返回
类型 基础研究 预答辩日期 2018-04-21
开始(开题)日期 2014-06-25 论文结束日期 2018-03-12
地点 动力楼420室 论文选题来源 国家自然科学基金项目     论文字数 5.01 (万字)
题目 热工过程海量数据流模型分析及诊断方法研究
主题词 热工过程,数据驱动,系统建模,故障诊断,神经网络
摘要 热工过程中的故障不仅会影响机组的发电效率,而且可能引发严重的设备事故、机组非停和环境污染。故障诊断技术能够及时发现并消除生产运行过程中的异常状态,已成为提高热工过程安全性和可靠性的一项重要途径。热工过程实时数据流不但为过程监控提供信息基础,所形成海量历史数据也为过程的诊断与分析提供了基础条件,在此基础上开展的数据建模及诊断方法研究具有重要的现实意义和工程实用价值。 本文围绕热工过程数据驱动建模与过程诊断方法开展研究工作,主要研究内容如下: (1)提出了一种基于MITNN的非线性建模方法,该方法采用NAG方法建立了高效的动量因子和学习率自适应调整机制,有效提高了常规ITNN模型的训练速率和训练精度。 (2)针对数据驱动建模过程中的“过拟合”问题,提出了一种新的融合过程先验知识的FITNN非线性建模方法,建立了拉格朗日罚函数法约束处理机制,采用等式、不等式、单调性和凹凸性约束等数学形式将机理先验知识嵌入到网络训练过程中,通过NAG方法完成网络权值优化。进一步引入松弛变量扩大了罚函数的优化空间,有效降低了网络权重的寻优难度。通过仿真算例和工程算例说明所提算法的有效性。 (3)针对故障诊断过程中的“残差污染”问题,提出了一种基于重构神经网络的非线性系统故障诊断方法,将预设故障方向引入到常规AANN和ITNN两种方法的诊断过程中,分别建立了AANN和ITNN模型的重构指数计算公式,通过分析不同预设故障方向下的重构指数来定位故障点位置。文中进一步给出了基于RBITNN方法的故障诊断流程,可满足单参数简单故障和多参数复杂故障的诊断要求,仿真算例验证了所提算法的优越性。 (4)提出了一种基于CMA-ES和分支限界算法的IRBITNN故障诊断方法,一方面采用CMA-ES方法取代递推下降方法,提高了RBITNN对单个故障参数组合的重构效率,另一方面建立了RBITNN重构指数与预设故障参数数量的单调性模型,采用分支限界算法方法实现了故障分离过程中的参数组合优化,在确保诊断准确性的前提下显著减少了故障分离时间。将该方法应用于某燃气蒸汽联合循环机组的故障诊断,仿真算例验证了所提方法的有效性,能够满足在线诊断的要求。
英文题目 The Research of modeling and diagnosis methods based on mass data flow for thermal process
英文主题词 Thermal process,data driven,system modeling,fault diagnosis,neural network
英文摘要 The faults in thermal process not only have a negative impact on generating efficiency, but also would force serious equipment accident, disrupt plant operation, and cause environmental pollution. An effective fault diagnosis approach can detect and eliminate abnormal condition as soon as possible, which can effectively improve the safety and reliability of thermal process. In modern industrial power plants, real-time data flow is an important basis of process control and monitoring, and the corresponding mass history data make it possible to diagnose faults for thermal processes. Therefore, it is of a practical significance and a great realistic value to launch the research on data-driven modeling and process diagnosis methods. This thesis focuses on the research work of data-driven modeling and process diagnosis methods for thermal processes, and the main research content is as follows: (1) A nonlinear modeling method based on the modified input training neural network (MITNN) is proposed to improve the training speed with an adaptive adjustment mechanism of momentum constant and learning rate by using Nesterov’s accelerated gradient algorithm (NAG). (2) A new fusion input neural network (FITNN) by integrating the process prior knowledge and history data is proposed to overcome the “over-fitting” problems in the ITNN model training process. In FITNN, firstly, the process prior knowledge is translated as equality, inequality, and monotonic, and concavity constraints. Then, the constraints are introduced into the basic ITNN training objective function according to the restriction mechanism based on the Lagrange penalty function. Finally, the FITNN is trained by NAG algorithm. In the training process, the relaxation variable method is used to realize the continuity of objective function, and thus reduce the model training difficulty. (3) A reconstruction-based neural network method is proposed for fault diagnosis purposes to overcome the “smearing effects” problems. In this method, hypothetical fault directions are introduced into the diagnosis process of AANN and ITNN models, and then the corresponding reconstruction indexes are calculated by tuning the model inputs and the magnitudes of hypothetical fault directions. The optimal reconstruction index is selected to further pinpoint the source of the detected faults. Moreover, an efficient fault diagnosis strategy based on the reconstruction-based input training neural network (RBITNN) is implemented for nonlinear systems, which can reduce misdiagnosis rate for both single and multiple variable(s) faults without prior knowledge efficiently. (4) An improved reconstruction-based input training neural network (IRBITNN) is developed to enhance the diagnostic efficiency of RBITNN based on CMA-ES and BAB approaches. In this IRBITNN, the CMA-ES algorithm is used to reduce the reconstruction time of each hypothetical faulty variable combination, while the BAB algorithm is used to reduce the number of hypothetical faulty variable combinations. This IRBITNN is successfully used in a natural gas combined cycle power plant, and the results shows its effectiveness, satisfying the requirement of on-line fault diagnosis.
学术讨论
主办单位时间地点报告人报告主题
Energy research center,Lehigh University 2016年1月 Bethlehem,PA,USA 任少君 Combined cycle power plant performance monitoring system
Energy research center,Lehigh University 2016年8月 Bethlehem,PA,USA 任少君 Corrosion Testing of Metals in Contact with Calcium Chloride Hexahydrate Used for Thermal Energy Storage
中国大唐环境产业集团股份有限公司 2017年3月 南京 任少君 环保设施生产运营智能化关键技术研究
中国大唐集团公司安徽省公司 2017年11月 合肥 任少君 省公司节能减排管理系统应用
上海发电设备成套设计研究院 2017年12月 上海 任少君 大型燃煤发电机组群状态监测与诊断平台
南京市科学技术委员会 2017年11月 南京 司风琪 基于互联网+的脱硝催化剂全生命周期管理关键技术研究与应用
中国电力企业联合会 2017年8月 成都 司风琪 大型发电集团环保大数据研究与实践项目介绍
中国大唐集团公司 2018年1月 北京 司风琪 大型发电集团环保系统智能化关键技术和信息化平台研究及应用
     
学术会议
会议名称时间地点本人报告本人报告题目
57th ISA POWID Symposium 2014年6月 Scottsdale, Arizona, USA Multi-scale Sample Entropy Analysis of Furnace Process in Pulverized Coal Boiler
2012电站自动化信息化学术和技术交流年会 2012年11月 南京 基于滑动样本熵的汽轮机热耗率不确定度分析
     
代表作
论文名称
基于混合型鲁棒输入训练神经网络的非线性数据校正方法及其应用
Multiple Sensor Validation for Natural Gas Combined Cycle Power Plants Based on Robust Input Trainin
Corrosion testing of metals in contact with calcium chloride hexahydrate used for thermal energy sto
Multi-scale sample entropy analysis of furnace process in pulverized coal boiler
 
答辩委员会组成信息
姓名职称导师类别工作单位是否主席备注
张靖周 正高 教授 博导 南京航空航天大学能源与动力学院 主任委员
徐治皋 正高 教授 博导 东南大学能源与环境学院 委员
周克毅 正高 教授 博导 东南大学能源与环境学院 委员
朱小良 正高 教授 硕导 东南大学能源与环境学院 委员
郭振宇 正高 研究员级高工 其他 江苏环保产业股份有限公司 委员
      
答辩秘书信息
姓名职称工作单位备注
周建新 副高 副教授 东南大学能源与环境学院 秘书