原文传递
基于机器学习的小型增压锅炉汽包超压与受热面泄漏故障诊断研究
| 论文题名： | 基于机器学习的小型增压锅炉汽包超压与受热面泄漏故障诊断研究 |
| 关键词： | 船用增压锅炉;汽包超压;受热面泄漏;故障诊断;机器学习 |
| 摘要： | 增压锅炉作为船舶蒸汽动力系统的核心设备，长期处于恶劣运行环境，是一个故障多发的设备。一旦其发生故障，若未能及时诊断和定位，则直接威胁船舶动力系统的安全。常规的故障诊断技术高度依赖专家的经验可靠性，往往存在耗时长，诊断效率低等问题。因此，对船用增压锅炉重大故障进行诊断具有很大的实际意义。 以小型增压锅炉为研究对象，开展汽包超压与受热面泄漏故障诊断研究。首先，针对实际故障数据难获得的问题，基于GSE平台建立小型增压锅炉仿真模型，并通过稳动态验证保证仿真模型的可靠性，再通过故障模拟获得汽包超压和受热面泄漏故障的数据。其次，针对因实际数据夹噪引起的故障数据质量差问题，通过特征提取建立故障库，并经过数据滤波、标准化等预处理改善数据库质量。然后，针对常规故障诊断的经验可靠性问题，进行基于支持向量机(SVC)，随机森林(RF)和多层感知机(MLP)三种有监督学习算法的汽包超压故障诊断研究。最后，针对实际数据缺标签数据的问题，将标签传播算法(LPA)结合SVC和RF建立半监督SVC模型和半监督RF模型，进行基于这两种半监督学习的受热面泄漏故障诊断研究，并讨论两者在不同缺失标签比例下的诊断特性。 研究结果表明，在基于有监督学习的汽包超压故障诊断方面，SVC，RF和MLP的F1分数均高于0.9，总体诊断结果都较为理想，其中RF最为出色，F1分数为0.972。在基于半监督学习的锅炉受热面泄漏故障诊断方面，半监督SVC和半监督RF的总精度、查准率、查全率和F1分数都高于0.97，两者的总体诊断结果较理想，其中半监督RF表现最佳，F1分数高达0.996。在保证F1分数不低于0.98的情况下，半监督SVC和半监督RF的最大标签缺失比例分别为44％和67％。研究成果对小型增压锅炉安全运行及健康管理具有一定的指导意义。 |
| 作者： | 袁孝江 |
| 专业： | 动力工程及工程热物理 |
| 导师： | 李彦军 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工程大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
