与算法。确定了以数据挖掘技术为基础的基准值确定方法,以“稳态筛选-工况划分-异常检测”为流程,通过对比实时运行参数以及参数基准区间,对运行数据进行实时诊断,并根据诊断结果给出相应的维护建议。通过某电厂仿真机仿真出的凝汽器真空不严密故障验证了系统的可靠性。最终,将理论研究付诸于实践,结合离线的能效诊断知识库与在线的实时运行数据处理方法开发了一套汽轮发电机组能效诊断与维护决策系统,致力于提高机组的节煤能力,确保机组健康稳定的运行。
张永明[3]（2021）在《汽轮发电机组健康状态监测与智能故障诊断技术研究》文中研究表明汽轮发电机组作为电力系统中极为关键的大型旋转机械设备,对安全性、稳定性以及寿命的要求非常高,如果出现意外故障,会造成人员伤害或严重的经济损失,因此为了提高汽轮发电机组运行的安全性与可靠性,对其故障进行准确的诊断和预测具有重要的工程实用价值。设计开发状态监测与智能故障诊断系统是保证机组在不停机的状态下平稳运行的主要手段,有助于技术人员对机组产生的故障进行监测和维护。本文基于UML系统建模方法开发了汽轮发电机组健康状态监测与智能故障诊断系统,提出了多源异构本体知识表示方法及关联案例推理机制,对系统知识库的构建和推理机的设计进行了深入的研究。论文主要内容与贡献总结如下:（1）构建了基于UML系统建模方法的状态监测与智能故障诊断系统模型。针对汽轮发电机组状态监测与故障诊断系统功能多样、结构复杂、开发周期长等问题,考虑UML建模方法具有拓展性强、通用程度高、开发周期短等特点,设计了基于UML的汽轮发电机组状态监测与智能故障诊断系统模型,包括机组的总体架构、系统用例模型、功能分解模型、系统静态类模型、系统状态模型、系统交互模型及组件部署模型。（2）提出了汽轮发电机组多源异构知识本体建模与融合的方法。利用Protégé软件构建了汽轮发电机组的全局本体和局部本体,详细说明了建模的方法与步骤,改进了知识融合的算法与多源知识检索的过程,通过多源知识的检索过程证明了所建本体知识模型的正确性。利用机械故障模拟实验台（MFS）模拟了汽轮发电机组转子的不同故障,验证了知识融合算法的可行性与有效性。（3）设计了基于本体和关联案例推理机制。针对本体推理结果不完善,推理效率低等问题,利用Protégé自带的推理机Fa CT++进行初步推理,根据本体推理结果再进行案例分层检索。结合案例检索的全局相似度和局部相似度算法,设计了故障诊断系统推理机,提高了系统诊断的准确性和高效性,通过推理机制给出了故障的合理解决方案,实现了汽轮发电机组从“故障属性输入”到“解决方案输出”的全过程。（4）开发了汽轮发电机组健康状态监测与智能故障诊断系统。利用本体编辑器构建了知识库和完成了初步推理,使用SQL Server储存了机组传送过来的数据和长期积累的故障案例,通过MATLAB封装了相关图谱绘制算法、特征提取算法和关联案例推理算法,结合UML系统模型,开发了汽轮发电机组健康状态监测与智能故障诊断系统。通过系统性能调试验证了此系统能够为汽轮发电机组故障诊断提供可行的解决方案,保证了机组健康运行。
王敬前[4]（2021）在《覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用》文中指出化工过程反应复杂,具有高度非线性、连续性和时变性等特点,一旦发生故障,将会给经济和生命安全带来严重的损失。因此,如何从海量工业数据中挖掘出有用信息,进行化工过程的故障诊断成为当前研究的热点。随着当今人工智能的发展,故障诊断技术也进入了一个新的时代。但对于多故障诊断和不完备信息下的故障诊断等问题,还有待进一步探索。粗糙集理论和模糊集理论是人工智能领域两种处理信息系统中不完备和不确定性数据的重要工具。目前,模糊集理论在故障诊断领域已得到了较为广泛的应用,而粗糙集理论在该领域中的应用还处在刚刚起步的阶段。本文通过融合覆盖粗糙集与模糊粗糙集,针对田纳西伊斯曼（TE）化工过程、化工汽轮机组和聚合釜三类化工过程的故障诊断,研究了覆盖粗糙集模型与模糊覆盖粗糙集模型中的相关不确定性问题,建立了相关数据分析与挖掘的理论体系,为解决化工过程故障诊断提供了更加智能的方法。本文的主要工作与贡献如下:1)针对不完备信息条件下的故障诊断问题,利用覆盖粗糙集提出了从不完备信息故障特征中剔除冗余信息的方法,从而提高了传统故障诊断的准确率,并将其应用在化工汽轮机组的故障诊断中。首先,从矩阵的角度研究了覆盖粗糙集中有关最大、最小描述的相关问题,并利用机器学习库中的公开数据集与传统的计算方法做比较,实验结果表明基于矩阵的计算方法节省了计算时间。借助于上述最大描述的矩阵计算方法,提出了计算不完备信息系统中极大相容块的矩阵计算方法,很好得解决了数据维数过高时,计算耗时的问题。接着,通过极大相容块,将原不完备决策表转化为极大相容块最全描述决策表。在新的决策表基础上,提出了基于分辨矩阵的属性约简计算方法。最后,基于所提出的基于极大相容块的属性约简方法,建立了“极大相容块+智能分类器”的故障诊断方法,为解决不完备信息条件下的故障诊断问题提供一种新方法。并针对不完备信息条件下化工汽轮机组的故障诊断问题,进行了仿真实验。实验结果表明,若智能分类器分别选择支持向量机（SVM）、随机森林和决策树,则所提出的“极大相容块+智能分类器”故障诊断方法的准确率均为87.5%,而只使用上述智能分类器的故障诊断准确率最高只有75%,准确率至少提高了 12.5%。2)针对完备信息条件下的故障诊断问题,利用模糊覆盖粗糙集提出了从完备信息故障特征中剔除冗余信息的方法,从而提高了传统故障诊断的准确率,并将其应用在TE化工过程的故障诊断中。理论方面:首先,作为模糊β-覆盖近似空间中已有可约元和约简概念的补充,提出了I-可约元和I-约简的概念。在此基础上,研究了模糊β-最小描述与β-约简之间的等价刻画、模糊β-最大描述与β-核之间的等价刻画等问题。然后,将上述一个模糊β-覆盖近似空间中的概念推广到了两个模糊β-覆盖近似空间中,得到了新的概念及相关性质。在上述所有结果的基础上,一个模糊β-覆盖与其诱导的七个模糊β-覆盖之间关系,及这些模糊β-覆盖的格结构被研究。应用方面:基于以上模糊覆盖粗糙集模型,提出了一种基于模糊β-邻域的属性约简方法。并在此基础上,建立了“模糊覆盖粗糙集+SVM”的智能故障诊断方法。最终,以TE化工过程为背景,针对以下4种状态:正常、阶跃故障（由过程变量的阶跃变化引起的故障）、漂移故障（化工反应动力学的缓慢漂移引起的故障）和阀门粘滞故障,建立了模糊覆盖信息系统,通过所提出的基于模糊β-邻域的属性约简方法,从53个故障征兆属性中确定出23个作为故障特征,然后通过建立的“模糊覆盖粗糙集+SVM”方法进行了故障诊断仿真实验,其准确率为86.57%,而只使用SVM的方法得到的准确率为72.50%,准确率提高了 14.07%。3)在前两部分的基础上,为更有效地表达故障诊断中的各种不确定性信息,建立了若干广义模糊覆盖粗糙集模型及相关故障决策方法,并研究了其在聚合釜的故障诊断中的应用。首先,基于已有的直觉模糊β-覆盖近似空间和直觉模糊β-邻域的概念,以及第一型直觉模糊覆盖粗糙集模型,主要研究了它们的性质,并给出了一些新的概念和第二型直觉模糊覆盖粗糙集模型。在此基础上,提出了单值中智β-覆盖和单值中智β-邻域等概念,并建立了单值中智覆盖粗糙集模型。为了解决多属性群决策的问题,将单值中智β-覆盖和单值中智覆盖粗糙集模型推广到了多粒度的情况,建立了三类多粒度单值中智覆盖粗糙集模型。在故障信息条件下,提出了基于直觉模糊覆盖粗糙集的群决策方法和基于单值中智覆盖粗糙集的群决策方法。针对聚合釜故障诊断问题,分别建立了故障类型为:聚合釜电机出现故障、聚合釜减速机出现故障、聚合釜机封中轴故障、聚合釜组件故障和聚合釜正常运行,以及故障特征为:聚合釜减速机振动值、操作压力、拌转速和减速机温度的直觉模糊信息系统与单值中智信息系统。并将上述决策方法应用于聚合釜的故障诊断中,所提出的方法最终决策结果基本都是聚合釜电机出现故障。这与其他已有决策方法的结果一致。因此,所提出的基于聚合釜故障信息的广义模糊覆盖粗糙集的决策方法是有效的。综上所述,本文以化工过程为背景,采用理论研究与实验验证相结合的方法,进一步研究了覆盖粗糙集、模糊覆盖粗糙集和广义模糊覆盖粗糙集相关问题（覆盖约简问题、属性约简问题等）。在此基础上,分别考虑了不完备故障信息和完备故障信息两种情况,利用基于覆盖粗糙集（用于提高不完备信息故障诊断的准确率）和模糊覆盖粗糙集（用于提高完备信息故障诊断的准确率）的属性约简方法解决了故障诊断中的特征选择问题,并结合智能分类器提高了故障诊断的准确度。最后,利用所建立的广义模糊覆盖粗糙集模型,建立多属性群决策方法,将其应用于化工过程的故障诊断中,为多专家故障决策提供了一种简便的方案。这些都为化工过程的智能故障诊断方法提供了理论及技术参考。
刘涛[5]（2020）在《汽轮发电机组振动故障诊断模型构建及运用》文中研究表明汽轮发电机组是电力生产的核心设备,它能否安全、稳定、可靠地运行,对本单位的安全、经济等考核指标至关重要。汽轮发电机组一旦出现重大故障,不仅对企业造成巨大的经济损失,而且可能会对社会造成极坏的影响,甚至可能会上升为政治事件。汽轮发电机是高速旋转机械,运行中不可避免地会出现振动。当振动超出限值时就会影响机组的稳定运行,过大的振动有时可能造成机组发生灾难性的事故。因此,振动是衡量机组可靠性的重要安全性能指标。目前,大容量、高参数机组已经成为国内主力机组,随着机组结构越来越复杂、轴系长度不断增加和运行蒸汽压力、温度不断提高,机组在启动、停运和运行过程中很有可能出现很多全新的、疑难的振动问题。因此,对汽轮发电机组振动进行在线监测与故障诊断是电厂的一个非常重要的课题。本文以电厂汽轮发电机组振动故障案例为依托,融合语义本体技术和汽轮发电机组振动诊断技术展开了深入系统的研究,论文的主要贡献和创新性成果有:（1）构建了适用于汽轮发电机组振动诊断领域的知识模型。针对汽轮发电机组振动诊断领域术语繁杂、异构、表示和共用困难等问题,考虑了本体在振动诊断知识表示中的优势,改进了传统的七步法作为汽轮发电机组振动诊断本体的构建方法,弥补了其在本体评估和跟踪更新上的缺陷。根据本体的构建原则,借助Python网络爬虫技术来快速进行网络知识的收集整理,并基于此通过知识的构建存储改进,成功构建起了Protégé汽轮发电机组振动诊断领域本体,为振动诊断知识提供了明确的形式化表示方法。（2）验证了汽轮发电机组振动诊断本体的可行性和有效性。针对本体中可能存在的不一致现象,设计了基于Tableau算法的一致性检验算法对本体进行了检验。采用了SQI机械振动综合模拟实验台模拟了汽轮发电机组的不同振动,采集和分析了获取的振动信息,并通过实例对本体知识进行了推理测试。（3）提出了基于本体和案例推理的汽轮发电机组振动诊断方法。阐明了本体在案例表示中的优势,分析了案例表示的主要组成部分,量化了语义距离、语义深度和语义密度的数学模型,简化和改进了语义相似度算法,建立了基于语义和案例属性相似度算法的本体和案例推理分层检索模型,并且通过案例研究对振动诊断方法进行了验证。（4）基于已有软件的基础上,结合汽轮发电机组所表现出的主要故障,创造性的完成了系统开发框架及运行过程的合理处理,包括本体知识库、本体和案例推理检索模块的创建以及系统主要功能界面的设计。融合Protégé、Visual Studio C#和SQL Server实现了振动诊断系统的开发,提高了整个振动诊断过程的人机交互性,使得操作过程简洁高效。最后通过实例验证了系统可以为汽轮发电机组振动诊断提供决策支持,提高了振动诊断的效率,同时振动诊断准确率可达80%。
于凯[6]（2020）在《汽轮发电机组状态监测与故障诊断方法研究》文中指出进入本世纪以来,随着我国能源结构不断调整,新能源装机容量逐年提升,未来大容量火电机组的运行工况将更为复杂。汽轮发电机组作为燃煤火力发电厂重要设备之一,其安全、可靠运行不仅关系到发电厂能否正常向电网输送电能,更关系到电网有功、无功的平衡以及电力系统的稳定。因此,加强对汽轮发电机组故障的在线监测与诊断就显得尤为重要。本文以作者长期在火力发电厂的工作经验为基础,结合工程实际案例对汽轮发电机组状态监测及故障诊断方法进行了深入研究。（1）在分析汽轮机原理的基础上给出了汽轮机几种典型振动故障的时域波形图和频谱分析图并研究了不同故障产生的原因及其对应的频率特征,为后续以振动信号为基础的汽轮机常见故障的在线监测与诊断奠定基础。（2）重点研究了发电机转子绕组匝间短路故障、定子绕组绝缘故障,总结了产生上述故障的原因和检测方法,并结合作者本人的工作经历对工程实际当中转子匝间短路故障的检测全过程进行了详细分析。（3）以汽轮机转子多传感器振动信号监测为基础,开展了汽轮机故障模式识别方法的研究。针对局部均值分解（Local Mean Decomposition,LMD）方法中依旧存在一定程度的模态混叠和端点效应,提出采用自适应互补LMD方法对汽轮机振动故障信号进行分解并提取乘积函数能量熵作为特征量,采用遗传算法优化后的BP神经网络对汽轮机振动故障进行模式识别。通过LabView与MATLAB联合设计了基于振动信号的汽轮机状态监测与故障诊断系统,结合系统的工程应用情况及检修案例,验证了系统的可行性与有效性。（4）从工程实际当中的第一手资料入手,结合本单位机组两次大修经历,从技术和经济两个角度对600MW火力发电机组预防性维修状况进行深入量化分析;从状态监测具体内容对故障诊断的准确性、灵敏度及其经济性等多个方面,探讨开展状态维修的可行性,以及在现有技术水平、制度规定条件下开展汽轮发电机组状态维修可实现的内容。论文有图51幅,表27张,参考文献76篇。
杨楠[7]（2020）在《汽轮机智能诊断与健康管理关键技术研究》文中认为随着“中国制造2025”、“互联网+”、“新一代人工智能发展规划”等国家战略的提出,在人工智能技术的推动下,智慧电厂成为能源企业未来趋势。智能诊断与健康管理（Intelligent Diagnosis and Health Management,IDHM）技术,更是需要新一代人工智能技术的融入,用以辅助提高电厂对设备运行、诊断、维护的效率。当前关于故障诊断与维修决策的相关研究繁多,且各有特点。另一方面,又缺乏针对复杂系统构建IDHM技术体系的研究。导致当前各种新技术、新方法不能有效的被电厂认识和应用。由其是对汽轮机这类重大设备,其本身具有故障模式复杂、监测信息少、故障样本稀缺、诊断知识祭奠丰富等特点,需要有针对性的运用IDHM技术解决传统问题,同时,灵活的运用经验知识使IDHM技术更具智慧。因此,本文立足于IDHM是辅助运维人员发现异常、排除故障、降低风险的初衷,以汽轮机组这类重大设备为例,在总结其故障诊断难点问题的基础上,开展综合利用经验知识和机器学习的IDHM关键技术研究。首先,结合汽轮机组故障诊断与维护过程中经验知识依赖性强、知识重用性高、知识数据非结构化等特点,基于设备树分析、故障模式与影响分析和故障树分析方法,总结了故障机理的分析方法和步骤。基于知识图谱和本体理论,对具有复杂关系结构的诊断知识,提出了故障诊断知识图谱的构建流程。并以核电汽轮机例,建立了故障诊断知识图谱。通过采用知识图谱对诊断知识进行存储和表达,减少了系统中知识数据的冗余,提高了IDHM系统对知识数据的管理效率。其次,在总结汽轮机故障诊断常用的状态数据故障特征的基础上,对趋势型征兆和频谱型征兆的识别方法进行了研究。提出了一种与经验相结合的序列数据趋势特征量化方法,弥补了以往汽轮机故障诊断中对趋势型征兆识别方法的不足。基于汽轮发电机组振动故障发生时,激振力在非线性系统中传播的原理,提出了一种基于提取振源方向的频谱识别方法,相比传统方法,频谱识别准确率得到较大提高。本文基于汽轮机故障机理知识开展的征兆识别方法研究,弥补了当前汽轮机故障诊断中对趋势型征兆和频谱识别的不足,有助于IDHM系统实现自动征兆识别,提高系统诊断效率。再次,为了弥补征兆识别方法存在误报率和漏报率的情况,以及机器学习方法无法进行知识推理,得到故障原因和维修建议的缺陷,本文对故障隔离、故障诊断和故障严重程度评估方法进行了研究。本文提出了基于图数据库搜索技术的故障隔离方法,以解决由于测点冗余、征兆信息过剩、诊断知识重用造成的诊断目标范围过大的问题。通过故障隔离,也极大的缩小了后续故障诊断的目标范围。为进一步推理故障发生可能性,在提出故障因果网络概念的基础上,将知识图谱中的故障诊断知识转化为可进行模糊推理的贝叶斯网络（Bayesian Network,BN）诊断模型。基于在线征兆和人工排查信息实现了诊断系统与维修人员工作的交互式推理。为综合评估设备当前运行风险水平和优化故障排查顺序,提出了故障链严重程度计算方法,从多个角度综合评估诊断网络中的可能故障链,使维修建议可在较少维修次数下快速降低设备运行风险水平。最后,本文在上述研究的基础上,通过对核电汽轮机IDHM样机系统的开发,设计和开发了 IDHM系统的架构、数据仓库以及各主要功能,使各项技术在功能和数据流转方面得以有效的融合。通过样机系统的开发与测试,验证了本论文研究内容的可行性与有效性。
王罗[8]（2020）在《水轮发电机励磁绕组匝间短路故障特征分析与故障识别》文中研究说明近年来我国可再生能源发展迅速,水力发电由于具有管理运行灵活和技术成熟等优势在可再生能源中占有重要地位,水轮发电机的装机容量和发电量逐年增加。大型水轮发电机结构复杂,且兼顾发电及电网调峰任务,运行负担较重,机组故障率呈上升态势。水轮发电机的励磁绕组长期伴随转子高速旋转,容易发生匝间短路故障。励磁绕组匝间短路初期故障特征不明显,如不及时处理故障可能会引发转子接地等更严重的故障,影响水轮发电机安全稳定运行。对于水轮发电机励磁绕组匝间短路故障目前缺少有效的在线监测方法,因此深入研究励磁绕组匝间短路的故障特征,提出准确性高的识别方法,对水轮发电机组具有重要意义。本文对水轮发电机励磁绕组匝间短路故障的励磁电流、温度场、热应力等特征进行详细研究,结合电气量分析研究水轮发电机匝间短路辨识,在多特征研究的基础上提出信息融合诊断方法,在水轮发电机匝间短路故障在线诊断的基础上提高励磁绕组短路故障的识别准确性。主要工作和取得的成果如下:水轮发电机绕组匝间短路转子电流及标准电流的计算分析。分析了励磁绕组发生匝间短路后水轮发电机励磁电流的情况,基于电机原理建立了电压,有功无功等的电气参数的数学模型,推导水轮发电机运行监测量与励磁电动势的关系式。提出了励磁电流计算的空载曲线反向计算法,通过反向计算空载特性曲线,得到水轮发电机励磁绕组正常条件下某特定运行状态的励磁电流计算标准值,通过匝间短路判据与实测励磁电流对比,结果可以反映发电机匝间短路故障及故障程度。绕组匝间短路故障转子磁极温度等热特性的研究。建立水轮发电机转子磁极的三维有限元模型,根据水轮发电机情况提出相关的假设条件,计算了励磁绕组匝间短路故障发生前后的转子磁极温度场及热应力,并总结故障时磁极温度场和热应力的变化规律。改变模型的相关参数,建立不同短路程度和不同短路位置的模型,进一步计算分析了励磁绕组匝间短路程度和位置不同对水轮发电机磁极温度场及热应力的影响规律。提出一种基于Volterra核辨识的水轮发电机励磁绕组匝间短路诊断方法。建立水轮发电机励磁绕组匝间短路故障非线性系统,分析定子分支电压和分支电流作为输入输出识别匝间短路的可行性,引入Volterra级数模型描述系统特征,通过辨识励磁绕组正常和故障状态下非线性系统传递关系的Volterra核函数的不同,来诊断励磁绕组匝间短路故障,并通过发电机的匝间短路故障实验验证了该方法正确性和有效性。提出的诊断方法具有较高的诊断精度,通过三阶核辨识实现水轮发电机励磁绕组匝间短路故障的识别。提出基于多源信息融合的水轮发电机励磁绕组匝间短路识别方法。将多源信息融合理论应用到水轮发电机励磁绕组匝间短路故障识别中,根据水轮发电机特点及传感器情况,选择短路故障特征量作为证据体,将水轮发电机匝间短路的多组故障特征证据体依据证据理论进行融合,降低传感器不确定性影响,提高匝间短路故障识别结论的置信度。进行发电机励磁绕组匝间短路故障实验,对比多特征量与单一特征量置信度,验证了多源信息融合在发电机励磁绕组匝间故障识别中的有效性。结果表明,基于多源信息融合的水轮发电机励磁绕组匝间短路故障识别方法减少了单一传感器所带来不确定性的影响,提升故障识别准确性。
艾科勇[9]（2020）在《基于本体和信号分析的汽轮发电机组故障诊断技术》文中认为随着我国电力行业的飞速发展,汽轮发电机组的结构愈加复杂,在运行中面临的故障也愈来愈多。为确保机组设备长期安全、稳定、高效的运行,需对其进行准确、可靠地故障诊断。针对汽轮机组故障知识多源异构,容易形成“知识孤岛”的问题,考虑本体能够较好的应用于汽轮发电机组故障诊断领域的知识表示。同时,机组设备运行中产生有大量蕴含设备状态信息的数据。鉴于此,提出了一种本体和信号分析相结合的汽轮发电机组故障诊断方法,并对其进行实例验证与分析。论文主要研究内容与工作总结如下:（1）构建了基于本体的汽轮发电机组故障诊断知识库。针对汽轮发电机组故障知识多源异构,知识共享和重用困难、推理能力和灵活性不足等问题,考虑基于本体的方法能够更好的表示汽轮发电机组故障知识,结合并改进了传统“骨架法”和“七步法”,并基于此构建了汽轮发电机组故障诊断本体知识库,确保了故障诊断本体在知识结构上的一致性,便于知识的共享和重用,也为基于本体的故障推理奠定了基础。（2）设计了基于EEMD、排列熵和SVM的信号分析方法。针对汽轮发电机组工作环境复杂多变,干扰噪声较大,机组振动信号多具有非平稳、非线性、强噪声特性等问题,结合了EEMD和排列熵的方法提取振动信号的故障特征,根据汽轮发电机组的故障机理和相关性分析,选取了故障特征中的敏感分量组成有效倍频分量,其余虚假分量重构后计算各频段的排列熵作为特征向量,辅以PSO-SVM算法进行故障辨识,提高了故障诊断的准确性和辨识效果。（3）提出了基于本体和信号分析的汽轮发电机组故障诊断方法。基于概念名称相似度算法设计了一种语义映射,将信号分析的结果与本体知识库中的实例相关联,并对关联得到的本体实例进行了推理,进而获得了故障部位、故障原因及相应的维修策略等。通过转子模拟试验台模拟了汽轮发电机组典型转子故障进行实例测试,结果表明该方法实现了汽轮发电机组“数据采集、特征提取、故障识别、故障推理和故障解决”的全过程故障诊断。（4）开发了基于本体和信号分析的汽轮发电机组智能故障诊断系统。采用Protégé、SQL、MTALAB和C#等联合开发了汽轮发电机组智能故障诊断系统,包括汽轮发电机组状态监测模块、故障知识处理模块、故障信号分析模块、数据库管理模块及人机交互界面。实例验证表明本系统能够准确、有效地实现汽轮发电机组故障诊断,且故障诊断的智能化程度更高。
秦玉书[10]（2019）在《汽轮发电机故障诊断系统研究与设计》文中进行了进一步梳理汽轮发电机是我国电力生产的主要设备之一,其运行的安全性对于电力安全具有非常重要的作用。为了保证汽轮发电机运转的稳定性和安全性,故障诊断是汽轮发电机工作过程中不可或缺的必要环节。由于汽轮发电机结构复杂、受运行条件、设备元件性能等诸多因素的影响在故障判断方面难度非常的大,很多电厂都是凭借经验进行故障的识别,在电力现代化生产中显然无法做到故障诊断的准确性和及时性。随着传感技术、信息技术、网络技术的不断发展,进行汽轮发电机故障诊断系统的研究与设计已经成为发电厂技术化革新的重要举措。本文结合发电厂汽轮发电机故障诊断的实际情况展开研究,设计一套具备故障信息采集、运行监控、故障诊断与故障管理的智能化故障诊断系统,充分利用已知的汽轮发电机运转传感数据对发电机可能存在的故障信息进行实时监控,并对发生的故障进行综合诊断,利用发电机运转信息数据库和已知故障知识库进行交叉分析判断故障的发展趋势和给出合理的故障预防与故障处理建议。鉴于汽轮发电机运转产生的数据体量庞大并且结构复杂,从采集、标准化处理、存储、诊断和可视化操作几个方面展开研究。首先,设计汽轮发电机故障诊断的通信网络,将各类传感器传输的信息进行标准化处理使其满足系统故障诊断需求,自动化实现发电机运转故障的预测与诊断;其次,构建数据的分布式存储系统,并对系统进行优化提升数据的存取效率;最后,实现汽轮发电机故障诊断的可视化管理。在完成系统的研究与设计后进行系统功能和性能检验得出结论,本文研究并设计汽轮发电机故障诊断系统在汽轮发电机故障诊断智能化管理方面具有较好的实用价值。
二、大型汽轮发电机组故障诊断专家系统的改进与完善（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、大型汽轮发电机组故障诊断专家系统的改进与完善（论文提纲范文）
（1）汽轮发电机组远程振动监测和故障诊断系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 振动监测诊断系统的发展 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文主要研究内容 |
| 第2章 振动监测与故障诊断技术 |
| 2.1 引言 |
| 2.2 振动监测技术 |
| 2.3 振动监测分析方法 |
| 2.3.1 振动信号分析 |
| 2.3.2 监测分析特征图形 |
| 2.4 振动故障诊断技术 |
| 2.4.1 常见故障类型 |
| 2.4.2 故障诊断技术 |
| 2.5 本章小结 |
| 第3章 振动监测和故障诊断系统方案 |
| 3.1 引言 |
| 3.2 开发模式方案 |
| 3.2.1 C/S模式 |
| 3.2.2 B/S模式 |
| 3.3 需求性分析 |
| 3.3.1 功能需求分析 |
| 3.3.2 数据库需求分析 |
| 3.4 系统方案设计 |
| 3.4.1 系统总体方案设计 |
| 3.4.2 系统具体功能设计 |
| 3.4.3 数据库方案设计 |
| 3.5 本章小结 |
| 第4章 振动监测和故障诊断系统开发 |
| 4.1 引言 |
| 4.2 系统开发环境及技术 |
| 4.2.1 系统开发环境 |
| 4.2.2. NET技术 |
| 4.2.3 JavaScript技术 |
| 4.2.4 Json和Ajax技术 |
| 4.2.5 系统开发架构 |
| 4.3 数据库开发 |
| 4.3.1 数据库设计 |
| 4.3.2 振动信号数据储存及维护 |
| 4.4 系统功能开发 |
| 4.4.1 信息配置功能 |
| 4.4.2 振动监测功能 |
| 4.4.3 报警提醒功能 |
| 4.4.4 故障诊断功能 |
| 4.5 本章小结 |
| 第5章 振动监测和故障诊断系统测试 |
| 5.1 引言 |
| 5.2 系统首页 |
| 5.3 管理功能 |
| 5.4 信息配置功能 |
| 5.5 振动监测功能 |
| 5.6 报警提醒功能 |
| 5.7 故障诊断功能 |
| 5.8 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 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 |
（2）汽轮发电机组能效诊断与维护决策系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义及目的 |
| 1.2 国内外研究现状 |
| 1.2.1 汽轮发电机组能效诊断技术研究现状 |
| 1.2.2 诊断系统研究现状 |
| 1.3 本文研究内容 |
| 第2章 汽轮发电机组能效状态指标体系 |
| 2.1 引言 |
| 2.2 能效状态指标体系研究 |
| 2.2.1 能效状态指标选取原则 |
| 2.2.2 能效状态指标体系构建思路 |
| 2.3 汽轮机系统能效指标选取 |
| 2.3.1 燃煤电厂热力系统分析 |
| 2.3.2 汽轮机本体系统分析 |
| 2.3.3 回热系统分析 |
| 2.3.4 冷端系统分析 |
| 2.4 指标体系形成 |
| 2.5 本章小结 |
| 第3章 系统能效诊断知识库构建 |
| 3.1 引言 |
| 3.2 本体的相关研究 |
| 3.2.1 本体的介绍 |
| 3.2.2 本体构建的原则 |
| 3.2.3 本体构建语言以及工具 |
| 3.3 能效诊断知识库本体构建 |
| 3.3.1 能效诊断知识库本体构建策略 |
| 3.3.2 类和类的结构关系 |
| 3.3.3 属性和属性关系 |
| 3.3.4 个体实例创建 |
| 3.3.5 一致性验证 |
| 3.3.6 能效诊断知识库 |
| 3.4 本章小节 |
| 第4章 系统能效诊断方法分析 |
| 4.1 引言 |
| 4.2 参数基准值的确定 |
| 4.2.1 历史数据稳态筛选 |
| 4.2.2 基于K-均值聚类算法的工况划分 |
| 4.2.3 基于MGMM和SVR模型的基准值确定方法 |
| 4.3 参数异常检测与诊断 |
| 4.3.1 参数异常检测 |
| 4.3.2 能效诊断知识库的查询 |
| 4.4 案例分析 |
| 4.5 本章小节 |
| 第5章 能效诊断与维护决策系统开发与应用 |
| 5.1 系统介绍与框架 |
| 5.2 系统数据仓库设计 |
| 5.2.1 数据表E-R图设计 |
| 5.2.2 数据表设计 |
| 5.2.3 知识库设计 |
| 5.3 系统开发与运行环境 |
| 5.4 能效诊断功能设计 |
| 5.4.1 监测分析界面 |
| 5.4.2 诊断与决策界面 |
| 5.5 本章小节 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（3）汽轮发电机组健康状态监测与智能故障诊断技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的来源 |
| 1.2 课题的研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 汽轮发电机组状态监测与故障诊断的国内外研究现状 |
| 1.3.2 基于UML系统建模方法的国内外研究现状 |
| 1.3.3 基于本体知识表示方法的国内外研究现状 |
| 1.3.4 基于案例推理的故障诊断国内外研究现状 |
| 1.4 课题的研究目标和研究内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 第2章 汽轮发电机组典型故障原理分析及处理技术 |
| 2.1 引言 |
| 2.2 600MW亚临界汽轮发电机组的基本结构 |
| 2.3 汽轮发电机组典型故障分析及处理 |
| 2.3.1 汽轮发电机组转子质量不平衡 |
| 2.3.2 汽轮发电机组转子不对中故障 |
| 2.3.3 汽轮发电机组动静碰磨振动故障 |
| 2.4 本章小结 |
| 第3章 汽轮发电机组状态监测与智能故障诊断系统建模 |
| 3.1 引言 |
| 3.2 UML理论研究 |
| 3.2.1 UML建模 |
| 3.2.2 UML核心元素 |
| 3.2.3 UML建模流程和工具 |
| 3.3 机组总体架构 |
| 3.3.1 汽轮发电机组数据处理中心的功能 |
| 3.3.2 状态监测与故障诊断系统的功能 |
| 3.3.3 诊断算法研究中心的功能 |
| 3.4 状态监测与故障诊断系统静态建模 |
| 3.4.1 系统三层架构 |
| 3.4.2 系统用例模型 |
| 3.4.3 系统类图 |
| 3.4.4 系统功能分解 |
| 3.5 状态监测与故障诊断系统动态建模 |
| 3.5.1 系统状态模型 |
| 3.5.2 系统交互模型 |
| 3.6 系统组件部署 |
| 3.7 本章小结 |
| 第4章 智能故障诊断系统的知识库构建和推理机设计 |
| 4.1 引言 |
| 4.2 汽轮发电机组多源异构知识的选择与融合 |
| 4.2.1 多源异构知识的选择 |
| 4.2.2 多源异构知识的融合 |
| 4.3 汽轮发电机组多源异构本体知识建模 |
| 4.3.1 汽轮发电机组全局本体的构建 |
| 4.3.2 汽轮发电机组局部本体的构建 |
| 4.3.3 汽轮发电机组全局本体与局部本体间映射 |
| 4.4 汽轮发电机组知识融合实例验证 |
| 4.5 基于本体和关联案例推理机制的设计 |
| 4.5.1 本体推理 |
| 4.5.2 关联案例推理 |
| 4.5.3 本体和关联案例集成推理方法的评价 |
| 4.6 本章小结 |
| 第5章 状态监测与智能故障诊断系统的开发与性能测试 |
| 5.1 引言 |
| 5.2 系统开发关键技术 |
| 5.2.1 动态链接库的生成方式 |
| 5.2.2 MATLAB的嵌入与捕捉 |
| 5.2.3 状态监测模块中实时显示机组数据技术 |
| 5.2.4 封装SqlHelper类 |
| 5.3 系统数据库的设计 |
| 5.3.1 需求分析 |
| 5.3.2 概念结构设计 |
| 5.3.3 添加配置文件 |
| 5.4 系统功能开发 |
| 5.4.1 系统登录模块 |
| 5.4.2 状态监测模块 |
| 5.4.3 信号分析模块 |
| 5.4.4 故障诊断模块 |
| 5.5 实例验证 |
| 5.6 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文及科研成果 |
| 附录B 攻读学位期间所参与的科研项目 |
（4）覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状分析 |
| 1.2.1 化工过程故障诊断 |
| 1.2.2 基于数据的化工过程故障诊断 |
| 1.2.3 粗糙集理论及属性约简 |
| 1.2.4 (模糊)覆盖粗糙集及其在故障诊断中应用 |
| 1.3 主要研究内容与组织结构 |
| 2 覆盖粗糙集最大、最小描述若干问题研究 |
| 2.1 引言 |
| 2.2 覆盖粗糙集理论预备知识 |
| 2.3 基于矩阵的最小、最大描述计算方法 |
| 2.4 基于最小、最大描述的覆盖近似空间约简方法 |
| 2.5 基于最小、最大描述的覆盖信息系统约简方法 |
| 2.5.1 基于最小描述的覆盖信息系统约简方法 |
| 2.5.2 基于最大描述的覆盖信息系统约简方法 |
| 2.6 本章小结 |
| 3 覆盖粗糙集的故障诊断方法及其在化工汽轮机组故障诊断中的应用 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 化工汽轮机组及常见故障类型 |
| 3.2.2 不完备决策表与极大相容块 |
| 3.3 极大相容块的矩阵计算方法 |
| 3.3.1 基于最大描述的极大相容块计算方法 |
| 3.3.2 基于容差类的极大相容块的矩阵计算方法 |
| 3.4 基于极大相容块的不完备信息系统属性约简方法 |
| 3.5 基于“极大相容块+智能分类器”的不完备信息故障诊断方法 |
| 3.6 不完备信息下化工汽轮机组的故障诊断应用 |
| 3.6.1 化工汽轮机组故障不完备决策信息系统 |
| 3.6.2 决策信息表预处理 |
| 3.6.3 化工汽轮机组的“极大相容块+智能分类器”故障诊断模型建立 |
| 3.6.4 化工汽轮机组故障样本诊断 |
| 3.7 本章小结 |
| 4 基于β-覆盖的模糊覆盖粗糙集 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.3 模糊β-覆盖近似空间中概念之间的关系 |
| 4.3.1 模糊β-最小描述与各类约简之间的关系 |
| 4.3.2 模糊β-最大描述与β-核、I-约简之间的关系 |
| 4.4 模糊β-覆盖近似空间之间的关系 |
| 4.4.1 生成的模糊β-覆盖近似空间 |
| 4.4.2 I-生成的模糊β-覆盖近似空间 |
| 4.5 七个诱导的模糊β-覆盖近似空间和相应的格结构 |
| 4.5.1 七个诱导的模糊β-覆盖的一些新的性质 |
| 4.5.2 一些导出模糊β-覆盖的格结构 |
| 4.6 本章小结 |
| 5 模糊覆盖粗糙集的故障诊断方法及其在TE化工过程故障诊断中的应用 |
| 5.1 引言 |
| 5.2 TE化工过程 |
| 5.3 基于模糊β-邻域的模糊覆盖信息系统属性约简方法 |
| 5.4 “模糊覆盖粗糙集+智能分类器”的故障诊断方法 |
| 5.5 基于“模糊覆盖粗糙集+SVM”的TE化工过程故障诊断实验 |
| 5.5.1 获取并初始化数据 |
| 5.5.2 基于模糊β-邻域的TE化工过程故障数据集的属性约简 |
| 5.5.3 基于TE化工过程的“模糊覆盖粗糙集+SVM”故障诊断模型建立 |
| 5.5.4 基于TE化工过程的“模糊覆盖粗糙集+SVM”故障诊断 |
| 5.6 本章小结 |
| 6 广义模糊覆盖粗糙集 |
| 6.1 引言 |
| 6.2 预备知识 |
| 6.2.1 直觉模糊集 |
| 6.2.2 单值中智集 |
| 6.3 两类直觉模糊覆盖粗糙集模型 |
| 6.3.1 直觉模糊β-邻域、直觉模糊β-邻域系统和β-邻域 |
| 6.3.2 两类直觉模糊覆盖粗糙集模型 |
| 6.3.3 直觉模糊覆盖粗糙集模型和其他粗糙集模型之间的关系 |
| 6.4 单值中智覆盖粗糙集模型 |
| 6.4.1 单值中智覆盖近似空间 |
| 6.4.2 三类单值中智覆盖粗糙集模型 |
| 6.5 多粒度单值中智覆盖粗糙集模型 |
| 6.5.1 多粒度单值中智β-覆盖近似空间 |
| 6.5.2 三类多粒度单值中智覆盖粗糙集模型 |
| 6.5.3 不同中智β-覆盖产生相同的多粒度单值中智覆盖近似算子的条件 |
| 6.6 本章小结 |
| 7 广义模糊粗糙集的决策方法及其在聚合釜故障诊断中的应用 |
| 7.1 引言 |
| 7.2 聚合釜反应过程与常见故障 |
| 7.3 基于直觉模糊覆盖粗糙集的群决策方法及其在故障诊断中的应用 |
| 7.3.1 乐观多粒度直觉模糊覆盖粗糙集模型 |
| 7.3.2 基于直觉模糊故障信息的多属性群决策问题 |
| 7.3.3 基于乐观多粒度直觉模糊覆盖粗糙集的故障信息群决策方法 |
| 7.3.4 直觉模糊决策方法在聚合釜故障诊断中的应用 |
| 7.4 基于多粒度单值中智覆盖粗糙集的群决策方法及故障诊断应用 |
| 7.4.1 基于单值中智故障信息的多属性群决策问题 |
| 7.4.2 基于多粒度单值中智覆盖粗糙集的故障信息群决策方法 |
| 7.4.3 单值中智决策方法在聚合釜故障诊断中的应用 |
| 7.4.4 对比分析 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 研究工作创新点 |
| 8.3 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录A: 最小、最大描述的集合计算Matlab程序（第二章） |
| 附录B: 最小、最大描述的矩阵计算Matlab程序（第二章） |
| 附录C: 本文应用的化工汽轮机组故障诊断数据（第三章） |
| 附录D: 基于不可分辨矩阵的不完备信息属性约简Matlab程序（第三章） |
| 附录E: SVM故障诊断Matlab程序（第三章） |
| 附录F: 基于模糊β-邻域的约简计算Matlab程序（第五章） |
| 附录G: TE化工过程部分数据（第五章） |
| 附录H: 单值中智覆盖粗糙集上、下近似计算Matlab程序（第七章） |
| 攻读博士学位期间发表的科研成果目录 |
（5）汽轮发电机组振动故障诊断模型构建及运用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 汽轮发电机组故障诊断系统的国内外研究现状 |
| 1.3 论文主要研究内容 |
| 第二章 汽轮发电机组振动机理及其类型分析 |
| 2.1 汽轮发电机组振动相关部件分析 |
| 2.2 汽轮发电机组的振动分析 |
| 2.3 本章小结 |
| 第三章 本体理论下汽轮发电机组振动诊断知识建模 |
| 3.1 汽轮发电机组振动诊断知识获取 |
| 3.2 本体理论研究 |
| 3.3 基于本体的汽轮发电机组振动诊断知识建模 |
| 3.4 汽轮发电机组振动诊断本体的一致性检验 |
| 3.5 基于本体的汽轮发电机组振动诊断推理实现 |
| 3.6 本章小结 |
| 第四章 基于本体和案例推理的汽轮发电机组振动诊断 |
| 4.1 案例推理 |
| 4.2 基于本体和案例推理的振动诊断方法 |
| 4.3 汽轮发电机组振动诊断案例检索算法 |
| 4.4 系统模块实现及案例研究 |
| 4.5 本章小结 |
| 第五章 汽轮发电机组振动诊断决策实现与验证 |
| 5.1 汽轮发电机组振动诊断系统的总体设计 |
| 5.2 系统实例验证 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附件 |
（6）汽轮发电机组状态监测与故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 汽轮发电机组轴系结构 |
| 1.3 汽轮发电机组故障诊断技术研究现状 |
| 1.4 本文研究内容 |
| 2 汽轮机典型故障分析 |
| 2.1 汽轮机常见故障分类 |
| 2.2 转子不平衡故障 |
| 2.3 转子不对中故障 |
| 2.4 轴承座松动故障 |
| 2.5 油膜振荡故障 |
| 2.6 转子裂纹故障 |
| 2.7 本章小结 |
| 3 发电机典型故障分析 |
| 3.1 发电机常见故障类型 |
| 3.2 转子绕组匝间短路故障 |
| 3.3 静偏心故障 |
| 3.4 定子绕组绝缘故障 |
| 3.5 发电机故障诊断方法 |
| 3.6 故障案例分析 |
| 3.7 本章小结 |
| 4 基于自适应互补LMD方法的汽轮机振动故障分析 |
| 4.1 局部均值分解理论 |
| 4.2 基于ACLMD的汽轮机振动信号分解 |
| 4.3 基于乘积函数能量熵的特征提取 |
| 4.4 基于GA优化BP神经网络的汽轮机故障诊断实现 |
| 4.5 振动故障监测系统设计 |
| 4.6 本章小结 |
| 5 发电机组状态检修方式探讨 |
| 5.1 常见的发电机组检修模式 |
| 5.2 计划性检修模式的综合分析和评价 |
| 5.3 状态检修方式的探讨 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）汽轮机智能诊断与健康管理关键技术研究（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 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信息获取的研究现状 |
| 1.2.2 故障诊断技术研究现状 |
| 1.2.3 设备健康管理的研究现状 |
| 1.3 本文研究内容和结构安排 |
| 第2章 基于知识图谱的诊断知识获取与表达 |
| 2.1 引言 |
| 2.2 故障机理分析方法与步骤 |
| 2.2.1 名词解释 |
| 2.2.2 设备树分析 |
| 2.2.3 故障模式及影响分析 |
| 2.2.4 故障树分析 |
| 2.2.5 基于Neo4j的知识图谱构建 |
| 2.2.6 故障机理分析步骤 |
| 2.3 诊断知识图谱的建立 |
| 2.3.1 知识图谱构建流程 |
| 2.3.2 类和实体属性定义 |
| 2.3.3 关系定义 |
| 2.4 核电汽轮机诊断知识图谱的构建 |
| 2.4.1 核电汽轮机设备树分析 |
| 2.4.2 汽轮机组故障机理分析 |
| 2.4.3 核电汽轮机诊断知识图谱 |
| 2.5 本章小结 |
| 第3章 汽轮机典型故障征兆识别 |
| 3.1 引言 |
| 3.2 基于模糊矢量映射的序列数据趋势型征兆识别 |
| 3.2.1 模糊矢量空间映射 |
| 3.2.2 案例验证 |
| 3.3 基于独立元空间重构的频谱类征兆识别 |
| 3.3.1 频谱中的方向概念 |
| 3.3.2 独立元空间重构方法 |
| 3.3.3 案例验证 |
| 3.4 本章小结 |
| 第4章 基于知识图谱与贝叶斯网络的智能诊断与维修决策 |
| 4.1 引言 |
| 4.2 基于知识图谱确定性推理的故障隔离 |
| 4.2.1 Cypher查询语句 |
| 4.2.2 基于图数据搜索的故障隔离 |
| 4.2.3 案例测试 |
| 4.3 基于贝叶斯网络不确定性推理的故障诊断 |
| 4.3.1 贝叶斯网络的定义 |
| 4.3.2 BN诊断模型构建关键技术 |
| 4.3.3 基于联合树算法的BN推理 |
| 4.3.4 案例测试 |
| 4.4 基于故障链严重程度评估的维修决策 |
| 4.4.1 独立严重程度指标 |
| 4.4.2 故障链严重程度 |
| 4.4.3 与PM和传统CM的对比 |
| 4.4.4 实例测试 |
| 4.5 结论 |
| 第5章 智能诊断与健康管理原型系统设计与实现 |
| 5.1 引言 |
| 5.2 原型系统基本框架 |
| 5.3 智能诊断与健康管理系统主要功能设计 |
| 5.3.1 基于数据仓库技术的存储设计 |
| 5.3.2 基于机器学习算法框架的征兆识别模块设计 |
| 5.3.3 基于确定性和不确定性推理的诊断推理模块设计 |
| 5.4 样机系统实现 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 全文总结 |
| 6.2 论文主要创新点 |
| 6.3 有待进一步开展的工作 |
| 参考文献 |
| 攻读博士期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（8）水轮发电机励磁绕组匝间短路故障特征分析与故障识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水轮发电机励磁匝间短路概述与分析 |
| 1.2.2 水轮发电机励磁绕组匝间短路故障特征研究现状 |
| 1.2.3 水轮发电机励磁绕组匝间短路故障诊断方法分析 |
| 1.3 本文研究内容 |
| 第2章 励磁绕组匝间短路故障励磁电流分析 |
| 2.1 励磁电流理论分析 |
| 2.1.1 水轮发电机匝间短路故障励磁电流 |
| 2.1.2 励磁电流反向计算理论 |
| 2.2 水轮发电机磁动势计算 |
| 2.2.1 气隙磁动势 |
| 2.2.2 定子齿部磁动势 |
| 2.2.3 定子磁轭磁动势 |
| 2.2.4 磁极磁动势 |
| 2.3 水轮发电机励磁电流计算 |
| 2.3.1 励磁电动势 |
| 2.3.2 水轮发电机饱和参数修正 |
| 2.3.3 水轮发电机标准励磁电流计算 |
| 2.3.4 水轮发电机工况验证 |
| 2.4 本章小结 |
| 第3章 励磁绕组匝间短路故障热稳态分析 |
| 3.1 同步发电机热特征计算方法 |
| 3.2 水轮发电机转子磁极三维模型 |
| 3.2.1 传热学数学模型 |
| 3.2.2 转子热应力模型 |
| 3.2.3 转子磁极物理模型 |
| 3.2.4 边界条件及相关参数确定 |
| 3.3 水轮发电机转子磁极温度场 |
| 3.3.1 正常情况下的转子温度场 |
| 3.3.2 匝间短路时的转子温度场 |
| 3.3.3 温度场在匝间短路故障诊断中应用 |
| 3.4 水轮发电机转子热应力 |
| 3.4.1 正常转子热应力 |
| 3.4.2 匝间短路转子热应力 |
| 3.5 本章小结 |
| 第4章 基于Volterra核辨识匝间短路故障识别 |
| 4.1 Volterra级数核辨识算法 |
| 4.1.1 Volterra级数基本理论 |
| 4.1.2 Volterra级数核辨识 |
| 4.2 定子分支电流谐波 |
| 4.3 Volterra核辨识匝间短路诊断方法 |
| 4.3.1 匝间短路实验 |
| 4.3.2 Volterra三阶核辨识 |
| 4.3.3 核辨识精度 |
| 4.3.4 核函数绝对平均值 |
| 4.4 本章小结 |
| 第5章 基于多源信息融合的励磁绕组匝间短路故障识别 |
| 5.1 信息融合分析 |
| 5.1.1 水轮发电机不确定分析 |
| 5.1.2 故障特征信息融合 |
| 5.2 D-S证据理论 |
| 5.2.1 D-S证据理论信息融合分析 |
| 5.2.2 证据理论的基本框架 |
| 5.2.3 多源信息融合 |
| 5.3 励磁绕组匝间短路信息融合分析 |
| 5.3.1 水轮发电机匝间短路证据体 |
| 5.3.2 匝间短路多源信息融合分析 |
| 5.3.3 信息融合实验验证 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（9）基于本体和信号分析的汽轮发电机组故障诊断技术（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的来源 |
| 1.2 课题的研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 汽轮发电机组故障诊断的国内外研究现状 |
| 1.3.2 汽轮发电机组故障诊断方法概述 |
| 1.3.3 基于本体的故障诊断概述 |
| 1.3.4 基于信号分析的故障诊断概述 |
| 1.4 课题的研究目标和研究内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 第2章 汽轮发电机组故障机理分析 |
| 2.1 引言 |
| 2.2 汽轮发电机组的基本结构 |
| 2.3 汽轮发电机组故障机理分析 |
| 2.3.1 汽轮发电机组常见故障的征兆 |
| 2.3.2 汽轮发电机组典型转子故障机理分析 |
| 2.4 本章小结 |
| 第3章 汽轮发电机组故障诊断本体知识库的构建 |
| 3.1 引言 |
| 3.2 本体基本知识 |
| 3.2.1 本体的概念 |
| 3.2.2 本体的建模元语 |
| 3.3 本体的构建 |
| 3.3.1 本体的构建准则 |
| 3.3.2 本体的构建方法及改进 |
| 3.3.3 本体的构建工具 |
| 3.4 汽轮发电机组故障诊断本体知识库的构建 |
| 3.4.1 确定本体的目的和范围 |
| 3.4.2 定义汽轮发电机组故障诊断本体 |
| 3.4.3 定义汽轮发电机组故障诊断本体中的类和类的层次结构 |
| 3.4.4 定义汽轮发电机组故障诊断本体类的属性及约束 |
| 3.4.5 创建汽轮发电机组故障诊断本体类的实例 |
| 3.4.6 汽轮发电机组故障诊断本体的评估 |
| 3.4.7 汽轮发电机组故障诊断本体知识库的构建 |
| 3.5 汽轮发电机组故障诊断本体推理 |
| 3.6 本章小结 |
| 第4章 基于本体和信号分析的汽轮发电机组故障诊断 |
| 4.1 引言 |
| 4.2 基于本体和信号分析的汽轮发电机组故障诊断体系结构 |
| 4.3 基于信号分析的汽轮发电机组故障诊断 |
| 4.3.1 特征提取 |
| 4.3.2 模式识别 |
| 4.4 基于本体和信号分析的语义映射方法 |
| 4.5 汽轮发电机组转子系统故障诊断实例验证 |
| 4.5.1 数据选取 |
| 4.5.2 基于EEMD和排列熵进行特征提取 |
| 4.5.3 基于PSO-SVM进行模式识别 |
| 4.5.4 基于本体和信号分析的语义映射 |
| 4.5.5 故障推理 |
| 4.6 本章小结 |
| 第5章 汽轮发电机组智能故障诊断系统开发与测试 |
| 5.1 引言 |
| 5.2 汽轮发电机组智能故障诊断系统总体设计 |
| 5.2.1 系统的开发框架 |
| 5.2.2 系统的开发环境 |
| 5.3 汽轮发电机组智能故障诊断系统开发 |
| 5.3.1 本体知识库的构建 |
| 5.3.2 系统界面功能介绍 |
| 5.3.3 状态监测系统 |
| 5.4 实例验证 |
| 5.5 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文及科研成果 |
| 附录 B 攻读学位期间所参与的科研项目 |
（10）汽轮发电机故障诊断系统研究与设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 发电机故障诊断技术研究现状 |
| 1.2.2 发电机故障诊断系统研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 汽轮发电机工作原理与故障诊断方法 |
| 2.1 汽轮发电机工作原理 |
| 2.2 常见的故障 |
| 2.3 BP神经网络 |
| 2.4 HDFS分布式文件系统 |
| 2.5 本章小结 |
| 第3章 汽轮发电机故障诊断系统分析与设计 |
| 3.1 汽轮发电机故障诊断系统总体分析与设计 |
| 3.1.1 汽轮发电机故障诊断系统总体分析 |
| 3.1.2 汽轮发电机故障诊断系统总体设计 |
| 3.2 故障诊断子系统分析与设计 |
| 3.2.1 故障诊断子系统分析 |
| 3.2.2 故障诊断子系统设计 |
| 3.3 数据云存储子系统分析与优化 |
| 3.3.1 数据云存储子系统分析 |
| 3.3.2 数据云存储子系统优化 |
| 3.4 本章小结 |
| 第4章 汽轮发电机故障诊断可视化软件分析与设计 |
| 4.1 可视化软件功能分析 |
| 4.1.1 用户管理功能 |
| 4.1.2 数据采集与检测功能 |
| 4.1.3 故障诊断与分析功能 |
| 4.1.4 系统服务功能 |
| 4.1.5 系统管理功能 |
| 4.2 可视化软件功能设计 |
| 4.2.1 用户管理功能模块设计 |
| 4.2.2 数据采集与检测功能模块设计 |
| 4.2.3 故障诊断与分析功能模块设计 |
| 4.2.4 系统服务功能模块设计 |
| 4.2.5 系统管理功能模块设计 |
| 4.3 数据库设计 |
| 4.3.1 数据库实体关系 |
| 4.3.2 数据库表设计 |
| 4.4 本章小结 |
| 第5章 汽轮发电机故障诊断系统检验 |
| 5.0 检验环境搭建 |
| 5.1 系统功能检验 |
| 5.1.1 用户管理功能检验 |
| 5.1.2 数据采集与检测功能检验 |
| 5.1.3 故障诊断与分析功能检验 |
| 5.1.4 系统服务功能检验 |
| 5.1.5 系统管理功能检验 |
| 5.2 数据存取性能检验 |
| 5.2.1 负载均衡检验结果分析 |
| 5.2.2 数据合并检验结果分析 |
| 5.3 系统性能检验 |
| 5.4 系统应用检验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 个人简介 |
四、大型汽轮发电机组故障诊断专家系统的改进与完善（论文参考文献）
- [1]汽轮发电机组远程振动监测和故障诊断系统研究[D]. 钱泽琛. 华北电力大学(北京), 2021(01)
- [2]汽轮发电机组能效诊断与维护决策系统研究[D]. 朱俊杰. 华北电力大学(北京), 2021(01)
- [3]汽轮发电机组健康状态监测与智能故障诊断技术研究[D]. 张永明. 兰州理工大学, 2021
- [4]覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用[D]. 王敬前. 陕西科技大学, 2021(01)
- [5]汽轮发电机组振动故障诊断模型构建及运用[D]. 刘涛. 华南理工大学, 2020(06)
- [6]汽轮发电机组状态监测与故障诊断方法研究[D]. 于凯. 中国矿业大学, 2020(07)
- [7]汽轮机智能诊断与健康管理关键技术研究[D]. 杨楠. 华北电力大学(北京), 2020(06)
- [8]水轮发电机励磁绕组匝间短路故障特征分析与故障识别[D]. 王罗. 华北电力大学(北京), 2020(06)
- [9]基于本体和信号分析的汽轮发电机组故障诊断技术[D]. 艾科勇. 兰州理工大学, 2020
- [10]汽轮发电机故障诊断系统研究与设计[D]. 秦玉书. 哈尔滨理工大学, 2019(02)