论文总字数：26332字

摘 要

一次风机需要保持正常稳定的运行才能维持电站的安全经济运行。为电厂的一次风机设计一个准确度及灵敏度都较高的状态监测系统有助于及时发现运行故障然后尽快排除。近年来，以深度学习为代表的人工智能方法逐渐引起了越来越多的专家学者的注意，并被用于电厂设备的状态监测及故障预警系统中。本论文基于深度学习中的深度信念神经网络方法，先对深度信念网络的结构、原理及训练过程进行详细的研究，然后用正弦函数仿真测试了深度信念网络强大的学习能力，并与传统误差反向传播神经网络的学习效果进行对比。最后基于一次风机的运行特点，选择合适的输入及输出参数，建立了基于深度信念网络的一次风机状态监测模型，并与基于传统误差反向传播神经网络的监测模型进行了对比，仿真结果证实了基于深度学习的一次风机状态监测模型的可行性及优越性。

关键词：深度学习；一次风机；状态监测

ABSTRACT

A primary air fan needs to maintain a normal and stable operation in order to maintain the safe and economical operation of power plants. Designing a condition monitoring system with high accuracy and sensitivity for a primary air fan is useful for timely detection of operational faults and troubleshooting as soon as possible. In recent years, the deep learning, which is the representative of the artificial intelligence method, has gradually attracted more and more attention of experts and scholars, and has been used for power plant equipment condition monitoring and fault early warning system. Based on the deep belief network in deep learning, this paper studies the structure, principle and training process of the deep belief network, and then tests the powerful learning ability of the deep belief network with the sine function simulation. Finally, based on the characteristics of the primary air fan, the appropriate input and output parameters are selected, and the primary air fan condition monitoring model based on the deep confidence network is established and compared with the monitoring model based on the traditional error back propagation neural network. The simulation results confirm The feasibility and superiority of primary air fan condition monitoring model based on deep learning.

Keywords: deep learning; primary air fan; state monitoring

目 录

摘 要 I

ABSTRACT II

目 录 III

第一章. 绪论 1

1.1 研究背景和意义 1

1.2 国内外研究现状 2

1.2.1 深度学习研究现状 2

1.2.2 风机状态监测及故障诊断研究现状 3

1.3 本文的主要研究内容 3

第二章. 深度信念网络算法研究 5

2.1 深度信念网络概述 5

2.2 神经网络概述 5

2.3 误差反向传播算法 7

2.4 受限玻尔兹曼机 8

2.4.1 能量模型 9

2.4.2 能量函数与概率 10

2.5 采样方法简介 11

2.5.1 蒙特卡罗方法 11

2.5.2 Metropolis-Hastings采样 12

2.5.3 Gibbs采样 12

2.6 RBM的预训练 13

2.6.1 RBM的预训练目标 13

2.6.2 RBM的预训练过程 14

2.6.3 RBM的预训练算法 15

2.7 正弦函数仿真 16

2.7.1 隐藏层层数及节点数选择 16

2.7.2 学习率的选择 20

2.7.3 仿真结果 20

2.8 本章小结 22

第三章. 基于DBN的一次风机状态监测模型研究 23

3.1 引言 23

3.2 输入及输出参数选择 23

3.3 隐藏层结构及学习率确定 24

3.4 一次风机状态监测 26

3.5 本章小结 28

第四章. 结论与展望 29

4.1 论文工作总结 29

4.2 今后工作展望 29

致 谢 30

参考文献 31

绪论

研究背景和意义

在国民经济高速发展的今天，电力需求也日益增长，无论是厂用电还是家用电，都对电力系统提出了更高的要求。于是，发电机组的装机容量不断增大，运行参数不断提高，但不可避免的是随之而来的更大的潜藏风险。首先机组容量的增大势必会增大整个机组的惯性，也就是说即使在故障未发生之前迅速采取相应措施，与小机组相比大容量机组也需要更长的时间恢复到正常工况，带来更大的经济损失，甚至妨害操作人员的人身安全。其次，运行参数的提高，也就意味着发电机组的各个设备都处于更高的压力、温度下工作，这样以来设备在发生故障时会受到更大的损坏，带来更大的经济损失，同时工厂的操作人员也工作在更加危险的环境中。故随时监测发电系统各处的运行状态并在尚未发生故障前尽量早的作出预警以采取相应的措施来降低损失变得尤为重要。

火力发电厂需要为用户提供充足、可靠、优质、廉价的电能，而一次风机在这个过程中扮演着十分重要的角色，它所负责的工作是提供一定压力、一定流量、一定温度的一次风，先对煤粉进行湿度的降低使其易于点燃及充分燃尽，再把处理后的煤粉送入喷燃器，保证制粉系统能够正常运行，除此之外，一次风机还需要提供煤粉挥发分燃烧所需热量，所以一次风机需要保持正常稳定的运行，这样才能维持电站的安全经济运行。同时，一次风机振动较为激烈、电能消耗量较大、工作环境较差，十分容易发生故障，所以风机的状态监测是火电厂故障监测诊断系统中十分重要的一部分。中华人民共和国成立以来，我国长期实行的电站检修体制主要是每年定期检修以及发生故障后及时排除故障，但随着国民经济的快速发展以及电站规模的逐渐扩大，跟随老旧检修体制而来的修理不足或修理过多以及修理滞后所带来的经济损失也越来越大，同时，也会有更大的概率发生安全事故，危及人们的生命安全。所以对传统的维修体制进行改善优化变得刻不容缓。故近年来，我国引进了一些状态监测及故障诊断的技术，同时国内也有一大部分的学者专家投入到这个领域的研究中。

状态监测及故障诊断技术一般包括四个步骤，分别是数据采集、特征提取、特征选择和融合、状态识别，其中特征提取这一步骤十分重要，特征提取的好坏意味着对识别对象理解掌握的程度深浅，进而影响到状态监测及故障诊断的结果好坏。常用的特征提取方法有统计分析、自回归模型、小波分析等。这些方法都要进行复杂的数学运算。对于简单系统而言，其运行工况单一、相关参数较为明确，数学运算虽然复杂但还可以进行。但对于复杂的系统，如一次风机的运行，其运行过程复杂，变量间相互耦合，工况参数十分繁杂，同时外部环境也对其运行产生影响，在这种情况下，通过进行数学运算来实现特征提取已经变得不太现实。除此之外，传统的特征提取方法除了运算复杂，适用范围不够全面外，还有可能会遗漏某些对于状态预测及故障类型敏感的特征，从而大大影响状态监测及故障诊断的效果。因此，随着工业经济的快速发展，工厂设备系统愈发繁杂，传统的特征提取方法已经无法满足现代设备的要求，需要研究一种新的方法来适应现代监测系统的变化。

剩余内容已隐藏，请支付后下载全文，论文总字数：26332字