一、基于故障树的凝汽器低真空运行原因分析及故障诊断（论文文献综述）
张远绪[1]（2019）在《基于PSO-DDSAEN的凝汽器故障诊断研究》文中提出凝汽器是电厂汽轮机组中非常重要的辅助设备之一,其运行状态的优劣直接影响着整个电厂的安全性与经济性。因此,对凝汽器故障诊断方法的研究具有十分重要的理论意义和工程实用价值。随着现代电厂设备的复杂化和精密化,凝汽器故障的复杂程度也越来越大,其故障数据具有复杂性、非线性、高噪声等特点。传统的凝汽器故障诊断方法多是基于浅层机器学习模型,对复杂故障的特征学习能力具有一定的局限性,诊断性能可扩展性差,往往出现易陷入局部最优、过拟合等问题。相对于浅层机器学习模型而言,深度学习具有强大的特征学习能力,对复杂的原始数据可以更深度地挖掘其中隐含的信息。因此,本文以深度学习中的深度自编码网络为基础,以电厂中的凝汽器设备为研究对象,首次将深度学习算法引入到凝汽器的故障诊断中。针对电厂凝汽器运行过程中数据标记困难、故障数据稀缺、高噪声等现实问题,提出一种基于深度降噪稀疏自编码网络（Deep Denoising Sparse Auto-Encoder Networks,DDSAEN）模型的凝汽器故障诊断方法。DDSAEN作为一种深度神经网络,先利用无监督学习方式对大量无标记数据进行逐层贪婪的特征学习,然后采用少量的有标记数据对模型进行微调。网络模型中稀疏性约束的引入,使得所提方法对稀缺故障数据依旧具有强大的学习能力,提高特征代表性、增强特征稀疏性。同时降噪策略的加入,使得所提方法对具有不同噪声程度干扰的故障数据依旧可以提取表征性更强的特征,增强特征的鲁棒性。通过不同实验,对DDSAEN诊断模型的性能进行了测试,验证了该方法强大的特征学习能力,并且相对于浅层机器学习模型,在面对无标记数据、不平衡性、高噪声等状况时,该方法具有一定的优越性,诊断性能更好。同时在对DDSAEN模型的构建中,本文通过不同实验对比,分析研究了网络层数、隐藏层节点数、迭代次数、稀疏参数、噪声系数等关键参数对DDSAEN模型诊断性能的影响。最后针对DDSAEN模型结构复杂,其人工实验的参数确定方式具有随机性和耗时性,并且效率低下,本文采取粒子群优化算法（Particle Swarm Optimization,PSO）对网络模型的关键参数进行自动寻优,提出了一种基于PSO-DDSAEN的凝汽器故障诊断方法。通过对比实验分析研究,验证了该改进方式的有效性,且该方法诊断性能更好,更具智能性。
鲁锦,刘汉金,刘娟,蔡文,卢冬冬[2]（2018）在《1000 MW机组凝汽器低真空故障特征向量的提取及应用》文中指出针对某1000 MW机组的低真空问题,确定故障集和征兆集,在判别引起真空急剧下降与缓慢下降的基础上,分类建立各征兆参数状态量化值的计算模型,并通过该机组仿真机的模拟试验得出了机组的凝汽器低真空故障特征向量。据此应用BP神经网络建立该机组的凝汽器故障诊断模型,对机组的低真空故障进行诊断。结果表明根据仿真机试验得出的1000 MW机组凝汽器故障领域特征向量,在实际机组运行中可用于凝汽器故障诊断。
杜景琦,赵明,殷捷,顾伟[3]（2018）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。
宗绪东[4]（2018）在《基于现场数据分析的汽轮机组冷端系统运行经济性综合性能诊断和优化研究》文中研究指明本文基于大量的发电厂现场运行数据,全面系统分析研究了火电机组冷端系统经济性的影响因素,获得了提高冷端经济性的具体措施,尤其是针对目前机组参与深度调峰的运行实际,分析了机组深度调峰运行时冷端系统的经济性诊断与性能优化。这一选题对于提高火电厂的运行经济性,提高机组灵活性改造大背景下运行经济性,指导现场运行调整和维修,具有较大的意义。本文作者就职于华电国际技术服务中心,长期从事火电机组的节能工作,通过对公司31个火电厂102台机组进行远程和现场节能诊断,收集了冷端系统大量数据样本,采用部件特性与故障树相结合的分析方法,建立了冷端系统各项经济指标诊断模型,开发了冷端系统运行经济性自动诊断系统,设计建立了华电国际节能远程监控平台。通过四年多运行及完善,平台诊断结果基本准确,发现和解决了一系列实际问题,仅通过运行优化影响华电国际公司煤耗率约降低0.5g/（kWh）,经济效益显着。目前汽轮机冷端系统性能诊断及优化存在着一些问题:性能诊断主要依靠技术人员的工作经验,必须采用试验方法来完成,存在冷端系统参数异常时发现不及时、原因分析不清楚、处理措施不恰当等问题,导致机组运行的经济性降低;现有的冷端优化技术繁多,部分技术从原理分析、实践上证明不可行,或者是解决一个问题的同时带来新的问题,因此电厂在进行冷端优化改造面临选择性难题;近年来风电、光伏等新能源发展突飞猛进,在三北地区冬季弃风、弃光现象严重,火电机组深度调峰及热电解耦压力较大,机组在低负荷下运行时间变长,冷端系统运行边界条件发生变化,传统的一些试验、诊断及优化方法不能适应。针对上述问题,本文基于大量现场运行数据,运用理论和实践相结合的方法,克服了传统冷端经济性分析的片面性,对影响冷端系统指标的所有一、二、三级要素及其互相影响进行了系统性的分析,获得了凝汽器真空、过冷度等性能指标的所有一、二、三级要素,以及这些因素之间的相互影响规律,绘制了各因素的相互影响的逻辑关系图,为提高冷端系统的经济性奠定了基础;采用部件特性、故障树分析的方法,结合当前深度调峰、热电解耦的形势,对冷端系统性能指标诊断进行深入的研究,开发了冷端系统故障自动诊断系统,并结合案例进行了验证;根据冷端系统各部件的特征,结合目前已开展的各种冷端优化技术,进行了理论可行性分析及实践验证,可为电厂的经济运行和冷端改造提供指导。为了适应火电厂灵活性运行的需要,对低负荷下冷端系统运行经济性进行了分析,对深度调峰工况冷端系统的诊断和优化进行了研究,完善了现有冷端系统的诊断模型及方法,制定了适应深度调峰工况下的优化运行方案。
冯少山[5]（2017）在《300MW机组汽轮机及其辅助系统节能诊断》文中研究指明火电厂是我国电力行业的支柱,为国家经济发展提供的重要支持,在国家节能减排事业中更是起着举足轻重的作用。目前,火电厂节能大多通过设备或系统的节能技术改造,随着火电厂技术革新的日益减少,技术改造挖掘节能潜力的难度越来越大,系统节能诊断研究慢慢成为火电厂节能的主要研究方向。汽轮机及其辅助系统作为火电厂最重要的系统,也是节能潜力最大的系统,对该系统进行节能专断研究更具重要意义。某300MW火电厂汽轮机为哈尔滨汽轮机厂有限责任公司生产的N300-16.7/538/538型,亚临界、中间再热、两缸两排汽、凝汽式汽轮机,该机组经过通流改造后设计的热耗率为7923.3kJ/（kW·h）,但实际运行中满负荷热耗率在8200-8300kJ/（kW·h）之间,剔除参数偏差、流量偏差与循环水温度的影响后,仍比设计热耗率高200-250 kJ/（kW·h）。本文针对该300MW火电厂汽轮机及其辅助系统运行状况进行全面的分析研究,主要研究工作及结论如下:一是根据火电厂汽轮机及其辅助系统的实际情况,将汽轮机及其辅助系统分为汽轮机本体系统、回热系统和冷端系统分别开展诊断研究。二是利用故障树诊断理论,对汽轮机本体系统、回热系统和冷端系统分别建立能效诊断故障树,并将能效诊断故障树得出的最小割集分为运行可优化事件和检修维护故障。利用布尔代数运算法则,将三个系统能效诊断树的最小割集进行整合。三是通过对统计期内数据分析和诊断试验研究的方法对汽轮机能效诊断故障树结论进行分析,得到真正影响该300MW火电厂汽轮机及其辅助系统能耗偏高的主要问题。最后通过本文的研究,发现该300MW火电厂汽轮机及其辅助系统存在着再热蒸汽温度偏低、加热器端差偏大、高中压轴封漏气量偏大和凝汽器清洁系数偏小等问题。
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》文中指出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》文中进行了进一步梳理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。
杨亮[8]（2015）在《基于集成神经网络的凝汽器故障诊断》文中研究表明凝汽器作为电厂运行的重要辅助设备之一,其运行状况直接关系到电厂机组的安全经济运行,凝汽器的故障最终反映为真空下降。因此,准确检测凝汽器的运行状态,了解故障类型,及时做出状态检修,保持凝汽器良好的运行工况,保证达到最佳真空度是电厂实现节能减排的重要内容。本文在分析研究国内外凝汽器状态检修及故障诊断技术的基础上,对现代凝汽器运行过程中出现的故障采用集成神经网络方法进行诊断和分析。首先,分析凝汽器常见故障类型及其原因。从凝汽器的工作原理出发,得出影响凝汽器正常运行的常见因素,重点对凝汽器热力性能关系表达式进行深入研究,分析各影响因素之间的关系,最后总结故障类型与故障征兆之间的对应关系。其次,了解目前的故障诊断方法。通过对常见故障类型及其原因分析,得知故障类型与征兆之间的对应关系具有高维、非线性等特点。鉴于神经网络处理非线性问题的良好特性,引入集成神经网络及基于故障分类的多神经网络来提高诊断效率。再者,着重讨论了集成神经网络和基于故障分类的多神经网络的组成及原理,分析了BP和改进BP神经网络的基本诊断理论,讨论了对多个诊断子网络决策融合的原理和方法,为集成神经网络和基于故障分类的多神经网络两种方法在凝汽器故障诊断中的应用提供了理论基础。最后,通过凝汽器故障状态实例,利用MATLAB对集成神经网络和基于故障分类的多神经网络进行仿真试验,并将两种方法的诊断结果与实际运行故障进行比较,验证了方法的可行性。
房丽萍[9]（2015）在《直接空冷机组冷端系统能效评价与故障诊断方法研究》文中指出直接空冷机组在我国富煤贫水地区得到了快速的发展。本文针对直接空冷机组,建立了能效评价模型,实现了冷端系统能效实时评价。对评价结果不理想的情况分别按评价等级进行运行可调类参数优化或冷端系统可维护类故障诊断,以提高冷端系统的能效水平,提高直接空冷机组的热经济性和安全性。能效评价模型运用了AHP-F评价方法展开评价。能效评价的等级分别是优秀、良好、一般、需改进、需整顿。当冷端系统性能评价结果为需改进时,冷端系统需要优化调整。优化的目标值是最佳背压,本文建立了冷端系统变工况数学模型,结合直接空冷电厂背压功率修正曲线和风机群耗功与背压的关系曲线,得出了变工况条件下确定最佳背压及最佳风速的办法,以最佳背压为基准值进行计算,可以得出冷端系统优化后的节能空间。当冷端系统的评价结果为需整顿时,冷端系统的可维护类故障诊断任务被触发。冷端系统性能下降的故障顶事件是真空下降,可能是由风机系统故障、轴封系统故障、抽真空系统故障、主凝结水系统故障、空冷凝汽器设备的其他故障引起的。本文针对13个故障,结合FTA分析方法,进行了故障模式分析、故障征兆分析、故障原因分析、故障影响分析和故障维修措施分析,建立了十分完备的冷端系统知识库。在此基础上,应用模糊模式识别进行冷端系统的故障诊断,研究表明,糊模式识别诊断方法的诊断准确性高、分离效果明显。
邹胜文[10]（2014）在《基于主元分析-RBF神经网络的凝汽器故障诊断》文中研究说明凝汽器是火力发电厂中一个十分重要的辅助设备，其运行性能的好坏直接影响到整个电厂的经济效益，对凝汽器故障诊断方法的研究具有非常重要的理论指导意义和工程价值。本文主要利用沙角C电厂sis系统中凝汽器的历史故障数据生成RBF神经网络的故障诊断源数据与故障验证数据，之后针对故障诊断数据进行主元分析去除冗余数据信息形成RBF神经网络的训练样本。确定RBF神经网络的结构，通过数值计算软件Matlab训练RBF神经网络，形成具有故障模式识别的网络，通过故障验证数据考量建立模型的准确性。本文分析了噪声对主元分析方法的影响，在故障诊断数据中加入不同的信噪比的信号，分析了相同主元个数的情况下，累计方差贡献率的变化情况。数据之间的存在关联系是利用主元分析方法的前提，通过相关系数的求解分析了本文所利用的征兆参数的之间关联性。本文还利用原始的训练样本和经主元分析优化的样本分别训练RBF神经网络，利用故障验证数据验证训练完善的网络输出，综合分析了基于主元分析-RBF网络的性能。通过沙角C电厂凝汽器的诊断实例，可以看出当数据之间存在线性关联时基于主元分析-RBF神经网络的凝汽器故障诊断方法不仅可以有效地解决征兆参数的冗余问题，而且在主元个数选择恰当的情况下还能保证网络的分类精度，由于训练样本数据的约减网络的计算时间和计算速度也有一定程度地提高。
二、基于故障树的凝汽器低真空运行原因分析及故障诊断（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、基于故障树的凝汽器低真空运行原因分析及故障诊断（论文提纲范文）
（1）基于PSO-DDSAEN的凝汽器故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景及其意义 |
| 1.2 故障诊断技术概述 |
| 1.2.1 国内外故障诊断技术的发展和研究现状 |
| 1.2.2 现代凝汽器故障诊断方法 |
| 1.3 基于深度学习的故障诊断方法 |
| 1.3.1 深度学习概述 |
| 1.3.2 基于深度学习的故障诊断研究现状 |
| 1.4 本文研究的切入点 |
| 1.4.1 凝汽器故障诊断中存在的问题 |
| 1.4.2 目前凝汽器故障诊断方法的弊端 |
| 1.4.3 深度学习在凝汽器故障诊断中的应用分析 |
| 1.5 论文的研究内容和结构安排 |
| 2 凝汽器设备常见故障及原因分析 |
| 2.1 凝汽器概述 |
| 2.2 凝汽器主要的性能指标 |
| 2.3 凝汽器常见故障分析 |
| 2.4 凝汽器系统故障集及故障征兆集的建立 |
| 2.5 本章小结 |
| 3 深度自编码网络 |
| 3.1 深度自编码网络原理 |
| 3.1.1 自动编码器 |
| 3.1.2 深度自编码网络的结构与训练 |
| 3.2 自动编码器的优化改进 |
| 3.2.1 稀疏自动编码器 |
| 3.2.2 降噪自动编码器 |
| 3.2.3 深度降噪稀疏自动编码器 |
| 3.3 本章小结 |
| 4 深度降噪稀疏自编码网络诊断模型研究 |
| 4.1 深度降噪稀疏自编码网络诊断模型框架 |
| 4.2 Softmax分类器 |
| 4.3 深度降噪稀疏自编码网络模型参数的确定 |
| 4.3.1 网络层数 |
| 4.3.2 隐藏层节点数 |
| 4.3.3 迭代次数 |
| 4.3.4 稀疏参数 |
| 4.3.5 噪声系数 |
| 4.4 本章小结 |
| 5 基于深度降噪稀疏自编码网络的凝汽器故障诊断 |
| 5.1 凝汽器故障数据说明 |
| 5.1.1 样本数据选取 |
| 5.1.2 样本数据预处理 |
| 5.1.3 故障状态输出编码 |
| 5.2 基于DDSAEN的凝汽器故障诊断模型 |
| 5.3 基于DDSAEN模型的凝汽器故障诊断性能测试及对比分析 |
| 5.3.1 不同预训练集下模型性能分析 |
| 5.3.2 与BPNN、SVM对比分析 |
| 5.3.3 不平衡训练样本下故障诊断结果及分析 |
| 5.3.4 鲁棒性验证 |
| 5.4 本章小结 |
| 6 基于PSO-DDSAEN的凝汽器故障诊断 |
| 6.1 粒子群优化算法(PSO) |
| 6.2 基于PSO-DDSAEN模型的凝汽器故障诊断方法研究 |
| 6.3 PSO优化过程结果 |
| 6.4 故障诊断结果分析 |
| 6.5 特征提取可视化分析 |
| 6.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表学术论文目录 |
（3）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 |
（4）基于现场数据分析的汽轮机组冷端系统运行经济性综合性能诊断和优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要研究内容 |
| 第二章 汽轮机冷端系统性能指标及影响因素的层级分析 |
| 2.1 冷端系统组成及作用 |
| 2.2 冷端系统性能指标对机组经济性的影响 |
| 2.2.1 凝汽器真空 |
| 2.2.2 凝结水过冷度 |
| 2.2.3 循环水泵、凝结水泵、真空泵耗电率 |
| 2.3 凝汽器真空影响因素 |
| 2.3.1 凝汽器入口水温 |
| 2.3.2 凝汽器端差 |
| 2.3.3 凝汽器循环水温升 |
| 2.4 凝结水过冷度影响因素 |
| 2.5 循环水泵、凝结水泵、真空泵耗电率影响因素 |
| 2.5.1 循环水泵耗电率 |
| 2.5.2 凝结水泵耗电率 |
| 2.5.3 真空泵耗电率 |
| 2.6 本章小结 |
| 第三章 常规工况汽轮机冷端系统经济性能诊断研究 |
| 3.1 部件特性诊断方法 |
| 3.2 故障树诊断方法 |
| 3.2.1 凝汽器真空故障树诊断方法 |
| 3.2.2 凝结水过冷度故障树诊断方法 |
| 3.2.3 凝结水泵耗电率故障树诊断方法 |
| 3.2.4 真空泵耗电率故障树诊断方法 |
| 3.3 凝汽器真空异常自动诊断系统 |
| 3.3.1 系统功能 |
| 3.3.2 系统附图说明 |
| 3.3.3 实施方式 |
| 3.4 凝汽器真空低远程监控诊断案例 |
| 3.4.1 华电滕州公司3号、4号机凝汽器真空偏低案例 |
| 3.4.2 华电青岛公司3号机凝汽器真空下降案例 |
| 3.5 本章小结 |
| 第四章 汽轮机冷端系统各层次因素的优化研究 |
| 4.1 冷却塔优化 |
| 4.1.1 冷却塔填料优化 |
| 4.1.2 冷却塔配水及喷溅装置优化 |
| 4.1.3 冷却塔侧风等影响及配风优化改造 |
| 4.1.4 一机两塔优化 |
| 4.2 凝汽器在线清洗装置优化 |
| 4.2.1 传统胶球清洗技术 |
| 4.2.2 集中发球清洗技术 |
| 4.2.3 在线机器人清洗技术 |
| 4.2.4 RCCS螺旋纽带清洗技术 |
| 4.2.5 凝汽器在线清洗技术最优方案 |
| 4.3 循环水泵优化 |
| 4.3.1 循环水泵运行中存在的问题 |
| 4.3.2 循环水泵优化方案 |
| 4.4 水环真空泵优化 |
| 4.4.1 传统优化方案 |
| 4.4.2 新型优化方案 |
| 4.4.3 真空泵最佳优化方案 |
| 4.5 高、低背压凝汽器抽空气管连接方式优化 |
| 4.5.1 存在问题 |
| 4.5.2 优化方案 |
| 4.6 凝结水泵优化 |
| 4.6.1 优化凝结水泵配置,保持变频凝结水泵经济运行 |
| 4.6.2 对限制凝结水压力降低系统、定值等进行优化改造 |
| 4.7 本章小结 |
| 第五章 深度调峰工况冷端系统经济性诊断及优化案例分析 |
| 5.1 深度调峰工况冷端系统运行特性 |
| 5.2 深度调峰工况冷端系统诊断及案例 |
| 5.2.1 冷端系统诊断模型及试验方法调整 |
| 5.2.2 诊断案例 |
| 5.3 深度调峰工况下冷端系统优化及案例 |
| 5.3.1 优化技术 |
| 5.3.2 优化案例 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的学术成果 |
| 攻读硕士学位期间的科研情况 |
| 学位论文评阅及答辩情况表 |
（5）300MW机组汽轮机及其辅助系统节能诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的意义 |
| 1.2 课题研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 故障树诊断原理 |
| 2.1 诊断原理概述 |
| 2.2 故障树诊断法的流程 |
| 2.3 布尔代数理论 |
| 第三章 汽轮机系统能效现状 |
| 3.1 汽轮机系统设计参数情况 |
| 3.1.1 汽轮机本体设计参数情况 |
| 3.1.2 汽轮机组回热系统设计情况 |
| 3.1.3 冷端系统设计参数 |
| 3.2 机组能效现状 |
| 第四章 汽轮机及其辅助系统故障树诊断的建立与分析 |
| 4.1 汽轮机及其辅助系统故障树建立 |
| 4.2 汽轮机本体能效诊断故障树的建立 |
| 4.3 汽轮机回热系统能效诊断故障树的建立 |
| 4.4 汽轮机冷端系统能效诊断故障树的建立 |
| 4.5 确定最终能效影响因素 |
| 4.6 本章小结 |
| 第五章 汽轮机及其辅助系统能效诊断分析 |
| 5.1 运行可优化事件数据分析 |
| 5.1.1 主、再热蒸汽温度情况 |
| 5.1.2 各加热器水位情况 |
| 5.1.3 机组滑压运行方式情况 |
| 5.1.4 再热蒸汽减温水流量情况 |
| 5.1.5 各加热器端差情况 |
| 5.1.6 循泵及其耗电率情况 |
| 5.1.7 各抽气段参数情况 |
| 5.2 检修维护故障数据分析 |
| 5.2.1 变汽温试验 |
| 5.2.2 汽轮机缸效测试试验 |
| 5.2.3 热力系统泄露测试 |
| 5.2.4 机组保温测试 |
| 5.2.5 机组冷端诊断试验 |
| 5.3 本章小结 |
| 5.3.1 主要结论 |
| 5.3.2“310”行动计划 |
| 总结与展望 |
| 1.总结 |
| 2.展望 |
| 参考文献 |
| 致谢 |
| 附件 |
（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）基于集成神经网络的凝汽器故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 故障诊断技术的研究动态 |
| 1.2.1 国外故障诊断技术的发展和研究现状 |
| 1.2.2 国内故障诊断技术的发展和研究现状 |
| 1.2.3 现代凝汽器故障诊断方法 |
| 1.3 本文主要研究内容 |
| 第2章 凝汽器常见故障分析 |
| 2.1 凝汽器概述 |
| 2.2 凝汽器真空度对机组性能的影响 |
| 2.3 凝汽器真空恶化理论分析 |
| 2.4 凝汽器真空恶化原因综合分析 |
| 2.4.1 凝汽器真空急剧恶化的原因分析 |
| 2.4.2 凝汽器真空缓慢下降的原因分析 |
| 2.5 本章小结 |
| 第3章 故障诊断中的集成神经网络信息融合 |
| 3.1 概述 |
| 3.2 BP神经网络的基本理论 |
| 3.2.1 常规BP网络算法 |
| 3.2.2 改进BP神经网络算法 |
| 3.3 信息融合技术 |
| 3.3.1 数据层融合 |
| 3.3.2 特征层融合 |
| 3.3.3 决策层融合 |
| 3.4 集成神经网络的信息融合 |
| 3.4.1 集成神经网络的基本结构 |
| 3.4.2 子网络的组建原则 |
| 3.4.3 决策融合网络的实现 |
| 3.5 本章小结 |
| 第4章 凝汽器故障诊断 |
| 4.1 基于集成神经网络故障诊断 |
| 4.1.1 基于集成神经网络故障诊断概述 |
| 4.1.2 故障特征信号的选取 |
| 4.2 基于故障分类的多神经网络故障诊断 |
| 4.2.1 基于故障分类的多神经网络故障诊断概述 |
| 4.2.2 故障特征信号的选取 |
| 4.3 两种智能算法的计算分析 |
| 4.3.1 Matlab神经网络工具箱 |
| 4.3.2 BP神经网络的训练 |
| 4.3.3 故障诊断的步骤及实例诊断 |
| （一）故障诊断的步骤 |
| （二）实例诊断 |
| 4.4 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简介 |
（9）直接空冷机组冷端系统能效评价与故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 直接空冷机组国内外研究现状 |
| 1.2.1 直接空冷机组发展现状 |
| 1.2.2 直接空冷机组冷端系统能效优化研究现状 |
| 1.2.3 直接空冷机组冷端系统故障诊断研究现状 |
| 1.3 直接空冷机组冷端系统存在的问题 |
| 1.4 本文主要工作 |
| 第2章 直接空冷机组冷端系统能效评价 |
| 2.1 直接空冷机组冷端系统介绍 |
| 2.2 直接空冷机组冷端系统能效评价 |
| 2.2.1 冷端系统的能效评价方法 |
| 2.2.2 AHP-F评价法的实施 |
| 2.2.3 冷端系统的能效评价标准 |
| 2.3 冷端系统能效评价基准值的确定 |
| 2.3.1 基准值确定方法的实施 |
| 2.4 本章小结 |
| 第3章 运行可调类参数优化 |
| 3.1 直接空冷机组冷端系统变工况数学模型 |
| 3.2 冷端系统变工况特性的研究及实例分析 |
| 3.3 变工况下直接空冷机组发电功率增量的确定 |
| 3.4 风机群耗功的确定 |
| 3.5 直接空冷凝汽器最佳背压的确定 |
| 3.6 背压变化对标准煤耗率的定量计算 |
| 3.7 本章小结 |
| 第4章 冷端系统可维护类故障分析 |
| 4.1 可维护类故障分析方法 |
| 4.1.1 故障模式与影响分析 |
| 4.1.2 故障树分析 |
| 4.2 冷端系统故障模式及原因分析 |
| 4.2.1 风机系统故障 |
| 4.2.2 轴封系统故障 |
| 4.2.3 抽真空系统故障 |
| 4.2.4 主凝结水系统故障 |
| 4.2.5 空冷凝汽器其它故障 |
| 4.3 本章小结 |
| 第5章 冷端系统可维护类故障诊断 |
| 5.1 模糊逻辑理论概述 |
| 5.2 模糊模式识别的方法 |
| 5.3 冷端系统故障模糊诊断数学模型 |
| 5.3.1 冷端系统低真空运行故障征兆模糊处理 |
| 5.3.2 冷端系统典型故障论域特征矢量的确定 |
| 5.3.3 冷端系统故障诊断实例 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 后续展望 |
| 参考文献 |
| 在校期间发表的学术论文和参加科研情况 |
| 致谢 |
（10）基于主元分析-RBF神经网络的凝汽器故障诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 1 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 故障诊断技术的发展及现状 |
| 1.3 国内外凝汽器故障诊断技术的发展和现状 |
| 1.4 凝汽器故障诊断中仍然存在的问题 |
| 1.5 论文的研究内容 |
| 2 凝汽器系统常见故障分析 |
| 2.1 概述 |
| 2.2 凝汽器简介 |
| 2.3 凝汽器主要性能指标的变化对机组性能的影响分析 |
| 2.4 凝汽器的常见故障 |
| 2.5 总结 |
| 3 基于主元分析与 RBF 神经网络的模型研究 |
| 3.1 概述 |
| 3.2 主元分析理论基础 |
| 3.2.1 主元分析理论的发展 |
| 3.2.2 主元分析的原理 |
| 3.2.3 主元分析的算法 |
| 3.3 RBF 神经网络理论基础 |
| 3.3.1 RBF 神经网络的发展 |
| 3.3.2 RBF 神经网络的结构 |
| 3.3.3 径向基函数 |
| 3.3.4 RBF 神经网络的算法 |
| 3.4 主元分析方法和 RBF 神经网络融合 |
| 3.4.1 噪声对主元分析方法的影响 |
| 3.4.2 主元分析方法对 RBF 神经网络的优化 |
| 3.5 总结 |
| 4 凝汽器故障诊断实例 |
| 4.1 概述 |
| 4.2 沙角 C 电厂#1 机组凝汽器简介 |
| 4.3 基于主元分析-RBF 神经网络的凝汽器故障诊断 |
| 4.3.1 凝汽器征兆参数的相关性分析 |
| 4.3.2 主元分析 |
| 4.3.3 Matlab 神经网络工具箱 |
| 4.3.4 RBF 神经网络训练 |
| 4.3.5 性能比较 |
| 4.4 总结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 作者在攻读硕士学位期间参与的项目 |
| 附录2 凝汽器部分故障训练数据与验证数据 |
四、基于故障树的凝汽器低真空运行原因分析及故障诊断（论文参考文献）
- [1]基于PSO-DDSAEN的凝汽器故障诊断研究[D]. 张远绪. 青岛科技大学, 2019(12)
- [2]1000 MW机组凝汽器低真空故障特征向量的提取及应用[J]. 鲁锦,刘汉金,刘娟,蔡文,卢冬冬. 江西电力, 2018(10)
- [3]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)
- [4]基于现场数据分析的汽轮机组冷端系统运行经济性综合性能诊断和优化研究[D]. 宗绪东. 山东大学, 2018(12)
- [5]300MW机组汽轮机及其辅助系统节能诊断[D]. 冯少山. 华南理工大学, 2017(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]基于集成神经网络的凝汽器故障诊断[D]. 杨亮. 华北电力大学, 2015(05)
- [9]直接空冷机组冷端系统能效评价与故障诊断方法研究[D]. 房丽萍. 华北电力大学, 2015(03)
- [10]基于主元分析-RBF神经网络的凝汽器故障诊断[D]. 邹胜文. 华中科技大学, 2014(12)