一、磨煤机电机轴承故障诊断处理(论文文献综述)
郭悦[1](2021)在《基于迁移学习的磨煤机状态监测与故障诊断研究》文中研究指明随着新能源发电技术的进步与发展,虽然火力发电在我国所占的市场份额比例都有所下降,但火力发电仍是现阶段我国最主要的发电方式之一。火力发电中所使用的燃料是煤,但由于煤炭紧缺、煤质下降、煤价的上涨等原因造成了对火力发电的技术要求也越来越高。保证火电厂运行经济效益的前提是保证火电厂安全稳定的运行。电站制粉设备作为火电厂重要的辅机设备,其状态监测与故障诊断对于保障电厂生产安全、降低火力发电的生产运行成本以及提升发电厂的经济效益具有重要意义。但现场运行中较难获取磨煤机的各类故障数据。本文分析总结了近些年磨煤机建模方法的相关研究,选取有代表性的MPS型中速磨煤机,研究其基本组成结构、工作原理,基于质量能量平衡和热力学关系建立磨煤机模型,结合电厂运行数据辨识模型参数。通过对磨煤机故障类型及故障原因的总结进行故障仿真,观察相关参数的变化。在建模的基础上,从故障发生的原理出发,进行了磨煤机断煤故障的仿真、满煤故障的仿真以及自燃故障的仿真等。仿真所得的参数作为故障诊断和故障分类的典型样本。故障仿真结果表明,磨煤机运行参数中有充足的特征信息。提出利用仿真得到的故障样本与待诊断数据进行相似度对比从而进行故障诊断的方法。在多条证据诊断的基础上使用D-S证据理论融合诊断结果,相比于使用单个诊断参量的判断方法,该方法可信度更高。并通过涿州电厂的断煤数据验证该方法的可实施性。接着用LSTM结合迁移学习的方法对不同工况间的故障诊断进行研究,解决了缺少故障样本的工况下的故障诊断问题,且迁移方法具有通用性,可推广至不同型号磨煤机之间的故障诊断。本文研究方法是通用方法,也可用于其他设备的状态诊断。
樊红卫,张旭辉,曹现刚,万翔,杨一晴[2](2020)在《智慧矿山背景下我国煤矿机械故障诊断研究现状与展望》文中指出目前,煤炭依然是我国主体能源,煤矿井下环境复杂恶劣,使煤矿设备故障频发,对采煤安全造成严重威胁。目前机械故障诊断技术以振动为主要手段,研究涉及动力学与故障机理、信号处理与特征提取、基于振动数据的智能诊断等。故障机理研究为信号特征提取和智能诊断提供基础,主要研究轴承、齿轮及机械系统在故障状态下的振动规律,特别是频率构成。信号处理算法的目的在于从实测信号中提取反映故障信息的成分,根据信号特点主要包括频谱分析、小波分析和经验模态分解等。基于数据的智能诊断方法发展迅速,其主要对监测数据进行分类、聚类和回归分析,根据数据特点有支持向量机、浅层神经网络和深度学习方法等,种群智能算法常用于这些方法的参数优化。研究表明煤矿设备机械故障诊断研究滞后,亟需加强理论研究、算法开发和工程应用,为我国智慧矿山和煤炭绿色、安全和高效开采提供支持。
李彤[3](2020)在《火电厂煤粉制造过程的设计与研究》文中研究指明火电企业在传统能源行业里面占有较大份额,随着近年来煤炭联姻的深化改革,在能源革命和现代数字革命的深度融合形势下,看似接近夕阳产业的火力发电依旧是能源行业里面的支柱产业。煤粉制造过程作为火电厂燃料燃煤的主要工艺流程,其运行效率直接关系到锅炉整体的燃烧经济性,从而影响火电厂安全经济运行。因此,深入研究煤粉制造过程、优化生产系统,设计出一套更加稳定、高效、可靠的制粉系统就有很大的必要性,对于火电企业继续在未来能源行业中的发展有着深远的意义。本文以火电厂制粉过程为课题背景,从煤粉制造过程的整个工艺流程和制粉设备概况、特性以及工作原理入手,构建以磨煤机为主体,给煤机、一次风机及辅助系统为辅的制粉系统。通过对煤粉制造过程控制功能要求的剖析,本着安全、可靠、高效、实用和先进的原则,把钢球磨煤机的工作原理作为重点分析。着重提出关于钢球磨煤机的六个控制量与之对应的六个被控量之间的数学模型,以此为研究基础,依次建立了磨煤机出口温度控制方法、磨煤机煤位控制方法、磨煤机负荷、磨煤机容量风及总风量的控制方法。采用分布式计算机控制技术对制粉制造过程进行了设计,构建了DCS和工业以太网的控制系统,对系统进行了整体设计,对系统的硬件、软件配置进行了研究和选择,最终形成一套可行、先进的控制方案。一方面是由于它的优越性能,系统整体的抗干扰能力强;另一方面在于它的汉化能力,更有利于平常操盘人员的操作和检修人员的维护,从某种程度上提升了过程效率、化繁为简。针对煤粉制造过程的特点和性能要求,采用DCS作为制粉过程控制器,并设计采用了远程I/O服务方式的主备系统,以提高制粉过程的可靠性。通过运行工况及趋势的分析,可以得出整个制粉过程是一个串级、多级控制系统相互作用的结果。将磨煤机出口为温度、冷热风门的开度、入口压力维持在稳定范围内,可提高磨煤机的出力即磨机负荷,以降低设备的单耗,提高了制粉效率。该制粉过程的自动化控制更加精准,系统的可靠性和实时性良好,满足了设计要求,提高了煤粉制造过程的自动化水平,实现了企业效率和经济效益的提升。
周宏宇[4](2020)在《基于证据进化C均值算法的热工设备状态挖掘方法研究》文中研究指明大型火电机组热工设备的状态监测及预警工作是机组安全、稳定运行的重要保障。目前数据驱动型设备状态监测及预警技术在挖掘电站历史数据中蕴含的设备状态信息、表征设备典型状态证据库以及研究基于正常运行数据的证据驱动型预警算法方面较少涉及。鉴于证据聚类方法在分析数据结构、描述类别状态方面展现出的强大能力,本文展开了基于证据进化C均值算法的设备状态挖掘及表征方法研究。论文的主要研究工作及创新如下:(1)针对蕴含在历史数据中热工设备运行状态数未知的问题,基于变长度人工蜂群智能算法,提出了一种基于单目标证据进化C均值算法的热工设备状态挖掘方法。该方法用蜂群寻优代替证据C均值算法中的拉格朗日交替迭代,通过将各个聚类中心随机编码在变长度的蜂群蜜源上,不同蜜源的长度代表不同的聚类个数及聚类中心,达到既能自动确定最优聚类个数又能得到数据间合理的信度划分的目的,从而解决了传统证据C均值算法中聚类个数需要作为先验知识提前确定的问题。研究结果表明,该方法可以充分挖掘排粉风机的运行状态并对其进行合理的表征,从而得到设备的典型状态证据库。(2)针对单目标证据进化C均值算法中目标函数迭代不一致以及标准化特异性指标不适用的问题,基于经典的多目标优化算法进化策略,提出了一种基于多目标证据进化C均值算法的热工设备状态挖掘方法。该方法将NSGA-II的快速非支配排序和拥挤度计算以及SPEA2中的适应度分配策略引入变长度人工蜂群智能算法,使其能够解决多目标问题。通过最小化证据C均值算法中的损失函数和证据理论中的非特异性指标,多目标证据进化C均值算法最终能够得到最优非支配解集。研究结果表明,该方法可以为挖掘及表征空气预热器设备状态,构建状态证据库提供更多可能性。(3)针对目前证据驱动型状态预警算法无法表征设备过渡状态的问题,基于CMEWEKNN状态预警模型,提出了一种改进型CMEW-EKNN状态预警方法。该方法对CMEWEKNN模型做了合乎设备典型状态证据库特点的修改,通过计算待监测状态点相对于证据库的冲突证据来判断设备的异常情况。研究结果表明,改进型CMEW-EKNN状态预警方法不仅可以实时监测设备的异常状态,还可以监测表征设备状态迁移的过渡状态,其中m(ф)值作为设备的异常预警指标更加符合状态证据库中所构建的噪音点的概念。实例证明,该方法可以为设备状态监测及预警提供支持。
陈星宇[5](2021)在《基于多元状态估计的中速磨煤机运行状态诊断和故障预警研究》文中进行了进一步梳理中速磨煤机是燃煤电厂制粉系统的重要辅机,其运行状态会直接对锅炉内部的燃烧造成重大影响。因此针对中速磨煤机的运行状态分析和故障诊断预警研究,对于保障燃煤电厂机组的安全性、经济性有重大意义。本文以HP型中速磨煤机为例,利用多元状态估计技术建立了磨煤机运行状态异常预警模型和堵煤故障预警模型。本文首先对中速磨煤机的机械结构、运行机理、监测参数和常见故障进行分析、研究和总结。并结合机理分析和专家意见筛选出适合建模的主要参数。针对电厂采集数据干扰较多的问题,在建模之前,对信号数据进行预处理,通过Fourier变化分析得到信号的变化周期,再利用小波变换去除磨煤机参数信号中的高频噪声,并进行数据归一化。利用历史数据建立基于多元状态估计的中速磨煤机运行状态模型,并利用模型输出估计运行状态数据与磨煤机当前实际运行状态数据的差值来判断当前运行状态是否发生异常。为避免随机干扰,针对各参数的波动周期,使用指数加权平均对模型的输出残差进行处理。通过验证实验证明该磨煤机运行状态模型是准确可靠的,可以提前40秒识别出磨煤机电流异常;提前50秒识别出磨煤机出口风温异常,模型输出可以作为后期故障诊断时的特征参考。针对中速磨煤机堵煤故障,通过对故障发生时的具体机理分析及提取堵煤时磨煤机的参数变化特征,建立了磨煤机堵煤故障预警模型,通过给煤量和电流的强相关性以及其他相关参数的变化趋势给出堵煤趋势预警或堵煤故障预警。当给煤量和电流不匹配时,对其它参数进行检索,根据超出阈值的参数发出不同预警。经实验验证该模型可以提前120秒识别出堵煤趋势预警。该方法具有一定的通用性,可针对磨煤机其它故障进行拓展。
洪星芸[6](2020)在《基于机器学习的火力发电机组设备异常监测方法研究》文中提出火力发电机组是一个复杂的大型系统,其安全稳定运行对社会的生产和生活有着重要意义。由于机组的高复杂性和设备的强关联性,单个设备的异常可能导致整个机组的可靠性和经济性降低,因此,火力发电机组设备的异常监测,是保障火电生产安全和效率的重要基础。随着工业信息化趋势的发展,大型火力发电机组普遍配备了大规模的传感器,以实现机组设备实时运行状态的监测,因此基于机组实时运行参数分析的机组异常工况识别与诊断,得到了学术界和工业界的广泛关注。本文以火力发电机组设备中的磨煤机和汽轮机为主要研究对象,以数据挖掘和机器学习方法为主要技术背景,研究基于实时运行参数分析的设备异常监测方法。本文首先对基于机器学习的故障检测、诊断和预测技术的研究现状进行了综述,并对现有方法的特点和存在的不足之处进行了分析和讨论。其次,针对火力发电机组设备的性能异常检测问题,设计了一种异常检测框架。提出了一种“运行参数-性能参数”关联模型,将支持向量回归方法用于机组性能的异常检测。在此基础上,讨论了不同的控制限选择策略,针对设备发生性能异常的情况,使用基于相似性的方法进行异常参数的诊断,并以磨煤机为对象进行算法的验证和分析。再次,针对异常工况预测问题,考虑多参数的相关性和时间序列的关联性,将多变量和注意力机制引入循环神经网络模型,提出了两种网络结构分别用于目标变量的单步和多步预测,并用该方法对汽轮机的跳机时间进行预测,基于实际数据分析验证了算法的有效性。在方法研究的基础上,针对制粉性能监测与分析问题,开发了制粉系统在线监测平台,并完成了系统的测试工作。该系统可用于提高制粉系统智能化水平、保障系统安全高效运行。最后,对本文的工作进行了总结,并展望了之后可以进一步研究的方向。
邱浩[7](2019)在《基于MongoDB和Node.js的选煤机电设备运行监控系统研究》文中进行了进一步梳理在智能化建设浪潮中,选煤厂依托物联网技术,信息通信技术和计算机技术,一直将设备在线监控和故障分析作为智能化选煤厂建设的重中之重。现阶段选煤厂利用各种智能传感器对机电设备进行信号的采集来实现设备的实时监控,但随着传感器数量的增多,选煤厂未就大数据存储和高并发读写,以及远程监控和智能诊断等问题提出更加高效的解决方案。借助于新型的非关系型数据库模式自由、高扩展性、高可用性和管理简便的特点来管理存储数据,将新型Web技术的优势融入设备远程监控服务体系,同时利用MATLAB等数据分析工具,云平台手段的大数据分析思路,使得设备监控更加实时高效,设备故障诊断的精度和效率不断提高,从而加快选煤厂智能化和信息化建设。基于此本文将借助MongoDB与Node.js的优势,设计了一种实现海量传感器数据存储研究及应用的选煤厂设备运行监控和智能诊断系统。本文主要完成的工作如下:(1)基于MongoDB的选煤厂机电设备运行数据存储研究。根据MongoDB数据库的设计原则及选煤厂设备运行监测数据的应用特点完成数据库设计,构建数据存储平台,针对大量数据的存储和管理,研究了数据库集群配置方案,增强了系统的可靠性。另外,系统还研究了将存储在关系型数据库里面的数据迁移到MongoDB数据库的方法。(2)基于MongoDB和Node.js的Web应用研究。基于MongoDB和Node.js的持点,设计了选煤厂设备运行数据的基本数据操作接口,利用Node.js成熟的Express框架,构建了RESTful Web Services接口,以数据接口为基础完成了服务器端功能模块的设计。同时根据服务器主要功能模块,采用成熟的JQuery和Bootstrap前端开源框架和JavaScript,HTML和CSS前端开发技术等先进理念,使用原型设计软件Mockplus完成了前端页面的设计工作,为后期完成完整的状态检测及故障诊断客户端系统做好铺垫。另外,服务器端还研究了对机器正常运行的温度数据和振动数据两种数据类型高效压缩的方法。(3)基于多源数据融合的电动机故障智能诊断系统。针对传统的电动机故障诊断系统采用单一数据分析方法,很难对电动机运行状态进行全面的分析。所以系统采用电气数据和机械数据融合的方法,通过小波包分析和BP神经网络来实现数据处理和故障诊断,提高故障诊断的准确性。
陈渭文[8](2019)在《中速磨煤机数据处理与故障诊断技术研究》文中认为随着中国能源结构的变化,火电机组深度调峰的需求不断提高,对机组运行的稳定安全提出了更高的要求。中速磨煤机作为锅炉重要的辅机设备,磨煤机的运行安全对于燃煤机组的正常运行有着重要的影响,但是对于磨煤机运行状态检测以及故障诊断的研究仍相对较少。随着计算机技术的发展,智能算法与工业生产的结合正在逐渐普及,本文以浙江某火电厂磨煤机作为研究对象,通过对磨煤机历史运行大数据进行分析处理,建立了基于信号分析的磨煤机堵煤故障诊断模型。由于生产数据存在坏点和误差,因此对磨煤机进行大数据分析之前首先需要对历史数据进行选择分析和处理。对于直接测量精度较低的参数如磨煤机出口一次风流速,提出了采用基于热平衡法的间接测量方法,大幅提高了测量的准确性。对于布置单测点或者多个测点的参数,采用不同的准确性优化算法提高数据的准确性,并在磨煤机电流参数上验证了算法的可靠性。在研究过程中为了提高数据的代表性,提出了利用移动相对标准差进行稳定工况段识别的方法,能够有效识别设备变工况工作中的稳定工况的时间段,对于提高样本数据的代表性有重要的意义;为了提取参数的变化趋势,提出了基于数据自相关性的噪声去除方法,能够基本去除设备运行数据中的周期性噪声,使样本数据的可用性大幅提高。在数据经过预处理的基础上,通过对磨煤机堵煤故障的机理分析,建立了一种基于信号分析的磨煤机堵煤故障诊断模型。结合对故障机理的分析和特征参数筛选的结果,对磨煤机相关的30多个参数进行特征参数提取,构造了温差因子、压差因子、风门开度因子和煤量因子等4个与堵煤故障相关性较强的特征参数并进行归一化处理,初步建立堵煤故障诊断模型。然后将历史堵煤数据作为训练样本,通过神经网络优化算法对特征参数的权重进行训练,得到最终的磨煤机堵煤故障的诊断模型。将该模型在某电厂实际磨煤机运行数据上进行验证,可提前电厂运维人员3-8分钟提出故障预警,足够运维人员进行处理,避免了故障的发生,也验证了模型的有效性。
王岭,王晓华,吴进新[9](2019)在《层次分析法和灰色关联法在发电厂设备运行状态评估中的综合应用》文中进行了进一步梳理针对发电厂DCS(分散控制系统)在分析预测设备运行状态方面的不足,以发电厂长期连续运行且故障率较高的磨煤机为例,提出了一种发电厂设备运行状态综合评估方法,即层次分析法和灰色关联法相结合的评估算法。首先,根据DCS存储数据提取能够表征磨煤机运行状态的特征量;其次,应用层次分析法对磨煤机各特征量分配权重,并结合灰色关联法综合评估磨煤机运行状态;最后,利用DCS存储的大量磨煤机运行数据建立标准状态向量表,并通过实例验证所提评估方法的准确性,从而为实时评估发电厂运行设备状态提供一种新的思路和方法。
王岭,王晓华,吴进新[10](2018)在《基于灰色关联法的发电厂设备运行状态评估》文中提出为评估发电厂运行设备的运行状态。本文以发电厂长期连续运行设备且故障率较高的设备磨煤机为例,提出了一种发电厂设备运行状态的综合评估方法,即层次分析和灰色关联的评估算法。首先,根据DCS系统存储数据提取能够表征磨煤机运行状态的特征量;其次,应用层次分析法对磨煤机各特征量分配权重,并结合灰色关联法综合评估磨煤机运行状态;最后,通过DCS系统存储的大量磨煤机运行数据建立标准状态向量表,并通过实例验证所提出的评估方法能够准确评估磨煤机的运行状态,为实时掌握发电厂运行设备的运行状态提供一种新的思路和方法。
二、磨煤机电机轴承故障诊断处理(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、磨煤机电机轴承故障诊断处理(论文提纲范文)
(1)基于迁移学习的磨煤机状态监测与故障诊断研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景及意义 |
1.2 课题的研究现状 |
1.2.1 磨煤机建模的研究现状 |
1.2.2 故障诊断技术的研究现状 |
1.3 本课题主要工作 |
第2章 磨煤机机理模型 |
2.1 磨煤机的基本介绍 |
2.1.1 MPS型磨煤机的结构及工作原理 |
2.1.2 MPS型磨煤机的特点 |
2.2 磨煤机机理模型 |
2.2.1 磨煤机模型建模假设 |
2.2.2 磨煤机入口一次风温度和流量模型 |
2.2.3 磨煤机内部原煤量和煤粉量模型 |
2.2.4 磨煤机出口温度模型 |
2.3 搭建磨煤机Simulink模型 |
2.4 磨煤机模型参数辨识 |
2.5 模型验证 |
2.6 本章小结 |
第3章 磨煤机故障仿真分析 |
3.1 磨煤机断煤故障模拟 |
3.2 磨煤机堵煤故障模拟 |
3.3 磨煤机自燃故障模拟 |
3.4 本章小结 |
第4章 基于迁移学习的磨煤机故障诊断 |
4.1 基于D-S证据理论的证据融合故障诊断 |
4.1.1 D-S证据理论 |
4.1.2 故障诊断及证据融合 |
4.2 基于LSTM和迁移学习的磨煤机故障诊断 |
4.2.1 迁移学习 |
4.2.2 仿真数据集上的LSTM状态诊断模型 |
4.2.3 LSTM模型迁移并进行故障诊断 |
4.3 本章小结 |
第5章 结论与展望 |
5.1 研究成果 |
5.2 待解决的问题 |
参考文献 |
致谢 |
(2)智慧矿山背景下我国煤矿机械故障诊断研究现状与展望(论文提纲范文)
1 范畴界定 |
2 研究现状 |
2.1 机械故障机理研究 |
2.2 信号处理算法研究 |
2.3 基于数据的智能诊断方法研究 |
2.4 深度学习诊断算法研究 |
3 结 论 |
(3)火电厂煤粉制造过程的设计与研究(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 国内外研究现状与发展趋势 |
1.2.1 国外火力发电现状 |
1.2.2 国内火力发电现状 |
1.3 煤粉制造过程的现状与发展趋势 |
1.3.1 煤粉制造过程的发展 |
1.3.2 煤粉制造过程的现状 |
1.4 制粉过程控制方面的现状及发展 |
1.4.1 磨煤机控制方法的发展趋势 |
1.4.2 磨煤机先进控制方法 |
第二章 过程工艺、设备概况、特性以及原理 |
2.1 过程工艺 |
2.2 设备概况 |
2.2.1 主要设备 |
2.2.2 磨煤机 |
2.2.3 给煤机 |
2.2.4 煤粉分离器 |
2.2.5 一次风机 |
2.2.6 皮带输送机 |
2.3 煤粉制造过程控制原理 |
第三章 磨煤机控制系统原理 |
3.1 控制原理 |
3.1.1 双进双出钢球磨煤机工作的原理 |
3.1.2 控制原理 |
3.2 数学模型建立 |
3.2.1 磨煤机出口温度的数学模型 |
3.2.2 双进双出钢球磨煤机负荷数学模型 |
3.2.3 磨煤机出力数学模型 |
3.2.4 磨煤机钢球数学模型 |
3.3 控制方法 |
3.3.1 磨煤机出口温度控制 |
3.3.2 磨煤机煤位控制 |
3.3.3 磨煤机负荷控制 |
3.3.4 磨煤机容量风控制 |
3.3.5 磨煤机总风量控制 |
3.3.6 料位监测方法 |
第四章 制粉过程硬件设计 |
4.1 DCS系统概述 |
4.2 DCS硬件体系结构 |
4.2.1 DCS控制结构 |
4.2.2 DCS层级结构 |
4.2.3 DCS冗余结构 |
4.2.4 DCS硬件结构组成 |
4.3 制粉系统配置 |
4.3.1 磨煤机I/O清单 |
4.3.2 其他辅助系统I/O清单 |
4.3.3 磨煤机测点及一次元件清单 |
4.4 风速监测设计 |
4.5 转速监测设计 |
4.6 压力及差压监测 |
第五章 制粉过程软件设计 |
5.1 DCS软件体系结构 |
5.2 监控环境 |
5.3 制粉过程设备流程 |
5.3.1 磨煤机启动流程 |
5.3.2 磨煤机停止流程 |
5.3.3 给煤机启动、停止流程 |
5.3.4 其他辅助系统流程 |
5.4 制粉过程逻辑建立 |
5.5 运行状况及分析 |
5.5.1 热风量对出力的影响 |
5.5.2 冷风量对出力的影响 |
5.5.3 磨煤机出口温度 |
结论 |
参考文献 |
附录A 磨煤机启停流程图 |
附录B 给煤机启停流程图 |
附录C 其他辅助系统流程图 |
附录D 磨煤机控制逻辑图 |
附录E 磨煤机条件跳闸逻辑图 |
在学研究成果 |
致谢 |
(4)基于证据进化C均值算法的热工设备状态挖掘方法研究(论文提纲范文)
摘要 |
Abstract |
主要符号说明 |
第一章 绪论 |
1.1 选题背景及意义 |
1.2 国内外研究现状与分析 |
1.2.1 数据驱动型热工设备状态预警方法研究现状 |
1.2.2 热工设备状态挖掘与表征方法研究现状 |
1.2.3 数据驱动型热工设备状态预警方法面临的问题 |
1.3 论文主要研究内容及框架 |
1.3.1 论文主要内容 |
1.3.2 论文安排 |
第二章 单目标证据进化C均值算法研究及应用 |
2.1 引言 |
2.2 证据C均值聚类算法研究 |
2.2.1 证据理论基础概念 |
2.2.2 证据C均值聚类算法 |
2.3 基于VABC的单目标进化C均值聚类算法 |
2.3.1 E2CM算法基本思想 |
2.3.2 E2CM算法具体实现 |
2.4 仿真结果与分析 |
2.4.1 示例 |
2.4.2 与其他聚类方法比较 |
2.5 E2CM算法在排粉机状态挖掘及表征上的应用 |
2.5.1 排粉机状态挖掘及表征 |
2.5.2 排粉机状态划分及仿真分析 |
2.6 本章小结 |
第三章 多目标证据进化C均值算法研究及应用 |
3.1 引言 |
3.2 多目标优化算法进化策略研究 |
3.2.1 适应度分配策略 |
3.2.2 快速非支配排序方法 |
3.2.3 拥挤度计算策略 |
3.3 多目标证据进化C均值聚类算法 |
3.3.1 单目标E2CM算法的不足之处 |
3.3.2 多目标证据进化C均值算法实现 |
3.4 仿真结果与分析 |
3.4.1 示例 |
3.4.2 仿真结果与其他算法比较 |
3.5 MOE2CM算法在空气预热器状态挖掘及表征中的应用 |
3.5.1 空气预热器状态挖掘及表征 |
3.5.2 空气预热器状态划分及仿真分析 |
3.6 本章小结 |
第四章 基于改进型CMEW-EKNN方法的热工设备状态预警 |
4.1 引言 |
4.2 CMEW-EKNN状态预警模型 |
4.3 改进型CMEW-EKNN方法 |
4.3.1 CMEW-EKNN模型存在问题分析 |
4.3.2 改进型CMEW-EKNN方法具体实现 |
4.4 改进型CMEW-EKNN状态预警方法的应用 |
4.4.1 排粉机正常状态监测 |
4.4.2 空气预热器异常状态预警 |
4.5 本章小结 |
第五章 论文总结与展望 |
5.1 论文总结 |
5.2 论文展望 |
参考文献 |
附录A 变长度的人工蜂群智能算法 |
作者攻读硕士学位期间的研究成果 |
致谢 |
(5)基于多元状态估计的中速磨煤机运行状态诊断和故障预警研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 多变量时间序列分析技术及动态系统故障诊断技术概述 |
1.2.1 多变量时间序列分析技术 |
1.2.3 动态系统故障诊断技术 |
1.3 中速磨煤机故障诊断技术研究现状 |
1.3.1 基于专家系统的故障诊断方法 |
1.3.2 基于模型的的故障诊断方法 |
1.3.3 基于机器学习的故障诊断方法 |
1.4 本文主要研究内容 |
2 中速磨煤机机理及常见故障分析 |
2.1 中速磨煤机的结构组成 |
2.2 中速磨煤机的工作原理 |
2.3 中速磨煤机主要故障及机理分析 |
2.4 中速磨煤机运行状态的主要监控参数 |
2.5 本章小结 |
3 基于多元状态估计的磨煤机运行状态建模 |
3.1 多元状态估计技术 |
3.2 磨煤机建模参数选择 |
3.3 数据预处理 |
3.3.1 稳态工况识别 |
3.3.2 Fourier变换 |
3.3.3 小波分析 |
3.3.4 数据标准化 |
3.4 基于DBSCAN聚类的磨煤机历史矩阵构建 |
3.5 模型有效性验证 |
3.6 本章小结 |
4 中速磨煤机运行状态异常预警 |
4.1 磨煤机运行状态异常预警方法 |
4.2 基于指数加权平均的残差分析 |
4.3 预警阈值设置 |
4.4 磨煤机运行状态异常预警实例 |
4.5 本章小节 |
5 中速磨煤机堵煤故障预警研究 |
5.1 中速磨煤机堵煤故障机理参数分析 |
5.2 参数相关性分析 |
5.3 中速磨煤机堵煤故障预警逻辑 |
5.4 中速磨煤机堵煤故障预警验证 |
5.5 本章小结 |
6 总结和展望 |
参考文献 |
作者简介 |
(6)基于机器学习的火力发电机组设备异常监测方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 故障检测与诊断方法 |
1.2.2 故障预测方法 |
1.3 本文工作和章节安排 |
1.4 本章小结 |
第二章 基于运行参数-性能参数关联模型的性能异常检测与诊断 |
2.1 引言 |
2.2 基于支持向量回归的异常检测与诊断 |
2.2.1 总体方案设计 |
2.2.2 支持向量回归模型 |
2.2.3 控制限选择 |
2.2.4 基于相似性的异常诊断 |
2.3 制粉系统性能参数监测 |
2.3.1 火力发电厂制粉系统 |
2.3.2 建模数据及特征选择 |
2.3.3 模型参数与优化算法 |
2.4 案例分析 |
2.4.1 磨煤机旋转分离器异常 |
2.4.2 磨煤机煤种掺烧 |
2.5 本章小结 |
第三章 基于循环神经网络的设备失效预测 |
3.1 引言 |
3.2 基于循环神经网络的时间序列预测模型 |
3.2.1 单变量循环神经网络 |
3.2.2 引入注意力机制的多变量GRU模型 |
3.2.3 基于双层注意力机制的编码器-解码器模型 |
3.2.4 失效预测框架 |
3.3 案例分析 |
3.3.1 轴承退化数据 |
3.3.2 汽轮机跳机案例A |
3.3.3 汽轮机跳机案例B |
3.3.4 案例小结 |
3.4 本章小结 |
第四章 制粉系统在线监测平台开发 |
4.1 引言 |
4.2 系统整体方案 |
4.3 系统开发平台搭建 |
4.3.1 系统软件架构 |
4.3.2 数据交互流程 |
4.3.3 运行环境 |
4.4 数据库设计 |
4.4.1 总体方案设计 |
4.4.2 数据库开发工具 |
4.4.3 数据库表结构设计 |
4.5 系统功能开发 |
4.5.1 制粉单耗监测 |
4.5.2 磨煤机跳机风险预测 |
4.5.3 系统功能测试 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 研究内容总结 |
5.2 工作的不足与展望 |
参考文献 |
攻读硕士学位期间的科研成果 |
(7)基于MongoDB和Node.js的选煤机电设备运行监控系统研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 概述 |
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 基于MongoDB的数据存储研究现状 |
1.2.2 基于Node.js的 Web应用研究现状 |
1.2.3 选煤厂机电设备运行数据状态监控和故障诊断相关研究 |
1.3 论文研究内容及章节安排 |
第二章 基于MongoDB和 Node.js的系统架构设计 |
2.1 NoSQL系统 |
2.1.1 NoSQL基本概念 |
2.1.2 MongoDB概况 |
2.2 选煤厂机电设备运行数据分析及数据库选择 |
2.3 Node.js技术应用介绍 |
2.3.1 Node.js简介 |
2.3.2 Express简介 |
2.4 系统总体架构设计 |
2.4.1 系统需求分析 |
2.4.2 系统架构设计 |
2.5 本章小节 |
第三章 基于MongoDB的数据库构建及存储层设计 |
3.1 选煤厂机电设备数据采集 |
3.1.1 选煤机电设备机械数据采集 |
3.1.2 选煤机电设备电气数据采集 |
3.2 选煤机电数据库设计 |
3.2.1 设计原则 |
3.2.2 数据库表设计 |
3.2.3 数据迁移 |
3.3 数据存储层设计与实现 |
3.3.1 MongoDB集群架构设计 |
3.3.2 MongoDB集群部署与实现 |
3.4 本章小结 |
第四章 基于Node.js的 Web服务器层设计 |
4.1 Web服务器层结构设计 |
4.2 服务接口的设计及实现 |
4.2.1 数据库基本操作接口设计 |
4.2.2 RESTful Web Services接口设计 |
4.3 数据压缩模块设计及实现 |
4.3.1 温度数据压缩模块实现 |
4.3.2 振动数据压缩模块实现 |
4.4 系统功能模块设计 |
4.4.1 用户管理 |
4.4.2 状态监测 |
4.4.3 数据分析 |
4.4.4 故障诊断 |
4.5 本章小节 |
第五章 基于多源数据融合的电动机故障智能诊断系统研究 |
5.1 常见故障类型分析 |
5.2 数据融合方案 |
5.3 小波包分解和特征向量 |
5.3.1 小波包分解 |
5.3.2 构造特征向量 |
5.4 基于BP神经网络的知识学习与故障诊断 |
5.4.1 BP神经网络 |
5.4.2 知识学习 |
5.5 诊断案例 |
5.6 本章小结 |
第六章 状态监测及故障诊断客户端原型设计 |
6.1 系统登录模块原型设计 |
6.2 用户管理模块原型设计 |
6.3 状态监测模块原型设计 |
6.4 数据分析模块原型设计 |
6.5 故障诊断模块原型设计 |
6.6 本章小结 |
第七章 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
致谢 |
攻读硕士期间发表的论文 |
(8)中速磨煤机数据处理与故障诊断技术研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 引言 |
1.1 课题背景 |
1.1.1 我国电力能源结构及煤电机组发展趋势 |
1.1.2 “互联网+”战略及智能化电厂 |
1.2 课题研究的意义 |
1.3 国内外研究现状与发展趋势 |
1.4 本文研究内容 |
2 中速磨煤机概况及主要故障机理分析 |
2.1 中速磨煤机组成结构及其工作原理 |
2.1.1 HP型中速磨煤机组成结构 |
2.1.2 HP型中速磨煤机工作原理 |
2.2 中速磨煤机常见故障类型及产生原因分析 |
2.3 本章小结 |
3 磨煤机堵煤故障历史数据选择分析及处理 |
3.1 磨煤机出口一次风流速测量 |
3.1.1 制粉系统结构及其工作原理 |
3.1.2 热平衡法测量原理 |
3.1.3 热平衡法测量实例 |
3.2 数据准确性优化 |
3.2.1 单测点参数准确性优化 |
3.2.2 单测点参数准确性优化实例 |
3.2.3 多测点参数准确性优化 |
3.3 数据预处理方法 |
3.3.1 利用移动相对标准差进行稳定工况段识别 |
3.3.2 基于数据自相关性的噪声去除方法 |
3.4 本章小结 |
4 中速磨煤机堵煤故障诊断 |
4.1 磨煤机堵煤故障机理分析 |
4.2 基于信号分析的磨煤机堵煤故障智能诊断模型 |
4.2.1 磨煤机堵煤故障特征参数构造 |
4.2.2 磨煤机堵煤故障风险因子K_d |
4.2.3 神经网络训练算法及系数优化 |
4.3 磨煤机堵煤故障诊断实例 |
4.4 本章小结 |
5 结论与展望 |
5.1 本文主要成果及创新点 |
5.2 不足与未来研究方向 |
参考文献 |
作者简介 |
(9)层次分析法和灰色关联法在发电厂设备运行状态评估中的综合应用(论文提纲范文)
0 引言 |
1 磨煤机运行状态评估特征量的选取 |
2 磨煤机运行状态评估算法 |
2.1 应用层次分析法分配评估特征量权重 |
2.2 应用灰色关联法评估设备运行状态 |
3 实例分析 |
4 结语 |
四、磨煤机电机轴承故障诊断处理(论文参考文献)
- [1]基于迁移学习的磨煤机状态监测与故障诊断研究[D]. 郭悦. 华北电力大学(北京), 2021(01)
- [2]智慧矿山背景下我国煤矿机械故障诊断研究现状与展望[J]. 樊红卫,张旭辉,曹现刚,万翔,杨一晴. 振动与冲击, 2020(24)
- [3]火电厂煤粉制造过程的设计与研究[D]. 李彤. 内蒙古科技大学, 2020(06)
- [4]基于证据进化C均值算法的热工设备状态挖掘方法研究[D]. 周宏宇. 东南大学, 2020(01)
- [5]基于多元状态估计的中速磨煤机运行状态诊断和故障预警研究[D]. 陈星宇. 浙江大学, 2021(09)
- [6]基于机器学习的火力发电机组设备异常监测方法研究[D]. 洪星芸. 浙江大学, 2020(02)
- [7]基于MongoDB和Node.js的选煤机电设备运行监控系统研究[D]. 邱浩. 太原理工大学, 2019(08)
- [8]中速磨煤机数据处理与故障诊断技术研究[D]. 陈渭文. 浙江大学, 2019(04)
- [9]层次分析法和灰色关联法在发电厂设备运行状态评估中的综合应用[J]. 王岭,王晓华,吴进新. 浙江电力, 2019(02)
- [10]基于灰色关联法的发电厂设备运行状态评估[A]. 王岭,王晓华,吴进新. 浙江省电力学会2018年度优秀论文集, 2018