原文传递
基于深度学习的增压锅炉故障诊断研究
| 论文题名： | 基于深度学习的增压锅炉故障诊断研究 |
| 关键词： | 船舶增压锅炉;蒸汽动力系统;故障诊断;神经网络;深度学习 |
| 摘要： | 船舶增压锅炉是常规蒸汽动力系统的动力源，是保证动力装置安全可靠运行的关键设备。若增压锅炉出现的故障没有及时检测排除，就有可能造成整个蒸汽动力系统的瘫痪失灵，甚至对整个舰船造成巨大的危害。因此对船用增压锅炉的常见故障进行故障诊断研究具有非常现实的意义。 将仿真手段与深度学习方法相结合，使用GSE仿真软件建立了增压锅炉仿真模型，模拟了七种诱导原因引起的过热器超温故障和降负荷过程辅汽轮机进汽阀卡涩故障的发生。采集故障样本数据，建立了过热器超温的故障样本库。基于长短期记忆循环神经网络阈值法，针对增压锅炉过热器超温问题进行故障检测和故障预警研究，使用相同方法对降负荷过程中辅汽轮机进汽阀卡涩故障进行故障检测研究。采用深层全连接神经网络模型、一维卷积神经网络模型和二维卷积神经网络模型对过热器超温问题，进行故障定位研究。并引入了机器学习中常见的模型评价指标，对比三种故障诊断模型的性能。 结果表明，基于长短期记忆循环神经网络阈值法可以准确的检测出过热器超温故障，并能提前发出预警信息，故障诊断模型的查准率为98.39％，查全率为97.56％，F1分数为97.97％;对于降负荷过程辅汽轮机进汽阀卡涩的故障检测，神经网络训练难度较大，诊断模型精度有所降低，查准率为94.36％，查全率为93.61％,F1分数为93.98％;对于过热器超温问题的故障定位研究，二维卷积神经网络模型诊断结果的可信度最高，查全率、查准率和F1分数皆为95％以上，均高于另外两个神经网络模型，证明该方法具有较高的可靠性。 |
| 作者： | 韦昌 |
| 专业： | 动力工程及工程热物理 |
| 导师： | 宋福元 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工程大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
